身份验证方法、装置、计算机设备和存储介质与流程

计算;推算;计数设备的制造及其应用技术1.本技术涉及计算机技术领域，特别是涉及一种身份验证方法、装置、计算机设备和存储介质。背景技术：2.随着计算机技术的发展，个人的信息存在被他人窃取、盗用的风险，因此出现了各种对个人证件进行真伪验证的方式，例如将证件图像中的人脸与预先存储的人脸进行对比等，对通过身份验证的用户提供相应的服务，从而保证用户信息的安全性。3.但传统的身份验证方式往往要基于预先存储的用户人脸信息，而对于没有预先存储的人脸信息的用户而言，无法识别用户证件图像的真伪。技术实现要素：4.基于此，有必要针对上述技术问题，提供一种能够准确验证证件图像的真伪的身份验证方法、装置、计算机设备和存储介质。5.一种身份验证方法，所述方法包括：6.获取对目标证件进行视频采集所得到的证件视频，并从所述证件视频中筛选出满足图像清晰条件的目标视频帧；7.从所述目标视频帧中提取出与所述目标证件对应的第一人脸图像和第二人脸图像，所述第一人脸图像的图像尺寸小于所述第二人脸图像的图像尺寸；8.获取至少一组的目标图像处理参数，并基于各组目标图像处理参数分别对所述第一人脸图像进行图像增强处理，得到至少一张的第三人脸图像；9.将每个所述第三人脸图像分别与所述第二人脸图像进行比对，得到对应的图像比对结果，并根据所述图像比对结果确定所述目标证件的身份验证结果。10.在一个实施例中，所述方法还包括：11.获取样本证件图像，并确定各所述样本证件图像分别所属的样本类别；12.从所述样本证件图像中提取出第一样本人脸图像和第二样本人脸图像，所述第一样本人脸图像的图像尺寸小于所述第二样本人脸图像的图像尺寸；13.获取多组候选图像处理参数，并基于各组候选图像处理参数分别对所述第一样本人脸图像进行图像增强处理，得到与每组候选图像处理参数分别对应的第三样本人脸图像；14.将各所述第三样本人脸图像分别与相应的第二样本人脸图像进行比对，得到对应的样本图像比对结果；15.基于所述样本图像比对结果和所述样本类别，从所述多组候选图像处理参数中筛选出至少一组的目标图像处理参数。16.在一个实施例中，所述获取多组候选图像处理参数，并基于各组候选图像处理参数分别对所述第一样本人脸图像进行图像增强处理，得到与每组候选图像处理参数分别对应的第三样本人脸图像，包括：17.从样本参数集中，确定当前迭代所对应的当前候选图像处理参数，并获取通过前次迭代筛选出的备用图像处理参数；18.基于所述当前候选图像处理参数和所述备用图像处理参数，分别对所述第一样本人脸图像进行图像增强处理，得到与各组图像处理参数分别对应的第三样本人脸图像；19.所述基于所述样本图像比对结果和所述样本类别，从所述多组候选图像处理参数中筛选出至少一组的目标图像处理参数，包括：20.对于当次迭代中的各组图像处理参数，根据相应的样本比对结果和相应的样本类别生成特征曲线，并基于所述特征曲线确定对应的特征面积，并基于特征面积筛选出当次迭代中满足面积匹配条件的备用图像处理参数；21.从所述样本参数集中选择未参与迭代计算的候选图像处理参数，作为下次迭代所对应的当前候选图像处理参数，并将当前迭代筛选出的备用图像处理参数作为下一次迭代所需的备用图像处理参数；22.返回所述基于所述当前候选图像处理参数和所述备用图像处理参数，分别对所述第一样本人脸图像进行图像增强处理，得到与各组图像处理参数分别对应的第三样本人脸图像的步骤继续执行，直至遍历所述样本参数集中的所有候选图像处理参数后停止，基于最后一次迭代得到的特征面积筛选出最后一次迭代中满足面积匹配条件的图像处理参数；23.将最后一次迭代中满足面积匹配条件的图像处理参数，作为目标图像处理参数。24.一种身份验证装置，所述装置包括：25.获取模块，用于获取对目标证件进行视频采集所得到的证件视频，并从所述证件视频中筛选出满足图像清晰条件的目标视频帧；26.提取模块，用于从所述目标视频帧中提取出与所述目标证件对应的第一人脸图像和第二人脸图像，所述第一人脸图像的图像尺寸小于所述第二人脸图像的图像尺寸；27.图像增强模块，用于获取至少一组的目标图像处理参数，并基于各组目标图像处理参数分别对所述第一人脸图像进行图像增强处理，得到至少一张的第三人脸图像；28.比对模块，用于将每个所述第三人脸图像分别与所述第二人脸图像进行比对，得到对应的图像比对结果，并根据所述图像比对结果确定所述目标证件的身份验证结果。29.一种计算机设备，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：30.获取对目标证件进行视频采集所得到的证件视频，并从所述证件视频中筛选出满足图像清晰条件的目标视频帧；31.从所述目标视频帧中提取出与所述目标证件对应的第一人脸图像和第二人脸图像，所述第一人脸图像的图像尺寸小于所述第二人脸图像的图像尺寸；32.获取至少一组的目标图像处理参数，并基于各组目标图像处理参数分别对所述第一人脸图像进行图像增强处理，得到至少一张的第三人脸图像；33.将每个所述第三人脸图像分别与所述第二人脸图像进行比对，得到对应的图像比对结果，并根据所述图像比对结果确定所述目标证件的身份验证结果。34.一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：35.获取对目标证件进行视频采集所得到的证件视频，并从所述证件视频中筛选出满足图像清晰条件的目标视频帧；36.从所述目标视频帧中提取出与所述目标证件对应的第一人脸图像和第二人脸图像，所述第一人脸图像的图像尺寸小于所述第二人脸图像的图像尺寸；37.获取至少一组的目标图像处理参数，并基于各组目标图像处理参数分别对所述第一人脸图像进行图像增强处理，得到至少一张的第三人脸图像；38.将每个所述第三人脸图像分别与所述第二人脸图像进行比对，得到对应的图像比对结果，并根据所述图像比对结果确定所述目标证件的身份验证结果。39.上述身份验证方法、装置、计算机设备和存储介质，从包含目标证件的证件视频中筛选出满足图像清晰条件的目标视频帧，以获得清晰的视频帧，从而得到清晰的目标证件。从目标视频帧中提取出与目标证件对应的第一人脸图像和第二人脸图像，得到目标证件中的第一人脸图像和第二人脸图像。第一人脸图像的图像尺寸小于第二人脸图像的图像尺寸，则第一人脸图像更容易受到视频采集时的光线、角度的影响，通过至少一组目标图像处理参数分别对第一人脸图像进行图像增强处理，以去除视频采集的角度、光线等对第一人脸图像产生的影响，得到至少一张图像增强处理后的第三人脸图像。将去除视频采集的角度、光线等对第一人脸图像产生的影响之后的每个第三人脸图像，分别与第二人脸图像进行比对，得到不同的目标图像处理参数所对应的第三人脸图像和第二人脸图像的图像比对结果，从而得到不同的图像增强方式所获得的不同的第三人脸图像分别和同一张第二人脸图像的图像比对结果。根据不同的第三人脸图像分别和同一张第二人脸图像的图像比对结果，能够准确鉴别目标证件中的两个人脸图像是否为同一用户的人脸图像，从而能够鉴别目标证件的真伪，实现对目标证件的身份验证。40.一种图像识别模型的训练方法，所述方法包括：41.获取样本证件图像，并确定各所述样本证件图像分别所属的样本类别；42.从所述样本证件图像中提取出第一样本人脸图像和第二样本人脸图像，所述第一样本人脸图像的图像尺寸小于所述第二样本人脸图像的图像尺寸；43.通过待训练的图像识别模型中的各组候选图像处理参数分别对所述第一样本人脸图像进行图像增强处理，得到与每组候选图像处理参数分别对应的第三样本人脸图像；44.将各所述第三样本人脸图像分别与相应的第二样本人脸图像进行比对，得到对应的样本图像比对结果；45.基于所述样本图像比对结果和所述样本类别对所述待训练的图像识别模型进行训练，直至达到训练停止条件时停止，得到训练好的目标图像识别模型；所述训练好的目标图像识别模型中包括至少一组的目标图像处理参数，以用于对目标证件进行身份验证。46.一种图像识别模型的训练装置，所述装置包括：47.样本获取模块，用于获取样本证件图像，并确定各所述样本证件图像分别所属的样本类别；48.人脸提取模块，用于从所述样本证件图像中提取出第一样本人脸图像和第二样本人脸图像，所述第一样本人脸图像的图像尺寸小于所述第二样本人脸图像的图像尺寸；49.处理模块，用于通过待训练的图像识别模型中的各组候选图像处理参数分别对所述第一样本人脸图像进行图像增强处理，得到与每组候选图像处理参数分别对应的第三样本人脸图像；50.比对结果获得模块，用于将各所述第三样本人脸图像分别与相应的第二样本人脸图像进行比对，得到对应的样本图像比对结果；51.训练模块，用于基于所述样本图像比对结果和所述样本类别对所述待训练的图像识别模型进行训练，直至达到训练停止条件时停止，得到训练好的目标图像识别模型；所述训练好的目标图像识别模型中包括至少一组的目标图像处理参数，以用于对目标证件进行身份验证。52.一种计算机设备，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：53.获取样本证件图像，并确定各所述样本证件图像分别所属的样本类别；54.从所述样本证件图像中提取出第一样本人脸图像和第二样本人脸图像，所述第一样本人脸图像的图像尺寸小于所述第二样本人脸图像的图像尺寸；55.通过待训练的图像识别模型中的各组候选图像处理参数分别对所述第一样本人脸图像进行图像增强处理，得到与每组候选图像处理参数分别对应的第三样本人脸图像；56.将各所述第三样本人脸图像分别与相应的第二样本人脸图像进行比对，得到对应的样本图像比对结果；57.基于所述样本图像比对结果和所述样本类别对所述待训练的图像识别模型进行训练，直至达到训练停止条件时停止，得到训练好的目标图像识别模型；所述训练好的目标图像识别模型中包括至少一组的目标图像处理参数，以用于对目标证件进行身份验证。58.一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：59.获取样本证件图像，并确定各所述样本证件图像分别所属的样本类别；60.从所述样本证件图像中提取出第一样本人脸图像和第二样本人脸图像，所述第一样本人脸图像的图像尺寸小于所述第二样本人脸图像的图像尺寸；61.通过待训练的图像识别模型中的各组候选图像处理参数分别对所述第一样本人脸图像进行图像增强处理，得到与每组候选图像处理参数分别对应的第三样本人脸图像；62.将各所述第三样本人脸图像分别与相应的第二样本人脸图像进行比对，得到对应的样本图像比对结果；63.基于所述样本图像比对结果和所述样本类别对所述待训练的图像识别模型进行训练，直至达到训练停止条件时停止，得到训练好的目标图像识别模型；所述训练好的目标图像识别模型中包括至少一组的目标图像处理参数，以用于对目标证件进行身份验证。64.上述图像识别模型的训练方法、装置、计算机设备和存储介质，在本实施例中，从样本证件图像中提取出第一样本人脸图像和第二样本人脸图像，第一样本人脸图像的图像尺寸小于第二样本人脸图像的图像尺寸，则第一样本人脸图像更容易受到图像采集时的光线、角度的影响。通过待训练的图像识别模型中各组目标图像处理参数分别对第一样本人脸图像进行图像增强处理，以去除图像采集的角度、光线等对第一样本人脸图像产生的影响，得到不同程度的图像增强处理后的各张第三样本人脸图像。在排除角度、光线等产生的干扰后，将各第三样本人脸图像分别与相应的第二样本人脸图像进行比对，得到对应的样本图像比对结果，基于样本图像比对结果和样本类别之间的差异，能够从多组图像处理参数中筛选出图像增强效果最好的目标图像处理参数。通过训练好的图像识别模型对目标证件进行身份验证，能够准确鉴别出目标证件的真伪，提高身份验证的准确性。训练好的图像识别模型识别精度高，计算速度快，能够提高对目标证件的身份验证的效率。附图说明65.图1为一个实施例中身份验证方法的应用环境图；66.图2为一个实施例中身份验证方法的流程示意图；67.图3为一个实施例中计算横向倾斜角度的界面示意图；68.图4为另一个实施例中人脸关键点检测结果的示意图；69.图5为一个实施例中身份验证的应用场景；70.图6为一个实施例中确定目标图像处理参数的步骤的流程示意图；71.图7为一个实施例中图像识别模型的训练方法的流程示意图；72.