基于多图片差异性的鉴伪方法、装置、设备及存储介质

技术领域

本发明涉及图像算法领域，尤其涉及一种基于多图片差异性的鉴伪方法、装置、设备及存储介质。

背景技术

图像识别是人工智能领域重要的一部分。目前，大部分的视觉应用系统都需要用到图像识别算法。先对摄像头采集的图像进行识别，然后再进入视觉应用系统的其他处理流程。可以说图像识别是机器视觉领域的基础。

现有技术中，一般基于人工主观标注采集的样本，用神经网络对标注的样本进行训练，得到相应的图像识别模型。由于人工标注难度大，使得样本标注成本高。且不同的人标注的结果差异性大，导致图像识别算法准确性低，无法准确鉴别图像的真伪。

发明内容

基于此，有必要针对上述技术问题，提供一种基于多图片差异性的鉴伪方法、装置、计算机设备及存储介质，以解决人工标注难度大，且不同的人标注的结果差异性大，导致图像识别算法准确性低，无法准确鉴别图像真伪的问题。

一种基于多图片差异性的鉴伪方法，包括：

获取鉴伪对象的若干鉴伪图片组合；所述鉴伪图片组合的个数大于三个；所述鉴伪图片组合包括由鉴伪对象图片分割出的若干鉴伪点图像，任意两张所述鉴伪对象图片的拍摄角度的差值大于预设角度阈值，一个所述鉴伪图片组合与一张所述鉴伪对象图片对应；

根据所述若干鉴伪图片组合得到若干鉴伪点图像组合，所述鉴伪点图像组合包括指定个数的鉴伪点图像，所述指定个数与所述鉴伪图片组合的个数相等；一个所述鉴伪点图像组合对应一个鉴伪点，所述鉴伪图片组合中所述鉴伪点图像的数量与所述鉴伪点的个数相等；

通过鉴伪模型处理所述鉴伪点图像组合，获得鉴伪点色彩状态信息组合，所述鉴伪点色彩状态信息组合包括若干鉴伪点色彩状态信息，一个所述鉴伪点色彩状态信息对应一张鉴伪点图像；

根据所述鉴伪点色彩状态信息组合计算所述鉴伪点的色彩状态方差，并计算所有所述色彩状态方差的方差均值；

若所述方差均值大于预设鉴伪阈值，则判定所述鉴伪对象为真。

一种基于多图片差异性的鉴伪装置，包括：

鉴伪图片组合模块，用于获取鉴伪对象的若干鉴伪图片组合；所述鉴伪图片组合的个数大于三个；所述鉴伪图片组合包括由鉴伪对象图片分割出的若干鉴伪点图像，任意两张所述鉴伪对象图片的拍摄角度的差值大于预设角度阈值，一个所述鉴伪图片组合与一张所述鉴伪对象图片对应；

鉴伪点图像组合模块，用于根据所述若干鉴伪图片组合得到若干鉴伪点图像组合，所述鉴伪点图像组合包括指定个数的鉴伪点图像，所述指定个数与所述鉴伪图片组合的个数相等；一个所述鉴伪点图像组合对应一个鉴伪点，所述鉴伪图片组合中所述鉴伪点图像的数量与所述鉴伪点的个数相等；

鉴伪点色彩状态信息模块，用于通过鉴伪模型处理所述鉴伪点图像组合，获得鉴伪点色彩状态信息组合，所述鉴伪点色彩状态信息组合包括若干鉴伪点色彩状态信息，一个所述鉴伪点色彩状态信息对应一张鉴伪点图像；

方差均值模块，用于根据所述鉴伪点色彩状态信息组合计算所述鉴伪点的色彩状态方差，并计算所有所述色彩状态方差的方差均值；

判断模块，用于若所述方差均值大于预设鉴伪阈值，则判定所述鉴伪对象为真。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述基于多图片差异性的鉴伪方法。

