翻拍图像识别模型构建方法以及翻拍图像识别方法与流程

1.本技术涉及计算机技术领域，特别是涉及一种翻拍图像识别模型构建方法以及翻拍图像识别方法。


背景技术：

2.随着计算机技术的发展，出现了翻拍图像识别技术，翻拍图像识别技术主要用于从待处理图片中识别出对着手机拍摄的翻拍图片，减少因为违规拍摄造成的错误信息输入，提升待处理图片的规范性。
3.传统技术中，常采用传统的特征提取算法对翻拍图像进行识别，或需要提供翻拍的原图通过比对图片相似度判断是否是翻拍图片。
4.然而，传统技术都存在翻拍判断准确率低的问题。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提高翻拍判断准确率的翻拍图像识别模型构建方法以及翻拍图像识别方法。
6.一种翻拍图像识别模型构建方法，所述方法包括：
7.获取携带类别标签的初始样本图像数据以及初始翻拍图像识别模型，初始翻拍图像识别模型包括分类速度导向的第一分类模型层和分类精度导向的第二分类模型层；
8.将初始样本图像数据输入第一分类模型层，得到第一损失函数以及分类错误的复杂样本图像数据；
9.根据复杂样本图像数据和初始样本图像数据，训练第二分类模型层，得到第二损失函数；
10.根据第一损失函数和第二损失函数，得到初始翻拍图像识别模型的综合损失函数，根据综合损失函数反向传播更新初始翻拍图像识别模型的模型参数，得到已训练的翻拍图像识别模型。
11.在一个实施例中，将初始样本图像数据输入第一分类模型层，得到第一损失函数包括：
12.将初始样本图像数据输入第一分类模型层，得到与初始样本图像数据中各初始样本图像对应的第一分类结果；
13.根据第一分类结果和类别标签，确定与各初始样本图像对应的第一损失值；
14.根据类别标签，确定与初始样本图像数据对应的第一正负样本比例，根据第一正负样本比例，确定与各第一损失值对应的第一损失权重；
15.根据第一损失值以及第一损失权重，得到第一损失函数。
16.在一个实施例中，根据复杂样本图像数据和初始样本图像数据，训练第二分类模型层，得到第二损失函数包括：
17.将复杂样本图像数据添加至初始样本图像数据，得到携带目标类别标签的目标样
本图像数据；
18.根据目标样本图像数据，训练第二分类模型层，得到第二损失函数。
19.在一个实施例中，根据目标样本图像数据，训练第二分类模型层，得到第二损失函数包括：
20.将目标样本图像数据输入第二分类模型层，得到与目标样本图像数据中各目标样本图像数据对应的第二分类结果；
21.根据第二分类结果和目标类别标签，确定与各目标样本图像对应的第二损失值；
22.根据目标类别标签，确定与目标样本图像数据对应的第二正负样本比例，根据第二正负样本比例，确定与各第二损失值对应的第二损失权重；
23.根据第二损失值以及第二损失权重，得到第二损失函数。
24.一种翻拍图像识别方法，所述方法包括：
25.获取待识别图片；
26.将待识别图片输入已训练的翻拍图像识别模型，得到与待识别图片对应的识别结果，已训练的翻拍图像识别模型根据上述翻拍图像识别模型构建方法构建。
27.在一个实施例中，将待识别图片输入已训练的翻拍图像识别模型，得到与待识别图片对应的识别结果包括：
28.将待识别图片输入已训练的翻拍图像识别模型中的第一分类模型层，得到第一分类结果；
29.当第一分类结果为翻拍时，将待识别图片输入已训练的翻拍图像识别模型中的第二分类模型层，得到第二分类结果；
30.当第二分类结果为翻拍时，得到识别结果为翻拍。
31.在一个实施例中，所述方法还包括：当第一分类结果为非翻拍或第二分类结果为非翻拍时，得到识别结果为非翻拍。
32.一种翻拍图像识别模型构建装置，所述装置包括：
33.数据获取模块，用于获取携带类别标签的初始样本图像数据以及初始翻拍图像识别模型，所述初始翻拍图像识别模型包括分类速度导向的第一分类模型层和分类精度导向的第二分类模型层；
34.第一训练模块，用于将所述初始样本图像数据输入所述第一分类模型层，得到第一损失函数以及分类错误的复杂样本图像数据；
35.第二训练模块，用于根据所述复杂样本图像数据和所述初始样本图像数据，训练所述第二分类模型层，得到第二损失函数；
36.参数更新模块，用于根据所述第一损失函数和所述第二损失函数，得到初始翻拍图像识别模型的综合损失函数，根据所述综合损失函数反向传播更新所述初始翻拍图像识别模型的模型参数，得到已训练的翻拍图像识别模型。
37.一种翻拍图像识别装置，所述装置包括：
38.图片获取模块，用于获取待识别图片；
39.识别模块，用于将待识别图片输入已训练的翻拍图像识别模型，得到与待识别图片对应的识别结果，已训练的翻拍图像识别模型根据上述翻拍图像识别模型构建方法构建。
40.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
41.获取携带类别标签的初始样本图像数据以及初始翻拍图像识别模型，初始翻拍图像识别模型包括分类速度导向的第一分类模型层和分类精度导向的第二分类模型层；