图8为一个实施例中得到每组候选图像处理参数分别对应的第三样本人脸图像的步骤的流程示意图；73.图9为一个实施例中图像识别模型的一组候选图像处理参数进行图像增强处理的流程示意图；74.图10为一个实施例中图像识别模型的测试流程的示意图；75.图11为一个实施例中身份验证装置的结构框图；76.图12为一个实施例中图像识别模型的训练装置的结构框图；77.图13为一个实施例中计算机设备的内部结构图。具体实施方式78.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。79.本技术涉及人工智能(artificial intelligence，ai)技术领域，其中，人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。本技术实施例提供的方案涉及人工智能的身份验证方法，具体通过如下各实施例进行说明。80.本技术提供的身份验证方法，可以应用于如图1所示的身份验证系统。如图1所示，该身份验证系统包括终端110和服务器120。在一个实施例中，终端110和服务器120均可单独执行本技术实施例中提供的身份验证方法。终端110和服务器120也可协同用于执行本技术实施例中提供的身份验证方法。当终端110和服务器120协同用于执行本技术实施例中提供的身份验证方法时，终端110获取对目标证件进行视频采集所得到的证件视频，将该证件视频发送至服务器120。服务器120从证件视频中筛选出满足图像清晰条件的目标视频帧，并从目标视频帧中提取出与目标证件对应的第一人脸图像112和第二人脸图像114，第一人脸图像112的图像尺寸小于第二人脸图像114的图像尺寸。服务器120获取至少一组的目标图像处理参数，并基于各组目标图像处理参数分别对第一人脸图像进行图像增强处理，得到至少一张的第三人脸图像。服务器120将每个第三人脸图像分别与第二人脸图像进行比对，得到对应的图像比对结果，并根据图像比对结果确定目标证件的身份验证结果。服务器120将目标证件的身份验证结果返回至终端110。81.其中，终端110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器120可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端110以及服务器120可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。82.在一个实施例中，如图2所示，提供了一种身份验证方法，以该方法应用于图1中的计算机设备(该计算机设备具体可以是图1中的终端或服务器)为例进行说明，包括以下步骤：83.步骤s202，获取对目标证件进行视频采集所得到的证件视频，并从证件视频中筛选出满足图像清晰条件的目标视频帧。84.其中，目标证件是用于表征用户身份的证件，比如不同地区各自所对应的居民身份证、港澳通行证或临时居住证等。证件视频是指对目标证件进行视频采集所得到的视频，该目标证件在视频采集过程中既可保持平稳不动展示，也可进行翻动展示等。其中目标证件进行翻动展示时具体可以是进行上下倾斜、上下翻转或左右倾斜、上下翻转中的至少一种。当目标证件保持平稳不动时，相应的视频采集设备也可保持平稳不动，或者在采集视频的过程中变换采集角度等，本技术实施例对此不作限定。85.图像清晰条件是指预设的与图像的清晰程度相关的条件，包括证件清晰条件。该证件清晰条件可以通过证件的倾斜角度表征。86.在一个实施例中，该图像清晰条件还可以包括人脸清晰条件，该人脸清晰条件可以通过人脸图像的模糊度表征。87.具体地，计算机设备可获取对目标证件进行视频采集所得到的证件视频。当该计算机设备为服务器的情况下，计算机设备可获取终端上传的证件视频，也可以获取服务器中已存储的证件视频，该已存储的证件视频是终端预先对目标证件进行视频采集得到的。88.在计算机设备为终端的情况下，终端可从本地获取预先进行视频采集的证件视频，或从第三方终端获取通过视频采集所得到的证件视频。89.在本实施例中，终端可通过摄像头对目标证件进行视频采集，得到对应的证件视频。进一步地，在视频采集过程中，可将目标证件进行上下翻转或左右翻转中的至少一种，以得到对应的证件视频。90.计算机设备获得证件视频后，针对证件视频中的每一候选视频帧，确定候选视频帧是否满足图像清晰条件，将满足图像清晰度条件的视频帧作为目标视频帧。91.进一步地，在图像清晰条件为证件清晰条件的情况下，从证件视频中采集满足证件清晰条件的候选视频帧作为目标视频帧。在图像清晰条件为人脸清晰条件的情况下，从证件视频中采集满足人脸清晰条件的候选视频帧作为目标视频帧。在图像清晰条件包括证件清晰条件和人脸清晰条件的情况下，从证件视频中采集同时满足证件清晰条件和人脸清晰条件的候选视频帧作为目标视频帧。92.在一个实施例中，计算机设备可从证件视频中抽取预设数量的候选视频帧。该从证件视频中抽取预设数量的候选视频帧，包括：确定证件视频的视频时长，基于证件视频的视频时长和预设数量，确定抽取每帧候选视频帧的候选时刻，从证件视频中的各候选时刻抽取视频帧，得到预设数量的候选视频帧。例如，从时长为50秒的证件视频中抽取5帧候选视频帧，则可以每10秒抽取视频帧，可得到10、20、30、40和50秒时的候选视频帧。93.在一个实施例中，计算机设备可获取对目标证件进行视频采集所得到的证件视频，并从证件视频中筛选出满足图像清晰条件的第一人脸图像。进一步地，计算机设备可确定证件视频中各个候选视频帧中的第一人脸图像是否满足图像清晰度条件，从而筛选出满足图像清晰条件的每个第一人脸图像。94.步骤s204，从目标视频帧中提取出与目标证件对应的第一人脸图像和第二人脸图像，第一人脸图像的图像尺寸小于第二人脸图像的图像尺寸。95.具体地，目标证件中包含第一人脸图像和第二人脸图像。该第一人脸图像的图像尺寸小于第二人脸图像的图像尺寸。针对每帧目标视频帧，计算机设备可对目标视频帧进行目标人脸检测，以分割出目标视频帧中的第一人脸图像和第二人脸图像。96.步骤s206，获取至少一组的目标图像处理参数，并基于各组目标图像处理参数分别对第一人脸图像进行图像增强处理，得到至少一张的第三人脸图像。97.其中，图像增强处理是指是模糊的图像清晰化或者增强关注区域的特征、并抑制非关注区域的特征的处理方式。图像处理参数是用于对图像进行增强处理的参数。98.目标图像处理参数可包括去条纹参数、锐化参数、去白噪声参数、去雾参数中的至少一种。去条纹参数用于去除图像中的条纹、锐化参数用于增强图像的对比度、去白噪声参数用于去除图像的白噪声。去雾参数用于去除图像中的雾化效果。对比度是指的画图像的明暗反差程度。白噪声是指在较宽的频率范围内，各等带宽的频带所含的噪声能量相等的噪声。99.具体地，计算机设备获取至少一组目标图像处理参数，针对所获取的每组目标图像处理参数，通过目标图像处理参数对第一人脸图像进行图像增强处理，得到该目标图像处理参数对应的第三人脸图像，从而得到每组目标图像处理参数分别对应的第三人脸图像。100.当目标图像处理参数中包括至少两种处理子参数时，按照每种处理子参数对应的处理顺序对第一人脸图像进行图像增强处理。并且，对于同一组目标图像处理参数中的处理子参数，将上一个处理子参数处理得到的图像作为下一处理子参数处理的对象。例如，一组目标图像处理参数中包括去条纹参数、锐化参数、去白噪声参数，可通过对条纹参数对第一人脸图像进行去条纹处理，通过锐化参数对条纹处理后得到的图像进行锐化处理，再通过去白噪声参数对锐化参数处理后得到的图像进行去白噪声处理，得到该组目标图像处理参数对应的第三人脸图像。101.步骤s208，将每个第三人脸图像分别与第二人脸图像进行比对，得到对应的图像比对结果，并根据图像比对结果确定目标证件的身份验证结果。102.其中，图像比对结果包括第三人脸图像分别与第二人脸图像之间的相似度、差异度中的至少一种。身份验证结果包括验证通过和验证失败。103.具体地，针对每个第三人脸图像，计算机设备计算第三人脸图像和第二人脸图像之间的相似度，将相似度作为图像比对结果。当相似度大于预设相似度阈值时，判定目标证件的身份验证通过。当相似度小于或等于预设相似度阈值时，判定目标证件的身份验证失败。例如，预设相似度阈值为0.65。验证通过表示该目标证件为真实证件，即该目标图像中的第一人脸图像和第二人脸图像为同一人的人脸图像。验证失败表示该目标证件为伪造证件，即该目标图像中的第一人脸图像和第二人脸图像并非同一人的人脸图像。104.在一个实施例中，计算机设备将各个相似度分别与预设相似度阈值进行比较，当各个相似度均大于预设相似度阈值时，确定目标证件的身份验证结果为验证通过。105.在一个实施例中，计算机设备将各个相似度分别与预设相似度阈值进行比较，当存在指定数量的相似度均大于预设相似度阈值时，确定目标证件的身份验证结果为验证通过。106.在一个实施例中，针对每个第三人脸图像，计算机设备计算第三人脸图像和第二人脸图像之间的差异度，将差异度作为图像比对结果。进一步地，计算机设备将各个差异度分别与预设差异度阈值进行比较，当各个差异度均小于预设差异度阈值时，确定目标证件的身份验证结果为验证通过。107.在其中一个实施例中，计算机设备将各个差异度分别与预设差异度阈值进行比较，当存在指定数量的差异度小于预设差异度阈值时，确定目标证件的身份验证结果为验证通过。108.上述身份验证方法中，从包含目标证件的证件视频中筛选出满足图像清晰条件的目标视频帧，以获得清晰的视频帧，从而得到清晰的目标证件。从目标视频帧中提取出与目标证件对应的第一人脸图像和第二人脸图像，得到目标证件中的第一人脸图像和第二人脸图像。第一人脸图像的图像尺寸小于第二人脸图像的图像尺寸，则第一人脸图像更容易受到视频采集时的光线、角度的影响，通过至少一组目标图像处理参数分别对第一人脸图像进行图像增强处理，以去除视频采集的角度、光线等对第一人脸图像产生的影响，得到至少一张图像增强处理后的第三人脸图像。将去除视频采集的角度、光线等对第一人脸图像产生的影响之后的每个第三人脸图像，分别与第二人脸图像进行比对，得到不同的目标图像处理参数所对应的第三人脸图像和第二人脸图像的图像比对结果，从而得到不同的图像增强方式所获得的不同的第三人脸图像分别和同一张第二人脸图像的图像比对结果。根据不同的第三人脸图像分别和同一张第二人脸图像的图像比对结果，能够准确鉴别目标证件中的两个人脸图像是否为同一用户的人脸图像，从而能够鉴别目标证件的真伪，实现对目标证件的身份验证。109.在一个实施例中，第一人脸图像为立体人脸图像，从证件视频中筛选出满足图像清晰条件的目标视频帧，包括：110.从证件视频中抽取多于一帧的候选视频帧；对各候选视频帧中的目标证件分别进行检测，以确定各候选视频帧中的目标证件所对应的证件倾斜角度；基于证件倾斜角度，从候选视频帧中筛选满足证件清晰条件的备用视频帧；对各备用视频帧中与目标证件对应的立体人脸图像进行检测，以确定各备用视频帧中立体人脸图像分别对应的人脸模糊度；基于人脸模糊度，从备用视频帧中筛选出满足人脸清晰条件的目标视频帧。111.其中，人脸模糊度用于表征人脸图像的清晰程度，人脸模糊度越小，人脸图像越清晰。112.具体地，目标证件中包括第一人脸图像和第二人脸图像。该第一人脸图像为立体图像，该第二人脸图像为平面人脸图像。立体人脸图像容易受到光线和采集角度等影响，不同角度下检测到的人脸图像的清晰程度不同。113.图像清晰条件包括证件清晰条件和人脸清晰条件。该证件清晰条件通过证件的倾斜角度表征，人脸清晰条件通过人脸图像的模糊度表征。114.计算机设备可从证件视频中抽取多于一帧的候选视频帧，例如计算机设备可从证件视频中抽取预设数量的候选视频帧。对于每一帧候选视频帧，计算机设备可检测候选视频帧在证件视频中对应的倾斜角度，将该候选视频帧在证件视频中的倾斜角度，作为该候选视频帧中的目标证件所对应的证件倾斜角度。计算机设备可确定该证件倾斜角度是否满足证件清晰条件，将满足证件清晰条件的候选视频帧作为备用视频帧。115.针对每帧备用视频帧，计算机设备可对备用视频帧中的立体人脸图像，即第一人脸图像进行人脸模糊度检测，以确定备用视频帧中的立体人脸图像的人脸模糊度。计算机设备可确定该人脸模糊度是否满足人脸清晰条件，将满足人脸清晰条件的备用视频帧作为目标视频帧。116.