CN110378254A - 车损图像修改痕迹的识别方法、系统、电子设备及存储介质 - Google Patents
车损图像修改痕迹的识别方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110378254A CN110378254A CN201910594923.7A CN201910594923A CN110378254A CN 110378254 A CN110378254 A CN 110378254A CN 201910594923 A CN201910594923 A CN 201910594923A CN 110378254 A CN110378254 A CN 110378254A
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle damage
- vehicle
- noise characteristic
- convolutional neural
- 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
Classifications
-
- 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
- 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
- G06V10/40—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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/80—Recognising image objects characterised by unique random patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车损图像修改痕迹的识别方法,该方法包括:采集车损原始图像,对车损原始图像进行修改并标注修改痕迹类型,以获得训练样本集和测试样本集;提取训练样本集中的车损修改图像的噪声特征,生成车损噪声特征图像;对车损原始图像和所述车损噪声特征图像分别进行预处理,得到预处理后的车损原始图像和车损噪声特征图像;构建双通道卷积神经网络,将预处理后的车损原始图像以及车损噪声特征图像分别输入该双通道卷积神经网络以获得最终测试模型;利用该最终测试模型识别待检测车损图像的修改痕迹类型。本发明还公开了一种车损图像修改痕迹的识别系统。本发明的识别方法可以精确地提取车损图像特征并对车损图像的修改痕迹进行分类。
Description
技术领域
本发明属于数据处理技术领域,具体涉及车损图像修改痕迹的识别方法、系统、电子设备及存储介质。
背景技术
智能车险理赔防欺诈系统的成功实现与应用能够在核保与核损环节有效地防范骗保与诈保现象的发生,从根本上完善了防欺诈系统,减少了人工容错率,从而切实地保障了保险公司的利益。
目前的车险防欺诈系统的应用主要体现在数据结构的层面,例如清洗脏数据、核保模块反欺诈等,但对于应用在图像层面的反欺诈系统,还未有成熟完整的上线系统可供应用。
现有技术中,在智能车险理赔防欺诈系统中,对车损图像是否存在修改痕迹的识别方法是:直接利用图像本身的噪声斑点特征与原始图像进行比对,若修改后图片与原始图像的噪声图谱存在不一致性,那么则判定该图像被预先修改过,是值得被怀疑的一张图像。
但这种方法存在的技术问题是:仅能对图像学进行初步判断,尽管可以判断图像是否经过ps,但是却不具有泛化能力,不能很好地将输入的训练样本进行输出。
发明内容
本发明实施例提供一种车损图像修改痕迹的识别方法、系统、电子设备及存储介质,本发明实施例采用双通道卷积神经网络对车损的原始图像和车损的噪声特征图像进行特征提取与分类,不仅能够在特征的精确度与完整性上得到保证,更能够直接通过分类回归的方法对车损图像的修改痕迹进行分类;并且将车损的原始图像和车损的噪声特征图像的特征图谱进行卷积操作,提高了测试模型的泛化能力。
第一方面,本发明实施例提供一种车损图像修改痕迹的识别方法,该识别方法包括以下步骤:
采集车损原始图像,对车损原始图像进行修改并标注修改痕迹类型,获得车损修改图像,建立车损图像库,并划分为训练样本集和测试样本集;
提取训练样本集中的车损修改图像的噪声特征,生成车损噪声特征图像;
对车损原始图像和车损噪声特征图像分别进行预处理,得到预处理后的车损原始图像和车损噪声特征图像;
构建双通道卷积神经网络,将预处理后的车损原始图像以及车损噪声特征图像分别输入该双通道卷积神经网络以生成训练模型;
将所述测试样本集中的样本输入所述训练模型,判断该样本的修改痕迹类型,以生成测试结果;
根据所述测试结果迭代更新所述训练模型以获得最终测试模型;
利用所述最终测试模型识别待检测车损图像的修改痕迹类型。
第二方面,本发明实施例提供一种车损图像修改痕迹的识别系统,所述识别系统包括采集模块、噪声特征提取模块、预处理模块、所述双通道构建模块、训练模块、测试模块、更新模块和识别模块;
所述采集模块用于采集车损原始图像,对车损原始图像进行修改并标注修改痕迹类型,获得车损修改图像,建立车损图像库,并划分为训练样本集和测试样本集;
所述噪声特征提取模块用于提取训练样本集中的车损修改图像的噪声特征,生成车损噪声特征图像;
所述预处理模块对车损原始图像和所述车损噪声特征图像分别进行预处理,得到预处理后的车损原始图像和车损噪声特征图像;
所述双通道构建模块用于构建双通道卷积神经网络,所述训练模块将预处理后的车损原始图像以及车损噪声特征图像分别输入该双通道卷积神经网络以生成训练模型;
所述测试模块用于将所述测试样本集中的样本输入所述训练模型,判断该样本的修改痕迹类型,以生成测试结果;
所述更新模块根据所述测试结果迭代更新所述训练模型以获得最终测试模型;
所述识别模块利用所述最终测试模型识别待检测车损图像的修改痕迹类型。
第三方面,本发明实施例提供一种电子设备包括:处理器和存储装置;所述存储装置上存储有计算机程序,所述处理器执行所述存储装置上的计算机程序时实现上述发明任一项所述的识别方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行时实现上述发明任一项所述的识别方法。
本发明采用双通道卷积神经网络对车损的原始图像和车损的噪声流特征图像进行特征提取与分类,不仅能够在特征的精确度与完整性上得到保证,更能够直接通过分类回归的方法对车损图像的修改痕迹进行分类;另外将车损的原始图像和车损的噪声流特征图像的特征图谱进行卷积操作,也提高了最终测试模型的泛化能力。
附图说明
图1为本发明的一个实施例的一种车损图像修改痕迹的识别方法的流程示意图;
图2为本发明的一个实施例的生成训练模型的流程示意图;
图3为本发明的一个实施例的一种车损图像修改痕迹的识别系统的结构示意图;
图4为本发明的一个实施例的一种电子设备的结构示意图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
现有技术中,利用AI(Artificial Intelligence,人工智能)来发现图像编辑的迹象,特别是当图像的一部分中的噪声斑点与另一部分不匹配时,或者当有新图像被拼接的异常边界时,为了发现图像篡改,通常会在图像的隐藏层中寻找线索。
本实施例具体实现的原理是:若一张车损图像有过人工编辑的痕迹,则图像传感器检测到修改后的车损图像以及未修改的车损图像会存在颜色和亮度的随机变化(也称为图像噪声),因此修改后的车损图像以及未修改的车损图像的噪声图谱会有存在不一致性;同样的,若将两个不同的车损图像进行拼接操作时,那么也会出现图片噪声数据不匹配的异常现象。
因此,本实施例将车损原始图像和车损噪声特征图像输入双通道卷积神经网络,分别生成车损原始图像和车损噪声特征图像的特征图谱,并将这两个特征图谱进行卷积操作,将卷积后的结果输入softmax回归层进行回归分类,获得训练模型,由此来测试车损图像有无修改痕迹;若有修改痕迹,则进一步判断修改类型。
具体的,下面以实施例一为例来说明本实施例的车损图像修改痕迹的识别方法的具体工作过程。
实施例一
图1为本发明的一个实施例的车损图像修改痕迹的识别方法的流程示意图;图2为本发明的一个实施例生成训练模型的流程示意图,参见图1和2,该方法包括以下步骤:
S100:采集车损原始图像,对车损原始图像进行修改并标注修改痕迹类型,获得车损修改图像,将该车损原始图像和车损修改图像存入数据库,建立车损图像库,将车损图像库划分为训练样本集和测试样本集;
优选的,可以按预设的修改痕迹对车损原始图像进行修改。
具体的,所述车损原始图像来源于车辆定损事故现场的多张图片,本实施例中,可以将70%的车损图像库中的图像作为训练样本,生成训练样本集;将30%的车损图像库中的图像作为测试样本,生成测试样本集;可以理解的是,在其他实施例中,也可以按其他比例划分车损图像库中的图像。
按照预设的修改痕迹对车损原始图像进行修改可以获得N类车损修改图像,本实施例中,对车损原始图像进行修改可以利用PS修改方法,所述预设的修改痕迹例如可以是:拼接、抠图、替换目标、模糊像素、扭曲图像等,将这些PS修改痕迹按类别进行标注(即按类别给这些车损原始图像赋予不同的类型的标签)从而获得N类车损修改图像,并将这N类车损修改图像存入数据库,所述数据库可以用于后续测试车损原始图像是否存在修改痕迹以及修改痕迹类型。
S200:提取训练样本集中的车损修改图像的噪声特征,生成车损噪声特征图像;
具体的,可以利用自适应维纳滤波器对训练样本集中的车损修改图像(即含有色彩的三通道RGB车损修改图像)进行滤波,提取该车损修改图像的噪声特征以生成车损噪声特征图像。
S300:对车损原始图像和车损噪声特征图像分别进行预处理,得到预处理后的车损原始图像和车损噪声特征图像;
本实施例中,所述预处理包括归一化处理,即分别对车损原始图像和步骤200中得到的车损噪声特征图像进行归一化处理,从而获得归一化后的车损原始图像和车损噪声特征图像。
S400:构建双通道卷积神经网络,将预处理后的车损原始图像以及车损噪声特征图像分别输入该双通道卷积神经网络,对该双通道卷积神经网络进行训练以生成训练模型;
其中,所述双通道卷积神经网络包括第一通道卷积神经网络和第二通道卷积神经网络,这两个通道均包括输入层、卷积层和池化层;
优选的,本实施例中可以构建ResNext50双通道卷积神经网络,ResNext50双通道卷积神经网络可以保证在利用足够深层的神经网络来提取特征形成特征图时,能够比其他网络更加高效的,更加精准的完成卷积过程,在性能上更有优势;可以理解的是,在其他实施例中,也可以构建其他双通道卷积神经网络。
所述步骤S400中生成训练模型具体包括以下子步骤S410和S420:
S410:预处理后的车损原始图像通过第一通道卷积神经网络的输入层,并经卷积层和池化层处理后获得第一特征图谱(即车损原始图像的特征图谱);
预处理后的车损噪声特征图像通过第二通道卷积神经网络的输入层,并经卷积层和池化层处理后得到第二特征图谱(即车损噪声特征图像的特征图谱)。
需要说明的是,在本实施例中,所述第一通道卷积神经网络和第二通道卷积神经网络的网络参数和网络深度均设为一致,以防止因设置的网络参数和网络深度不同,在训练过程中所获得的第一、第二特征图谱出现误差。第一和第二通道卷积神经网络的网络深度一致可以避免某一网络出现耦合过度的局面导致训练结果不够精准,也是为了能够共享网络参数从而加快大量计算。
优选的,所述第一通道卷积神经网络和第二通道卷积神经网络可以为ResNext50网路;可以理解的是,在其他实施例中,所述第一通道卷积神经网络和第二通道卷积神经网络也可以是其他类型的网路。
S420:将第一特征图谱和第二特征图谱进行卷积操作,将得到的卷积结果输入分类器中得到第三特征图谱,将所述第三特征图谱置入卷积神经网络得到训练模型;输入分类器是为了将不同类型的ps手段得到的第三特征图谱进行评分分类,以便于得到不同分类的训练模型。
优选的,将得到的卷积结果输入softmax回归分类器得到所述第三特征图谱。
优选的,可以将所述第三特征图谱置入卷积神经网络ResNext50得到所述训练模型。
在本实施例中,将步骤200中提取的噪声特征作为判别依据以对车损原始图像进行比对分类;这里,噪声特征只是作为车损判断依据之一,因为不同类型的图片ps手法会产生不同的噪声特征,可利用噪声特征与车损原始图像特征图进行卷积获得的第三特征图谱作为判别车损原始图像修改痕迹类型的判断的特征数据,并且能够增强车损图像特征的唯一性,这种方式与现有技术中将车损原始图像和车损噪声特征图像的特征图谱进行相加或相乘等基础运算操作相比,本实施例中对车损图像的修改痕迹和类别具有更强的识别性。
S500:将所述测试样本集中的样本输入所述训练模型,判断该样本的修改痕迹类型,以生成测试结果;
即,将本实施例中的测试样本集的测试样本输入到训练模型中,判断测试样本是否存在修改痕迹,若存在修改痕迹,则进一步判断该测试样本的修改痕迹类型。
S600:根据所述测试结果迭代更新所述训练模型以获得最终测试模型;
S700:利用所述最终测试模型识别待检测车损图像的修改痕迹类型。
在实际应用过程中,将待检测的车损图像输入所述最终测试模型,以判断所述待检测车损图像是否存在修改痕迹,如存在修改痕迹,则进一步判断待检测车损图像的修改痕迹类型,所述修改痕迹类型包括拼接、抠图、替换目标、模糊像素或扭曲图像等。
实施例二
图3为本发明的一种车损图像修改痕迹的识别系统,所述识别系统包括采集模块、噪声特征提取模块、预处理模块、所述双通道构建模块、训练模块、测试模块、更新模块和识别模块;
所述采集模块用于采集车损原始图像,对车损原始图像进行修改并标注修改痕迹类型,获得车损修改图像,建立车损图像库,并划分为训练样本集和测试样本集;
所述噪声特征提取模块用于提取训练样本集中的车损修改图像的噪声特征,生成车损噪声特征图像;
所述预处理模块对车损原始图像和车损噪声特征图像分别进行预处理,得到预处理后的车损原始图像和车损噪声特征图像;
所述双通道构建模块用于构建双通道卷积神经网络,所述训练模块将预处理后的车损原始图像以及车损噪声特征图像分别输入该双通道卷积神经网络以生成训练模型;
所述测试模块用于将所述测试样本集中的样本输入所述训练模型,判断该样本的修改痕迹类型,以生成测试结果;
所述更新模块根据所述测试结果迭代更新所述训练模型以获得最终测试模型;
所述识别模块利用所述最终测试模型识别待检测车损图像的修改痕迹类型。
进一步的,所述对车损原始图像进行修改是按预设的修改痕迹修改的。
进一步的,所述预设的修改痕迹包括车损原始图像拼接、抠图、替换目标、模糊像素、扭曲图像的一种或多种。
进一步的,所述生成车损噪声特征图像的方法为:利用自适应维纳滤波器对训练样本集中的车损修改图像进行滤波,提取车损修改图像的噪声特征。
进一步的,所述预设的修改痕迹包括车损原始图像拼接、抠图、替换目标、模糊像素、扭曲图像的一种或多种。
进一步的,所述训练模块包括第一特征图谱获取模块、第二特征图谱获取模块和第三特征图谱获取模块;
所述双通道卷积神经网络包括第一通道卷积神经网络和第二通道卷积神经网络;
所述第一特征图谱获取模块用于将预处理后的车损原始图像输入所述第一通道卷积神经网络获得第一特征图谱;
所述第二特征图谱获取模块用于将预处理后的车损噪声特征图像输入第二通道卷积神经网络得到第二特征图谱;
所述第三特征图谱获取模块用于将第一特征图谱和第二特征图谱进行卷积并输入分类器得到第三特征图谱,将所述第三特征图谱置入卷积神经网络模型中得到训练模型;优选的,将得到的卷积结果输入softmax回归分类器得到所述第三特征图谱;可以将所述第三特征图谱置入卷积神经网络ResNext50得到所述训练模型。
进一步的,所述双通道卷积神经网络为ResNext50网络模型。
上述各个模块的具体实施方式与实施例一的各个方法步骤的具体实施方式一致,在此不再赘述。
实施例三
图4为本发明的一个实施例的一种电子设备的结构示意图,参见图4,在本实施例中,提供一种电子设备,包括但不限于智能手机、固定电话、平板电脑、笔记本电脑、穿戴式设备等电子设备,所述电子设备包括:处理器和存储器,所述存储器存储有计算机可读指令,所述计算机可读指令在被所述处理器执行时实现上述本发明的识别方法。
实施例四
在本实施例中,提供一种计算机可读存储介质,可以为ROM(例如只读存储器、FLASH存储器、转移装置等)、光学存储介质(例如,CD-ROM、DVD-ROM、纸卡等)、磁存储介质(例如,磁带、磁盘驱动器等)或其他类型的程序存储器;所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器或计算机运行时执行上述本发明的识别方法。
本发明具有以下优点:
本发明采用双通道卷积神经网络,将车损的原始图像和车损的噪声特征图像的特征图谱进行卷积操作,将卷积操作结果并输入回归层进行回归分类得到的特征图谱,将该特征图谱作为判断待检测车损图像是否存在修改痕迹的依据,从而能够增强车损图像特征的唯一性,这种方式与现有技术中采用将车损的原始图像和车损的噪声特征图像的特征图谱进行相加或相乘等基础运算操作,从而能够更好地确定车损图像的修改痕迹的类型,并且也提高最终测试模型的泛化能力;
另外,本发明采用双通道卷积神经网络对车损的原始图像和车损的噪声特征图像进行特征提取与分类,不仅能够在特征的精确度与完整性上得到保证,更能够直接通过分类回归的方法对车损图像的修改痕迹进行分类,更能兼顾到车损图像多方面特征,如色彩,轮廓,纹理特征等。
因此通过上述识别方法可以有效地排查经过修改(例如:PS)的车损现场图像,保证了车险理赔系统的信息安全,防止了在车险理赔过程中发生欺诈的行为,从而也增强了信息安全工程的重要性和实用性。
本领域普通技术人员可以意识到,结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种车损图像修改痕迹的识别方法,其特征在于,该识别方法包括以下步骤:
采集车损原始图像,对车损原始图像进行修改并标注修改痕迹类型,获得车损修改图像,建立车损图像库,并划分为训练样本集和测试样本集;
提取训练样本集中的车损修改图像的噪声特征,生成车损噪声特征图像;
对车损原始图像和车损噪声特征图像分别进行预处理,得到预处理后的车损原始图像和车损噪声特征图像;
构建双通道卷积神经网络,将预处理后的车损原始图像以及车损噪声特征图像分别输入该双通道卷积神经网络以生成训练模型;
将所述测试样本集中的样本输入所述训练模型,判断该样本的修改痕迹类型,以生成测试结果;
根据所述测试结果迭代更新所述训练模型以获得最终测试模型;
利用所述最终测试模型识别待检测车损图像的修改痕迹类型。
2.根据权利要求1所述的识别方法,其特征在于:所述对车损原始图像进行修改是按预设的修改痕迹修改的。
3.根据权利要求1所述的识别方法,其特征在于:所述生成车损噪声特征图像的方法为:利用自适应维纳滤波器对训练样本集中的车损修改图像进行滤波,提取车损修改图像的噪声特征。
4.根据权利要求1所述的识别方法,其特征在于,生成所述训练模型的方法包括:
所述双通道卷积神经网络包括第一通道卷积神经网络和第二通道卷积神经网络;
将预处理后的车损原始图像输入所述第一通道卷积神经网络获得第一特征图谱;
将预处理后的车损噪声特征图像输入第二通道卷积神经网络得到第二特征图谱;
将第一特征图谱和第二特征图谱进行卷积并输入分类器得到第三特征图谱,将所述第三特征图谱置入卷积神经网络模型中得到训练模型。
5.根据权利要求4所述的识别方法,其特征在于,所述第一通道卷积神经网络和第二通道卷积神经网络的网络参数和网络深度均设为一致。
6.根据权利要求1-5任一项所述的识别方法,其特征在于,所述双通道卷积神经网络为ResNext50网络模型。
7.一种车损图像修改痕迹的识别系统,其特征在于:所述识别系统包括采集模块、噪声特征提取模块、预处理模块、所述双通道构建模块、训练模块、测试模块、更新模块和识别模块;
所述采集模块用于采集车损原始图像,对车损原始图像进行修改并标注修改痕迹类型,获得车损修改图像,建立车损图像库,并划分为训练样本集和测试样本集;
所述噪声特征提取模块用于提取训练样本集中的车损修改图像的噪声特征,生成车损噪声特征图像;
所述预处理模块对车损原始图像和车损噪声特征图像分别进行预处理,得到预处理后的车损原始图像和车损噪声特征图像;
所述双通道构建模块用于构建双通道卷积神经网络,所述训练模块将预处理后的车损原始图像以及车损噪声特征图像分别输入该双通道卷积神经网络以生成训练模型;
所述测试模块用于将所述测试样本集中的样本输入所述训练模型,判断该样本的修改痕迹类型,以生成测试结果;
所述更新模块根据所述测试结果迭代更新所述训练模型以获得最终测试模型;
所述识别模块利用所述最终测试模型识别待检测车损图像的修改痕迹类型。
8.根据权利要求7所述的识别系统,其特征在于:所述训练模块包括第一特征图谱获取模块、第二特征图谱获取模块和第三特征图谱获取模块;
所述双通道卷积神经网络包括第一通道卷积神经网络和第二通道卷积神经网络;
所述第一特征图谱获取模块用于将预处理后的车损原始图像输入所述第一通道卷积神经网络获得第一特征图谱;
所述第二特征图谱获取模块用于将预处理后的车损噪声特征图像输入第二通道卷积神经网络得到第二特征图谱;
所述第三特征图谱获取模块用于将第一特征图谱和第二特征图谱进行卷积并输入分类器得到第三特征图谱,将所述第三特征图谱置入卷积神经网络模型中得到训练模型。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器存储有计算机可读指令,所述计算机可读指令在被所述处理器执行时实现根据权利要求1-6任一项所述的识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器或计算机运行时执行根据权利要求1-6任一项所述的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910594923.7A CN110378254B (zh) | 2019-07-03 | 2019-07-03 | 车损图像修改痕迹的识别方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910594923.7A CN110378254B (zh) | 2019-07-03 | 2019-07-03 | 车损图像修改痕迹的识别方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378254A true CN110378254A (zh) | 2019-10-25 |
CN110378254B CN110378254B (zh) | 2022-04-19 |
Family
ID=68251807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910594923.7A Active CN110378254B (zh) | 2019-07-03 | 2019-07-03 | 车损图像修改痕迹的识别方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378254B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381775A (zh) * | 2020-11-06 | 2021-02-19 | 厦门市美亚柏科信息股份有限公司 | 一种图像篡改检测方法、终端设备及存储介质 |
CN112529040A (zh) * | 2020-11-16 | 2021-03-19 | 深圳壹账通智能科技有限公司 | 模型生成的方法、装置、电子设备及介质 |
CN113129261A (zh) * | 2021-03-11 | 2021-07-16 | 重庆邮电大学 | 一种基于双流卷积神经网络的图像篡改检测方法 |
CN113342488A (zh) * | 2021-05-25 | 2021-09-03 | 上海商汤智能科技有限公司 | 任务处理方法及装置、电子设备和存储介质 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787878A (zh) * | 2016-02-25 | 2016-07-20 | 杭州格像科技有限公司 | 一种美颜处理方法及装置 |
CN105787458A (zh) * | 2016-03-11 | 2016-07-20 | 重庆邮电大学 | 基于人工设计特征和深度学习特征自适应融合的红外行为识别方法 |
JP2017062776A (ja) * | 2015-09-04 | 2017-03-30 | 株式会社東芝 | 構造物に対する変化を検出するための方法、装置およびコンピュータ可読媒体 |
CN106846303A (zh) * | 2016-12-30 | 2017-06-13 | 平安科技(深圳)有限公司 | 图像篡改检测方法及装置 |
CN107123089A (zh) * | 2017-04-24 | 2017-09-01 | 中国科学院遥感与数字地球研究所 | 基于深度卷积网络的遥感图像超分辨重建方法及系统 |
CN107194398A (zh) * | 2017-05-10 | 2017-09-22 | 平安科技(深圳)有限公司 | 车损部位的识别方法及系统 |
CN107766791A (zh) * | 2017-09-06 | 2018-03-06 | 北京大学 | 一种基于全局特征和粗粒度局部特征的行人再识别方法及装置 |
CN108229379A (zh) * | 2017-12-29 | 2018-06-29 | 广东欧珀移动通信有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
CN108346125A (zh) * | 2018-03-15 | 2018-07-31 | 中山大学 | 一种基于生成对抗网络的空域图像隐写方法及系统 |
CN108376235A (zh) * | 2018-01-15 | 2018-08-07 | 深圳市易成自动驾驶技术有限公司 | 图像检测方法、装置及计算机可读存储介质 |
CN108491835A (zh) * | 2018-06-12 | 2018-09-04 | 常州大学 | 面向面部表情识别的双通道卷积神经网络 |
US20180285686A1 (en) * | 2017-03-28 | 2018-10-04 | Facebook, Inc. | Generating Refined Object Proposals Using Deep-Learning Models |
CN108764046A (zh) * | 2018-04-26 | 2018-11-06 | 平安科技(深圳)有限公司 | 车辆损伤分类模型的生成装置、方法及计算机可读存储介质 |
US20180350110A1 (en) * | 2017-05-31 | 2018-12-06 | Samsung Electronics Co., Ltd. | Method and device for processing multi-channel feature map images |
CN108961245A (zh) * | 2018-07-06 | 2018-12-07 | 西安电子科技大学 | 基于双通道深度并行卷积网络的图像质量分类方法 |
CN109086678A (zh) * | 2018-07-09 | 2018-12-25 | 天津大学 | 一种基于深度监督学习提取图像多级特征的行人检测方法 |
CN109754393A (zh) * | 2018-12-19 | 2019-05-14 | 众安信息技术服务有限公司 | 一种基于深度学习的篡改图像鉴定方法及装置 |
CN109858462A (zh) * | 2019-02-21 | 2019-06-07 | 武汉纺织大学 | 一种基于卷积神经网络的织物识别方法及系统 |
CN109919915A (zh) * | 2019-02-18 | 2019-06-21 | 广州视源电子科技股份有限公司 | 基于深度学习的视网膜眼底图像异常区域检测方法及设备 |
-
2019
- 2019-07-03 CN CN201910594923.7A patent/CN110378254B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017062776A (ja) * | 2015-09-04 | 2017-03-30 | 株式会社東芝 | 構造物に対する変化を検出するための方法、装置およびコンピュータ可読媒体 |
CN105787878A (zh) * | 2016-02-25 | 2016-07-20 | 杭州格像科技有限公司 | 一种美颜处理方法及装置 |
CN105787458A (zh) * | 2016-03-11 | 2016-07-20 | 重庆邮电大学 | 基于人工设计特征和深度学习特征自适应融合的红外行为识别方法 |
CN106846303A (zh) * | 2016-12-30 | 2017-06-13 | 平安科技(深圳)有限公司 | 图像篡改检测方法及装置 |
US20180285686A1 (en) * | 2017-03-28 | 2018-10-04 | Facebook, Inc. | Generating Refined Object Proposals Using Deep-Learning Models |
CN107123089A (zh) * | 2017-04-24 | 2017-09-01 | 中国科学院遥感与数字地球研究所 | 基于深度卷积网络的遥感图像超分辨重建方法及系统 |
CN107194398A (zh) * | 2017-05-10 | 2017-09-22 | 平安科技(深圳)有限公司 | 车损部位的识别方法及系统 |
US20180350110A1 (en) * | 2017-05-31 | 2018-12-06 | Samsung Electronics Co., Ltd. | Method and device for processing multi-channel feature map images |
CN107766791A (zh) * | 2017-09-06 | 2018-03-06 | 北京大学 | 一种基于全局特征和粗粒度局部特征的行人再识别方法及装置 |
CN108229379A (zh) * | 2017-12-29 | 2018-06-29 | 广东欧珀移动通信有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
CN108376235A (zh) * | 2018-01-15 | 2018-08-07 | 深圳市易成自动驾驶技术有限公司 | 图像检测方法、装置及计算机可读存储介质 |
CN108346125A (zh) * | 2018-03-15 | 2018-07-31 | 中山大学 | 一种基于生成对抗网络的空域图像隐写方法及系统 |
CN108764046A (zh) * | 2018-04-26 | 2018-11-06 | 平安科技(深圳)有限公司 | 车辆损伤分类模型的生成装置、方法及计算机可读存储介质 |
CN108491835A (zh) * | 2018-06-12 | 2018-09-04 | 常州大学 | 面向面部表情识别的双通道卷积神经网络 |
CN108961245A (zh) * | 2018-07-06 | 2018-12-07 | 西安电子科技大学 | 基于双通道深度并行卷积网络的图像质量分类方法 |
CN109086678A (zh) * | 2018-07-09 | 2018-12-25 | 天津大学 | 一种基于深度监督学习提取图像多级特征的行人检测方法 |
CN109754393A (zh) * | 2018-12-19 | 2019-05-14 | 众安信息技术服务有限公司 | 一种基于深度学习的篡改图像鉴定方法及装置 |
CN109919915A (zh) * | 2019-02-18 | 2019-06-21 | 广州视源电子科技股份有限公司 | 基于深度学习的视网膜眼底图像异常区域检测方法及设备 |
CN109858462A (zh) * | 2019-02-21 | 2019-06-07 | 武汉纺织大学 | 一种基于卷积神经网络的织物识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
LIU, Y等: "Multi-Channel Pose-Aware Convolution Neural Networks for Multi-View Facial Expression Recognition", 《2018 13TH IEEE INTERNATIONAL CONFERENCE ON AUTOMATIC FACE & GESTURE RECOGNITION》 * |
王虹: "多特征融合的细粒度图像检索算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381775A (zh) * | 2020-11-06 | 2021-02-19 | 厦门市美亚柏科信息股份有限公司 | 一种图像篡改检测方法、终端设备及存储介质 |
CN112381775B (zh) * | 2020-11-06 | 2023-02-21 | 厦门市美亚柏科信息股份有限公司 | 一种图像篡改检测方法、终端设备及存储介质 |
CN112529040A (zh) * | 2020-11-16 | 2021-03-19 | 深圳壹账通智能科技有限公司 | 模型生成的方法、装置、电子设备及介质 |
WO2022100387A1 (zh) * | 2020-11-16 | 2022-05-19 | 深圳壹账通智能科技有限公司 | 模型生成的方法、装置、电子设备及介质 |
CN113129261A (zh) * | 2021-03-11 | 2021-07-16 | 重庆邮电大学 | 一种基于双流卷积神经网络的图像篡改检测方法 |
CN113342488A (zh) * | 2021-05-25 | 2021-09-03 | 上海商汤智能科技有限公司 | 任务处理方法及装置、电子设备和存储介质 |
WO2022247110A1 (zh) * | 2021-05-25 | 2022-12-01 | 上海商汤智能科技有限公司 | 任务处理方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110378254B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378254A (zh) | 车损图像修改痕迹的识别方法、系统、电子设备及存储介质 | |
Qi et al. | Convolutional neural network based detection and judgement of environmental obstacle in vehicle operation | |
CN106295646B (zh) | 一种基于深度学习的车牌字符分割方法和装置 | |
CN105849747B (zh) | 用于人脸图像识别的方法和系统 | |
CN106358444B (zh) | 用于面部验证的方法和系统 | |
CN110728330A (zh) | 基于人工智能的对象识别方法、装置、设备及存储介质 | |
CN106845487A (zh) | 一种端到端的车牌识别方法 | |
CN107679490A (zh) | 用于检测图像质量的方法和装置 | |
CN107688819A (zh) | 车辆的识别方法及装置 | |
CN107657249A (zh) | 多尺度特征行人重识别的方法、装置、存储介质及处理器 | |
CN111611874B (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
CN105590102A (zh) | 一种基于深度学习的前车车脸识别方法 | |
CN109145766A (zh) | 模型训练方法、装置、识别方法、电子设备及存储介质 | |
CN107679997A (zh) | 医疗理赔拒付方法、装置、终端设备及存储介质 | |
CN106875007A (zh) | 用于语音欺骗检测的基于卷积长短期记忆端对端深度神经网络 | |
CN110363238A (zh) | 智能车辆定损方法、系统、电子设备及存储介质 | |
CN105005760A (zh) | 一种基于有限混合模型的行人再识别方法 | |
Hossain et al. | Recognition and solution for handwritten equation using convolutional neural network | |
CN106874913A (zh) | 一种菜品检测方法 | |
CN110287888A (zh) | 一种台标识别方法及系统 | |
CN110119980A (zh) | 一种用于信贷的反欺诈方法、装置、系统和记录介质 | |
CN110135389A (zh) | 人脸属性识别方法及装置 | |
CN111488940A (zh) | 一种基于深度卷积神经网络的航标图像智能分类方法 | |
CN112925899B (zh) | 排序模型建立方法、案件线索推荐方法、装置及介质 | |
CN109977131A (zh) | 一种房型匹配系统 |
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 |