CN105069089B - 图片检测方法及装置 - Google Patents
图片检测方法及装置 Download PDFInfo
- Publication number
- CN105069089B CN105069089B CN201510471072.9A CN201510471072A CN105069089B CN 105069089 B CN105069089 B CN 105069089B CN 201510471072 A CN201510471072 A CN 201510471072A CN 105069089 B CN105069089 B CN 105069089B
- Authority
- CN
- China
- Prior art keywords
- picture
- characteristic point
- target photo
- similarity
- local
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
Landscapes
- Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于一种图片检测方法及装置,涉及图像处理技术领域。所述方法包括:获得比对图片中与目标图片的局部特征点相匹配的特征点;确定所述比对图片的主体图像区域,并获得所述相匹配的特征点中位于所述主体图像区域的特征点;根据所述相匹配的特征点和位于所述主体图像区域的特征点,计算局部相似度;根据计算出的局部相似度,确定所述比对图片与所述目标图片是否相似。本公开实施例计算局部相似度时考虑了比对图片的主体图像,提高了相似图片检测的准确性。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种图片检测方法及装置。
背景技术
相似图片搜索技术应用比较广泛,常见的是应用于搜索引擎和图片清理工具中。搜索引擎或图片清理工具一般是采用局部特征匹配方法进行相似图片检测。相关的局部特征匹配方法包括,首先,在目标图片中选取一定数量的特征点。其次,在比对图片中匹配是否有相同的特征点。当在比对图片中匹配出的特征点数量超过预设数量时,认为比对图片与目标图片相似。反之,当在比对图片中匹配出的特征点数量未超过预设数量时,认为比对图片与目标图片不相似。
在实现本公开的过程中,发明人发现相关技术至少存在以下问题:
特征点是在整个图片选取,有可能大部分甚至全部特征点是从图片的背景选取。假若目标图片与比对图片的背景相同而主体不同,当比对图片中匹配出的特征点数量超过预设数量且匹配出的特征点全部是从目标图片的背景中选取时,也会认为比对图片与目标图片相似,但实际上目标图片与比对图片是不相似的图片,从而造成错误的判断,降低了相似图片检测的准确性。
发明内容
为了解决相关技术相似图片检测的准确性不高的技术问题,本公开提供了一种图片检测方法及装置。所述技术方案如下:
根据本公开实施例的第一方面,提供一种图片检测方法,所述方法包括:
获得比对图片中与目标图片的局部特征点相匹配的特征点,所述局部特征点是采用局部特征提取算法从所述目标图片中提取的特征点;
确定所述比对图片的主体图像区域,并获得所述相匹配的特征点中位于所述主体图像区域的特征点;
根据所述相匹配的特征点和位于所述主体图像区域的特征点,计算局部相似度;
根据计算出的局部相似度,确定所述比对图片与所述目标图片是否相似。
在第一方面的第一实施方式中,所述局部相似度按照如下公式计算:
N=(n+x*a)/m,
N为所述局部相似度,n为所述相匹配的特征点的数量,x为位于所述主体图像区域的特征点的数量,a为第一预设系数,a>0,m为所述目标图片的局部特征点的总数。
在第一方面的第二实施方式中,根据所述相匹配的特征点和位于所述主体图像区域的特征点,计算局部相似度,包括:
确定所述目标图片的主体图像区域,并获得第一特征点中位于所述目标图片的主体图像区域的特征点;所述第一特征点为,所述目标图片的局部特征点中,与位于所述比对图片的主体图像区域的特征点对应的局部特征点;
按照公式N=(n+x’*a’)/m计算所述局部相似度;x’为所述第一特征点中位于所述目标图片的主体图像区域的特征点数量,a’为第二预设系数,a’>0。
在第一方面的第三实施方式中,所述根据计算出的局部相似度,确定所述比对图片与所述目标图片是否相似,包括:
确定所述相匹配的特征点中各个特征点在所述比对图片中的位置与所述比对图片的中心位置之间的距离;
在预先设置的距离与第三预设系数的对应关系中,获得各个所述特征点在所述比对图片中的位置与所述比对图片的中心位置之间的距离对应的第三预设系数;
根据各个所述特征点在所述比对图片中的位置与所述比对图片的中心位置之间的距离对应的第三预设系数,更新所述局部相似度;
根据更新后的局部相似度,确定所述比对图片与所述目标图片是否相似。
在第一方面的第四实施方式中,所述根据计算出的局部相似度,确定所述比对图片与所述目标图片是否相似,包括:
计算所述相匹配的特征点在所述比对图片中包围的最大矩形框中图像面积与所述比对图片的总体图像面积的比值;
在预先设置的比值与第四预设系数的对应关系中,获得所述比值对应的第四预设系数;
根据所述比值对应的第四预设系数,更新所述局部相似度;
根据更新后的局部相似度,确定所述比对图片与所述目标图片是否相似。
在第一方面的第五实施方式中,所述根据计算出的局部相似度,确定所述比对图片与所述目标图片是否相似,包括:
比较所述局部相似度与第一预设阈值;
当所述局部相似度大于所述第一预设阈值时,确定所述比对图片与所述目标图片相似。
在第一方面的第六实施方式中,所述方法还包括:
获得所述比对图片和所述目标图片的拍照时间之间的时间差;
在预先设置的时间差与调整系数的对应关系中,获得所述时间差对应的调整系数;
根据所述时间差对应的调整系数,确定所述第一预设阈值。
在第一方面的第七实施方式中,所述根据计算出的局部相似度,确定所述比对图片与所述目标图片是否相似,包括:
分别从所述比对图片和所述目标图片中提取相同的全局特征;
根据所述比对图片和所述目标图片的全局特征,计算所述比对图片和所述目标图片的全局相似度;
比较所述局部相似度与第一预设阈值、以及比较所述全局相似度与第二预设阈值;
当所述局部相似度大于所述第一预设阈值且所述全局相似度大于所述第二预设阈值时,确定所述比对图片与所述目标图片相似。
根据本公开实施例的第二方面,提供一种图片检测装置,所述装置包括:
获取模块,用于获得比对图片中与目标图片的局部特征点相匹配的特征点,所述局部特征点是采用局部特征提取算法从所述目标图片中提取的特征点;
第一确定模块,用于确定所述比对图片的主体图像区域,并获得所述相匹配的特征点中位于所述主体图像区域的特征点;
计算模块,用于根据所述相匹配的特征点和位于所述主体图像区域的特征点,计算局部相似度;
第二确定模块,用于根据计算出的局部相似度,确定所述比对图片与所述目标图片是否相似。
在第二方面的第一实施方式中,所述计算模块按照如下公式计算所述局部相似度:
