首页 / 专利库 / 视听技术与设备 / / 证件伪装识别方法、装置、设备及存储介质

证件伪装识别方法、装置、设备及存储介质

阅读:419发布:2021-06-15

专利汇可以提供证件伪装识别方法、装置、设备及存储介质专利检索,专利查询,专利分析的服务。并且本 申请 涉及一种证件伪装识别方法、装置、设备及存储介质,方法包括:确定检测窗口中存在人脸活体,并且确定证件位于所述检测窗口中的证件采集框中;获取检测窗口采集的检测图像;判断所述检测图像中是否存在 电子 显示屏的特征,若是,判定存在证件伪装,否则,采集所述证件采集框中的证件图像。本申请用以识别不法分子将预先录制的人手持身份证的视频图像在高清屏幕上播放,伪装认证场景,提高证件认证准确度。,下面是证件伪装识别方法、装置、设备及存储介质专利的具体信息内容。

1.一种证件伪装识别方法,其特征在于,包括:
确定检测窗口中存在人脸活体,并且确定证件位于所述检测窗口中的证件采集框中;
获取检测窗口采集的检测图像;
判断所述检测图像中是否存在电子显示屏的特征,若是,判定存在证件伪装,否则,采集所述证件采集框中的证件图像。
2.根据权利要求1所述的证件伪装识别方法,其特征在于,判断所述检测图像中是否存在电子显示屏的特征,包括:
定位所述检测图像中采集框区域中的参考特征;
根据所述参考特征的位置,从所述检测图像中截图N张子图像,其中,所述N张子图像的大小不同,且所述N张子图像的覆盖所述参考特征;
依次对所述N张子图像进行以下处理:判断所述子图像中是否存在电子显示屏的特征,若所述子图像中存在所述电子显示屏的特征,则确定所述检测图像中存在所述电子显示屏的特征;
若所述N张子图像中均不存在所述电子显示屏的特征,则确定所述检测图像中不存在所述电子显示屏的特征。
3.根据权利要求2所述的证件伪装识别方法,其特征在于,判断所述子图像中是否存在电子显示屏的特征,包括:
将所述子图像输入至预设的识别模型,获得所述识别模型输出的识别结果,所述识别结果用于指示是否存在所述电子显示屏的特征;
其中,所述识别模型为采用第一样本图像集合训练得到,所述第一样本图像集合中包括第一样本图像与用于指示是否包含电子显示屏的特征的指示信息之间的对应关系,所述第一样本图像中包括不存在电子显示屏的真实证件图像,以及存在电子显示屏的伪装证件图像。
4.根据权利要求1所述的证件伪装识别方法,其特征在于,确定检测窗口中存在人脸活体,包括:
指示用户进行指定的脸部动作,并通过所述检测窗口识别所述用户按照指示进行所述脸部动作后,确定所述检测窗口中存在人脸活体。
5.根据权利要求1至4任一项所述的证件伪装识别方法,其特征在于,采集所述证件采集框中的证件图像,包括:
提示用户将拍摄镜头推进到所述证件,若在推进过程中所述证件未移出所述证件采集框,则在推进过程结束后采集所述证件采集框中的证件图像。
6.根据权利要求5所述的证件伪装识别方法,其特征在于,采集所述证件采集框中的证件图像之后,所述方法还包括:
将所述证件图像输入卷积神经网络模型,得到所述卷积神经网络模型输出的指示信息,所述指示信息用于指示所述证件图像是否为翻拍证件所得的图像;
其中,所述卷积神经网络模型为采用第二样本图像集合训练得到,所述第二样本图像集合中包括第二样本图像以及用于指示是否为翻拍证件所得的图像的指示信息之间的对应关系,所述第二样本图像中包括真实证件图像以及翻拍证件所得的图像。
7.根据权利要求6所述的证件伪装识别方法,其特征在于,所述卷积神经网络模型的训练过程具体包括:
获取所述第二样本图像的RGB特征,以及提取所述第二样本图像的纹理特征以及频率特征;
将所述第二样本图像的RGB特征作为第一卷积神经网络子模型的输入,训练得到所述第一卷积神经网络子模型,将所述第二样本图像的纹理特征作为第二卷积神经网络子模型的输入,训练得到所述第二卷积神经网络子模型,以及将所述第二样本图像的频率特征作为第三卷积神经网络子模型的输入,训练得到所述第三卷积神经网络子模型;
将所述第一卷积神经网络子模型、所述第二卷积神经网络子模型以及所述第三卷积神经网络子模型全连接层之前的特征向量合并,得到合并后的模型;
将所述第二样本图像的RGB特征、所述纹理特征以及所述频率特征,作为所述合并后的模型的输入,对所述合并后的模型进行训练,得到所述卷积神经网络模型。
8.一种证件伪装识别装置,其特征在于,包括:
确定模,用于确定检测窗口中存在人脸活体,并且确定证件位于所述检测窗口中的证件采集框中;
获取模块,用于获取检测窗口采集的检测图像;
处理模块,用于判断所述检测图像中是否存在电子显示屏的特征,若是,判定存在证件伪装,否则,采集所述证件采集框中的证件图像。
9.一种电子设备,其特征在于,包括:处理器、通信接口存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
所述存储器,用于存储计算机程序
所述处理器,用于执行所述存储器中所存储的程序,实现权利要求1至7任一项所述的证件伪装识别方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述的证件伪装识别方法。

说明书全文

证件伪装识别方法、装置、设备及存储介质

技术领域

[0001] 本申请涉及计算机技术领域,尤其涉及一种证件伪装识别方法、装置、设备及存储介质。

背景技术

[0002] 随着互联网普及以及技术的发展,证券行、保险等行业中的很多业务的办理也逐渐可以在终端设备(如VTM,手机等)上实现,目前最普遍的是网上银行、手机银行等。这些业务按照规定都是需要“客户本人持本人有效证件”进行办理。
[0003] 如果按传统方式在营业网点的柜面办理,需要客户本人持本人有效证件到柜面进行办理,由柜面工作人员现场验证客户身份。如果将这些业务搬到终端设备上,则面临的主要问题是对客户身份的验证,即如何确定是“客户本人持本人有效证件”在办理。上述过程需要进行两个阶段的验证:身份证信息验证和是否本人的验证。对于身份证验证,目前比较常用的做法是让客户分别拍身份证正反面的图像和人脸图像,然后传到后台审核人员进行人工审核(针对所有身份证)。
[0004] 但是,通过手机等智能设备采集证件图像和自拍图像,面临着多种伪造手段的攻击。有些不法分子将预先录制的人手持身份证的视频图像在高清屏幕上播放,以伪装认证场景。对于高清屏幕的翻拍,不论是人还是智能设备,都难以判断是真实的证件还是显示屏显示出来的证件,是证件防伪的一大技术难点。发明内容
[0005] 本申请提供了一种证件伪装识别方法、装置、设备及存储介质,用以识别不法分子将预先录制的人手持身份证的视频图像在高清屏幕上播放,伪装认证场景,提高证件认证准确度。
[0006] 第一方面,本申请实施例提供了一种证件伪装识别方法,包括:
[0007] 确定检测窗口中存在人脸活体,并且确定证件位于所述检测窗口中的证件采集框中;
[0008] 获取检测窗口采集的检测图像;
[0009] 判断所述检测图像中是否存在电子显示屏的特征,若是,判定存在证件伪装,否则,采集所述证件采集框中的证件图像。
[0010] 可选地,判断所述检测图像中是否存在电子显示屏的特征,包括:
[0011] 定位所述检测图像中采集框区域中的参考特征;
[0012] 根据所述参考特征的位置,从所述检测图像中截图N张子图像,其中,所述N张子图像的大小不同,且所述N张子图像的覆盖所述参考特征;
[0013] 依次所述N张子图像进行以下处理:判断所述子图像中是否存在电子显示屏的特征,若所述子图像中存在所述电子显示屏的特征,则确定所述检测图像中存在所述电子显示屏的特征;
[0014] 若所述N张子图像中均不存在所述电子显示屏的特征,则确定所述检测图像中不存在所述电子显示屏的特征。
[0015] 可选地,判断所述子图像中是否存在电子显示屏的特征,包括:
[0016] 将所述子图像输入至预设的识别模型,获得所述识别模型输出的识别结果,所述识别结果用于指示是否存在所述电子显示屏的特征;
[0017] 其中,所述识别模型为采用第一样本图像集合训练得到,所述第一样本图像集合中包括第一样本图像与用于指示是否包含电子显示屏的特征的指示信息之间的对应关系,所述第一样本图像中包括不存在电子显示屏的真实证件图像,以及存在电子显示屏的伪装证件图像。
[0018] 可选地,确定检测窗口中存在人脸活体,包括:
[0019] 指示用户进行指定的脸部动作,并通过所述检测窗口识别所述用户按照指示进行所述脸部动作后,确定所述检测窗口中存在人脸活体。
[0020] 可选地,采集所述证件采集框中的证件图像,包括:
[0021] 提示用户将拍摄镜头推进到所述证件,若在推进过程中所述证件未移出所述所述证件采集框,则在推进过程结束后采集所述证件采集框中的证件图像。
[0022] 可选地,采集所述证件采集框中的证件图像之后,所述方法还包括:
[0023] 将所述证件图像输入卷积神经网络模型,得到所述卷积神经网络模型输出的指示信息,所述指示信息用于指示所述证件图像是否为翻拍证件所得的图像;
[0024] 其中,所述卷积神经网络模型为采用第二样本图像集合训练得到,所述第二样本图像集合中包括第二样本图像以及用于指示是否为翻拍证件所得的图像的指示信息之间的对应关系,所述第二样本图像中包括真实证件图像以及翻拍证件所得的图像。
[0025] 可选地,所述卷积神经网络模型的训练过程具体包括:
[0026] 获取所述第二样本图像的RGB特征,以及提取所述第二样本图像的纹理特征以及频率特征;
[0027] 将所述第二样本图像的RGB特征作为第一卷积神经网络子模型的输入,训练得到所述第一卷积神经网络子模型,将所述第二样本图像的纹理特征作为第二卷积神经网络子模型的输入,训练得到所述第二卷积神经网络子模型,以及将所述第二样本图像的频率特征作为第三卷积神经网络子模型的输入,训练得到所述第三卷积神经网络子模型;
[0028] 将所述第一卷积神经网络子模型、所述第二卷积神经网络子模型以及所述第三卷积神经网络子模型全连接层之前的特征向量合并,得到合并后的模型;
[0029] 所述第二样本图像的RGB特征、所述纹理特征以及所述频率特征,作为所述合并后的模型的输入,对所述合并后的模型进行训练,得到所述卷积神经网络模型。
[0030] 第二方面,本申请实施例提供了一种证件伪装识别装置,包括:
[0031] 确定模,用于确定检测窗口中存在人脸活体,并且确定证件位于所述检测窗口中的证件采集框中;
[0032] 获取模块,用于获取检测窗口采集的检测图像;
[0033] 处理模块,用于判断所述检测图像中是否存在电子显示屏的特征,若是,判定存在证件伪装,否则,采集所述证件采集框中的证件图像。
[0034] 第三方面,本申请实施例提供了一种电子设备,包括:处理器、通信接口存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
[0035] 所述存储器,用于存储计算机程序
[0036] 所述处理器,用于执行所述存储器中所存储的程序,实现第一方面所述的证件伪装识别方法。
[0037] 第四方面,本申请实施例中提供了一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现第一方面所述的证件伪装识别方法。
[0038] 本申请实施例提供的上述技术方案与现有技术相比具有如下优点:本申请实施例提供的该方法,通过判断检测监控中是否存在人脸活体,判断是否是人手持证件验证的场景,并确定是该场景的情况下,确定证件位于检测窗口中的证件采集框后,获取检测窗口采集的检测图像,判断该检测图像中是否存在电子显示屏的特征,进一步根据该判断结果确定是否存在证件伪装,从而能够识别不法分子将预先录制的人手持身份证的视频图像在高清屏幕上播放,伪装认证的场景,提高证件认证准确度。附图说明
[0039] 此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
[0040] 为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
[0041] 图1为本申请实施例中证件伪装识别的方法流程示意图;
[0042] 图2为本申请实施例中证件伪装识别装置的结构示意图;
[0043] 图3为本申请实施例中电子设备的结构示意图。

具体实施方式

[0044] 为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
[0045] 为了有效防御采集图像为高清屏幕上播放预先录制的视频或图像的攻击,提高证件防伪对“高清屏幕翻拍”的鉴别,本申请实施例中提供了一种证件伪装识别方法,该方法可以应用于任意一个电子设备,例如手机等终端设备,尤其是证件采集终端,以下实施例中以执行主体为证件采集终端为例进行说明。
[0046] 如图1所示,进行证件伪装识别的具体过程如下:
[0047] 步骤101,确定检测窗口中存在人脸活体,并且确定证件位于该检测窗口中的证件采集框中。
[0048] 一个具体实施例中,确定检测窗口中存在人脸活体的具体过程如下:指示用户进行指定的脸部动作,并通过检测窗口识别该用户按照指示进行脸部动作后,确定该检测窗口中存在人脸活体。
[0049] 例如,指示用户进行眨眨眼、点点头等互动操作,并通过检测窗口识别用户按照指示进行动作。
[0050] 具体地,证件采集终端提示用户进行手持证件人脸活体检测,并在进行人脸活体检测的过程中,通过目标检测算法定位证件采集框中是否存在证件,如果不存在,则提示用户,直至该证件采集框中存在证件为止。
[0051] 并且,在人脸活体检测的过程中,提示用户保持证件在证件采集框中,如果检测到证件移出证件采集框,则重新进行人脸活体检测以及证件是否位于证件采集框的检测。
[0052] 在人脸活体检测以及证件位于证件采集框的检测均成功的情况下,执行步骤102。
[0053] 步骤102,获取检测窗口采集的检测图像。
[0054] 该检测图像中包括人手持证件的场景图像,且证件位于证件采集框中。
[0055] 步骤103,判断该检测图像中是否存在电子显示屏的特征,若是,判定存在证件伪装,否则,采集该证件采集框中的证件图像。
[0056] 一个具体实施例中,判断检测图像中是否存在电子显示屏的特征,具体过程如下:定位检测图像中采集框区域中的参考特征;根据该参考特征的位置,从该检测图像中截图N张子图像,其中,N张子图像的大小不同,且N张子图像的覆盖该参考特征;依次对该N张子图像进行以下处理:判断该子图像中是否存在电子显示屏的特征,若该子图像中存在电子显示屏的特征,则确定该检测图像中存在该电子显示屏的特征;若N张子图像中均不存在电子显示屏的特征,则确定该检测图像中不存在该电子显示屏的特征。
[0057] 具体地,定位的采集框区域中的参考特征,可以是采集框区域中的明显特征,例如采集框的边框等。N张子图像可以是对采集框的边框所限定的区域进行不同比例的区域外扩,和/或,不同比例的区域内缩后得到。只要在该N张子图像中的任意一张图像中监测到电子电视屏的特征,则中断后续流程,确定存在证件伪装。
[0058] 其中,判断一个子图像中是否存在电子显示屏的特征,具体过程如下:将该子图像输入至预设的识别模型,获得该识别模型输出的识别结果,该识别结果用于指示是否存在所述电子显示屏的特征。其中,该识别模型为采用第一样本图像集合训练得到,该第一样本图像集合中包括第一样本图像与用于指示是否包含电子显示屏的特征的指示信息之间的对应关系,该第一样本图像中包括不存在电子显示屏的真实证件图像,以及存在电子显示屏的伪装证件图像。
[0059] 具体地,将手持证件图像作为不存在电子显示屏的真实证件图像,以及将手持电子显示屏图像作为存在电子显示屏的伪装证件图像,对预设的识别模型进行训练,使得训练后的识别模型能够区分手持证件图像和手持电子显示屏图像。手持电子显示屏图像可以是对市面上常用的智能手机、平板电脑、显示器等智能终端播放证件视频的过程进行采样获得。将银行数据库中所保存的用户的手持证件图像作为正样本集合,将手持电子显示屏图像作为负样本集合。正样本集合和负样本集合中的每张图像均进行打标,将正样本集合中的图像标记为卡片(Card),将负样本集合中的图像标记为屏幕(Screen)。采用正样本集合和负样本集合训练该识别模型,使得该识别模型能够正确分类正样本集合和负样本集合。
[0060] 一个具体实施例中,采集证件采集框中的证件图像的具体过程如下:提示用户将拍摄镜头推进到证件,若在推进过程中该证件未移出证件采集框,则在推进过程结束后采集该证件采集框中的证件图像。若在推进过程中该证件全部或部分移出该证件采集框,则结束该推进过程后,重新执行证件伪装识别的流程。
[0061] 具体地,在推进过程中,采用目标跟踪算法跟踪证件,以在推进过程中识别证件是否移出证件采集框。所采用的目标跟踪算法可以是核化相关滤波器(KCF),或者速度更快的自适应相关滤波(Mosse)跟踪器,这两种滤波器对光照、比例、姿势和非刚性变形的变化具有很强的鲁棒性。在实时性要求高的场景下,采用Mosse跟踪器,否则,使用KCF跟踪器。将推进起始时定位的证件图像作为跟踪器的初始化证件图像,在接下来推进过程中所获取的视频流中对该证件图像进行跟踪。
[0062] 一个具体实施例中,采集证件采集框中的证件图像之后,将该证件图像输入卷积神经网络模型,得到该卷积神经网络模型输出的指示信息,该指示信息用于指示所述证件图像是否为翻拍证件所得的图像。
[0063] 其中,该卷积神经网络模型为采用第二样本图像集合训练得到,该第二样本图像集合中包括第二样本图像以及用于指示是否为翻拍证件所得的图像的指示信息之间的对应关系,该第二样本图像中包括真实证件图像以及翻拍证件所得的图像。
[0064] 一个具体实施例中,卷积神经网络模型的训练过程具体包括:获取第二样本图像的RGB特征,以及提取第二样本图像的纹理特征以及频率特征;将第二样本图像的RGB特征作为第一卷积神经网络子模型的输入,训练得到第一卷积神经网络子模型,将第二样本图像的纹理特征作为第二卷积神经网络子模型的输入,训练得到第二卷积神经网络子模型,以及将第二样本图像的频率特征作为第三卷积神经网络子模型的输入,训练得到第三卷积神经网络子模型;将第一卷积神经网络子模型、第二卷积神经网络子模型以及第三卷积神经网络子模型全连接层之前的特征向量合并,得到合并后的模型;将第二样本图像的RGB特征、纹理特征以及频率特征,作为合并后的模型的输入,对该合并后的模型进行训练,得到卷积神经网络模型。
[0065] 本申请实施例中,通过判断检测监控中是否存在人脸活体,判断是否是人手持证件验证的场景,并确定是该场景的情况下,确定证件位于检测窗口中的证件采集框后,获取检测窗口采集的检测图像,判断该检测图像中是否存在电子显示屏的特征,进一步根据该判断结果确定是否存在证件伪装,从而能够识别不法分子将预先录制的人手持身份证的视频图像在高清屏幕上播放,伪装认证的场景,提高证件认证准确度。
[0066] 通过借助人脸活体检测的高准确率,保证证件采集过程中是真的用户活体手持证件,而不是屏幕翻拍攻击,将证件防伪与人脸活体检测结合,利用人脸活体检测的技术帮助证件防伪,提高了证件防伪的准确度。
[0067] 基于同一构思,本申请实施例中提供了一种证件伪装识别装置,该装置的具体实施可参见方法实施例部分的描述,重复之处不再赘述,如图2所示,该装置主要包括:
[0068] 确定模块201,用于确定检测窗口中存在人脸活体,并且确定证件位于所述检测窗口中的证件采集框中;
[0069] 获取模块202,用于获取检测窗口采集的检测图像;
[0070] 处理模块203,用于判断所述检测图像中是否存在电子显示屏的特征,若是,判定存在证件伪装,否则,采集所述证件采集框中的证件图像。
[0071] 一个具体实施例中,处理模块203具体用于:定位所述检测图像中采集框区域中的参考特征;根据所述参考特征的位置,从所述检测图像中截图N张子图像,其中,所述N张子图像的大小不同,且所述N张子图像的覆盖所述参考特征;依次对所述N张子图像进行以下处理:判断所述子图像中是否存在电子显示屏的特征,若所述子图像中存在所述电子显示屏的特征,则确定所述检测图像中存在所述电子显示屏的特征;若所述N张子图像中均不存在所述电子显示屏的特征,则确定所述检测图像中不存在所述电子显示屏的特征。
[0072] 一个具体实施例中,处理模块203具体用于:将所述子图像输入至预设的识别模型,获得所述识别模型输出的识别结果,所述识别结果用于指示是否存在所述电子显示屏的特征;其中,所述识别模型为采用第一样本图像集合训练得到,所述第一样本图像集合中包括第一样本图像与用于指示是否包含电子显示屏的特征的指示信息之间的对应关系,所述第一样本图像中包括不存在电子显示屏的真实证件图像,以及存在电子显示屏的伪装证件图像。
[0073] 一个具体实施例中,确定模块201具体用于:指示用户进行指定的脸部动作,并通过所述检测窗口识别所述用户按照指示进行所述脸部动作后,确定所述检测窗口中存在人脸活体。
[0074] 一个具体实施例中,处理模块203具体用于:提示用户将拍摄镜头推进到所述证件,若在推进过程中所述证件未移出所述证件采集框,则在推进过程结束后采集所述证件采集框中的证件图像。
[0075] 一个具体实施例中,处理模块203还用于在采集所述证件采集框中的证件图像之后,将所述证件图像输入卷积神经网络模型,得到所述卷积神经网络模型输出的指示信息,所述指示信息用于指示所述证件图像是否为翻拍证件所得的图像;其中,所述卷积神经网络模型为采用第二样本图像集合训练得到,所述第二样本图像集合中包括第二样本图像以及用于指示是否为翻拍证件所得的图像的指示信息之间的对应关系,所述第二样本图像中包括真实证件图像以及翻拍证件所得的图像。
[0076] 一个具体实施例中,所述卷积神经网络模型的训练过程具体包括:获取所述第二样本图像的RGB特征,以及提取所述第二样本图像的纹理特征以及频率特征;将所述第二样本图像的RGB特征作为第一卷积神经网络子模型的输入,训练得到所述第一卷积神经网络子模型,将所述第二样本图像的纹理特征作为第二卷积神经网络子模型的输入,训练得到所述第二卷积神经网络子模型,以及将所述第二样本图像的频率特征作为第三卷积神经网络子模型的输入,训练得到所述第三卷积神经网络子模型;将所述第一卷积神经网络子模型、所述第二卷积神经网络子模型以及所述第三卷积神经网络子模型全连接层之前的特征向量合并,得到合并后的模型;将所述第二样本图像的RGB特征、所述纹理特征以及所述频率特征,作为所述合并后的模型的输入,对所述合并后的模型进行训练,得到所述卷积神经网络模型。
[0077] 基于同一构思,本申请实施例中还提供了一种电子设备,如图3所示,该电子设备主要包括:处理器301、通信接口302、存储器303和通信总线304,其中,处理器301、通信接口302和存储器303通过通信总线304完成相互间的通信。其中,存储器303中存储有可被至处理器301执行的程序,处理器301执行存储器303中存储的程序,实现如下步骤:确定检测窗口中存在人脸活体,并且确定证件位于所述检测窗口中的证件采集框中;获取检测窗口采集的检测图像;判断所述检测图像中是否存在电子显示屏的特征,若是,判定存在证件伪装,否则,采集所述证件采集框中的证件图像。
[0078] 上述电子设备中提到的通信总线304可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,简称EISA)总线等。该通信总线304可以分为地址总线数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
[0079] 通信接口302用于上述电子设备与其他设备之间的通信。
[0080] 存储器303可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器301的存储装置。
[0081] 上述的处理器301可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等,还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0082] 在本申请的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当该计算机程序在计算机上运行时,使得计算机执行上述实施例中所描述证件伪装识别方法。
[0083] 在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以时通用计算机、专用计算机、计算机网络或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
[0084] 需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0085] 以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