CN116959064B - 一种证件验证方法、装置、计算机设备和存储介质 - Google Patents
一种证件验证方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116959064B CN116959064B CN202310757031.0A CN202310757031A CN116959064B CN 116959064 B CN116959064 B CN 116959064B CN 202310757031 A CN202310757031 A CN 202310757031A CN 116959064 B CN116959064 B CN 116959064B
- Authority
- CN
- China
- Prior art keywords
- training
- face
- image
- verification
- certificate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012795 verification Methods 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 82
- 238000001514 detection method Methods 0.000 claims abstract description 80
- 238000004364 calculation method Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims description 162
- 238000012360 testing method Methods 0.000 claims description 44
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000009825 accumulation Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000010200 validation analysis Methods 0.000 claims description 6
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 5
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000005242 forging Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种证件验证方法、装置、计算机设备和存储介质。所述方法包括:响应于证件验证请求,获取证件图像和实采图像;利用预设的校验模型,对证件图像进行有效性验证,输出验证结果;当验证结果满足预设条件时,利用第一人脸检测算法,获取证件图像中的第一人脸,以及实采图像中的第二人脸;利用第二人脸检测算法,获取第一人脸的第一特征向量,以及第二人脸的第二特征向量;利用预设的相似度计算规则,获取第一特征向量和第二特征向量之间的相似度计算结果;根据相似度计算结果,输出证件验证结果。采用本方法能够代替人工校验的基础上,快速验证证件是否有效以及上传人员是否与证件一致,且避免单一化验证,提高校验效率。
Description
技术领域
本申请涉及信息处理技术领域,特别是涉及一种证件验证方法、装置、计算机设备和存储介质。
背景技术
随着身份证件的应用场所的越来越多,伪造身份证件的现象也在扩展。伪造身份证件的行为给证件当事人带来了很多社会风险。
基于此,目前市面上针对伪造身份证件这一行为给出了相应的反欺诈方法。一些应用场所利用OCR光学字符识别技术或者身份证件的防伪特征对身份证件进行真假识别;一些应用场所借助官方机构进行身份证件的真假识别;甚至一些应用场所直接进行人工排查。
然而现有很多应用场所不需要身份证件的原件,只需提供复印件、打印件、翻拍证件或者当事人证件以外的证件进行身份验证,现有反欺诈方法无法有效排除复印件、打印件或翻拍证件的真假,当需要验证设备时,增加了额外的人力物力成本,当需要官方机构协助时,需要提前与官方机构进行有效沟通后才能开展业务,当人工排查时,极易受人为主观因素的影响产生误差,且速度慢。
发明内容
基于此,有必要针对上述技术问题,提供一种证件验证方法、装置、计算机设备和存储介质,以解决现有校验单一化,人工校验速度慢误差大的技术问题。
一种证件验证方法,所述方法包括:
响应于证件验证请求,获取证件图像和实采图像;
利用预设的校验模型,对证件图像进行有效性验证,输出验证结果;
当验证结果满足预设条件时,利用第一人脸检测算法,获取证件图像中的第一人脸,以及实采图像中的第二人脸;
利用第二人脸检测算法,获取第一人脸的第一特征向量,以及第二人脸的第二特征向量;
利用预设的相似度计算规则,获取第一特征向量和第二特征向量之间的相似度计算结果;
根据相似度计算结果,输出证件验证结果。
在其中一个实施例中,响应于证件验证请求的步骤之前,包括:
响应于模型训练请求,获取若干证件相关的图像数据,以组建数据集;
将数据集中的部分图像数据进行第一预处理后,得到第一训练数据;
将第一训练数据输入至预建的神经网络架构中,以进行模型预训练,得到预训练结果;
根据预训练结果,对数据集中剩余的图像数据,进行第二预处理,以得到第二训练数据;
将第二训练数据输入至预训练后的模型中,按预设训练规则进行模型训练,以得到校验模型。
在其中一个实施例中,将数据集中的部分图像数据进行第一预处理后,得到第一训练数据的步骤,包括:
对数据集中的部分图像数据进行标注,标注为有效证件和无效证件;
对标注后的图像数据进行随机抽样,按比例构建训练集和测试集,作为第一训练数据。
在其中一个实施例中,将第一训练数据输入至预建的神经网络架构中,以进行模型预训练,得到预训练结果的步骤,包括:
利用训练集中的图像数据,对预建的神经网络架构进行模型预训练,再利用测试集中的图像数据进行模型测试,获取测试结果;
当测试结果中,评估指标超过预设比值时,获取当前预训练模型的权重值,以作为预训练结果。
