买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国—东盟信息港股份有限公司申请的专利一种基于深度学习的人脸翻拍稽核方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115063857B 。

龙图腾网通过国家知识产权局官网在2025-09-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210706054.4，技术领域涉及：G06V40/16；该发明授权一种基于深度学习的人脸翻拍稽核方法及系统是由韦涛;杜欢;梁勇;吴康杰;李鹏设计研发完成，并于2022-06-21向国家知识产权局提交的专利申请。

本一种基于深度学习的人脸翻拍稽核方法及系统在说明书摘要公布了：本发明公开了一种基于深度学习的人脸翻拍稽核方法及系统，涉及人脸识别技术领域，解决传统图像处理技术的方法效率较低的技术问题，方法包括：收集与人脸稽核的应用场景相关的人脸图像数据，对收集到的人脸图像数据划分为正样本和负样本；对正样本进行增强处理得到正样本集，对负样本进行增强处理得到负样本集，分别将正样本集、负样本集以8:2的比例划分为训练集和测试集，训练集用于模型的学习训练，测试集用于模型的性能评估；构建神经网络模型，并根据训练集训练神经网络模型，根据测试集评估训练好的神经网络模型得到人脸翻拍检测模型；现场采集人脸图像，并输入到人脸翻拍检测模型得到人脸翻拍检测结果。

本发明授权一种基于深度学习的人脸翻拍稽核方法及系统在权利要求书中公布了：1.一种基于深度学习的人脸翻拍稽核方法，其特征在于，包括： 尽可能多地收集与人脸稽核的应用场景相关的人脸图像数据，对收集到的人脸图像数据划分为正样本和负样本； 对所述正样本进行增强处理得到正样本集，对所述负样本进行增强处理得到负样本集，分别将所述正样本集、负样本集以8:2的比例划分为训练集和测试集，训练集用于模型的学习训练，测试集用于模型的性能评估； 构建神经网络模型，并根据所述训练集训练所述神经网络模型，根据所述测试集评估训练好的神经网络模型得到人脸翻拍检测模型； 现场采集人脸图像，并输入到所述人脸翻拍检测模型得到人脸翻拍检测结果； 构建神经网络模型具体包括： 构建输入层，输入层是网络的起点，负责接收外部传入的输入图像； 构建第一卷积层，用于对输入层做卷积操作，卷积操作能够提取输入图像的特征，卷积核大小为3×3，个数为16，卷积步长设置为1，padding设置为same，使卷积后不改变图像的尺寸； 构建第一Relu层，用于对第一卷积层的输出做非线性激活操作，作用是增加网络的非线性映射能力； 构建第一BN层，用于对第一Relu层的输出做归一化操作； 构建第一Dropout层，用于对第一BN层的输出做dropout操作，通过随机丢弃输入的神经元来达到正则化的目的，dropoutrate设置为0.5； 构建第二卷积层，用于对第一Dropout层的输出做卷积操作，卷积核大小为3×3，个数为32，卷积步长设置为1，padding设置为same； 构建第二Relu层，用于对第二卷积层的输出做非线性激活操作； 构建第二BN层，用于对第二Relu层的输出做归一化操作； 构建第二Dropout层，用于对第二BN层的输出做dropout操作，dropoutrate设置为0.5； 构建第一注意力机制模块，该模块由第一C模块和第一S模块组成，第一C模块为第一注意力机制模块的前半部分，第一S模块为第一注意力机制模块的后半部分，用于对第二Dropout层的输出进一步处理； 构建第三卷积层，用于对第一注意力机制模块的输出层做卷积操作，卷积核大小为3×3，个数为64，卷积步长设置为1，padding设置为same； 构建第三Relu层，用于对第三卷积层的输出做非线性激活操作； 构建第三BN层，用于对第三Relu层的输出做归一化操作； 构建第一MaxPooling层，用于对第三BN层的输出做最大池化操作，池化窗口大小设置为2×2，池化步长设置为2，padding设置为same； 构建第三Dropout层，用于对第一MaxPooling层的输出做dropout操作，dropoutrate设置为0.5； 构建第二注意力机制模块，该模块由第二C模块和第二S模块组成，第二C模块为第二注意力机制模块的前半部分，第二S模块为第二注意力机制模块的后半部分，用于对第三Dropout层的输出进一步处理； 构建第四卷积层，用于对第二注意力机制模块的输出层做卷积操作，卷积核大小为3×3，个数为128，卷积步长设置为1，padding设置为same； 构建第四Relu层，用于对第四卷积层的输出做非线性激活操作； 构建第四BN层，用于对第四Relu层的输出做归一化操作； 构建第二MaxPooling层，用于对第四BN层的输出做最大池化操作，池化窗口大小设置为2×2，池化步长设置为2，padding设置为same； 构建第一Flatten层，用于对第二MaxPooling层的输出做降维展平操作，即将二维矩阵变换为一维向量； 构建第一全连接层，神经元数量设置为256，用于与第一Flatten层进行全连接； 构建第五Relu层，用于对第一全连接层的输出做非线性激活操作； 构建第二全连接层，神经元数量设置为128，用于与第五Relu层进行全连接； 构建第六Relu层，用于对第二全连接层的输出做非线性激活操作； 构建输出层，输出层是网络的终点，用于与第六Relu层全连接，输出网络的计算结果； 训练所述神经网络模型具体包括： 步骤S1.初始化神经网络模型的所有参数，使模型的所有参数满足均值为0，方差为1的高斯分布； 步骤S2.将初始学习率设置为10-4，学习迭代次数设置为50000epoch，批处理大小batch_size设置为32； 步骤S3.从训练集中随机选取batch_size张人脸图像输入神经网络，经过网络前向传播后输出网络预测得分； 步骤S4.使用下式softmax交叉熵损失函数作为损失函数，计算网络输出与真实值的损失值： 其中，n为模型预测的类别数，在这里的n的值为2，即二分类；zi为模型预测每个类别的概率；zy为每个样本的标签，即该样本的真实值； 步骤S5.使用Adam自适应梯度下降算法来更新网络的权重参数，迭代次数加1； 步骤S6.判断是否达到了设置的迭代次数，如果达到了，则训练结束，保存网络的权重参数；若未达到，则重复步骤S3。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国—东盟信息港股份有限公司，其通讯地址为：530000 广西壮族自治区南宁市良庆区秋月路18号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。