CN109978078B - 字体版权检测方法、介质、计算机设备及装置 - Google Patents

Abstract

本发明公开了一种字体版权检测方法、介质、计算机设备及装置，包括以下步骤：获取版权保护字体信息，并计算所述版权保护字体信息中字体对应的第一字体指纹；获取待检测字体信息，并计算所述待检测字体信息中每个字符对应的第二字体指纹；判断所述第二字体指纹与所述第一字体指纹之间的相似度是否大于预设的相似度阈值；如果所述第二字体指纹与所述第一字体指纹之间的相似度大于预设的相似度阈值，则确认所述第二字体指纹对应的字符为侵权字符。能够实现对待检测字体是否为侵权字体进行有效检测，且检测过程中无需人工干预，可对大批量文字的字体是否侵权进行快速检测，大幅提高字体版权的检测效率。

Description

字体版权检测方法、介质、计算机设备及装置

技术领域

本发明涉及字体检测技术领域，特别涉及一种字体版权检测方法、介质、计算机设备及装置。

背景技术

字体，是文字的风格、文字外在特征的表现形式；例如，楷体、宋体和黑体等。随着文字的发展，越来越多的字体被人们设计出来，并且产生了相应的字体版权；因此，人们在使用字体的过程当中，对自身所使用的字体是否侵犯他人所有的字体版权进行分辨成为一种必要。

然而，在现有技术中，多只是通过对用户上传的图像进行识别，并且，在识别过程中需要用户对图像的切分正确性进行确认，或者，需要用户输入待识别字体的文字内容；因此，现有技术对于字体的检测过程需要大量的人工干预，难以对大批量文字进行快速检测，且无法有效检测所使用的字体是否为侵权字体。

发明内容

本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种字体版权检测方法，能够实现对待检测字体是否为侵权字体进行有效检测，且检测过程中无需人工干预，可对大批量文字的字体是否侵权进行快速检测，大幅提高字体版权的检测效率。

本发明的第二个目的在于提出一种计算机可读存储介质。

本发明的第三个目的在于提出一种计算机设备。

本发明的第四个目的在于提出一种字体版权检测装置。

为达到上述目的，本发明第一方面实施例提出了一种字体版权检测方法，包括以下步骤：获取版权保护字体信息，并计算版权保护字体信息中字体对应的第一字体指纹；获取待检测字体信息，并计算待检测字体信息中每个字符对应的第二字体指纹；判断第二字体指纹与第一字体指纹之间的相似度是否大于预设的相似度阈值；如果第二字体指纹与第一字体指纹之间的相似度大于预设的相似度阈值，则确认第二字体指纹对应的字符使用了侵权字体。

根据本发明实施例的字体版权检测方法，首先，获取版权保护字体信息，并根据获取到的版权保护字体信息计算版权保护字体信息中字体对应的第一字体指纹；接着，获取待检测字体信息，并计算待检测字体信息中每个字符对应的第二字体指纹；然后，判断第二字体指纹与第一字体指纹之间的相似度是否大于预设的相似度阈值；如果第二字体指纹与第一字体指纹之间的相似度大于预设的相似度阈值，则确认第二字体指纹对应的字符使用了侵权字体；从而实现对待检测字体是否为侵权字体进行有效检测，且检测过程中无需人工干预，可对大批量文字是否使用侵权字体进行快速检测，大幅提高字体版权的检测效率。

另外，根据本发明上述实施例提出的字体版权检测方法还可以具有如下附加的技术特征：

可选地，计算所述版权保护字体信息中字体对应的第一字体指纹，包括：对所述版权保护字体信息中每种字体对应的字符进行预处理，以获得每个字符的字体图像；提取所述字体图像的多维视觉特征，并对每种字体对应的所有字符的多维视觉特征中相应的每一维进行求和，以生成每种字体的字体特征向量。

可选地，当所述版权保护字体信息包括多种字体时，在提取所述字体图像的多维视觉特征之后，对不同字体的相同字符所对应的多维视觉特征进行K均值聚类以生成每个相同字符的字型特征组；分别计算不同字体的相同字符所对应的多维视觉特征与该相同字符的字型特征组中每个字型特征之间的欧式距离，并选择所述欧式距离最小的字型特征作为该相同字符的字型特征；将不同字体的相同字符所对应的多维视觉特征减去该相同字符的字型特征以获得该相同字符的多维风格特征；将每种字体的所有字符的多维风格特征中相应的每一维进行求和，以生成每种字体的字体特征向量。