42.将初始样本图像数据输入第一分类模型层，得到第一损失函数以及分类错误的复杂样本图像数据；
43.根据复杂样本图像数据和初始样本图像数据，训练第二分类模型层，得到第二损失函数；
44.根据第一损失函数和第二损失函数，得到初始翻拍图像识别模型的综合损失函数，根据综合损失函数反向传播更新初始翻拍图像识别模型的模型参数，得到已训练的翻拍图像识别模型。
45.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
46.获取待识别图片；
47.将待识别图片输入已训练的翻拍图像识别模型，得到与待识别图片对应的识别结果，已训练的翻拍图像识别模型根据上述翻拍图像识别模型构建方法构建。
48.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
49.获取携带类别标签的初始样本图像数据以及初始翻拍图像识别模型，初始翻拍图像识别模型包括分类速度导向的第一分类模型层和分类精度导向的第二分类模型层；
50.将初始样本图像数据输入第一分类模型层，得到第一损失函数以及分类错误的复杂样本图像数据；
51.根据复杂样本图像数据和初始样本图像数据，训练第二分类模型层，得到第二损失函数；
52.根据第一损失函数和第二损失函数，得到初始翻拍图像识别模型的综合损失函数，根据综合损失函数反向传播更新初始翻拍图像识别模型的模型参数，得到已训练的翻拍图像识别模型。
53.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
54.获取待识别图片；
55.将待识别图片输入已训练的翻拍图像识别模型，得到与待识别图片对应的识别结果，已训练的翻拍图像识别模型根据上述翻拍图像识别模型构建方法构建。
56.上述翻拍图像识别模型构建方法，通过将初始样本图像数据输入分类速度导向的第一分类模型层，能够快速得到第一损失函数以及分类错误的复杂样本图像数据，进而可以根据复杂样本图像数据和初始样本图像数据，训练分类精度导向的第二分类模型层，以使第二分类模型层在学习时更趋向复杂样本图像数据，得到第二损失函数，根据第一损失函数和第二损失函数，确定综合损失函数，根据综合损失函数反向传播更新初始翻拍图像识别模型的模型参数，能够得到可准确识别翻拍图像的翻拍图像识别模型，从而可以利用翻拍图像识别模型提高翻拍判断准确率。上述翻拍图像识别方法，通过将待识别图片输入
可准确识别翻拍图像的翻拍图像识别模型，能够得到与待识别图片对应的识别结果，提高翻拍判断准确率。
附图说明
57.图1为一个实施例中翻拍图像识别模型构建方法的流程示意图；
58.图2为一个实施例中翻拍图像识别方法的流程示意图；
59.图3为一个实施例中翻拍图像识别模型构建方法的示意图；
60.图4为一个实施例中翻拍图像识别方法的示意图；
61.图5为一个实施例中翻拍图像识别模型构建装置的结构框图；
62.图6为一个实施例中翻拍图像识别装置的结构框图；
63.图7为一个实施例中计算机设备的内部结构图。
具体实施方式
64.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
65.在一个实施例中，如图1所示，提供了一种翻拍图像识别模型构建方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
66.步骤102，获取携带类别标签的初始样本图像数据以及初始翻拍图像识别模型，初始翻拍图像识别模型包括分类速度导向的第一分类模型层和分类精度导向的第二分类模型层。
67.其中，类别标签是指初始样本图像数据中各初始样本图像的标签，用于表征初始样本图像的类别。比如，类别标签具体可以是翻拍。又比如，类别标签具体可以是非翻拍。初始翻拍图像识别模型是指参数未调整的翻拍图像识别模型。在初始翻拍图像识别模型中包括分类速度导向的第一分类模型层和分类精度导向的第二分类模型层，其中分类速度导向的第一分类模型层是指分类速度快的分类模型层，分类精度导向的第二分类模型层是指分类精度高的分类模型层。比如，第一分类模型层具体可以为efficientnet-b0模型层，第二分类模型层具体可以为efficientnet-b1模型层。
68.具体的，服务器会直接获取携带类别标签的初始样本图像数据以及初始翻拍图像识别模型，其中的携带类别标签的初始样本图像数据可以为存储在预设图像数据库中的数据，服务器直接从预设图像数据库中获取即可。
69.步骤104，将初始样本图像数据输入第一分类模型层，得到第一损失函数以及分类错误的复杂样本图像数据。
70.其中，第一损失函数是指第一分类模型层在分类后计算得到的损失函数。分类错误的复杂样本图像数据是指第一分类模型层所分类错误的初始样本图像的集合，这里的分类错误是指第一分类结果与类别标签不同。比如，当第一分类结果为非翻拍且类别标签为翻拍时，表示对应的初始样本图像被分类错误，可将其划为分类错误的复杂样本图像。
