[发明专利]基于持续学习方法改进的卷积神经网络翻拍图像检测系统

权利要求书

1.一种基于持续学习方法改进的卷积神经网络翻拍图像检测系统，其特征在于，包括：卷积神经网络模块、持续学习支持模块和独立数据集分类模块，其中：包含提取网络的卷积神经网络模块从以数据集序列形式输入的图像中提取出深度特征；由若干串联的子网络组成的持续学习支持模块针对不同的数据集序列生成对应的子网络参数；由若干独立的分类器组成的独立数据集分类模块对不同的数据集序列中的每一个数据集生成独立的分类器用于针对性分类并最终得到翻拍检测结果；深度特征在训练时将随着数据集序列的改变而更新；子网络参数在数据集序列改变时不再更新。

2.根据权利要求1所述的基于持续学习方法改进的卷积神经网络翻拍图像检测系统，其特征是，所述的卷积神经网络模块包括：若干卷积层、三个全连接层和正则化层，其中：卷积层和第一全连接层组成提取网络，通过神经元从输入的数据集序列中提取出每一个数据集对应的深度特征并分别输出至持续学习支持模块和第二全连接层，经三个全连接层降低特征维度，通过正则化层匹配提取网络的学习速度，通过捷径连接保持低维度特征权重并输出深度特征至独立数据集分类模块。

3.根据权利要求2所述的基于持续学习方法改进的卷积神经网络翻拍图像检测系统，其特征是，所述的提取网络中的卷积层与卷积层之间、卷积层与第一全连接层之间设有捷径连接，即跳过某一层直接进入下一层的连接以提高低维特征权重；

所述的提取网络通过卷积层与持续学习支持模块的全连接层的连接实现线性计算和通过卷积层与卷积神经网络模块全连接层的连接实现非线性计算。

4.根据权利要求1所述的基于持续学习方法改进的卷积神经网络翻拍图像检测系统，其特征是，所述的持续学习支持模块中各个子网络结构相同，每个子网络均包括：两个全连接层与一个正则化层，其中：每个子网络分别记录卷积神经网络模块提取出的不同深度特征，并保持其不变。

5.根据权利要求4所述的基于持续学习方法改进的卷积神经网络翻拍图像检测系统，其特征是，所述的持续学习支持模块通过设置超参数，即卷积神经网络模块和持续学习支持模块输出的权重比控制其子网络对卷积神经网络模块的影响力。

6.根据权利要求1或2所述的基于持续学习方法改进的卷积神经网络翻拍图像检测系统，其特征是，所述的独立数据集分类模块中的每个分类器根据对应各个数据集生成并初始化，在测试阶段各个分类器根据提取网络得到的深度特征得到对应的检测概率，将其中最大值作为最终结果，最终形成翻拍与直拍两类图像的分类。

7.根据权利要求1～5中任一所述的基于持续学习方法改进的卷积神经网络翻拍图像检测系统，其特征是，所述的卷积神经网络模块包括：由用于提取输入图像特征的多个卷积层、第一全连接层构成的提取网络、第二全连接层、第一正则化层和第三全连接层，其中：卷积层与卷积层之间、卷积层与全连接层之间设有捷径连接。

8.据权利要求1～5中任一所述的基于持续学习方法改进的卷积神经网络翻拍图像检测系统，其特征是，所述的持续学习支持模块中的每个子网络均包括：第四全连接层、第二正则化层和第五全连接层，其中：第四全连接层根据卷积神经网络模块中通过捷径连接传输的信息进行降维处理，得到第一特征结果；第二正则化层根据第四全连接层输出的信息进行则化处理，得到第二特征结果；第五全连接层根据第二正则化层输出的信息进行降维处理，得到最终的输出结果并输出至独立数据集分类模块。