在一个实施例中，证件清晰条件包括：基于倾斜角度从小到大筛选出第一预设数量的视频帧。计算机设备确定各个候选视频帧分别对应的证件倾斜角度后，从各个证件倾斜角度中从小到大筛选出第一预设数量的证件倾斜角度，将所筛选出的证件倾斜角度对应的候选视频帧作为备用视频帧。117.人脸清晰条件包括：基于人脸模糊度从小到大筛选出第二预设数量的视频帧。计算机设备可确定每个备用视频帧中的立体人脸图像对应的人脸模糊度，从各个人脸模糊度中从小到大筛选出第二预设数量的人脸模糊度，将所筛选出的人脸模糊度对应的备用视频帧作为目标视频帧。人脸模糊度越小，人脸的各个部位越清晰。118.在一个实施例中，证件清晰条件包括倾斜角度阈值，人脸清晰条件包括人脸清晰度阈值。计算机设备可将各个证件倾斜角度和倾斜角度阈值进行比较，当证件倾斜角度小于或等于倾斜角度阈值时，计算机设备将证件倾斜角度小于或等于倾斜角度阈值的候选视频帧，作为备用视频帧。119.在一个实施例中，当不存在证件倾斜角度小于或等于倾斜角度阈值的候选视频帧时，选择预设数量的倾斜角度最小的候选视频帧作为备用视频帧。120.计算机设备可确定每个备用视频帧中的立体人脸图像对应的人脸模糊度，将各个人脸模糊度和人脸模糊度阈值进行比较，当人脸模糊度小于或等于人脸模糊度阈值时，计算机设备将人脸模糊度小于或等于人脸模糊度阈值的备用视频帧，作为候选视频帧。121.可以理解的是，证件清晰条件和人脸清晰条件不限定先后判断顺序，计算机设备从证件视频中抽取多于一帧的候选视频帧；对各候选视频帧中与目标证件对应的立体人脸图像进行检测，以确定各候选视频帧中立体人脸图像分别对应的人脸模糊度；基于人脸模糊度，从候选视频帧中筛选出满足人脸清晰条件的备用视频帧；对各备用视频帧中的目标证件分别进行检测，以确定各备用视频帧中的目标证件所对应的证件倾斜角度；基于证件倾斜角度，从备用视频帧中筛选满足证件清晰条件的目标视频帧。122.在一个实施例中，该第一人脸图像和第二人脸图像均为立体人脸图像。计算机设备可按照类似的方式，分别确定第一人脸图像和第二人脸图像是否满足证件清晰条件和人脸清晰条件。计算机设备将同时满足证件清晰条件和人脸清晰条件的第一视频帧和第二视频帧所在的同一候选视频帧作为目标视频帧。123.本实施例中，立体人脸图像容易受到光线和采集角度等影响，不同倾斜角度下检测到的人脸图像的清晰程度不同，则通过目标证件在证件视频中的倾斜角度和立体人脸图像的人脸模糊度能够判断目标证件是否清晰，从而能够筛选证件视频中各个部位处于清晰状态下的立体人脸图像所对应的视频帧。124.在一个实施例中，对各候选视频帧中的目标证件分别进行检测，以确定各候选视频帧中的目标证件所对应的证件倾斜角度，包括：125.对各候选视频帧中的目标证件分别进行检测，从候选视频帧中分割出包括有目标证件的候选边界区域；对于每帧候选视频帧，分别确定相应的候选边界区域与预设边界区域所形成的边界夹角，并将边界夹角作为相应候选视频帧中的目标证件所对应的证件倾斜角度。126.具体地，计算机设备针对抽取出的每帧候选视频帧，对候选视频帧中的目标证件进行检测，以从候选视频帧分割出该目标证件所在的候选边界区域，从而得到每帧候选视频帧中的目标证件所对应候选边界区域。进一步地，计算机设备可对候选视频帧进行目标检测，得到目标证件在该候选视频帧中的候选边界区域。127.计算机设备可计算每个候选边界区域与预设边界区域所形成的边界夹角，将该边界夹角作为相应候选视频帧中的目标证件所对应的证件倾斜角度。128.进一步地，预设边界区域横向边界区域和纵向边界区域。计算机设备可计算同一候选边界区域与横向边界区域所形成的边界夹角，以及该同一候选边界区域与纵向边界区域所形成的边界夹角。按照相同的处理方式，可计算得到每个候选边界区域分别与横向边界区域、纵向边界区域所形成的边界夹角，从而得到每个候选边界区域分别对应的两个证件倾斜角度。129.在本实施例中，对于每帧候选视频帧，分别确定相应的候选边界区域与预设边界区域所形成的边界夹角，该候选边界区域是目标证件在候选视频帧中所处的区域，则该边界夹角能够准确表征目标证件在证件视频中的倾斜角度。130.在一个实施例中，证件倾斜角度包括横向倾斜角度和纵向倾斜角度，预设边界区域包括横向边界区域和纵向边界区域；对于每帧候选视频帧，分别确定相应的候选边界区域与预设边界区域所形成的边界夹角，并将边界夹角作为相应候选视频帧中的目标证件所对应的证件倾斜角度，包括：131.对于每帧候选视频帧，均获取相应的候选边界区域的长度信息，以及相应候选边界区域倾斜时所对应的投影信息；对于每帧候选视频帧，均基于相应的候选边界区域的边界长度信息和对应的投影信息，计算候选边界区域与横向边界区域之间的横向倾斜角度，以及候选边界区域与纵向边界区域之间的纵向倾斜角度。132.其中，候选边界区域的长度信息包括形成该候选边界区域的横向边界长度和纵向边界长度，例如候选边界区域的长和宽。133.具体地，证件倾斜角度包括横向倾斜角度和纵向倾斜角度，预设边界区域包括横向边界区域和纵向边界区域。计算机可获取目标证件的长度信息，基于目标证件的长度信息，确定候选边界区域在相应的候选视频帧中的长度信息，并。该目标证件的长度信息是指该目标证件实际的横向边界长度和纵向边界长度，例如目标证件的真实的长和宽。134.例如，计算机设备对目标证件进行实体测量，得到目标证件的长和宽，将该目标证件的长和宽作为该目标证件的长度信息。计算机设备对目标证件进行视频采集，以得到证件视频，计算机设备可通过目标证件的长度信息和视频采集的采集倍率，确定该目标证件在视频中的长度信息。135.计算机设备可确定每个候选边界区域在横向边界区域倾斜时所对应的横向投影区域，并确定候选边界区域在纵向边界区域倾斜时所对应的纵向投影区域。计算机设备可检测横向投影区域的投影信息和纵向投影区域的投影信息。计算机根据候选边界区域的长度信息和相应横向投影区域的投影信息，计算出该候选边界区域与横向投影区域之间的横向倾斜角度。该候选边界区域与横向投影区域之间的横向倾斜角度，作为该候选边界区域与横向边界区域之间的横向倾斜角度。计算机根据候选边界区域的长度信息和相应纵向投影区域的投影信息，计算出该候选边界区域与纵向投影区域之间的纵向倾斜角度。该候选边界区域与纵向投影区域之间的纵向倾斜角度，作为该候选边界区域与纵向边界区域之间的纵向倾斜角度。136.按照相同的计算方式，计算机可计算出每个候选边界区域与横向边界区域形成的横向倾斜角度，以及和纵向边界区域形成的纵向倾斜角度。137.如图3所示，为一个实施例中计算横向倾斜角度的界面示意图。如图3中的(a)所示，为实际的目标证件s302，该目标证件s302的长度信息包括长w1和宽h1。图3中的(b)为证件视频中的一候选视频帧中的候选边界区域s304，该候选边界区域s304的长度信息包括长w2和宽h2，该候选边界区域与目标证件相似，即：[0138][0139]计算机设备确定候选边界区域s304在横向边界区域倾斜时所对应的横向投影区域s306，计算机设备可检测横向投影区域s306的投影信息，即横向投影区域s306的长和宽d。计算机设备计算h2和d的夹角α，将该夹角α作为候选边界区域s304与横向边界区域之间的横向倾斜角度。该夹角α的计算方式如下：[0140][0141]本实施例中，分别检测目标证件倾斜时在横向边界区域和纵向边界区域的投影信息，基于候选边界区域的长度信息和在横向边界区域的投影信息，能够准确计算出候选边界区域和横向边界区域所形成的倾斜角度。基于候选边界区域的长度信息和在纵向边界区域的投影信息，能够准确计算出候选边界区域和纵向边界区域所形成的倾斜角度，从而将同一候选边界区域在不同方向的两个倾斜角度作为筛选目标视频帧的条件，使得能够筛选出更清晰的目标证件所对应的目标视频帧。[0142]在一个实施例中，对各备用视频帧中与目标证件对应的立体人脸图像进行检测，以确定各备用视频帧中立体人脸图像分别对应的人脸模糊度，包括：[0143]对各备用视频帧中与目标证件对应的立体人脸图像分别进行检测，得到各备用视频帧中的人脸关键点检测结果；基于各备用视频帧中的人脸关键点检测结果，确定各备用视频帧分别对应的人脸模糊度。[0144]具体地，计算机设备可对各备用视频帧进行人脸检测，以确定各备用视频帧中与目标证件对应的立体人脸图像。计算机设备对立体人脸图像分别进行人脸关键点检测，计算机设备基于立体人脸图像对应的人脸关键点，得到人脸关键点检测结果。人脸关键点检测结果包括检测出的人脸各个部位的关键点，例如检测出左眼的关键点、右眼的关键点、鼻子的关键点、嘴巴的关键点、发际线的关键点中的至少一种。[0145]针对每一帧备用视频帧，计算机设备可获取备用视频帧的立体人脸图像中各人脸关键点的灰度值，基于各人脸关键点的灰度值计算各个人脸关键点的梯度值，并将所述各人脸关键点的梯度值进行归一化处理。计算机设备可将归一化处理后的各人脸关键点的梯度值乘积之和，作为对应的人脸模糊度。[0146]在一个实施例中，计算机设备可获取不同部位的关键点分别对应的权重，将归一化处理后的各关键点的梯度值和对应的权值的乘积之和，作为对应的人脸模糊度。[0147]本实施例中，对立体人脸图像进行人脸关键点检测，基于人脸关键点检测结果，能够从人脸的各个部位反映出图像的模糊变化。并且，仅使用人脸各个部位的关键点计算模糊度，能够减少计算量，梯度值对模糊较为敏感，使用关键点的梯度值能够准确计算图像的模糊程度。[0148]如图4所示，为一个实施例中人脸关键点检测结果的示意图。如图4中的(a)所示，能够采集出该立体人脸图像中左眼的关键点、右眼的关键点、鼻子的关键点、嘴巴的关键点、发际线的关键点。如图4中的(a)所示，能够采集出右眼的关键点、鼻子的关键点、嘴巴的关键点、发际线的关键点。如图4中的(c)所示，能够采集出右眼的关键点。如图4中的(d)所示，无法采集人脸各个部位的关键点。基于关键点的梯度值可确定图4中(a)、(b)、(c)和(d)模糊度：(a)《(b)《(c)《(d)。[0149]在一个实施例中，每组目标图像处理参数包括至少一种图像处理方式各自所对应的处理子参数；基于各组目标图像处理参数分别对第一人脸图像进行图像增强处理，得到至少一张的第三人脸图像，包括：[0150]对于每组目标图像处理参数，基于相应的处理子参数，并按照各个处理子参数分别对应的图像处理方式，依次对第一人脸图像进行图像增强处理，直至得到相对应的第三人脸图像；多种图像处理方式包括去条纹、锐化、去白噪声中的至少一种方式。[0151]其中，去条纹可通过去条纹参数实现，去条纹参数对应的图像处理方式可为小波变换，但不限于此。该去条纹参数可包括小波变换类型和小波变换次数。小波变换是通过空间域和频率域之间的局部变换、或者时间域和频率域之间的局部变换，从图像信号中提取出感兴趣的信息。小波变换类型包括haar wavelet、symlets wavelets、daubechies wavelets等，但不限于此。进一步地，daubechies wavelets还分为多种小波，例如db1、db2...dbn。symlets wavelets还分为多种小波，例如sym1，sym2，...symn。[0152]小波变换次数是指小波分解的深度，小波变换次数可以是1次、2次、3次等，但不限于此。不同的小波变换次数具有不同的处理方式，例如小波变换次数为1时，小波首先正向变换一次，分解出一个低频信息和3个高频子带，低频信息是指平均信息，3个高频子带是指水平、垂直和对角子带。小波变换次数为2时，小波首先正向变换一次，分解出一个低频信息和3个高频子带：水平、垂直和对角子带。对角子带包括规律噪声如条纹和白噪声等，然后在低频信息上再次分解，变换两次后将水平和垂直子带图像置零，然后用两次反向小波变换转换为无噪声图像。[0153]锐化是指增强图像的对比效果，可通过直方图均衡化方式实现，但不限于此。直方图均衡化是对于不同饱和度和亮度的图像区域赋予不同的权重进行直方图均衡。图像均衡化处理后，图像的直方图是平直的，即各灰度级具有相同的出现频数，由于灰度级具有均匀的概率分布，图像变得更清晰。[0154]去白噪声对应的图像处理方式可为均值滤波，但不限于此。[0155]具体地，每组目标图像处理参数包括至少一种图像处理方式各自所对应的处理子参数。例如，去条纹处理所对应的去条纹参数，锐化处理所对应的锐化参数，去白噪声所对应的去白噪声参数。