CN111882525A - 一种基于lbp水印特征和细粒度识别的图像翻拍检测方法 - Google Patents

一种基于lbp水印特征和细粒度识别的图像翻拍检测方法 Download PDF

Info

Publication number
CN111882525A
CN111882525A CN202010628464.2A CN202010628464A CN111882525A CN 111882525 A CN111882525 A CN 111882525A CN 202010628464 A CN202010628464 A CN 202010628464A CN 111882525 A CN111882525 A CN 111882525A
Authority
CN
China
Prior art keywords
image
picture
lbp
copying
reproduction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010628464.2A
Other languages
English (en)
Inventor
孙鲲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Pinlan Data Technology Co ltd
Original Assignee
Shanghai Pinlan Data Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Pinlan Data Technology Co ltd filed Critical Shanghai Pinlan Data Technology Co ltd
Priority to CN202010628464.2A priority Critical patent/CN111882525A/zh
Publication of CN111882525A publication Critical patent/CN111882525A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于LBP水印特征和细粒度识别的图像翻拍检测方法，涉及图像翻拍审核的人工智能识别技术领域。本发明方法包括以下步骤：S1、获取待审查的图像；S2、图像预处理；S3、从待审查从待审查图像中裁剪出25张32×32尺寸的小图；S4、对每张小图用轻量CNN模型预测一个翻拍置信度；S5、对25张小图的翻拍置信度取的最终翻拍置信度；S6、判断最终置信度是否大于0.5；若是则为翻拍图片，若不是则不是翻拍图片。本发明通过卷积神经网络和ensemble方法，大幅提高了翻拍检测的正确率，在32x32小图数据集上，CNN模型的正确率可达到0.8以上，整图数据集上，翻拍检测算法的正确率可达到0.9以上。