71.具体的，服务器将初始样本图像数据输入第一分类模型层后，第一分类模型层会对初始样本图像数据中各初始样本图像进行特征提取，得到与各初始样本图像对应的图像特征，根据图像特征对各初始样本图像进行分类，得到与各初始样本图像对应的第一分类结果，根据第一分类结果和类别标签，得到第一损失函数以及分类错误的复杂样本图像数据。其中，第一分类结果具体可以为翻拍或非翻拍。
72.具体的，根据第一分类结果和类别标签，得到第一损失函数以及分类错误的复杂样本图像数据的方式可以为：通过比对第一分类结果和类别标签，计算第一损失函数，并确定被分类错误的初始样本图像，将被分类错误的初始样本图像划分为分类错误的复杂样本图像，根据复杂样本图像得到复杂样本图像数据。其中，在计算第一损失函数时，会针对初始样本图像数据中正负样本比例为与各初始样本图像对应的损失值设置权重参数，通过这种方式能够避免训练数据中正负样本偏差对模型的影响。
73.步骤106，根据复杂样本图像数据和初始样本图像数据，训练第二分类模型层，得到第二损失函数。
74.其中，第二损失函数是指第二分类模型层在分类后计算得到的损失函数。
75.具体的，服务器将目标样本图像数据输入第二分类模型层，第二分类模型层会对目标样本图像数据中各目标样本图像进行特征提取，得到与各目标样本图像对应的图像特征，根据图像特征对各目标样本图像进行分类，得到与各目标样本图像对应的第二分类结果，通过比对第二分类结果和目标类别标签，计算第二损失函数。其中，在计算第二损失函数时，会针对目标样本图像数据中正负样本比例为与各目标样本图像对应的损失值设置权重参数，通过这种方式能够避免训练数据中正负样本偏差对模型的影响。
76.步骤108，根据第一损失函数和第二损失函数，得到初始翻拍图像识别模型的综合损失函数，根据综合损失函数反向传播更新初始翻拍图像识别模型的模型参数，得到已训练的翻拍图像识别模型。
77.具体的，服务器根据第一损失函数和第二损失函数以及预设损失函数权重可以得到初始翻拍图像识别模型的综合损失函数，进而根据综合损失函数反向传播更新初始翻拍图像识别模型的模型参数，得到已训练的翻拍图像识别模型。其中，预设损失函数权重可按照需要自行设置，具体的，预设损失函数权重可根据第一分类模型层和第二分类模型层的对初始翻拍图像识别模型的重要程度进行设置，比如，当第一分类模型层与第二分类模型层同样重要时，可设置损失函数权重为1:1。
78.具体的，根据综合损失函数反向传播更新初始翻拍图像识别模型的模型参数，得到已训练的翻拍图像识别模型是指在得到综合损失函数之后，利用综合损失函数计算新的初始翻拍图像识别模型的模型参数，返回将初始样本图像数据输入第一分类模型层，得到第一损失函数以及分类错误的复杂样本图像数据的步骤，重新计算新的综合损失函数，直到综合损失函数满足预设条件为止，得到已训练的翻拍图像识别模型。这里的满足预设条件具体可以是指综合损失函数小于预设损失函数阈值或综合损失函数收敛等，本实施例在此处不做限定。
79.上述翻拍图像识别模型构建方法，通过将初始样本图像数据输入分类速度导向的第一分类模型层，能够快速得到第一损失函数以及分类错误的复杂样本图像数据，进而可以根据复杂样本图像数据和初始样本图像数据，训练分类精度导向的第二分类模型层，以
使第二分类模型层在学习时更趋向复杂样本图像数据，得到第二损失函数，根据第一损失函数和第二损失函数，确定综合损失函数，根据综合损失函数反向传播更新初始翻拍图像识别模型的模型参数，能够得到可准确识别翻拍图像的翻拍图像识别模型，从而可以利用翻拍图像识别模型提高翻拍判断准确率。
80.在一个实施例中，将初始样本图像数据输入第一分类模型层，得到第一损失函数包括：
81.将初始样本图像数据输入第一分类模型层，得到与初始样本图像数据中各初始样本图像对应的第一分类结果；
82.根据第一分类结果和类别标签，确定与各初始样本图像对应的第一损失值；
83.根据类别标签，确定与初始样本图像数据对应的第一正负样本比例，根据第一正负样本比例，确定与各第一损失值对应的第一损失权重；
84.根据第一损失值以及第一损失权重，得到第一损失函数。
85.具体的，将初始样本图像数据输入第一分类模型层后，会得到与初始样本图像数据中各初始样本图像对应的第一分类结果，服务器会通过比对各初始样本图像的第一分类结果和类别标签，确定与各初始样本图像对应的损失值，并根据类别标签中正标签数量和负标签数量，确定与初始样本图像数据对应的第一正负样本比例，根据第一正负样本比例、各初始样本图像数据的类别标签和样本均衡原理，确定与各第一损失值对应的第一损失权重，根据第一损失值以及第一损失权重，计算第一损失函数。
86.其中，样本均衡原理是指正样本比例与负样本比例大致相同。在确定与各第一损失值对应的第一损失权重时，服务器首先根据正负样本比例和样本均衡原理，确定正样本权重和负样本权重，再根据类别标签确定各第一损失值是归属于正样本损失还是负样本损失，为正样本损失设置正样本权重，为负样本损失设置负样本权重。比如，当正负样本比例为1:4时，为了样本均衡，可确定正样本权重为4，负样本权重为1，则对应的为归属于正样本损失的第一损失值设置权重4，为归属于负样本损失的第一损失值设置权重1。
87.进一步的，比对各初始样本图像的第一分类结果和类别标签，确定与各初始样本图像对应的损失值的方式具体可以为，比对各初始样本图像的第一分类结果和类别标签，确定与类别标签所表征的类比相同的第一分类结果中的类别概率，根据该类别概率确定与各初始样本图像对应的损失值。比如，损失值具体可以是该类别概率与1的绝对值或者绝对值的平方等，本实施例在此处不做限定。
88.本实施例中，通过根据第一正负样本比例，为不同的第一损失值设置对应的第一损失权重，根据第一损失值以及第一损失权重，得到第一损失函数，能够避免训练数据中正负样本偏差对翻拍图像识别模型的影响，提高翻拍图像识别模型的准确度。
89.在一个实施例中，根据复杂样本图像数据和初始样本图像数据，训练第二分类模型层，得到第二损失函数包括：
90.将复杂样本图像数据添加至初始样本图像数据，得到携带目标类别标签的目标样本图像数据；
91.根据目标样本图像数据，训练第二分类模型层，得到第二损失函数。
92.其中，目标类别标签是指目标样本图像数据中各目标样本图像的标签，用于表征目标样本图像的类别。比如，目标类别标签具体可以是翻拍。又比如，目标类别标签具体可
以是非翻拍。目标样本图像数据是指复杂样本图像数据和初始样本图像数据的集合。
93.具体的，服务器通过将复杂样本图像数据添加至初始样本图像数据，就可以得到携带目标类别标签的目标样本图像数据，根据目标样本图像数据，训练第二分类模型层，可以得到与目标样本图像数据对应的第二分类结果，根据第二分类结果和目标类别标签，即可得到第二损失函数。
94.本实施例中，通过将复杂样本图像数据添加至初始样本图像数据，能够得到更趋向被分类错误的样本图像数据的目标样本图像数据，从而可以利用该目标样本图像数据使得第二分类模型层在学习时更趋向复杂样本图像数据，进而得到可准确识别翻拍图像的翻拍图像识别模型。
95.在一个实施例中，根据目标样本图像数据，训练第二分类模型层，得到第二损失函数包括：
96.将目标样本图像数据输入第二分类模型层，得到与目标样本图像数据中各目标样本图像数据对应的第二分类结果；
97.根据第二分类结果和目标类别标签，确定与各目标样本图像对应的第二损失值；
98.根据目标类别标签，确定与目标样本图像数据对应的第二正负样本比例，根据第二正负样本比例，确定与各第二损失值对应的第二损失权重；
99.根据第二损失值以及第二损失权重，得到第二损失函数。
100.具体的，将目标样本图像数据输入第二分类模型层后，就可以得到与目标样本图像数据中各目标样本图像数据对应的第二分类结果，服务器会通过比对各目标样本图像的第二分类结果和目标类别标签，确定与各目标样本图像对应的损失值，并根据目标类别标签中正标签数量和负标签数量，确定与目标样本图像数据对应的第二正负样本比例，根据第二正负样本比例、各目标样本图像数据的目标类别标签和样本均衡原理，确定与各第二损失值对应的第二损失权重，根据第二损失值以及第二损失权重，计算第二损失函数。
101.其中，样本均衡原理是指正样本比例与负样本比例大致相同。在确定与各第二损失值对应的第二损失权重时，服务器首先根据正负样本比例和样本均衡原理，确定正样本权重和负样本权重，再根据目标类别标签确定各第二损失值是归属于正样本损失还是负样本损失，为正样本损失设置正样本权重，为负样本损失设置负样本权重。比如，当正负样本比例为1:4时，为了样本均衡，可确定正样本权重为4，负样本权重为1，则对应的为归属于正样本损失的第二损失值设置权重4，为归属于负样本损失的第二损失值设置权重1。
102.进一步的，比对各目标样本图像的第二分类结果和目标类别标签，确定与各目标样本图像对应的损失值的方式具体可以为，比对各目标样本图像的第二分类结果和目标类别标签，确定与目标类别标签所表征的类比相同的第二分类结果中的类别概率，根据该类别概率确定与各目标样本图像对应的损失值。比如，损失值具体可以是该类别概率与1的绝对值或者绝对值的平方等，本实施例在此处不做限定。
103.本实施例中，通过根据第二正负样本比例，为不同的第二损失值设置对应的第二损失权重，根据第二损失值以及第二损失权重，得到第二损失函数，能够避免训练数据中正负样本偏差对翻拍图像识别模型的影响，提高翻拍图像识别模型的准确度。
104.在一个实施例中，如图2所示，提供了一种翻拍图像识别方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括
终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
105.步骤202，获取待识别图片。
106.步骤204，将待识别图片输入已训练的翻拍图像识别模型，得到与待识别图片对应的识别结果，已训练的翻拍图像识别模型根据上述翻拍图像识别模型构建方法构建。
107.其中，待识别图片是指待识别是否为翻拍图像的图片。
108.具体的，服务器在获取到待识别图片后，通过直接将待识别图片输入已训练的翻拍图像识别模型，即可得到与待识别图片对应的识别结果。