可选地，当任一字符在不同字体中未出现相同字符时，将该字符所对应的多维视觉特征作为该字符的多维风格特征。

可选地，计算所述版权保护字体信息中字体对应的第一字体指纹，还包括：将所述字体特征向量进行哈希化处理，以生成所述版权保护字体信息中字体对应的第一字体指纹。

可选地，所述待检测字体信息为待检测字体图像，其中，获取待检测字体信息，包括：将所述待检测字体图像输入经过预训练的基于全卷积网络的深度学习模型，以输出对应所述待检测字体图像中每个字符的单字符检测图像。

可选地，计算所述待检测字体信息中每个字符对应的第二字体指纹，包括：对所述单字符检测图像进行预处理，以生成单字符训练图像；将所述单字符训练图像输入经过预训练的CNN深度神经网络模型，以抽取所述单字符训练图像的多维视觉特征；计算所述单字符训练图像的多维视觉特征与对应的字型特征组中每个字型特征之间的欧氏距离，并将欧式距离最小的字型特征作为所述单字符训练图像的字型特征；将所述单字符训练图像的多维视觉特征减去所述单字符训练图像的字型特征以获得所述单字符训练图像的多维风格特征，并对所述单字符训练图像的多维风格特征进行哈希化处理，以生成所述单字符检测图像的第二字体指纹。

为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有字体版权检测程序，该字体版权检测程序被处理器执行时实现如上述的字体版权检测方法。

为达到上述目的，本发明第三方面实施例提出了一种计算机设备，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，所述处理器执行所述程序时，实现如上述的字体版权检测方法。

为达到上述目的，本发明第四方面实施例提出了一种字体版权检测装置，包括：第一获取模块，所述第一获取模块用于获取版权保护字体信息；第一计算模块，所述第一计算模块用于计算所述版权保护字体信息中字体对应的第一字体指纹；第二获取模块，所述第二获取模块用于获取待检测字体信息；第二计算模块，所述第二计算模块用于计算所述待检测字体信息中每个字符对应的第二字体指纹；判断模块，所述判断模块用于判断所述第二字体指纹与所述第一字体指纹之间的相似度是否大于预设的相似度阈值，并在判断所述第二字体指纹与所述第一字体指纹之间的相似度大于预设的相似度阈值时，确认所述第二字体指纹对应的字符为侵权字符。

根据本发明实施例的字体版权检测装置，设置第一获取模块对版权保护字体信息进行获取，并在获取到版权保护字体信息之后，通过第一计算模块对版权保护字体信息中字体对应的第一字体指纹进行计算；设置第二获取模块对待检测字体信息进行获取，并在获取到待检测字体信息之后，通过第二计算模块待检测字体信息中每个字符对应的第二字体指纹进行计算；设置判断模块判断所述第二字体指纹与所述第一字体指纹之间的相似度是否大于预设的相似度阈值，并在判断所述第二字体指纹与所述第一字体指纹之间的相似度大于预设的相似度阈值时，确认所述第二字体指纹对应的字符使用了侵权字体；从而实现对待检测字体是否为侵权字体进行有效检测，且检测过程中无需人工干预，可对大批量文字是否使用侵权字体进行快速检测，大幅提高字体版权的检测效率。

附图说明

图1为根据本发明实施例的字体版权检测方法的流程示意图；

图2为根据本发明另一实施例的字体版权检测方法的流程示意图；

图3为根据本发明又一实施例的字体版权检测方法的流程示意图；

图4为根据本发明实施例的字体版权检测装置的方框示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

现有技术中，在字体的检测过程中需要大量的人工干预，难以对大批量文字的字体进行快速检测，且无法有效检测所使用的字体是否为侵权字体，根据本发明实施例的字体版权检测方法，首先，获取版权保护字体信息，并根据获取到的版权保护字体信息计算版权保护字体信息中字体对应的第一字体指纹；接着，获取待检测字体信息，并计算待检测字体信息中每个字符对应的第二字体指纹；然后，判断第二字体指纹与第一字体指纹之间的相似度是否大于预设的相似度阈值；如果第二字体指纹与第一字体指纹之间的相似度大于预设的相似度阈值，则确认第二字体指纹对应的字符使用了侵权字体；从而实现对待检测字体是否为侵权字体进行有效检测，且检测过程中无需人工干预，可对大批量文字的字体是否侵权进行快速检测，大幅提高字体版权的检测效率。

为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

图1为根据本发明实施例的字体版权检测方法的流程示意图，如图1所示，该字体版权检测方法包括以下步骤：

S101，获取版权保护字体信息，并计算版权保护字体信息中字体对应的第一字体指纹。

也就是说，获取需要版权保护的字体信息，其中，该版权保护字体信息可以包括字体类型以及对应该字体类型的所有字符信息，然后，根据获取到的版权保护字体信息进行对应字体类型的第一字体指纹的计算。

其中，计算版权保护字体信息中字体对应的第一字体指纹的方式可以有多种。

作为一种示例，生成字体中每个字符所对应的单字符训练图片，该单字符训练图片经过灰度处理、归一化和二值化处理，以生成规格统一的训练图片，然后，对单字符训练图片的视觉特征进行抽取，以生成对应单字符训练图片的视觉特征；接着，根据字体中每个单字符训练图片的视觉特征进行字体对应的字体特征向量的计算，以将该字体特征向量作为对应字体的第一字体指纹。

S102，获取待检测字体信息，并计算待检测字体信息中每个字符对应的第二字体指纹。

即言，获取需要检测的文字对应的待检测字体信息，并根据获取到的待检测字体信息进行需要检测的文字中每个字符对应的第二字体指纹的计算。

作为一种示例，获取用户上传的需要检测的文字的文件，并将该需要检测的文字的文件进行预处理，以生成对应的文字图像，然后，对文字图像进行切分，以生成需要检测的文字中每个字符对应的单字符检测图像；接着，对单字符检测图像进行灰度化、归一化和二值化处理，以生成规格统一的单字符检测图像；然后，对处理后的单字符检测图像进行视觉特征的抽取，以根据抽取的单字符检测图像对应的视觉特征进行字符对应的第二指纹的计算。

S103，判断第二字体指纹与第一字体指纹之间的相似度是否大于预设的相似度阈值。

也就是说，判断字符所对应的第二字体指纹与字体对应的第一字体指纹之间的相似度是否大于预设的相似度阈值。

作为一种示例，在获取到字体对应的第一字体指纹与字符对应的第二字体指纹之后，对第一字体指纹与第二字体指纹之间的汉明距离进行计算，如果两者之间的汉明距离小于预设的汉明距离阈值，则认为第一字体指纹与第二字体指纹之间的相似度大于预设的相似度阈值。

S104，如果第二字体指纹与第一字体指纹之间的相似度大于预设的相似度阈值，则确认第二字体指纹对应的字符使用了侵权字体。

也就是说，当第二字体指纹与第一字体指纹之间的相似度大于预设的相似度阈值时，则认为该第二字体指纹所对应的字符使用了第一字体指纹所对应的字体，换言之，该第二字体指纹所对应的字符使用了侵权字体。

综上所述，根据本发明实施例的字体版权检测方法，首先，获取版权保护字体信息，并根据获取到的版权保护字体信息计算版权保护字体信息中字体对应的第一字体指纹；接着，获取待检测字体信息，并计算待检测字体信息中每个字符对应的第二字体指纹；然后，判断第二字体指纹与第一字体指纹之间的相似度是否大于预设的相似度阈值；如果第二字体指纹与第一字体指纹之间的相似度大于预设的相似度阈值，则确认第二字体指纹对应的字符使用了侵权字体；从而实现对待检测字体是否为侵权字体进行有效检测，且检测过程中无需人工干预，可对大批量文字是否使用侵权字体进行快速检测，大幅提高字体版权的检测效率。

图2为根据本发明另一实施例的字体版权检测方法的流程示意图，如图2所示，该字体版权检测方法包括以下步骤：

S201，获取版权保护字体信息。

S202，对版权保护字体信息中每种字体对应的字符进行预处理，以获得每个字符的字体图像。

也就是说，在获取到版权保护字体信息之后，对版权保护字体信息中每种字体所对应的字符进行预处理，以获取每个单字符所对应的字体图像。

作为一种示例，首先，对版权保护字体信息中每个字体对应的字符进行分别处理，在一字体中，提取该字体内所包含的所有字符的灰度图像，并将所有字符的灰度图像进行归一化(例如，将字符的灰度图像归一到预设的正方形尺寸大小，具体，该正方形尺寸可以为128*128像素、256*256像素等)；以及将归一化后的字符的灰度图像进行二值化处理，以获得每个字符的字体图像。

S203，提取字体图像的多维视觉特征，并对每种字体对应的所有字符的多维视觉特征中相应的每一维进行求和，以生成每种字体的字体特征向量。

即言，在获取到每个字符的字体图像之后，对字体图像所对应的多维视觉特征进行提取，并在获取到每个字符的字体图像所对应的多维视觉特征之后，对一字体中其所包含的所有字符的多维视觉特征中相应的每一维进行求和，以生成对应该字体的字体特征向量。

其中，提取字体图像的多维视觉特征的方式可以有多种。

作为一种示例，在获取到每个字符的字体图像之后，将字体图像输入经过预训练的CNN深度神经网络模型(例如，VGG-16模型、ResNet-50模型等)进行多维视觉特征的抽取；具体地，以VGG-16模型为例，可以通过第5个卷积层的第3个子层进行求和池化后获得512维的视觉特征，其中，每一维为一个4字节的浮点数，512维即为512个浮点数，该512维的视觉特征即为字体图像的多维视觉特征，从而，完成字体图像的多维视觉特征的提取过程。

其中，对每种字体对应的所有字符的字体图像的多维视觉特征中相应的每一维进行求和，以生成每种字体的字体特征向量，指的是，在同一字体中，一个字体可包含多个字符，在该字体的字体特征向量计算过程中，对该字体中的每个字符的字体图像的多维视觉特征中相应的每一维进行求和，以最终生成该字体对应的字体特征向量。

作为一种示例，将一字体内所有字符的字体图像的多维视觉特征中相应的每一维进行求和，以进行字体对应的字体特征向量的计算，其中，字体特征向量可根据以下公式进行计算：

其中，Fnews表示字体特征向量，

表示n个字符对应的字体图像的多维视觉特征中第1维的和值，

表示n个字符对应的字体图像的多维视觉特征中第512维的和值。

S204，将字体特征向量进行哈希化处理，以生成版权保护字体信息中字体对应的第一字体指纹。

即言，在通过字体中各字符对应的字体图像的多维视觉特征计算出字体对应的字体特征向量之后，该字体特征向量所占用的空间较大，因此，进一步地，对该字体特征向量进行哈希化处理，以减少内存和该字体特征向量存储的占用空间，并且，将哈希化后的信息作为版权保护字体信息中字体对应的第一字体指纹。

作为一种示例，在根据字体特征向量计算公式计算得到512维字体特征向量之后，首先，对字体特征向量的平均值Avg进行计算，然后，将字体特征向量中的每一维度与平均值Avg进行比对，当字体特征向量中的维度大于平均值Avg时，将该维度设为1，当字体特征向量中的维度小于平均值Avg时，将该维度设为0，从而，将512维字体特征向量中的每一个维度都映射为一个比特位，以将512维字体特征向量从2048字节压缩为64个字节，减少内存和该512维字体特征向量存储的占用空间。

S205，将待检测字体图像输入经过预训练的基于全卷积网络的深度学习模型，以输出对应待检测字体图像中每个字符的单字符检测图像。

即言，在获取到用户需要进行字体版权检测的待检测字体图像之后，将待检测字体图像输入到经过预训练的基于全卷积网络的深度学习模型，以通过经过预训练的基于全卷积网络的深度学习模型输出对应待检测字体图像中每个字符的单字符检测图像。

需要说明的是，用户上传的可以是需要进行字体版权检测的视频，进而通过获取视频帧进行待检测字体图像的获取，或者，用户可以提供待检测字体纸质文件，后续通过对待检测字体纸质文件进行拍照或者扫描来获取待检测字体图像；因此，本发明实施例不对待检测字体信息的获取方式进行限定。

作为一种示例，将待检测字体图像输入到经过预训练的基于全卷积网络的深度学习模型之后，该经过预训练的基于全卷积网络的深度学习模型可将待检测字体图像按照文字行或列切分为局部的方形块，接着，该经过预训练的基于全卷积网络的深度学习模型根据局部的方形块输出局部的方形块中文字的最小包围框坐标和局部角度信息；然后，根据文字的最小包围框坐标对局部的方形块进行切割，以生成对应每个字符的初步图像，接着，根据局部角度信息对单字符的初步图像进行旋转纠正，以生成对应每个字符的单字符检测图像；其中，基于全卷积网络的深度学习模型的训练方式在现有技术中已有详细的记载，在此不对该基于全卷积网络的深度学习模型的具体训练方式进行赘述。

S206，对单字符检测图像进行预处理，以生成单字符训练图像。

也就是说，在获取到单字符的检测图像之后，对该单字符检测图像进行预处理，以生成规格统一的单字符训练图像。

作为一种示例，在获取到单字符检测图像之后，提取该单字符检测图像对应的灰度图像，接着，对灰度图像进行归一化，以生成归一化图像，并对归一化图像进行二值化处理，以生成对应每个字符的单字符训练图像。

S207，将单字符训练图像输入经过预训练的CNN深度神经网络模型，以抽取单字符训练图像的多维视觉特征。

需要说明的是，该部分对于单字符训练图像的多维视觉特征抽取过程与字体图像的多维视觉特征的提取过程相同，在此不做赘述。

S208，对单字符训练图像的多维视觉特征进行哈希化处理，以生成单字符检测图像的第二字体指纹。

S209，判断第二字体指纹与第一字体指纹之间的相似度是否大于预设的相似度阈值。

也就是说，判断字符所对应的第二字体指纹与字体对应的第一字体指纹之间的相似度是否大于预设的相似度阈值。

作为一种示例，在获取到字体对应的第一字体指纹与字符对应的第二字体指纹之后，对第一字体指纹与第二字体指纹之间的汉明距离进行计算，如果两者之间的汉明距离小于预设的汉明距离阈值，则认为第一字体指纹与第二字体指纹之间的相似度大于预设的相似度阈值。

S210，如果第二字体指纹与第一字体指纹之间的相似度大于预设的相似度阈值，则确认第二字体指纹对应的字符使用了侵权字体。

综上所述，根据本发明实施例的字体版权检测方法，首先，获取版权保护字体信息，接着，对版权保护字体信息中每种字体对应的字符进行预处理，以获得每个字符的字体图像；然后，提取字体图像的多维视觉特征，并对每种字体对应的所有字符的多维视觉特征中相应的每一维进行求和，以生成每种字体的字体特征向量；接着，将字体特征向量进行哈希化处理，以生成版权保护字体信息中字体对应的第一字体指纹；然后，将待检测字体图像输入经过预训练的基于全卷积网络的深度学习模型，以输出对应待检测字体图像中每个字符的单字符检测图像；接着，对单字符检测图像进行预处理，以生成单字符训练图像；然后，将单字符训练图像输入经过预训练的CNN深度神经网络模型，以抽取单字符训练图像的多维视觉特征；接着，对单字符训练图像的多维视觉特征进行哈希化处理，以生成单字符检测图像的第二字体指纹，然后，判断第二字体指纹与第一字体指纹之间的相似度是否大于预设的相似度阈值，接着，如果第二字体指纹与第一字体指纹之间的相似度大于预设的相似度阈值，则确认第二字体指纹对应的字符使用了侵权字体；从而完成对待检测图像中文字是否使用了侵权字体进行快速检测，且过程中无需人工参与，提高字体版权检测效率。

图3为根据本发明又一实施例的字体版权检测方法的流程示意图，如图3所述，该字体版权检测方法包括以下步骤：

S301，获取版权保护字体信息。

S302，对版权保护字体信息中每种字体对应的字符进行预处理，以获得每个字符的字体图像。

S303，提取字体图像的多维视觉特征。

需要说明的是，上述步骤S301-S303与图2中关于字体版权检测方法中的相关描述一致，在此不做赘述。

S304，对不同字体的相同字符所对应的多维视觉特征进行K均值聚类以生成每个相同字符的字型特征组。

也就是说，当版权保护字体信息中包含多种字体时，对不同字体中相同字符所对应的多维视觉特征进行K均值聚类，以生成每个相同字符的字型特征组。

作为一种示例，按照Unicode字符顺序，将一相同字符在多种字体中对应的多维视觉特征进行K均值聚类，这样，每一个相同字符都会生成一组聚类中心，每组中有K个聚类中心，而这些聚类中心即为每个相同字符对应的字型特征组。

作为另一种示例，版权保护字体信息中包含楷体、宋体和黑体三种字体，其中，“人”字符在楷体、宋体和黑体中均有相应的字符，基于此，对楷体中的“人”字符、宋体中的“人”字符和黑体中的“人”字符所对应的多维视觉特征进行K均值聚类，并将聚类后生成的K各聚类中心作为该“人”字符所对应的字型特征组；其中，字型特征组内的字型特征个数可按照如下公式进行计算：

其中，K为字型特征的个数，N为包含该字符的特征总数；如上述，楷体、宋体和黑体均包含“人”字符，则此处N对应的值为3。

需要说明的是，当任一字符在不同字体中未出现相同字符时，则该字符无须进行K均值聚类。

S305，分别计算不同字体的相同字符所对应的多维视觉特征与该相同字符的字型特征组中每个字型特征之间的欧式距离，并选择欧式距离最小的字型特征作为该相同字符的字型特征。

也就是说，对不同字体的相同字符所对应的多维视觉特征与该相同字符的字型特征组中每个字型特征之间的欧式距离进行分别计算，以选择出其中欧式距离最小的字型特征作为该相同字符的字型特征。

S306，将不同字体的相同字符所对应的多维视觉特征减去该相同字符的字型特征以获得该相同字符的多维风格特征。

作为一种示例，当相同字符所对应的字型特征组生成完毕之后，进行每个相同字符的多维视觉特征与该相同字符所对应的字型特征组中每个字型特征之间的欧式距离的计算，并选择欧式距离最小的字型特征作为该相同字符的字型特征；然后，将该相同字符的多维视觉特征减去该相同字符的字型特征，以获得该相同字符的多维风格特征；其中，每个多维风格特征均为512维。

作为另一种示例，版权保护字体信息中包含楷体、宋体和黑体三种字体，其中，根据上述步骤已生成“人”字符所对应的字型特征组，从而，在计算楷体中“人”字符所对应的多维风格特征时，首先，计算楷体中“人”字符所对应的多维视觉特征与“人”字符所对应的字型特征组中每个字型特征之间的欧式距离，并选择其中欧式距离最小的字型特征作为楷体中“人”字符的字型特征，然后，将楷体中“人”字符所对应的多维视觉特征减去楷体中“人”字符的字型特征，以获得该楷体中“人”字符的多维风格特征。

其中，当任一字符在不同字体中未出现相同字符时，则将该字符所对应的多维视觉特征作为该字符的多维风格特征。

作为一种示例，版权保护字体信息中包含楷体、宋体和黑体三种字体，当“人”字符仅在楷体中出现，而宋体和黑体中并未出现“人”字符，则此时，楷体中“人”字符对应的多维视觉特征即作为该楷体中“人”字符的多维风格特征。

S307，将每种字体的所有字符的多维风格特征中相应的每一维进行求和，以生成每种字体的字体特征向量。

即言，根据每种字体中所包含的所有字符对应的多维风格特征生成对应该字体的字体特征向量。

S308，将字体特征向量进行哈希化处理，以生成版权保护字体信息中字体对应的第一字体指纹。

S309，将待检测字体图像输入经过预训练的基于全卷积网络的深度学习模型，以输出对应待检测字体图像中每个字符的单字符检测图像。

S310，对单字符检测图像进行预处理，以生成单字符训练图像；

S311，将单字符训练图像输入经过预训练的CNN深度神经网络模型，以抽取单字符训练图像的多维视觉特征。

需要说明的是，步骤S308-步骤S311在图2关于字体版权检测方法的描述中已有相应说明，因此，在不对步骤S308-步骤S311进行赘述。

S312，计算单字符训练图像的多维视觉特征与对应的字型特征组中每个字型特征之间的欧氏距离，并将欧式距离最小的字型特征作为单字符训练图像的字型特征。

即言，在获取到单字符训练图像之后，计算该单字符训练图像所对应的多维视觉特征与该单字符训练图像所对应字符的的字型特征组中每个字型特征之间的欧氏距离，并将欧式距离最小的字型特征作为单字符训练图像的字型特征。

作为一种示例，版权保护字体信息中包含楷体、宋体和黑体三种字体，当获取到的单字符训练图像为“人”字符的单字符训练图像时，则计算该“人”字符的单字符训练图像的多维视觉特征与“人”字符的字型特征组中每个字型特征之间的欧式距离，并将欧式距离最小的“人”字符的字型特征作为该“人”字符的单字符训练图像的字型特征。

S313，将单字符训练图像的多维视觉特征减去单字符训练图像的字型特征以获得单字符训练图像的多维风格特征，并对单字符训练图像的多维风格特征进行哈希化处理，以生成单字符检测图像的第二字体指纹。

即言，在获取到单字符训练图像的字型特征之后，将单字符训练图像的多维视觉特征减去单字符训练图像的字型特征以获得单字符训练图像的多维风格特征，然后，对单字符训练图像的多维风格特征进行哈希化处理以生成单字符检测图像的第二字体指纹，以减少内存和最终第二字体指纹所占用的空间。

S314，判断第二字体指纹与第一字体指纹之间的相似度是否大于预设的相似度阈值。

S315，如果第二字体指纹与第一字体指纹之间的相似度大于预设的相似度阈值，则确认第二字体指纹对应的字符使用了侵权字体。

综上所述，根据本发明实施例的字体版权检测方法，首先，获取版权保护字体信息，接着，对版权保护字体信息中每种字体对应的字符进行预处理，以获得每个字符的字体图像；然后，提取字体图像的多维视觉特征；接着，对不同字体的相同字符所对应的多维视觉特征进行K均值聚类以生成每个相同字符的字型特征组；然后，分别计算不同字体的相同字符所对应的多维视觉特征与该相同字符的字型特征组中每个字型特征之间的欧式距离，并选择欧式距离最小的字型特征作为该相同字符的字型特征；接着，将不同字体的相同字符所对应的多维视觉特征减去该相同字符的字型特征以获得该相同字符的多维风格特征；然后，将每种字体的所有字符的多维风格特征中相应的每一维进行求和，以生成每种字体的字体特征向量；接着，将字体特征向量进行哈希化处理，以生成版权保护字体信息中字体对应的第一字体指纹；然后，将待检测字体图像输入经过预训练的基于全卷积网络的深度学习模型，以输出对应待检测字体图像中每个字符的单字符检测图像；接着，对单字符检测图像进行预处理，以生成单字符训练图像；接着，将单字符训练图像输入经过预训练的CNN深度神经网络模型，以抽取单字符训练图像的多维视觉特征；然后，计算单字符训练图像的多维视觉特征与对应的字型特征组中每个字型特征之间的欧氏距离，并将欧式距离最小的字型特征作为单字符训练图像的字型特征；接着，将单字符训练图像的多维视觉特征减去单字符训练图像的字型特征以获得单字符训练图像的多维风格特征，并对单字符训练图像的多维风格特征进行哈希化处理，以生成单字符检测图像的第二字体指纹；然后，判断第二字体指纹与第一字体指纹之间的相似度是否大于预设的相似度阈值；接着，如果第二字体指纹与第一字体指纹之间的相似度大于预设的相似度阈值，则确认第二字体指纹对应的字符使用了侵权字体；从而实现对待检测字体是否为侵权字体进行有效检测，且检测过程中无需人工干预，可对大批量文字是否使用了侵权字体进行快速检测，大幅提高字体版权的检测效率。

为了实现上述实施例，本发明实施例还提出了一种计算机可读存储介质，其上存储有字体版权检测程序，该字体版权检测程序被处理器执行时实现如上述的字体版权检测方法。

为了实现上述实施例，本发明实施例还提出了一种计算机设备，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，所述处理器执行所述程序时，实现如上述的字体版权检测方法。

为了实现上述实施例，如图4所示，本发明实施例还提出了一种字体版权检测装置，该字体版权检测装置包括：第一获取模块10、第一计算模块20、第二获取模块30、第二计算模块40和判断模块50。

其中，第一获取模块10用于获取版权保护字体信息。

第一计算模块20用于计算所述版权保护字体信息中字体对应的第一字体指纹；

第二获取模块30用于获取待检测字体信息；

第二计算模块40用于计算所述待检测字体信息中每个字符对应的第二字体指纹；

判断模块50用于判断所述第二字体指纹与所述第一字体指纹之间的相似度是否大于预设的相似度阈值，并在判断所述第二字体指纹与所述第一字体指纹之间的相似度大于预设的相似度阈值时，确认所述第二字体指纹对应的字符为侵权字符。

需要说明的是，上述关于图1中字体版权检测方法的描述同样适用于该字体版权检测装置，在此不做赘述。

综上所述，根据本发明实施例的字体版权检测装置，设置第一获取模块对版权保护字体信息进行获取，并在获取到版权保护字体信息之后，通过第一计算模块对版权保护字体信息中字体对应的第一字体指纹进行计算；设置第二获取模块对待检测字体信息进行获取，并在获取到待检测字体信息之后，通过第二计算模块待检测字体信息中每个字符对应的第二字体指纹进行计算；设置判断模块判断所述第二字体指纹与所述第一字体指纹之间的相似度是否大于预设的相似度阈值，并在判断所述第二字体指纹与所述第一字体指纹之间的相似度大于预设的相似度阈值时，确认所述第二字体指纹对应的字符使用了侵权字体；从而实现对待检测字体是否为侵权字体进行有效检测，且检测过程中无需人工干预，可对大批量文字是否使用了侵权字体进行快速检测，大幅提高字体版权的检测效率。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种字体版权检测方法，其特征在于，包括以下步骤：

获取版权保护字体信息，并计算所述版权保护字体信息中字体对应的第一字体指纹；

获取待检测字体信息，并计算所述待检测字体信息中每个字符对应的第二字体指纹；

判断所述第二字体指纹与所述第一字体指纹之间的相似度是否大于预设的相似度阈值；

如果所述第二字体指纹与所述第一字体指纹之间的相似度大于预设的相似度阈值，则确认所述第二字体指纹对应的字符使用了侵权字体；

计算所述版权保护字体信息中字体对应的第一字体指纹，包括：

对所述版权保护字体信息中每种字体对应的字符进行预处理，以获得每个字符的字体图像；

提取所述字体图像的多维视觉特征，并对每种字体对应的所有字符的多维视觉特征中相应的每一维进行求和，以生成每种字体的字体特征向量；

当所述版权保护字体信息包括多种字体时，在提取所述字体图像的多维视觉特征之后，对不同字体的相同字符所对应的多维视觉特征进行K均值聚类以生成每个相同字符的字型特征组；

分别计算不同字体的相同字符所对应的多维视觉特征与该相同字符的字型特征组中每个字型特征之间的欧式距离，并选择所述欧式距离最小的字型特征作为该相同字符的字型特征；

将不同字体的相同字符所对应的多维视觉特征减去该相同字符的字型特征以获得该相同字符的多维风格特征；

将每种字体的所有字符的多维风格特征中相应的每一维进行求和，以生成每种字体的字体特征向量。

2.如权利要求1所述的字体版权检测方法，其特征在于，当任一字符在不同字体中未出现相同字符时，将该字符所对应的多维视觉特征作为该字符的多维风格特征。

3.如权利要求1-2中任一项所述的字体版权检测方法，其特征在于，计算所述版权保护字体信息中字体对应的第一字体指纹，还包括：

将所述字体特征向量进行哈希化处理，以生成所述版权保护字体信息中字体对应的第一字体指纹。

4.如权利要求1所述的字体版权检测方法，其特征在于，所述待检测字体信息为待检测字体图像，其中，获取待检测字体信息，包括：

将所述待检测字体图像输入经过预训练的基于全卷积网络的深度学习模型，以输出对应所述待检测字体图像中每个字符的单字符检测图像。

5.如权利要求4所述的字体版权检测方法，其特征在于，计算所述待检测字体信息中每个字符对应的第二字体指纹，包括：

对所述单字符检测图像进行预处理，以生成单字符训练图像；

将所述单字符训练图像输入经过预训练的CNN深度神经网络模型，以抽取所述单字符训练图像的多维视觉特征；

计算所述单字符训练图像的多维视觉特征与对应的字型特征组中每个字型特征之间的欧氏距离，并将欧式距离最小的字型特征作为所述单字符训练图像的字型特征；

将所述单字符训练图像的多维视觉特征减去所述单字符训练图像的字型特征以获得所述单字符训练图像的多维风格特征，并对所述单字符训练图像的多维风格特征进行哈希化处理，以生成所述单字符检测图像的第二字体指纹。

6.一种计算机可读存储介质，其特征在于，其上存储有字体版权检测程序，该字体版权检测程序被处理器执行时实现如权利要求1-5中任一项所述的字体版权检测方法。

7.一种计算机设备，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，其特征在于，所述处理器执行所述程序时，实现如权利要求1-5中任一项所述的字体版权检测方法。

8.一种字体版权检测装置，其特征在于，包括：

第一获取模块，所述第一获取模块用于获取版权保护字体信息；具体用于对所述版权保护字体信息中每种字体对应的字符进行预处理，以获得每个字符的字体图像；以及提取所述字体图像的多维视觉特征，并对每种字体对应的所有字符的多维视觉特征中相应的每一维进行求和，以生成每种字体的字体特征向量；其中，当所述版权保护字体信息包括多种字体时，在提取所述字体图像的多维视觉特征之后，对不同字体的相同字符所对应的多维视觉特征进行K均值聚类以生成每个相同字符的字型特征组；分别计算不同字体的相同字符所对应的多维视觉特征与该相同字符的字型特征组中每个字型特征之间的欧式距离，并选择所述欧式距离最小的字型特征作为该相同字符的字型特征；将不同字体的相同字符所对应的多维视觉特征减去该相同字符的字型特征以获得该相同字符的多维风格特征；将每种字体的所有字符的多维风格特征中相应的每一维进行求和，以生成每种字体的字体特征向量；

第一计算模块，所述第一计算模块用于计算所述版权保护字体信息中字体对应的第一字体指纹；

第二获取模块，所述第二获取模块用于获取待检测字体信息；

第二计算模块，所述第二计算模块用于计算所述待检测字体信息中每个字符对应的第二字体指纹；

判断模块，所述判断模块用于判断所述第二字体指纹与所述第一字体指纹之间的相似度是否大于预设的相似度阈值，并在判断所述第二字体指纹与所述第一字体指纹之间的相似度大于预设的相似度阈值时，确认所述第二字体指纹对应的字符为侵权字符。

Images