CN109118420A - 水印识别模型建立及识别方法、装置、介质及电子设备 - Google Patents
水印识别模型建立及识别方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN109118420A CN109118420A CN201810952827.0A CN201810952827A CN109118420A CN 109118420 A CN109118420 A CN 109118420A CN 201810952827 A CN201810952827 A CN 201810952827A CN 109118420 A CN109118420 A CN 109118420A
- Authority
- CN
- China
- Prior art keywords
- watermark
- feature value
- region
- sub
- fingerprint characteristic
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims description 19
- 238000012512 characterization method Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 11
- 230000007423 decrease Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 13
- 210000005036 nerve Anatomy 0.000 description 13
- 238000000605 extraction Methods 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 239000000284 extract Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 108010074506 Transfer Factor Proteins 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
- G06T1/005—Robust watermarking, e.g. average attack or collusion attack resistant
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
- G06T2201/0202—Image watermarking whereby the quality of watermarked images is measured; Measuring quality or performance of watermarking methods; Balancing between quality and robustness
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Editing Of Facsimile Originals (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了一种水印识别模型建立及识别方法、装置、介质及电子设备。该建立方法包括：从第一样本图像中获取水印特征值；在水印特征值与预设的标准特征值不一致时，对获取水印特征值时的第一模型参数进行校正，直到水印特征值与预设的标准特征值一致；分别获取M个第二样本图像中M个水印区域的指纹特征，M为正整数且M≥2；将M个水印区域中任意两个水印区域的指纹特征进行对比，得到第一对比结果；在第一对比结果与预设的标准对比结果不一致时，对获取M个水印区域的指纹特征时的第二模型参数进行校正，直到第一对比结果与预设的标准对比结果一致。本发明能够提高水印检测和识别的准确率、召回率，实现灵活地增减待识别水印。
Description
技术领域
本发明的实施例涉及人工智能技术领域，更具体地，本发明的实施例涉及水印识别模型建立方法、水印识别方法、水印识别模型建立装置、水印识别装置、计算机可读存储介质以及电子设备。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着互联网技术的发展，水印成为企业形象传递过程中非常关键的元素，企业强大的整体实力、完善的管理机制、优质的产品和服务，都被涵概于水印中。在对视频、图片的使用和发布过程中，需要通过检测视频、图片中的水印确定对应的公司、企业或个人所具备的所有权。
现有的水印识别技术一般基于以下两种方案：第一种方案使用传统的人工特征例如SIFT(Scale-invariant feature transform，尺度不变特征变换)特征对图片中的关键点进行检测，将检测到的水印与水印模板进行匹配；第二种方案基于深度学习技术，采用神经网络对水印进行检测和识别。
发明内容
但是，这两种技术方案中，第一种方案虽然无需人工标注样本，增减待识别水印时仅需对水印模板进行调整，但是准确率和召回率不高；第二种方案虽然准确率和召回率较高，但是在神经网络的网络结构确定后，可检测和识别的水印种类就确定了，增减待识别水印时需要重新设计和训练网络。
因此在现有技术中，难以达到令人满意的水印识别效果。
为此，非常需要一种改进的水印识别方法，以使得能够在提高水印检测识别的准确率和召回率的同时，灵活地对待识别水印进行增减。
在本上下文中，本发明的实施例期望提供一种水印识别模型建立方法、水印识别方法、水印识别模型建立装置、水印识别装置、计算机可读存储介质以及电子设备。
在本发明实施例的第一方面中，提供了一种水印识别模型建立方法，包括：从第一样本图像中获取水印特征值，所述水印特征值表征所述样本图像的水印区域和非水印区域；在所述水印特征值与预设的标准特征值不一致时，对获取所述水印特征值时的第一模型参数进行校正，直到所述水印特征值与预设的标准特征值一致；分别获取M个第二样本图像中M个水印区域的指纹特征，M为正整数且M≥2；将所述M个水印区域中任意两个水印区域的指纹特征进行对比，得到第一对比结果；在所述第一对比结果与预设的标准对比结果不一致时，对获取M个水印区域的指纹特征时的第二模型参数进行校正，直到所述第一对比结果与所述预设的标准对比结果一致。
在本发明的一些实施例中，基于前述方案，对获取所述水印特征值时的第一模型参数进行校正，直到所述水印特征值与预设的标准特征值一致，包括：将所述水印特征值与所述预设的标准特征值进行对比得到海明距离值；根据所述海明距离值对获取所述水印特征值时的第一模型参数进行校正，直到所述海明距离值为0。
在本发明的一些实施例中，基于前述方案，从第一样本图像中获取水印特征值，包括：将所述第一样本图像划分为N个子块，N为正整数且N≥2；获取所述N个子块中的每个子块的子水印特征值，每个子块都包含有第一子水印特征值或第二子水印特征值；将包含有第一子水印特征值的连续子块确定为所述第一样本图像的水印区域，并将所述N个子块的子水印特征值的组合作为所述第一样本图像的水印特征值。
在本发明的一些实施例中，基于前述方案，将所述M个水印区域中任意两个水印区域的指纹特征进行对比，得到第一对比结果，包括：将所述M个水印区域中任意两个水印区域的指纹特征进行对比，确定出所述任意两个水印区域的指纹特征相同或不相同，所述预设的标准对比结果为相同或者不相同。