在其中一个实施例中,根据预训练结果,对数据集中剩余的图像数据,进行第二预处理,以得到第二训练数据的步骤,包括:
利用权重值,对数据集中剩余的图像数据进行预测处理,获取预测结果;
将人工校验后的预测结果作为标签,对剩余的图像数据进行标注,以得到第二训练数据,按比例划分至训练集和测试集中。
在其中一个实施例中,将第二训练数据输入至预训练后的模型中,按预设训练规则进行模型训练,以得到校验模型的步骤,包括:
将训练集作为整体批量大小,拆分为多个子批次,以便进行模型训练;
将各子批次进行梯度迭代计算后,再进行梯度叠加;
基于预设的累计因子,当子批次数量累计至预计数值后,进行梯度更新处理,并清空梯度累加器,开始下一轮累计,直至达到预设的训练轮数时,停止训练;
以此类推,利用训练集中的训练数据不断训练,并存储训练获得的权重值,利用测试集评价图像描述的效果,直至测试集指标符合要求后,得到满足要求的校验模型。
在其中一个实施例中,利用预设的校验模型,对证件图像进行有效性验证,输出验证结果的步骤,包括:
按照预设的图像处理规则,对证件图像进行第三预处理;
将第三预处理后的证件图像输入至校验模型中,输出证件图像的校验评分,以根据校验评分高于预设评分阈值时,判定证件图像满足预设条件。
在其中一个实施例中,第一人脸检测算法采用SCRFD人脸检测算法,SCRFD人脸检测算法至少包括稀疏卷积算法、FPN结构、Anchor-Free算法以及IoU-Net算法;
利用第一人脸检测算法,获取证件图像中的第一人脸,以及实采图像中的第二人脸的步骤,包括:
利用稀疏卷积算法,对证件图像进行多尺度人脸特征提取,获取证件图像中不同尺度的人脸特征;
利用FPN结构,对不同尺度的人脸特征,进行多尺度融合,并使用注意力机制强调特征,获取特征集合;
利用Anchor-Free算法,对特征集合进行人脸框检测,通过密度回归点,预测人脸框的位置及大小,以及利用IoU-Net算法,预测人脸框和真实值之间的交并比,以修正人脸框的位置及大小,获取第一人脸;
以此类推,通过SCRFD人脸检测算法,对实采图像进行人脸检测,获取实采图像中的第二人脸。
在其中一个实施例中,第二人脸检测算法采用FaceNet算法,FaceNet算法包括Inception结构的卷积神经网络和欧式空间;
利用第二人脸检测算法,获取第一人脸的第一特征向量,以及第二人脸的第二特征向量的步骤,包括:
基于人脸坐标系,利用第一人脸中各关键点的坐标数据,进行归一化处理;
利用Inception结构对第一人脸进行深度特征提取;
将提取的深度特征映射至欧式空间中,获得第一人脸的第一特征向量;
以此类推,获取第二人脸的第二特征向量。
在其中一个实施例中,相似度计算规则采用余弦相似度关系式,余弦相似度关系式为:
其中,Ai表示第一特征向量A的对应元素值,Bi表示第二特征向量B的对应元素值;
利用预设的相似度计算规则,获取第一特征向量和第二特征向量之间的相似度计算结果的步骤,包括:
通过余弦相似度关系式计算获取-1~1之间的相似度值,以便相似度值趋近于1,表示证件图像和实采图像相似。
在其中一个实施例中,根据相似度计算结果,输出证件验证结果的步骤,包括:
将相似度值与预设的相似度阈值进行比较,输出比较结果;
若比较结果中,相似度值小于相似度阈值,则判定证件图像和实采图像为不同人物。
一种证件验证装置,装置包括:图像获取模块、有效校验模块、人脸检测模块、特征提取模块、相似计算模块以及结果输出模块,其中,
图像获取模块用于响应于证件验证请求,获取证件图像和实采图像;
有效校验模块用于利用预设的校验模型,对证件图像进行有效性验证,输出验证结果;
人脸检测模块用于当验证结果满足预设条件时,利用第一人脸检测算法,获取证件图像中的第一人脸,以及实采图像中的第二人脸;
特征提取模块用于利用第二人脸检测算法,获取第一人脸的第一特征向量,以及第二人脸的第二特征向量;
相似计算模块用于利用预设的相似度计算规则,获取第一特征向量和第二特征向量之间的相似度计算结果;
结果输出模块用于根据相似度计算结果,输出证件验证结果。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
响应于证件验证请求,获取证件图像和实采图像;
利用预设的校验模型,对证件图像进行有效性验证,输出验证结果;
当验证结果满足预设条件时,利用第一人脸检测算法,获取证件图像中的第一人脸,以及实采图像中的第二人脸;
利用第二人脸检测算法,获取第一人脸的第一特征向量,以及第二人脸的第二特征向量;
利用预设的相似度计算规则,获取第一特征向量和第二特征向量之间的相似度计算结果;
根据相似度计算结果,输出证件验证结果。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
响应于证件验证请求,获取证件图像和实采图像;
利用预设的校验模型,对证件图像进行有效性验证,输出验证结果;
当验证结果满足预设条件时,利用第一人脸检测算法,获取证件图像中的第一人脸,以及实采图像中的第二人脸;
利用第二人脸检测算法,获取第一人脸的第一特征向量,以及第二人脸的第二特征向量;
利用预设的相似度计算规则,获取第一特征向量和第二特征向量之间的相似度计算结果;
根据相似度计算结果,输出证件验证结果。
上述证件验证方法、装置、计算机设备和存储介质,包括以下技术效果:
(1)由于采用了利用预设的校验模型,对证件图像进行有效性验证,输出验证结果的步骤,那么当证件图像被判定为无效证件时,则证件验证的输出结果可以为存在证件欺诈风险。
(2)由于采用了基于证件图像为有效证件时,判断证件图像和实采图像是否为同一人的步骤,那么当证件验证的输出结果判定为正常,即无证件欺诈操作;证件图像与实采图像为不同人时,则证件验证的输出结果可以为存在证件欺诈行为。
(3)由于采用了证件有效检测、人脸检测、人脸比对三种技术的结合,使多项检测技术的应用结合,进一步减少证件欺诈,可以更加全面地对证件真伪进行检测和验证,提高检测评估指标和安全性,减少因单一技术在有效证件识别中的误差和人力成本。
(4)由于采用的校验模型是利用训练数据不断更新,使得校验模型可以保持效果提升;在实际使用过程中不断添加多样化的样本,校验模型可灵活应对各种情况。