Description

一种基于LBP水印特征和细粒度识别的图像翻拍检测方法
技术领域
本发明属于图像翻拍审核的人工智能识别技术领域，特别是涉及一种基于LBP水印特征和细粒度识别的图像翻拍检测方法。
背景技术
当前图片翻拍检测基本上还是基于人工审核的方式，相关的自动化软件比较少，人工成本高昂。在需要全天候实时检测的场合，比如快递自提柜的人脸翻拍检测任务，很难通过人工审核来实现。这使得相关的计算机视觉应用的落地受到阻碍。图像翻拍自动识别技术有助于防止个人信息盗用导致的。但是财务报表中的专用章严重干扰数字、汉字等信息的自动识别，对财务报表识别工作效率、准确率存在一定影响。基于传统图像处理的翻拍检测方法，比如LBP特征或小波特征，精确度较低。因此针对以上问题，提供一种基于LBP水印特征和细粒度识别的图像翻拍检测方法具有重要意义。
发明内容
本发明提供了一种基于LBP水印特征和细粒度识别的图像翻拍检测方法，本专利在传统LBP特征的基础上，通过卷积神经网络和ensemble方法，大幅提高了翻拍检测的正确率。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明的一种基于LBP水印特征和细粒度识别的图像翻拍检测方法，包括以下步骤；
S1、获取待检测的图像；
S2、对图像进行预处理，包括能够提升检测精确度的图像锐化和直方图均衡，使图像质量进行提升，并抽取整张图像的LBP特征图，该LBP特征图的尺寸与原始图片相同；
S3、将LBP特征图用水印方法根据自适应参数叠加到步骤S2处理后的图像上，在S2中处理后的图片中，用目标检测中的roi-proposal算法找到25个敏感区域，在每个敏感区域上裁剪一张32x32的小图；
S4、对S3中裁剪的每张小图用特殊结构的预训练CNN模型预测一个翻拍置信度；
S5、对25个翻拍置信度取平均值，则为步骤S1中获取到的整张图片的翻拍置信度；
S6、若翻拍置信度大于0.5，则判读是翻拍图片，否则是正常图片。
本发明相对于现有技术包括有以下有益效果：
本发明基于LBP水印特征和细粒度识别的图像翻拍检测方法解决了基于传统图像处理的翻拍检测方法，比如LBP特征或小波特征，精确度较低的问题，基于传统LBP特征的基础上，通过卷积神经网络和ensemble方法，大幅提高了翻拍检测的正确率，本发明在32x32小图数据集上，CNN模型的正确率可达到0.8以上。整图数据集上，翻拍检测算法的正确率可达到0.9以上。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于LBP水印特征和细粒度识别的图像翻拍检测方法的流程图；
图2为本发明训练CNN分类模型的流程步骤图。
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，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。
请参阅图1所示，本发明的一种基于LBP水印特征和细粒度识别的图像翻拍检测方法，包括以下步骤：
S1、获取待检测的图像；
S2、对图像进行预处理，包括能够提升检测精确度的图像锐化和直方图均衡，使图像质量进行提升，并抽取整张图像的LBP特征图，该LBP特征图的尺寸与原始图片相同；
S3、将LBP特征图用水印方法根据自适应参数叠加到步骤S2处理后的图像上，在S2中处理后的图片中，用目标检测中的roi-proposal算法找到25个敏感区域，在每个敏感区域上裁剪一张32x32的小图；
S4、对S3中裁剪的每张小图用特殊结构的预训练CNN模型预测一个翻拍置信度；
S5、对25个翻拍置信度取平均值，则为步骤S1中获取到的整张图片的翻拍置信度；
S6、若翻拍置信度大于0.5，则判读是翻拍图片，否则是正常图片。
如图2所示，本具体实施例中训练CNN分类模型的流程为：
采集了翻拍商品图片数据集，包含1500张左右的普通商品货架图及对应的翻拍图片，从而可以更有效的训练和评估本实施例中的翻拍检测模型。
其中，本具体实施中开发了一套对32x32尺寸的小图进行翻拍判断的CNN分类模型的训练步骤；为了让CNN分类模型更好的利用LBP特征提高翻拍预测的准确率；本实施例开发了特殊的水印处理方法，用于将LBP特征编码到RGB图像中。训练CNN分类模型时，本实施例从商品大图中随机裁剪32x32的小图，获取包含30000张小图(每张小图为普通图片或翻拍图片)的数据集。每张RGB格式的小图提取LBP特征后，用水印处理方法与原始的小图合成新的RGB小图，输入到CNN分类模型中。CNN分类模型根据输入的小图，输出标签0或1(0表示普通图片，1表示翻拍图片)。
其中，以上步骤中用到的CNN分类模型，使用了本实施例在多次实验中找到的最优结构，并且用到了公司在其他商品识别项目中所用模型的pretrained weights。同时训练步骤用了特殊的数据扩增手段，有效增强了模型的泛化性。
其中，基于上述步骤中用于32x32小图的CNN分类模型A，本实施例进一步将其改造成了细粒度分类模型。具体做法是额外训练了一个结构与上述步骤中CNN分类模型结构A有一定相似度的CNN分类模型B。然后将两个CNN分类模型并联成bilinear CNN分类模型C(bilinear CNN分类模型C也需要重新训练)。
其中，本实施例结合目标检测中的roi-proposal和传统的采样算法，用于在整张图中生成25个重点区域。然后对25个区域中裁剪小图，用S4中获取的bilinear CNN分类模型预测每张小图是翻拍图片的概率。然后对每张小图的翻拍置信度取平均，计算整图的翻拍置信度。
本发明相对于现有技术包括以下有益效果：
本发明基于LBP水印特征和细粒度识别的图像翻拍检测方法解决了基于传统图像处理的翻拍检测方法，比如LBP特征或小波特征，精确度较低的问题，基于传统LBP特征的基础上，通过卷积神经网络和ensemble方法，大幅提高了翻拍检测的正确率，本发明在32x32小图数据集上，CNN模型的正确率可达到0.8以上。整图数据集上，翻拍检测算法的正确率可达到0.9以上。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (1)