在本发明的一些实施例中，基于前述方案，在得到第一对比结果之后，还包括：将所述第一对比结果与预设的标准对比结果进行对比，确定出所述第一对比结果与所述预设的标准对比结果一致或不一致。
在本发明的一些实施例中，基于前述方案，将包含有第一子水印特征值的连续子块确定为所述第一样本图像的水印区域，包括：确定所述N个子块中所述子水印特征值为第一子水印特征值的连续子块；将包含所述连续子块的最小矩形确定为所述第一样本图像的水印区域。
在本发明的一些实施例中，基于前述方案，根据所述海明距离值对获取所述水印特征值时的第一模型参数进行校正，包括：根据所述海明距离值通过反向误差传递的方式对获取所述水印特征值时的第一模型参数进行校正。
在本发明的一些实施例中，基于前述方案，对获取M个水印区域的指纹特征时的第二模型参数进行校正，直到所述第一对比结果与所述预设的标准对比结果一致，包括：基于所述第一对比结果与所述预设的标准对比结果确定损失函数；基于所述损失函数对获取所述M个水印区域的指纹特征的第二模型参数进行校正，直到所述第一对比结果与所述预设的标准对比结果一致。
在本发明实施例的第二方面中，提供了一种水印识别方法，包括：从第一样本图像中获取水印特征值，所述水印特征值表征所述样本图像的水印区域和非水印区域；在所述水印特征值与预设的标准特征值不一致时，对通过第一模型获取所述水印特征值时的第一模型参数进行校正，直到所述水印特征值与预设的标准特征值一致；分别获取M个第二样本图像中M个水印区域的指纹特征，M为正整数且M≥2；将所述M个水印区域中任意两个水印区域的指纹特征进行对比，得到第一对比结果；在所述第一对比结果与预设的标准对比结果不一致时，对通过第二模型获取M个水印区域的指纹特征时的第二模型参数进行校正，直到所述第一对比结果与所述预设的标准对比结果一致；通过所述第一模型确定待检测图像的水印区域；通过所述第二模型从所述待检测图像的水印区域提取待识别水印的指纹特征；将所述待识别水印的指纹特征与水印指纹库中的多个水印的指纹特征进行比对，并基于比对结果确定所述待识别水印的水印名称。
在本发明的一些实施例中，基于前述方案，通过所述第一模型确定待检测图像的水印区域，包括：将所述待检测图像划分为N个子块，N为正整数且N≥2；通过所述第一模型获取所述N个子块中的每个子块的子水印特征值，每个子块都包含有第一子水印特征值或第二子水印特征值；将包含有第一子水印特征值的连续子块确定为所述待检测图像的水印区域。
在本发明的一些实施例中，基于前述方案，将包含有第一子水印特征值的连续子块确定为所述待检测图像的水印区域，包括：确定所述N个子块中所述子水印特征值为第一子水印特征值的连续子块；将包含所述连续子块的最小矩形确定为所述待检测图像的水印区域。
在本发明的一些实施例中，基于前述方案，将所述待识别水印的指纹特征与水印指纹库中的多个水印的指纹特征进行比对，包括：确定所述待识别水印的指纹特征与所述水印指纹库中的各个水印的指纹特征之间的距离；基于所述距离确定所述水印指纹库中与所述待识别水印匹配的水印。
在本发明的一些实施例中，基于前述方案，对获取所述水印特征值时的第一模型参数进行校正，直到所述水印特征值与预设的标准特征值一致，包括：将所述水印特征值与所述预设的标准特征值进行比对得到海明距离值；根据所述海明距离值对获取所述水印特征值时的第一模型参数进行校正，直到所述海明距离值为0。
在本发明的一些实施例中，基于前述方案，从第一样本图像中获取水印特征值，包括：将所述第一样本图像划分为N个子块，N为正整数且N≥2；获取所述N个子块中的每个子块的子水印特征值，每个子块都包含有第一子水印特征值或第二子水印特征值；将包含有第一子水印特征值的连续子块确定为所述第一样本图像的水印区域，并将所述N个子块的子水印特征值的组合作为所述第一样本图像的水印特征值。
在本发明的一些实施例中，基于前述方案，将所述M个水印区域中任意两个水印区域的指纹特征进行对比，得到第一对比结果，包括：将所述M个水印区域中任意两个水印区域的指纹特征进行对比，确定出所述任意两个所述水印区域的指纹特征相同或不相同，所述预设的标准对比结果为相同或者不相同。
在本发明的一些实施例中，基于前述方案，在得到第一比对结果之后，还包括：将所述第一比对结果与预设的标准比对结果进行对比，确定出所述第一比对结果与所述预设的标准比对结果一致或不一致。
在本发明实施例的第三方面中，提供了一种水印识别模型建立装置，包括：水印特征值获取单元，用于从第一样本图像中获取水印特征值，所述水印特征值表征所述样本图像的水印区域和非水印区域；第一模型训练单元，用于在所述水印特征值与预设的标准特征值不一致时，对获取所述水印特征值时的第一模型参数进行校正，直到所述水印特征值与预设的标准特征值一致；指纹特征获取单元，用于分别获取M个第二样本图像中M个水印区域的指纹特征，M为正整数且M≥2；指纹特征对比单元，用于将所述M个水印区域中任意两个水印区域的指纹特征进行对比，得到第一对比结果；第二模型训练单元，用于在所述第一对比结果与预设的标准对比结果不一致时，对获取M个水印区域的指纹特征时的第二模型参数进行校正，直到所述第一对比结果与所述预设的标准对比结果一致。
在本发明实施例的第四方面中，提供了一种水印识别装置，包括：水印特征值获取单元，用于从第一样本图像中获取水印特征值，所述水印特征值表征所述样本图像的水印区域和非水印区域；第一模型训练单元，用于在所述水印特征值与预设的标准特征值不一致时，对通过第一模型获取所述水印特征值时的第一模型参数进行校正，直到所述水印特征值与预设的标准特征值一致；指纹特征获取单元，用于分别获取M个第二样本图像中M个水印区域的指纹特征，M为正整数且M≥2；指纹特征比对单元，用于将所述M个水印区域中任意两个水印区域的指纹特征进行对比，得到第一对比结果；第二模型训练单元，用于在所述第一对比结果与预设的标准对比结果不一致时，对通过第二模型获取M个水印区域的指纹特征时的第二模型参数进行校正，直到所述第一对比结果与所述预设的标准对比结果一致；水印区域确定单元，用于通过所述第一模型确定待检测图像的水印区域；指纹特征提取单元，用于通过所述第二模型从所述待检测图像的水印区域提取待识别水印的指纹特征；水印识别单元，用于将所述待识别水印的指纹特征与水印指纹库中的多个水印的指纹特征进行比对，并基于比对结果确定所述待识别水印的水印名称。
在本发明实施例的第五方面中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的水印识别模型建立方法或者第二方面所述的水印识别方法。
在本发明实施例的第六方面中，提供了一种电子设备，包括：处理器；以及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如上述第一方面所述的水印识别模型建立方法或者如上述第二方面所述的水印识别方法。
根据本发明实施例的技术方案，一方面，从样本图像中获取水印特征值，对获取水印特征值的模型参数进行校正，能够根据获取的水印特征值准确地确定图像中的水印区域；另一方面，获取样本图像中水印区域的指纹特征，对获取水印区域的指纹特征的模型参数进行校正，能够更准确地提取水印区域的指纹特征，进而能够提高水印检测和识别的准确率和召回率；再一方面，由于能够利用所提取的水印区域的指纹特征构建水印指纹库，从而能够实现灵活地增加或减少待识别的水印，不需要重新设计和训练网络。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施例的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施例，其中：