一个或多个存储有计算机可读指令的可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如上述基于多图片差异性的鉴伪方法。

上述基于多图片差异性的鉴伪方法、装置、计算机设备及存储介质，通过获取鉴伪对象的若干鉴伪图片组合，根据所述若干鉴伪图片组合得到若干鉴伪点图像组合，进而，通过鉴伪模型处理所述鉴伪点图像组合，获得鉴伪点色彩状态信息组合；根据所述鉴伪点色彩状态信息组合计算所述鉴伪点的色彩状态方差，并计算所有所述色彩状态方差的方差均值；若所述方差均值大于预设鉴伪阈值，则判定所述鉴伪对象为真。本发明通过从不同的角度获取鉴伪对象的鉴伪对象图片，使图像识别鉴伪中采用的图像样本具有差异性，使图像样本更为全面，可提高图像识别鉴伪的准确性。并根据若干鉴伪点对鉴伪对象图片进行分割得到鉴伪图片组合，进而得到鉴伪点图像组合，提高鉴伪的精确度。通过鉴伪模型处理鉴伪点图像组合，获得鉴伪点色彩状态信息组合，避免了人工标注状态信息的误差，进一步提高图像识别鉴伪的准确性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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。

图1是本发明一实施例中基于多图片差异性的鉴伪方法的一应用环境示意图；

图2是本发明一实施例中基于多图片差异性的鉴伪方法的一流程示意图；

图3是本发明一实施例中基于多图片差异性的鉴伪方法的一示例图；

图4是本发明一实施例中基于多图片差异性的鉴伪装置的一结构示意图；

图5是本发明一实施例中计算机设备的一示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本实施例提供的基于多图片差异性的鉴伪方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一实施例中，如图2所示，提供一种基于多图片差异性的鉴伪方法，以该方法应用在图1中的服务端为例进行说明，包括如下步骤：

S10、获取鉴伪对象的若干鉴伪图片组合；所述鉴伪图片组合的个数大于三个；所述鉴伪图片组合包括由鉴伪对象图片分割出的若干鉴伪点图像，任意两张所述鉴伪对象图片的拍摄角度的差值大于预设角度阈值，一个所述鉴伪图片组合与一张所述鉴伪对象图片对应。

可理解地，鉴伪对象是指被鉴定的对象。例如，刷身份证进出高铁站时，需要对身份证的真伪进行鉴别，此时，身份证就是鉴伪对象。鉴伪对象图片是指通过摄像头对鉴伪对象进行拍摄得到的图片，且任意两张鉴伪对象图片的拍摄角度的差值大于预设角度阈值，确保每张鉴伪对象图片的拍摄角度不同。其中，预设角度阈值可根据需要设定。例如，预设角度阈值为25度，对身份证的真伪进行鉴别时，使身份证水平放置，摄像头分别从与水平面成36度、72度、108度和144度的角度对身份证进行拍摄，得到四个不同角度的鉴伪对象图片。

具体的，对鉴伪对象图片中包含的鉴伪点进行识别，并根据是识别到的鉴伪点对鉴伪对象图片进行分割，可将鉴伪对象图片分割成一张或多张鉴伪点图像。每张鉴伪点图像包含一个鉴伪点。一个鉴伪图片组合包括一张鉴伪对象图片对应的若干鉴伪点图像。获取鉴伪对象的三个以上的鉴伪图片组合，例如，鉴伪对象为身份证，摄像头从四个不同角度对身份证进行拍摄，得到四张鉴伪对象图片，每张鉴伪对象图片对应一个鉴伪图片组合，可获取得到四个鉴伪图片组合。

S20、根据所述若干鉴伪图片组合得到若干鉴伪点图像组合，所述鉴伪点图像组合包括指定个数的鉴伪点图像，所述指定个数与所述鉴伪图片组合的个数相等；一个所述鉴伪点图像组合对应一个鉴伪点，所述鉴伪图片组合中所述鉴伪点图像的数量与所述鉴伪点的个数相等。

