[发明专利]检测身份证图像信息篡改的方法、系统、存储介质及装置

说明书

本发明提供一种检测身份证图像信息篡改的方法、系统、存储介质及装置，所述方法包括以下步骤：获取待鉴定的身份证图像img_1；对所述身份证图像img_1通过身份证目标检测模型进行背景去除获得去噪后的身份证图像img_2；经过计算获得第一概率值、第二概率值、第三概率值和第四概率值再通过概率融合后进行二次计算获得总概率值，将所述总概率值与阈值进行比较判断所述待鉴定的身份证图像img_1是否存在篡改。本发明的一种检测身份证图像信息篡改的方法、系统、存储介质及装置，用于识别身份证图像是否被篡改。

技术领域

本发明涉及图像技术领域，特别是涉及一种检测身份证图像信息篡改的方法、系统、存储介质及装置。

背景技术

随着图像修改技术的进步和个性化的修改软件的出现，低成本的篡改图像生成过程已经变得广泛的使用。检测图像是否发生了篡改行为，需要从各个方面细微观察进行证据的收集。目前图像篡改技术中最常见的操作有剪接，复制移动，和删除。图像拼接指的是从真实图像复制部分区域并粘贴到其他图像，复制-移动指的是复制图像的部分区域并粘贴在同一张图像的其他区域。删除指的是将原有图像的某一区域进行删除后在进行图像修复。目前在互联网金融领域以支付行业为例存在着部分的用户通过给平台上传篡改过的身份证信息的图像实现高级实名认证，这就会造成平台的资金受损以及会给平台的真实用户带来一定的风险。

本专利主要涉及到的基础算法有Laplace Filter、Sobel Filter、CNN(Convolutional Neural Networks)、ResNet和Faster R-CNN算法。传统的图像分类算法是通过人为的提取图像相关的特征后进行分类，这种方法受人为因素的影响交大。而利用深度学习的方法可以摒弃掉人为提取特征这个感性的过程，更能从客观的数据分布的情况中提取相应的特征进行分类。然而如果直接单纯的用CNN去做身份证照信息篡改的检测实际效果并不好，这是由于在金融领域中进行客户实名认证数据采集时，存在大量非受控场景的身份证图像(身份证在图像中的大小和位置不固定)，且数据时间跨度大和质量参差不齐，这就使得身份证照中存在大量的背景噪声，如果正负样本量比例极不平衡或负样本(身份证信息篡改照片)较少的情况就很容易让模型产生过拟合或是让模型学习到背景噪声导致最后学习的目标发生改变。同时篡改这个操作本身就是在图像上表现的不那么容易察觉，而CNN对视觉感官较为敏感的事物进行分类时表现的效果较好，但对于不容易察觉的事物进行分类效果并不好。目前也有部分公司在做类似的研究如Adobe Research与马里兰大学共同提出《Learning Rich Features for Image Manipulation Detection》论文，该论文的方法对于图像质量较好的数据确实有一定的效果，但在工业界中需要考虑的数据的安全性和设备资源等问题，在数据传输的时候会涉及到数据的加密、解密以及压缩，这些操作都会是图像存在一定的失真，为了能在如此多的苛刻条件下完成检测是否存在篡改行为，本发明人提出了IdPsNet去完成该任务。

ELA算法：ELA全称：Error Level Analysis，是通过检测特定压缩比率重新绘制图片后造成的误差分布，可用于识别JPEG图片的压缩，以下是它的原理。

把图片分割成很多8x8个正方形中的1像素点，对每一个小块进行单独的色彩空间转换。每次对JPG图片的修改，都会进行第二次转换。两次转换自然会存在差异，ELA就是靠对比这种差异来判断图片的哪部分被修改过。

点，指画面中的重复纹理或者类似数据，重复纹理在ELA分析的时候应该表现出近似的颜色，细节较多的区域数据差异也应该大。

线，是不同颜色大面之间的交界线，相同反差边缘应该表现出近似的ELA结果。反差越大，ELA值越高，线条越清晰。

面，纯色面不存在差异，也就不存在ELA，黑色或黑色着色。