证件图像翻拍识别方法、装置、电子设备和存储介质
技术领域
本申请涉及图像处理领域,尤其涉及一种证件图像翻拍识别方法、装置、电子设备和存储介质。
背景技术
证件图像翻拍,是指利用光学镜头拍摄在真实场景下的证件实物,得到第一图像后,将第一图像投映在其他显像载体上(纸张打印、屏幕等),再次利用光学镜头进行拍摄,得到含有第一图像信息的第二图像的过程。这种做法会带来证件冒用的风险,对个人信息安全造成损失。因此,在一些需要审核证件信息的业务场景下,需要识别出翻拍的第二图像并予以拦截。
相关技术中,证件翻拍识别技术主要是通过图像空域特征与交互信息相结合的方式,具体的,其需要借助外部设备,例如,具有闪光灯和陀螺仪的手机,在拍摄过程中控制闪光灯的闪烁,并采集陀螺仪的数据,通过交互来采集多帧图像,获得额外的信息。
但是这种方式对拍摄装置的要求较高,需要拍摄装置上同时配备其它装置(闪光灯、陀螺仪等);并且,需要拍摄者严格按照规定的交互流程进行一段视频的拍摄,用户体验较差;另外,这种方式所处理的原始数据为一段视频,且需要额外的前置算法输出(晃动判断、手持判断、选帧),造成了空间资源和时间资源的耗费。
发明内容
本申请提供了一种证件图像翻拍识别方法、装置、电子设备和存储介质,用以解决现有技术中,在进行证件图像识别时,对拍摄过程和拍摄设备的限制,计算过程复杂以及对时间和空间资源耗费的问题。
第一方面,本申请实施例提供了一种证件图像翻拍识别方法,包括:
获取待识别的证件图像;
对所述待识别的证件图像进行变换,得到所述待识别的证件图像的频谱图像;
提取所述待识别的证件图像的空域特征和所述频谱图像的频域特征,根据提取的所述空域特征和所述频域特征,判断所述待识别的证件图像是否为翻拍图像,获得判断结果,并将所述判断结果作为证件图像翻拍识别结果。
可选地,所述获取待识别的证件图像,包括:
获取对证件拍摄得到的原始证件图像,所述原始证件图像中包括背景部分和待识别证件部分;
对所述原始证件图像进行定位和裁剪,以去除所述原始证件图像中的所述背景部分,得到所述待识别的证件图像。
可选地,所述对所述原始证件图像进行定位和裁剪,以去除所述原始证件图像中的所述背景部分,得到所述待识别的证件图像,包括:
对所述原始证件图像进行定位,得到所述原始证件图像中待识别证件部分的中心点和尺寸;
根据所述待识别证件部分的中心点和尺寸对所述原始证件图像进行裁剪,以去除所述原始证件图像中的所述背景部分,得到所述待识别的证件图像。
可选地,所述对所述原始证件图像进行定位,得到所述原始证件图像中待识别证件部分的中心点和尺寸,包括:
基于目标检测网络预测所述原始证件图像中待识别证件部分的中心点和尺寸,其中,所述尺寸是所述目标检测网络在得到所述中心点后,以回归的方式得到的。
可选地,所述提取所述待识别的证件图像的空域特征和所述频谱图像的频域特征,根据提取的所述空域特征和所述频域特征,判断所述待识别的证件图像是否为翻拍图像,获得判断结果,包括:
将所述待识别的证件图像和所述频谱图像输入到卷积神经网络模型;
通过所述卷积神经网络模型中的N个网络层级,提取所述待识别的证件图像的N个网络层级的空域特征和所述频谱图像的N个网络层级的频域特征,并对所述N个网络层级的空域特征和所述N个网络层级的频域特征进行融合,得到所述待识别的证件图像的特征图,根据所述特征图判断所述待识别的证件图像是否为翻拍图像后,输出判断结果。
可选地,所述通过所述卷积神经网络模型中的N个网络层级,提取所述待识别的证件图像的N个网络层级的空域特征和所述频谱图像的N个网络层级的频域特征,并对所述N个网络层级的空域特征和所述N个网络层级的频域特征进行融合,得到所述待识别的证件图像的特征图,根据所述特征图判断所述待识别的证件图像是否为翻拍图像后,输出判断结果,包括:
采用第1个网络层级,对所述待识别的证件图像和所述频谱图像进行分组卷积,获得所述待识别的证件图像第1个网络层级的空域特征和所述频谱图像第1个网络层级的频域特征;
