[发明专利]证件翻拍检测方法、装置、电子设备及可读存储介质

权利要求书

1.一种证件翻拍检测方法，其特征在于，所述方法包括：

获取用于证件翻拍检测的视频数据；

基于预设检测策略判断所述视频数据的图像帧中是否存在待测图像，所述待测图像为需要进行证件翻拍检测的图像；

当所述图像帧中存在所述待测图像时，将所述待测图像输入经过训练的基于深度学习的翻拍检测模型，得到所述翻拍检测模型对所述待测图像的第一检测结果，所述第一检测结果表征所述待测图像中的证件图是翻拍或不是翻拍；

其中，所述基于预设检测策略判断所述视频数据的图像帧中是否存在待测图像，包括：

判断所述视频数据的每个图像帧中是否均存在表征显示屏的第一图区以及表征证件图的第二图区；

当所述视频数据的任一图像帧中均存在所述第一图区及所述第二图区，且所述第二图区在所述第一图区中时，将所述任一图像帧确认为所述待测图像；

所述翻拍检测模型的网络模型包括layer₁、layer₂、layer₃、layer₄、layer₅、layer₆、layer₇、layer₈、layer₉、layer₁₀、layer₁₁、layer₁₂、layer₁₃、、、、、、，用于进行图像帧的特征抽取，对应的公式为：

其中，在获取用于证件翻拍检测的视频数据之前，所述方法还包括：

通过第一类图像集和第二类图像集，对网络模型进行训练，得到所述翻拍检测模型，所述第一类图像集包括翻拍证件得到的图像，所述第二类图像集包括不是翻拍证件得到的图像；

其中，所述网络模型包括cbr卷积模块、crc卷积模块及Deep卷积模块，所述cbr卷积模块包括相互串接的卷积层、批量标准化层及Relu激活函数层，所述crc卷积模块包括卷积层、Relu激活函数层及卷积层，所述Deep卷积模块包括至少两个串接的cbr卷积模块，所述crc卷积模块中的所述Relu激活函数层的两端分别与两个所述卷积层连接，所述cbr卷积模块、所述crc卷积模块及所述Deep卷积模块用于对所述第一类图像集和所述第二类图像集进行特征抽取；

在公式中，x表示输入至所述翻拍检测模型的图像；

y表示所述翻拍检测模型输出的数据；

脚标mean指计算算术平均；

max指计算最大值；

脚标a用于与脚标b、c进行区分；

脚标b指批处理中每一批数据；

脚标c指图像的通道；

脚标w指输入图像的宽；

脚标h指输入图像的高；

脚标cat指张量拼接操作；

conv_cbr()，指以所述cbr卷积模块对括号中的元素进行卷积运算；

conv_deep()，指以所述Deep卷积模块对括号中的元素进行卷积运算；

conv_crc()，指以所述crc卷积模块对括号中的元素进行卷积运算。

2.根据权利要求1所述的方法，其特征在于，判断所述视频数据的每个图像帧中是否均存在表征显示屏的第一图区以及表征证件图的第二图区，包括：

通过边缘检测算法提取所述视频数据的任一图像帧的边缘特征；

当所述任一图像帧的边缘特征中存在所述显示屏的边框时，确定所述任一图像帧存在所述第一图区；

当所述任一图像帧的边缘特征中存在所述证件图的边框时，确定所述任一图像帧存在所述第二图区。