[发明专利]一种证件真伪识别方法及装置

权利要求书

1.一种证件真伪识别方法，包括：

获取目标证件的多帧证件图像信息，其中，所述目标证件包括：至少一个证件防伪标识，所述多帧证件图像信息包括所述目标证件在多个姿态下的多帧证件图像信息，所述多帧证件图像信息之间的证件姿态差异大于预设姿态差异阈值；

利用预先训练好的证件真伪识别模型，基于所述多帧证件图像信息中的所述证件防伪标识，对所述目标证件的真伪进行识别，得到模型输出结果；其中，所述证件真伪识别模型是利用深度学习方法并基于预设的样本证件图像集合进行多帧图像融合训练得到的；

根据所述模型输出结果，确定针对所述目标证件的真伪识别结果；

其中，所述证件真伪识别模型包括：深度学习网络模型；

所述利用预先训练好的证件真伪识别模型，基于所述多帧证件图像信息中的所述证件防伪标识，对所述目标证件的真伪进行识别，得到模型输出结果，包括：

利用所述深度学习网络模型，对所述多帧证件图像信息进行图像融合处理，得到图像融合特征向量，其中，所述图像融合特征向量包括：用于表征所述至少一个证件防伪标识的变化信息的特征数据，用于图像融合的网络层是所述深度学习网络模型中的预设特征层；

基于所述图像融合特征向量，对所述目标证件的真伪进行识别，得到模型输出结果。

2.根据权利要求1所述的方法，其中，所述深度学习网络模型包括：卷积神经网络模型；

所述利用所述深度学习网络模型，对所述多帧证件图像信息进行图像融合处理，得到图像融合特征向量，包括：

利用所述卷积神经网络模型中的输入层，对所述多帧证件图像信息进行图像融合处理，得到证件图像融合数据；

利用所述卷积神经网络模型中的卷积层，对所述证件图像融合数据进行卷积处理，得到融合数据卷积特征；

利用所述卷积神经网络模型中的池化层，对所述融合数据卷积特征进行池化处理，得到图像融合特征向量。

3.根据权利要求1所述的方法，其中，所述深度学习网络模型包括：卷积神经网络模型；

所述利用所述深度学习网络模型，对所述多帧证件图像信息进行图像融合处理，得到图像融合特征向量，包括：

利用所述卷积神经网络模型中的输入层，将所述多帧证件图像信息输入至卷积层；

利用所述卷积层，对所述多帧证件图像信息进行卷积处理以及图像融合处理，得到证件图像融合数据；

利用所述卷积神经网络模型中的池化层，对所述证件图像融合数据进行池化处理，得到图像融合特征向量。

4.根据权利要求1所述的方法，其中，所述深度学习网络模型包括：卷积神经网络模型；

所述利用所述深度学习网络模型，对所述多帧证件图像信息进行图像融合处理，得到图像融合特征向量，包括：

利用所述卷积神经网络模型中的输入层，将所述多帧证件图像信息输入至卷积层；

利用所述卷积层，对所述多帧证件图像信息分别进行卷积处理，得到各帧所述证件图像信息的证件图像卷积特征；

利用所述卷积神经网络模型中的池化层，对所述证件图像卷积特征进行池化处理，得到各帧所述证件图像信息的证件图像池化特征；

利用所述卷积神经网络模型中的全连接层，对多个所述证件图像池化特征进行融合处理，得到图像融合特征向量。

5.根据权利要求1所述的方法，其中，所述证件真伪识别模型还包括：时序神经网络模型；

所述基于所述图像融合特征向量，对所述目标证件的真伪进行识别，得到模型输出结果，包括：

将预设时间段内多个目标时刻下的所述图像融合特征向量输入至所述时序神经网络模型；

利用所述时序神经网络模型，对多个所述目标时刻下的所述图像融合特征向量进行时序响应，得到综合时序特征向量；

利用预设的全连接层，对所述综合时序特征向量进行全连接运算，得到模型输出结果。