1.一种基于LBP水印特征和细粒度识别的图像翻拍检测方法，其特征在于，包括以下步骤；
S1、获取待检测的图像；
S2、对图像进行预处理，包括能够提升检测精确度的图像锐化和直方图均衡，使图像质量进行提升，并抽取整张图像的LBP特征图，该LBP特征图的尺寸与原始图片相同；
S3、将LBP特征图用水印方法根据自适应参数叠加到步骤S2处理后的图像上，在S2中处理后的图片中，用目标检测中的roi-proposal算法找到25个敏感区域，在每个敏感区域上裁剪一张32x32的小图；
S4、对S3中裁剪的每张小图用特殊结构的预训练CNN模型预测一个翻拍置信度；
S5、对25个翻拍置信度取平均值，则为步骤S1中获取到的整张图片的翻拍置信度；
S6、若翻拍置信度大于0.5，则判读是翻拍图片，否则是正常图片。
CN202010628464.2A 2020-07-01 2020-07-01 一种基于lbp水印特征和细粒度识别的图像翻拍检测方法 Pending CN111882525A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010628464.2A CN111882525A (zh) 2020-07-01 2020-07-01 一种基于lbp水印特征和细粒度识别的图像翻拍检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010628464.2A CN111882525A (zh) 2020-07-01 2020-07-01 一种基于lbp水印特征和细粒度识别的图像翻拍检测方法

Publications (1)

Publication Number Publication Date
CN111882525A true CN111882525A (zh) 2020-11-03

Family

ID=73149846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010628464.2A Pending CN111882525A (zh) 2020-07-01 2020-07-01 一种基于lbp水印特征和细粒度识别的图像翻拍检测方法

Country Status (1)