去条纹处理可包括去除横条纹、竖条纹、斜向条纹中的至少一种。[0156]针对获取的每组目标图像处理参数，计算机设备可获取目标图像处理参数中的处理子参数，根据各处理子参数对应的图像处理方式和处理顺序对第一人脸图像进行相应的处理。并且，对于同一组目标图像处理参数中各个处理子参数，将上一个处理子参数处理得到的图像作为下一处理子参数处理的对象。[0157]在一个实施例中，去条纹参数对应的图像处理方式为小波变换，锐化参数对应的图像处理方式为直方图均衡化，去白噪声参数对应的处理方式为均值滤波。例如，一组目标图像处理参数中包括三个处理子参数：去条纹参数、锐化参数、去白噪声参数。计算机设备可通过去条纹参数对应的小波变换方式对第一人脸图像进行去条纹处理，通过锐化参数对应的直方图均衡化方式对条纹处理后得到的图像进行锐化处理，再通过去白噪声参数对应的均值滤波方式对锐化参数处理后得到的图像进行去白噪声处理，得到该组目标图像处理参数对应的第三人脸图像。[0158]本实施例中，对于每组目标处理参数，按照每组目标图像处理参数中的处理子参数分别对应的图像处理方式，依次对第一人脸图像进行去条纹、锐化、去白噪声等处理，从而得到去条纹、锐化、去白噪声后的第三人脸图像。每张第三人脸图像去条纹、锐化、去白噪声的处理子参数不同，则每张第三人脸图像去条纹、锐化和去白噪声的程度不同，从而得到多张图像增强处理程度不同的第三人脸图像。[0159]在一个实施例中，将每个第三人脸图像分别与第二人脸图像进行比对，得到对应的图像比对结果，并根据图像比对结果确定目标证件的身份验证结果，包括：[0160]计算每个第三人脸图像分别与第二人脸图像之间的相似度；确定相似度中的最大值，当最大值大于预设相似度阈值时，确定目标证件的身份验证结果为验证通过。[0161]具体地，针对每个第三人脸图像，计算机设备计算第三人脸图像和第二人脸图像之间的相似度，得到各个相似度。计算机设备可确定各个相似度中的最大值，将最大值对应的相似度与预设相似度阈值进行对比。当最大值大于预设相似度阈值时，确定目标证件的身份验证结果为验证通过。[0162]本实施例中，计算经过图像增强处理后的每个第三人脸图像分别与第二人脸图像之间的相似度，从而能够基于最大相似度和预设相似度阈值的比较结果，准确判断目标证件的身份验证结果。[0163]在一个实施例中，第一人脸图像为立体人脸图像，该方法还包括：从证件视频中获取对应于不同视角的多帧待比较视频帧；对多帧待比较视频帧中的立体人脸图像进行比对，得到对应的角度比较结果；[0164]根据图像比对结果确定目标证件的身份验证结果，包括：根据图像比较结果和角度比较结果，确定目标证件的身份验证结果。[0165]具体地，计算机设备从证件视频中，获取目标证件不同程度倾斜时分别对应的待比较视频帧，例如获取证件视频中目标证件倾斜10°、15°、30°分别对应的视频帧，得到待比较视频帧。[0166]计算机设备可对每帧待比较视频帧进行目标人脸检测，以确定每帧待比较视频帧中的立体人脸图像。计算机设备可将各个立体人脸图像进行比对，得到对应的角度比较结果。进一步地，计算机设备可计算各个立体人脸图像之间的相似度或差异度。[0167]计算机设备根据各个图像比对结果和各个角度比较结果，确定目标证件的身份验证结果。进一步地，计算机设备根据图像比对结果获得目标证件的第一验证结果，根据角度比较结果获得目标证件的第二验证结果。当第一验证结果和第二验证结果相同时，判定目标证件的身份验证成功。当第一验证结果和第二验证结果不相同时，判定目标证件的身份验证失败。[0168]本实施例中，在不同视角下检测到的立体人脸图像的变化较大，获取证件视频中不同视角的多帧待比较视频帧，以比较不同视角下的立体人脸图像，从而确定不同视角下的立体人脸图像之间的相似度或差异度。相似度低或差异度大表示该立体人脸图像可能由多张不同的人脸图像融合得到，则该立体人脸图像为伪造的人脸图像。基于不同视角下的立体人脸图像之间的相似度或差异度，能够识别出立体人脸图像是否为伪造人脸，从而提高对目标证件进行身份验证的准确性。结合图像比较结果和角度比较结果，能够使用两种不同的方式对目标证件进行身份验证，进一步提高身份验证的准确性，从而提高用户信息的安全性。[0169]如图5所示，为一个实施例中身份验证的应用场景。[0170]前端通过sdk(软件开发工具包)采集证件视频，将证件视频发送至后台。后台使用各个实施例中的身份验证方法，对证件视频中的目标证件进行身份验证，得到身份验证结果。后台将身份验证结果返回前端。前端基于身份验证结果进行相应的相应，当身份验证结果为验证成功时，则允许用户进行相应的业务处理。当身份验证结果为验证失败时，则拒绝用户进行任何业务处理，或者提示该目标证件存在异常。[0171]例如，用户需要在银行办理业务，则通过各个实施例中的身份验证方法对用户的身份证进行验证，验证成功则允许用户办理相关的银行业务，例如办理银行账户、银行卡、修改个人信息、查询个人信息等。[0172]在一个实施例中，如图6所示，该方法还包括：[0173]步骤s602，获取样本证件图像，并确定各样本证件图像分别所属的样本类别。[0174]其中，样本类别包括正类和负类。正类表示该样本证件图像为真实证件图像，即该样本证件图像中的第一样本人脸图像和第二样本人脸图像为同一人的人脸图像。负类表示该样本证件图像为伪造证件图像，即该样本证件图像中的第一样本人脸图像和第二样本人脸图像并非同一人的人脸图像。[0175]具体地，计算机设备可获取对样本证件进行视频采集所得到的样本证件视频。计算机设备可从样本证件视频中提取各样本视频帧，并从各样本视频帧中分割出样本证件图像，得到各个样本证件图像。样本证件中的第一样本人脸图像可以为真实的人脸图像，也可以是伪造的人脸图像。[0176]步骤s604，从样本证件图像中提取出第一样本人脸图像和第二样本人脸图像，第一样本人脸图像的图像尺寸小于第二样本人脸图像的图像尺寸。[0177]具体地，样本证件图像中包含第一样本人脸图像和第二样本人脸图像。该第一人脸图像的图像尺寸小于第二人脸图像的图像尺寸。针对每帧样本视频帧，计算机设备可对样本视频帧进行人脸检测，以分割出样本视频帧中的第一样本人脸图像和第二样本人脸图像。[0178]在一个实施例中，该第一样本人脸图像为立体人脸图像，该第二样本人脸图像为平面人脸图像。[0179]在其中一个实施例中，该第一样本人脸图像和第二样本人脸图像均为立体人脸图像。[0180]步骤s606，获取多组候选图像处理参数，并基于各组候选图像处理参数分别对第一样本人脸图像进行图像增强处理，得到与每组候选图像处理参数分别对应的第三样本人脸图像。[0181]具体地，计算机设备获取多组候选图像处理参数，该多组指至少两组。针对所获取的每组候选图像处理参数，通过候选图像处理参数对第一样本人脸图像进行图像增强处理，得到该组候选图像处理参数对应的第三样本人脸图像，从而得到每组候选图像处理参数分别对应的第三样本人脸图像。[0182]在一个实施例中，每组图像处理参数中包括多个处理子参数，每个处理子参数对应各自的图像处理方式。针对每组候选图像处理参数，计算机设备获取候选图像处理参数中各个处理子参数，按照每种处理子参数对应的处理顺序对第一人脸图像进行图像增强处理。并且，对于同一组候选图像处理参数中的各个处理子参数，将上一个处理子参数处理得到的图像作为下一处理子参数处理的对象，直至得到最后一处理子参数对应的图像处理方式所处理得到的第三样本人脸图像。[0183]步骤s608，将各第三样本人脸图像分别与相应的第二样本人脸图像进行比对，得到对应的样本图像比对结果。[0184]其中，样本图像比对结果包括第三样本人脸图像分别与第二样本人脸图像之间的相似度、差异度中的至少一种。[0185]具体地，针对每个第三样本人脸图像，计算机设备计算第三样本人脸图像和第二样本人脸图像之间的相似度，将相似度作为样本图像比对结果。[0186]在一个实施例中，针对每个第三样本人脸图像，计算机设备计算第三样本人脸图像和第二样本人脸图像之间的差异度，将差异度作为样本图像比对结果。[0187]步骤s610，基于样本图像比对结果和样本类别，从多组候选图像处理参数中筛选出至少一组的目标图像处理参数。[0188]具体地，计算机设备根据各个样本比对结果和相应的样本类别生成特征曲线，并基于特征曲线确定对应的特征面积。计算机设备基于特征面积从多组候选图像处理参数中，筛选出满足面积匹配条件的候选图像处理参数作为目标图像处理参数。[0189]特征曲线可以roc曲线(receiver operating characteristic curve，受试者工作特征曲线)，又称为感受性曲线(sensitivity curve)。受试者工作特征曲线就是以假阳性概率(false positive rate，简称fpr)为横轴，真阳性概率(true positive rate，简称tpr)为纵轴所组成的坐标图，和受试者在特定刺激条件下由于采用不同的判断标准得出的不同结果画出的曲线。[0190]将样本证件图像分成正类(positive)或负类(negative)。对一个二分类来说，存在4种情况：正类的样本证件图像被预测成正类，即为真正类(true positive，简称tp)；负类的样本证件图像被预测成正类，称之为假正类(false positive，简称fp)；一个是负类的样本证件图像被预测成负类，称之为真负类(true negative，简称tn)；正类的样本证件图像被预测成负类，称为假负类(false negative，简称fn)。[0191]真阳性概率tpr是指真正类tp的数量占所有正类的样本证件图像数量的比例，计算公式是tpr＝tp/(tp+fn)。假阳性概率fpr是指被识别为正类，但实际是负类的样本证件图像数量占所有负类的样本证件图像数量的比例，计算公式是fpr＝fp/(fp+tn)。特征面积可以是auc面积(area under curve，roc曲线下面积)。[0192]在一个实施例中，针对每组候选图像处理参数，计算机设备确定每组候选图像处理参数对应的各个样本图像比对结果。例如有3组图像处理参数，100个样本证件图像，则每组图像处理参数分别对100个样本证件处理中的第一样本人脸图像进行图像增强处理，以每组图像处理参数分别对应的100个样本图像比对结果。计算机设备根据每组候选图像处理参数对应的各个样本图像比对结果和对应的样本类别，计算该组候选图像处理参数对应的假阳性概率和真阳性概率。按照相同的方式，计算机设备可得到每组候选图像处理参数对应的假阳性概率和真阳性概率。根据假阳性概率和真阳性概率绘制roc曲线。[0193]计算机设备根据所绘制的特征曲线，计算每个特征曲线下所包含的特征面积。计算机设备可从多个特征面积中，选择大于面积阈值的特征面积所对应的候选图像处理参数作为目标图像处理参数，得到至少一组目标图像处理参数。[0194]在一个实施例中，计算机设备可从多个特征面积中，从大到小筛选出预设数量的特征面积，将预设数量的特征面积所对应的各组候选图像处理参数作为目标图像处理参数。[0195]在本实施例中，从样本证件图像中提取出第一样本人脸图像和第二样本人脸图像，第一样本人脸图像的图像尺寸小于第二样本人脸图像的图像尺寸，则第一样本人脸图像更容易受到图像采集时的光线、角度的影响，通过各组目标图像处理参数分别对第一样本人脸图像进行图像增强处理，以去除图像采集的角度、光线等对第一样本人脸图像产生的影响，得到不同程度的图像增强处理后的各张第三样本人脸图像。在排除角度、光线等产生的干扰后，将各第三样本人脸图像分别与相应的第二样本人脸图像进行比对，得到对应的样本图像比对结果，基于样本图像比对结果和样本类别之间的差异，能够从多组候选图像处理参数中，筛选出去除角度、光线所产生的干扰效果最好的至少一组目标图像处理参数。通过目标图像处理参数对目标证件进行身份验证，能够准确鉴别出目标证件的真伪，提高身份验证的准确性。