采用第i个网络层级,对第i-1个网络层级的特征图,进行分组卷积,获得所述待识别的证件图像第i个网络层级的空域特征和所述频谱图像第i个网络层级的频域特征,其中,所述i的取值为大于1且小于或等于N;
在得到第N个网络层级的空域特征和频域特征后,对第N个网络层级的空域特征和频域特征进行融合,得到第N个网络层级的特征图,对所述特征图进行下采样和全连接;
将全连接后的结果通过激活函数判断所述待识别的证件图像是否为翻拍图像,并输出判断结果。
可选地,所述翻拍图像包括:彩印翻拍图像和屏幕翻拍图像。
第二方面,本申请实施例提供了一种证件图像翻拍识别装置,包括:
获取模块,用于获取待识别的证件图像;
图像变换模块,用于对所述待识别的证件图像进行变换,得到所述待识别的证件图像的频谱图像;
证件翻拍判别模块,用于提取所述待识别的证件图像的空域特征和所述频谱图像的频域特征,根据提取的所述空域特征和所述频域特征,判断所述待识别的证件图像是否为翻拍图像,获得判断结果,并将所述判断结果作为证件图像翻拍识别结果。
可选地,所述获取模块具体包括:
获取子模块,用于获取对证件拍摄得到的原始证件图像,所述原始证件图像中包括背景部分和待识别证件部分;
证件检测定位模块,用于对所述原始证件图像进行定位和裁剪,以去除所述原始证件图像中的所述背景部分,得到所述待识别的证件图像。
可选地,证件检测定位模块包括:
定位模块,用于对所述原始证件图像进行定位,得到所述原始证件图像中待识别证件部分的中心点和尺寸;
裁剪模块,用于根据所述待识别证件部分的中心点和尺寸对所述原始证件图像进行裁剪,以去除所述原始证件图像中的所述背景部分,得到所述待识别的证件图像。
可选地,所述定位模块,包括:
中心点定位模块,用于基于目标检测网络预测所述原始证件图像中待识别证件部分的中心点;
尺寸定位模块,用于以回归的方式得到所述待识别证件部分的尺寸。
可选地,证件翻拍判别模块包括:
输入模块,用于将所述待识别的证件图像和所述频谱图像输入到卷积神经网络模型;
判别模块,用于通过所述卷积神经网络模型中的N个网络层级,提取所述待识别的证件图像的N个网络层级的空域特征和所述频谱图像的N个网络层级的频域特征,并对所述N个网络层级的空域特征和所述N个网络层级的频域特征进行融合,得到所述待识别的证件图像的特征图,根据所述特征图判断所述待识别的证件图像是否为翻拍图像后,输出判断结果。
可选地,所述判别模块,具体用于采用第1个网络层级,对所述待识别的证件图像和所述频谱图像进行分组卷积,获得所述待识别的证件图像第1个网络层级的空域特征和所述频谱图像第1个网络层级的频域特征;
采用第i个网络层级,对第i-1个网络层级的特征图,进行分组卷积,获得所述待识别的证件图像第i个网络层级的空域特征和所述频谱图像第i个网络层级的频域特征,其中,所述i的取值为大于1且小于或等于N;
在得到第N个网络层级的空域特征和频域特征后,对第N个网络层级的空域特征和频域特征进行融合,得到第N个网络层级的特征图,对所述特征图进行下采样和全连接;
将全连接后的结果通过激活函数判断所述待识别的证件图像是否为翻拍图像,并输出判断结果。
可选地,所述翻拍图像包括:彩印翻拍图像和屏幕翻拍图像。
第三方面,本申请实施例提供了一种电子设备,其特征在于,包括:处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中所存储的程序,实现第一方面所述的证件图像翻拍识别方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现第一方面所述的证件图像翻拍识别方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:本申请实施例提供的该方法,在识别待识别的证件图像时,不需要额外的交互信息,并且对拍摄设备及拍摄过程不做限定,不需要处理视频流,只需要获取到待识别的证件图像,进行后续的处理,便可以实现对图像的识别,简化了算法的流程,节省了空间资源和时间资源;并且,用户不必进行视频的拍摄,只需要输入待识别的证件图像,即可完成识别,提高了用户的体验;另外,本申请不仅利用了证件图像的空域特征,还结合了证件图像的频域特征进行识别,提高了图像识别的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的证件图像翻拍识别方法的流程图;
图2为本申请另一实施例提供的证件图像翻拍识别方法的流程图;
图3为本申请一实施例提供的证件图像翻拍识别方法中图像定位和裁剪的流程图;
图4为本申请一实施例提供的不同类型原始证件图像的频谱图像的频谱图;
图5为本申请一实施例提供的证件图像翻拍识别方法中卷积神经网络模型识别的过程图;
图6为本申请一实施例提供的证件图像翻拍识别方法中训练卷积神经网络模型的流程图;
图7为本申请一实施例提供的证件图像翻拍识别装置的结构图;
图8为本申请一实施例提供的电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请一实施例中提供了一种证件图像翻拍识别方法,该方法可以应用于任意一种形式的电子设备中,如终端或服务器中。如图1所示,该证件图像翻拍识别方法,包括:
步骤101、获取待识别的证件图像。
一些实施例中,待识别的证件图像可以是用户在相应输入框内上传获得的,也可以是在相应的网页中获得。当然,也可以直接采集获得该待识别的证件图像。
步骤102、对待识别的证件图像进行变换,得到待识别的证件图像的频谱图像。
一些实施例中,对待识别的图像进行傅里叶变换,得到频谱图像,通过对待识别的图像和频谱图像对证件图像进行双重识别,可以使识别的结果更加精确。傅里叶变换将信号从时间域变换到频率域,进而研究信号的频谱结构和变化规律。其中,傅里叶变换可以但不限于采用快速傅里叶变换(Fast Fourier Transform,FFT)对待识别的证件图像进行变换,FFT是计算离散傅里叶变换(Discrete Fourier Transform,DFT)的高效、快速的计算方法。通过2D快速傅里叶变换,可以将图像从空域变换为频域,获得频域上的频谱图像。
步骤103、提取待识别的证件图像的空域特征和频谱图像的频域特征,根据提取的空域特征和频域特征,判断待识别的证件图像是否为翻拍图像,获得判断结果,并将判断结果作为证件图像翻拍识别结果。
一些实施例中,对待识别的证件图像和频谱图像进行进一步的识别,可以通过卷积神经网络模型实现。具体的,可以先将待识别的证件图像和频谱图像输入卷积神经网络模型,通过卷积神经网络模型中的网络层级逐步提取待识别的证件图像的空域特征和频谱图像的频域特征,进而基于空域特征和频域特征判断待识别的证件图像是否为翻拍图像。
本实施例中,先获取到待识别的证件图像,不需要额外的交互信息,并且对拍摄设备及拍摄过程不做限定,不需要处理视频流,只需要获取到待识别的证件图像,进行后续的处理,便可以实现对图像的识别,简化了算法的流程,节省了空间资源和时间资源,并且,用户不必进行视频的拍摄,只需要输入待识别的证件图像,即可完成识别,提高了用户的体验;然后对待识别的证件图像进行傅里叶变换得到频谱图像,最后,通过提取待识别的证件图像的空域特征和频谱图像的频域特征对待识别的证件图像进行识别,判断出待识别的证件图像是否为翻拍图像,此识别过程中,不仅利用了证件图像的空域特征,还结合了证件图像的频域特征进行识别,提高了图像识别的准确性。
本申请另一实施例中提供了一种证件图像翻拍识别方法,如图2所示,该证件图像翻拍识别方法,包括:
步骤201、获取对证件拍摄得到的原始证件图像,原始证件图像中包括背景部分和待识别证件部分。
一些实施例中,原始证件图像可以通过多种方式获得,可以是执行该证件图像翻拍识别方法的电子设备,直接拍摄得到,也可以是该电子设备从其他设备处获得,例如从证件图像采集设备处获得。
步骤202、对原始证件图像进行定位和裁剪,以去除原始证件图像中的背景部分,得到待识别的证件图像。
需要说明的是,可以将去除背景部分后得到的待识别的证件图像记为聚焦图像。
一些实施例中,对原始证件图像进行定位和裁剪的具体过程如图3所示:
步骤301、对原始证件图像进行定位,得到原始证件图像中待识别证件部分的中心点和尺寸。
具体的,在对原始证件图像进行定位时,可以基于目标检测网络预测证件图像中证件部分的中心点和尺寸,其中,该尺寸是目标检测网络在得到中心点后,以回归的方式得到。
其中,目标检测网络的种类有多种,具体可以根据实际情况进行选择,例如,可以为R-CNN算法、Fast R-CNN算法、Faster R-CNN算法、Mask R-CNN算法、SSD(Single ShotMultiBox Defender)算法、YOLO(You Only Look Once)算法。
进一步的,待识别证件部分的尺寸可以但不限于为待识别证件部分的宽和高。
步骤302、根据待识别证件部分的中心点和尺寸对原始证件图像进行裁剪,以去除原始证件图像中的背景部分,得到待识别的证件图像。
由于获取的原始证件图像不仅包括需要识别的待识别证件部分,还包括拍摄图像时证件放置位置的背景部分,为避免背景部分对后续的识别进行干扰,本实施例中,先对原始证件图像进行裁剪,将背景部分裁切下去,得到原始证件图像的待识别的证件图像,即聚焦图像,避免识别时背景部分造成的干扰,可以提高识别结果的准确性。
具体的,通过上述步骤得到待识别证件部分的中心点、宽和高后,便可以以中心点为中心,以宽为横向裁剪目标值对原始证件图像裁剪,以高为纵向裁剪目标值对原始证件图像裁剪,从而得到待识别证件部分,即聚焦图像。
步骤203、对待识别的证件图像进行傅里叶变换,得到待识别的证件图像的频谱图像。
傅里叶变换可以将信号从时间域变换到频率域,进而研究信号的频谱结构和变化规律,本实施例中,采用快速傅里叶变换,将待识别的证件图像,即聚焦图像变换为频谱图像,以通过聚焦图像和频谱图像进行双重识别,可以使识别的结果更加精确。
图4为本申请一实施例提供的不同类型原始证件图像的频谱图像,参照图4,在频谱图像中,图像中心点代表零频分量,从中心点向四周角点递进,所代表的频率逐渐升高,明暗程度代表该频率分量的幅值大小。可以很明显地看出,正常拍摄的证件图像,其频域特征大部分集中在低频段(靠近中心点);纸张彩印翻拍的证件图像,由于纸张的不规则纹理性,其频谱图在低频和高频之间较为均匀地分布;屏幕翻拍的证件图像,由于屏幕会产生摩尔纹,在个别中/高频率点上会有非常明显的高幅值。由于正常拍摄的证件图像与翻拍图像在频谱图像上的表现,具有明显的差别,也因此,在通过频谱图像进行识别时,可以提高识别的准确度。
步骤204、将待识别的证件图像和频谱图像输入到卷积神经网络模型。
一些实施例中,卷积神经网络模型输入分为两个部分:经过证件定位裁切后的待识别的证件图,即聚焦图像(RGB三通道),以及由聚焦图像进行快速傅里叶变换得到的频谱图像(F单通道)。将聚焦图像和频谱图像同时输入到卷积神经网络模型中,通过对两个图像的特征同时进行分析识别,提高了识别的准确度。
步骤205、通过卷积神经网络模型中的N个网络层级,提取待识别的证件图像的N个网络层级的空域特征和频谱图像的N个网络层级的频域特征,并对N个网络层级的空域特征和N个网络层级的频域特征进行融合,得到待识别的证件图像的特征图,根据特征图判断待识别的证件图像是否为翻拍图像后,输出判断结果。
一些实施例中,通过卷积神经网络模型提取待识别的证件图像(聚焦图像)和频域图像的特征,并识别证件图像是否为翻拍图像,具体过程如下:
第一、采用第1个网络层级,对待识别的证件图像和频谱图像进行分组卷积,获得待识别的证件图像第1个网络层级的空域特征和频谱图像第1个网络层级的频域特征;
第二、采用第i个网络层级,对第i-1个网络层级的特征图,进行分组卷积,获得待识别的证件图像第i个网络层级的空域特征和频谱图像第i个网络层级的频域特征,其中,i的取值为大于1且小于或等于N;
第三、在得到第N个网络层级的空域特征和频域特征后,对第N个网络层级的空域特征和频域特征进行融合,得到第N个网络层级的特征图,对特征图进行下采样和全连接;
第四、将全连接后的结果通过激活函数判断待识别的证件图像是否为翻拍图像,并输出判断结果。
该过程中,将待识别的证件图像(即聚焦图像)的空域特征和频谱图像的频域特征分开提取,保证了空域特征和频域特征提取的独立性和有效性,在最后一层网络层级中,将空域特征和频域特征相融合,在识别过程中,即结合了空域特征又结合了频域特征,使得识别结果更加准确。
需要说明的是,这里对卷积神经网络模型具体所采用的算法模型不做限制。一个具体实施例中,卷积神经网络模型采用分组卷积神经网络模型。在卷积神经网络模型中设置的N个网络层级,本实施例中,以N为4进行说明。在4个网络层级中分别对待识别的证件图像(聚焦图像)的空域特征和频谱图的频域特征进行提取,并且,每一层特征在RGB聚焦图像和F频谱图像上拥有不同的特征图数量。如图5所示,可以在第一层网络层级中,对聚焦图像提取32个空域特征,并对频谱图像提取16个频域特征;可以在第二层网络层级中,对聚焦图像提取64个空域特征,并对频谱图像提取32个频域特征;可以在第三层网络层级中,对聚焦图像提取128个空域特征,并对频谱图像提取64个频域特征;可以在第四层网络层级中,对聚焦图像提取256个空域特征,并对频谱图像提取128个频域特征。然后,对第四层网络层级中的特征图分别进行下采样和全连接,并通过卷积神经网络模型中的激活函数得到识别结果。
其中,翻拍图像包括:屏幕翻拍图像和彩印翻拍图像。
可以理解的是,如图6所示,上述的卷积神经网络模型可以通过以下步骤训练得到,具体包括:
步骤601,获取样本图像集合,其中,该样本图像集合中包括M个样本图像以及每个样本图像的翻拍类别标识,该翻拍类别标识用于指示该样本图像是否为翻拍图像,S个样本图像组成一组样本图像;
其中,样本图像中包括:待识别的证件图像、将该待识别的证件图像通过快速傅里叶变换得到的频谱图像。
分别对样本图像集合中的每组样本图像执行以下训练过程:
步骤602,分别对一组样本图像中的每个样本图像进行以下处理,将样本图像输入至初始卷积神经网络模型,依次采用N个网络层级,对该样本图像进行特征提取,获得N个网络层级的特征,并对该N个网络层级的特征进行整合,得到该样本图像中证件的特征图;
步骤603,根据该一组样本图像中每个样本图像中证件的特征图,获得该一组样本图像中证件图像为翻拍图像的概率值;
步骤604,根据该概率值和该一组样本图像的翻拍类别标识,计算损失函数,根据该损失函数,将梯度反向传播到N个网络层级的每一层,优化该初始卷积神经网络模型的参数后,从样本图像集合中获取下一组样本图像。
重复执行步骤602至步骤604,直至损失函数趋于稳定时,将初始卷积神经网络模型作为最终的卷积神经网络模型。
可以理解的是,上述的翻拍类别标识还可以用于指示样本图像的图像翻拍类别,例如,翻拍类别标识包括:非翻拍图像,屏幕翻拍图像和彩印翻拍图像。通过将翻拍类别标识指示样本图像的图像翻拍类别,可以通过训练得到的卷积神经网络模型,识别出翻拍图像所属的翻拍类型(即:屏幕翻拍图像和彩印翻拍图像)。
基于同一构思,本申请实施例中提供了一种证件图像翻拍识别装置,该装置的具体实施可参见方法实施例部分的描述,重复之处不再赘述,如图7所示,该装置主要包括:
获取模块701,用于获取待识别的证件图像;
图像变换模块702,用于对所述待识别的证件图像进行变换,得到所述待识别的证件图像的频谱图像;
证件翻拍判别模块703,用于提取所述待识别的证件图像的空域特征和所述频谱图像的频域特征,根据提取的所述空域特征和所述频域特征,判断所述待识别的证件图像是否为翻拍图像,获得判断结果,并将所述判断结果作为证件图像翻拍识别结果。
可选的,所述获取模块具体包括:
获取子模块,用于获取对证件拍摄得到的原始证件图像,所述原始证件图像中包括背景部分和待识别证件部分;
证件检测定位模块,用于对所述原始证件图像进行定位和裁剪,以去除所述原始证件图像中的所述背景部分,得到所述待识别的证件图像。
可选地,证件检测定位模块包括:
定位模块,用于对所述原始证件图像进行定位,得到所述原始证件图像中待识别证件部分的中心点和尺寸;
裁剪模块,用于根据所述待识别证件部分的中心点和尺寸对所述原始证件图像进行裁剪,以去除所述原始证件图像中的所述背景部分,得到所述待识别的证件图像。
可选地,所述定位模块,包括:
中心点定位模块,用于基于目标检测网络预测所述原始证件图像中待识别证件部分的中心点;
尺寸定位模块,用于以回归的方式得到所述待识别证件部分的尺寸。
可选地,证件翻拍判别模块包括:
输入模块,用于将所述待识别的证件图像和所述频谱图像输入到卷积神经网络模型;
判别模块,用于通过所述卷积神经网络模型中的N个网络层级,提取所述待识别的证件图像的N个网络层级的空域特征和所述频谱图像的N个网络层级的频域特征,并对所述N个网络层级的空域特征和所述N个网络层级的频域特征进行融合,得到所述待识别的证件图像的特征图,根据所述特征图判断所述待识别的证件图像是否为翻拍图像后,输出判断结果。
可选地,所述判别模块,具体用于采用第1个网络层级,对所述待识别的证件图像和所述频谱图像进行分组卷积,获得所述待识别的证件图像第1个网络层级的空域特征和所述频谱图像第1个网络层级的频域特征;
采用第i个网络层级,对第i-1个网络层级的特征图,进行分组卷积,获得所述待识别的证件图像第i个网络层级的空域特征和所述频谱图像第i个网络层级的频域特征,其中,所述i的取值为大于1且小于或等于N;
在得到第N个网络层级的空域特征和频域特征后,对第N个网络层级的空域特征和频域特征进行融合,得到第N个网络层级的特征图,对所述特征图进行下采样和全连接;
将全连接后的结果通过激活函数判断所述待识别的证件图像是否为翻拍图像,并输出判断结果。
可选地,所述翻拍图像包括:彩印翻拍图像和屏幕翻拍图像。
基于同一构思,本申请实施例中提供了一种电子设备,如图7所示,该电子设备主要包括:处理器801、通信接口802、存储器803和通信总线804,其中,处理器801、通信接口802和存储器803通过通信总线804完成相互间的通信。其中,存储器803中存储有可被至处理器801执行的程序,处理器801执行存储器803中存储的程序,实现如下步骤:获取待识别的证件图像;对所述待识别的证件图像进行变换,得到所述待识别的证件图像的频谱图像;提取所述待识别的证件图像的空域特征和所述频谱图像的频域特征,根据提取的所述空域特征和所述频域特征,判断所述待识别的证件图像是否为翻拍图像,获得判断结果,并将所述判断结果作为证件图像翻拍识别结果。
上述电子设备中提到的通信总线804可以是外设部件互连标准(PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture,简称EISA)总线等。该通信总线804可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口802用于上述电子设备与其他设备之间的通信。
存储器803可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器801的存储装置。
上述的处理器801可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等,还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当该计算机程序在计算机上运行时,使得计算机执行上述实施例中所描述的证件图像翻拍识别方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以时通用计算机、专用计算机、计算机网络或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。