[发明专利]基于小波变换的多列卷积神经网络翻拍图片检测方法

说明书

本发明提供一种基于小波变换的多列卷积神经网络翻拍图片检测方法，包括：获取待检测图像并对其进行预处理；对预处理后的待检测图像进行Haar小波变换，获得低频数据和高频数据；将低频数据和高频数据输入预先训练好的多列卷积神经网络，获得密度图；将密度图输入预先训练好的卷积神经网络，获得待检测图像为翻拍图片的第一概率，并根据第一概率，确定待检测图像是否为翻拍图片。本发明通过Haar小波变换有效提取待检测图像的高频特征，提高了卷积神经网络的泛化能力；并且，多列卷积神经网络体积小、预测快，与标准ResNet‑18网络架构相比，参数数量减少，因而上述方法可以应用于手机、物联网等终端，具有较高的实际应用价值。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于小波变换的多列卷积神经网络翻拍图片检测方法。

背景技术

随着互联网的普及，很多业务在办理过程中需要用户利用智能手机、平板电脑等带有摄像头的设备拍摄并上传自己的证件照片。然而，在某些情况下，用户的证件照片可能是通过翻拍电脑屏幕或手机屏幕上的证件图片得到的，存在用户个人信息被盗用的隐患。

针对翻拍图片的检测问题，目前主要通过识别翻拍过程中产生的摩尔纹来进行检测。相关技术中，翻拍图片的检测主要包括两种方法：一种是基于傅里叶变换、尺度不变特征变换、方向梯度直方图、局部二值模式等算法对待检测图像进行特征提取，然后输入训练好的支持向量机卷积神经网络并获得检测结果。但是，傅里叶变换作为一种全局性的变化，存在一定的局限性，如不具备局部化分析能力、不能分析非平稳信号等。为了改善这种局限性，实际应用时对傅里叶变换变换进行了各种改进，如STFT(Short Time FourierTransform，短时傅立叶变换)，但STFT采用的滑动窗函数一经选定就固定不变，故决定了其时频分辨率固定不变，因此不具备自适应能力。

此外，相关技术中还存在一种利用深度神经网络作为骨干网络直接对待检测图像进行识别的方法。然而，传统架构的神经网络一般是对RGB三通道进行学习，这样很难学习到稀疏的摩尔纹特征，如果没有海量数据集作为支撑，CNN的表现并不好。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于小波变换的多列卷积神经网络翻拍图片检测方法。本发明要解决的技术问题通过以下技术方案实现：

本发明提供一种基于小波变换的多列卷积神经网络翻拍图片检测方法，包括：

获取待检测图像并对其进行预处理；

对预处理后的待检测图像进行Haar小波变换，获得所述待检测图像的低频数据和高频数据；

将所述低频数据和所述高频数据输入预先训练好的多列卷积神经网络，获得密度图；

将所述密度图输入预先训练好的卷积神经网络，获得所述待检测图像为翻拍图片的第一概率，并根据所述第一概率，确定所述待检测图像是否为翻拍图片。

在本发明的一个实施例中，所述高频数据包括水平高频数据、垂直高频数据及对角高频数据，所述预先训练好的多列卷积神经网络包括第一子网络、第二子网络、第三子网络和第四子网络。

在本发明的一个实施例中，所述将所述低频数据和所述高频数据输入预先训练好的多列卷积神经网络，获得密度图的步骤，包括：

将所述低频数据、所述水平高频数据、所述垂直高频数据及所述对角高频数据分别输入第一子网络、第二子网络、第三子网络和第四子网络，以使所述第一子网络对低频数据进行卷积，得到第一特征图、使所述第二子网络对水平高频数据进行卷积，得到第二特征图、使所述第三子网络对垂直高频数据进行卷积，得到第三特征图、并使多数第四子网络对对角高频数据进行卷积，得到第四特征图；

根据所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图，确定密度图。