CN109598227B - 一种基于深度学习的单幅图像手机源重辨识方法 - Google Patents

一种基于深度学习的单幅图像手机源重辨识方法 Download PDF

Info

Publication number
CN109598227B
CN109598227B CN201811448853.6A CN201811448853A CN109598227B CN 109598227 B CN109598227 B CN 109598227B CN 201811448853 A CN201811448853 A CN 201811448853A CN 109598227 B CN109598227 B CN 109598227B
Authority
CN
China
Prior art keywords
image
mobile phone
learning
fingerprint
images
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
Application number
CN201811448853.6A
Other languages
English (en)
Other versions
CN109598227A (zh
Inventor
丁兴号
黄悦
陈云舒
唐圳
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.)
Xiamen University
Original Assignee
Xiamen University
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 Xiamen University filed Critical Xiamen University
Priority to CN201811448853.6A priority Critical patent/CN109598227B/zh
Publication of CN109598227A publication Critical patent/CN109598227A/zh
Application granted granted Critical
Publication of CN109598227B publication Critical patent/CN109598227B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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

Landscapes

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

Abstract

一种基于深度学习的单幅图像手机源重辨识方法，涉及图像取证领域。提出一种新的图像取证方法，解决基于分类的相机溯源方法中训练集类别不足问题；基于传统数字图像指纹特征提取方法，提出利用多种自学习滤波器在单幅图像中提取手机指纹特征的方法，并解释深度神经网络对于数字图像指纹特征提取的可行性；提出一种基于全局特征融合的深度网络结构，以高效提取数字图像指纹特征；根据自学习滤波器和全局特征融合网络所提取的数字图像指纹特征，利用度量学习方法追溯拍摄该幅图像的具体手机源设备。

