CN105956596A - 图片反作弊方法及装置 - Google Patents
图片反作弊方法及装置 Download PDFInfo
- Publication number
- CN105956596A CN105956596A CN201610264685.XA CN201610264685A CN105956596A CN 105956596 A CN105956596 A CN 105956596A CN 201610264685 A CN201610264685 A CN 201610264685A CN 105956596 A CN105956596 A CN 105956596A
- Authority
- CN
- China
- Prior art keywords
- cheating
- picture
- feature
- pixel
- pixel logo
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Editing Of Facsimile Originals (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明实施例公开了一种图片反作弊方法及装置。其中,所述方法包括:从待发表图片中提取图片的像素标识特征;根据提取的像素标识特征和预先存储的已知作弊图片的作弊像素标识特征,对所述待发表图片进行作弊识别。本发明实施例通过采用像素标识特征进行作弊识别,能够更真实的反映图片内容,且难以规避,能够提高过滤作弊图片的准确度。
Description
技术领域
本发明实施例涉及图片识别技术领域,尤其涉及一种图片反作弊方法及装置。
背景技术
随着互联网的高速增长,以百度贴吧为例的用户产生内容(User GeneratedContent,UGC)产品得到了快速发展,并成为用户获取信息的重要渠道。但与此同时,一些作弊者利用UGC平台发布一些虚假广告或者色情传播的信息,严重影响用户体验。尤其近些年,用户的作弊形式已经逐步由文本信息转移到了图片作弊。
现有的图片反作弊技术中,主要依赖的是通用的图片处理技术,比如采用图片中的字符识别技术判断图片是否有作弊字符,或者通过为图片进行色情打分来判断图片是否为色情图片。
但是,这些通用的图片处理技术很容易被作弊者绕过,比如图片中的作弊信息并非通过字符传递,或者说针对通用处理技术的原理做一些可以绕过该项技术识别的图片,这在现阶段的作弊领域并不困难。因此,现有的反作弊技术过滤作弊图片的精确度比较低。
发明内容
本发明提供一种图片反作弊方法及装置,以提高过滤作弊图片的精确度。
第一方面,本发明实施例提供了一种图片反作弊方法,该方法包括:
从待发表图片中提取图片的像素标识特征;
根据提取的像素标识特征和预先存储的已知作弊图片的作弊像素标识特征,对所述待发表图片进行作弊识别。
第二方面,本发明实施例还提供了一种图片反作弊装置,该装置包括:
特征提取模块,用于从待发表图片中提取图片的像素标识特征;
作弊识别模块,用于根据提取的像素标识特征和预先存储的已知作弊图片的作弊像素标识特征,对所述待发表图片进行作弊识别。
本发明实施例通过提取待发表图片中的像素标识特征,根据提取的像素标识特征和预先存储的已知作弊图片的作弊像素标识特征,对所述待发表图片进行作弊识别,由于作弊像素标识特征能够标识即将显示的直观图片的内容,所以将其作为过滤作弊图片的参考因素能够规避作弊手段,因此,能够有效地提高过滤作弊图片的准确度。
附图说明
图1是本发明实施例一中的一种图片反作弊方法的流程图;
图2是本发明实施例二中的一种图片反作弊方法的流程图;
图3是本发明实施例三中的一种图片反作弊装置的结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种图片反作弊方法的流程图,本实施例可适用于对待发表图片进行作弊识别的情况,例如,通过论坛或者应用客户端APP发帖子,用于对帖子中的图片进行作弊识别,该方法可以由本发明实施例提供的图片反作弊装置来执行,该装置可采用硬件或软件的方式实现,该装置也可集成于移动终端、平板电脑、固定终端或服务器中,如图1所示,具体包括:
S101、从待发表图片中提取图片的像素标识特征。
其中,所述待发表图片具体可以为但不限于照片、发贴图片、APPA界面截图、网页界面截图等。
所述像素标识特征表征所述待发表图片中包含的内容信息,是基于即将直观被显示的图片的像素而提取出的特征,所以能够代表图片的原始显示内容。该像素标识特征既可以从全部待发表图片提取,也可以从待发表图片的部分区域提取。所述像素标识特征可以为但不限于下述至少一种:灰度特征、纹理特征、SIFT特征和SURF特征。比对像素标识特征,实际上相当于直接比对图片本身。但采用有效的方式提取像素标识特征,可以使得直接比对图像所需的计算量下降。