(5)可以替代人工校验,避免单一化验证,大幅度减少人工主观影响,提高校验速度,使用家用级硬件设备的实操过程中,每秒处理约8.8个反证件欺诈任务,远高于人工处理速度。
附图说明
图1为一个实施例中证件验证方法的应用环境图;
图2为一个实施例中证件验证装置的结构框图;
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种证件验证方法,包括以下步骤:
步骤S100,响应于证件验证请求,获取证件图像和实采图像。
步骤S200,利用预设的校验模型,对证件图像进行有效性验证,输出验证结果。
步骤S300,当验证结果满足预设条件时,利用第一人脸检测算法,获取证件图像中的第一人脸,以及实采图像中的第二人脸。
步骤S400,利用第二人脸检测算法,获取第一人脸的第一特征向量,以及第二人脸的第二特征向量。
步骤S500,利用预设的相似度计算规则,获取第一特征向量和第二特征向量之间的相似度计算结果。
步骤S600,根据相似度计算结果,输出证件验证结果。
在一种实施例中,步骤S100,响应于证件验证请求,获取证件图像和实采图像的步骤中,证件图像可以表示为代表身份的证件图像。实际操作过程中,可以采用一种证件图像进行模型训练,也可以采用多种证件图像进行模型训练。实采图像表示为实操过程中采集的含有人脸的现场照片。
在一种实施例中,步骤S100,响应于证件验证请求的步骤之前,包括步骤110~步骤150。
步骤S110,响应于模型训练请求,获取若干证件相关的图像数据,以组建数据集。图像数据包括用户主动上传和互联网公开数据中采集的有效证件的图像数据和无效证件的图像数据,采集的图像数据整合在一起,形成数据集。在一种实施例中,数据集中的图像数据包括两类,分别为有效证件和无效证件,有效证件3000张、无效证件3500张。无效证件的图像数据包括复印件、打印件、翻拍件,复印件800张、打印件900张、翻拍件1000张,在训练前期,无效证件的图像数据被标注为无效证件,且不需要单独标注,训练过程中,训练数据集会经过图像增强处理。
步骤S120,将数据集中的部分图像数据进行第一预处理后,得到第一训练数据。
在一种实施例中,步骤S120,将数据集中的部分图像数据进行第一预处理后,得到第一训练数据的步骤,包括:
步骤S121,对数据集中的部分图像数据进行标注,标注为有效证件和无效证件。
步骤S122,对标注后的图像数据进行随机抽样,按比例构建训练集和测试集,作为第一训练数据。
在一种实施例中,对训练集中的图像数据进行颜色、亮度、对比度、旋转、翻转和随机剪裁的随机变换,然后将变换后的图像数据补边到模型训练输入需要的大小。
在一种实施例中,通过随机抽样的方法,将数据集划分成训练集和测试集,训练集占数据集的70%~80%,测试集占数据集的20%~30%,比如,训练集占数据集的80%,测试集占数据集的20%。进一步说明,通常数据集被划分为训练集、验证集和测试集。训练集用于模型的训练,验证集用于调参和模型的选择,测试集用于报告最终模型的性能,但在实际操作时,能够采集到的无效证件,尤其是复印件、打印件和翻拍件的数量较少,为更充分地利用数据资源,本实施例中的测试集兼作验证集和测试集。
在一种实施例中,测试集的表现如下表1所示。
精准率 | 召回率 | f1-分数 | |
无效 | 0.98 | 0.93 | 0.95 |
有效 | 0.94 | 0.99 | 0.96 |
表1
在实操过程中,使用测试集对开源的人脸检测后的人脸比对方法进行测试,评估指标均在高达0.94。
进一步说明,本实施例中,对数据集中的部分图像数据,进行第一预处理,以标注出有效证件和无效证件对的图像数据,再将标注后的图像数据按比例随机抽样处理,以获得待训练的训练集和测试集。
步骤S130,将第一训练数据输入至预建的神经网络架构中,以进行模型预训练,得到预训练结果。
在一种实施例中,步骤S130,将第一训练数据输入至预建的神经网络架构中,以进行模型预训练,得到预训练结果的步骤,包括:
步骤S131,利用训练集中的图像数据,对预建的神经网络架构进行模型预训练,再利用测试集中的图像数据进行模型测试,获取测试结果。
在一种实施例中,预建的神经网络架构包括输入层、卷积层、池化层、卷积层中卷积块、全局平均池化层、全连接层、输出层等,如下表2所示,提供的一种神经网络架构的结构示意图。
表2
Conv1表示卷积层,用于提取输入图片的低级特征;MaxPooling表示池化层,用于下采样和特征降维;Conv2_x、Conv3_x、Conv4_x、Conv5_x表示由若干个残差块组成的卷积块,每个卷积块包含多个卷积层,用于逐步提取图像数据的高级特征;全局平均池化层:用于将特征图的高宽尺寸压缩为1,从而得到每个特征通道的全局特征表示;全连接层:用于将全局特征表示映射到输出类别上;Softmax输出,用于输出每个类别的概率分布。
步骤S132,当测试结果中,评估指标超过预设比值时,获取当前预训练模型的权重值,以作为预训练结果。
在一种实施例中,选择有效证件和无效证件各600张,分布在训练集和测试集中,比如,训练集400张,测试集200张,利用训练集对预建的神经网络架构进行模型预训练,同时利用测试集对当前生成的权重进行评估,当训练集和测试集的评估指标都达到预设比值时停止训练,比如,预设比值为85%,获取当前训练模型的权重值,以便对剩下未标注的图像数据进行标注。
步骤S140,根据预训练结果,对数据集中剩余的图像数据,进行第二预处理,以得到第二训练数据。
在一种实施例中,步骤S140,根据预训练结果,对数据集中剩余的图像数据,进行第二预处理,以得到第二训练数据的步骤,包括:
步骤S141,利用权重值,对数据集中剩余的图像数据进行预测处理,获取预测结果。在一种实施例中,利用当前模型的权重值对剩下未标注的图像数据进行预测。
步骤S142,将人工校验后的预测结果作为标签,对剩余的图像数据进行标注,以得到第二训练数据,按比例划分至训练集和测试集中。
进一步说明,由于预测结果的不确定性,本实施例还借助于人工校验处理,比如先通过预测技术对剩余的图像数据进行预测处理后,再进行人工校验,此时将校验后的预测结果作为标签,对剩余的图像数据进行标注,以此减少标注时间。
步骤S150,将第二训练数据输入至预训练后的模型中,按预设训练规则进行模型训练,以得到校验模型。