可理解的，一个鉴伪图片组合包括一张鉴伪对象图片对应的若干鉴伪点图像。将若干鉴伪图片组合中的同一鉴伪点的鉴伪点图像进行组合，得到若干鉴伪点图像组合。鉴伪点图像组合包括指定个数的鉴伪点图像，该指定个数与鉴伪图片组合的个数相等。

具体的，在一示例中，有四个鉴伪图片组合，分别为A组合、B组合、C组合和D组合，一个鉴伪图片组合包含e、f和g三个鉴伪点图像，将四个鉴伪图片组合中的同一鉴伪点的鉴伪点图像进行组合，得到三个鉴伪点图像组合，分别为(A

S30、通过鉴伪模型处理所述鉴伪点图像组合，获得鉴伪点色彩状态信息组合，所述鉴伪点色彩状态信息组合包括若干鉴伪点色彩状态信息，一个所述鉴伪点色彩状态信息对应一张鉴伪点图像。

可理解的，鉴伪模型通过获取若干鉴伪对象为真的第一鉴伪训练样本和若干鉴伪对象为假的第二鉴伪训练样本，对鉴伪训练样本进行训练得到。鉴伪模型用于鉴别被鉴别对象的真伪，例如，鉴别带有防伪图像的证件和活体等。鉴伪点色彩状态信息是指鉴伪点图像的色彩状态值，该色彩状态值包括鉴伪点图像的颜色以及颜色深度(油墨反光度)。

具体的，将得到的鉴伪点图像组合输入鉴伪模型，鉴伪模型对鉴伪点图像组合中包含的若干鉴伪点图像进行处理，使每张鉴伪点图像得到一个鉴伪点色彩状态信息，进而得到若干鉴伪点色彩状态信息，即鉴伪点色彩状态信息组合。

S40、根据所述鉴伪点色彩状态信息组合计算所述鉴伪点的色彩状态方差，并计算所有所述色彩状态方差的方差均值。

可理解的，鉴伪点色彩状态信息组合包括若干鉴伪点色彩状态信息，一个鉴伪点对应一个鉴伪点色彩状态信息组合。若干鉴伪点色彩状态信息是指鉴伪点图像组合中所有鉴伪点图像的色彩状态值，该色彩状态值是鉴伪点图像的颜色以及颜色深度(油墨反光度)。

具体的，根据方差公式计算鉴伪点色彩状态信息组合中若干鉴伪点色彩状态信息的方差，该方差即为与该鉴伪点色彩状态信息组合对应的鉴伪点的色彩状态方差。鉴伪对象的每个鉴伪点对应一个鉴伪点色彩状态信息组合，进而得到鉴伪对象的所有色彩状态方差。根据均值公式计算鉴伪对象的所有色彩状态方差之间的方差均值。

S50、若所述方差均值大于预设鉴伪阈值，则判定所述鉴伪对象为真。

可理解的，预设鉴伪阈值可根据鉴伪对象的图像色彩变化以及拍摄角度等情况设定。

具体的，得到鉴伪对象的所有色彩状态方差之间的方差均值之后，对方差均值的大小进行判断。当方差均值大于预设鉴伪阈值，则判定鉴伪对象为真。当方差均值小于等于预设鉴伪阈值，则判定鉴伪对象为假。例如，预设鉴伪阈值为0.2，则将方差均值大于0.2的鉴伪对象判定为真，将方差均值小于等于0.2的鉴伪对象判定为假。