109.上述翻拍图像识别方法，通过将待识别图片输入可准确识别翻拍图像的翻拍图像识别模型，能够得到与待识别图片对应的识别结果，提高翻拍判断准确率。
110.在一个实施例中，将待识别图片输入已训练的翻拍图像识别模型，得到与待识别图片对应的识别结果包括：
111.将待识别图片输入已训练的翻拍图像识别模型中的第一分类模型层，得到第一分类结果；
112.当第一分类结果为翻拍时，将待识别图片输入已训练的翻拍图像识别模型中的第二分类模型层，得到第二分类结果；
113.当第二分类结果为翻拍时，得到识别结果为翻拍。
114.具体的，在服务器将待识别图片输入已训练的翻拍图像识别模型中的第一分类模型层后，分类速度导向的第一分类模型层会通过特征提取等操作快速预测与待识别图片对应的第一分类结果，当第一分类结果为翻拍时，需进一步利用已训练的翻拍图像识别模型中的第二分类模型层确定该待识别图片是否为翻拍图像，服务器会将待识别图片输入至已训练的翻拍图像识别模型中的第二分类模型层，使分类精度导向的第二分类模型层通过特征提取等操作精确预测与待识别图片对应的第二分类结果，当第二分类结果为翻拍时，得到识别结果为翻拍。
115.本实施例中，通过将待识别图片输入第一分类模型层，得到第一分类结果，当第一分类结果为翻拍时，将待识别图片输入第二分类模型层，得到第二分类结果，当第二分类结果为翻拍时，得到识别结果为翻拍，能够利用第一分类模型层和第二分类模型层实现对待识别图片是否为翻拍图像的准确识别。
116.在一个实施例中，所述方法还包括：当第一分类结果为非翻拍或第二分类结果为非翻拍时，得到识别结果为非翻拍。
117.具体的，当第一分类结果为非翻拍或第二分类结果为非翻拍时，服务器会得到识别结果为非翻拍的结论，即只有第一分类结果为翻拍且第二分类结果为翻拍时，才能得到识别结果为翻拍的结论。
118.本实施例中，通过当第一分类结果为非翻拍或第二分类结果为非翻拍时，得到识别结果为非翻拍，能够利用第一分类模型层和第二分类模型层实现对待识别图片是否为翻拍图像的准确识别。
119.本技术还提供一种应用场景，如图3所示，该应用场景应用上述的翻拍图像识别模型构建方法。具体地，该翻拍图像识别模型构建方法在该应用场景的应用如下：
120.服务器获取训练数据(即携带类别标签的初始样本图像数据)以及初始翻拍图像
识别模型，初始翻拍图像识别模型包括模型a(即分类速度导向的第一分类模型层)和模型b(即分类精度导向的第二分类模型层)，将训练数据输入模型a，得到动态lossa(即第一损失函数)以及分类错误的复杂样本图像数据，通过数据采样模块根据复杂样本图像数据和训练数据，得到携带目标类别标签的目标样本图像数据，根据目标样本图像数据训练模型b，得到动态lossb(即第二损失函数)，根据动态lossa和动态lossb，得到初始翻拍图像识别模型的总体loss(即综合损失函数)，根据总体loss反向传播更新初始翻拍图像识别模型的模型参数，得到已训练的翻拍图像识别模型。
121.本技术还另外提供一种应用场景，如图4所示，该应用场景应用上述的翻拍图像识别方法。具体地，该翻拍图像识别方法在该应用场景的应用如下：
122.服务器获取待识别图片，将待识别图片输入已训练的翻拍图像识别模型中的模型a(即第一分类模型层)，得到第一分类结果，当第一分类结果为翻拍时，将待识别图片输入已训练的翻拍图像识别模型中的模型b(即第二分类模型层)，得到第二分类结果，当第二分类结果为翻拍时，得到识别结果为翻拍。当第一分类结果为非翻拍或第二分类结果为非翻拍时，得到识别结果为正常图片(即非翻拍)。
123.应该理解的是，虽然图1-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
124.在一个实施例中，如图5所示，提供了一种翻拍图像识别模型构建装置，包括：数据获取模块502、第一训练模块504、第二训练模块506和参数更新模块508，其中：
125.数据获取模块502，用于获取携带类别标签的初始样本图像数据以及初始翻拍图像识别模型，所述初始翻拍图像识别模型包括分类速度导向的第一分类模型层和分类精度导向的第二分类模型层；
126.第一训练模块504，用于将所述初始样本图像数据输入所述第一分类模型层，得到第一损失函数以及分类错误的复杂样本图像数据；
127.第二训练模块506，用于根据所述复杂样本图像数据和所述初始样本图像数据，训练所述第二分类模型层，得到第二损失函数；
128.参数更新模块508，用于根据所述第一损失函数和所述第二损失函数，得到初始翻拍图像识别模型的综合损失函数，根据所述综合损失函数反向传播更新所述初始翻拍图像识别模型的模型参数，得到已训练的翻拍图像识别模型。
129.上述翻拍图像识别模型构建装置，通过将初始样本图像数据输入分类速度导向的第一分类模型层，能够快速得到第一损失函数以及分类错误的复杂样本图像数据，进而可以根据复杂样本图像数据和初始样本图像数据，训练分类精度导向的第二分类模型层，以使第二分类模型层在学习时更趋向复杂样本图像数据，得到第二损失函数，根据第一损失函数和第二损失函数，确定综合损失函数，根据综合损失函数反向传播更新初始翻拍图像识别模型的模型参数，能够得到可准确识别翻拍图像的翻拍图像识别模型，从而可以利用翻拍图像识别模型提高翻拍判断准确率。
130.在一个实施例中，第一训练模块还用于将初始样本图像数据输入第一分类模型层，得到与初始样本图像数据中各初始样本图像对应的第一分类结果，根据第一分类结果和类别标签，确定与各初始样本图像对应的第一损失值，根据类别标签，确定与初始样本图像数据对应的第一正负样本比例，根据第一正负样本比例，确定与各第一损失值对应的第一损失权重，根据第一损失值以及第一损失权重，得到第一损失函数。
131.在一个实施例中，第二训练模块还用于将复杂样本图像数据添加至初始样本图像数据，得到携带目标类别标签的目标样本图像数据，根据目标样本图像数据，训练第二分类模型层，得到第二损失函数。
132.在一个实施例中，第二训练模块还用于将目标样本图像数据输入第二分类模型层，得到与目标样本图像数据中各目标样本图像数据对应的第二分类结果，根据第二分类结果和目标类别标签，确定与各目标样本图像对应的第二损失值，根据目标类别标签，确定与目标样本图像数据对应的第二正负样本比例，根据第二正负样本比例，确定与各第二损失值对应的第二损失权重，根据第二损失值以及第二损失权重，得到第二损失函数。
133.在一个实施例中，如图6所示，提供了一种翻拍图像识别装置，包括：图片获取模块602和识别模块604，其中：
134.图片获取模块602，用于获取待识别图片；
135.识别模块604，用于将待识别图片输入已训练的翻拍图像识别模型，得到与待识别图片对应的识别结果，已训练的翻拍图像识别模型根据上述翻拍图像识别模型构建方法构建。
136.上述翻拍图像识别装置，通过将待识别图片输入可准确识别翻拍图像的翻拍图像识别模型，能够得到与待识别图片对应的识别结果，提高翻拍判断准确率。
137.在一个实施例中，识别模块还用于将待识别图片输入已训练的翻拍图像识别模型中的第一分类模型层，得到第一分类结果，当第一分类结果为翻拍时，将待识别图片输入已训练的翻拍图像识别模型中的第二分类模型层，得到第二分类结果，当第二分类结果为翻拍时，得到识别结果为翻拍。
138.在一个实施例中，翻拍图像识别装置还包括处理模块，处理模块用于当第一分类结果为非翻拍或第二分类结果为非翻拍时，得到识别结果为非翻拍。
139.关于翻拍图像识别模型构建装置以及翻拍图像识别装置的具体限定可以参见上文中对于翻拍图像识别模型构建方法以及翻拍图像识别方法的限定，在此不再赘述。上述翻拍图像识别模型构建装置以及翻拍图像识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
140.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储携带类别标签的初始样本图像数据。该计算机设备的网络接口用于与外
部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种翻拍图像识别模型构建方法以及翻拍图像识别方法。
141.本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
142.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
143.获取携带类别标签的初始样本图像数据以及初始翻拍图像识别模型，初始翻拍图像识别模型包括分类速度导向的第一分类模型层和分类精度导向的第二分类模型层；
144.将初始样本图像数据输入第一分类模型层，得到第一损失函数以及分类错误的复杂样本图像数据；
145.根据复杂样本图像数据和初始样本图像数据，训练第二分类模型层，得到第二损失函数；
146.根据第一损失函数和第二损失函数，得到初始翻拍图像识别模型的综合损失函数，根据综合损失函数反向传播更新初始翻拍图像识别模型的模型参数，得到已训练的翻拍图像识别模型。
147.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
148.将初始样本图像数据输入第一分类模型层，得到与初始样本图像数据中各初始样本图像对应的第一分类结果；
149.根据第一分类结果和类别标签，确定与各初始样本图像对应的第一损失值；
150.根据类别标签，确定与初始样本图像数据对应的第一正负样本比例，根据第一正负样本比例，确定与各第一损失值对应的第一损失权重；
151.根据第一损失值以及第一损失权重，得到第一损失函数。
152.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
153.将复杂样本图像数据添加至初始样本图像数据，得到携带目标类别标签的目标样本图像数据；
154.根据目标样本图像数据，训练第二分类模型层，得到第二损失函数。
155.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
156.将目标样本图像数据输入第二分类模型层，得到与目标样本图像数据中各目标样本图像数据对应的第二分类结果；
157.根据第二分类结果和目标类别标签，确定与各目标样本图像对应的第二损失值；
158.根据目标类别标签，确定与目标样本图像数据对应的第二正负样本比例，根据第二正负样本比例，确定与各第二损失值对应的第二损失权重；
159.根据第二损失值以及第二损失权重，得到第二损失函数。
160.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
161.获取待识别图片；
162.将待识别图片输入已训练的翻拍图像识别模型，得到与待识别图片对应的识别结果，已训练的翻拍图像识别模型根据上述翻拍图像识别模型构建方法构建。
163.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
164.将待识别图片输入已训练的翻拍图像识别模型中的第一分类模型层，得到第一分类结果；
165.当第一分类结果为翻拍时，将待识别图片输入已训练的翻拍图像识别模型中的第二分类模型层，得到第二分类结果；
166.当第二分类结果为翻拍时，得到识别结果为翻拍。
167.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
168.当第一分类结果为非翻拍或第二分类结果为非翻拍时，得到识别结果为非翻拍。
169.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
170.获取携带类别标签的初始样本图像数据以及初始翻拍图像识别模型，初始翻拍图像识别模型包括分类速度导向的第一分类模型层和分类精度导向的第二分类模型层；
171.将初始样本图像数据输入第一分类模型层，得到第一损失函数以及分类错误的复杂样本图像数据；
172.根据复杂样本图像数据和初始样本图像数据，训练第二分类模型层，得到第二损失函数；
173.根据第一损失函数和第二损失函数，得到初始翻拍图像识别模型的综合损失函数，根据综合损失函数反向传播更新初始翻拍图像识别模型的模型参数，得到已训练的翻拍图像识别模型。
174.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
175.将初始样本图像数据输入第一分类模型层，得到与初始样本图像数据中各初始样本图像对应的第一分类结果；
176.根据第一分类结果和类别标签，确定与各初始样本图像对应的第一损失值；
177.根据类别标签，确定与初始样本图像数据对应的第一正负样本比例，根据第一正负样本比例，确定与各第一损失值对应的第一损失权重；
178.根据第一损失值以及第一损失权重，得到第一损失函数。
179.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
180.将复杂样本图像数据添加至初始样本图像数据，得到携带目标类别标签的目标样本图像数据；
181.根据目标样本图像数据，训练第二分类模型层，得到第二损失函数。
182.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
183.将目标样本图像数据输入第二分类模型层，得到与目标样本图像数据中各目标样本图像数据对应的第二分类结果；
184.根据第二分类结果和目标类别标签，确定与各目标样本图像对应的第二损失值；
185.根据目标类别标签，确定与目标样本图像数据对应的第二正负样本比例，根据第二正负样本比例，确定与各第二损失值对应的第二损失权重；
186.根据第二损失值以及第二损失权重，得到第二损失函数。
187.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
188.获取待识别图片；
189.将待识别图片输入已训练的翻拍图像识别模型，得到与待识别图片对应的识别结果，已训练的翻拍图像识别模型根据上述翻拍图像识别模型构建方法构建。
190.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
191.将待识别图片输入已训练的翻拍图像识别模型中的第一分类模型层，得到第一分类结果；
192.当第一分类结果为翻拍时，将待识别图片输入已训练的翻拍图像识别模型中的第二分类模型层，得到第二分类结果；
193.当第二分类结果为翻拍时，得到识别结果为翻拍。
194.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
195.当第一分类结果为非翻拍或第二分类结果为非翻拍时，得到识别结果为非翻拍。
196.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
197.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
198.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种翻拍图像识别模型构建方法，其特征在于，所述方法包括：获取携带类别标签的初始样本图像数据以及初始翻拍图像识别模型，所述初始翻拍图像识别模型包括分类速度导向的第一分类模型层和分类精度导向的第二分类模型层；将所述初始样本图像数据输入所述第一分类模型层，得到第一损失函数以及分类错误的复杂样本图像数据；根据所述复杂样本图像数据和所述初始样本图像数据，训练所述第二分类模型层，得到第二损失函数；根据所述第一损失函数和所述第二损失函数，得到初始翻拍图像识别模型的综合损失函数，根据所述综合损失函数反向传播更新所述初始翻拍图像识别模型的模型参数，得到已训练的翻拍图像识别模型。2.根据权利要求1所述的方法，其特征在于，所述将所述初始样本图像数据输入所述第一分类模型层，得到第一损失函数包括：将所述初始样本图像数据输入所述第一分类模型层，得到与所述初始样本图像数据中各初始样本图像对应的第一分类结果；根据所述第一分类结果和所述类别标签，确定与各初始样本图像对应的第一损失值；根据所述类别标签，确定与初始样本图像数据对应的第一正负样本比例，根据所述第一正负样本比例，确定与各所述第一损失值对应的第一损失权重；根据所述第一损失值以及所述第一损失权重，得到第一损失函数。3.根据权利要求1所述的方法，其特征在于，所述根据所述复杂样本图像数据和所述初始样本图像数据，训练所述第二分类模型层，得到第二损失函数包括：将所述复杂样本图像数据添加至所述初始样本图像数据，得到携带目标类别标签的目标样本图像数据；根据所述目标样本图像数据，训练所述第二分类模型层，得到第二损失函数。4.根据权利要求3所述的方法，其特征在于，所述根据所述目标样本图像数据，训练所述第二分类模型层，得到第二损失函数包括：将所述目标样本图像数据输入所述第二分类模型层，得到与所述目标样本图像数据中各目标样本图像数据对应的第二分类结果；根据所述第二分类结果和所述目标类别标签，确定与各目标样本图像对应的第二损失值；根据所述目标类别标签，确定与目标样本图像数据对应的第二正负样本比例，根据所述第二正负样本比例，确定与各所述第二损失值对应的第二损失权重；根据所述第二损失值以及所述第二损失权重，得到第二损失函数。5.一种翻拍图像识别方法，其特征在于，所述方法包括：获取待识别图片；将所述待识别图片输入已训练的翻拍图像识别模型，得到与所述待识别图片对应的识别结果，所述已训练的翻拍图像识别模型根据如权利要求1-4任意一项所述的方法构建。6.根据权利要求5所述的方法，其特征在于，所述将所述待识别图片输入已训练的翻拍图像识别模型，得到与所述待识别图片对应的识别结果包括：将所述待识别图片输入已训练的翻拍图像识别模型中的第一分类模型层，得到第一分
类结果；当所述第一分类结果为翻拍时，将所述待识别图片输入已训练的翻拍图像识别模型中的第二分类模型层，得到第二分类结果；当所述第二分类结果为翻拍时，得到识别结果为翻拍。7.根据权利要求6所述的方法，其特征在于，还包括：当所述第一分类结果为非翻拍或所述第二分类结果为非翻拍时，得到识别结果为非翻拍。8.一种翻拍图像识别模型构建装置，其特征在于，所述装置包括：数据获取模块，用于获取携带类别标签的初始样本图像数据以及初始翻拍图像识别模型，所述初始翻拍图像识别模型包括分类速度导向的第一分类模型层和分类精度导向的第二分类模型层；第一训练模块，用于将所述初始样本图像数据输入所述第一分类模型层，得到第一损失函数以及分类错误的复杂样本图像数据；第二训练模块，用于根据所述复杂样本图像数据和所述初始样本图像数据，训练所述第二分类模型层，得到第二损失函数；参数更新模块，用于根据所述第一损失函数和所述第二损失函数，得到初始翻拍图像识别模型的综合损失函数，根据所述综合损失函数反向传播更新所述初始翻拍图像识别模型的模型参数，得到已训练的翻拍图像识别模型。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，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中任一项所述的方法的步骤。

技术总结
本申请涉及一种翻拍图像识别模型构建方法以及翻拍图像识别方法。所述翻拍图像识别模型构建方法包括：获取携带类别标签的初始样本图像数据以及初始翻拍图像识别模型，初始翻拍图像识别模型包括分类速度导向的第一分类模型层和分类精度导向的第二分类模型层；将初始样本图像数据输入第一分类模型层，得到第一损失函数以及分类错误的复杂样本图像数据；根据复杂样本图像数据和初始样本图像数据，训练第二分类模型层，得到第二损失函数；根据第一损失函数和第二损失函数，得到初始翻拍图像识别模型的综合损失函数，根据综合损失函数反向传播更新初始翻拍图像识别模型的模型参数，得到已训练的翻拍图像识别模型。采用本方法能够提高翻拍判断准确率。高翻拍判断准确率。高翻拍判断准确率。


技术研发人员：李梦琴 喻雨峰
受保护的技术使用者：顺丰科技有限公司
技术研发日：2020.11.04
技术公布日：2022/5/25