图1示意性示出了根据本发明的一些实施例的示例性应用场景的示意框图；
图2示意性示出了根据本发明的一些实施例的水印识别模型建立方法的示意框图；
图3示意性地示出了根据本发明的一些实施例的水印区域检测的示意框图；
图4示意性地示出了根据本发明的一些实施例的水印指纹提取的示意框图；
图5示意性示出了根据本发明的一些实施例的水印识别方法的示意框图；
图6示意性地示出了根据本发明的一些实施例的水印指纹比对的示意框图；
图7示意性地示出了根据本发明的一些实施例的水印识别装置的示意框图；
图8示意性地示出了根据本发明的一些实施例的水印识别模型建立装置的示意框图；
图9示意性地示出了根据本发明的另一些实施例的水印识别装置的示意框图；
图10示意性地示出了根据本发明的一些实施例的存储介质的示意图；以及
图11示意性地示出了根据发明的一些实施例的电子设备的方框图。
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施例来描述本发明的原理和精神。应当理解，给出这些实施例仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本发明的实施例可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
根据本发明的实施例，提出了一种水印识别方法、水印识别装置、计算机可读存储介质以及电子设备。
在本文中，需要理解的是，所涉及的术语准确率表示水印被正确识别的样本图像占总样本图像的比例；召回率表示水印被正确识别的样本图像占所有检测出水印的样本图像的比例。海明距离是指在信息编码中，两个合法代码对应位上编码不同的位数。此外，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
下面参考本发明的若干代表性实施例，详细阐释本发明的原理和精神。
发明概述
本发明人发现，在一种技术方案中，为了实现水印的自动识别以及灵活地增减待识别水印，采用传统的人工特征对水印的关键点进行检测，将检测到的水印和水印模板进行匹配；在另一种技术方案中，为了提高水印识别的准确率和召回率，采用基于深度学习技术的神经网络对水印进行检测和识别。然而，在第一种技术方案中，虽然无需人工标注样本，增减待识别水印时仅需对水印模板进行调整，但是准确率和召回率不高；在第二种技术方案中，虽然水印识别的准确率和召回率较高，但是在神经网络的网络结构确定后，可检测和识别的水印种类就确定了，增减待识别水印时需要重新设计和训练网络。
基于上述内容，本发明的基本思想在于，获取样本图像的水印特征值，对获取水印特征值的模型参数进行校正，根据获取的水印特征值确定图像中的水印区域；提取水印区域的指纹特征，对获取水印区域的指纹特征的模型参数进行校正。通过校正后的模型获取水印特征值，能够根据获取的水印特征值准确地确定图像中的水印区域，通过校正后的模型获取水印区域的指纹特征，能够更准确地提取水印区域的指纹特征。
在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施例。
应用场景总览
首先参考图1，图1示出了根据本发明的一些实施例的示例性应用场景的示意框图。如图1所示，该水印识别系统可以包括：水印载体存储单元110、水印特征提取单元120以及水印识别单元130。其中，水印载体存储单元110中存储有嵌入了水印的图像和视频；水印特征提取单元120用于提取水印载体存储单元110中存储的图像和视频中的水印特征；水印识别单元130用于对水印特征提取单元120提取的水印特征进行识别。
应该理解的是，图1所示的应用场景仅是本发明的实施例可以在其中得以实现的一个示例。本发明实施例的适用范围不受到该应用场景任何方面的限制。
示例性方法
下面结合图1的应用场景，参考图2来描述根据本发明示例性实施例的水印识别模型建立方法。需要注意的是，上述应用场景仅是为了便于理解本发明的精神和原理而示出，本发明的实施例在此方面不受任何限制。相反，本发明的实施例可以应用于适用的任何场景。
图2示意性示出了根据本发明的一些实施例的水印识别模型建立方法的示意框图。
参照图2所示，在步骤S210中，从第一样本图像中获取水印特征值，水印特征值表征样本图像的水印区域和非水印区域。
在示例实施例中，将第一样本图像划分为N个子块，N为正整数且N≥2，获取N个子块中每个子块的子水印特征值，每个子块都包含有第一子水印特征值或第二子水印特征值，将N个子块的子水印特征值的组合作为第一样本图像的水印特征值。例如，将包含水印区域的子块的第一子水印特征值设为1，将不包含水印区域的子块的第二子水印特征值设为0，将N个子块的子水印特征值的组合例如<0，1>矩阵作为第一样本图像的水印特征值。
需要说明的是，虽然在本示例实施例中，以第一子水印特征值为1以及第二子水印特征值为0进行了说明，但是本发明的示例实施例不限于此，第一子水印特征值以及第二子水印特征值也可以为其他适当的值，本发明对此不进行特殊限定。
在示例实施例中，可以通过第一神经网络模型即区域检测网络模型从第一样本图像中获取第一样本图像的水印特征值。该第一神经网络模型可以为卷积神经网络模型、前馈神经网络或者递归神经网络。
需要说明的是，虽然在本示例实施例中，以神经网络模型为例进行了描述，但是本发明的示例实施例中，也可以采用其他机器学习模型例如决策树模型、支持向量机模型等从第一样本图像中获取水印特征值，这同样在本发明的保护范围内。
在步骤S220中，在水印特征值与预设的标准特征值不一致时，对获取水印特征值时的第一模型参数进行校正，直到水印特征值与预设的标准特征值一致。
在示例实施例中，在通过第一神经网络模型得到第一样本图像的水印特征值之后，将得到的水印特征值与预设的标准特征值进行对比得到水印特征值与预设的标准特征值的海明距离值。根据海明距离值对获取水印特征值时的第一神经网络模型的参数进行校正，直到海明距离值为0，即调整第一神经网络模型的参数使得到的水印特征值与预设的标准特征值一致。
需要说明的是，在得到水印特征值与预设的标准特征值的海明距离值之后，可以将该海明距离值作为第一损失函数，根据第一损失函数进行反向误差传递，调整第一神经网络模型的参数，例如，可以计算第一神经网络模型的最后一层的误差值，根据该误差值反向一层层地求出上一层的误差，根据每一层的误差调整每一层的模型参数。
在步骤S230中，分别获取M个第二样本图像中M个水印区域的指纹特征，M为正整数且M≥2。
在本示例实施例中，可以通过第二神经网络模型获取M个第二样本图像中M个水印区域的指纹特征，M为正整数且M≥2。该第二神经网络模型可以为卷积神经网络模型、Siamese神经网络(孪生神经网络)、2-channel神经网络(双通道神经网络)等网络模型。在示例实施例中，获取的水印区域的指纹特征为特征向量例如32位的特征向量。
在步骤S240中，将M个水印区域中任意两个水印区域的指纹特征进行对比，得到第一对比结果。
在本示例实施例中，将M个水印区域中任意两个水印区域的指纹特征进行对比，得到第一对比结果即确定出任意两个水印区域的指纹特征相同或者不相同。例如，可以计算两个水印区域的指纹特征的特征向量之间的距离，基于计算得到的距离确定两个水印区域的指纹特征相同或者不相同。
需要说明的是，指纹特征的特征向量之间的距离可以为海明距离、欧式距离、余弦距离，但是本发明的示例性实施例中的距离不限于此，例如距离还可以为马氏距离、曼哈顿距离等。