在步骤S10-S50中，通过获取鉴伪对象的若干鉴伪图片组合，根据所述若干鉴伪图片组合得到若干鉴伪点图像组合，进而，通过鉴伪模型处理所述鉴伪点图像组合，获得鉴伪点色彩状态信息组合；根据所述鉴伪点色彩状态信息组合计算所述鉴伪点的色彩状态方差，并计算所有所述色彩状态方差的方差均值；若所述方差均值大于预设鉴伪阈值，则判定所述鉴伪对象为真。本发明通过从不同的角度获取鉴伪对象的鉴伪对象图片，使图像识别鉴伪中采用的图像样本具有差异性，使图像样本更为全面，可提高图像识别鉴伪的准确性。并根据若干鉴伪点对鉴伪对象图片进行分割得到鉴伪图片组合，进而得到鉴伪点图像组合，提高鉴伪的精确度。通过鉴伪模型处理所述鉴伪点图像组合，获得鉴伪点色彩状态信息组合，避免了人工标注状态信息的误差，进一步提高图像识别鉴伪的准确性。

可选的，在步骤S30之前，即所述通过鉴伪模型处理所述鉴伪点图像组合之前，还包括：

S301、获取若干鉴伪对象为真的预训练样本，所述预训练样本包括若干鉴伪图片组合；

S302、将所述预训练样本输入第一预设网络结构中进行训练，得到预训练模型；

S303、获取所述预训练模型输出的预训练结果；

S304、获取若干鉴伪对象为真的第一鉴伪训练样本和若干鉴伪对象为假的第二鉴伪训练样本；

S305、将所述预训练结果、所述第一鉴伪训练样本和所述第二鉴伪训练样本输入第二预设网络结构中进行训练，得到鉴伪模型。

可理解的，若干鉴伪对象可以是多张不同的身份证。鉴伪对象为真，即鉴伪对象为真身份证，鉴伪对象为假，即鉴伪对象为假身份证。每个鉴伪对象对应若干鉴伪图片组合。获取若干鉴伪对象的不同角度拍摄的鉴伪对象图片，将每个鉴伪对象的每张鉴伪对象图片分割出若干鉴伪点图像，将每张鉴伪对象图片分割出的若干鉴伪点图像作为一个鉴伪图片组合。第一预设网络结构可以是用于分类学习的深度神经网络(DNN)和多层神经网络(MLP)等或其组合的网络结构。第二预设网络结构可以是用于迁移学习的深度残差网络结构。

具体的，将多个鉴伪对象为真的鉴伪对象的若干鉴伪图片组合作为预训练样本输入第一预设网络结构中，可得到鉴伪图片组合中鉴伪点图像的色彩状态特征，预设网络结构对色彩状态特征进行训练学习，可得到一个预训练模型。该预训练模型学习了鉴伪对象为真的色彩状态特征。通过预训练模型可以得到预训练模型输出的预训练结果。进而，将若干鉴伪对象为真的鉴伪对象的若干鉴伪图片组合作为第一鉴伪训练样本，将若干鉴伪对象为假的鉴伪对象的若干鉴伪图片组合作为第二鉴伪训练样本。并将第一鉴伪训练样本、第二鉴伪训练样本和预训练结果输入第二预设网络结构中，使该第二预设网络结构对鉴伪训练样本和预训练结果进行训练学习，生成鉴伪模型。该鉴伪模型不仅学习了鉴伪对象为真的信息和鉴伪对象为假的信息，还对预训练模型的预训练结果进行了迁移学习，预训练结果是预训练模型对鉴伪对象为真的信息进行学习的结果。通过鉴伪模型可以对鉴伪对象的鉴伪点色彩状态信息进行预测，并输出预测的鉴伪对象的鉴伪点色彩状态信息。可提高图像识别鉴伪的准确性，且不需要人工标注状态信息，节省人力成本。

