[發明專利]一種證件圖片的識別系統及方法

在審

• 申請號: 201710243730.8
• 申請日: 2017-04-14
• 公開（公告）號: CN106991451A
• 公開（公告）日: 2017-07-28
• 發明（設計）人: 姚琪;卓越;羅暢;劉靖峰
• 申請（專利權）人: 武漢神目信息技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 無錫市大為專利商標事務所(普通合伙)32104
• 代理人: 曹祖良

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種證件圖片的識別方法及一種證件圖片的識別系統。

背景技術

近年來，隨著互聯網，尤其是移動互聯網的發展和普及，互聯網金融，電信和電商行業開始大量開展個人征信，遠程開戶，遠程受信等業務。在這些業務中，實名認證是關鍵的要求，經常需要申請者通過移動端拍攝上傳證件圖片，以便和人臉識別技術結合一起，進一步確定申請者的身份。

在這過程中，有些不法分子，不是使用真實的證件來拍攝，而是來翻拍電腦和手機屏幕上面的證件照片，復印件，或者編輯，涂改來偽造證件。為了審查申請者的身份和證件，遠程開戶受理業務部門需要大量雇傭人工來識別和簽別翻牌的圖片。這種工作簡單重復，工作量大， 效率低下，成為遠程開戶成本很大的一頭。

現有技術（申請號201510424418.x）中公開了一種翻拍證件圖片的識別方法，該方法是線通過計算給定圖片的圖片特征，然后根據圖片特征進行訓練得到分類模型，最后通過獲得的分類模型來判斷圖片是否為翻拍證件圖片?，F有技術中的這種識別方法由于需要人工事先定好區別這些翻拍，涂改照片的特征，例如現有技術中提到的SIFT特征，頻譜等一系列依賴特征。 一旦出現新的翻拍類型，這些事先人工定義的特征未必能區分這些新出現的情況，需要重新定義特征，這就造成程序算法需要重寫的問題，大大影響了使用效果，且分析計算圖片特征還要花費大量的時間。

發明內容

本發明旨在至少解決現有技術中存在的技術問題之一，提供一種證件圖片的識別方法及證件圖片的識別系統，以解決現有技術中的問題。

作為本發明的第一個方面，提供一種證件圖片的識別方法，其中，所述識別方法包括：

對不同類型的證件的原圖及該原圖的至少一種類型的翻拍圖片分別打標后通過卷積神經網絡進行訓練得到分類模型；

將待識別的證件圖片輸入到所述分類模型，得到識別結果。

優選地，所述對不同類型的證件的原圖及該原圖的至少一種類型的翻拍圖片分別打標后通過卷積神經網絡進行訓練得到分類模型的步驟包括：

采集不同類型的證件的原圖及該原圖的至少一種類型的翻拍圖片；

對所述證件的原圖及該原圖的翻拍圖片分別進行打標處理得到標記圖片；

配置具有多個迭代參數的卷積神經網絡結構，并配置所述卷積神經網絡結構計算得到的圖片分類模型預測結果；

將所述標記圖片輸入到所述卷積神經網絡結構進行迭代計算得到圖片分類模型實際結果；

計算所述圖片分類模型預測結果和所述圖片分類模型實際結果的差值；

根據所述差值對所述卷積神經網絡結構的迭代參數進行反饋調節，并根據反饋調節后的迭代參數重復進行迭代計算；

當多次反饋調節所述卷積神經網絡結構的迭代參數后得到的多個所述圖片分類模型預測結果相同時，停止反饋調節，并確定最后一次迭代計算得到的圖片分類模型預測結果為所述分類模型。

優選地，所述將所述標記圖片輸入到所述卷積神經網絡結構進行迭代計算得到圖片分類模型實際結果的步驟包括：

將所述標記圖片的圖片大小和亮度通過數據均值歸一化處理得到歸一化數據；

將所述歸一化數據進行Max Pooling ReLu非線性化計算得到第一次卷積結果；

將所述第一次卷積結果通過第一次ReLu非線性化平均值Pooling計算得到第二次卷積結果；

將所述第二次卷積結果通過第二次ReLu非線性化平均值Pooling計算得到第三次卷積結果；

將所述第三次卷積結果通過ReLu非線性化計算得到全連層結果；

將所述全連層結果通過Softmax層計算后得到圖片分類模型實際結果。

優選地，所述圖片分類模型實際結果包括：證件的原圖、證件的翻拍/偽造圖片、證件的復印件圖片和非證件圖片中的任意一種。

作為本發明的第二個方面，提供一種證件圖片的識別系統，其中，所述識別系統包括：

分類模型訓練裝置，所述分類模型訓練裝置用于對不同類型的證件的原圖及該原圖的至少一種類型的翻拍圖片分別打標后通過卷積神經網絡進行訓練得到分類模型；

識別結果輸出裝置，所述識別結果輸出裝置與所述分類模型訓練裝置連接，用于將待識別的證件圖片輸入到所述分類模型，得到識別結果。

優選地，所述分類模型訓練裝置包括：

采集單元，所述采集單元用于采集不同類型的證件的原圖及該原圖的至少一種類型的翻拍圖片；