在一种实施例中,步骤S150,将第二训练数据输入至预训练后的模型中,按预设训练规则进行模型训练,以得到校验模型的步骤,包括:
步骤S151,将训练集作为整体批量大小,拆分为多个子批次,以便进行模型训练。
步骤S152,将各子批次进行梯度迭代计算后,再进行梯度叠加。
步骤S153,基于预设的累计因子,当子批次数量累计至预计数值后,进行梯度更新处理,并清空梯度累加器,开始下一轮累计,直至达到预设的训练轮数时,停止训练。
步骤S154,以此类推,利用训练集中的训练数据不断训练,并存储训练获得的权重值,利用测试集评价图像描述的效果,直至测试集指标符合要求后,得到满足要求的校验模型。
进一步说明,本实施例中将训练集中图像数据作为一个整批次,然后将一个整批次的梯度计算拆分成多个子批次的梯度计算,然后将子批次的梯度相加,累计到一定数量后再进行梯度更新,可以有效减小内存需求,同时提高模型的稳定性和准确性。
具体方法可以包括:(1)预先设置一个累计因子,在一种实施例中,累计因子设置为4,以表示要累计的子批次数量。(2)将整个训练集分成若干个子批次,每个子批次数量为原本的批次数量/累计因子。在一种实施例中,批次数量预先设置为64。(3)迭代训练子批次,将每个子批次的梯度进行累加。(4)当累计的子批次数量达到累计因子时,进行梯度更新操作,并清空梯度累加器,开始下一轮累计。(5)当达到指定的训练轮数时,停止训练。
进一步说明,本实施例,使用训练集不断训练,同时储存训练得到的神经网络权重值,使用测试集评价图像描述效果,直到测试集的指标符合要求,将对应的权重值应用于模型,以得到满足要求的校验模型。将证件图像实时输入校验模型,通过校验模型输出图像数据的评分,以判断证件图像为有效证件。
步骤S200,利用预设的校验模型,对证件图像进行有效性验证,输出验证结果。
在一种实施例中,步骤S200,利用预设的校验模型,对证件图像进行有效性验证,输出验证结果的步骤,包括:
步骤S210,按照预设的图像处理规则,对证件图像进行第三预处理。
在一种实施例中,对证件图像进行旋转、翻转和随机剪裁的随机变换,然后将变换后的证件图像补边到校验模型输入需要的大小。
步骤S220,将第三预处理后的证件图像输入至校验模型中,输出证件图像的校验评分,以根据校验评分高于预设评分阈值时,判定证件图像满足预设条件。
步骤S300,当验证结果满足预设条件时,利用第一人脸检测算法,获取证件图像中的第一人脸,以及实采图像中的第二人脸。
在一种实施例中,第一人脸检测算法采用SCRFD人脸检测算法,SCRFD人脸检测算法至少包括稀疏卷积算法、FPN结构、Anchor-Free算法以及IoU-Net算法。
在一种实施例中,步骤S300,当验证结果满足预设条件时,利用第一人脸检测算法,获取证件图像中的第一人脸,以及实采图像中的第二人脸的步骤,包括:
步骤S310,利用稀疏卷积算法,对证件图像进行多尺度人脸特征提取,获取证件图像中不同尺度的人脸特征。
步骤S320,利用FPN结构,对不同尺度的人脸特征,进行多尺度融合,并使用注意力机制强调特征,获取特征集合。
步骤S330,利用Anchor-Free算法,对特征集合进行人脸框检测,通过密度回归点,预测人脸框的位置及大小,以及利用IoU-Net算法,预测人脸框和真实值之间的交并比,以修正人脸框的位置及大小,获取第一人脸。
步骤S340,以此类推,通过SCRFD人脸检测算法,对实采图像进行人脸检测,获取实采图像中的第二人脸。
进一步说明,本实施例使用开源SCRFD人脸检测算法(SCRFD,全称SparseConvolutional Regression Face Detector),对证件图像和实采图像进行人脸检测和关键点检测,并对人脸区域进行截图。SCRFD人脸检测算法是一种高效的人脸检测算法,其包括以下几个方面:特征提取、特征融合、检测头。
其中,特征提取时,SCRFD人脸检测算法采用稀疏卷积算法,在多个尺度上提取人脸特征。这种稀疏卷积算法在卷积核内只有少数几个非零元素,可以显著减少计算量。特征融合时,SCRFD人脸检测算法采用FPN结构(Feature Pyramid Network)来整合不同尺度的特征,并使用注意力机制来强调重要的特征,以将不同尺度上提取的特征进行融合。检测头中,SCRFD人脸检测算法采用Anchor-Free算法进行人脸检测,不需要预定义Anchor Box,通过密集的密度回归点来预测人脸框的位置和大小。同时,SCRFD人脸检测算法还使用IoU-Net算法来预测检测框和真实值之间的交并比,用于修正检测框的位置和大小。实际操作中,使用WiderFace数据集进行训练的SCRFD人脸检测预训练在自有证件数据集上表现良好,因此可以直接使用该预训练模型进行对证件图像和实采图像进行人脸截图。
在一种实施例中,第二人脸检测算法采用FaceNet算法,FaceNet算法包括Inception结构的卷积神经网络和欧式空间。步骤S400,利用第二人脸检测算法,获取第一人脸的第一特征向量,以及第二人脸的第二特征向量的步骤,包括:
步骤S410,基于人脸坐标系,利用第一人脸中各关键点的坐标数据,进行归一化处理。
步骤S420,利用Inception结构对第一人脸进行深度特征提取。
步骤S430,将提取的特征信息映射至欧式空间中,获得第一人脸的第一特征向量。
步骤S440,以此类推,获取第二人脸的第二特征向量。
进一步说明,本实施例对证件图像的第一人脸和实采图像的第二人脸使用开源的FaceNet算法进行人脸特征提取。FaceNet算法的原理是将人脸图像映射到一个低维度的欧式空间,使得同一人的人脸图像在同一欧式空间中距离较近,不同人的人脸图像距离较远。FaceNet算法的实现包括:人脸检测和对齐、提取深度特征、输出特征向量。
在人脸检测和对齐时,检测第一人脸/第二人脸的人脸关键点,利用人脸关键点的坐标,将第一人脸/第二人脸旋转摆正,缩放到指定大小,然后将图像归一化。提取深度特征时,使用Inception结构的卷积神经网络,进行深度特征提取,其中,Inception结构的卷积神经网络包括多个卷积层、池化层、全连接层、归一化层等,可以提取出第一人脸/第二人脸中的边缘、纹理、颜色等特征。输出特征向量时,将提取的深度特征,通过全连接层映射到一个低维度的欧式空间中,获得第一人脸的第一特征向量、第二人脸的第二特征向量,在一种实施例中,第一特征向量/第二特征向量具有128个元素的向量,具有较高的区分度。
在一种实施例中,通过余弦相似度关系式,计算第一特征向量与第二特征向量之间的差异性。即相似度计算规则采用余弦相似度关系式,余弦相似度关系式为:
其中,Ai表示第一特征向量A的对应元素值,Bi表示第二特征向量B的对应元素值。
步骤S500,利用预设的相似度计算规则,获取第一特征向量和第二特征向量之间的相似度计算结果的步骤,包括:
通过余弦相似度关系式计算获取-1~1之间的相似度值,通过余弦相似度关系式计算获取-1~1之间的相似度值,以便相似度值趋近于1,表示证件图像和实采图像相似。
进一步说明,通过余弦相似度关系式计算获取-1~1之间的相似度值,其中,-1表示第一特征向量和第二特征向量的方向相反,1表示第一特征向量和第二特征向量的方向相同,当相似度值越趋近于1,表示证件图像和实采图像越相似。
在一种实施例中,步骤S600,根据相似度计算结果,输出证件验证结果的步骤,包括:
步骤S610,将相似度值与预设的相似度阈值进行比较,输出比较结果。
步骤S620,若比较结果中,相似度值小于相似度阈值,则判定证件图像和实采图像为不同人物。
进一步说明,相似度阈值为t,若相似度阈值小于t时,则判定证件图像和实采图像不是同一人。
本实施例从步骤100~步骤S600,整合校验模型、人脸检测、特征提取、相似度比较等功能,并将各功能模块串联后,形成由输入图像到获得最终结果的端对端的输出。
上述证件验证方法中,响应于证件验证请求,获取证件图像和实采图像;利用预设的校验模型,对证件图像进行有效性验证,输出验证结果。若证件图像被判定为无效证件时,则证件验证的输出结果可以为存在证件欺诈风险。
若证件图像为有效证件,且证件图像与实采图像为同一人时,则证件验证的输出结果判定为正常,即无证件欺诈操作;证件图像与实采图像为不同人时,则证件验证的输出结果可以为存在证件欺诈行为。
证件有效检测、人脸检测、人脸比对三种技术的结合,使多项检测技术的应用结合,进一步减少证件欺诈,可以更加全面地对证件真伪进行检测和验证,提高检测评估指标和安全性,减少因单一技术在有效证件识别中的误差和人力成本。
由于采用的校验模型是利用训练数据不断更新,使得校验模型可以保持效果提升;在实际使用过程中不断添加多样化的样本,校验模型可灵活应对各种情况。
可以替代人工校验,避免单一化验证,大幅度减少人工主观影响,提高校验速度,使用家用级硬件设备的实操过程中,每秒处理约8.8个反证件欺诈任务,远高于人工处理速度。
应该理解的是,流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图2所示,提供了一种证件验证装置,包括:图像获取模块100、有效校验模块200、人脸检测模块300、特征提取模块400、相似计算模块500以及结果输出模块600,其中,
图像获取模块100用于响应于证件验证请求,获取证件图像和实采图像。
有效校验模块200用于利用预设的校验模型,对证件图像进行有效性验证,输出验证结果。
人脸检测模块300用于当验证结果满足预设条件时,利用第一人脸检测算法,获取证件图像中的第一人脸,以及实采图像中的第二人脸。
特征提取模块400用于利用第二人脸检测算法,获取第一人脸的第一特征向量,以及第二人脸的第二特征向量。
相似计算模块500用于利用预设的相似度计算规则,获取第一特征向量和第二特征向量之间的相似度计算结果。
结果输出模块600用于根据相似度计算结果,输出证件验证结果。
关于证件验证装置的具体限定可以参见上文中对于证件验证方法的限定,在此不再赘述。上述证件验证装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储证件验证数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种证件验证方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
响应于证件验证请求,获取证件图像和实采图像;利用预设的校验模型,对证件图像进行有效性验证,输出验证结果;当验证结果满足预设条件时,利用第一人脸检测算法,获取证件图像中的第一人脸,以及实采图像中的第二人脸;利用第二人脸检测算法,获取第一人脸的第一特征向量,以及第二人脸的第二特征向量;利用预设的相似度计算规则,获取第一特征向量和第二特征向量之间的相似度计算结果;根据相似度计算结果,输出证件验证结果。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
响应于证件验证请求,获取证件图像和实采图像;利用预设的校验模型,对证件图像进行有效性验证,输出验证结果;当验证结果满足预设条件时,利用第一人脸检测算法,获取证件图像中的第一人脸,以及实采图像中的第二人脸;利用第二人脸检测算法,获取第一人脸的第一特征向量,以及第二人脸的第二特征向量;利用预设的相似度计算规则,获取第一特征向量和第二特征向量之间的相似度计算结果;根据相似度计算结果,输出证件验证结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种证件验证方法,其特征在于,所述方法包括:
响应于证件验证请求,获取证件图像和实采图像;
利用预设的校验模型,对所述证件图像进行有效性验证,输出验证结果;
当所述验证结果满足预设条件时,利用第一人脸检测算法,获取所述证件图像中的第一人脸,以及所述实采图像中的第二人脸;其中,所述第一人脸检测算法采用SCRFD人脸检测算法;
利用第二人脸检测算法,获取所述第一人脸的第一特征向量,以及所述第二人脸的第二特征向量;其中,所述第二人脸检测算法采用FaceNet算法;
利用预设的相似度计算规则,获取所述第一特征向量和所述第二特征向量之间的相似度计算结果;
根据所述相似度计算结果,输出证件验证结果;
其中,在所述响应于证件验证请求的步骤之前,包括:
响应于模型训练请求,获取若干证件相关的图像数据,以组建数据集;
将所述数据集中的部分所述图像数据进行第一预处理后,构建训练集和测试集后,得到第一训练数据;
将所述第一训练数据输入至预建的神经网络架构中,以进行模型预训练,得到预训练结果;
根据所述预训练结果,对所述数据集中剩余的所述图像数据,进行第二预处理,以得到第二训练数据;
将所述第二训练数据输入至预训练后的模型中,按预设训练规则进行模型训练,以得到校验模型;
其中,所述将第二训练数据输入至预训练后的模型中,按预设训练规则进行模型训练,以得到校验模型的步骤,包括:
将所述训练集作为整体批量大小,拆分为多个子批次,以便进行模型训练;
将各所述子批次进行梯度迭代计算后,再进行梯度叠加;
基于预设的累计因子,当子批次数量累计至预计数值后,进行梯度更新处理,并清空梯度累加器,开始下一轮累计,直至达到预设的训练轮数时,停止训练;
以此类推,利用所述训练集中的训练数据不断训练,并存储训练获得的权重值,利用所述测试集评价图像描述的效果,直至所述测试集指标符合要求后,得到满足要求的校验模型。
2.根据权利要求1所述的证件验证方法,其特征在于,所述将数据集中的部分所述图像数据进行第一预处理后,得到第一训练数据的步骤,包括:
对所述数据集中的部分所述图像数据进行标注,标注为有效证件和无效证件;
对所述标注后的所述图像数据进行随机抽样,按比例构建训练集和测试集,作为第一训练数据。
3.根据权利要求2所述的证件验证方法,其特征在于,所述将第一训练数据输入至预建的神经网络架构中,以进行模型预训练,得到预训练结果的步骤,包括:
利用所述训练集中的所述图像数据,对预建的神经网络架构进行模型预训练,再利用所述测试集中的所述图像数据进行模型测试,获取测试结果;
当测试结果中,评估指标超过预设比值时,获取当前预训练模型的权重值,以作为预训练结果。
4.根据权利要求3所述的证件验证方法,其特征在于,所述根据预训练结果,对所述数据集中剩余的所述图像数据,进行第二预处理,以得到第二训练数据的步骤,包括:
利用所述权重值,对所述数据集中剩余的所述图像数据进行预测处理,获取预测结果;
将人工校验后的所述预测结果作为标签,对剩余的所述图像数据进行标注,以得到第二训练数据,按比例划分至所述训练集和所述测试集中。
5.根据权利要求1所述的证件验证方法,其特征在于,所述利用预设的校验模型,对所述证件图像进行有效性验证,输出验证结果的步骤,包括:
按照预设的图像处理规则,对所述证件图像进行第三预处理;
将第三预处理后的所述证件图像输入至所述校验模型中,输出所述证件图像的校验评分,以根据所述校验评分高于预设评分阈值时,判定所述证件图像满足预设条件。
6.根据权利要求1所述的证件验证方法,其特征在于,所述SCRFD人脸检测算法至少包括稀疏卷积算法、FPN结构、Anchor-Free算法以及IoU-Net算法;
所述利用第一人脸检测算法,获取所述证件图像中的第一人脸,以及所述实采图像中的第二人脸的步骤,包括:
利用所述稀疏卷积算法,对所述证件图像进行多尺度人脸特征提取,获取所述证件图像中不同尺度的人脸特征;
利用所述FPN结构,对所述不同尺度的人脸特征,进行多尺度融合,并使用注意力机制强调特征,获取特征集合;
利用所述Anchor-Free算法,对所述特征集合进行人脸框检测,通过密度回归点,预测人脸框的位置及大小,以及利用所述IoU-Net算法,预测人脸框和真实值之间的交并比,以修正人脸框的位置及大小,获取第一人脸;
以此类推,通过所述SCRFD人脸检测算法,对所述实采图像进行人脸检测,获取所述实采图像中的第二人脸。
7.根据权利要求1所述的证件验证方法,其特征在于,所述FaceNet算法包括Inception结构的卷积神经网络和欧式空间;
所述利用第二人脸检测算法,获取所述第一人脸的第一特征向量,以及所述第二人脸的第二特征向量的步骤,包括:
基于人脸坐标系,利用所述第一人脸中各关键点的坐标数据,进行归一化处理;
利用所述Inception结构对所述第一人脸进行深度特征提取;
将提取的深度特征映射至欧式空间中,获得所述第一人脸的第一特征向量;
以此类推,获取所述第二人脸的第二特征向量。
8.根据权利要求1所述的证件验证方法,其特征在于,所述相似度计算规则采用余弦相似度关系式,所述余弦相似度关系式为:
其中,Ai表示第一特征向量A的对应元素值,Bi表示第二特征向量B的对应元素值;
所述利用预设的相似度计算规则,获取所述第一特征向量和所述第二特征向量之间的相似度计算结果的步骤,包括:
通过所述余弦相似度关系式计算获取-1~1之间的相似度值,以便所述相似度值趋近于1,表示所述证件图像和所述实采图像相似。
9.根据权利要求8所述的证件验证方法,其特征在于,所述根据相似度计算结果,输出证件验证结果的步骤,包括:
将所述相似度值与预设的相似度阈值进行比较,输出比较结果;
若所述比较结果中,所述相似度值小于所述相似度阈值,则判定所述证件图像和所述实采图像为不同人物。
10.一种证件验证装置,其特征在于,所述装置包括:
图像获取模块,用于响应于证件验证请求,获取证件图像和实采图像;
有效校验模块,用于利用预设的校验模型,对所述证件图像进行有效性验证,输出验证结果;
人脸检测模块,用于当所述验证结果满足预设条件时,利用第一人脸检测算法,获取所述证件图像中的第一人脸,以及所述实采图像中的第二人脸;
特征提取模块,用于利用第二人脸检测算法,获取所述第一人脸的第一特征向量,以及所述第二人脸的第二特征向量;
相似计算模块,用于利用预设的相似度计算规则,获取所述第一特征向量和所述第二特征向量之间的相似度计算结果;
结果输出模块,用于根据所述相似度计算结果,输出证件验证结果;
其中,所述图像获取模块在所述响应于证件验证请求的步骤之前,包括:
响应于模型训练请求,获取若干证件相关的图像数据,以组建数据集;
将所述数据集中的部分所述图像数据进行第一预处理后,构建训练集和测试集后,得到第一训练数据;
将所述第一训练数据输入至预建的神经网络架构中,以进行模型预训练,得到预训练结果;
根据所述预训练结果,对所述数据集中剩余的所述图像数据,进行第二预处理,以得到第二训练数据;
将所述第二训练数据输入至预训练后的模型中,按预设训练规则进行模型训练,以得到校验模型;
其中,所述将第二训练数据输入至预训练后的模型中,按预设训练规则进行模型训练,以得到校验模型的步骤,包括:
将所述训练集作为整体批量大小,拆分为多个子批次,以便进行模型训练;