Country Link
CN (1) CN111882525A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927221A (zh) * 2020-12-09 2021-06-08 广州市玄武无线科技股份有限公司 一种基于图像细粒度特征翻拍检测方法及系统
CN113111888A (zh) * 2021-04-15 2021-07-13 广州图匠数据科技有限公司 一种图片判别方法及装置
CN116168038A (zh) * 2023-04-26 2023-05-26 创新奇智(青岛)科技有限公司 一种图像翻拍检测的方法、装置、电子设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107145842A (zh) * 2017-04-19 2017-09-08 西安电子科技大学 结合lbp特征图与卷积神经网络的人脸识别方法
CN107657259A (zh) * 2017-09-30 2018-02-02 平安科技（深圳）有限公司 图像篡改检测方法、电子装置及可读存储介质
CN108898060A (zh) * 2018-05-30 2018-11-27 珠海亿智电子科技有限公司 车载环境下基于卷积神经网络的车型识别方法
CN109522925A (zh) * 2018-09-30 2019-03-26 咪咕文化科技有限公司 一种图像识别方法、装置和存储介质
CN110097091A (zh) * 2019-04-10 2019-08-06 东南大学 训练与推理数据分布不一致条件下的图像细粒度识别方法
CN110276707A (zh) * 2018-03-16 2019-09-24 临沂大学 一种图像数据保护和篡改检测技术方案
CN110674800A (zh) * 2019-12-04 2020-01-10 图谱未来(南京)人工智能研究院有限公司 一种人脸活体检测方法、装置、电子设备及存储介质
CN110826558A (zh) * 2019-10-28 2020-02-21 桂林电子科技大学 图像分类方法、计算机设备和存储介质
CN111311563A (zh) * 2020-02-10 2020-06-19 北京工业大学 一种基于多域特征融合的图像篡改检测方法
CN111339897A (zh) * 2020-02-21 2020-06-26 腾讯科技（深圳）有限公司 活体识别方法、装置、计算机设备和存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107145842A (zh) * 2017-04-19 2017-09-08 西安电子科技大学 结合lbp特征图与卷积神经网络的人脸识别方法
CN107657259A (zh) * 2017-09-30 2018-02-02 平安科技（深圳）有限公司 图像篡改检测方法、电子装置及可读存储介质
CN110276707A (zh) * 2018-03-16 2019-09-24 临沂大学 一种图像数据保护和篡改检测技术方案
CN108898060A (zh) * 2018-05-30 2018-11-27 珠海亿智电子科技有限公司 车载环境下基于卷积神经网络的车型识别方法
CN109522925A (zh) * 2018-09-30 2019-03-26 咪咕文化科技有限公司 一种图像识别方法、装置和存储介质
CN110097091A (zh) * 2019-04-10 2019-08-06 东南大学 训练与推理数据分布不一致条件下的图像细粒度识别方法
CN110826558A (zh) * 2019-10-28 2020-02-21 桂林电子科技大学 图像分类方法、计算机设备和存储介质
CN110674800A (zh) * 2019-12-04 2020-01-10 图谱未来(南京)人工智能研究院有限公司 一种人脸活体检测方法、装置、电子设备及存储介质
CN111311563A (zh) * 2020-02-10 2020-06-19 北京工业大学 一种基于多域特征融合的图像篡改检测方法
CN111339897A (zh) * 2020-02-21 2020-06-26 腾讯科技（深圳）有限公司 活体识别方法、装置、计算机设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927221A (zh) * 2020-12-09 2021-06-08 广州市玄武无线科技股份有限公司 一种基于图像细粒度特征翻拍检测方法及系统
CN113111888A (zh) * 2021-04-15 2021-07-13 广州图匠数据科技有限公司 一种图片判别方法及装置
CN113111888B (zh) * 2021-04-15 2024-04-26 广州图匠数据科技有限公司 一种图片判别方法及装置
CN116168038A (zh) * 2023-04-26 2023-05-26 创新奇智(青岛)科技有限公司 一种图像翻拍检测的方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Thakur et al. Recent advances in digital image manipulation detection techniques: A brief review
CN111882525A (zh) 一种基于lbp水印特征和细粒度识别的图像翻拍检测方法
CN112069891B (zh) 一种基于光照特征的深度伪造人脸鉴别方法
CN112861671B (zh) 一种对深度伪造人脸图像和视频的鉴别方法
CN112907598A (zh) 一种基于注意力cnn文档证件类图像篡改检测方法
CN113744153B (zh) 双分支图像修复伪造检测方法、系统、设备及存储介质
Zhang et al. No one can escape: A general approach to detect tampered and generated image
CN110942456B (zh) 篡改图像检测方法、装置、设备及存储介质
Liu et al. Overview of image inpainting and forensic technology
Velliangira et al. A novel forgery detection in image frames of the videos using enhanced convolutional neural network in face images
CN114842524A (zh) 一种基于不规则显著性像素簇的人脸鉴伪方法
Gu et al. FBI-Net: Frequency-based image forgery localization via multitask learning with self-attention
Vijayalakshmi K et al. Copy-paste forgery detection using deep learning with error level analysis
CN116912184A (zh) 一种基于篡改区域分离和区域约束损失的弱监督深度修复图像篡改定位方法及系统
CN117079354A (zh) 一种基于噪声不一致性的深度伪造检测分类和定位方法
CN115100014B (zh) 基于多层次化感知的社交网络图像复制移动伪造检测方法
Duan et al. Image information hiding method based on image compression and deep neural network
Agarwal et al. The advent of deep learning-based image forgery detection techniques
CN112990120B (zh) 一种利用相机风格分离域信息的跨域行人重识别方法
Koshy et al. Video forgery detection using CNN
Gopakumar A survey on image splice forgery detection and localization techniques
Ernawati et al. Image Splicing Forgery Approachs: A Review and Future Direction
Wang et al. Self-prior guided pixel adversarial networks for blind image inpainting
Long et al. SASiamNet: Self-adaptive Siamese Network for change detection of remote sensing image
Deng Image Forgery Detection Using Deep Learning Framework

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201103