可选的，在步骤S10之前，即所述获取鉴伪对象的若干鉴伪图片组合之前，包括：

S101、获取所述鉴伪对象的若干鉴伪对象图片；

S102、识别所述鉴伪对象图片的鉴伪点；

S103、根据所述鉴伪点对所述鉴伪对象图片进行分割，获得若干所述鉴伪点图像。

可理解的，鉴伪对象图片是指通过摄像头对鉴伪对象进行多角度拍摄得到的图片。一个鉴伪对象可通过多角度拍摄得到多张鉴伪对象图片。一个鉴伪对象包含一个或多个鉴伪点。例如，如图3所示，鉴伪对象为香港身份证，香港身份证上的完整鉴伪点为人像右边的三个紫荆花图案，其中，每一个紫荆花图案为一个鉴伪点。

具体的，通过摄像头对鉴伪对象进行不同角度的拍摄，得到若干鉴伪对象图片，进而对鉴伪对象图片包含的鉴伪点进行识别，并根据识别到的鉴伪点对鉴伪对象图片进行分割，可将鉴伪对象图片分割成一张或多张鉴伪点图像。每张鉴伪点图像包含一个鉴伪点。

可选的，在步骤S30中，即所述通过鉴伪模型处理所述鉴伪点图像组合，获得鉴伪点色彩状态信息组合，包括：

S306、将所述鉴伪点图像组合包含的若干鉴伪点图像输入所述鉴伪模型；

S307、获取所述鉴伪点图像的多维度特征图；

S308、将所述多维度特征图通过全连接层转换为一维特征值；

S309、通过激活函数处理所述一维特征值，得到所述鉴伪点色彩状态信息；所述鉴伪点色彩状态信息组合包含若干所述鉴伪点色彩状态信息。

可理解的，一个鉴伪点图像组合包含若干鉴伪点图像。将鉴伪点图像组合包含的若干鉴伪点图像输入鉴伪模型，通过鉴伪模型可获得鉴伪点图像的多维度的特征图。例如，输入的鉴伪点图像的颜色通道数为3(RGB)，通过鉴伪模型可获得鉴伪点图像的颜色通道数为256的多维度特征图。进一步的，通过鉴伪模型的全连接层将多维度特征图转换成一维特征值。并将该一维特征值输入激活函数中。其中，激活函数用于隐层神经元输出，取值范围为(0,1)，它可以将一个实数映射到(0,1)的区间。通过激活函数处理一维特征值，可计算得到一维特征值对应的一个鉴伪点色彩状态值，即鉴伪点色彩状态信息。

可选的，在步骤S301之后，即所述获取若干鉴伪对象为真的预训练样本之后，包括：

S3011、对所述预训练样本包含的所述若干鉴伪图片组合进行增广处理，得到增广样本；

S3012、将所述预训练样本和所述增广样本输入第一预设网络结构中进行训练，得到预训练模型。

可理解的，增广处理是指通过对图片进行缩放、裁剪、旋转等操作。

具体的，从预训练样本中随机获取若干鉴伪图片组合，对鉴伪图片组合中包含的若干鉴伪点图像进行随机裁剪，裁剪出包含鉴伪点某部分的部分鉴伪点图像，将得到的若干部分鉴伪点图像作为增广样本。并将该增广样本和预训练样本输入第一预设网络结构中进行训练学习，得到预训练模型。该预训练模型不仅学习了鉴伪点图像，还对鉴伪点图像的细节信息进行了学习。通过对增广样本的学习，提高了预训练模型的学习能力。即使鉴伪点图像发生了缩放、裁剪、旋转等变化，鉴伪模型也能对其进行识别鉴伪，提高图像识别鉴伪的准确性。