其中,灰度特征为图片中各像素点的灰度值或灰度统计值,例如,根据所述待发表图片中每个像素点一般包括R、G、B三个子像素,每个子像素都均有对应的灰度值,可求取像素或子像素的灰度平均值,将该平均值作为每个像素点对应的灰度值,或者求取R、G、B像素灰度值的加权和,即R、G、B像素灰度值分别乘以一个加权因子再叠加,叠加后再除以3,将该加权和作为每个像素点对应的灰度值。灰度统计值具体可为但不限于根据每个像素点对应的灰度值得到的直方图。
其中,纹理特征为图片中像素点的分布规律,其表征了所述待发表图片中像素的分布情况。具体可采用但不限于以下方法来获取所述待发表图片的纹理特征:LBP纹理特征提取算法、小波变换、傅里叶变换、行程长度分析、灰度差分分析和灰度共生矩阵分析等。
其中,SIFT特征为采用SIFT特征提取算法对图片进行处理得到的特征。SURF特征为采用SURF特征提取算法对图片进行处理得到的特征。
S102、根据提取的像素标识特征和预先存储的已知作弊图片的作弊像素标识特征,对所述待发表图片进行作弊识别。
具体的,将提取的图片的特征信息与预先存储的作弊特征信息进行相似度匹配,将相似度超过预设阈值(例如90%)的待发表图片确定为作弊图片。其中,在将提取的图片的特征信息与预先存储的作弊特征信息进行相似度匹配时,用于匹配的图片的像素标识特征需与作弊像素标识特征对应,采用相同的提取算法进行像素标识特征提取。也就是说,如果所述作弊像素标识特征为灰度特征,则用于匹配的图片的特征信息也需为灰度特征,如果提取的图片的特征信息为非灰度特征,则需要对其进行处理得到对应的灰度特征,再进行相似度匹配。同理,如果所述作弊像素标识特征为纹理特征,则也需获取提取的图片的特征信息对应的纹理特征。如果所述作弊像素标识特征为SIFT特征和SURF特征,也需要将提取的图片的特征信息转换为对应的SIFT特征和SURF特征,再进行相似度匹配。
本实施例通过提取待发表图片中的像素标识特征,根据提取的像素标识特征和预先存储的已知作弊图片的作弊像素标识特征,对所述待发表图片进行作弊识别,由于本发明实施例将已知作弊图片的作弊像素标识特征作为过滤作弊图片的参考因素,该像素标识特征能够反映出直观显示图片的原始内容,因此,可规避作弊手段,能够有效地提高过滤作弊图片的准确度。
在上述技术方案的基础上,在对所述待发表图片进行作弊图片的识别之后,还包括如下步骤:
如果确定所述待发表图片为作弊图片,则获取所述作弊图片对应的作弊像素标识特征所属的作弊类型;根据所述作弊类型对所述作弊图片进行处理。
其中,所述作弊类型优选包括以下至少一种:传播非法信息类型、传播色情信息类型、传播反动信息类型和传播广告信息类型。
具体的,在根据所述作弊类型对所述作弊图片进行处理时,根据作弊类型统计所述作弊图片在预设时间段内的发表次数;将同一作弊类型且发表次数超过预设次数的作弊图片从当前显示页面中删除,并将所述作弊图片对应的历史发表图片进行删除。
例如,如果所述作弊类型为传播广告信息类型,则统计为该作弊类型的作弊图片在预设时间段内的发表次数,如果发表次数(例如,5次或10次)超过预设次数(例如3次),则从当前显示页面中删除该作弊图片,并将该作弊图片对应的历史发表图片进行删除。如果所述作弊类型为较为严重的传播非法信息类型、传播色情信息类型或传播反动信息类型,一旦识别出该类型的作弊图片,则直接拒绝发表,或一次发表就从当前显示页面中删除。
在上述技术方案的基础上,在对所述待发表图片进行作弊识别之后,对于已发表的作弊图片,例如,上述包含广告信息的作弊图片,为提示用户该图片为作弊图片,在显示时需区别显示作弊图片中的作弊像素标识特征和非作弊像素标识特征,或在所述作弊图片中标注所述作弊像素标识特征的位置。
例如,在显示作弊像素标识特征时,采用比较突出的黄色、绿色或红色进行显示,在显示作弊像素标识特征采用黑色或灰色进行显示。或者使用方框标识出作弊像素标识特征在图片中的位置。
在上述技术方案的基础上,为增加数据库中的作弊像素标识特征,提高对后续作弊图片的识别率,所述方法进一步包括:
如果识别到所述待发表图片为作弊图片,则将提取的所述像素标识特征中与作弊像素标识特征匹配的内容,作为新的作弊像素标识特征存储在所述图片识别数据库中。
具体的,在确定匹配的内容时,首先确定提取的所述像素标识特征与作弊像素标识特征的相似度,将所述相似度超过预设阈值的像素标识特征作为与作弊像素标识特征匹配的内容,具体参见上述实施例一中相关步骤的描述。另外,为增加数据库中的作弊类型,将新的作弊像素标识特征对应的作弊类型也存储在图片识别数据库中。这样,随着作弊图片实例的积累,数据库中可用于作弊识别的作弊像素标识特征和作弊类型也在增加。在对于新来的图片进行识别时,可进一步提高识别的准确度。
在上述技术方案的基础上,进一步提供了建立图片识别数据库的步骤,在对所述待发表图片进行作弊识别时,从图片识别数据库中直接获取作弊像素标识特征,具体的,主要包括:
获取已知作弊图片的作弊像素标识特征;
将所述作弊像素标识特征存储在图片识别数据库中。
具体的,可采用现有的方法获取已知作弊图片的灰度特征、纹理特征、SIFT特征或SURF特征,具体参见上述实施例的相关描述。
为方便后续的处理,在将所述作弊像素标识特征存储在图片识别数据库中时,对所述作弊像素标识特征进行作弊类型分类处理,将所述作弊像素标识特征和对应的作弊类型存储在图片识别数据库中。这样,在从图片识别数据库中获取作弊像素标识特征的同时,可一并获取对应的作弊类型。
实施例二
图2为本发明实施例二提供的图片反作弊方法的流程图,本实施例为本发明的优选实施例,如图2所示,具体包括:
S201、获取已知作弊图片的作弊像素标识特征。
所述作弊像素标识特征可以为但不限于下述至少一种:灰度特征、纹理特征、SIFT特征和SURF特征。
S202、对所述作弊像素标识特征进行作弊类型分类处理,将所述作弊像素标识特征和对应的作弊类型存储在图片识别数据库中。
在对所述作弊像素标识特征进行分类时,根据作弊像素标识特征包含的内容进行分类,如果包含的内容为非法信息,则确定作弊类型为传播非法信息类型;如果包含的内容为色情信息,则确定作弊类型为传播色情信息类型;如果包含的内容为反动信息,则确定作弊类型为传播反动信息类型;如果包含的内容为广告信息,则确定作弊类型为传播广告信息类型。
S203、从待发表图片中提取图片的像素标识特征。
S204、根据提取的像素标识特征和图片识别数据库中存储的作弊像素标识特征,对所述待发表图片进行作弊识别。
如果识别到所述待发表图片为作弊图片,则执行S205,如果识别到所述待发表图片为非作弊图片,则执行S208。
S205、从图片识别数据库中获取对应的作弊类型。
S206、根据所述作弊类型对所述作弊图片进行处理。
S207、将提取的所述像素标识特征中与作弊像素标识特征匹配的内容,作为新的作弊像素标识特征,将新的作弊像素标识特征及对应的作弊类型存储在所述图片识别数据库中。
S208、发表所述待发表图片。
关于本实施例中各步骤的详细描述可参见上述实施例一,这里不再赘述。
实施例三
图3所示为本发明实施例三提供的一种图片反作弊装置的结构示意图,本实施例可适用于对待发表图片进行作弊识别的情况,例如,通过论坛或者应用客户端APP发帖子,用于对帖子中的图片进行作弊识别,该装置可采用硬件或软件的方式实现,该装置也可集成于移动终端、平板电脑、固定终端或服务器中,该装置的具体结构如下:特征提取模块31和作弊识别模块32。
所述特征提取模块31用于从待发表图片中提取图片的像素标识特征;
所述作弊识别模块32用于根据提取的像素标识特征和预先存储的已知作弊图片的作弊像素标识特征,对所述待发表图片进行作弊识别。
上述产品可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
在上述技术方案的基础上,所述装置还包括:作弊类型获取模块33和作弊图片处理模块34;
所述作弊类型获取模块33用于在所述作弊识别模块32对所述待发表图片进行作弊图片的识别,确定所述待发表图片为作弊图片之后,获取所述作弊图片对应的作弊像素标识特征所属的作弊类型;
所述作弊图片处理模块34用于根据所述作弊类型对所述作弊图片进行处理。
在上述技术方案的基础上,所述作弊类型包括以下至少一种:传播非法信息类型、传播色情信息类型、传播反动信息类型和传播广告信息类型。
在上述技术方案的基础上,所述作弊图片处理模块34具体用于根据作弊类型统计所述作弊图片在预设时间段内的发表次数;将同一作弊类型且发表次数超过预设次数的作弊图片从当前显示页面中删除,并将所述作弊图片对应的历史发表图片进行删除。
在上述技术方案的基础上,所述特征提取模块31包括:特征提取单元311和特征存储单元312。
所述特征提取单元311用于获取已知作弊图片的作弊像素标识特征;
所述特征存储单元312用于将所述作弊像素标识特征存储在图片识别数据库中。
在上述技术方案的基础上,所述特征存储单元312具体用于对所述作弊像素标识特征进行作弊类型分类处理,将所述作弊像素标识特征和对应的作弊类型存储在图片识别数据库中。
在上述技术方案的基础上,所述像素标识特征为下述至少一种:
灰度特征,为图片中各像素点的灰度值或灰度统计值;
纹理特征,为图片中像素点的分布规律;
SIFT特征,为采用SIFT特征提取算法对图片进行处理得到的特征;
SURF特征,为采用SURF特征提取算法对图片进行处理得到的特征。
在上述技术方案的基础上,所述装置还包括:显示模块35。
所述显示模块35用于在所述作弊识别模块32对所述待发表图片进行作弊识别之后,区别显示作弊图片中的作弊像素标识特征和非作弊像素标识特征,或在所述作弊图片中标注所述作弊像素标识特征的位置。
在上述技术方案的基础上,所述装置还包括:数据库更新模块36。
所述数据库更新模块36用于在所述作弊识别模块32对所述待发表图片进行作弊识别之后,如果识别到所述待发表图片为作弊图片,则将提取的所述像素标识特征中与作弊像素标识特征匹配的内容,作为新的作弊像素标识特征存储在所述图片识别数据库中。
在上述技术方案的基础上,所述数据库更新模块35还用于确定提取的所述像素标识特征与作弊像素标识特征的相似度,将所述相似度超过预设阈值的像素标识特征作为与作弊像素标识特征匹配的内容。
在上述技术方案的基础上,所述作弊识别模块32具体用于确定提取的所述像素标识特征与预先存储的已知作弊图片的作弊像素标识特征的相似度,将所述相似度超过预设阈值的像素标识特征作为与作弊像素标识特征匹配的内容,并确定所述待发明图标为作弊图片。
上述产品同样可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (20)
1.一种图片反作弊方法,其特征在于,包括:
从待发表图片中提取图片的像素标识特征;
根据提取的像素标识特征和预先存储的已知作弊图片的作弊像素标识特征,对所述待发表图片进行作弊识别。
2.根据权利要求1所述的方法,其特征在于,对所述待发表图片进行作弊图片的识别之后,还包括:
如果确定所述待发表图片为作弊图片,则获取所述作弊图片对应的作弊像素标识特征所属的作弊类型;
根据所述作弊类型对所述作弊图片进行处理。
3.根据权利要求2所述的方法,其特征在于,所述作弊类型包括以下至少一种:传播非法信息类型、传播色情信息类型、传播反动信息类型和传播广告信息类型。
4.根据权利要求2所述的方法,其特征在于,根据所述作弊类型对所述作弊图片进行处理,包括:
根据作弊类型统计所述作弊图片在预设时间段内的发表次数;
将同一作弊类型且发表次数超过预设次数的作弊图片从当前显示页面中删除,并将所述作弊图片对应的历史发表图片进行删除。
5.根据权利要求1所述的方法,其特征在于,还包括:
获取已知作弊图片的作弊像素标识特征;
将所述作弊像素标识特征存储在图片识别数据库中。
6.根据权利要求5所述的方法,其特征在于,将所述作弊像素标识特征存储在图片识别数据库中包括:
对所述作弊像素标识特征进行作弊类型分类处理,将所述作弊像素标识特征和对应的作弊类型存储在图片识别数据库中。
7.根据权利要求5或6所述的方法,其特征在于,对所述待发表图片进行作弊识别之后,还包括:
如果识别到所述待发表图片为作弊图片,则将提取的所述像素标识特征中与作弊像素标识特征匹配的内容,作为新的作弊像素标识特征存储在所述图片识别数据库中。
8.根据权利要求1~6任一项所述的方法,其特征在于,所述像素标识特征为下述至少一种:
灰度特征,为图片中各像素点的灰度值或灰度统计值;
纹理特征,为图片中像素点的分布规律;
SIFT特征,为采用SIFT特征提取算法对图片进行处理得到的特征;
SURF特征,为采用SURF特征提取算法对图片进行处理得到的特征。
9.根据权利要求1~6任一项所述的方法,其特征在于,对所述待发表图片进行作弊识别之后,还包括:
区别显示作弊图片中的作弊像素标识特征和非作弊像素标识特征,或在所述作弊图片中标注所述作弊像素标识特征的位置。
10.根据权利要求1~6任一项所述的方法,其特征在于,根据提取的像素标识特征和预先存储的已知作弊图片的作弊像素标识特征,对所述待发表图片进行作弊识别包括:
确定提取的所述像素标识特征与预先存储的已知作弊图片的作弊像素标识特征的相似度,将所述相似度超过预设阈值的像素标识特征作为与作弊像素标识特征匹配的内容,并确定所述待发明图标为作弊图片。
11.一种图片反作弊装置,其特征在于,包括:
特征提取模块,用于从待发表图片中提取图片的像素标识特征;
作弊识别模块,用于根据提取的像素标识特征和预先存储的已知作弊图片的作弊像素标识特征,对所述待发表图片进行作弊识别。
12.根据权利要求11所述的装置,其特征在于,还包括:
作弊类型获取模块,用于在所述作弊识别模块对所述待发表图片进行作弊图片的识别,确定所述待发表图片为作弊图片之后,获取所述作弊图片对应的作弊像素标识特征所属的作弊类型;
作弊图片处理模块,用于根据所述作弊类型对所述作弊图片进行处理。
13.根据权利要求12所述的装置,其特征在于,所述作弊类型包括以下至少一种:传播非法信息类型、传播色情信息类型、传播反动信息类型和传播广告信息类型。
14.根据权利要求12所述的装置,其特征在于,所述作弊图片处理模块具体用于:
根据作弊类型统计所述作弊图片在预设时间段内的发表次数;将同一作弊类型且发表次数超过预设次数的作弊图片从当前显示页面中删除,并将所述作弊图片对应的历史发表图片进行删除。
15.根据权利要求11所述的装置,其特征在于,所述特征提取模块包括:
特征提取单元,用于获取已知作弊图片的作弊像素标识特征;
特征存储单元,用于将所述作弊像素标识特征存储在图片识别数据库中。
16.根据权利要求15所述的装置,其特征在于,所述特征存储单元具体用于:
对所述作弊像素标识特征进行作弊类型分类处理,将所述作弊像素标识特征和对应的作弊类型存储在图片识别数据库中。
17.根据权利要求15或16所述的装置,其特征在于,还包括:
数据库更新模块,用于在所述作弊识别模块对所述待发表图片进行作弊识别之后,如果识别到所述待发表图片为作弊图片,则将提取的所述像素标识特征中与作弊像素标识特征匹配的内容,作为新的作弊像素标识特征存储在所述图片识别数据库中。
18.根据权利要求11~16任一项所述的装置,其特征在于,所述像素标识特征为下述至少一种:
灰度特征,为图片中各像素点的灰度值或灰度统计值;
纹理特征,为图片中像素点的分布规律;
SIFT特征,为采用SIFT特征提取算法对图片进行处理得到的特征;
SURF特征,为采用SURF特征提取算法对图片进行处理得到的特征。
19.根据权利要求11~16任一项所述的装置,其特征在于,还包括:
显示模块,用于在所述作弊识别模块对所述待发表图片进行作弊识别之后,区别显示作弊图片中的作弊像素标识特征和非作弊像素标识特征,或在所述作弊图片中标注所述作弊像素标识特征的位置。
20.根据权利要求11~16任一项所述的装置,其特征在于,所述作弊识别模块具体用于:
确定提取的所述像素标识特征与预先存储的已知作弊图片的作弊像素标识特征的相似度,将所述相似度超过预设阈值的像素标识特征作为与作弊像素标识特征匹配的内容,并确定所述待发明图标为作弊图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610264685.XA CN105956596A (zh) | 2016-04-26 | 2016-04-26 | 图片反作弊方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610264685.XA CN105956596A (zh) | 2016-04-26 | 2016-04-26 | 图片反作弊方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105956596A true CN105956596A (zh) | 2016-09-21 |
Family
ID=56915233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610264685.XA Pending CN105956596A (zh) | 2016-04-26 | 2016-04-26 | 图片反作弊方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105956596A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110880003A (zh) * | 2019-10-12 | 2020-03-13 | 中国第一汽车股份有限公司 | 一种图像匹配方法、装置、存储介质及汽车 |
CN112737851A (zh) * | 2020-12-30 | 2021-04-30 | 刘一方 | 一种互联网反作弊识别方法和平台 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567319A (zh) * | 2010-12-10 | 2012-07-11 | 腾讯科技(深圳)有限公司 | 网页图片过滤方法及系统 |
CN102722709A (zh) * | 2012-05-23 | 2012-10-10 | 杭州朗和科技有限公司 | 一种垃圾图片识别方法和装置 |
CN103020645A (zh) * | 2013-01-06 | 2013-04-03 | 深圳市彩讯科技有限公司 | 一种垃圾图片识别方法和系统 |
CN104036285A (zh) * | 2014-05-12 | 2014-09-10 | 新浪网技术(中国)有限公司 | 垃圾图片识别方法及系统 |
US8938508B1 (en) * | 2010-07-22 | 2015-01-20 | Symantec Corporation | Correlating web and email attributes to detect spam |
-
2016
- 2016-04-26 CN CN201610264685.XA patent/CN105956596A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8938508B1 (en) * | 2010-07-22 | 2015-01-20 | Symantec Corporation | Correlating web and email attributes to detect spam |
CN102567319A (zh) * | 2010-12-10 | 2012-07-11 | 腾讯科技(深圳)有限公司 | 网页图片过滤方法及系统 |
CN102722709A (zh) * | 2012-05-23 | 2012-10-10 | 杭州朗和科技有限公司 | 一种垃圾图片识别方法和装置 |
CN103020645A (zh) * | 2013-01-06 | 2013-04-03 | 深圳市彩讯科技有限公司 | 一种垃圾图片识别方法和系统 |
CN104036285A (zh) * | 2014-05-12 | 2014-09-10 | 新浪网技术(中国)有限公司 | 垃圾图片识别方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110880003A (zh) * | 2019-10-12 | 2020-03-13 | 中国第一汽车股份有限公司 | 一种图像匹配方法、装置、存储介质及汽车 |
CN112737851A (zh) * | 2020-12-30 | 2021-04-30 | 刘一方 | 一种互联网反作弊识别方法和平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309388B (zh) | 数据对象信息违法风险识别方法、装置以及计算机系统 | |
Jiang et al. | Enhanced crack segmentation algorithm using 3D pavement data | |
Miao et al. | A semi-automatic method for road centerline extraction from VHR images | |
Gosselin et al. | Revisiting the fisher vector for fine-grained classification | |
Wu et al. | Generalized Weber-face for illumination-robust face recognition | |
CN104346370B (zh) | 图像搜索、获取图像文本信息的方法及装置 | |
US8725490B2 (en) | Virtual universal translator for a mobile device with a camera | |
CN104063706B (zh) | 一种基于surf算法的视频指纹提取方法 | |
Xue et al. | Median-based image thresholding | |
CN107590491B (zh) | 一种图像处理方法及装置 | |
Tan et al. | Legitimate adversarial patches: Evading human eyes and detection models in the physical world | |
CN109426831B (zh) | 图片相似匹配及模型训练的方法、装置及计算机设备 | |
CN108875727B (zh) | 图文标识的检测方法及装置、存储介质、处理器 | |
CN106897727A (zh) | 一种用户性别识别方法及装置 | |
Matthews et al. | Scene tagging: image-based CAPTCHA using image composition and object relationships | |
CN103793717A (zh) | 判断图像主体显著性及训练其分类器的方法和系统 | |
CN109961472B (zh) | 3d热力图生成的方法、系统、存储介质及电子设备 | |
CN111178146A (zh) | 基于人脸特征识别主播的方法及装置 | |
CN105894028A (zh) | 用户识别方法和装置 | |
CN105551044B (zh) | 一种图片对比方法和装置 | |
CN105956596A (zh) | 图片反作弊方法及装置 | |
Zhong et al. | Effective and efficient pixel-level detection for diverse video copy-move forgery types | |
US20220156873A1 (en) | Image synthesis device and method for embedding watermark | |
CN111027545A (zh) | 卡证图片标志检测方法、装置、计算机设备及存储介质 | |
CN104408736A (zh) | 基于特征相似性的合成人脸画像质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into 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: 20160921 |