[发明专利]证件校验方法、装置、电子设备及介质

权利要求书

1.一种证件校验方法，其特征在于，所述方法包括：

获取待校验证件的图像集，所述图像集包括多张不同角度的所述待校验证件的图像；

对所述图像集进行边缘检测处理，得到边缘证件图像集；

提取所述边缘证件图像集中各图像的全息校验区域，将提取到的多个全息校验区域进行合成处理，得到全息证件图像；

将所述全息证件图像输入至训练的3D卷积网络模型识别所述全息证件图像的变化程度值；

根据所述全息证件图像的变化程度值和预置校验算法计算所述待校验证件的校验值；

若所述校验值大于或等于预设校验阈值，确定所述待校验证件为真实证件；

其中，所述对所述图像集进行边缘检测处理，得到边缘证件图像集，包括：对所述图像集进行平滑滤波处理，得到滤波图像集；对所述滤波图像集进行边缘细化处理，得到细化图像集；利用双阈值法对所述细化图像集进行边缘选取处理，得到边缘证件图像集；

所述对所述图像集进行平滑滤波处理，得到滤波图像集，包括：利用高斯滤波器对所述图像集进行平滑滤波处理，得到滤波图像集G(x,y)：

G(x,y)＝f(x,y)*H(x,y)

H(x,y)＝exp[-(x²+y²)/2σ²]

其中，f(x,y)为所述图像集，G(x,y)为所述滤波图像集，H(x,y)为所述高斯滤波器，exp为滤波处理运算，σ表示取值为常数的系统参数。

2.如权利要求1所述的证件校验方法，其特征在于，所述利用双阈值法对所述细化图像集进行边缘选取处理，得到所述边缘证件图像集，包括：

获取高像素阈值条件和低像素阈值条件；

选取所述细化图像集的各细化图像中符合所述高像素阈值条件的第一像素点集合，以及符合所述低像素阈值条件的第二像素点集合；

将各细化图像中所述第一像素点集合与所述第二像素点集合进行连接，得到边缘证件图像集。

3.如权利要求1所述的证件校验方法，其特征在于，所述将所述全息证件图像输入至训练的3D卷积网络模型识别所述全息证件图像的变化程度值之前，所述方法还包括：

获取训练全息图像集及所述训练全息图像集的标签值；

将所述训练全息图像集转换为全息图像向量集；

利用预构建的3D卷积网络模型中的卷积层对所述全息图像向量集进行卷积操作，得到卷积图像向量集；

利用所述预构建的3D卷积网络模型中的池化层提取所述卷积图像向量集的特征图像向量，得到特征图片向量集；

利用所述预构建的3D卷积网络模型中的激活函数计算所述特征图片向量集的多个训练值，其中，每个训练值标识所述训练全息图像集中全息图像的变化程度；

利用所述预构建的3D卷积网络模型中的损失函数计算所述多个训练值的损失值；

若所述损失值大于预设损失阈值，持续调整所述预构建的3D卷积网络模型的参数，直至所述损失值小于预设阈值时，确定训练完毕，得到训练的3D卷积网络模型。

4.如权利要求3所述的证件校验方法，其特征在于，所述利用所述预构建的3D卷积网络模型中的损失函数计算所述训练值集合的损失值，所述损失函数包括：

其中，L(s)表示损失值，s_i表示y_i与y_i′的差值，k表示所述特征图片向量集的数量，y_i表示所述特征图片向量集中第i个特征图片向量对应的训练全息图像的标签值，y_i′表示所述特征图片向量集中第i个训练值。

5.如权利要求3所述的证件校验方法，其特征在于，所述将所述训练全息图像集转换为全息图像向量集之前，所述方法还包括：

获取所述训练全息图像集中若干图像；

对所述若干图像进行颜色变换处理，将图像处理后得到的图像添加至所述训练全息图像集。