可选的，在步骤S3011中，即所述对所述预训练样本包含的所述若干鉴伪图片组合进行增广处理，得到增广样本，包括：

S3013、从所述预训练样本中获取若干鉴伪图片组合；

S3014、对所述鉴伪图片组合进行裁剪、旋转和缩放的增广处理，得到所述鉴伪图片组合的多张增广图片；

S3015、将若干所述鉴伪图片组合的多张增广图片作为增广样本。

具体的，从预训练样本中随机获取若干鉴伪图片组合，对鉴伪图片组合中包含的若干鉴伪点图像进行随机裁剪、旋转和缩放的增广处理，得到包含鉴伪点某部分的部分鉴伪点图像、鉴伪点缩放图像和鉴伪点旋转图像。通过增广处理得到的部分鉴伪点图像、鉴伪点缩放图像和鉴伪点旋转图像即为鉴伪图片组合对应的多张增广图片。获取若干鉴伪图片组合的多张增广图片，将若干鉴伪图片组合的多张增广图片作为增广样本。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种基于多图片差异性的鉴伪装置，该基于多图片差异性的鉴伪装置与上述实施例中基于多图片差异性的鉴伪方法一一对应。如图4所示，该基于多图片差异性的鉴伪装置包括鉴伪图片组合模块10、鉴伪点图像组合模块20、鉴伪点色彩状态信息模块30、方差均值模块40和判断模块50。各功能模块详细说明如下：

鉴伪图片组合模块10，用于获取鉴伪对象的若干鉴伪图片组合；所述鉴伪图片组合的个数大于三个；所述鉴伪图片组合包括由鉴伪对象图片分割出的若干鉴伪点图像，任意两张所述鉴伪对象图片的拍摄角度的差值大于预设角度阈值，一个所述鉴伪图片组合与一张所述鉴伪对象图片对应；

鉴伪点图像组合模块20，用于根据所述若干鉴伪图片组合得到若干鉴伪点图像组合，所述鉴伪点图像组合包括指定个数的鉴伪点图像，所述指定个数与所述鉴伪图片组合的个数相等；一个所述鉴伪点图像组合对应一个鉴伪点，所述鉴伪图片组合中所述鉴伪点图像的数量与所述鉴伪点的个数相等；

鉴伪点色彩状态信息模块30，用于通过鉴伪模型处理所述鉴伪点图像组合，获得鉴伪点色彩状态信息组合，所述鉴伪点色彩状态信息组合包括若干鉴伪点色彩状态信息，一个所述鉴伪点色彩状态信息对应一张鉴伪点图像；