[0196]在一个实施例中，获取多组候选图像处理参数，并基于各组候选图像处理参数分别对第一样本人脸图像进行图像增强处理，得到与每组候选图像处理参数分别对应的第三样本人脸图像，包括：[0197]从样本参数集中，确定当前迭代所对应的当前候选图像处理参数，并获取通过前次迭代筛选出的备用图像处理参数；[0198]基于当前候选图像处理参数和备用图像处理参数，分别对第一样本人脸图像进行图像增强处理，得到与各组图像处理参数分别对应的第三样本人脸图像；[0199]基于样本图像比对结果和样本类别，从多组候选图像处理参数中筛选出至少一组的目标图像处理参数，包括：[0200]对于当次迭代中的各组图像处理参数，根据相应的样本图像比对结果和相应的样本类别生成特征曲线，并基于特征曲线确定对应的特征面积，并基于特征面积筛选出当次迭代中满足面积匹配条件的备用图像处理参数；[0201]从样本参数集中选择未参与迭代计算的候选图像处理参数，作为下次迭代所对应的当前候选图像处理参数，并将当前迭代筛选出的备用图像处理参数作为下一次迭代所需的备用图像处理参数；[0202]返回基于当前候选图像处理参数和备用图像处理参数，分别对第一样本人脸图像进行图像增强处理，得到与各组图像处理参数分别对应的第三样本人脸图像的步骤继续执行，直至遍历样本参数集中的所有候选图像处理参数后停止，基于最后一次迭代得到的特征面积筛选出最后一次迭代中满足面积匹配条件的图像处理参数；[0203]将最后一次迭代中满足面积匹配条件的图像处理参数，作为目标图像处理参数。[0204]样本参数集中存在多组候选图像处理参数，计算机设备每次迭代可使用预设组数的候选图像处理参数对第一样本人脸图像进行图像增强处理。例如10组、15组、20组，但不限于此。首次迭代，计算机设备从样本参数集中获取预设组数的候选图像处理参数，分别对第一样本人脸图像进行图像增强处理，获得每组候选图像处理参数分别对应的样本图像比对结果，计算机设备基于每组样本图像比对结果和相应的样本类别生成特征曲线，并基于特征曲线确定对应的特征面积，并基于特征面积从首次迭代使用的各组候选图像处理参数中，筛选出满足面积匹配条件的备用图像处理参数。[0205]从第二次迭代开始，获取前次迭代筛选出的备用图像处理参数，并从样本集中获取当前候选图像处理参数，以进行下一次的迭代处理。备用图像处理参数的组数和当前候选图像处理参数的组数之和为预设组数。[0206]根据当前候选图像处理参数和备用图像处理参数，分别对对第一样本人脸图像进行图像增强处理，得到与各组图像处理参数分别对应的第三样本人脸图像。该各组图像处理参数包括当前候选图像处理参数和备用图像处理参数。[0207]针对每组图像处理参数，计算机设备确定每组图像处理参数对应的各个样本图像比对结果。计算机设备根据每组图像处理参数对应的各个样本图像比对结果和对应的样本类别，计算该每组图像处理参数对应的假阳性概率和真阳性概率。基于每组图像处理参数对应的假阳性概率和真阳性概率，分别绘制得到每组对应的特征曲线。根据特征曲线计算得到对应的特征面积，得到每组对应的特征面积。计算机设备可从多个特征面积中，从大到小筛选出预设数量的特征面积，将预设数量的特征面积所对应的各组图像处理参数作为备用图像处理参数。例如，筛选出最大的3个特征面积所对应的三组图像处理参数，作为备用图像处理参数。[0208]计算机设备从样本集中获取未参与迭代计算的候选图像处理参数，作为下次迭代所对应的当前候选图像处理参数。将当前迭代筛选出的备用图像处理参数作为下一次迭代所需的备用图像处理参数，备用图像处理参数的组数和当前候选图像处理参数的组数之和为预设组数。[0209]计算机设备获得下次迭代所对应的当前候选图像处理参数和备用图像处理参数后，返回基于当前候选图像处理参数和备用图像处理参数，分别对第一样本人脸图像进行图像增强处理，得到与各组图像处理参数分别对应的第三样本人脸图像步骤继续执行。每次迭代计算机设备可从多个特征面积中，从大到小筛选出预设数量的特征面积，将预设数量的特征面积所对应的各组图像处理参数作为下次迭代的备用图像处理参数。[0210]按照上述迭代处理，直至遍历样本参数集中的所有候选图像处理参数后停止，基于最后一次迭代得到的特征面积，从大到小筛选出预设数量的特征面积，将预设数量的特征面积所对应的各组图像处理参数作为目标图像处理参数。[0211]本实施例中，通过每次迭代计算出的每组图像处理参数所对应的特征面积，并基于特征面积筛选出当次迭代中满足面积匹配条件的图像处理参数，能够筛选出本次迭代中图像增强处理效果最好的各组图像处理参数。从样本参数集中选择未参与迭代计算的候选图像处理参数和上次迭代筛选出的各组图像处理参数，继续进行下一次的迭代计算，每次迭代计算中均可筛选出图像增强处理效果最好的各组图像处理参数。基于对样本参数集中的各组候选图像处理参数的遍历，通过遍历迭代能够不断地对各组图像处理参数进行筛选，直至遍历结束、自动筛选出图像增强处理效果最好各组图像处理参数。[0212]在一个实施例中，如图7所示，提供了一种图像识别模型的训练方法，以该方法应用于图1中的计算机设备(该计算机设备具体可以是图1中的终端或服务器)为例进行说明，包括以下步骤：[0213]步骤s702，获取样本证件图像，并确定各样本证件图像分别所属的样本类别。[0214]其中，样本类别包括正类和负类。正类表示该样本证件图像为真实证件图像，即该样本证件图像中的第一样本人脸图像和第二样本人脸图像为同一人的人脸图像。负类表示该样本证件图像为伪造证件图像，即该样本证件图像中的第一样本人脸图像和第二样本人脸图像并非同一人的人脸图像。[0215]具体地，计算机设备可获取对样本证件进行视频采集所得到的样本证件视频。计算机设备可从样本证件视频中提取各样本视频帧，并从各样本视频帧中分割出样本证件图像，得到各个样本证件图像。样本证件中的第一样本人脸图像可以为真实的人脸图像，也可以是伪造的人脸图像。[0216]在一个实施例中，可采集100个在不同环境下采集的证件视频进行训练。计算机设备可证件视频中的第一样本人脸图像进行人脸关键点标注，如图4所示，标注人脸各个部位的关键点，例如左眼的关键点、右眼的关键点、鼻子的关键点、嘴巴的关键点、发际线的关键点等，以方便后续通过人脸关键点检测第一样本人脸图像的人脸模糊度。[0217]步骤s704，从样本证件图像中提取出第一样本人脸图像和第二样本人脸图像，第一样本人脸图像的图像尺寸小于第二样本人脸图像的图像尺寸。[0218]具体地，样本证件图像中包含第一样本人脸图像和第二样本人脸图像。该第一人脸图像的图像尺寸小于第二人脸图像的图像尺寸。针对每帧样本视频帧，计算机设备可对样本视频帧进行人脸检测，以分割出样本视频帧中的第一样本人脸图像和第二样本人脸图像。[0219]在一个实施例中，该第一样本人脸图像为立体人脸图像，该第二样本人脸图像为平面人脸图像。[0220]在其中一个实施例中，该第一样本人脸图像和第二样本人脸图像均为立体人脸图像。[0221]步骤s706，通过待训练的图像识别模型中的各组候选图像处理参数分别对第一样本人脸图像进行图像增强处理，得到与每组候选图像处理参数分别对应的第三样本人脸图像。[0222]具体地，计算机设备将第一样本人脸图像、第二样本图像和对应的样本类别输入待训练的图像识别模型。待训练的图像识别模型通过各组候选图像处理参数分别对第一样本人脸图像进行图像增强处理，得到每组候选图像处理参数分别对应的第三样本人脸图像。[0223]在一个实施例中，每组图像处理参数中包括多个处理子参数，每个处理子参数对应各自的图像处理方式。针对每组候选图像处理参数，待训练的图像识别模型基于每组候选图像处理参数中各个处理子参数，按照每种处理子参数对应的处理顺序对第一人脸图像进行图像增强处理。并且，对于同一组候选图像处理参数中的各个处理子参数，将上一个处理子参数处理得到的图像作为下一处理子参数处理的对象，直至得到最后一处理子参数对应的图像处理方式所处理得到的第三样本人脸图像。[0224]步骤s708，将各第三样本人脸图像分别与相应的第二样本人脸图像进行比对，得到对应的样本图像比对结果。[0225]其中，样本图像比对结果包括第三样本人脸图像分别与第二样本人脸图像之间的相似度、差异度中的至少一种。[0226]具体地，针对每个第三样本人脸图像，待训练的图像识别模型计算第三样本人脸图像和第二样本人脸图像之间的相似度，将相似度作为样本图像比对结果。[0227]在一个实施例中，针对每个第三样本人脸图像，待训练的图像识别模型计算第三样本人脸图像和第二样本人脸图像之间的差异度，将差异度作为样本图像比对结果。[0228]步骤s710，基于样本图像比对结果和样本类别对待训练的图像识别模型进行训练，直至达到训练停止条件时停止，得到训练好的目标图像识别模型；训练好的目标图像识别模型中包括至少一组的目标图像处理参数，以用于对目标证件进行身份验证。[0229]具体地，计算机设备根据每组候选图像处理参数分别对应的各个样本比对结果和相应的样本类别，生成每组候选图像处理参数对应的特征曲线。计算机设备基于每组候选图像处理参数对应的特征曲线，计算每组候选图像处理参数对应的特征面积。计算机设备基于特征面积从多组候选图像处理参数中，筛选出满足面积匹配条件的候选图像处理参数。[0230]计算机设备从样本参数集中获取候选图像处理参数，将筛选出的候选图像处理参数和从样本参数集中获取候选图像处理参数，作为图像识别模型下一次训练的图像处理参数，并继续训练。直至遍历样本参数集中的所有候选图像处理参数后停止，将最后一次从样本参数集中获取的候选图像处理参数和上一次筛选出的候选图像处理参数，作为图像识别模型最后一次训练的图像处理参数。基于最后一次训练获得的每组图像处理参数对应的特征面积，从多组候选图像处理参数中，筛选出满足面积匹配条件的图像处理参数作为图像识别模型的目标图像处理参数，得到训练好的图像识别模型。[0231]计算机设备可从多个特征面积中，选择大于面积阈值的特征面积所对应的图像处理参数作为目标图像处理参数，得到至少一组目标图像处理参数。[0232]在一个实施例中，计算机设备可从多个特征面积中，从大到小筛选出预设数量的特征面积，将预设数量的特征面积所对应的各组图像处理参数作为目标图像处理参数。[0233]在本实施例中，从样本证件图像中提取出第一样本人脸图像和第二样本人脸图像，第一样本人脸图像的图像尺寸小于第二样本人脸图像的图像尺寸，则第一样本人脸图像更容易受到图像采集时的光线、角度的影响。通过待训练的图像识别模型中各组目标图像处理参数分别对第一样本人脸图像进行图像增强处理，以去除图像采集的角度、光线等对第一样本人脸图像产生的影响，得到不同程度的图像增强处理后的各张第三样本人脸图像。在排除角度、光线等产生的干扰后，将各第三样本人脸图像分别与相应的第二样本人脸图像进行比对，得到对应的样本图像比对结果，基于样本图像比对结果和样本类别之间的差异，能够从多组图像处理参数中筛选出图像增强效果最好的目标图像处理参数。通过训练好的图像识别模型对目标证件进行身份验证，能够准确鉴别出目标证件的真伪，提高身份验证的准确性。训练好的图像识别模型识别精度高，计算速度快，能够提高对目标证件的身份验证的效率。[0234]在一个实施例中，如图8所示，通过待训练的图像识别模型中的各组候选图像处理参数分别对第一样本人脸图像进行图像增强处理，得到与每组候选图像处理参数分别对应的第三样本人脸图像，包括：[0235]步骤s802，从待训练的图像识别模型中的样本参数集中，确定当前迭代所对应的当前候选图像处理参数，并获取通过前次迭代筛选出的备用图像处理参数。[0236]具体地，样本参数集中存在多组候选图像处理参数，图像识别模型每次迭代可使用预设组数的候选图像处理参数对第一样本人脸图像进行图像增强处理。例如10组、15组、20组，但不限于此。首次迭代，待训练的图像识别模型从样本参数集中获取预设组数的候选图像处理参数，分别对第一样本人脸图像进行图像增强处理，获得每组候选图像处理参数分别对应的样本图像比对结果，待训练的图像识别模型基于每组样本图像比对结果和相应的样本类别生成特征曲线，并基于特征曲线确定对应的特征面积，并基于特征面积从首次迭代使用的各组候选图像处理参数中，筛选出满足面积匹配条件的备用图像处理参数。[0237]从第二次迭代开始，获取前次迭代筛选出的备用图像处理参数，并从样本集中获取当前候选图像处理参数，以进行下一次的迭代处理。备用图像处理参数的组数和当前候选图像处理参数的组数之和为预设组数。[0238]步骤s804，基于当前候选图像处理参数和备用图像处理参数，分别对第一样本人脸图像进行图像增强处理，得到与各组图像处理参数分别对应的第三样本人脸图像。[0239]具体地，图像识别模型根据当前候选图像处理参数和备用图像处理参数，分别对对第一样本人脸图像进行图像增强处理，得到与各组图像处理参数分别对应的第三样本人脸图像。