进一步地，在本示例实施例中，在得到第一对比结果之后，将第一对比结果与预设的标准对比结果进行对比，确定出第一对比结果与预设的标准对比结果一致或不一致。预设的标准对比结果可以是人工标注的结果，预设的标准对比结果为相同或者不相同。
在步骤S250中，在第一对比结果与预设的标准对比结果不一致时，对获取M个水印区域的指纹特征时的第二模型参数进行校正，直到第一对比结果与预设的标准对比结果一致。
在本示例实施例中，根据第一对比结果与预设的标准对比结果确定第二损失函数，根据第二损失函数对获取M个水印区域的指纹特征的第二模型参数进行校正，直到第一对比结果与预设的标准对比结果一致。
在示例实施例中，根据第二损失函数进行反向误差传递，调整第二神经网络模型的参数使第一对比结果与预设的标准对比结果一致。例如，在预设标准结果即人工标注水印A与水印B为同名水印时，但通过第二神经网络模型提取出来的水印A的指纹特征与水印B的指纹特征并不相同，则使用max-margin或者交叉熵作为损失函数，进行反向误差传递，调整第二神经网络模型的模型参数，直到使得通过第二神经网络模型提取后水印A与水印B的指纹特征一致即水印A与水B的指纹特征的差值在某一阈值范围内。
需要说明的是，在本示例实施例中，第二损失函数可以为max-margin或者交叉熵，但是本发明的示例实施例不限于此，第二损失函数还可以为对数损失函数或指数损失函数等，这同样在本发明的保护范围内。
图3示意性地示出了根据本发明的一些实施例的水印区域检测的示意框图。在图3中，将样本图像分割为4*4的子块，将包含水印区域的子块即图中的白色子块的子水印特征值设置为1，即第一子水印特征值为1，黑色区域即不包含水印区域的子块的子水印特征值设置为0，即第二子水印特征值为0。将包含有第一子水印特征值的连续子块确定为第一样本图像的水印区域，包含有第二子水印特征值的区域确定为第一样本图像的非水印区域，并将N个子块的子水印特征值的组合作为第一样本图像的水印特征值。
进一步地，在本示例实施例中，将包含第一子水印特征值的连续子块的最小矩形确定为第一样本图像的水印区域。例如，继续参考图3所示，将包含子特征值为1的连续子块的最小矩形即图3中的白色子块所处的矩形部分确定为第一样本图像的水印区域。
图4示意性地示出了根据本发明的一些实施例的水印指纹提取的示意框图，从图3的样本图像中提取的水印区域410，通过指纹提取网络420得到水印区域的指纹特征430，水印指纹特征即一个浮点型的向量。
图5示意性示出了根据本发明的一些实施例的水印识别方法的示意框图。
参考图5所示，在步骤S510中，从第一样本图像中获取水印特征值，水印特征值表征样本图像的水印区域和非水印区域。
在示例实施例中，将第一样本图像划分为N个子块，N为正整数且N≥2，获取N个子块中每个子块的子水印特征值，每个子块都包含有第一子水印特征值或第二子水印特征值，将N个子块的子水印特征值的组合作为第一样本图像的水印特征值。例如，将包含水印区域的子块的第一子水印特征值设为1，将不包含水印区域的子块的第二子水印特征值设为0，将N个子块的子水印特征值的组合例如<0，1>矩阵作为第一样本图像的水印特征值。
在步骤S520中，在水印特征值与预设的标准特征值不一致时，对通过第一模型获取水印特征值时的第一模型参数进行校正，直到水印特征值与预设的标准特征值一致。
在示例实施例中，在通过第一神经网络模型得到第一样本图像的水印特征值之后，将得到的水印特征值与预设的标准特征值进行对比得到水印特征值与预设的标准特征值的海明距离值。根据海明距离值对获取水印特征值时的第一神经网络模型的参数进行校正，直到海明距离值为0，即调整第一神经网络模型的参数使得到的水印特征值与预设的标准特征值一致。
需要说明的是，在得到水印特征值的与预设的标准特征值的海明距离值之后，可以将该海明距离值作为第一损失函数，根据第一损失函数进行反向误差传递，调整第一神经网络模型的参数，例如，可以计算第一神经网络模型的最后一层的误差值，根据该误差值反向一层层地求出上一层的误差，根据每一层的误差调整每一层的模型参数。
在步骤S530中，分别获取M个第二样本图像中M个水印区域的指纹特征，M为正整数且M≥2。
在本示例实施例中，可以通过第二神经网络模型获取M个第二样本图像中M个水印区域的指纹特征，M为正整数且M≥2。该第二神经网络模型可以为卷积神经网络模型、Siamese神经网络(孪生神经网络)、2-channel神经网络(双通道神经网络)等网络模型。在示例实施例中，获取的水印区域的指纹特征为特征向量例如32位的特征向量。
在步骤S540中，将M个水印区域中任意两个水印区域的指纹特征进行对比，得到第一对比结果。
在本示例实施例中，将M个水印区域中任意两个水印区域的指纹特征进行对比，得到第一比对结果即确定出任意两个水印区域的指纹特征相同或者不相同。例如，可以计算两个水印区域的指纹特征的特征向量之间的距离，基于计算得到的距离确定两个水印区域的指纹特征相同或者不相同。
需要说明的是，指纹特征的特征向量之间的距离可以为海明距离、欧式距离、余弦距离，但是本发明的示例性实施例中的距离不限于此，例如距离还可以为马氏距离、曼哈顿距离等。
进一步地，在本示例实施例中，在得到第一对比结果之后，将第一对比结果与预设的标准对比结果进行对比，确定出第一对比结果与预设的标准对比结果一致或不一致，预设的标准对比结果为相同或者不相同。
在步骤S550中，在第一对比结果与预设的标准对比结果不一致时，对通过第二模型获取M个水印区域的指纹特征时的第二模型参数进行校正，直到第一对比结果与预设的标准对比结果一致。
在本示例实施例中，根据第一对比结果与预设的标准对比结果确定第二损失函数，根据第二损失函数对获取M个水印区域的指纹特征的第二模型参数进行校正，直到第一对比结果与预设的标准对比结果一致。例如，根据第二损失函数进行反向误差传递，调整第二神经网络模型的参数使第一对比结果与预设的标准对比结果一致。具体而言，可以计算第二神经网络模型的最后一层的误差值，根据该误差值反向一层层地求出上一层的误差，根据每一层的误差调整每一层的模型参数。
在步骤S560中，通过该第一模型确定待检测图像的水印区域。
在本示例实施例中，将待检测图像划分为N个子块，N为正整数且N≥2；通过第一神经网络模型获取待检测图像的水印特征值，即N个子块中的每个子块的子水印特征值，每个子块都包含有第一子水印特征值或第二子水印特征值；将包含有第一子水印特征值的连续子块确定为待检测图像的水印区域。
此外，在本示例实施例中，在确定N个子块中所述子水印特征值为第一子水印特征值的连续子块之后，可以将包含连续子块的最小矩形确定为待检测图像的水印区域。
在步骤S570中，通过该第二模型从待检测图像的水印区域提取待识别水印的指纹特征。
在本示例实施例中，通过训练得到的第二神经网络模型从所确定的待检测图像的水印区域提取待识别水印的指纹特征即待识别水印的特征向量。如图4所示，通过指纹提取网络420得到待识别水印的指纹特征430即一个浮点型的向量。
在步骤S580中，将待识别水印的指纹特征与水印指纹库中的多个水印的指纹特征进行比对，并基于比对结果确定待识别水印的水印名称。
在本示例实施例中，可以计算待识别水印的指纹特征向量与水印指纹库中的多个水印的指纹特征向量之间的距离，基于所述距离确定待识别水印的水印名称。
需要说明的是，指纹特征的特征向量之间的距离可以为海明距离、欧式距离、余弦距离，但是本发明的示例性实施例中的距离不限于此，例如距离还可以为马氏距离、曼哈顿距离等。