Description

一种基于深度学习的单幅图像手机源重辨识方法
技术领域
本发明涉及图像取证领域，尤其是涉及一种基于深度学习的单幅图像手机源重辨识方法。
背景技术
随着信息科学技术的飞速发展，数字图像已经渗透到社会生活的每一个角落，用户可以随时使用便携式手机记录身边的点点滴滴。使得使用手机拍摄生活中有意义的图像或视频对于用户来说已经成为一种越来越便捷的行为。数字图像作为数字证据的一种形式，在司法体系和刑事调查过程中扮演着越来越重要的角色。如何合适地利用数字图像，也决定其能否在调查追溯任务起到关键的作用。不同手机相机在硬件设备[1]、色彩插值算法[2-4]、图像压缩算法、镜头径向畸变[5]等方面都携带着各自的指纹信息，因此可利用遗留在图像上的指纹特征识别不同的相机源。
参考文献：
[1]Identification with SVD.Springer International Publishing,2015。
[2]S.Bayram,H.Sencar,N.Memon,and I.Avcibas.Source cameraidentification based on cfa interpolation.In IEEE International Conference onImage Processing,pages III–69–72,2005。
[3]S.Bayram,H.T.Sencar,and N.Memon.Improvements on source camera-model identification based on cfa interpolation.Proc of Wg,2006。
[4]O.Celiktutan,I.Avcibas,B.Sankur,and N.Memon.Source cellphoneidentification.IEEE Signal Processing and Communications Applications,pages1–3,2005。
[5]K.S.Choi,E.Y.Lam,and K.K.Wong.Automatic source cameraidentification using the intrinsic lens radial distortion.Optics Express,14(24):11551–65,2006。
[6]Aravindh Mahendran and Andrea Vedaldi.Visualizing deepconvolutional neural networks using natural pre-images.InternationalJournalof Computer Vision,120(3):233–255,2016。
[7]Min Lin,Qiang Chen,and Shuicheng Yan.Network in network.arXivpreprint arXiv:1312.4400,2013。
[8]Jie Hu,Li Shen,and Gang Sun.Squeeze-and-excitation networks.arXivpreprintarXiv:1709.01507,2017。
[9]Hermans A,Beyer L,Leibe B.In defense of the triplet loss forperson re-identification.arXiv preprint arXiv:1703.07737,2017。
发明内容
本发明所要解决的技术问题是提供一种基于深度学习的单幅图像手机源重辨识方法，使其适用于实际应用场景。
本发明包括以下步骤：
1)提出一种新的图像取证方法，解决基于分类的相机溯源方法中训练集类别不足问题；
2)基于传统数字图像指纹特征提取方法，提出利用多种自学习滤波器在单幅图像中提取手机指纹特征的方法，并解释深度神经网络对于数字图像指纹特征提取的可行性；
3)提出一种基于全局特征融合的深度网络结构，以高效提取数字图像指纹特征；
4)根据自学习滤波器和全局特征融合网络所提取的数字图像指纹特征，利用度量学习方法追溯拍摄该幅图像的具体手机源设备。
在步骤1)中，所述基于分类的相机溯源方法中，所有待测图像的类别必须在训练集中出现过，否则会出现判断错误的情况。但实际应用中，无法获得所有类别手机所拍摄的图像，提出重辨识方法，利用度量学习的思想，将特征分类转换为特征匹配工作。只需从待测数字图像中提取手机“指纹”特征，再与待定图像库中的图像一一匹配，确认与其特征相似度最高的图像，则认为两幅图像为同一手机拍摄，一定程度上解决基于分类的相机溯源方法中训练集类别不足的问题。
在步骤2)中，所述基于传统数字图像指纹特征提取方法可假设目标图像x是由原始图像内容x0、指纹特征η以及随机噪声ε组成，即：
x＝x0+η+ε，
其中，随机噪声与原始图片内容相关。对于同一手机源拍摄的K张不同相片，虽然原始图片内容和随机噪声不同，但是其中包含的手机相机指纹特征是不变的，故传统方法通过对多幅图像的噪声残差求平均的方式抑制图像内容，并获得指纹特征的估计如下：
Figure BDA0001883925570000021
其中，F(·)为去噪滤波器，如高斯滤波器或小波分解滤波器，K为同一手机源拍摄的图像张数，xk为第k张图像的像素矩阵，
Figure BDA0001883925570000022
即为该手机输出的指纹特征；
而对于单幅图像，无法实现以上操作，因此提出对单幅图像使用多种滤波器来替代多张同源数字图像，并以此估计数字图像指纹特征，即：
Figure BDA0001883925570000031
其中，S[·]是统计特征；J为滤波器数量；Fj(x)指用第j个去噪滤波器对图像x做滤波操作后的输出，ωj是第j个去噪滤波器对应权重值；
由多个自学习滤波器构成的VGG-net[6]中，每一层的卷积操作都是一个线性过程，且每一层的输出都是原图的近似[6]。随着VGG-net层数的加深，每个阶段的特征图尺寸减小但数量增加，因此VGG-net网络可以在不同维度上学习更多原始图像的表达，同一层内的特征图是原始图像在同一个语义层中的不同映射，而不同层间的特征图则是原始图像在不同语义层的映射。VGG-net输出的所有特征图都与原始图像有关，皆可看作原始图像的另一种表现形式。故可将VGG-net每一层获得的特征图看作原图经过一个滤波器后输出的结果，即可通过VGG-net的多个自学习滤波器获得多个原图经过滤波的结果，构成
Figure BDA0001883925570000032
利用神经网络和监督学习训练合适的滤波器，相较于传统方法中所采用的高斯滤波器或者小波分解滤波器，是一个自学习的过程，更加适用于数字图像指纹特征提取任务。
在步骤3)中，所述基于全局特征融合的深度网络结构，由于VGG-net的每一层产生的滤波结果可近似为一个线性过程，故可将数字特征提取过程改写为：
Figure BDA0001883925570000033
其中，选择的统计特征S[·]为均值特征。J为所使用的滤波器数量，Fj(x)指用第j个去噪滤波器对图像x做滤波操作后的输出，本发明中Fj(x)通过监督学习训练VGG-net得到；通过监督学习方法，同时能够剔除冗余特征，并实现图像内容的抑制；ωj是第j个去噪滤波器对应权重值，本发明方法通过全连接层获得ωj，并实现加权线性组合输出，具体步骤如下：
第一步：将原图送入VGG-net提取特征，并将每一层特征图作为原图的不同滤波结果输出，即，获得
Figure BDA0001883925570000034
第二步：利用全局平均池化层(Global Average Pooling)对每一个特征图求均值特征，并将所有统计特征融合在一起，即，获得
Figure BDA0001883925570000035
第三步：将融合后的特征送入全连接层，利用合适的损失函数对其做监督学习，实现对第二步输出的均值特征做加权线性组合过程，输出
Figure BDA0001883925570000036
即最终提取到的适用于手机源重辨识的特征。
在步骤4)中，所述度量学习即相似度学习，其目标在于找到合适的度量方法，使得不同类别的图片相似度小而相同类别的图片相似度大。由于线性度量学习具有简洁性和可扩展性，采用线性度量学习中的欧氏距离作为重辨识任务中相似度的衡量指标，即对于一对数字图像，若从两者提取到的手机指纹特征之间的欧氏距离小于一定值，则表示该对数字图像来源于同一手机；
使用三元组损失(Triplet Loss)[9]作为度量学习损失函数，其输入一个三元组，所述三元组的构成如下：从训练数据集中随机选一个样本，该样本称为目标点(Anchor)，然后再随机选取一个和Anchor属于同一类的样本和不同类的样本，这两个样本分别称为正样本(Positive)和负样本(Negative)，由此构成一个(Anchor，Positive，Negative)三元组，对应的损失函数为：
Figure BDA0001883925570000041
其中，N为训练样本个数，f(·)为数字图像指纹特征的映射表达函数，xa、xp、xn分别为Anchor样本、Positive样本及Negative样本，α为边界阈值常数，在本发明方法中设置为0.3，max(·)为求最大值函数。该损失函数的目的是通过监督学习使得xa和xp特征表达之间的距离尽可能小，而xa和xn的特征表达之间的距离尽可能大，并且要让xa与xn之间的距离和xa与xp之间的距离之间有一个最小的间隔α。
本发明针对基于数字图像中提取的手机相机指纹特征，提出一种基于深度学习的单幅图像手机源重辨识方法。数字图像手机源重辨识，即在待定图像库中匹配出与待测图像来源于同一手机设备的图像。当进行手机源重辨识任务时，重辨识系统将在用户所划定的嫌疑手机源所拍摄的图像集合中匹配出与待测图像指纹特征相似度最高的数字图像，以此确定待测图像的手机源。该任务旨在通过盲分析手段认证图像数据的原始性、鉴别和分析图像的来源，进而解决图像知识版权问题和信息安全问题。
附图说明
图1为本发明所述利用重辨识方法进行手机溯源的原理图。
图2为本发明所述的基于深度学习的手机源重辨识方法在一种实施方式下的工作流程示意图。
图3为本发明所述的基于深度学习的手机源重辨识方法在一种实施方式下的网络结构化流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
图1示意了重辨识方法进行手机溯源的原理图，即在待定图像库中匹配出于待测图像属于同一手机拍摄的图片，并以此确定拍摄待测图像的手机源。
图2示意了本发明所描述的基于深度学习的手机源重辨识方法在一种实施方法下的工作流程。图3示意了基于深度学习的手机源重辨识方法在一种实施方式下的网络结构化流程图。
如图2和3所示，本实施方法的基于深度学习的手机源重辨识方法包括利用深度学习方法进行特征提取和利用度量学习方法进行特征相似度匹配两个步骤。工作流程包括：
步骤1：根据表1构建传统深度神经网络VGG-Net，获得多个自学习滤波器。再利用全局特征融合网络将多个自学习滤波器输出的每一张特征图进行统计特征提取和特征融合。完整网络框架如图3所示。
本发明所述基于深度学习的手机源重辨识方法在一种实施方式下的网络参数设置如表1。
表1
Figure BDA0001883925570000051
为了融合VGG-Net中不同尺度的特征图，在全局特征融合前，使用全局平均池化层(Global Average Pooling)来统计每一张特征图的平均值，除了获得不同滤波结果的统计特征以外，还可以解决不同尺度特征层之间的融合问题，也在一定程度上也限制了模型的复杂性、有助于泛化。相比于全连接层或1×1的卷积操作，全局平均池化层可以集成来自特征层的所有信息而无需任何参数进行优化，并在一定程度上避免网络过拟合。另外，全局平均池化层将每个特征图转换为具有全局感受野的实数，表征每个输出特征图上全局分布的响应。这可看作对每一个局部感受野的融合，进而得到一个全局的统计特征。
全局特征融合的具体步骤如下：
1)将VGG-Net所有的N个特征图(包括中间层及输出层)输出；
2)对N个特征图分别进行全局平均池化操作，得到N个1×1的特征值；并将N个1×1的特征值进行串联融合操作，得到一个N维的特征向量；
3)将上述N维特征向量送入全连接层，利用全连接层将N维特征向量映射到新的特征空间中，得到更利于任务的特征向量。
步骤2：本发明采用度量函数进行深度神经网络的监督学习。
利用三元组损失函数进行监督学习的具体步骤如下：
1)随机选取目标点样本(Anchor)、正样本(Positive)及负样本(Negative)，将三者分别送入深度神经网络分别得到各自的指纹特征的特征表达向量；
2)分别将目标点样本(Anchor)、正样本(Positive)及负样本(Negative)的特征向量代入三元组损失函数(Triplet Loss)，计算网络输出的误差值，并利用梯度下降法计算各参数的回传梯度；
3)使用各个参数的回传梯度更新网络中的参数，更新公式为：
θt+1＝θt+λΔθ，
其中，θt、θt+1、λ、Δθ分别为当前时刻的网络参数、更新后的网络参数、学习率以及网络回传梯度。
使用度量学习方法完成深度网络训练。之后，在进行重辨识任务测试时，可直接将网络输出特征向量的欧式距离作为衡量两样本相似度的指标。即，一对样本经过网络后得到的特征向量之间的欧式距离小于特定阈值，则认为该对样本来自同一部手机。重辨识方法进行手机溯源任务的步骤如图2所示。本发明基于此，完成手机溯源任务。
本发明的创新点包括：
1)利用重辨识方法进行手机溯源任务，更适用于实际场景；
2)从传统数字图像指纹特征提取方法延伸，解释深度神经网络对于数字图像指纹特征提取的可行性，并提出单幅手机图像结合多种滤波器提取指纹特征的方法；
3)提出全局特征融合网络框架，对网络性能有明显提高。
本发明能够依靠单幅数字图像追踪拍摄该图像的具体手机设备，本发明建立在深度神经网络的基础上，根据单幅手机图像所提取的指纹特征进行的手机源重辨识，在给定指标下的测试结果达到可接受的程度，相较于基于分类任务的相机溯源工作，更适用于实际应用场景。

Claims (1)

1.一种基于深度学习的单幅图像手机源重辨识方法，其特征在于包括以下步骤：
1)提出一种新的图像取证方法，解决基于分类的相机溯源方法中训练集类别不足问题；
所述基于分类的相机溯源方法中，所有待测图像的类别必须在训练集中出现过，否则会出现判断错误的情况，提出重辨识方法，利用度量学习的思想，将特征分类转换为特征匹配工作，从待测数字图像中提取手机指纹特征，再与待定图像库中的图像一一匹配，确认与其特征相似度最高的图像，则认为两幅图像为同一手机拍摄，解决基于分类的相机溯源方法中训练集类别不足的问题；
2)基于传统数字图像指纹特征提取方法，提出利用多种自学习滤波器在单幅图像中提取手机指纹特征的方法，并解释深度神经网络对于数字图像指纹特征提取的可行性；
所述基于传统数字图像指纹特征提取方法假设目标图像x是由原始图像内容x0、指纹特征η以及随机噪声ε组成，即：
x＝x0+η+ε，
其中，随机噪声与原始图片内容相关；对于同一手机源拍摄的K张不同相片，虽然原始图片内容和随机噪声不同，但是其中包含的手机指纹特征是不变的，故传统方法通过对多幅图像的噪声残差求平均的方式抑制图像内容，并获得手机指纹特征如下：
Figure FDA0003787363090000011
其中，F(·)为去噪滤波器，包括高斯滤波器或小波分解滤波器，K为同一手机源拍摄的图像张数，xk为第k张图像的像素矩阵，
Figure FDA0003787363090000012
即为该手机输出的指纹特征；
而对于单幅图像，无法实现以上操作，因此提出对单幅图像使用多种滤波器来替代多张同源数字图像，并以此获得数字图像指纹特征，即：
Figure FDA0003787363090000013
其中，S[·]是统计特征，J为滤波器数量；Fj(x)指用第j个去噪滤波器对图像x做滤波操作后的输出，ωj是第j个去噪滤波器对应权重值；
由多个自学习滤波器构成的VGG-net中，每一层的卷积操作都是一个线性过程，且每一层的输出都是原图的近似；随着VGG-net层数的加深，每个阶段的特征图尺寸减小但数量增加，因此VGG-net网络在不同维度上学习更多原始图像的表达，同一层内的特征图是原始图像在同一个语义层中的不同映射，而不同层间的特征图则是原始图像在不同语义层的映射；VGG-net输出的所有特征图都与原始图像有关，看作原始图像的另一种表现形式，故将VGG-net每一层获得的特征图看作原图经过一个滤波器后输出的结果，即通过VGG-net的多个自学习滤波器获得多个原图经过滤波的结果，构成
Figure FDA0003787363090000021
3)提出一种基于全局特征融合的深度网络结构，以高效提取数字图像指纹特征；
所述基于全局特征融合的深度网络结构，由于VGG-net的每一层产生的滤波结果近似为一个线性过程，故将数字图像指纹特征提取过程改写为：
Figure FDA0003787363090000022
其中，选择的统计特征S[·]为均值特征，J为所使用的滤波器数量，Fj(x)指用第j个去噪滤波器对图像x做滤波操作后的输出，Fj(x)通过监督学习训练VGG-net得到；通过监督学习方法，同时能够剔除冗余特征，并实现图像内容的抑制；ωj是第j个去噪滤波器对应权重值，通过全连接层获得ωj，并实现加权线性组合输出；具体步骤如下：
第一步：将原图送入VGG-net提取特征，并将每一层特征图作为原图的不同滤波结果输出；
第二步：利用全局平均池化层对每一个特征图求均值特征，并将所有统计特征融合在一起；
第三步：将融合后的特征送入全连接层，利用损失函数对其做监督学习，实现对特征图做加权线性组合过程，最终提取适用于手机源重辨识的特征；
4)根据自学习滤波器和全局特征融合网络所提取的数字图像指纹特征，利用度量学习方法追溯拍摄该幅图像的具体手机源设备；
所述度量学习即相似度学习，其目标在于找到合适的度量方法，使得不同类别的图片相似度小而相同类别的图片相似度大，采用线性度量学习中的欧氏距离作为重辨识任务中相似度的衡量指标，即对于一对数字图像，若从两者提取到的手机指纹特征之间的欧氏距离小于一定值，则表示该对数字图像来源于同一手机；
使用三元组损失作为度量学习损失函数，其输入一个三元组，所述三元组的构成如下：从训练数据集中随机选一个样本，该样本称为目标点，然后再随机选取一个和Anchor属于同一类的样本和不同类的样本，这两个样本分别称为正样本和负样本，由此构成一个三元组，对应的损失函数为：
Figure FDA0003787363090000031
其中，f(·)为数字图像指纹特征的映射表达函数，
Figure FDA0003787363090000032
分别为Anchor样本、Positive样本及Negative样本；α为边界阈值常数，设置为0.3，max(·)为求最大值函数。
CN201811448853.6A 2018-11-28 2018-11-28 一种基于深度学习的单幅图像手机源重辨识方法 Active CN109598227B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811448853.6A CN109598227B (zh) 2018-11-28 2018-11-28 一种基于深度学习的单幅图像手机源重辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811448853.6A CN109598227B (zh) 2018-11-28 2018-11-28 一种基于深度学习的单幅图像手机源重辨识方法

Publications (2)

Publication Number Publication Date
CN109598227A CN109598227A (zh) 2019-04-09
CN109598227B true CN109598227B (zh) 2022-11-11

Family

ID=65959315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811448853.6A Active CN109598227B (zh) 2018-11-28 2018-11-28 一种基于深度学习的单幅图像手机源重辨识方法

Country Status (1)

Country Link
CN (1) CN109598227B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210498B (zh) * 2019-05-31 2021-08-10 北京交通大学 基于残差学习卷积融合网络的数字图像设备取证系统
ES2799828B2 (es) * 2019-06-17 2022-10-07 Quibim S L Metodo y sistema para identificar anomalias en radiografias

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2192546A1 (en) * 2008-12-01 2010-06-02 Nederlandse Organisatie voor toegepast-natuurwetenschappelijk Onderzoek TNO Method for recognizing objects in a set of images recorded by one or more cameras
CN106792504A (zh) * 2016-11-16 2017-05-31 北华大学 一种基于移动终端用于追踪失窃通信终端控制系统
CN108806334A (zh) * 2018-04-27 2018-11-13 中船重工鹏力（南京）大气海洋信息系统有限公司 一种基于图像的智能船舶身份识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2192546A1 (en) * 2008-12-01 2010-06-02 Nederlandse Organisatie voor toegepast-natuurwetenschappelijk Onderzoek TNO Method for recognizing objects in a set of images recorded by one or more cameras
CN106792504A (zh) * 2016-11-16 2017-05-31 北华大学 一种基于移动终端用于追踪失窃通信终端控制系统
CN108806334A (zh) * 2018-04-27 2018-11-13 中船重工鹏力（南京）大气海洋信息系统有限公司 一种基于图像的智能船舶身份识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于迁移学习和特征融合的航空器图像分类算法;陈兵等;《火力与指挥控制》;20180715(第07期);全文 *

Also Published As

Publication number Publication date
CN109598227A (zh) 2019-04-09

Similar Documents

Publication Publication Date Title
Cozzolino et al. Noiseprint: A CNN-based camera model fingerprint
Huh et al. Fighting fake news: Image splice detection via learned self-consistency
Wan et al. Region-aware reflection removal with unified content and gradient priors
Hsu et al. Camera response functions for image forensics: an automatic algorithm for splicing detection
CN111445459B (zh) 一种基于深度孪生网络的图像缺陷检测方法及系统
Hernandez-Juarez et al. A multi-hypothesis approach to color constancy
CN109359541A (zh) 一种基于深度迁移学习的素描人脸识别方法
Villalba et al. Smartphone image clustering
CN111126412B (zh) 基于特征金字塔网络的图像关键点检测方法
CN113159043B (zh) 基于语义信息的特征点匹配方法及系统
Rehman et al. Deep learning for face anti-spoofing: An end-to-end approach
CN110348320B (zh) 一种基于多损失深度融合的人脸防伪方法
WO2024021461A1 (zh) 缺陷检测方法及装置、设备、存储介质
Sahu et al. Single image dehazing via fusion of multilevel attention network for vision-based measurement applications
CN112329662B (zh) 基于无监督学习的多视角显著性估计方法
CN109598227B (zh) 一种基于深度学习的单幅图像手机源重辨识方法
Zhao et al. Source camera identification via low dimensional PRNU features
CN113255685A (zh) 一种图像处理方法、装置、计算机设备以及存储介质
CN113807237B (zh) 活体检测模型的训练、活体检测方法、计算机设备及介质
Hasan et al. Efficient two stage approach to detect face liveness: Motion based and Deep learning based
CN115115552A (zh) 图像矫正模型训练及图像矫正方法、装置和计算机设备
Qu et al. Pedestrian re-identification monitoring system based on deep convolutional neural network
CN117351514A (zh) 一种基于前景分割的跨模态行人重识别方法
Hernandez et al. Classification of color textures with random field models and neural networks
Yang et al. Fine-grained image quality caption with hierarchical semantics degradation

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