方差均值模块40，用于根据所述鉴伪点色彩状态信息组合计算所述鉴伪点的色彩状态方差，并计算所有所述色彩状态方差的方差均值；

判断模块50，用于若所述方差均值大于预设鉴伪阈值，则判定所述鉴伪对象为真。

可选的，鉴伪点图像组合模块20之前，包括：

预训练样本模块，用于获取若干鉴伪对象为真的预训练样本，所述预训练样本包括若干鉴伪图片组合；

预训练模型模块，用于将所述预训练样本输入第一预设网络结构中进行训练，得到预训练模型；

预训练结果模块，用于获取所述预训练模型输出的预训练结果；

鉴伪训练样本模块，用于获取若干鉴伪对象为真的第一鉴伪训练样本和若干鉴伪对象为假的第二鉴伪训练样本；

鉴伪模型模块，用于将所述预训练结果、所述第一鉴伪训练样本和所述第二鉴伪训练样本输入第二预设网络结构中进行训练，得到鉴伪模型。

可选的，鉴伪图片组合模块10之前，包括：

鉴伪对象图片单元，用于获取所述鉴伪对象的若干鉴伪对象图片；

完整鉴伪点识别单元，用于识别所述鉴伪对象图片的鉴伪点；

鉴伪点图像单元，用于根据所述鉴伪点对所述鉴伪对象图片进行分割，获得若干所述鉴伪点图像。

可选的，鉴伪图片组合模块10，包括：

输入单元，用于将所述鉴伪点图像组合包含的若干鉴伪点图像输入所述鉴伪模型；

多维度特征图单元，用于获取所述鉴伪点图像的多维度特征图；

一维特征值单元，用于将所述多维度特征图通过全连接层转换为一维特征值；

激活函数单元，用于通过激活函数处理所述一维特征值，得到所述鉴伪点色彩状态信息；所述鉴伪点色彩状态信息组合包含若干所述鉴伪点色彩状态信息。

可选的，所述预训练样本模块之后，包括：

增广样本模块，用于对所述预训练样本包含的所述若干鉴伪图片组合进行增广处理，得到增广样本；

增广样本训练模块，用于将所述预训练样本和所述增广样本输入第一预设网络结构中进行训练，得到预训练模型。

可选的，所述增广样本模块，包括：

鉴伪图片组合单元，用于从所述预训练样本中获取若干鉴伪图片组合；

增广图片单元，用于对所述鉴伪图片组合进行裁剪、旋转和缩放的增广处理，得到所述鉴伪图片组合的多张增广图片；

增广样本单元，用于将若干所述鉴伪图片组合的多张增广图片作为增广样本。

关于基于多图片差异性的鉴伪装置的具体限定可以参见上文中对于基于多图片差异性的鉴伪方法的限定，在此不再赘述。上述基于多图片差异性的鉴伪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。

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终端，其内部结构图可以如图5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、网络接口、显示屏和输入装置。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可读存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机可读指令。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机可读指令被处理器执行时以实现一种基于多图片差异性的鉴伪方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令，处理器执行计算机可读指令时实现以下步骤：

获取鉴伪对象的若干鉴伪图片组合；所述鉴伪图片组合的个数大于三个；所述鉴伪图片组合包括由鉴伪对象图片分割出的若干鉴伪点图像，任意两张所述鉴伪对象图片的拍摄角度的差值大于预设角度阈值，一个所述鉴伪图片组合与一张所述鉴伪对象图片对应；

根据所述若干鉴伪图片组合得到若干鉴伪点图像组合，所述鉴伪点图像组合包括指定个数的鉴伪点图像，所述指定个数与所述鉴伪图片组合的个数相等；一个所述鉴伪点图像组合对应一个鉴伪点，所述鉴伪图片组合中所述鉴伪点图像的数量与所述鉴伪点的个数相等；

通过鉴伪模型处理所述鉴伪点图像组合，获得鉴伪点色彩状态信息组合，所述鉴伪点色彩状态信息组合包括若干鉴伪点色彩状态信息，一个所述鉴伪点色彩状态信息对应一张鉴伪点图像；

根据所述鉴伪点色彩状态信息组合计算所述鉴伪点的色彩状态方差，并计算所有所述色彩状态方差的方差均值；

若所述方差均值大于预设鉴伪阈值，则判定所述鉴伪对象为真。

在一个实施例中，提供了一个或多个存储有计算机可读指令的计算机可读存储介质，本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令，计算机可读指令被一个或多个处理器执行时实现以下步骤：

获取鉴伪对象的若干鉴伪图片组合；所述鉴伪图片组合的个数大于三个；所述鉴伪图片组合包括由鉴伪对象图片分割出的若干鉴伪点图像，任意两张所述鉴伪对象图片的拍摄角度的差值大于预设角度阈值，一个所述鉴伪图片组合与一张所述鉴伪对象图片对应；

根据所述若干鉴伪图片组合得到若干鉴伪点图像组合，所述鉴伪点图像组合包括指定个数的鉴伪点图像，所述指定个数与所述鉴伪图片组合的个数相等；一个所述鉴伪点图像组合对应一个鉴伪点，所述鉴伪图片组合中所述鉴伪点图像的数量与所述鉴伪点的个数相等；

通过鉴伪模型处理所述鉴伪点图像组合，获得鉴伪点色彩状态信息组合，所述鉴伪点色彩状态信息组合包括若干鉴伪点色彩状态信息，一个所述鉴伪点色彩状态信息对应一张鉴伪点图像；

根据所述鉴伪点色彩状态信息组合计算所述鉴伪点的色彩状态方差，并计算所有所述色彩状态方差的方差均值；

若所述方差均值大于预设鉴伪阈值，则判定所述鉴伪对象为真。

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，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本申请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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。