图6示意性地示出了根据本发明的一些实施例的水印指纹比对的示意框图。如图6所示，通过距离计算单元620对待识别水印的指纹特征610与水印指纹库630中的各个水印进行比对，确定待识别水印的指纹特征与水印指纹库中的各个水印的指纹特征之间的距离，根据得到的距离确定水印指纹库中与待识别水印匹配的水印。
在图6中，水印指纹库中的水印模板的指纹特征向量可以为均值向量形式，水印指纹库中的每一行都是水印模板的指纹特征向量，计算待识别水印的指纹特征向量和水印指纹库中每一行指纹特征向量的欧式距离，得到最小距离对应的水印即为与待识别水印匹配的水印。
示例性装置
在介绍了本发明示例性实施例的方法之后，接下来，参考图7对本发明示例性实施例的水印识别装置进行说明。
参照图7所示，该水印识别装置可以包括：区域检测单元710、水印区域提取单元720、水印识别单元730、采样单元740。其中，区域检测单元710用于基于获取的样本图像以及对应标注的水印特征值对第一神经网络模型进行训练，基于训练后的第一神经网络模型确定样本图像的水印特征值；水印区域提取单元720用于根据区域检测单元710确定的样本图像的水印特征值确定样本图像的水印区域，并提取所确定的水印区域；采样单元730用于基于标注的水印名称从水印模块库中采样，包括对同名的水印和异名的水印进行采样；水印识别单元740包括水印指纹提取单元742以及水印指纹比对单元744，水印指纹提取单元742用于提取采样单元730采集的水印的指纹特征，或者提取水印区域提取单元720提取的水印区域的指纹特征；水印指纹比对单元742用于对水印区域提取单元720提取的水印区域的指纹特征与水印模板的指纹特征进行比对，基于比对结果确定提取的水印区域的水印名称。
图8示意性地示出了根据本发明的一些实施例的水印识别模型建立装置的示意框图。
在图8中，水印识别模型建立装置800可以包括：水印特征值获取单元810、第一模型训练单元820、指纹特征获取单元830、指纹特征对比单元840以及第二模型训练单元850。其中：水印特征值获取单元810用于从第一样本图像中获取水印特征值，水印特征值表征样本图像的水印区域和非水印区域；第一模型训练单元820用于在水印特征值与预设的标准特征值不一致时，对获取水印特征值时的第一模型参数进行校正，直到水印特征值与预设的标准特征值一致；指纹特征获取单元830用于分别获取M个第二样本图像中M个水印区域的指纹特征，M为正整数且M≥2；指纹特征对比单元840用于将M个水印区域中任意两个水印区域的指纹特征进行对比，得到第一对比结果；第二模型训练单元850用于在第一对比结果与预设的标准对比结果不一致时，对获取M个水印区域的指纹特征时的第二模型参数进行校正，直到第一对比结果与预设的标准对比结果一致。
在本发明的一些实施例中，基于前述方案，水印特征值获取单元810包括：子水印特征值获取单元，用于将第一样本图像划分为N个子块，N为正整数且N≥2；获取N个子块中的每个子块的子水印特征值，每个子块都包含有第一子水印特征值或第二子水印特征值；将包含有第一子水印特征值的连续子块确定为所述第一样本图像的水印区域，并将N个子块的子水印特征值的组合作为第一样本图像的水印特征值。
在本发明的一些实施例中，基于前述方案，第一模型训练单元820包括：第一模型参数校正单元，用于将水印特征值与预设的标准特征值进行对比得到海明距离值；根据海明距离值对获取水印特征值时的第一模型参数进行校正，直到海明距离值为0。
在本发明的一些实施例中，基于前述方案，指纹特征对比单元840被配置为：将M个水印区域中任意两个水印区域的指纹特征进行对比，确定出任意两个水印区域的指纹特征相同或不相同，预设的标准对比结果为相同或者不相同。
在本发明的一些实施例中，基于前述方案，指纹特征对比单元840还包括：对比单元，用于将第一对比结果与预设的标准对比结果进行对比，确定出第一对比结果与预设的标准对比结果一致或不一致。
在本发明的一些实施例中，基于前述方案，水印区域确定单元被配置为：确定N个子块中子水印特征值为第一子水印特征值的连续子块，将包含连续子块的最小矩形确定为第一样本图像的水印区域。
在本发明的一些实施例中，基于前述方案，第一模型参数校正单元被配置为：根据海明距离值通过反向误差传递的方式对获取水印特征值时的第一模型参数进行校正。
在本发明的一些实施例中，基于前述方案，第二模型训练单元850被配置为：基于第一对比结果与预设的标准对比结果确定损失函数，根据损失函数对获取M个水印区域的指纹特征的第二模型参数进行校正，直到第一对比结果与预设的标准对比结果一致。
参考图9对本发明示例性实施例的水印识别装置进行说明，图9示意性地示出了根据本发明的一些实施例的水印识别装置的示意框图。
在图9中，水印识别装置900可以包括：水印特征值获取单元910、第一模型训练单元920、指纹特征获取单元930、指纹特征对比单元940、第二模型训练单元950、水印区域确定单元960、指纹特征提取单元970以及水印识别单元980。其中：水印特征值获取单元910用于从第一样本图像中获取水印特征值，水印特征值表征样本图像的水印区域和非水印区域；第一模型训练单元920用于在水印特征值与预设的标准特征值不一致时，对获取水印特征值时的第一模型参数进行校正，直到水印特征值与预设的标准特征值一致；指纹特征获取单元930用于分别获取M个第二样本图像中M个水印区域的指纹特征，M为正整数且M≥2；指纹特征对比单元940用于将M个水印区域中任意两个水印区域的指纹特征进行对比，得到第一对比结果；第二模型训练单元950用于在第一对比结果与预设的标准对比结果不一致时，对获取M个水印区域的指纹特征时的第二模型参数进行校正，直到所一对比结果与预设的标准对比结果一致；水印区域确定单元960用于通过第一模型确定待检测图像的水印区域；指纹特征提取单元970用于通过第二模型从待检测图像的水印区域提取待识别水印的指纹特征；水印识别单元980用于将待识别水印的指纹特征与水印指纹库中的多个水印的指纹特征进行比对，并基于比对结果确定待识别水印的水印名称。
在本发明的一些实施例中，基于前述方案，水印区域确定单元960被配置为：将待检测图像划分为N个子块，N为正整数且N≥2；通过第一模型获取N个子块中的每个子块的子水印特征值，每个子块都包含有第一子水印特征值或第二子水印特征值；将包含有第一子水印特征值的连续子块确定为待检测图像的水印区域。
在本发明的一些实施例中，基于前述方案，水印区域确定单元960被配置为：确定N个子块中的子水印特征值为第一子水印特征值的连续子块，将包含连续子块的最小矩形确定为待检测图像的水印区域。
在本发明的一些实施例中，基于前述方案，水印识别单元980被配置为：确定待识别水印的指纹特征与水印指纹库中的各个水印的指纹特征之间的距离，根据距离确定水印指纹库中与待识别水印匹配的水印。
在本发明的一些实施例中，基于前述方案，第一模型训练单元920包括：第一模型参数校正单元，用于将水印特征值与预设的标准特征值进行对比得到海明距离值；根据海明距离值对获取水印特征值时的第一模型参数进行校正，直到海明距离值为0。
在本发明的一些实施例中，基于前述方案，水印特征值获取单元910包括：子水印特征值获取单元，用于将第一样本图像划分为N个子块，N为正整数且N≥2；获取N个子块中的每个子块的子水印特征值，每个子块都包含有第一子水印特征值或第二子水印特征值；将包含有第一子水印特征值的连续子块确定为所述第一样本图像的水印区域，并将N个子块的子水印特征值的组合作为第一样本图像的水印特征值。
在本发明的一种实施例中，基于前述方案，指纹特征对比单元940被配置为：将M个水印区域中任意两个水印区域的指纹特征进行对比，确定出任意两个所述水印区域的指纹特征相同或不相同，预设的标准对比结果为相同或者不相同。