N=(n+x*a)/m,
N为所述局部相似度,n为所述相匹配的特征点的数量,x为位于所述主体图像区域的特征点的数量,a为第一预设系数,a>0,m为所述目标图片的局部特征点的总数。
在第二方面的第二实施方式中,所述计算模块用于,
确定所述目标图片的主体图像区域,并获得第一特征点中位于所述目标图片的主体图像区域的特征点;所述第一特征点为,所述目标图片的局部特征点中,与位于所述比对图片的主体图像区域的特征点对应的局部特征点;
按照公式N=(n+x’*a’)/m计算所述局部相似度;x’为所述第一特征点中位于所述目标图片的主体图像区域的特征点数量,a’为第二预设系数,a’>0。
在第二方面的第三实施方式中,所述第二确定模块用于,
确定所述相匹配的特征点中各个特征点在所述比对图片中的位置与所述比对图片的中心位置之间的距离;
在预先设置的距离与第三预设系数的对应关系中,获得各个所述特征点在所述比对图片中的位置与所述比对图片的中心位置之间的距离对应的第三预设系数;
根据各个所述特征点在所述比对图片中的位置与所述比对图片的中心位置之间的距离对应的第三预设系数,更新所述局部相似度;
根据更新后的局部相似度,确定所述比对图片与所述目标图片是否相似。
在第二方面的第四实施方式中,所述第二确定模块用于,
计算所述相匹配的特征点在所述比对图片中包围的最大矩形框中图像面积与所述比对图片的总体图像面积的比值;
在预先设置的比值与第四预设系数的对应关系中,获得所述比值对应的第四预设系数;
根据所述比值对应的第四预设系数,更新所述局部相似度;
根据更新后的局部相似度,确定所述比对图片与所述目标图片是否相似。
在第二方面的第五实施方式中,所述第二确定模块用于,
比较所述局部相似度与第一预设阈值;
当所述局部相似度大于所述第一预设阈值时,确定所述比对图片与所述目标图片相似。
在第二方面的第六实施方式中,所述装置还包括第三确定模块,
所述第三确定模块用于,获得所述比对图片和所述目标图片的拍照时间之间的时间差;
在预先设置的时间差与调整系数的对应关系中,获得所述时间差对应的调整系数;
根据所述时间差对应的调整系数,确定所述第一预设阈值。
在第二方面的第七实施方式中,所述第二确定模块用于,
分别从所述比对图片和所述目标图片中提取相同的全局特征;
根据所述比对图片和所述目标图片的全局特征,计算所述比对图片和所述目标图片的全局相似度;
比较所述局部相似度与第一预设阈值、以及比较所述全局相似度与第二预设阈值;
当所述局部相似度大于所述第一预设阈值且所述全局相似度大于所述第二预设阈值时,确定所述比对图片与所述目标图片相似。
根据本公开实施例的第三方面,提供一种图片检测装置,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获得比对图片中与目标图片的局部特征点相匹配的特征点,所述局部特征点是采用局部特征提取算法从所述目标图片中提取的特征点;
确定所述比对图片的主体图像区域,并获得所述相匹配的特征点中位于所述主体图像区域的特征点;
根据所述相匹配的特征点和位于所述主体图像区域的特征点,计算局部相似度;
根据计算出的局部相似度,确定所述比对图片与所述目标图片是否相似。
本公开的实施例提供的技术方案可以包括以下有益效果:通过获得比对图片中与目标图片的局部特征点相匹配的特征点;确定比对图片的主体图像区域,并获得相匹配的特征点中位于主体图像区域的特征点;根据相匹配的特征点和位于主体图像区域的特征点,计算局部相似度;根据计算出的局部相似度,确定比对图片与目标图片是否相似;由于计算局部相似度时考虑了比对图片的主体图像,提高了相似图片检测的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种图片检测方法的流程图。
图2是根据一示例性实施例示出的又一种图片检测方法的流程图。
图3是根据一示例性实施例示出的又一种图片检测方法的流程图。
图4是根据一示例性实施例示出的又一种图片检测方法的流程图。
图5是根据一示例性实施例示出的又一种图片检测方法的流程图。
图6是根据一示例性实施例示出的又一种图片检测方法的流程图。
图7是根据一示例性实施例示出的一种图片检测装置的框图。
图8是根据一示例性实施例示出的又一种图片检测装置的框图。
图9是根据一示例性实施例示出的又一种图片检测装置的框图。
图10是根据一示例性实施例示出的又一种图片检测装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本公开实施例中,终端设备包括手机、智能手表、平板电脑、以及笔记本电脑。终端设备上可以安装具有相似图片搜索功能的装置,例如图片清理工具和搜索引擎。服务器可以是支持相似图片搜索功能的服务器,例如支持前述搜索引擎的服务器。
在本公开实施例中,全局特征可以是描述了图像整体性质的图像特征。全局特征包括颜色特征和纹理特征。局部特征可以是描述了图像局部区域性质的图像特征,局部特征可以是图像中的角或边缘。特征点作为局部特征,可以是像素点,也可以是若干连续的像素点构成的图像块。
图1是根据一示例性实施例示出的一种图片检测方法,适用于服务器或终端设备。参见图1,该方法包括:
在步骤S101中,获得比对图片中与目标图片的局部特征点相匹配的特征点。
在步骤S102中,确定比对图片的主体图像区域,并获得相匹配的特征点中位于主体图像区域的特征点。
其中,图片的主体可以指图片中突出表现的物体,在图片中占据较大的面积或特定的位置,并与背景存在较大的反差。图片的主体图像区域可以是图片的主体所在的图像区域。图片一般包括主体图像和背景图像。可以采用图像分割方法或者显著性检测方法确定比对图片的主体图像区域。
在步骤S103中,根据相匹配的特征点和位于主体图像区域的特征点,计算局部相似度。
本公开实施例不限制局部相似度的计算方式。在可选的第一种实施方式中,局部相似度可以按照如下公式计算,N=(n+x*a)/m。其中,N为局部相似度,n为相匹配的特征点的数量,x为位于主体图像区域的特征点的数量,a为第一预设系数,a>0,m为目标图片的局部特征点的总数。在实现时,可以根据实际需要设置第一预设系数的大小。作为可选的实施方式,1>a>0。在可选的其他实施方式中,也可以采用其他计算方式(具体参见图2示出的图片检测方法)计算局部相似度。
在步骤S104中,根据计算出的局部相似度,确定比对图片与目标图片是否相似。
其中,本步骤S104可以具体包括,比较局部相似度与第一预设阈值。当局部相似度大于第一预设阈值时,确定比对图片与目标图片相似。当局部相似度不大于第一预设阈值时,确定比对图片与目标图片不相似。
具体地,第一预设阈值可以是预先设置的与局部相似度对应的基准阈值。
本公开实施例通过获得比对图片中与目标图片的局部特征点相匹配的特征点;确定比对图片的主体图像区域,并获得相匹配的特征点中位于主体图像区域的特征点;根据相匹配的特征点和位于主体图像区域的特征点,计算局部相似度;根据计算出的局部相似度,确定比对图片与目标图片是否相似;由于计算局部相似度时考虑了比对图片的主体图像,提高了相似图片检测的准确性。