将各所述子批次进行梯度迭代计算后,再进行梯度叠加;
基于预设的累计因子,当子批次数量累计至预计数值后,进行梯度更新处理,并清空梯度累加器,开始下一轮累计,直至达到预设的训练轮数时,停止训练;
以此类推,利用所述训练集中的训练数据不断训练,并存储训练获得的权重值,利用所述测试集评价图像描述的效果,直至所述测试集指标符合要求后,得到满足要求的校验模型。
11.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310757031.0A CN116959064B (zh) | 2023-06-25 | 2023-06-25 | 一种证件验证方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310757031.0A CN116959064B (zh) | 2023-06-25 | 2023-06-25 | 一种证件验证方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116959064A CN116959064A (zh) | 2023-10-27 |
CN116959064B true CN116959064B (zh) | 2024-04-26 |
Family
ID=88445352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310757031.0A Active CN116959064B (zh) | 2023-06-25 | 2023-06-25 | 一种证件验证方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116959064B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956578A (zh) * | 2016-05-23 | 2016-09-21 | 深圳华中科技大学研究院 | 一种基于身份证件信息的人脸验证方法 |
CN107818308A (zh) * | 2017-10-31 | 2018-03-20 | 平安科技(深圳)有限公司 | 一种人脸识别智能比对方法、电子装置及计算机可读存储介质 |
CN107844748A (zh) * | 2017-10-17 | 2018-03-27 | 平安科技(深圳)有限公司 | 身份验证方法、装置、存储介质和计算机设备 |
CN108229427A (zh) * | 2018-01-29 | 2018-06-29 | 南京华科和鼎信息科技有限公司 | 一种基于身份证件和人脸识别的身份安全验证方法及*** |
CN109255299A (zh) * | 2018-08-13 | 2019-01-22 | 北京市商汤科技开发有限公司 | 身份认证方法和装置、电子设备和存储介质 |
CN109359502A (zh) * | 2018-08-13 | 2019-02-19 | 北京市商汤科技开发有限公司 | 防伪检测方法和装置、电子设备、存储介质 |
CN109472208A (zh) * | 2018-10-12 | 2019-03-15 | 平安科技(深圳)有限公司 | 基于人脸识别的***方法、装置、计算机设备及存储介质 |
WO2019128367A1 (zh) * | 2017-12-26 | 2019-07-04 | 广州广电运通金融电子股份有限公司 | 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 |
CN111191539A (zh) * | 2019-12-20 | 2020-05-22 | 江苏常熟农村商业银行股份有限公司 | 证件真伪验证方法、装置、计算机设备和存储介质 |
CN112115748A (zh) * | 2019-06-21 | 2020-12-22 | 腾讯科技(深圳)有限公司 | 证件图像识别方法、装置、终端及存储介质 |
KR20210040313A (ko) * | 2020-06-30 | 2021-04-13 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 이미지 인식 방법, 장치, 기기, 컴퓨터 저장 매체 및 프로그램 |
CN113591603A (zh) * | 2021-07-09 | 2021-11-02 | 北京旷视科技有限公司 | 证件的验证方法、装置、电子设备及存储介质 |
CN113723238A (zh) * | 2021-08-18 | 2021-11-30 | 北京深感科技有限公司 | 一种人脸轻量网络模型构建方法和人脸识别方法 |
-
2023
- 2023-06-25 CN CN202310757031.0A patent/CN116959064B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956578A (zh) * | 2016-05-23 | 2016-09-21 | 深圳华中科技大学研究院 | 一种基于身份证件信息的人脸验证方法 |
CN107844748A (zh) * | 2017-10-17 | 2018-03-27 | 平安科技(深圳)有限公司 | 身份验证方法、装置、存储介质和计算机设备 |
CN107818308A (zh) * | 2017-10-31 | 2018-03-20 | 平安科技(深圳)有限公司 | 一种人脸识别智能比对方法、电子装置及计算机可读存储介质 |
WO2019128367A1 (zh) * | 2017-12-26 | 2019-07-04 | 广州广电运通金融电子股份有限公司 | 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 |
CN108229427A (zh) * | 2018-01-29 | 2018-06-29 | 南京华科和鼎信息科技有限公司 | 一种基于身份证件和人脸识别的身份安全验证方法及*** |