在本发明的一些实施例中，基于前述方案，指纹特征对比单元940还包括：对比单元，用于将第一对比结果与预设的标准对比结果进行对比，确定出第一对比结果与预设的标准对比结果一致或不一致。
示例性介质
在介绍了本发明示例性实施例的装置之后，接下来，对本发明示例性实施例的存储介质进行说明。
在一些实施例中，本发明的各个方面还可以实现为一种介质，其上存储有程序代码，当所述程序代码被设备的处理器执行时用于实现本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的水印识别方法中的步骤。
例如，所述设备的处理器执行所述程序代码时可以实现如图5中所述的步骤S510，从第一样本图像中获取水印特征值，所述水印特征值表征所述样本图像的水印区域和非水印区域；步骤S520，在所述水印特征值与预设的标准特征值不一致时，对获取所述水印特征值时的第一模型参数进行校正，直到所述水印特征值与预设的标准特征值一致；步骤S530，分别获取M个第二样本图像中M个水印区域的指纹特征，M为正整数且M≥2；步骤S540，将所述M个水印区域中任意两个水印区域的指纹特征进行对比，得到第一对比结果；步骤S550，在所述第一对比结果与预设的标准对比结果不一致时，对获取M个水印区域的指纹特征时的第二模型参数进行校正，直到所述第一对比结果与所述预设的标准对比结果一致；步骤S560，通过所述第一模型确定待检测图像的水印区域；步骤S570，通过所述第二模型从所述待检测图像的水印区域提取待识别水印的指纹特征；步骤S580，将所述待识别水印的指纹特征与水印指纹库中的多个水印的指纹特征进行比对，并基于比对结果确定所述待识别水印的水印名称。
参考图10所示，描述了根据本发明的实施例的用于实现上述数据处理方法的程序产品1000，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备。
示例性计算设备
在介绍了本发明示例性实施例的水印识别方法、水印识别装置以及存储介质之后，接下来，介绍根据本发明的示例性实施例的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施例中，根据本发明的电子设备可以至少包括至少一个处理单元、以及至少一个存储单元。其中，所述存储单元存储有程序代码，当所述程序代码被所述处理单元执行时，使得所述处理单元执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的水印识别方法中的步骤。
例如，所述处理单元可以执行如图5中所示的步骤S510，从第一样本图像中获取水印特征值，所述水印特征值表征所述样本图像的水印区域和非水印区域；步骤S520，在所述水印特征值与预设的标准特征值不一致时，对获取所述水印特征值时的第一模型参数进行校正，直到所述水印特征值与预设的标准特征值一致；步骤S530，分别获取M个第二样本图像中M个水印区域的指纹特征，M为正整数且M≥2；步骤S540，将所述M个水印区域中任意两个水印区域的指纹特征进行对比，得到第一对比结果；步骤S550，在所述第一对比结果与预设的标准对比结果不一致时，对获取M个水印区域的指纹特征时的第二模型参数进行校正，直到所述第一对比结果与所述预设的标准对比结果一致；步骤S560，通过所述第一模型确定待检测图像的水印区域；步骤S570，通过所述第二模型从所述待检测图像的水印区域提取待识别水印的指纹特征；步骤S580，将所述待识别水印的指纹特征与水印指纹库中的多个水印的指纹特征进行比对，并基于比对结果确定所述待识别水印的水印名称。
下面参照图11来描述根据本发明的示例实施例的电子设备1100。图11所示的电子设备1100仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图11所示，电子设备1100以通用计算设备的形式表现。电子设备1100的组件可以包括但不限于：上述至少一个处理单元1110、上述至少一个存储单元1120、连接不同系统组件(包括存储单元1120和处理单元1110)的总线1130。
总线1130表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储单元1120可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)1121和/或高速缓存存储器1122，还可以进一步包括只读存储器(ROM)1123。
存储单元1120还可以包括具有一组(至少一个)程序模块1124的程序/实用工具1125，这样的程序模块1124包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备1100也可以与一个或多个外部设备1140(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与电子设备1100交互的设备通信，和/或与使得电子设备1100能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1150进行。并且，电子设备1100还可以通过网络适配器1160与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1160通过总线1130与电子设备1100的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1100使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了水印识别装置的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施例，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施例描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施例，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (10)
1.一种水印识别模型建立方法，其特征在于，包括：
从第一样本图像中获取水印特征值，所述水印特征值表征所述样本图像的水印区域和非水印区域；
在所述水印特征值与预设的标准特征值不一致时，对获取所述水印特征值时的第一模型参数进行校正，直到所述水印特征值与预设的标准特征值一致；
分别获取M个第二样本图像中M个水印区域的指纹特征，M为正整数且M≥2；
将所述M个水印区域中任意两个水印区域的指纹特征进行对比，得到第一对比结果；
在所述第一对比结果与预设的标准对比结果不一致时，对获取M个水印区域的指纹特征时的第二模型参数进行校正，直到所述第一对比结果与所述预设的标准对比结果一致。
2.根据权利要求1所述的模型建立方法，其特征在于，对获取所述水印特征值时的第一模型参数进行校正，直到所述水印特征值与预设的标准特征值一致，包括：
将所述水印特征值与所述预设的标准特征值进行对比得到海明距离值；
根据所述海明距离值对获取所述水印特征值时的第一模型参数进行校正，直到所述海明距离值为0。
3.根据权利要求1所述的模型建立方法，其特征在于，从第一样本图像中获取水印特征值，包括：
将所述第一样本图像划分为N个子块，N为正整数且N≥2；
获取所述N个子块中的每个子块的子水印特征值，每个子块都包含有第一子水印特征值或第二子水印特征值；
将包含有第一子水印特征值的连续子块确定为所述第一样本图像的水印区域，并将所述N个子块的子水印特征值的组合作为所述第一样本图像的水印特征值。
4.根据权利要求1所述的模型建立方法，其特征在于，将所述M个水印区域中任意两个水印区域的指纹特征进行对比，得到第一对比结果，包括：
将所述M个水印区域中任意两个水印区域的指纹特征进行对比，确定出所述任意两个水印区域的指纹特征相同或不相同，所述预设的标准对比结果为相同或者不相同。
5.根据权利要求1所述的模型建立方法，其特征在于，在得到第一对比结果之后，还包括：
将所述第一对比结果与预设的标准对比结果进行对比，确定出所述第一对比结果与所述预设的标准对比结果一致或不一致。
6.根据权利要求3所述的模型建立方法，其特征在于，将包含有第一子水印特征值的连续子块确定为所述第一样本图像的水印区域，包括：
确定所述N个子块中所述子水印特征值为第一子水印特征值的连续子块；
将包含所述连续子块的最小矩形确定为所述第一样本图像的水印区域。
7.根据权利要求2所述的模型建立方法，其特征在于，根据所述海明距离值对获取所述水印特征值时的第一模型参数进行校正，包括：
根据所述海明距离值通过反向误差传递的方式对获取所述水印特征值时的第一模型参数进行校正。
8.根据权利要求1所述的模型建立方法，其特征在于，对获取M个水印区域的指纹特征时的第二模型参数进行校正，直到所述第一对比结果与所述预设的标准对比结果一致，包括：
基于所述第一对比结果与所述预设的标准对比结果确定损失函数；
基于所述损失函数对获取所述M个水印区域的指纹特征的第二模型参数进行校正，直到所述第一对比结果与所述预设的标准对比结果一致。
9.一种水印识别方法，其特征在于，包括：
从第一样本图像中获取水印特征值，所述水印特征值表征所述样本图像的水印区域和非水印区域；
在所述水印特征值与预设的标准特征值不一致时，对通过第一模型获取所述水印特征值时的第一模型参数进行校正，直到所述水印特征值与预设的标准特征值一致；
分别获取M个第二样本图像中M个水印区域的指纹特征，M为正整数且M≥2；
将所述M个水印区域中任意两个水印区域的指纹特征进行对比，得到第一对比结果；
在所述第一对比结果与预设的标准对比结果不一致时，对通过第二模型获取M个水印区域的指纹特征时的第二模型参数进行校正，直到所述第一对比结果与所述预设的标准对比结果一致；
通过所述第一模型确定待检测图像的水印区域；
通过所述第二模型从所述待检测图像的水印区域提取待识别水印的指纹特征；
将所述待识别水印的指纹特征与水印指纹库中的多个水印的指纹特征进行比对，并基于比对结果确定所述待识别水印的水印名称。
10.一种水印识别模型建立装置，其特征在于，包括：
水印特征值获取单元，用于从第一样本图像中获取水印特征值，所述水印特征值表征所述样本图像的水印区域和非水印区域；
第一模型训练单元，用于在所述水印特征值与预设的标准特征值不一致时，对获取所述水印特征值时的第一模型参数进行校正，直到所述水印特征值与预设的标准特征值一致；
指纹特征获取单元，用于分别获取M个第二样本图像中M个水印区域的指纹特征，M为正整数且M≥2；
指纹特征对比单元，用于将所述M个水印区域中任意两个水印区域的指纹特征进行对比，得到第一对比结果；
第二模型训练单元，用于在所述第一对比结果与预设的标准对比结果不一致时，对获取M个水印区域的指纹特征时的第二模型参数进行校正，直到所述第一对比结果与所述预设的标准对比结果一致。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810952827.0A CN109118420B (zh) | 2018-08-21 | 2018-08-21 | 水印识别模型建立及识别方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810952827.0A CN109118420B (zh) | 2018-08-21 | 2018-08-21 | 水印识别模型建立及识别方法、装置、介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109118420A true CN109118420A (zh) | 2019-01-01 |
| CN109118420B CN109118420B (zh) | 2022-11-25 |
Family
ID=64852463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810952827.0A Active CN109118420B (zh) | 2018-08-21 | 2018-08-21 | 水印识别模型建立及识别方法、装置、介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109118420B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340677A (zh) * | 2020-02-27 | 2020-06-26 | 北京百度网讯科技有限公司 | 视频水印检测方法、装置、电子设备、计算机可读介质 |
| CN111553324A (zh) * | 2020-05-22 | 2020-08-18 | 北京字节跳动网络技术有限公司 | 人体姿态预测值校正方法、装置，服务器及存储介质 |
| CN112017092A (zh) * | 2019-05-30 | 2020-12-01 | 阿里巴巴集团控股有限公司 | 水印检测模型的生成和水印检测方法、装置及设备 |
| CN112528244A (zh) * | 2019-11-14 | 2021-03-19 | 百度（美国）有限责任公司 | 用于由数据处理加速器处理数据的方法及数据处理加速器 |
| CN112750065A (zh) * | 2019-10-31 | 2021-05-04 | 阿里巴巴集团控股有限公司 | 载体对象处理和水印嵌入方法、装置及电子设备 |
| CN113222802A (zh) * | 2021-05-27 | 2021-08-06 | 西安电子科技大学 | 基于对抗攻击的数字图像水印方法 |
| CN116258928A (zh) * | 2023-03-20 | 2023-06-13 | 西安理工大学 | 基于未标记医学图像自监督信息的预训练方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090010483A1 (en) * | 2007-07-02 | 2009-01-08 | The Hong Kong University Of Science And Technology | Block-based lossless data hiding in the delta domain |
| JP4247307B1 (ja) * | 2007-12-14 | 2009-04-02 | 学校法人 芝浦工業大学 | 電子透かし埋込装置及び方法、電子透かし検査装置及び方法 |
| CN108090897A (zh) * | 2017-12-18 | 2018-05-29 | 川亿电脑(深圳)有限公司 | 印刷线路板缺陷的检测方法、检测装置及存储介质 |
-
2018
- 2018-08-21 CN CN201810952827.0A patent/CN109118420B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090010483A1 (en) * | 2007-07-02 | 2009-01-08 | The Hong Kong University Of Science And Technology | Block-based lossless data hiding in the delta domain |
| JP4247307B1 (ja) * | 2007-12-14 | 2009-04-02 | 学校法人 芝浦工業大学 | 電子透かし埋込装置及び方法、電子透かし検査装置及び方法 |
| CN108090897A (zh) * | 2017-12-18 | 2018-05-29 | 川亿电脑(深圳)有限公司 | 印刷线路板缺陷的检测方法、检测装置及存储介质 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112017092A (zh) * | 2019-05-30 | 2020-12-01 | 阿里巴巴集团控股有限公司 | 水印检测模型的生成和水印检测方法、装置及设备 |
| CN112750065A (zh) * | 2019-10-31 | 2021-05-04 | 阿里巴巴集团控股有限公司 | 载体对象处理和水印嵌入方法、装置及电子设备 |
| CN112750065B (zh) * | 2019-10-31 | 2022-12-09 | 阿里巴巴(中国)网络技术有限公司 | 载体对象处理和水印嵌入方法、装置及电子设备 |
| CN112528244A (zh) * | 2019-11-14 | 2021-03-19 | 百度（美国）有限责任公司 | 用于由数据处理加速器处理数据的方法及数据处理加速器 |
| CN111340677A (zh) * | 2020-02-27 | 2020-06-26 | 北京百度网讯科技有限公司 | 视频水印检测方法、装置、电子设备、计算机可读介质 |
| CN111340677B (zh) * | 2020-02-27 | 2023-10-27 | 北京百度网讯科技有限公司 | 视频水印检测方法、装置、电子设备、计算机可读介质 |
| CN111553324A (zh) * | 2020-05-22 | 2020-08-18 | 北京字节跳动网络技术有限公司 | 人体姿态预测值校正方法、装置，服务器及存储介质 |
| CN113222802A (zh) * | 2021-05-27 | 2021-08-06 | 西安电子科技大学 | 基于对抗攻击的数字图像水印方法 |
| CN116258928A (zh) * | 2023-03-20 | 2023-06-13 | 西安理工大学 | 基于未标记医学图像自监督信息的预训练方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109118420B (zh) | 2022-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109118420A (zh) | 水印识别模型建立及识别方法、装置、介质及电子设备 | |
| WO2020211339A1 (zh) | 指静脉识别方法、装置、计算机设备及存储介质 | |
| CN111611643B (zh) | 户型矢量化数据获得方法、装置、电子设备及存储介质 | |
| CN106920206B (zh) | 一种基于对抗神经网络的隐写分析方法 | |
| CN104463101B (zh) | 用于文字性试题的答案识别方法及系统 | |
| CN104268603B (zh) | 用于文字性客观题的智能阅卷方法及系统 | |
| US20050207614A1 (en) | Iris-based biometric identification | |
| CN111860525B (zh) | 一种适用于端子排的自底向上光学字符识别方法 | |
| Hosny et al. | Copy‐for‐duplication forgery detection in colour images using QPCETMs and sub‐image approach | |
| CN112966685B (zh) | 用于场景文本识别的攻击网络训练方法、装置及相关设备 | |
| CN109657673A (zh) | 图像识别方法和终端 | |
| US8260060B2 (en) | Comparison method, comparison system, computer, and program | |
| CN112115921B (zh) | 一种真伪鉴别方法、装置以及电子设备 | |
| CN113177435A (zh) | 试卷分析方法、装置、存储介质及电子设备 | |
| CN111783557B (zh) | 一种基于深度视觉的可穿戴导盲设备及服务器 | |
| CN111898544B (zh) | 文字图像匹配方法、装置和设备及计算机存储介质 | |
| CN115713772A (zh) | 变电站面板文字识别方法、系统、设备及存储介质 | |
| CN114722958A (zh) | 网络训练及目标检测方法、装置、电子设备和存储介质 | |
| CN104361339B (zh) | 掌形图形提取及识别方法 | |
| WO2020199498A1 (zh) | 指静脉比对方法、装置、计算机设备及存储介质 | |
| CN115713776A (zh) | 一种基于深度学习的通用证件结构化识别方法和系统 | |
| CN117636368A (zh) | 批改方法、装置、设备及介质 | |
| CN114448664A (zh) | 钓鱼网页的识别方法、装置、计算机设备及存储介质 | |
| Shipurkar et al. | End to End System for Handwritten Text Recognition and Plagiarism Detection using CNN & BLSTM | |
| CN115311649A (zh) | 一种卡证类别识别方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 310052 Room 301, Building No. 599, Changhe Street Network Business Road, Binjiang District, Hangzhou City, Zhejiang Province Patentee after: Hangzhou NetEase Shuzhifan Technology Co.,Ltd. Address before: 310052 Room 301, Building No. 599, Changhe Street Network Business Road, Binjiang District, Hangzhou City, Zhejiang Province Patentee before: HANGZHOU LANGHE TECHNOLOGY Ltd. |
|
| CP01 | Change in the name or title of a patent holder |