基于小波变换的多列卷积神经网络翻拍图片检测方法技术

本发明专利技术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。本发明专利技术通过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

【技术实现步骤摘要】
基于小波变换的多列卷积神经网络翻拍图片检测方法


[0001]本专利技术属于图像处理
，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。

技术介绍

[0002]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。
[0003]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 Fourier Transform，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。
[0004]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。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术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。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]本专利技术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：
[0007]获取待检测图像并对其进行预处理；
[0008]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；
[0009]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；
[0010]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。
[0011]在本专利技术的一个实施例中，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。
[0012]在本专利技术的一个实施例中，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：
[0013]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；
[0014]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。
[0015]在本专利技术的一个实施例中，所述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，确定密度图的步骤，包括：
[0016]利用哈达玛积将所述第一特征图、第二特征图、第三特征图和第四特征图整合为密度图。
[0017]在本专利技术的一个实施例中，所述将所述低频数据、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的步骤之前，还包括：
[0018]将所述低频数据归一化至[0，1]，并对所述低频数据、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进行Z
‑
score标准化。
[0019]在本专利技术的一个实施例中，所述获取待检测图像并对其进行预处理的步骤，包括：
[0020]获取待检测图像；
[0021]将所述待检测图像转换为灰度图像后，进行图像增强，得到预处理后的的待检测图像。
[0022]在本专利技术的一个实施例中，所述预先训练好的卷积神经网络包括输入层、多个卷积层、多个池化层、全连接层和Softmax层；
[0023]所述根据所述第一概率，确定所述待检测图像是否为翻拍图片的步骤，包括：
[0024]获取预设概率阈值及所述Softmax层输出的第一概率；
[0025]若所述第一概率大于所述预设概率阈值，则所述待检测图像为翻拍图片；否则，所述待检测图像不是翻拍图片。
[0026]与现有技术相比，本专利技术的有益效果在于：
[0027]本专利技术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，获得待检测图像的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。由于本专利技术对待检测图像进行Haar小波变换、而不是传统的傅里叶变换，因此可以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。
[0028]此外，本专利技术所使用的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，参数数量不到其1％，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。
[0029]以下将结合附图及实施例对本专利技术做进一步详细说明。
附图说明
[0030]图1是本专利技术实施例提供的基于小波变换的多列卷积神经网络翻拍图片检测方法的一种流程图；
[0031]图2是本专利技术实施例提供的基于小波变换的多列卷积神经网络图片检测方法的一种示意图；
[0032]图3是本专利技术实施例提供的基于小波变换的多列卷积神经网络翻拍图片检测方法的另一种流程示意图；
[0033]图4是本专利技术实施例提供的电子设备的一种结构示意图。
具体实施方式
[0034]下面结合具体实施例对本专利技术做进一步详细的描述，但本专利技术的实施方式不限于此。
[0035]图1是本专利技术实施例提供的基于小波变换的多列卷积神经网络翻拍图片检测方法的一种流程图。如图1所示，本专利技术实施例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，包括：
[0036]S1、获取待检测图像并对其进行预处理；
[0037]S2、对预处理后的待检测图像进行Haar小波变换，获得待检测图像的低频数据和高频数据；
[0038]S3、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；
[0039]S4、将密度图输入预先训练好的卷积神经网络，获得待本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波变换的多列卷积神经网络翻拍图片检测方法，其特征在于，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。2.根据权利要求1所述的基于小波变换的多列卷积神经网络翻拍图片检测方法，其特征在于，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。3.根据权利要求2所述的基于小波变换的多列卷积神经网络翻拍图片检测方法，其特征在于，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。4.根据权利要求3所述的基于小波...

【专利技术属性】
技术研发人员：万致中，翟军治，蒋泽锟，黄柳玉，
申请(专利权)人：西安深信科创信息技术有限公司，
类型：发明
国别省市：