CN109255299A (zh) * | 2018-08-13 | 2019-01-22 | 北京市商汤科技开发有限公司 | 身份认证方法和装置、电子设备和存储介质 |
CN109359502A (zh) * | 2018-08-13 | 2019-02-19 | 北京市商汤科技开发有限公司 | 防伪检测方法和装置、电子设备、存储介质 |
CN109472208A (zh) * | 2018-10-12 | 2019-03-15 | 平安科技(深圳)有限公司 | 基于人脸识别的***方法、装置、计算机设备及存储介质 |
CN112115748A (zh) * | 2019-06-21 | 2020-12-22 | 腾讯科技(深圳)有限公司 | 证件图像识别方法、装置、终端及存储介质 |
CN111191539A (zh) * | 2019-12-20 | 2020-05-22 | 江苏常熟农村商业银行股份有限公司 | 证件真伪验证方法、装置、计算机设备和存储介质 |
KR20210040313A (ko) * | 2020-06-30 | 2021-04-13 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 이미지 인식 방법, 장치, 기기, 컴퓨터 저장 매체 및 프로그램 |
CN113591603A (zh) * | 2021-07-09 | 2021-11-02 | 北京旷视科技有限公司 | 证件的验证方法、装置、电子设备及存储介质 |
CN113723238A (zh) * | 2021-08-18 | 2021-11-30 | 北京深感科技有限公司 | 一种人脸轻量网络模型构建方法和人脸识别方法 |
Non-Patent Citations (4)
Title |
---|
Sample and Computation Redistribution for Efficient Face Detection;Jia Guo等;《arXiv:2105.04714》;1-10 * |
二代身份证应用中的人脸验证算法与***设计;陈鹏旭;《中国优秀硕士学位论文全文数据库 (信息科技辑)》(第1期);I138-1626 * |
基于特征智能识别的业扩报装申请材料校验技术研究;潘明明等;《供用电》;第37卷(第06期);9-12+32 * |
快速人脸检测技术在证件照中的应用与研究;陈史政;《泰山学院学报》;第36卷(第03期);57-60 * |
Also Published As
Publication number | Publication date |
---|---|
CN116959064A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860674B (zh) | 样本类别识别方法、装置、计算机设备及存储介质 | |
CN111667011B (zh) | 损伤检测模型训练、车损检测方法、装置、设备及介质 | |
US10410292B2 (en) | Method, system, apparatus, and storage medium for realizing antifraud in insurance claim based on consistency of multiple images | |
CN111191539B (zh) | 证件真伪验证方法、装置、计算机设备和存储介质 | |
CN109816200B (zh) | 任务推送方法、装置、计算机设备和存储介质 | |
CN110738236B (zh) | 图像匹配方法、装置、计算机设备及存储介质 | |
CN111191568A (zh) | 翻拍图像识别方法、装置、设备及介质 | |
CN112418009A (zh) | 一种图像质量检测方法、终端设备及存储介质 | |
US20220327189A1 (en) | Personalized biometric anti-spoofing protection using machine learning and enrollment data | |
CN113642639B (zh) | 活体检测方法、装置、设备和存储介质 | |
CN112232971A (zh) | 反欺诈检测方法、装置、计算机设备和存储介质 | |
EP4141830A1 (en) | Method for detecting a forgery of an identity document | |
CN109271957B (zh) | 人脸性别识别方法以及装置 | |
CN111445058A (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
CN111275070B (zh) | 一种基于局部特征匹配的签名验证方法及设备 | |
CN115223022A (zh) | 一种图像处理方法、装置、存储介质及设备 | |
CN116563868A (zh) | 文本图像的识别方法、装置、计算机设备及存储介质 | |
CN117558011B (zh) | 基于自一致性矩阵和多尺度损失的图像文本篡改检测方法 | |
Al Qudah et al. | Using Artificial Intelligence applications for E-Government services as iris recognition | |
CN112733652B (zh) | 图像目标识别方法、装置、计算机设备及可读存储介质 | |
CN117315678B (zh) | 一种数字图像篡改识别方法、***、设备和存储介质 | |
CN116959064B (zh) | 一种证件验证方法、装置、计算机设备和存储介质 | |
CN116740794A (zh) | 人脸伪造图像鉴别方法、***、设备及存储介质 | |
CN117314713A (zh) | 一种基于数字水印的证照防伪数据处理方法 | |
CN116612486A (zh) | 基于图像识别和图计算的风险群体识别方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |