[發(fā)明專利]一種證件真?zhèn)巫R別方法及裝置

有效

• 申請?zhí)枺?/td>: 202010069702.0
• 申請日: 2020-01-21
• 公開（公告）號: CN111324874B
• 公開（公告）日: 2023-06-20
• 發(fā)明（設計）人: 陳志軍;徐崴
• 申請（專利權）人: 支付寶實驗室（新加坡）有限公司
• 主分類號: G06F21/31
• 分類號: G06F21/31;G06V20/40;G06V10/774;G06V10/80;G06V10/82;G06N3/0464
• 代理公司: 北京國昊天誠知識產權代理有限公司 11315
• 代理人: 張倩;朱文杰

1.一種證件真?zhèn)巫R別方法，包括：

獲取目標證件的多幀證件圖像信息，其中，所述目標證件包括：至少一個證件防偽標識，所述多幀證件圖像信息包括所述目標證件在多個姿態(tài)下的多幀證件圖像信息，所述多幀證件圖像信息之間的證件姿態(tài)差異大于預設姿態(tài)差異閾值；

利用預先訓練好的證件真?zhèn)巫R別模型，基于所述多幀證件圖像信息中的所述證件防偽標識，對所述目標證件的真?zhèn)芜M行識別，得到模型輸出結果；其中，所述證件真?zhèn)巫R別模型是利用深度學習方法并基于預設的樣本證件圖像集合進行多幀圖像融合訓練得到的；

根據所述模型輸出結果，確定針對所述目標證件的真?zhèn)巫R別結果；

其中，所述證件真?zhèn)巫R別模型包括：深度學習網絡模型；

所述利用預先訓練好的證件真?zhèn)巫R別模型，基于所述多幀證件圖像信息中的所述證件防偽標識，對所述目標證件的真?zhèn)芜M行識別，得到模型輸出結果，包括：

利用所述深度學習網絡模型，對所述多幀證件圖像信息進行圖像融合處理，得到圖像融合特征向量，其中，所述圖像融合特征向量包括：用于表征所述至少一個證件防偽標識的變化信息的特征數據，用于圖像融合的網絡層是所述深度學習網絡模型中的預設特征層；

基于所述圖像融合特征向量，對所述目標證件的真?zhèn)芜M行識別，得到模型輸出結果。

2.根據權利要求1所述的方法，其中，所述深度學習網絡模型包括：卷積神經網絡模型；

所述利用所述深度學習網絡模型，對所述多幀證件圖像信息進行圖像融合處理，得到圖像融合特征向量，包括：

利用所述卷積神經網絡模型中的輸入層，對所述多幀證件圖像信息進行圖像融合處理，得到證件圖像融合數據；

利用所述卷積神經網絡模型中的卷積層，對所述證件圖像融合數據進行卷積處理，得到融合數據卷積特征；

利用所述卷積神經網絡模型中的池化層，對所述融合數據卷積特征進行池化處理，得到圖像融合特征向量。

3.根據權利要求1所述的方法，其中，所述深度學習網絡模型包括：卷積神經網絡模型；

所述利用所述深度學習網絡模型，對所述多幀證件圖像信息進行圖像融合處理，得到圖像融合特征向量，包括：

利用所述卷積神經網絡模型中的輸入層，將所述多幀證件圖像信息輸入至卷積層；

利用所述卷積層，對所述多幀證件圖像信息進行卷積處理以及圖像融合處理，得到證件圖像融合數據；

利用所述卷積神經網絡模型中的池化層，對所述證件圖像融合數據進行池化處理，得到圖像融合特征向量。

4.根據權利要求1所述的方法，其中，所述深度學習網絡模型包括：卷積神經網絡模型；

所述利用所述深度學習網絡模型，對所述多幀證件圖像信息進行圖像融合處理，得到圖像融合特征向量，包括：

利用所述卷積神經網絡模型中的輸入層，將所述多幀證件圖像信息輸入至卷積層；

利用所述卷積層，對所述多幀證件圖像信息分別進行卷積處理，得到各幀所述證件圖像信息的證件圖像卷積特征；

利用所述卷積神經網絡模型中的池化層，對所述證件圖像卷積特征進行池化處理，得到各幀所述證件圖像信息的證件圖像池化特征；

利用所述卷積神經網絡模型中的全連接層，對多個所述證件圖像池化特征進行融合處理，得到圖像融合特征向量。

5.根據權利要求1所述的方法，其中，所述證件真?zhèn)巫R別模型還包括：時序神經網絡模型；

所述基于所述圖像融合特征向量，對所述目標證件的真?zhèn)芜M行識別，得到模型輸出結果，包括：

將預設時間段內多個目標時刻下的所述圖像融合特征向量輸入至所述時序神經網絡模型；

利用所述時序神經網絡模型，對多個所述目標時刻下的所述圖像融合特征向量進行時序響應，得到綜合時序特征向量；

利用預設的全連接層，對所述綜合時序特征向量進行全連接運算，得到模型輸出結果。