图2是根据一示例性实施例示出的一种图片检测方法,适用于服务器或终端设备。与图1示出的方法中提供的局部相似度的计算方式相比,本实施例提供的局部相似度的计算方式不同。参见图2,该方法包括:
在步骤S201中,获得比对图片中与目标图片的局部特征点相匹配的特征点。
具体地,首先,从目标图片中提取局部特征点。可以采用局部特征提取算法,例如尺度不变特征变换(Scale Invariant Feature Transform,简称SIFT)算法或者加速稳健特征(Speeded Up Robust Features,简称SURF)算法,从目标图片中提取一定数量的特征点。由于不同图片的复杂程度不同,从不同图片中提取的特征点的数量有可能不同。一般地,越复杂的图片包含的特征点也越多。
其次,从比对图片中查找与提取的局部特征点匹配的特征点,以获得比对图片中与目标图片的局部特征点相匹配的特征点。
在步骤S202中,确定比对图片的主体图像区域,并获得相匹配的特征点中位于主体图像区域的特征点。
如前述,可以采用图像分割方法和显著性检测方法确定比对图片的主体图像区域。具体地,首先,根据灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域,并使这些特征在同一区域内呈现出相似性,而在不同区域间呈现出明显的差异性。其次,计算每个图像区域的灰度与其他各个图像区域的灰度的灰度差,并获得每个图像区域的灰度与其他各个图像区域的灰度的灰度差之和。可以将灰度差之和最大的图像区域作为主体图像区域。
在确定主体图像区域之后,可以根据各个相匹配的特征点的像素坐标,判断该特征点是否位于主体图像区域。当特征点为图像块时,可以取该特征点中位于左上方向的像素点的像素坐标作为该特征点的像素坐标。
在步骤S203中,确定目标图片的主体图像区域,并获得第一特征点中位于目标图片的主体图像区域的特征点。
其中,第一特征点为,目标图片的局部特征点中,与位于比对图片的主体图像区域的特征点对应的局部特征点。
目标图片的一个特征点和比对图片中与这个特征点相匹配的一个特征点,可以称为一个特征点匹配对。通过步骤S202和S203,可以从比对图片与目标图片的特征点匹配对中,确定出分别位于比对图片的主体图像区域和目标图片的主体图像区域的特征点匹配对。分别位于比对图片的主体图像区域和目标图片的主体图像区域的特征点匹配对的数量越多,比对图片和目标图片的相似度就越高。
在步骤S204中,计算局部相似度。
其中,可以按照公式N=(n+x’*a’)/m计算局部相似度为。x’为第一特征点中位于目标图片的主体图像区域的特征点数量,a’为第二预设系数,a’>0。第二预设系数的大小可以按照需要设置。作为可选的实施方式,1>a’>0,第一预设系数可以与第二预设系数相同。
在步骤S205中,根据计算出的局部相似度,确定比对图片与目标图片是否相似。
本步骤S205同图1示出的方法中步骤S104,在此不再赘述。
本公开实施例通过获得比对图片中与目标图片的局部特征点相匹配的特征点;确定比对图片的主体图像区域,并获得相匹配的特征点中位于主体图像区域的特征点;根据相匹配的特征点和位于主体图像区域的特征点,计算局部相似度;根据计算出的局部相似度,确定比对图片与目标图片是否相似;由于计算局部相似度时考虑了比对图片的主体图像,提高了相似图片检测的准确性。
图3是根据一示例性实施例示出的一种图片检测方法,适用于服务器或终端设备。与图1或图2示出的方法相比,本公开实施例将描述一种局部相似度的更新方式。参见图3,该方法包括:
在步骤S301中,获得比对图片中与目标图片的局部特征点相匹配的特征点。
本步骤S301同图2示出的方法中步骤S201,在此不再赘述。
在步骤S302中,确定比对图片的主体图像区域,并获得相匹配的特征点中位于主体图像区域的特征点。
本步骤S302同图2示出的方法中步骤S202,在此不再赘述。
在步骤S303中,计算局部相似度。
本步骤S303可以同图1示出的方法中步骤S103,也可以包括图2示出的方法中步骤S203和S204,在此不再赘述。
具体地,局部相似度的计算公式可以是N=(n+x*a)/m,也可以是N=(n+x’*a’)/m。
在步骤S304中,确定相匹配的特征点中各个特征点在比对图片中的位置与比对图片的中心位置之间的距离。
其中,特征点在比对图片中的位置可以是靠近中心位置的中间位置,也可以是远离中心位置的边缘位置。由于图片的中间位置通常是主体图像区域,而边缘位置通常是图片背景。因此,特征点在比对图片中的位置与比对图片的中心位置之间的距离越小,意味着该特征点属于主体图像区域的可能性越大。而相匹配的特征点中位于比对图片的中间位置的特征点越多,意味着比对图片与目标图片的相似度越高。
在步骤S305中,在预先设置的距离与第三预设系数的对应关系中,获得各个特征点在比对图片中的位置与比对图片的中心位置之间的距离对应的第三预设系数。
其中,图片位置越靠近图片的中心位置,图片位置对应的第三预设系数越大。在实现时,可以按照需要设置第三预设系数的大小。
需要说明的是,步骤S305在步骤S304之后执行,本公开实施例不限制步骤S304与步骤S302的执行顺序,步骤S304与步骤S302可以同时执行,或者,步骤S304可以先于步骤S302执行。
在步骤S306中,根据各个特征点在比对图片中的位置与比对图片的中心位置之间的距离对应的第三预设系数,更新局部相似度。
当局部相似度的计算公式是N=(n+x*a)/m时,可以按照公式N=(n+x*a+b1+b2+...+bn)/m更新局部相似度。其中,b1为相匹配的特征点中第1个特征点在比对图片中的位置与比对图片的中心位置之间的距离对应的第三预设系数,b2为相匹配的特征点中第2个特征点在比对图片中的位置与比对图片的中心位置之间的距离对应的第三预设系数,bn为相匹配的特征点中第n个特征点在比对图片中的位置与比对图片的中心位置之间的距离对应的第三预设系数,bn>0。作为可选的实施方式,a>bn。
当局部相似度的计算公式是N=(n+x’*a’)/m时,可以按照公式N=(n+x’*a’+b1+b2+...+bn)/m更新局部相似度。
在步骤S307中,根据更新后的局部相似度,确定比对图片与目标图片是否相似。
其中,本步骤S307可以具体包括,比较更新后的局部相似度与第一预设阈值。当更新后的局部相似度大于第一预设阈值时,确定比对图片与目标图片相似。当更新后的局部相似度不大于第一预设阈值时,确定比对图片与目标图片不相似。
本公开实施例通过获得比对图片中与目标图片的局部特征点相匹配的特征点;确定比对图片的主体图像区域,并获得相匹配的特征点中位于主体图像区域的特征点;根据相匹配的特征点和位于主体图像区域的特征点,计算局部相似度;根据计算出的局部相似度,确定比对图片与目标图片是否相似;由于计算局部相似度时考虑了比对图片的主体图像,提高了相似图片检测的准确性。
图4是根据一示例性实施例示出的一种图片检测方法,适用于服务器或终端设备。与图3示出的方法中提供的局部相似度的更新方式相比,本实施例提供的局部相似度的更新方式不同。参见图4,该方法包括:
在步骤S401中,获得比对图片中与目标图片的局部特征点相匹配的特征点。
本步骤S401同图2示出的方法中步骤S201,在此不再赘述。
在步骤S402中,确定比对图片的主体图像区域,并获得相匹配的特征点中位于主体图像区域的特征点。
本步骤S402同图2示出的方法中步骤S202,在此不再赘述。
在步骤S403中,计算局部相似度。
本步骤S403可以同图1示出的方法中步骤S103,也可以包括图2示出的方法中步骤S203和S204,还可以包括图3示出的方法中步骤S303-步骤S306,在此不再赘述。
具体地,局部相似度的计算公式可以是N=(n+x*a)/m,也可以是N=(n+x’*a’)/m,还可以是N=(n+x*a+b1+b2+...+bn)/m、或者N=(n+x’*a’+b1+b2+...+bn)/m。
在步骤S404中,计算相匹配的特征点在比对图片中包围的最大矩形框中图像面积与比对图片的总体图像面积的比值。
当比值越大时,可以认为相匹配的特征点在比对图片上分布比较均匀。
在步骤S405中,在预先设置的比值与第四预设系数的对应关系中,获得该比值对应的第四预设系数。
其中,比值越大,第四预设系数越大。当比值越大时,可以认为相匹配的特征点在比对图片上分布比较均匀,比对图片与目标图片的相似度越高。
在实现时,可以按照需要设置第四预设系数的大小。作为可选的实施方式,第四预设系数大于0且不大于第一预设系数、第二预设系数、或第三预设系数。
需要说明的是,步骤S405在步骤S404之后执行,本公开实施例不限制步骤S404与步骤S402的执行顺序,步骤S404与步骤S402可以同时执行,或者,步骤S404可以先于步骤S402执行。
在步骤S406中,根据比值对应的第四预设系数,更新局部相似度。
当局部相似度的计算公式是N=(n+x*a)/m时,可以按照公式N=(n+x*a+c)/m更新局部相似度。其中,c为比值对应的第四预设系数,c>0。
当局部相似度的计算公式是N=(n+x’*a’)/m时,可以按照公式N=(n+x’*a’+c)/m更新局部相似度。
当局部相似度的计算公式是N=(n+x*a+b1+b2+...+bn)/m时,可以按照公式N=(n+x*a+b1+b2+...+bn+c)/m更新局部相似度。
当局部相似度的计算公式是N=(n+x’*a’+b1+b2+...+bn)/m时,可以按照公式N=(n+x’*a’+b1+b2+...+bn+c)/m更新局部相似度。
在步骤S407中,根据计算出的局部相似度,确定比对图片与目标图片是否相似。
本步骤S407同图3示出的方法中步骤S307,在此不再赘述。
本公开实施例通过获得比对图片中与目标图片的局部特征点相匹配的特征点;确定比对图片的主体图像区域,并获得相匹配的特征点中位于主体图像区域的特征点;根据相匹配的特征点和位于主体图像区域的特征点,计算局部相似度;根据计算出的局部相似度,确定比对图片与目标图片是否相似;由于计算局部相似度时考虑了比对图片的主体图像,提高了相似图片检测的准确性。
图5是根据一示例性实施例示出的一种图片检测方法,适用于服务器或终端设备。本实施例提供的图片检测方法在确定比对图片与目标图片是否相似时,将考虑比对图片的拍照时间与目标图片的拍照时间之间的时间差。参见图5,该方法包括:
在步骤S501中,获得比对图片中与目标图片的局部特征点相匹配的特征点。
本步骤S501同图1示出的方法中步骤S101,在此不再赘述。
在步骤S502中,确定比对图片的主体图像区域,并获得相匹配的特征点中位于主体图像区域的特征点。
本步骤S502同图1示出的方法中步骤S102,在此不再赘述。
在步骤S503中,计算局部相似度。
本步骤S503可以包括图1示出的方法中步骤S103,也可以包括图2示出的方法中步骤S203-S204,也可以包括图3示出的方法中步骤S303-S306,还可以包括图4示出的方法中步骤S403-S406,在此不再赘述。
在步骤S504中,获得比对图片和目标图片的拍照时间之间的时间差。
其中,图片是以图片数据的形式存储。图片数据中包含有图片的拍照时间,可以从图片数据中获得图片的拍照时间。假若两张图片的拍照时间间隔特别短,那么这两张图片可能非常相似。比对图片的拍照时间和目标图片的拍照时间之间的时间差越小,比对图片和目标图片的相似度会越高。
在步骤S505中,在预先设置的时间差与调整系数的对应关系中,获得时间差对应的调整系数。
其中,时间差越大,调整系数对第一预设预置的调整程度越小(参见步骤S506)。在实现时,可以按照需要设置调整系数的大小。作为可选的实施方式,调整系数大于0且不大于0.4。
在步骤S506中,根据时间差对应的调整系数,确定第一预设阈值。
其中,第一预设阈值的计算公式为,β=θ*α,β为第一预设阈值,θ为时间差对应的调整系数,α为预设基准阈值。预设基准阈值可以是预先设置的与局部相似度对应的基准阈值,可以是经验值。比如,首先,可以获得一定数量的且符合标准的相似图片。其次,计算每张相似图片的局部相似度(可以采用前述计算方式计算局部相似度),再计算每张图片的平均局部相似度,将平均局部相似度作为预设基准阈值。
在步骤S507中,比较局部相似度与确定出的第一预设阈值。
当局部相似度大于确定出的第一预设阈值时,确定比对图片与目标图片相似。当局部相似度不大于确定出的第一预设阈值时,确定比对图片与目标图片不相似。
本公开实施例通过获得比对图片中与目标图片的局部特征点相匹配的特征点;确定比对图片的主体图像区域,并获得相匹配的特征点中位于主体图像区域的特征点;根据相匹配的特征点和位于主体图像区域的特征点,计算局部相似度;根据计算出的局部相似度,确定比对图片与目标图片是否相似;由于计算局部相似度时考虑了比对图片的主体图像,提高了相似图片检测的准确性。
图6是根据一示例性实施例示出的一种图片检测方法,适用于服务器或终端设备。本实施例提供的图片检测方法在确定比对图片与目标图片是否相似时,除了考虑比对图片与目标图片的局部相似度之外,还将考虑比对图片与目标图片的全局相似度。参见图6,该方法包括:
在步骤S601中,获得比对图片中与目标图片的局部特征点相匹配的特征点。
本步骤S601同图1示出的方法中步骤S101,在此不再赘述。
在步骤S602中,确定比对图片的主体图像区域,并获得相匹配的特征点中位于主体图像区域的特征点。
本步骤S602同图1示出的方法中步骤S102,在此不再赘述。
在步骤S603中,计算局部相似度。
本步骤S603可以包括图1示出的方法中步骤S103,也可以包括图2示出的方法中步骤S203-S204,也可以包括图3示出的方法中步骤S303-S306,还可以包括图4示出的方法中步骤S403-S406,在此不再赘述。
在步骤S604中,分别从比对图片和目标图片中提取相同的全局特征。
其中,全局特征包括颜色特征和纹理特征中至少一种。在本公开实施例中,可以采用相关全局特征提取算法提取全局特征。例如,当全局特征为颜色特征时,可以采用颜色直方图、颜色集、颜色矩、颜色聚合向量、或者颜色相关图提取颜色特征。当全局特征为纹理特征时,可以采用统计方法、几何法、模型法、或者信号处理法提取纹理特征。
在步骤S605中,根据比对图片和目标图片的全局特征,获得比对图片和目标图片的全局相似度。
需要说明的是,步骤S601、步骤S602和步骤S603顺次执行,步骤S605在步骤S604之后执行,本公开实施例不限制步骤S604与步骤S601的执行顺序,步骤S604与步骤S601可以同时执行,或者,步骤S604可以先于步骤S601执行。
在步骤S606中,比较局部相似度与第一预设阈值、以及比较全局相似度与第二预设阈值。
当局部相似度大于第一预设阈值且全局相似度大于第二预设阈值时,确定比对图片与目标图片相似。当局部相似度不大于第一预设阈值、或者全局相似度不大于第二预设阈值时,确定比对图片与目标图片不相似。
具体地,第二预设阈值可以是预先设置的与全局相似度对应的基准阈值。第二预设阈值的获得方式可以参照图5示出的方法中步骤S506介绍的预设基准阈值的获得方式。
需要说明的是,本公开实施例可以与图5示出的实施例叠加。具体地,在步骤S606之前可以执行,获得比对图片和目标图片的拍照时间之间的时间差;在预先设置的时间差与调整系数的对应关系中,获得时间差对应的调整系数;根据时间差对应的调整系数,确定第一预设阈值(参见步骤S504-步骤S506)。步骤S606可以包括,比较局部相似度与确定出的第一预设阈值、以及比较全局相似度与第二预设阈值。当局部相似度大于确定出的第一预设阈值且全局相似度大于第二预设阈值时,确定比对图片与目标图片相似。
此外,还可以根据时间差对应的调整系数,确定第二预设阈值,确定方式可以与第一预设阈值的确定方式相同。在步骤S606中,可以比较全局相似度与确定出的第二预设阈值。
本公开实施例通过获得比对图片中与目标图片的局部特征点相匹配的特征点;确定比对图片的主体图像区域,并获得相匹配的特征点中位于主体图像区域的特征点;根据相匹配的特征点和位于主体图像区域的特征点,计算局部相似度;根据计算出的局部相似度,确定比对图片与目标图片是否相似;由于计算局部相似度时考虑了比对图片的主体图像,提高了相似图片检测的准确性。
图7是根据一示例性实施例示出的一种图片检测装置的框图,该装置可以设置在终端设备或者服务器中,且适用于图1~图6示出的任一实施例提供的方法。参见图7,该装置包括获取模块701、第一确定模块702、计算模块703和第二确定模块704。
该获取模块701被配置为,获得比对图片中与目标图片的局部特征点相匹配的特征点。
该第一确定模块702被配置为,确定比对图片的主体图像区域,并获得相匹配的特征点中位于主体图像区域的特征点。
该计算模块703被配置为,根据相匹配的特征点和位于主体图像区域的特征点,计算局部相似度。
该第二确定模块704被配置为,根据计算出的局部相似度,确定比对图片与目标图片是否相似。
本公开实施例通过获得比对图片中与目标图片的局部特征点相匹配的特征点;确定比对图片的主体图像区域,并获得相匹配的特征点中位于主体图像区域的特征点;根据相匹配的特征点和位于主体图像区域的特征点,计算局部相似度;根据计算出的局部相似度,确定比对图片与目标图片是否相似;由于计算局部相似度时考虑了比对图片的主体图像,提高了相似图片检测的准确性。
图8是根据一示例性实施例示出的一种图片检测装置的框图,该装置可以设置在终端设备或者服务器中,且适用于图1~图6示出的任一实施例提供的方法。参见图8,该装置包括获取模块801、第一确定模块802、计算模块803和第二确定模块804。获取模块801和第一确定模块802分别与图7示出的装置中获取模块701和第一确定模块702相同,在此不再赘述,不同之处如下。
在可选的第一实施方式中,计算模块803可以按照如下公式计算局部相似度,N=(n+x*a)/m,N为局部相似度,n为相匹配的特征点的数量,x为位于主体图像区域的特征点的数量,a为第一预设系数,a>0,m为目标图片的局部特征点的总数。
在可选的第二实施方式中,计算模块803被配置为,确定目标图片的主体图像区域,并获得第一特征点中位于目标图片的主体图像区域的特征点;第一特征点为,目标图片的局部特征点中,与位于比对图片的主体图像区域的特征点对应的局部特征点;按照公式N=(n+x’*a’)/m计算局部相似度;x’为第一特征点中位于目标图片的主体图像区域的特征点数量,a’为第二预设系数,a’>0。
在可选的第三实施方式中,第二确定模块804被配置为,确定相匹配的特征点中各个特征点在比对图片中的位置与比对图片的中心位置之间的距离;在预先设置的距离与第三预设系数的对应关系中,获得各个特征点在比对图片中的位置与比对图片的中心位置之间的距离对应的第三预设系数;根据各个特征点在比对图片中的位置与比对图片的中心位置之间的距离对应的第三预设系数,更新局部相似度;根据更新后的局部相似度,确定比对图片与目标图片是否相似。
在可选的第四实施方式中,第二确定模块804被配置为,计算相匹配的特征点在比对图片中包围的最大矩形框中图像面积与比对图片的总体图像面积的比值;在预先设置的比值与第四预设系数的对应关系中,获得该比值对应的第四预设系数;根据比值对应的第四预设系数,更新局部相似度;根据更新后的局部相似度,确定比对图片与目标图片是否相似。
在可选的第五实施方式中,第二确定模块804被配置为,比较局部相似度与第一预设阈值;当局部相似度大于第一预设阈值时,确定比对图片与目标图片相似。
在可选的第六实施方式中,该装置还包括第三确定模块805。
第三确定模块805被配置为,获得比对图片和目标图片的拍照时间之间的时间差;在预先设置的时间差与调整系数的对应关系中,获得时间差对应的调整系数;根据时间差对应的调整系数,确定所述第一预设阈值。
在可选的第七实施方式中,第二确定模块804被配置为,分别从比对图片和目标图片中提取相同的全局特征;根据比对图片和目标图片的全局特征,计算比对图片和目标图片的全局相似度;比较局部相似度与第一预设阈值、以及比较全局相似度与第二预设阈值;当局部相似度大于第一预设阈值且全局相似度大于第二预设阈值时,确定比对图片与目标图片相似。
关于上述实施例中的装置,其中各个模块已经在有关方法的实施例中进行了相关描述,此处将不做详细阐述说明。
本公开实施例通过获得比对图片中与目标图片的局部特征点相匹配的特征点;确定比对图片的主体图像区域,并获得相匹配的特征点中位于主体图像区域的特征点;根据相匹配的特征点和位于主体图像区域的特征点,计算局部相似度;根据计算出的局部相似度,确定比对图片与目标图片是否相似;由于计算局部相似度时考虑了比对图片的主体图像,提高了相似图片检测的准确性。
图9是根据一示例性实施例示出的一种图片检测装置800的框图。例如,装置800可以是移动电话,计算机,数字广播终端,消息收发装置,游戏控制台,平板装置,医疗装置,健身装置,个人数字助理等。
参照图9,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电力组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储装置或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电力组件806为装置800的各种组件提供电力。电力组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。该传感器组件814还包括指纹传感器和金属部件。所述金属部件环绕所述指纹传感器设置。所述指纹传感器用于,采集指纹特征信息;所述金属部件用于,采集触摸指示信息。
通信组件816被配置为便于装置800和其他装置之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理装置(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由装置800的处理器820执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储装置等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行一种图片检测方法,所述方法包括:
获得比对图片中与目标图片的局部特征点相匹配的特征点;确定比对图片的主体图像区域,并获得相匹配的特征点中位于主体图像区域的特征点;根据相匹配的特征点和位于主体图像区域的特征点,计算局部相似度;根据计算出的局部相似度,确定比对图片与目标图片是否相似。
作为可选的第一实施方式,移动终端可以按照如下公式计算局部相似度:N=(n+x*a)/m,N为局部相似度,n为相匹配的特征点的数量,x为位于主体图像区域的特征点的数量,a为第一预设系数,a>0,m为目标图片的局部特征点的总数。
作为可选的第二实施方式,移动终端可以执行,确定目标图片的主体图像区域,并获得第一特征点中位于目标图片的主体图像区域的特征点;第一特征点为,目标图片的局部特征点中,与位于比对图片的主体图像区域的特征点对应的局部特征点;按照公式N=(n+x’*a’)/m计算局部相似度;x’为第一特征点中位于目标图片的主体图像区域的特征点数量,a’为第二预设系数,a’>0。
作为可选的第三实施方式,移动终端可以执行,确定相匹配的特征点中各个特征点在比对图片中的位置与比对图片的中心位置之间的距离;在预先设置的距离与第三预设系数的对应关系中,获得各个特征点在比对图片中的位置与比对图片的中心位置之间的距离对应的第三预设系数;根据各个特征点在比对图片中的位置与比对图片的中心位置之间的距离对应的第三预设系数,更新局部相似度;根据更新后的局部相似度,确定比对图片与目标图片是否相似。
作为可选的第四实施方式,移动终端可以执行,计算相匹配的特征点在比对图片中包围的最大矩形框中图像面积与比对图片的总体图像面积的比值;在预先设置的比值与第四预设系数的对应关系中,获得该比值对应的第四预设系数;根据比值对应的第四预设系数,更新局部相似度;根据更新后的局部相似度,确定比对图片与目标图片是否相似。
作为可选的第五实施方式,移动终端可以执行,比较局部相似度与第一预设阈值;当局部相似度大于第一预设阈值时,确定比对图片与目标图片相似。
作为可选的第六实施方式,移动终端可以执行,获得比对图片和目标图片的拍照时间之间的时间差;在预先设置的时间差与调整系数的对应关系中,获得时间差对应的调整系数;根据时间差对应的调整系数,确定所述第一预设阈值。
作为可选的第七实施方式,移动终端可以执行,分别从比对图片和目标图片中提取相同的全局特征;根据比对图片和目标图片的全局特征,计算比对图片和目标图片的全局相似度;比较局部相似度与第一预设阈值、以及比较全局相似度与第二预设阈值;当局部相似度大于第一预设阈值且全局相似度大于第二预设阈值时,确定比对图片与目标图片相似。
图10是根据一示例性实施例示出的一种图片检测装置1900的框图。例如,装置1900可以被提供为一服务器。参照图10,装置1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法:获得比对图片中与目标图片的局部特征点相匹配的特征点;确定比对图片的主体图像区域,并获得相匹配的特征点中位于主体图像区域的特征点;根据相匹配的特征点和位于主体图像区域的特征点,计算局部相似度;根据计算出的局部相似度,确定比对图片与目标图片是否相似。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理,一个有线或无线网络接口1950被配置为将装置1900连接到网络,和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (17)
1.一种图片检测方法,其特征在于,所述方法包括:
获得比对图片中与目标图片的局部特征点相匹配的特征点,所述局部特征点是采用局部特征提取算法从所述目标图片中提取的特征点;
确定所述比对图片的主体图像区域,并获得所述相匹配的特征点中位于所述主体图像区域的特征点;
根据所述相匹配的特征点和位于所述主体图像区域的特征点,计算局部相似度;
根据计算出的局部相似度,确定所述比对图片与所述目标图片是否相似。
2.根据权利要求1所述的方法,其特征在于,所述局部相似度按照如下公式计算:
N=(n+x*a)/m,
N为所述局部相似度,n为所述相匹配的特征点的数量,x为位于所述主体图像区域的特征点的数量,a为第一预设系数,a>0,m为所述目标图片的局部特征点的总数。
3.根据权利要求1所述的方法,其特征在于,根据所述相匹配的特征点和位于所述主体图像区域的特征点,计算局部相似度,包括:
确定所述目标图片的主体图像区域,并获得第一特征点中位于所述目标图片的主体图像区域的特征点;所述第一特征点为,所述目标图片的局部特征点中,与位于所述比对图片的主体图像区域的特征点对应的局部特征点;
按照公式N=(n+x’*a’)/m计算所述局部相似度;x’为所述第一特征点中位于所述目标图片的主体图像区域的特征点数量,a’为第二预设系数,a’>0。
4.根据权利要求1所述的方法,其特征在于,所述根据计算出的局部相似度,确定所述比对图片与所述目标图片是否相似,包括:
确定所述相匹配的特征点中各个特征点在所述比对图片中的位置与所述比对图片的中心位置之间的距离;
在预先设置的距离与第三预设系数的对应关系中,获得各个所述特征点在所述比对图片中的位置与所述比对图片的中心位置之间的距离对应的第三预设系数;
根据各个所述特征点在所述比对图片中的位置与所述比对图片的中心位置之间的距离对应的第三预设系数,更新所述局部相似度;
根据更新后的局部相似度,确定所述比对图片与所述目标图片是否相似。
5.根据权利要求1所述的方法,其特征在于,所述根据计算出的局部相似度,确定所述比对图片与所述目标图片是否相似,包括:
计算所述相匹配的特征点在所述比对图片中包围的最大矩形框中图像面积与所述比对图片的总体图像面积的比值;
在预先设置的比值与第四预设系数的对应关系中,获得所述比值对应的第四预设系数;
根据所述比值对应的第四预设系数,更新所述局部相似度;
根据更新后的局部相似度,确定所述比对图片与所述目标图片是否相似。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述根据计算出的局部相似度,确定所述比对图片与所述目标图片是否相似,包括:
比较所述局部相似度与第一预设阈值;
当所述局部相似度大于所述第一预设阈值时,确定所述比对图片与所述目标图片相似。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
获得所述比对图片和所述目标图片的拍照时间之间的时间差;
在预先设置的时间差与调整系数的对应关系中,获得所述时间差对应的调整系数;
根据所述时间差对应的调整系数,确定所述第一预设阈值。
8.根据权利要求1-5任一项所述的方法,其特征在于,所述根据计算出的局部相似度,确定所述比对图片与所述目标图片是否相似,包括:
分别从所述比对图片和所述目标图片中提取相同的全局特征;
根据所述比对图片和所述目标图片的全局特征,计算所述比对图片和所述目标图片的全局相似度;
比较所述局部相似度与第一预设阈值、以及比较所述全局相似度与第二预设阈值;
当所述局部相似度大于所述第一预设阈值且所述全局相似度大于所述第二预设阈值时,确定所述比对图片与所述目标图片相似。
9.一种图片检测装置,其特征在于,所述装置包括:
获取模块,用于获得比对图片中与目标图片的局部特征点相匹配的特征点,所述局部特征点是采用局部特征提取算法从所述目标图片中提取的特征点;
第一确定模块,用于确定所述比对图片的主体图像区域,并获得所述相匹配的特征点中位于所述主体图像区域的特征点;
计算模块,用于根据所述相匹配的特征点和位于所述主体图像区域的特征点,计算局部相似度;
第二确定模块,用于根据计算出的局部相似度,确定所述比对图片与所述目标图片是否相似。
10.根据权利要求9所述的装置,其特征在于,所述计算模块按照如下公式计算所述局部相似度:
N=(n+x*a)/m,
N为所述局部相似度,n为所述相匹配的特征点的数量,x为位于所述主体图像区域的特征点的数量,a为第一预设系数,a>0,m为所述目标图片的局部特征点的总数。
11.根据权利要求9所述的装置,其特征在于,所述计算模块用于,
确定所述目标图片的主体图像区域,并获得第一特征点中位于所述目标图片的主体图像区域的特征点;所述第一特征点为,所述目标图片的局部特征点中,与位于所述比对图片的主体图像区域的特征点对应的局部特征点;
按照公式N=(n+x’*a’)/m计算所述局部相似度;x’为所述第一特征点中位于所述目标图片的主体图像区域的特征点数量,a’为第二预设系数,a’>0。
12.根据权利要求9所述的装置,其特征在于,所述第二确定模块用于,
确定所述相匹配的特征点中各个特征点在所述比对图片中的位置与所述比对图片的中心位置之间的距离;
在预先设置的距离与第三预设系数的对应关系中,获得各个所述特征点在所述比对图片中的位置与所述比对图片的中心位置之间的距离对应的第三预设系数;
根据各个所述特征点在所述比对图片中的位置与所述比对图片的中心位置之间的距离对应的第三预设系数,更新所述局部相似度;
根据更新后的局部相似度,确定所述比对图片与所述目标图片是否相似。
13.根据权利要求9所述的装置,其特征在于,所述第二确定模块用于,
计算所述相匹配的特征点在所述比对图片中包围的最大矩形框中图像面积与所述比对图片的总体图像面积的比值;
在预先设置的比值与第四预设系数的对应关系中,获得所述比值对应的第四预设系数;
根据所述比值对应的第四预设系数,更新所述局部相似度;
根据更新后的局部相似度,确定所述比对图片与所述目标图片是否相似。
14.根据权利要求9-13任一项所述的装置,其特征在于,所述第二确定模块用于,
比较所述局部相似度与第一预设阈值;
当所述局部相似度大于所述第一预设阈值时,确定所述比对图片与所述目标图片相似。
15.根据权利要求14所述的装置,其特征在于,所述装置还包括第三确定模块,
所述第三确定模块用于,获得所述比对图片和所述目标图片的拍照时间之间的时间差;
在预先设置的时间差与调整系数的对应关系中,获得所述时间差对应的调整系数;
根据所述时间差对应的调整系数,确定所述第一预设阈值。
16.根据权利要求9-13任一项所述的装置,其特征在于,所述第二确定模块用于,
分别从所述比对图片和所述目标图片中提取相同的全局特征;
根据所述比对图片和所述目标图片的全局特征,计算所述比对图片和所述目标图片的全局相似度;
比较所述局部相似度与第一预设阈值、以及比较所述全局相似度与第二预设阈值;
当所述局部相似度大于所述第一预设阈值且所述全局相似度大于所述第二预设阈值时,确定所述比对图片与所述目标图片相似。
17.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括至少一条指令,所述至少一条指令被处理器执行时,执行所述权利要求1-8任一所述的图片检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510471072.9A CN105069089B (zh) | 2015-08-04 | 2015-08-04 | 图片检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510471072.9A CN105069089B (zh) | 2015-08-04 | 2015-08-04 | 图片检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105069089A CN105069089A (zh) | 2015-11-18 |
CN105069089B true CN105069089B (zh) | 2019-02-12 |
Family
ID=54498459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510471072.9A Active CN105069089B (zh) | 2015-08-04 | 2015-08-04 | 图片检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069089B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106776267A (zh) * | 2015-11-25 | 2017-05-31 | 富士通株式会社 | 网页应用兼容性测试方法和网页应用兼容性测试设备 |
CN110084254A (zh) * | 2018-01-23 | 2019-08-02 | 北京国双科技有限公司 | 基于社交网络的相似图像确定方法及装置 |
CN108596277B (zh) * | 2018-05-10 | 2020-07-07 | 腾讯科技(深圳)有限公司 | 一种车辆身份识别方法、装置和存储介质 |
CN108960280B (zh) * | 2018-05-21 | 2020-07-24 | 北京中科闻歌科技股份有限公司 | 一种图片相似度检测方法及系统 |
CN109191502B (zh) * | 2018-08-14 | 2021-08-24 | 南京工业大学 | 一种自动识别弹壳痕迹的方法 |
CN111353062A (zh) * | 2018-12-21 | 2020-06-30 | 华为技术有限公司 | 一种图像检索方法、装置以及设备 |
CN110309335B (zh) * | 2019-07-03 | 2023-01-06 | 腾讯科技(深圳)有限公司 | 一种图片匹配方法、装置、设备及存储介质 |
CN115270907A (zh) * | 2019-09-05 | 2022-11-01 | 腾讯音乐娱乐科技(深圳)有限公司 | 图片内容相似度分析方法、装置及存储介质 |
CN110688926B (zh) * | 2019-09-19 | 2022-12-13 | Oppo广东移动通信有限公司 | 主体检测方法和装置、电子设备、计算机可读存储介质 |
JP7438702B2 (ja) * | 2019-09-25 | 2024-02-27 | 株式会社東芝 | 類似領域検出装置、類似領域検出方法およびプログラム |
CN111062433A (zh) * | 2019-12-13 | 2020-04-24 | 华中科技大学鄂州工业技术研究院 | 一种基于sift特征匹配的景点确认方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1434165A1 (en) * | 2002-11-25 | 2004-06-30 | Eastman Kodak Company | Method and system for detecting a geometrically transformed copy of an image |
CN101308504A (zh) * | 2007-05-16 | 2008-11-19 | 佳能株式会社 | 图像处理设备和图像检索方法 |
CN102043960A (zh) * | 2010-12-03 | 2011-05-04 | 杭州淘淘搜科技有限公司 | 一种结合图像灰度与梯度的改进sift特征提取方法 |
CN102117412A (zh) * | 2009-12-31 | 2011-07-06 | 北大方正集团有限公司 | 图像识别方法和装置 |
CN104615676A (zh) * | 2015-01-20 | 2015-05-13 | 同济大学 | 一种基于最大相似度匹配的图片检索方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5096776B2 (ja) * | 2007-04-04 | 2012-12-12 | キヤノン株式会社 | 画像処理装置及び画像検索方法 |
-
2015
- 2015-08-04 CN CN201510471072.9A patent/CN105069089B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1434165A1 (en) * | 2002-11-25 | 2004-06-30 | Eastman Kodak Company | Method and system for detecting a geometrically transformed copy of an image |
CN101308504A (zh) * | 2007-05-16 | 2008-11-19 | 佳能株式会社 | 图像处理设备和图像检索方法 |
CN102117412A (zh) * | 2009-12-31 | 2011-07-06 | 北大方正集团有限公司 | 图像识别方法和装置 |
CN102043960A (zh) * | 2010-12-03 | 2011-05-04 | 杭州淘淘搜科技有限公司 | 一种结合图像灰度与梯度的改进sift特征提取方法 |
CN104615676A (zh) * | 2015-01-20 | 2015-05-13 | 同济大学 | 一种基于最大相似度匹配的图片检索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105069089A (zh) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069089B (zh) | 图片检测方法及装置 | |
CN110807361B (zh) | 人体识别方法、装置、计算机设备及存储介质 | |
CN105528606B (zh) | 区域识别方法及装置 | |
CN110222789B (zh) | 图像识别方法及存储介质 | |
JP6101399B2 (ja) | クラスタリング方法、クラスタリング装置、端末装置、プログラム及び記録媒体 | |
CN104156947A (zh) | 图像分割方法、装置及设备 | |
CN110059652B (zh) | 人脸图像处理方法、装置及存储介质 | |
CN105069426B (zh) | 相似图片判断方法以及装置 | |
CN105631803B (zh) | 滤镜处理的方法和装置 | |
CN105426878B (zh) | 人脸聚类方法及装置 | |
CN107688781A (zh) | 人脸识别方法及装置 | |
CN111127509B (zh) | 目标跟踪方法、装置和计算机可读存储介质 | |
CN106648063B (zh) | 手势识别方法及装置 | |
CN104933700B (zh) | 一种进行图像内容识别的方法和装置 | |
CN104408404A (zh) | 人脸识别方法及装置 | |
CN110827195B (zh) | 虚拟物品添加方法、装置、电子设备及存储介质 | |
CN111754386B (zh) | 图像区域屏蔽方法、装置、设备及存储介质 | |
CN104636453A (zh) | 非法用户资料识别方法及装置 | |
CN110909209A (zh) | 直播视频的搜索方法及装置、设备、服务器和存储介质 | |
CN109992176A (zh) | 一种信息识别码的扫描方法和装置 | |
CN107958223A (zh) | 人脸识别方法及装置、移动设备、计算机可读存储介质 | |
CN109242045B (zh) | 图像聚类处理方法、装置、电子设备及存储介质 | |
CN110738185B (zh) | 表单对象的识别方法、装置及存储介质 | |
CN110059547A (zh) | 目标检测方法及装置 | |
CN105957114B (zh) | 对图像中多边形进行检测的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |