CN109285105A - 水印检测方法、装置、计算机设备和存储介质 - Google Patents

水印检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN109285105A
CN109285105A CN201811033450.5A CN201811033450A CN109285105A CN 109285105 A CN109285105 A CN 109285105A CN 201811033450 A CN201811033450 A CN 201811033450A CN 109285105 A CN109285105 A CN 109285105A
Authority
CN
China
Prior art keywords
detected
watermark
image
classification
characteristic pattern
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
Application number
CN201811033450.5A
Other languages
English (en)
Other versions
CN109285105B (zh
Inventor
周恺卉
王长虎
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.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network 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 Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN201811033450.5A priority Critical patent/CN109285105B/zh
Publication of CN109285105A publication Critical patent/CN109285105A/zh
Application granted granted Critical
Publication of CN109285105B publication Critical patent/CN109285105B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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]
    • 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

Landscapes

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

Abstract

本申请涉及一种水印检测方法、装置、计算机设备和存储介质。方法包括：将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到粗粒度分割网络模型中的各网络通道输出的待检测图像的特征图；其中，每一网络通道与水印类别对应；根据特征图及网络通道确定待检测图像中的水印的类别及水印在待检测图像中的位置。采用本方法能够同时检测出多个类别的水印，并检测出水印在图像中的具体位置。

Description

水印检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像识别技术领域，特别是涉及一种水印检测方法、装置、计算机设备和存储介质。
背景技术
图像包含了丰富且直观的信息，其在互联网领域得到了广泛的应用。为了保护图像信息的所有权，越来越多的个人和组织选择给自身拥有的图像嵌入水印信息，因此，在使用图像前，目前通常需要人工对图像进行审核，识别图像中是否含有水印信息，避免出现误用和侵权的行为。
然后，现有的水印检测方法，只能固定的检测出某一类别的水印，例如，某一水印检测装置只能检测出图像中是否嵌有A类别的水印，若待检测图像中嵌有的是B类别的水印，则检测不出来，并且，也检测不出来该水印在图像中的具体位置。
因此，现有技术中存在着只能固定的检测出某一类别的水印，无法同时检测出多个类别的水印，也无法检测出水印在图像中的具体位置的技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够同时检测出多个类别的水印，并检测出水印在图像中的具体位置的水印检测方法、装置、计算机设备和存储介质。
一种水印检测方法，所述方法包括：
将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到所述粗粒度分割网络模型中的各网络通道输出的所述待检测图像的特征图；其中，所述网络通道与水印类别对应；
根据所述特征图及所述网络通道确定所述待检测图像中的水印的类别及所述水印在所述待检测图像中的位置。
在其中一个实施例中，在所述将待检测图像输入训练好的粗粒度分割网络模型中进行检测之前，所述方法还包括：
对训练图像样本执行区块式分割标注，得到多个区块标注单元；其中，每个区块标注单元上标注有水印标签；
利用预设的粗粒度分割网络模型，对所述区块标注单元进行卷积神经网络学习，得到所述训练图像样本的区块分割识别结果；
将所述区块分割识别结果与所述区块标注单元上的水印标签进行比对，确定模型误差；
利用所述模型误差，对所述预设的粗粒度分割网络模型进行迭代训练，得到所述训练好的粗粒度分割网络模型。
在其中一个实施例中，所述对训练图像样本执行区块式分割标注，得到多个区块标注单元，包括：
对所述训练图像样本进行分割，得到多个等面积的区块单元；
获取所述区块单元的水印信息，将与所述水印信息对应的水印标签标注于与所述水印信息对应的区块单元上，得到所述多个区块标注单元。
在其中一个实施例中，所述将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到所述粗粒度分割网络模型中的各网络通道输出的所述待检测图像的特征图，包括：
利用所述训练好的粗粒度分割网络模型，对所述待检测图像进行卷积神经网络学习，得到所述待检测图像的特征向量；
对所述特征向量进行分类归一处理，得到所述待检测图像的特征图；
其中，所述特征图包括多个元素，所述元素的位置与所述区块单元的位置一一对应，所述特征图包括所述待检测图像在所述网络通道中的含水印的概率矩阵。
在其中一个实施例中，所述特征图中的每一个元素在所述网络通道上构成一列概率向量；
所述根据所述特征图及所述网络通道确定所述待检测图像中的水印的类别及所述水印在所述待检测图像中的位置，包括：
查找出所述特征图中的目标元素的目标概率向量中的概率最大值；
判断所述概率最大值是否大于预设阈值；
若所述概率最大值大于所述预设阈值，则将所述概率最大值所在的网络通道对应的水印类别，确定为所述待检测图像的水印的类别；
将与所述目标元素的位置对应的区块单元的位置，确定为所述待检测图像的水印的位置。
在其中一个实施例中，所述特征图中的每一个元素在所述网络通道上构成一列概率向量；
所述根据所述特征图及所述网络通道确定所述待检测图像中的水印的类别及所述水印在所述待检测图像中的位置，包括：
将所述特征图中的元素的概率向量中的概率值与所述预设阈值进行比较，查找出大于所述预设阈值的目标概率值；
将所述目标概率值所在的网络通道对应的水印类别确定为所述待检测图像的水印的类别；
确定所述目标概率值所属的元素的位置，将与所述元素的位置对应的区块单元的位置，确定为所述待检测图像的水印的位置。
在其中一个实施例中，所述将待检测图像输入训练好的粗粒度分割网络模型中进行检测，之前还包括：
对所述待检测图像进行像素归一化处理。
一种水印检测装置，所述装置包括：
检测输出模块，用于将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到所述粗粒度分割网络模型中的各网络通道输出的所述待检测图像的特征图；其中，所述网络通道与水印类别对应；
确定模块，用于根据所述特征图及所述网络通道确定所述待检测图像中的水印的类别及所述水印在所述待检测图像中的位置。
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程序，所述处理器执行所述计算机程序时实现以下步骤：
将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到所述粗粒度分割网络模型中的各网络通道输出的所述待检测图像的特征图；其中，所述网络通道与水印类别对应；
根据所述特征图及所述网络通道确定所述待检测图像中的水印的类别及所述水印在所述待检测图像中的位置。
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以下步骤：
将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到所述粗粒度分割网络模型中的各网络通道输出的所述待检测图像的特征图；其中，所述网络通道与水印类别对应；
根据所述特征图及所述网络通道确定所述待检测图像中的水印的类别及所述水印在所述待检测图像中的位置。
上述水印检测方法、装置、计算机设备和存储介质，待检测图像的特征图输出显示于各网络通道中，因网络通道与水印类别对应，每一个网络通道能够识别输出该网络通道对应的水印类别，则利用各网络通道对特征图进行分析，可以利用各通道对应的水印类别确定待检测图像的水印的类别。此外，因为特征图包括多个元素，元素的位置与检测图像中的水印的位置一一对应，则根据特征图中的元素的位置，可以确定水印在待检测图像中的位置。
附图说明
图1为一个实施例中水印检测方法的应用环境图；
图2为一个实施例中水印检测方法的流程示意图；
图3为另一个实施例中水印检测方法的流程示意图；
图4为区块式分割标注的流程示意图；
图5为一个实施例中的步骤S210的细化步骤的流程示意图；
图6为一个实施例中的步骤S220的细化步骤的流程示意图；
图7为待检测图像在各网络通道输出的特征图；
图8为一个实施例中的步骤S220的另一细化步骤的流程示意图；
图9为一个实施例中水印检测装置的结构框图；
图10为另一个实施例中水印检测装置的结构框图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的水印检测方法，可以应用于如图1所示的应用环境中。其中，图像采集装置110与计算机设备120相连接。其中，图像采集装置110与计算机设备120可以设置为一体式终端，该一体式终端可以包含但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑。该图像采集装置110与计算机设备120还可以是分别独立设置的图像采集装置110(例如相机)与服务器。该图像采集装置110通过网络与服务器通信连接，该服务器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。
可选地，该计算机设备120包含至少一个处理器121与存储器122。可选地，该处理器121可以为CPU(Central Processing Unit，中央处理器)，GPU(Graphics ProcessingUnit，图形处理器)，IPU(Intelligence Processing Unit，智能处理器)等等，优选适于图像处理的GPU或者适于运行神经网络算法的IPU。可选地，该处理器121为多核处理器，例如多核GPU。
其中，该计算机设备120内的存储器122内存储有神经网络模型算法，处理器121可以调用并运行存储器122内的神经网络模型算法，对输入神经网络模型的数据进行处理。可选地，输入神经网络模型的数据，可以是原始数据，例如获取的相片、视频等等；也可以是经编码后具有固定格式的数据，例如经one-hot编码的数据等等。
在一个实施例中，如图2所示，提供了一种水印检测方法，该水印检测方法需要运用到卷积神经网络学习算法，卷积神经网络学习算法是一种机器学习方法，主要步骤为训练及测试，其中，测试的主要步骤包括输入模型、计算及输出。现以图1所示的应用环境为例进行测试部分的说明，具体包括以下步骤：
步骤S210：将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到所述粗粒度分割网络模型中的各网络通道输出的所述待检测图像的特征图；其中，所述网络通道与水印类别对应。
在本发明实施例中，图像采集装置110获取到待检测图像，将该待检测图像输入至训练好的粗粒度分割网络模型中进行检测。
其中，在将该待检测图像输入至训练好的粗粒度分割网络模型之前，需要保证该待检测图像的像素信息满足预设的像素要求，如果满足，则直接输入，如果不满足，则需要对待检测图像进行像素归一化处理至统一的大小，之后将归一化处理后的待检测图像输入至粗粒度分割网络模型中。
其中，粗粒度分割网络模型可包括卷积神经网络模型，该卷积神经网络模型的各网络层含有神经网络模型算法，可以对预处理后的图像进行卷积神经网络计算，对预处理后的图像进行分类。具体的，将预处理后的图像输入至训练好的粗粒度分割网络模型后，计算机设备120中的处理器121调用并运行存储器122内的神经网络模型算法，对输入至神经网络模型的数据进行运算处理。
其中，该粗粒度分割网络模型的最后一层是网络通道，该网络通道是预先设置好的通道，可根据实际需求进行修改。该网络通道用于输出待检测图像的特征图。每一个网络通道与某一种水印类别对应，用于识别输出与该网络通道对应的水印类别。网络通道与水印类别的对应关系也可以根据实际需求进行修改。例如，预先设置了5个网络通道，分别为与A水印类别对应的A网络通道，与B水印类别对应的B网络通道，与C水印类别对应的C网络通道，与D水印类别对应的D网络通道，与背景类别对应的E网络通道，当在上述5个网络通道输出了一张带有D水印类别的图像的特征图时，因D网络通道与D水印类别对应，所以利用D网络通道可以识别输出该特征图的水印类别是D水印类别。
其中，特征图是一个三维的概率矩阵，用于表示待检测图像中包含的某类别水印在网络通道中的概率。此外，特征图包括多个元素，元素的位置与检测图像中的水印的位置一一对应。
步骤S220：根据所述特征图及所述网络通道确定所述待检测图像中的水印的类别及所述水印在所述待检测图像中的位置。
在本发明实施例中，每一个网络通道里面会有一些随机的初始数据，当得到特征图后，特征图中的具体数据会填充在网络通道中，具体数据会替代初始数据。因网络通道与水印类别对应，每一个网络通道能够识别输出该网络通道对应的水印类别，则利用各网络通道对特征图进行分析，确定待检测图像中的水印的类别。此外，因为特征图包括多个元素，元素的位置与检测图像中的水印的位置一一对应，则根据特征图中的元素的位置，可以确定水印在待检测图像中的位置。
上述水印检测方法中，将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到粗粒度分割网络模型中的各网络通道输出的特征图，根据特征图及网络通道确定待检测图像中的水印的类别及位置。其中，待检测图像的特征图输出显示于各网络通道中，因网络通道与水印类别对应，每一个网络通道能够识别输出该网络通道对应的水印类别，则利用各网络通道对特征图进行分析，可以利用各通道对应的水印类别确定待检测图像的水印的类别。此外，因为特征图包括多个元素，元素的位置与检测图像中的水印的位置一一对应，则根据特征图中的元素的位置，可以确定水印在待检测图像中的位置。
在另一个实施例中，如图3所示，提供了一种水印检测方法中，粗粒度分割模型的训练的方法。现以图1所示的应用环境为例进行训练的说明，其中，训练就是对预设的粗粒度分割网络模型中的参数进行优化的过程，具体的，本方法包括以下步骤：
步骤S310：对训练图像样本执行区块式分割标注，得到多个区块标注单元；其中，每个区块标注单元上标注有水印标签。
在本发明实施例中，区块式分割标注包括将训练图像样本等面积分割，得到若干等面积的区块单元，之后确定每一个区块单元的水印信息，并将与水印信息对应的水印标签标注于与该水印信息对应的区块单元上，得到区块标注单元。如图4所示，将待检测图像等面积分割成3*3的9个区块单元，确定9个区块单元的水印信息，从图4中可以看出，9个区块单元中只有右上角带有水印，确定该水印的类别，其中，因每一种水印类别对应着一个预设的水印标签，将与该水印类别对应的水印标签标注于该区块单元上(如图4，在该区块单元上标注水印标签1)，在不含水印的区块单元上标注上其他的水印标签(如图4，在不含水印的区块单元上都标注上0，则上述区块单元的水印标签表示无水印)。
需要说明的是，确定每一个区块单元的水印信息可以是计算机设备120识别确定的，也可以是用户识别确定的。例如，当该训练图像样本上的水印是本计算机设备120自己嵌入的，则该计算机设备120可以自动确定自身嵌入的水印的类别，若该训练图像样本是该计算机设备120从其他计算机设备或网络上爬取的，则需要人工进行识别标注。
需要说明的是，训练之前也需要图像采集装置110获取到训练图像样本，同时，也可能需要对训练图像样本进行预处理，例如，对训练图像样本进行像素归一化处理至统一的大小。
步骤S320：利用预设的粗粒度分割网络模型，对所述区块标注单元进行卷积神经网络学习，得到所述训练图像样本的区块分割识别结果。
在本发明实施例中，预设的粗粒度分割网络模型可以是自己构建的或者是从网上直接下载的。卷积神经网络学习包括卷积、激活、池化、全连接等操作，现有技术中已有详细的说明，此处不再加以赘述。
其中，得到的训练图像样本的区块分割识别结果指的是训练图像样本是否包含水印标签的概率矩阵。其中，水印标签包括水印类别的信息以及水印在训练图像样本中的位置信息。
步骤S330将所述区块分割识别结果与所述区块标注单元上的水印标签进行比对，确定模型误差。
在本发明实施例中，因为该预设的粗粒度分割网络模型可能存在计算误差，所以需要将通过该预设的粗粒度分割网络模型得到的区块分割识别结果，与之前人工或计算机设备120准确识别的标注有水印标签的区块标注单元进行比对，从而确定模型误差。
步骤S340：利用所述模型误差，对所述预设的粗粒度分割网络模型进行迭代训练，得到所述训练好的粗粒度分割网络模型。
在本发明实施例中，利用上述模型误差，对预设的粗粒度分割网络模型进行迭代训练，直至网络收敛，即可得到训练好的粗粒度分割网络模型。
步骤S350：将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到所述粗粒度分割网络模型中的各网络通道输出的所述待检测图像的特征图；其中，所述网络通道与水印类别对应。
步骤S360：根据所述特征图及所述网络通道确定所述待检测图像中的水印的类别及所述水印在所述待检测图像中的位置。
在本发明实施例中，上述步骤S350及步骤S360与上一实施例中的步骤S210及步骤S220描述的内容一致，此处不再赘述。
上述水印检测方法中，将利用预设的粗粒度分割网络模型训练得到的区块分割识别结果与标注有水印标签的区块标注单元进行比对，可以确定模型误差，基于该模型误差对预设的粗粒度分割网络模型进行迭代训练，直至网络收敛，得到训练好的粗粒度分割网络模型。
训练好模型之后，将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到粗粒度分割网络模型中的各网络通道输出的特征图，根据特征图及网络通道确定待检测图像中的水印的类别及位置。其中，待检测图像的特征图输出显示于各网络通道中，因网络通道与水印类别对应，每一个网络通道能够识别输出该网络通道对应的水印类别，则利用各网络通道对特征图进行分析，可以利用各通道对应的水印类别确定待检测图像的水印的类别。此外，因为特征图包括多个元素，元素的位置与检测图像中的水印的位置一一对应，则根据特征图中的元素的位置，可以确定水印在待检测图像中的位置。
作为一种可选的实施方式，如图5所示，为步骤S210的细化步骤的流程示意图，具体包括：
步骤S510、利用所述训练好的粗粒度分割网络模型，对所述待检测图像进行卷积神经网络学习，得到所述待检测图像的特征向量。
在本发明实施例，处理器121调用存储器122中的神经网络模型算法，运行训练好的粗粒度分割网络模型的各层网络对输入的待检测图像进行行卷积神经网络学习，提取出待检测图像的特征向量。
步骤S520、对所述特征向量进行分类归一处理，得到所述待检测图像的特征图。
其中，所述特征图包括多个元素，所述元素的位置与所述区块单元的位置一一对应，所述特征图包括所述待检测图像在所述网络通道中的含水印的概率矩阵。
在本发明实施例，利用预设的回归函数对输入的特征向量进行分类归一处理，将特征向量归一到[0，1]的范围内，得到特征图。特征图是一个三维的概率矩阵，特征图中的具体的概率值将会填充在网络通道中，因此，特征图实质上是待检测图像在网络通道中的含水印的概率矩阵。
可选地，预设的回归函数为softmax函数。
其中，特征图中的元素的位置就是特征图中的概率值的位置，其元素的位置与进行分割后的区块单元的位置一一对应。
上述水印检测方法中，因为得到的特征图中的元素的位置与进行分割后的区块单元的位置一一对应，从而可以确定待检测图像的水印的位置。此外，在本发明实施例中，在测试的过程中，仅对待检测图像提取一次特征向量，不会如现有技术中的提取出一次特征向量后，进行分析得到一些候选区，之后需要再次对候选区进行特征提取，本发明实施例中因为仅对待检测图像提取一次特征向量，不需要对图像进行多次提取，所以可以高效的完成水印检测。
需要说明的是，本发明实施例中的提取一次特征向量不表示仅进行一次卷积，可以是一次卷积也可以是多次卷积。
作为一种可选的实施方式，如图6所示，为步骤S220的细化步骤的流程示意图，具体包括：
步骤S610、查找出所述特征图中的目标元素的目标概率向量中的概率最大值。
其中，特征图包括多个元素，每一个元素在网络通道上构成一列概率向量，某一目标元素的目标概率向量的概率值之和只能为1。
在本发明实施例中，如图7所示，预设的网络通道位于由x轴、y轴、z轴构成的三维空间上，在y轴上划分出若干个网络通道，x轴和z轴所构成的任意一个平面表示一个网络通道，用于输出特征图。原点指向y轴的方向表示特征图中的目标元素的目标概率向量的方向，在该方向上，每一个元素的概率向量之和为1。在图7中，设有5个网络通道，假设分别为与A水印类别对应的A网络通道，与B水印类别对应的B网络通道，与C水印类别对应的C网络通道，与D水印类别对应的D网络通道，与背景类别对应的E网络通道。特征图的目标元素的个数为M*N个，图7中，M＝3，N＝3，则目标元素的个数为9个，分别包括元素a、元素b、元素c、元素d、元素e、元素f、元素g、元素h及元素i。如图7所示，假设得到的元素a的概率向量分别为0.1、0.1、0、0.8、0，元素b的概率向量分别为0.2、0.3、0.1、0.2、0.2，元素c的概率向量分别为0、0、0、0、1，比较特征图中的目标元素的目标概率向量，假设目标元素为元素a，则目标概率向量为元素a的概率向量，比较元素a的概率向量0.1、0.1、0、0.8、0，找到的概率最大值为0.8。
需要说明的是，上述M*N表示进行分割得到的区块单元的数量，也表示对特征图进行划分后的元素的个数，只要M*N的数值不大于输入的图像的像素值即可，M*N可以是任意的，可根据需求进行调整。若M＝4，N＝5，则目标元素的个数为20个。
步骤S620、判断所述概率最大值是否大于预设阈值。
步骤S630、若所述概率最大值大于所述预设阈值，则将所述概率最大值所在的网络通道对应的水印类别，确定为所述待检测图像的水印的类别。
在本发明实施例中，预先设置一个阈值，该阈值是判断是否存在某类水印的条件，若概率最大值大于预设阈值，则将概率最大值所在的网络通道对应的水印类别确定为待检测图像的水印的类别。优选地，该阈值设置为0.5。如在图7的元素a的概率向量中，已经找到概率最大值为0.8，0.8大于0.5，则确定概率值0.8所在的网络通道为D网络通道，D网络通道对应的是D水印类别，则确定上述待检测图像中存在有D水印。
步骤S640、将与所述目标元素的位置对应的区块单元的位置，确定为所述待检测图像的水印的位置。
因为特征图中的元素的位置与进行分割后的区块单元的位置一一对应，已知进行分割后的区块单元的位置，则将元素a的位置对应的区块单元的位置，确定为待检测图像的水印的位置，从而得知上述待检测图像中的D水印所在具体位置。
进一步地，若所述概率最大值小于或等于所述预设阈值，则确定与所述目标元素的位置对应的区块单元的位置不具有水印。
在本发明实施例中，如在图7的元素b的概率向量中，已经找到概率最大值为0.3，0.3小于0.5，则确定元素b的位置对应的区块单元的位置不具有水印。
其中，如在图7的元素c的概率向量中，已经找到概率最大值为1，1大于0.5，则确定概率值1所在的网络通道为E网络通道，E网络通道对应的是背景类别，则确定元素c的位置对应的区块单元的位置为背景水印，即不具有水印。
需要注意的是，上述步骤S610～步骤S640是循环执行的，在确定完元素a的水印类别及位置后，返回执行步骤S610判断元素b所在的概率向量中的概率最大值，并继续执行后续步骤。
上述水印检测方法中，通过每个目标元素的目标概率向量可以依次的判断出每个目标元素所在位置是否包含有水印，若确定包含水印，则可以确定该目标元素的位置的水印类别为该目标概率向量的概率最大值所在的网络通道对应的水印类别，水印的位置是与该目标元素的位置对应的区块单元的位置。并且，因为该目标元素的概率向量是整个特征图中的一小部分数据，通过对小部分的数据的比较，可以提高检测精度，准确的判断出一张待检测图像中的所有区域的水印类别及位置。
作为一种可选的实施方式，如图8所示，为步骤S220的另一细化步骤的流程示意图，具体包括：
步骤S810、将所述特征图中的元素的概率向量中的概率值与所述预设阈值进行比较，查找出大于所述预设阈值的目标概率值。
在本发明实施例中，比较特征图中的全部元素的概率向量中的概率值，查找出所有的大于预设阈值的概率值。如图7所以，比较元素a、元素b、元素c、元素d、元素e、元素f、元素g、元素h及元素i的所有概率向量中的概率值，查找出大于预设阈值的概率值。
步骤S820、将所述概率值所在的网络通道对应的水印类别确定为所述待检测图像的水印的类别。
在本发明实施例中，一张待检测图像中，可能还有多种类别的水印，所以可以查找出多个大于预设阈值的概率值，依次将大于预设阈值的概率值所在的网络通道对应的水印类别确定为该图像包含的水印类别。
步骤S830、确定所述概率值所属的元素的位置，将与所述元素的位置对应的区块单元的位置，确定为所述待检测图像的水印的位置。
在本发明实施例中，上述步骤S830确定水印位置的描述与步骤S640中确定水印位置的描述一致，此处不再加以赘述。
上述水印检测方法中，通过比较特征图中的全部元素的概率向量中的概率值，查找出大于预设阈值的所有概率值，依次将大于预设阈值的概率值所在的网络通道对应的水印类别确定为该图像包含的水印类别，并确定水印的位置是与元素的位置对应的区块单元的位置。因为一次性的比较特征图中的所有的概率值，所以可以更加快速高效的确定整个待检测图像中的所有水印类别及位置。
应该理解的是，虽然图2-图8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图8中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图9所示，提供了一种水印检测装置，包括：检测输出模块910和确定模块920，其中：
检测输出模块910，用于将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到所述粗粒度分割网络模型中的各网络通道输出的所述待检测图像的特征图；其中，所述网络通道与水印类别对应。
确定模块920，用于根据所述特征图及所述网络通道确定所述待检测图像中的水印的类别及所述水印在所述待检测图像中的位置。
在另一个实施例中，如图10所示，提供了一种水印检测装置，包括：分割标注模块1010、学习模块1020、比较确定模块1030、迭代训练模块1040、检测输出模块1050和确定模块1060，其中：
分割标注模块1010，用于对训练图像样本执行区块式分割标注，得到多个区块标注单元；其中，每个区块标注单元上标注有水印标签。
学习模块1020，用于利用预设的粗粒度分割网络模型，对所述区块标注单元进行卷积神经网络学习，得到所述训练图像样本的区块分割识别结果。
比较确定模块1030，用于将所述区块分割识别结果与所述区块标注单元上的水印标签进行比对，确定模型误差。
迭代训练模块1040，用于利用所述模型误差，对所述预设的粗粒度分割网络模型进行迭代训练，得到所述训练好的粗粒度分割网络模型。
检测输出模块1050，用于将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到所述粗粒度分割网络模型中的各网络通道输出的所述待检测图像的特征图；其中，所述网络通道与水印类别对应。
确定模块1060，用于根据所述特征图及所述网络通道确定所述待检测图像中的水印的类别及所述水印在所述待检测图像中的位置。
作为一种可选的实施方式，分割标注模块1010具体用于：对所述训练图像样本进行分割，得到多个等面积的区块单元；获取所述区块单元的水印信息，将与所述水印信息对应的水印标签标注于与所述水印信息对应的区块单元上，得到所述多个区块标注单元。
作为一种可选的实施方式，检测输出模块1050具体用于：利用所述训练好的粗粒度分割网络模型，对所述待检测图像进行卷积神经网络学习，得到所述待检测图像的特征向量；对所述特征向量进行分类归一处理，得到所述待检测图像的特征图；其中，所述特征图包括多个元素，所述元素的位置与所述区块单元的位置一一对应，所述特征图包括所述待检测图像在所述网络通道中的含水印的概率矩阵。
作为一种可选的实施方式，确定模块1060具体用于：查找出所述特征图中的目标元素的目标概率向量中的概率最大值；判断所述概率最大值是否大于预设阈值；若所述概率最大值大于所述预设阈值，则将所述概率最大值所在的网络通道对应的水印类别，确定为所述待检测图像的水印的类别；将与所述目标元素的位置对应的区块单元的位置，确定为所述待检测图像的水印的位置。
作为一种可选的实施方式，确定模块1060还可以具体用于：将所述特征图中的元素的概率向量中的概率值与所述预设阈值进行比较，查找出大于所述预设阈值的目标概率值；将所述目标概率值所在的网络通道对应的水印类别确定为所述待检测图像的水印的类别；确定所述目标概率值所属的元素的位置，将与所述元素的位置对应的区块单元的位置，确定为所述待检测图像的水印的位置。
关于水印检测装置的具体限定可以参见上文中对于水印检测方法的限定，在此不再赘述。上述水印检测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11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非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种水印检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等，还可以是接口，与外部的图像采集装置110相连接，将图像采集装置110发送的图像发送至计算机的处理器等。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
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程序，处理器执行计算机程序时实现以下步骤：将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到所述粗粒度分割网络模型中的各网络通道输出的所述待检测图像的特征图；其中，所述网络通道与水印类别对应；根据所述特征图及所述网络通道确定所述待检测图像中的水印的类别及所述水印在所述待检测图像中的位置。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对训练图像样本执行区块式分割标注，得到多个区块标注单元；其中，每个区块标注单元上标注有水印标签；利用预设的粗粒度分割网络模型，对所述区块标注单元进行卷积神经网络学习，得到所述训练图像样本的区块分割识别结果；将所述区块分割识别结果与所述区块标注单元上的水印标签进行比对，确定模型误差；利用所述模型误差，对所述预设的粗粒度分割网络模型进行迭代训练，得到所述训练好的粗粒度分割网络模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对所述训练图像样本进行分割，得到多个等面积的区块单元；获取所述区块单元的水印信息，将与所述水印信息对应的水印标签标注于与所述水印信息对应的区块单元上，得到所述多个区块标注单元。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：利用所述训练好的粗粒度分割网络模型，对所述待检测图像进行卷积神经网络学习，得到所述待检测图像的特征向量；对所述特征向量进行分类归一处理，得到所述待检测图像的特征图；其中，所述特征图包括多个元素，所述元素的位置与所述区块单元的位置一一对应，所述特征图包括所述待检测图像在所述网络通道中的含水印的概率矩阵。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：查找出所述特征图中的目标元素的目标概率向量中的概率最大值；判断所述概率最大值是否大于预设阈值；若所述概率最大值大于所述预设阈值，则将所述概率最大值所在的网络通道对应的水印类别，确定为所述待检测图像的水印的类别；将与所述目标元素的位置对应的区块单元的位置，确定为所述待检测图像的水印的位置。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述特征图中的元素的概率向量中的概率值与所述预设阈值进行比较，查找出大于所述预设阈值的目标概率值；将所述目标概率值所在的网络通道对应的水印类别确定为所述待检测图像的水印的类别；确定所述目标概率值所属的元素的位置，将与所述元素的位置对应的区块单元的位置，确定为所述待检测图像的水印的位置。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对所述待检测图像进行像素归一化处理。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到所述粗粒度分割网络模型中的各网络通道输出的所述待检测图像的特征图；其中，所述网络通道与水印类别对应；根据所述特征图及所述网络通道确定所述待检测图像中的水印的类别及所述水印在所述待检测图像中的位置。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对训练图像样本执行区块式分割标注，得到多个区块标注单元；其中，每个区块标注单元上标注有水印标签；利用预设的粗粒度分割网络模型，对所述区块标注单元进行卷积神经网络学习，得到所述训练图像样本的区块分割识别结果；将所述区块分割识别结果与所述区块标注单元上的水印标签进行比对，确定模型误差；利用所述模型误差，对所述预设的粗粒度分割网络模型进行迭代训练，得到所述训练好的粗粒度分割网络模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对所述训练图像样本进行分割，得到多个等面积的区块单元；获取所述区块单元的水印信息，将与所述水印信息对应的水印标签标注于与所述水印信息对应的区块单元上，得到所述多个区块标注单元。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：利用所述训练好的粗粒度分割网络模型，对所述待检测图像进行卷积神经网络学习，得到所述待检测图像的特征向量；对所述特征向量进行分类归一处理，得到所述待检测图像的特征图；其中，所述特征图包括多个元素，所述元素的位置与所述区块单元的位置一一对应，所述特征图包括所述待检测图像在所述网络通道中的含水印的概率矩阵。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：查找出所述特征图中的目标元素的目标概率向量中的概率最大值；判断所述概率最大值是否大于预设阈值；若所述概率最大值大于所述预设阈值，则将所述概率最大值所在的网络通道对应的水印类别，确定为所述待检测图像的水印的类别；将与所述目标元素的位置对应的区块单元的位置，确定为所述待检测图像的水印的位置。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将所述特征图中的元素的概率向量中的概率值与所述预设阈值进行比较，查找出大于所述预设阈值的目标概率值；将所述目标概率值所在的网络通道对应的水印类别确定为所述待检测图像的水印的类别；确定所述目标概率值所属的元素的位置，将与所述元素的位置对应的区块单元的位置，确定为所述待检测图像的水印的位置。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对所述待检测图像进行像素归一化处理。
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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，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。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种水印检测方法，其特征在于，所述方法包括：
将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到所述粗粒度分割网络模型中的各网络通道输出的所述待检测图像的特征图；其中，所述网络通道与水印类别对应；
根据所述特征图及所述网络通道确定所述待检测图像中的水印的类别及所述水印在所述待检测图像中的位置。
2.根据权利要求1所述的方法，其特征在于，在所述将待检测图像输入训练好的粗粒度分割网络模型中进行检测之前，所述方法还包括：
对训练图像样本执行区块式分割标注，得到多个区块标注单元；其中，每个所述区块标注单元上标注有水印标签；
利用预设的粗粒度分割网络模型，对所述区块标注单元进行卷积神经网络学习，得到所述训练图像样本的区块分割识别结果；
将所述区块分割识别结果与所述区块标注单元上的水印标签进行比对，确定模型误差；
利用所述模型误差，对所述预设的粗粒度分割网络模型进行迭代训练，得到所述训练好的粗粒度分割网络模型。
3.根据权利要求2所述的方法，其特征在于，所述对训练图像样本执行区块式分割标注，得到多个区块标注单元，包括：
对所述训练图像样本进行分割，得到多个等面积的区块单元；
获取所述区块单元的水印信息，将与所述水印信息对应的水印标签标注于与所述水印信息对应的区块单元上，得到所述多个区块标注单元。
4.根据权利要求1所述的方法，其特征在于，所述将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到所述粗粒度分割网络模型中的各网络通道输出的所述待检测图像的特征图，包括：
利用所述训练好的粗粒度分割网络模型，对所述待检测图像进行卷积神经网络学习，得到所述待检测图像的特征向量；
对所述特征向量进行分类归一处理，得到所述待检测图像的特征图；
其中，所述特征图包括多个元素，所述元素的位置与所述区块单元的位置一一对应，所述特征图包括所述待检测图像在所述网络通道中的含水印的概率矩阵。
5.根据权利要求4所述的方法，其特征在于，所述特征图中的每一个元素在所述网络通道上构成一列概率向量；
所述根据所述特征图及所述网络通道确定所述待检测图像中的水印的类别及所述水印在所述待检测图像中的位置，包括：
查找出所述特征图中的目标元素的目标概率向量中的概率最大值；
判断所述概率最大值是否大于预设阈值；
若所述概率最大值大于所述预设阈值，则将所述概率最大值所在的网络通道对应的水印类别，确定为所述待检测图像的水印的类别；
将与所述目标元素的位置对应的区块单元的位置，确定为所述待检测图像的水印的位置。
6.根据权利要求4所述的方法，其特征在于，所述特征图中的每一个元素在所述网络通道上构成一列概率向量；
所述根据所述特征图及所述网络通道确定所述待检测图像中的水印的类别及所述水印在所述待检测图像中的位置，包括：
将所述特征图中的元素的概率向量中的概率值与所述预设阈值进行比较，查找出大于所述预设阈值的目标概率值；
将所述目标概率值所在的网络通道对应的水印类别确定为所述待检测图像的水印的类别；
确定所述目标概率值所属的元素的位置，将与所述元素的位置对应的区块单元的位置，确定为所述待检测图像的水印的位置。
7.根据权利要求1所述的方法，其特征在于，所述将待检测图像输入训练好的粗粒度分割网络模型中进行检测，之前还包括：
对所述待检测图像进行像素归一化处理。
8.一种水印检测装置，其特征在于，所述装置包括：
检测输出模块，用于将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到所述粗粒度分割网络模型中的各网络通道输出的所述待检测图像的特征图；其中，所述网络通道与水印类别对应；
确定模块，用于根据所述特征图及所述网络通道确定所述待检测图像中的水印的类别及所述水印在所述待检测图像中的位置。
9.一种计算机设备，包括存储器及处理器，所述存储器上存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN201811033450.5A 2018-09-05 2018-09-05 水印检测方法、装置、计算机设备和存储介质 Active CN109285105B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811033450.5A CN109285105B (zh) 2018-09-05 2018-09-05 水印检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811033450.5A CN109285105B (zh) 2018-09-05 2018-09-05 水印检测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN109285105A true CN109285105A (zh) 2019-01-29
CN109285105B CN109285105B (zh) 2023-08-11

Family

ID=65184495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811033450.5A Active CN109285105B (zh) 2018-09-05 2018-09-05 水印检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN109285105B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428357A (zh) * 2019-08-09 2019-11-08 厦门美图之家科技有限公司 图像中水印的检测方法、装置、电子设备及存储介质
CN110781823A (zh) * 2019-10-25 2020-02-11 北京字节跳动网络技术有限公司 录屏检测方法、装置、可读介质及电子设备
CN111191591A (zh) * 2019-12-30 2020-05-22 广州市百果园网络科技有限公司 一种水印检测、视频处理方法和相关设备
CN111612681A (zh) * 2019-02-22 2020-09-01 阿里巴巴集团控股有限公司 数据获取方法、水印识别方法、水印去除方法及装置
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
CN112200711A (zh) * 2020-10-27 2021-01-08 支付宝(杭州)信息技术有限公司 一种水印分类模型的训练方法及系统
CN112364716A (zh) * 2020-10-23 2021-02-12 岭东核电有限公司 核电设备异常信息检测方法、装置和计算机设备
CN112699905A (zh) * 2019-10-22 2021-04-23 北京沃东天骏信息技术有限公司 一种识别水印图片的方法和装置
WO2021129466A1 (zh) * 2019-12-26 2021-07-01 Oppo广东移动通信有限公司 检测水印的方法、装置、终端及存储介质
CN113449781A (zh) * 2021-06-17 2021-09-28 上海深至信息科技有限公司 一种甲状腺结节分类模型的生成方法及系统
CN113516009A (zh) * 2021-04-07 2021-10-19 山东理工大学 一种输电线路图像水印影响的消除方法
CN117333495A (zh) * 2023-12-01 2024-01-02 浙江口碑网络技术有限公司 图像检测方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030021439A1 (en) * 2001-07-30 2003-01-30 Jeffrey Lubin Secure robust high-fidelity watermarking
JP2012114665A (ja) * 2010-11-24 2012-06-14 Nippon Telegr & Teleph Corp <Ntt> 特徴図形付加方法、特徴図形検出方法、特徴図形付加装置、特徴図形検出装置、およびプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030021439A1 (en) * 2001-07-30 2003-01-30 Jeffrey Lubin Secure robust high-fidelity watermarking
JP2012114665A (ja) * 2010-11-24 2012-06-14 Nippon Telegr & Teleph Corp <Ntt> 特徴図形付加方法、特徴図形検出方法、特徴図形付加装置、特徴図形検出装置、およびプログラム

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张华熊等: "公开可得到的无密码水印系统的安全性分析", 《计算机辅助设计与图形学学报》 *
谢文平等: "数字水印技术及其在电子政务信息安全中的应用", 《邵阳学院学报(自然科学版)》 *
陈梦泽: "基于视觉注意力的视频水印算法", 《长春师范学院学报》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612681A (zh) * 2019-02-22 2020-09-01 阿里巴巴集团控股有限公司 数据获取方法、水印识别方法、水印去除方法及装置
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
WO2020238673A1 (zh) * 2019-05-30 2020-12-03 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
CN110428357A (zh) * 2019-08-09 2019-11-08 厦门美图之家科技有限公司 图像中水印的检测方法、装置、电子设备及存储介质
CN112699905A (zh) * 2019-10-22 2021-04-23 北京沃东天骏信息技术有限公司 一种识别水印图片的方法和装置
CN110781823A (zh) * 2019-10-25 2020-02-11 北京字节跳动网络技术有限公司 录屏检测方法、装置、可读介质及电子设备
CN110781823B (zh) * 2019-10-25 2022-07-26 北京字节跳动网络技术有限公司 录屏检测方法、装置、可读介质及电子设备
WO2021129466A1 (zh) * 2019-12-26 2021-07-01 Oppo广东移动通信有限公司 检测水印的方法、装置、终端及存储介质
CN111191591A (zh) * 2019-12-30 2020-05-22 广州市百果园网络科技有限公司 一种水印检测、视频处理方法和相关设备
CN112364716A (zh) * 2020-10-23 2021-02-12 岭东核电有限公司 核电设备异常信息检测方法、装置和计算机设备
CN112200711A (zh) * 2020-10-27 2021-01-08 支付宝(杭州)信息技术有限公司 一种水印分类模型的训练方法及系统
CN113516009A (zh) * 2021-04-07 2021-10-19 山东理工大学 一种输电线路图像水印影响的消除方法
CN113449781A (zh) * 2021-06-17 2021-09-28 上海深至信息科技有限公司 一种甲状腺结节分类模型的生成方法及系统
CN117333495A (zh) * 2023-12-01 2024-01-02 浙江口碑网络技术有限公司 图像检测方法、装置、设备及存储介质
CN117333495B (zh) * 2023-12-01 2024-03-19 浙江口碑网络技术有限公司 图像检测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN109285105B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN109285105A (zh) 水印检测方法、装置、计算机设备和存储介质
US10936911B2 (en) Logo detection
CN111950329A (zh) 目标检测及模型训练方法、装置、计算机设备和存储介质
CN110033018B (zh) 图形相似度判断方法、装置及计算机可读存储介质
CN112232293A (zh) 图像处理模型训练、图像处理方法及相关设备
CN111191533B (zh) 行人重识别的处理方法、装置、计算机设备和存储介质
CN112270686B (zh) 图像分割模型训练、图像分割方法、装置及电子设备
CN107886082B (zh) 图像中数学公式检测方法、装置、计算机设备及存储介质
CN111832581B (zh) 肺部特征识别方法、装置、计算机设备及存储介质
CN110765914B (zh) 对象姿态标注方法、装置、计算机设备及存储介质
CN111429482A (zh) 目标跟踪方法、装置、计算机设备和存储介质
CN111753746B (zh) 属性识别模型训练方法、识别方法、电子设备、存储介质
CN111507285A (zh) 人脸属性识别方法、装置、计算机设备和存储介质
CN112241705A (zh) 基于分类回归的目标检测模型训练方法和目标检测方法
CN112115860A (zh) 人脸关键点定位方法、装置、计算机设备和存储介质
CN108564045A (zh) 增强现实的数据处理方法、装置、存储介质和计算机设备
CN117115565B (zh) 一种基于自主感知的图像分类方法、装置及智能终端
CN113128448B (zh) 基于肢体识别的视频匹配方法、装置、设备及存储介质
CN113012189B (zh) 图像识别方法、装置、计算机设备和存储介质
CN114549849A (zh) 图像识别方法、装置、计算机设备和存储介质
CN110889357A (zh) 基于标注区域的地下电缆故障检测方法和装置
CN113743448B (zh) 模型训练数据获取方法、模型训练方法和装置
CN115424267A (zh) 基于高斯分布的旋转目标检测方法和装置
CN112862002A (zh) 多尺度目标检测模型的训练方法、目标检测方法和装置
CN113782094A (zh) 修饰位点的预测方法、装置、计算机设备和存储介质

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