该各组图像处理参数包括当前候选图像处理参数和备用图像处理参数。[0240]基于样本图像比对结果和样本类别对待训练的图像识别模型进行训练，直至达到训练停止条件时停止，得到训练好的目标图像识别模型，包括：[0241]步骤s806，对于当次迭代中的各组图像处理参数，根据相应的样本比对结果和相应的样本类别生成特征曲线，并基于特征曲线确定对应的特征面积，并基于特征面积筛选出当次迭代中满足面积匹配条件的备用图像处理参数。[0242]具体地，针对每组图像处理参数，图像识别模型确定每组图像处理参数对应的各个样本图像比对结果。获取多个识别阈值，针对每个识别阈值，图像识别模型根据每组图像处理参数对应的各个样本图像比对结果和识别阈值，得到各个样本证件图像的预测类别，该预测类别是指该样本证件图像为真实证件图像或伪造证件图像。根据每组图像处理参数对应的各个样本证件图像的预测类别和对应的样本类别，计算该每组图像处理参数在该识别阈值下，对应的假阳性概率和真阳性概率。按照相同的处理方式，得到每组图像处理参数在各个识别阈值下，分别对应的假阳性概率和真阳性概率。[0243]将同一组图像处理参数在一个识别阈值下的假阳性概率和真阳性概率作为一个坐标，由此得到同一组图像处理参数各个识别阈值下分别对应的坐标，基于该各个坐标绘制得到该组图像处理参数对应的特征曲线。按照相同的处理方式，可得到每组图像处理参数对应的特征曲线。[0244]根据特征曲线计算得到对应的特征面积，得到每组对应的特征面积。图像识别模型可从多个特征面积中，从大到小筛选出预设数量的特征面积，将预设数量的特征面积所对应的各组图像处理参数作为备用图像处理参数。例如，筛选出最大的3个特征面积所对应的三组图像处理参数，作为备用图像处理参数。[0245]步骤s808，从样本参数集中选择未参与迭代计算的候选图像处理参数，作为下次迭代所对应的当前候选图像处理参数，并将当前迭代筛选出的备用图像处理参数作为下一次迭代所需的备用图像处理参数。[0246]具体地，图像识别模型从样本集中获取未参与迭代计算的候选图像处理参数，作为下次迭代所对应的当前候选图像处理参数。将当前迭代筛选出的备用图像处理参数作为下一次迭代所需的备用图像处理参数，备用图像处理参数的组数和当前候选图像处理参数的组数之和为预设组数。[0247]步骤s810，返回基于当前候选图像处理参数和备用图像处理参数，分别对第一样本人脸图像进行图像增强处理，得到与各组图像处理参数分别对应的第三样本人脸图像的步骤继续执行，直至遍历样本参数集中的所有候选图像处理参数后停止训练，得到训练好的目标图像识别模型。[0248]图像识别模型获得下次迭代所对应的当前候选图像处理参数和备用图像处理参数后，返回基于当前候选图像处理参数和备用图像处理参数，分别对第一样本人脸图像进行图像增强处理，得到与各组图像处理参数分别对应的第三样本人脸图像步骤继续执行。每次迭代图像识别模型可从多个特征面积中，从大到小筛选出预设数量的特征面积，将预设数量的特征面积所对应的各组图像处理参数作为下次迭代的备用图像处理参数。[0249]按照上述迭代处理，直至遍历样本参数集中的所有候选图像处理参数后停止，基于最后一次迭代得到的特征面积，从大到小筛选出预设数量的特征面积，将预设数量的特征面积所对应的各组图像处理参数作为目标图像处理参数。[0250]本实施例中，通过图像识别模型每次迭代计算出的每组图像处理参数所对应的特征面积，并基于特征面积筛选出当次迭代中满足面积匹配条件的图像处理参数，能够筛选出本次迭代中图像增强处理效果最好的各组图像处理参数。从样本参数集中选择未参与迭代计算的候选图像处理参数和上次迭代筛选出的各组图像处理参数，继续进行下一次的迭代计算，每次迭代计算中均可筛选出图像增强处理效果最好的各组图像处理参数。基于对样本参数集中的各组候选图像处理参数的遍历，通过遍历迭代能够不断地对各组图像处理参数进行筛选，直至遍历结束、图像识别模型能够自动筛选出图像增强处理效果最好各组图像处理参数。通过训练好的图像识别模型中各组目标图像处理参数对目标证件进行身份验证，能够准确鉴别出目标证件的真伪，提高身份验证的准确性。[0251]本实施例的目标图像识别模型和其他方式的图像识别模型在相同的测试集上的误识率far和拒识率frr对比如下，测试集为a地区的一代身份证和二代身份证：[0252][0253]可见，该训练好的目标图像识别模型十分稳定，在多个测试集上测试的误识率far和拒识率frr均小于5％，比其他方式的图像识别模型的效果有大幅度提升。[0254]如图9所示，为一个实施例中图像识别模型的一组候选图像处理参数进行图像增强处理的流程示意图。[0255]步骤s902，计算机设备从各个样本证件图像中提取出第一样本人脸图像和第二样本人脸图像，所述第一样本人脸图像的图像尺寸小于所述第二样本人脸图像的图像尺寸，第一样本人脸图像为立体人脸图像。[0256]步骤s904，针对每个第一样本人脸图像，图像识别模型对第一样本人脸图像的红色通道、绿色通道和蓝色通道分别进行小波变换处理，以去除第一人脸图像中的条纹。该小波变换处理通过使用小波变换函数和小波变换次数实现。[0257]步骤s906，图像识别模型通过dhe(dynamic histogram equalization)算法对条纹后的图像进行锐化处理，以提高图像的对比度。[0258]步骤s908，图像识别模型通过去白噪声参数对提高对比度后的图像去除白噪声，以获得步骤s910的第三样本人脸图像，从而得到每个第一样本人脸图像分别对应的第三样本人脸图像。[0259]步骤s912，图像识别模型对比各个第三样本人脸图像和相应的第二样本人脸图像，以得到步骤s914的各个相似度。[0260]步骤s916，基于各个相似度绘制得到该组图像处理参数对应的特征曲线，并计算特征曲线下的特征面积。[0261]如图10所示，为一个实施例中图像识别模型的测试流程示意图。[0262]步骤s1002计算机设备可对目标证件进行视频采集，得到对应的证件视频。该目标证件中包含一张大尺寸的人脸图像和一张小尺寸的人脸图像，即大人脸和小人脸。[0263]步骤s1004，从该证件视频中筛选出15帧候选视频帧，执行步骤s1006，即对每帧候选视频帧进行分割以及倾斜角度计算，基于倾斜角度从15帧候选视频帧中筛选出满足证件清晰条件的备用视频帧。[0264]步骤s1008，通过对备用视频帧中的小人脸进行人脸模糊度判断。基于所述人脸模糊度，从所述备用视频帧中筛选出满足人脸清晰条件的目标视频帧。[0265]步骤s1010，对筛选出的目标视频帧进行目标人脸检测，分割出目标视频帧中的小人脸。[0266]步骤s1012，通过训练好的图像识别模型中的各组目标图像处理参数分别对小人脸进行图像增强处理，得到各组图像增强处理后的小人脸。[0267]步骤s1014，将图像增强处理后的小人脸分别和对应的大人脸进行对比，得到对比分，基于对比分实现对图像识别模型的测试。[0268]在一个实施例中，计算机设备可使用300个真实证件的真实证件视频和50个换脸证件的伪造证件视频进行测试。[0269]在一个实施例中，提供了一种身份验证方法，包括：[0270]步骤(s1)，获取样本证件图像，并确定各样本证件图像分别所属的样本类别；从样本证件图像中提取出第一样本人脸图像和第二样本人脸图像，第一样本人脸图像的图像尺寸小于第二样本人脸图像的图像尺寸，第一样本人脸图像为立体人脸图像。[0271]步骤(s2)，通过待训练的图像识别模型中的各组候选图像处理参数分别对第一样本人脸图像进行图像增强处理，得到与每组候选图像处理参数分别对应的第三样本人脸图像。[0272]步骤(s3)，将各第三样本人脸图像分别与相应的第二样本人脸图像进行比对，得到对应的样本图像比对结果。[0273]步骤(s4)，根据相应的样本比对结果和相应的样本类别生成特征曲线，并基于特征曲线确定对应的特征面积，并基于特征面积从大到小筛选出三组满足面积匹配条件的备用图像处理参数。[0274]步骤(s5)，从待训练的图像识别模型中的样本参数集中，确定当前迭代所对应的当前候选图像处理参数，并获取通过前次迭代筛选出的备用图像处理参数；基于当前候选图像处理参数和备用图像处理参数，分别对第一样本人脸图像进行图像增强处理，得到与各组图像处理参数分别对应的第三样本人脸图像。[0275]步骤(s6)，对于当次迭代中的各组图像处理参数，根据相应的样本比对结果和相应的样本类别生成特征曲线，并基于特征曲线确定对应的特征面积，并基于特征面积筛选出当次迭代中满足面积匹配条件的备用图像处理参数。[0276]步骤(s7)，从样本参数集中选择未参与迭代计算的候选图像处理参数，作为下次迭代所对应的当前候选图像处理参数，并将当前迭代筛选出的备用图像处理参数作为下一次迭代所需的备用图像处理参数。[0277]步骤(s8)，返回基于当前候选图像处理参数和备用图像处理参数，分别对第一样本人脸图像进行图像增强处理，得到与各组图像处理参数分别对应的第三样本人脸图像的步骤继续执行，直至遍历样本参数集中的所有候选图像处理参数后停止训练，得到训练好的目标图像识别模型。[0278]步骤(s9)，获取对目标证件进行视频采集所得到的证件视频，将证件视频输入目标图像识别模型，目标图像识别模型从证件视频中抽取多于一帧的候选视频帧。[0279]步骤(s10)，目标图像识别模型对各候选视频帧中的目标证件分别进行检测，从候选视频帧中分割出包括有目标证件的候选边界区域。[0280]步骤(s11)，对于每帧候选视频帧，均获取相应的候选边界区域的长度信息，以及相应候选边界区域倾斜时所对应的投影信息。[0281]步骤(s12)，对于每帧候选视频帧，均基于相应的候选边界区域的边界长度信息和对应的投影信息，计算候选边界区域与横向边界区域之间的横向倾斜角度，以及候选边界区域与纵向边界区域之间的纵向倾斜角度；基于横向倾斜角度和纵向倾斜角度，从候选视频帧中筛选满足证件清晰条件的备用视频帧。[0282]步骤(s13)，对各备用视频帧中与目标证件对应的立体人脸图像分别进行检测，得到各备用视频帧中的人脸关键点检测结果。[0283]步骤(s14)，基于各备用视频帧中的人脸关键点检测结果，确定各备用视频帧分别对应的人脸模糊度；基于人脸模糊度，从备用视频帧中筛选出满足人脸清晰条件的目标视频帧。[0284]步骤(s15)，从目标视频帧中提取出与目标证件对应的第一人脸图像和第二人脸图像，第一人脸图像的图像尺寸小于第二人脸图像的图像尺寸，第一人脸图像为立体人脸图像。[0285]步骤(s16)，获取各组目标图像处理参数，每组目标图像处理参数包括三种图像处理方式各自所对应的处理子参数。三种图像处理方式为去条纹、锐化和去白噪声。[0286]步骤(s17)，对于每组目标图像处理参数，基于相应的处理子参数，并按照各个处理子参数分别对应的图像处理方式，依次对第一人脸图像进行图像增强处理，直至得到每组目标图像处理参数对应的第三人脸图像。[0287]步骤(s18)，计算每个第三人脸图像分别与第二人脸图像之间的相似度，确定相似度中的最大值。[0288]步骤(s19)，从证件视频中获取对应于不同视角的多帧待比较视频帧；对多帧待比较视频帧中的立体人脸图像进行比对，得到各立体人脸图像之间的相似度。[0289]步骤(s20)，当最大值大于预设相似度阈值，且各立体人脸图像之间的相似度大于预设相似度阈值时，确定目标证件的身份验证结果为验证通过。[0290]步骤(s21)，当最大值大小于或等于预设相似度阈值，且各立体人脸图像之间的相似度中存在至少一个相似度不大于预设相似度阈值时，确定目标证件的身份验证结果为验证通过。[0291]本实施例中，证件中存在两个人脸图像，小图像尺寸的人脸图像为立体人脸图像，并且立体人脸图像是一个动态鉴伪点。立体人脸图像容易受到证件倾斜时的不同光线和角度的影响，导致人脸图像不清晰。通过待训练的图像识别模型中各组目标图像处理参数分别对第一样本人脸图像进行图像增强处理，以去除图像采集的角度、光线等对第一样本人脸图像产生的影响，得到不同程度的图像增强处理后的各张第三样本人脸图像。在排除角度、光线等产生的干扰后，将各第三样本人脸图像分别与相应的第二样本人脸图像进行比对，得到对应的样本图像比对结果，基于样本图像比对结果和样本类别生成特征曲线以得到特征面积，根据特征面积对多组候选图像处理参数进行筛选。[0292]通过图像识别模型每次迭代计算出的每组图像处理参数所对应的特征面积，并基于特征面积筛选出当次迭代中满足面积匹配条件的图像处理参数，能够筛选出本次迭代中图像增强处理效果最好的各组图像处理参数。从样本参数集中选择未参与迭代计算的候选图像处理参数和上次迭代筛选出的各组图像处理参数，继续进行下一次的迭代计算，每次迭代计算中均可筛选出图像增强处理效果最好的各组图像处理参数。基于对样本参数集中的各组候选图像处理参数的遍历，通过遍历迭代能够不断地对各组图像处理参数进行筛选，直至遍历结束、图像识别模型能够自动筛选出图像增强处理效果最好各组图像处理参数。[0293]在实际应用过程中，通过训练好的目标图像识别模型从证件视频中提取出目标证件的倾斜角度合适、立体人脸图像清晰的目标视频帧。通过目标图像识别模型中的各组目标图像处理参数对目标视频帧中的立体人脸图像进行不同程度的图像增强处理，得到多张处理后的第三人脸图像。根据不同的第三人脸图像分别和同一张第二人脸图像的图像比对结果，能够准确鉴别目标证件中的两个人脸图像是否为同一用户的人脸图像，从而能够鉴别目标证件的真伪，实现对目标证件的身份验证。[0294]本技术还提供一种应用场景，该应用场景应用上述的身份验证方法。具体地，该身份验证方法在该应用场景的应用如下：[0295]获取对样本身份证进行视频采集所得到的样本身份证视频，从样本身份证视频中筛选出横向倾斜角度和纵向倾斜角度均小于30°的视频帧。从所筛选出视频帧中筛选出人脸各个部位清晰的样本视频帧。样本身份证中的小人脸为立体人脸图像。[0296]从样本视频帧中，获取样本身份证图像，并确定各样本身份证图像对应的真实标签。该真实标签是指样本身份证图像是真实身份证还是伪造身份证。从样本身份证图像中提取出样本小人脸和样本大人脸。[0297]对于待训练的图像识别模型中的10组候选图像处理参数，每组候选图像处理参数中包括去条纹参数、锐化参数和去白噪声参数，去条纹参数包括小波变换函数和小波变换次数，去条纹参数对应小波变换处理。锐化参数对应直方图均衡化，去白噪声参数对应均值滤波。即候选图像处理参数可为[p1，p2，p3，p4]，其中，p1是指是小波变换时使用的不同的小波函数。p2小波变换次数，即小波分解的深度。p3是锐化参数，p4是去白噪声参数。p1＝[db1，sym2，sym3，sym4，…]，p2＝[1，2，3，4，…]，p3＝[0.02，0.04，0.06，…，0.48，0.5]，p4＝[a，b，c，d，…]，候选图像处理参数即为不同的p1、p2、p3和p4的组合。[0298]通过小波变换函数和小波变换次数对样本小人脸进行小波变换处理，得到去除条纹的图像。通过锐化参数对去除条纹的图像进行直方图均衡化，得到增强对比度的图像。通过去白噪声参数对增强对比度的图像进行均值滤波处理，得到去除白噪声的图像。该去除白噪声的图像即为预测小人脸。[0299]每组候选图像处理参数中的去条纹参数、锐化参数和去白噪声参数不完全相同，则各组候选图像处理参数不同。[0300]将10组候选图像处理参数对应的预测小人脸分别和相应的样本大人脸进行比对，得到各个相似度。当相似度大于预设相似度阈值时，预测该相似度对应的样本身份证图像为真实身份证。当相似度不大于预设相似度阈值时，预测该相似度对应的样本身份证图像为伪造身份证。[0301]设置识别阈值可为0.5、0.6、0.65、0.7。对于一组候选图像处理参数对应的各个相似度，确定识别阈值分别为0.5、0.6、0.65、0.7时，待训练的图像识别模型的对样本身份证图像的预测类别，该预测类别为样本身份证图像为真实身份证或伪造身份证。[0302]对于识别阈值为0.5时，计算各个样本身份证图像中，真实身份证被待训练的图像识别模型预测为伪造身份证的数量fn，真实身份证被预测为真实身份证的数量tp，伪造身份证被预测为伪造身份证的数量tn，伪造身份证被预测为真实身份证的数量fp。接着，计算真阳性概率tpr＝tp/(tp+fn)，以及假阳性概率fpr＝fp/(fp+tn)。根据假阳性概率和真阳性概率可得到一个坐标。按照相同的处理方式，可分别得到识别阈值为0.6、0.65、0.7时的坐标，从而得到该组候选图像处理参数对应的4个坐标。基于该4个坐标，以假阳性概率为横轴，真阳性概率为纵轴构建坐标系，在该坐标系中确定该4个坐标，该4个坐标连接即可获得一条roc曲线，该roc曲线下的面积即为对应的auc面积。由此可得到该组候选图像处理参数对应的roc曲线和auc面积。[0303]针对其余9组，按照相同的处理，得到其余的9条roc曲线和对应的9个auc面积。从这10个auc面积中选择3个最大的auc面积，从而筛选出这个3个最大的auc面积所对应的3组候选图像处理参数。[0304]从样本参数集中选择7组候选图像处理参数，将这7组候选图像处理参数和筛选出的3组候选图像处理参数作为图像识别模型下一次迭代的图像处理参数。[0305]按照这种网格化搜索的训练方式，每次迭代均样本参数集中选择7组候选图像处理参数，直至样本参数集中的候选图像处理参数均被选取后，进行最后一次迭代，从最后一次迭代得到的10个auc面积中选择3组候选图像处理参数作为目标候选图像参数。例如，这三组目标候选图像参数为[p1＝sym2，p2＝1，p3＝0.02，p4＝a]、[p1＝sym3，p2＝2，p3＝0.04，p4＝b]、[p1＝sym4，p2＝2，p3＝0.16，p4＝c]。[0306]在实际应用过程中，可采集用户的身份证视频，该将身份证视频输入目标图像识别模型，目标图像识别模型对身份证视频进行识别，获得最清晰的一帧视频帧中的小人脸和大人脸。[0307]通过目标图像识别模型中的3组目标图像处理参数分别对身份证视频中的小人脸进行图像增强处理，得到3张图像增强处理后的小人脸。分别计算每张小人脸分别和大人脸之间的相似度，当这3个相似度均大于0.65时，判定该身份证中的小人脸和大人脸为同一个人的人脸图像，则该身份证为真实身份证。[0308]当这3个相似度中存在至少一个相似度不大于0.65时，判定该身份证中的小人脸和大人脸不是同一个人的人脸图像，则该身份证为伪造身份证。[0309]当用户需要办理银行的相关业务时，银行可通过本实施例的处理方式对用户的身份证进行验证，当用户的身份证验证通过，即用户的身份证为真实身份证时，允许用户在进行与个人相关的银行业务办理，例如办理银行卡，查询、修改银行预留信息等。当用户的身份证验证失败，即用户的身份证为伪造身份证时，不允许用户办理任何业务，并通知银行的工作人员。[0310]将本实施例的身份验证方法应用在银行的业务办理中，能够准确鉴别需要办理银行业务的用户的身份证是否真实，能够避免不法分子冒用他人信息，非法获取他人信息和财产，从而保证银行中的用户信息和财产的安全性，以及业务办理的安全性。[0311]可以理解的是，本实施例中的身份验证方法可应用于任何具有两个人脸图像的证件中，并且能够应用在任何需要对身份证进行验证的场景，不限于银行。例如还可以是车站、机场、酒店的身份证识别、对个人注册信息时所上传的身份证图像的识别等。[0312]应该理解的是，虽然图2、图5-图10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2、图5-图10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。[0313]在一个实施例中，如图11所示，提供了一种身份验证装置，该身份验证装置1100可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：获取模块1102、提取模块1104、图像增强模块1106和比对模块1108，其中：[0314]获取模块1102，用于获取对目标证件进行视频采集所得到的证件视频，并从所述证件视频中筛选出满足图像清晰条件的目标视频帧。[0315]提取模块1104，用于从所述目标视频帧中提取出与所述目标证件对应的第一人脸图像和第二人脸图像，所述第一人脸图像的图像尺寸小于所述第二人脸图像的图像尺寸。[0316]图像增强模块1106，用于获取至少一组的目标图像处理参数，并基于各组目标图像处理参数分别对所述第一人脸图像进行图像增强处理，得到至少一张的第三人脸图像。[0317]比对模块1108，用于将每个所述第三人脸图像分别与所述第二人脸图像进行比对，得到对应的图像比对结果，并根据所述图像比对结果确定所述目标证件的身份验证结果。[0318]本实施例中，从包含目标证件的证件视频中筛选出满足图像清晰条件的目标视频帧，以获得清晰的视频帧，从而得到清晰的目标证件。从目标视频帧中提取出与目标证件对应的第一人脸图像和第二人脸图像，得到目标证件中的第一人脸图像和第二人脸图像。第一人脸图像的图像尺寸小于第二人脸图像的图像尺寸，则第一人脸图像更容易受到视频采集时的光线、角度的影响，通过至少一组目标图像处理参数分别对第一人脸图像进行图像增强处理，以去除视频采集的角度、光线等对第一人脸图像产生的影响，得到至少一张图像增强处理后的第三人脸图像。将去除视频采集的角度、光线等对第一人脸图像产生的影响之后的每个第三人脸图像，分别与第二人脸图像进行比对，得到不同的目标图像处理参数所对应的第三人脸图像和第二人脸图像的图像比对结果，从而得到不同的图像增强方式所获得的不同的第三人脸图像分别和同一张第二人脸图像的图像比对结果。根据不同的第三人脸图像分别和同一张第二人脸图像的图像比对结果，能够准确鉴别目标证件中的两个人脸图像是否为同一用户的人脸图像，从而能够鉴别目标证件的真伪，实现对目标证件的身份验证。[0319]在一个实施例中，第一人脸图像为立体人脸图像；该获取模块1102还用于：从证件视频中抽取多于一帧的候选视频帧；对各候选视频帧中的目标证件分别进行检测，以确定各候选视频帧中的目标证件所对应的证件倾斜角度；基于证件倾斜角度，从候选视频帧中筛选满足证件清晰条件的备用视频帧；对各备用视频帧中与目标证件对应的立体人脸图像进行检测，以确定各备用视频帧中立体人脸图像分别对应的人脸模糊度；基于人脸模糊度，从备用视频帧中筛选出满足人脸清晰条件的目标视频帧。[0320]在一个实施例中，立体人脸图像容易受到光线和采集角度等影响，不同倾斜角度下检测到的人脸图像的清晰程度不同，则通过目标证件在证件视频中的倾斜角度和立体人脸图像的人脸模糊度能够判断目标证件是否清晰，从而能够筛选证件视频中各个部位处于清晰状态下的立体人脸图像所对应的视频帧。[0321]在一个实施例中，该获取模块1102还用于：对各候选视频帧中的目标证件分别进行检测，从候选视频帧中分割出包括有目标证件的候选边界区域；对于每帧候选视频帧，分别确定相应的候选边界区域与预设边界区域所形成的边界夹角，并将边界夹角作为相应候选视频帧中的目标证件所对应的证件倾斜角度。[0322]在本实施例中，对于每帧候选视频帧，分别确定相应的候选边界区域与预设边界区域所形成的边界夹角，该候选边界区域是目标证件在候选视频帧中所处的区域，则该边界夹角能够准确表征目标证件在证件视频中的倾斜角度。[0323]在一个实施例中，该证件倾斜角度包括横向倾斜角度和纵向倾斜角度，预设边界区域包括横向边界区域和纵向边界区域；该获取模块1102还用于：对于每帧候选视频帧，均获取相应的候选边界区域的长度信息，以及相应候选边界区域倾斜时所对应的投影信息；对于每帧候选视频帧，均基于相应的候选边界区域的边界长度信息和对应的投影信息，计算候选边界区域与横向边界区域之间的横向倾斜角度，以及候选边界区域与纵向边界区域之间的纵向倾斜角度。[0324]本实施例中，分别检测目标证件倾斜时在横向边界区域和纵向边界区域的投影信息，基于候选边界区域的长度信息和在横向边界区域的投影信息，能够准确计算出候选边界区域和横向边界区域所形成的倾斜角度。基于候选边界区域的长度信息和在纵向边界区域的投影信息，能够准确计算出候选边界区域和纵向边界区域所形成的倾斜角度，从而将同一候选边界区域在不同方向的两个倾斜角度作为筛选目标视频帧的条件，使得能够筛选出更清晰的目标证件所对应的目标视频帧。[0325]在一个实施例中，该获取模块1102还用于：对各备用视频帧中与目标证件对应的立体人脸图像分别进行检测，得到各备用视频帧中的人脸关键点检测结果；基于各备用视频帧中的人脸关键点检测结果，确定各备用视频帧分别对应的人脸模糊度。[0326]本实施例中，对立体人脸图像进行人脸关键点检测，基于人脸关键点检测结果，能够从人脸的各个部位反映出图像的模糊变化。并且，仅使用人脸各个部位的关键点计算模糊度，能够减少计算量，梯度值对模糊较为敏感，使用关键点的梯度值能够准确计算图像的模糊程度。[0327]在一个实施例中，每组目标图像处理参数包括至少一种图像处理方式各自所对应的处理子参数；该图像增强模块1106还用于：对于每组目标处理参数，基于相应的处理子参数，并按照各个处理子参数分别对应的图像处理方式，依次对第一人脸图像进行图像增强处理，直至得到相对应的第三人脸图像；多种图像处理方式包括去条纹、锐化、去白噪声中的至少一种方式。[0328]本实施例中，对于每组目标处理参数，按照每组目标图像处理参数中的处理子参数分别对应的图像处理方式，依次对第一人脸图像进行去条纹、锐化、去白噪声等处理，从而得到去条纹、锐化、去白噪声后的第三人脸图像。每张第三人脸图像去条纹、锐化、去白噪声的处理子参数不同，则每张第三人脸图像去条纹、锐化和去白噪声的程度不同，从而得到多张图像增强处理程度不同的第三人脸图像。[0329]在一个实施例中，该比对模块1108还用于：计算每个第三人脸图像分别与第二人脸图像之间的相似度；确定相似度中的最大值，当最大值大于预设相似度阈值时，确定目标证件的身份验证结果为验证通过。[0330]本实施例中，计算经过图像增强处理后的每个第三人脸图像分别与第二人脸图像之间的相似度，从而能够基于最大相似度和预设相似度阈值的比较结果，准确判断目标证件的身份验证结果。[0331]在一个实施例中，第一人脸图像为立体人脸图像，该装置还包括：角度比较模块。该角度比较模块用于：从证件视频中获取对应于不同视角的多帧待比较视频帧；对多帧待比较视频帧中的立体人脸图像进行比对，得到对应的角度比较结果；[0332]该比对模块1108还用于：根据图像比较结果和角度比较结果，确定目标证件的身份验证结果。[0333]本实施例中，在不同视角下检测到的立体人脸图像的变化较大，获取证件视频中不同视角的多帧待比较视频帧，以比较不同视角下的立体人脸图像，从而确定不同视角下的立体人脸图像之间的相似度或差异度。相似度低或差异度大表示该立体人脸图像可能由多张不同的人脸图像融合得到，则该立体人脸图像为伪造的人脸图像。基于不同视角下的立体人脸图像之间的相似度或差异度，能够识别出立体人脸图像是否为伪造人脸，从而提高对目标证件进行身份验证的准确性。结合图像比较结果和角度比较结果，能够使用两种不同的方式对目标证件进行身份验证，进一步提高身份验证的准确性，从而提高用户信息的安全性。[0334]在一个实施例中，该装置还包括：图像处理参数确定模块。该图像处理参数确定模块用于：获取样本证件图像，并确定各样本证件图像分别所属的样本类别；从样本证件图像中提取出第一样本人脸图像和第二样本人脸图像，第一样本人脸图像的图像尺寸小于第二样本人脸图像的图像尺寸；获取多组候选图像处理参数，并基于各组候选图像处理参数分别对第一样本人脸图像进行图像增强处理，得到与每组候选图像处理参数分别对应的第三样本人脸图像；将各第三样本人脸图像分别与相应的第二样本人脸图像进行比对，得到对应的样本图像比对结果；基于样本图像比对结果和样本类别，从多组候选图像处理参数中筛选出至少一组的目标图像处理参数。[0335]在本实施例中，从样本证件图像中提取出第一样本人脸图像和第二样本人脸图像，第一样本人脸图像的图像尺寸小于第二样本人脸图像的图像尺寸，则第一样本人脸图像更容易受到图像采集时的光线、角度的影响，通过各组目标图像处理参数分别对第一样本人脸图像进行图像增强处理，以去除图像采集的角度、光线等对第一样本人脸图像产生的影响，得到不同程度的图像增强处理后的各张第三样本人脸图像。在排除角度、光线等产生的干扰后，将各第三样本人脸图像分别与相应的第二样本人脸图像进行比对，得到对应的样本图像比对结果，基于样本图像比对结果和样本类别之间的差异，能够从多组候选图像处理参数中，筛选出去除角度、光线所产生的干扰效果最好的至少一组目标图像处理参数。通过目标图像处理参数对目标证件进行身份验证，能够准确鉴别出目标证件的真伪，提高身份验证的准确性。[0336]在一个实施例中，该图像处理参数确定模块还用于：从样本参数集中，确定当前迭代所对应的当前候选图像处理参数，并获取通过前次迭代筛选出的备用图像处理参数；基于当前候选图像处理参数和备用图像处理参数，分别对第一样本人脸图像进行图像增强处理，得到与各组图像处理参数分别对应的第三样本人脸图像；对于当次迭代中的各组图像处理参数，根据相应的样本比对结果和相应的样本类别生成特征曲线，并基于特征曲线确定对应的特征面积，并基于特征面积筛选出当次迭代中满足面积匹配条件的备用图像处理参数；从样本参数集中选择未参与迭代计算的候选图像处理参数，作为下次迭代所对应的当前候选图像处理参数，并将当前迭代筛选出的备用图像处理参数作为下一次迭代所需的备用图像处理参数；返回基于当前候选图像处理参数和备用图像处理参数，分别对第一样本人脸图像进行图像增强处理，得到与各组图像处理参数分别对应的第三样本人脸图像的步骤继续执行，直至遍历样本参数集中的所有候选图像处理参数后停止，基于最后一次迭代得到的特征面积筛选出最后一次迭代中满足面积匹配条件的图像处理参数；将最后一次迭代中满足面积匹配条件的图像处理参数，作为目标图像处理参数。[0337]本实施例中，通过每次迭代计算出的每组图像处理参数所对应的特征面积，并基于特征面积筛选出当次迭代中满足面积匹配条件的图像处理参数，能够筛选出本次迭代中图像增强处理效果最好的各组图像处理参数。从样本参数集中选择未参与迭代计算的候选图像处理参数和上次迭代筛选出的各组图像处理参数，继续进行下一次的迭代计算，每次迭代计算中均可筛选出图像增强处理效果最好的各组图像处理参数。基于对样本参数集中的各组候选图像处理参数的遍历，通过遍历迭代能够不断地对各组图像处理参数进行筛选，直至遍历结束、自动筛选出图像增强处理效果最好各组图像处理参数。[0338]在一个实施例中，如图12所示，提供了一种图像识别模型的训练装置1200，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：样本获取模块1202、人脸提取模块1204、处理模块1206和比对结果获得模块1208，其中：[0339]样本获取模块1202，用于获取样本证件图像，并确定各所述样本证件图像分别所属的样本类别。[0340]人脸提取模块1204，用于从所述样本证件图像中提取出第一样本人脸图像和第二样本人脸图像，所述第一样本人脸图像的图像尺寸小于所述第二样本人脸图像的图像尺寸。[0341]处理模块1206，用于通过待训练的图像识别模型中的各组候选图像处理参数分别对所述第一样本人脸图像进行图像增强处理，得到与每组候选图像处理参数分别对应的第三样本人脸图像。[0342]比对结果获得模块1208，用于将各所述第三样本人脸图像分别与相应的第二样本人脸图像进行比对，得到对应的样本图像比对结果。[0343]训练模块1210，用于基于所述样本图像比对结果和所述样本类别对所述待训练的图像识别模型进行训练，直至达到训练停止条件时停止，得到训练好的目标图像识别模型；所述训练好的目标图像识别模型中包括至少一组的目标图像处理参数，以用于对目标证件进行身份验证。[0344]在本实施例中，从样本证件图像中提取出第一样本人脸图像和第二样本人脸图像，第一样本人脸图像的图像尺寸小于第二样本人脸图像的图像尺寸，则第一样本人脸图像更容易受到图像采集时的光线、角度的影响。通过待训练的图像识别模型中各组目标图像处理参数分别对第一样本人脸图像进行图像增强处理，以去除图像采集的角度、光线等对第一样本人脸图像产生的影响，得到不同程度的图像增强处理后的各张第三样本人脸图像。在排除角度、光线等产生的干扰后，将各第三样本人脸图像分别与相应的第二样本人脸图像进行比对，得到对应的样本图像比对结果，基于样本图像比对结果和样本类别之间的差异，能够从多组图像处理参数中筛选出图像增强效果最好的目标图像处理参数。通过训练好的图像识别模型对目标证件进行身份验证，能够准确鉴别出目标证件的真伪，提高身份验证的准确性。训练好的图像识别模型识别精度高，计算速度快，能够提高对目标证件的身份验证的效率。[0345]在一个实施例中，该处理模块1206还用于：从待训练的图像识别模型中的样本参数集中，确定当前迭代所对应的当前候选图像处理参数，并获取通过前次迭代筛选出的备用图像处理参数；[0346]基于当前候选图像处理参数和备用图像处理参数，分别对第一样本人脸图像进行图像增强处理，得到与各组图像处理参数分别对应的第三样本人脸图像；[0347]该训练模块1210还用于：对于当次迭代中的各组图像处理参数，根据相应的样本比对结果和相应的样本类别生成特征曲线，并基于特征曲线确定对应的特征面积，并基于特征面积筛选出当次迭代中满足面积匹配条件的备用图像处理参数；从样本参数集中选择未参与迭代计算的候选图像处理参数，作为下次迭代所对应的当前候选图像处理参数，并将当前迭代筛选出的备用图像处理参数作为下一次迭代所需的备用图像处理参数；返回基于当前候选图像处理参数和备用图像处理参数，分别对第一样本人脸图像进行图像增强处理，得到与各组图像处理参数分别对应的第三样本人脸图像的步骤继续执行，直至遍历样本参数集中的所有候选图像处理参数后停止训练，得到训练好的目标图像识别模型。[0348]本实施例中，通过图像识别模型每次迭代计算出的每组图像处理参数所对应的特征面积，并基于特征面积筛选出当次迭代中满足面积匹配条件的图像处理参数，能够筛选出本次迭代中图像增强处理效果最好的各组图像处理参数。从样本参数集中选择未参与迭代计算的候选图像处理参数和上次迭代筛选出的各组图像处理参数，继续进行下一次的迭代计算，每次迭代计算中均可筛选出图像增强处理效果最好的各组图像处理参数。基于对样本参数集中的各组候选图像处理参数的遍历，通过遍历迭代能够不断地对各组图像处理参数进行筛选，直至遍历结束、图像识别模型能够自动筛选出图像增强处理效果最好各组图像处理参数。通过训练好的图像识别模型中各组目标图像处理参数对目标证件进行身份验证，能够准确鉴别出目标证件的真伪，提高身份验证的准确性。[0349]关于身份验证装置、图像识别模型的训练装置的具体限定可以参见上文中对于身份验证方法、图像识别模型的训练方法的限定，在此不再赘述。上述身份验证装置、图像识别模型的训练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。[0350]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13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身份验证数据、图像识别模型的训练数据。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身份验证方法、图像识别模型的训练方法。[0351]本领域技术人员可以理解，图13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。[0352]在一个实施例中，还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上述各方法实施例中的步骤。[0353]在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。[0354]在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。[0355]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。[0356]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。[0357]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。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!