CN110490214A - 图像的识别方法及系统、存储介质及处理器 - Google Patents

图像的识别方法及系统、存储介质及处理器 Download PDF

Info

Publication number
CN110490214A
CN110490214A CN201810457675.7A CN201810457675A CN110490214A CN 110490214 A CN110490214 A CN 110490214A CN 201810457675 A CN201810457675 A CN 201810457675A CN 110490214 A CN110490214 A CN 110490214A
Authority
CN
China
Prior art keywords
image
mentioned
matrix
gray level
sample
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
CN201810457675.7A
Other languages
English (en)
Other versions
CN110490214B (zh
Inventor
张帆
刘永亮
黄继武
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.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding 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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201810457675.7A priority Critical patent/CN110490214B/zh
Publication of CN110490214A publication Critical patent/CN110490214A/zh
Application granted granted Critical
Publication of CN110490214B publication Critical patent/CN110490214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种图像的识别方法及系统、存储介质及处理器。其中，该方法包括：获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；使用预设模型对上述图像特征进行分析，得到上述目标图像的类型，其中，上述预设模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型。本申请解决了采用现有的图像的识别方法对纸质翻拍图像进行识别，准确率和实用性较低的技术问题。

Description

图像的识别方法及系统、存储介质及处理器
技术领域
本申请涉及图像处理领域，具体而言，涉及一种图像的识别方法及系统、存储介质及处理器。
背景技术
数字图像是指通过数字成像设备拍摄得到的一种图像数据，由于数字图像可以记录真实世界中真实事件，因此，数字图像常见于司法取证、支付认证等重要领域，对此，数字图像的可信度也越来越受到社会的关注。
例如，在数字图像作为司法证据的情况下，若存在一些不法分子将数字图像进行篡改后或因为其他目的对图像进行翻拍，以掩盖图像被篡改的痕迹或者其他处理痕迹，因此，需要对数字图像是否被二次图像翻拍进行识别。
现有的图像的识别方法中，存在如下几种相对有效的识别方法：
方法一，首先用镜面反射分量和漫反射分量表示一张图片，然后通过分析证明，自然图像的镜面反射分量和总图像的比值和翻拍图像的存在区别，而且翻拍图像的镜面反射比值的梯度直方图为类瑞利分布，而自然图像的则为类高斯分布。
方法二，根据数字图像的高阶小波统计特征(HoWS,High-order WaveletStatistics)，来区分非自然图像与自然图像。
方法三，利用常用的物理特征来对自然图像和翻拍图像进行分类，例如，背景的上下文信息、表面梯度、镜面反射量的空间分布、翻拍前后的颜色直方图、色度、模糊度以及对比度等等。
方法四，根据翻拍图像过程类似于JPEG双重压缩的过程，通过检测图像的二次压缩可以区分翻拍图像与自然图像，因此提出了一种从图像的R分量DCT系数提取MBFDF特征(MBFDF_R-DCT)的方法，以及另一种从图像的Y分量DCT系数提取MBFDF(MBFDF_Y-DCT)特征的方法，以及根据马尔科夫(Markov)转移概率来检测翻拍图像，也可以区分出翻拍图像与自然图像。
但是，上述二次图像翻拍鉴别方案中还存在一些明显不足，例如，每种方法所使用的图像都是在一个图像库内进行实验，一个图像库内的图像很容易存在一定的相关性，致使同样的方法在检测其他图像库的图像时，尤其是对训练使用的图像库以外的图像的识别时，采用现有的图像的识别方法对纸质翻拍图像进行识别，准确率较低且鉴别成本较高，因此上述几种鉴别方法无法有效应用到实际生活中。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种图像的识别方法及系统、存储介质及处理器，以至少解决采用现有的图像的识别方法对纸质翻拍图像进行识别，准确率和实用性较低的技术问题。
根据本申请实施例的一个方面，提供了一种图像的识别方法，包括：获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；使用预设模型对上述图像特征进行分析，得到上述目标图像的类型，其中，上述预设模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型。
根据本申请实施例的另一方面，提供了一种图像的识别方法，包括：获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；使用预设模型对上述图像特征进行分析，得到上述目标图像的类型，其中，上述预设模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型；上述样本图像的图像特征为对第三图像特征和第四图像特征融合后得到的图像特征，上述第三图像特征为从样本对象的彩色图像提取的图像特征，上述第四图像特征为从上述样本对象的灰度图像提取的图像特征。
根据本申请实施例的另一方面，提供了一种图像的识别方法，包括：获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；依据上述图像特征确定上述目标图像的类型。
根据本申请实施例的另一方面，提供了一种存储介质，上述存储介质包括存储的程序，其中，在上述程序运行时控制上述存储介质所在设备执行任意一项上述的图像的识别方法。
根据本申请实施例的另一方面，提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行任意一项上述的图像的识别方法。
根据本申请实施例的另一方面，提供了一种图像的识别系统，包括：处理器；以及存储器，与上述处理器连接，用于为上述处理器提供处理以下处理步骤的指令：获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；使用预设模型对上述图像特征进行分析，得到上述目标图像的类型，其中，上述预设模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型。
在本申请实施例中，采用依据预设模型分析目标图像的图像特征的方式，通过获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；使用预设模型对上述图像特征进行分析，得到上述目标图像的类型，其中，上述预设模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型，达到了提高识别纸质翻拍图像的准确率和实用性的目的，从而实现了增强数字图像的可信度的技术效果，进而解决了采用现有的图像的识别方法对纸质翻拍图像进行识别，准确率和实用性较低的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种用于实现图像的识别方法的计算机终端(或移动设备)的硬件结构框图；
图2是根据本申请实施例的一种图像的识别方法的流程图；
图3是根据本申请实施例的一种可选的图像的识别方法的流程图；
图4是根据本申请实施例的一种可选的图像的识别方法的流程图；
图5是根据本申请实施例的一种可选的图像的识别方法的流程图；
图6是根据本申请实施例的另一种图像的识别方法的流程图；
图7是根据本申请实施例的另一种图像的识别方法的流程图；
图8是根据本申请实施例的一种图像的识别装置的结构示意图；
图9是根据本申请实施例的另一种图像的识别装置的结构示意图；以及
图10是根据本申请实施例的又一种图像的识别装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
原始图像：是指采用图像采集设备直接对真实景物进行拍摄得到的图像数据。
纸质翻拍图像：指将原始图像在纸张(例如，A4纸)上彩印出来，再对彩印出来的图像进行拍摄得到的图像，也即，二次图像翻拍得到的图像。
JPEG彩色图像：JPEG为一种国际静态图像压缩标准下的图像文件格式，采用有损压缩的方式去除冗余的图像数据，在获得极高的压缩率的同时可以展现十分丰富生动的图像，即采用最少的磁盘空间得到较好的图像品质；JPEG彩色图像即为JPEG格式的彩色图像。
残差图像：是指以某种残差为纵坐标，以其他适宜的量为横坐标的散点图，在本申请实施例中，残差图像可以为图像与滤波器卷积后得到的图像。
局部二值模式(Local Binary Patterns，即LBP)：是将一个小区域内的中心像素点与区域内其他的像素点进行比较，若区域内某位置的像素值大于中心像素值则将该位置的值置为1，若区域内某位置的像素值小于中心像素值则将该位置的值置为0。
ILBP：是指一种改进的局部二值模式LBP，可以用于将一个小区域内包括中心像素点在内的所有像素点与这些像素点的平均值进行比较，其中，LBP为线性反投影算法。
共生矩阵：是指对图像上单个像素具有某个灰度进行统计的结果，而灰度共生矩阵是对图像上保持某距离的两像素分别具有某灰度的状况进行统计得到的，因而，上述共生矩阵可以用于指示像素之间的联合概率密度，反映像素之间的位置分布特性。
特征融合：指将两种或两种以上的特征并在一起，最终得到一个特征，例如，一个特征是[1234]，另一个特征是[567]，则特征融合处理后，得到的特征是[1234567]。
分类器(Ensemble)：指一种集成分类器，可以包括多个相互独立的子分类器，其中，最终的分类结果可以为采用多数判决的方法，对所有子分类器的分类结果进行处理得到的。
实施例1
根据本申请实施例，提供了一种图像的识别方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例1所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现图像的识别方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的确定模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的图像的识别方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的漏洞检测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
随着网络技术的不断发展，电子设备、数码相机等数字图像获取设备以及各种图像编辑软件的逐步完善，互联网作为人们生活、工作和学习的基础工具，已经是人们日常生活必不可少的一部分，因此，存在于互联网上的数字图像的真实性变的更加重要。篡改后的图像将会给社会带来很大的负面影响，尤其是新闻、政治、科研、司法等领域。
数字图像大多是通过数字成像设备拍摄的，最常用的拍摄设备是数码相机或手机。而翻拍图像指的是一种特殊的情况，图像拍摄设备拍摄的景物本身就是图像，经过拍摄设备处理后得到的图像。这种情况下，被拍摄的对象图像一般有两种形式：显示在电子显示屏上的图像或是冲印后的图像。
需要说明的是，在本申请实施例中，本申请所提供的图像的识别方法，可以但不限于应用于以下场景中：冲印后的图像的二次翻拍取证和识别，例如，应用在需要识别图像是原始图像还是纸质翻拍图像的图像取证领域。
此外，本申请实施例中提供的任意一种图像的识别方法，可以应用于识别用户上传的图像证据是否是原始图像，还可以应用在人脸识别打卡机中，作为一种使用软件的方法来识别人脸识别打卡机的摄像头前是真实的员工人脸。
数字图像取证和识别的目的在于，在对图像没有任何先验知识的前提下，可以判断出图像是否经过篡改，从而确定图像是否真实可靠。图像篡改不仅使得我们对图像失去了信任，还失去了图像记录真实世界中的真实事件的作用，因此，对图像真实性及完整性的鉴定至关重要。因此，对数字图像取证和识别技术的研究变的越来越迫切和有意义。
例如，在数字图像作为一种司法证据存在时，若有些不法分子将图像进行篡改后或因为其他目的对图像进行翻拍，以掩盖图像被篡改的痕迹或者其他处理痕迹，则需要对图像原始性和真实性进行识别。基于本申请提供的图像的识别方法，可以辅助识别人员(例如，司法鉴定人员)快速准确的识别图像是原始冲印后的图像还是纸质翻拍图像，可以帮助识别人员识别出纸质翻拍等非原始图像，从一定程度上提高了司法证据的原始性和真实性。
此外，在人脸图像识别的过程中，例如，人脸识别打卡机在对员工进行考勤时，通过识别人脸识别打卡机的摄像头前是真实的员工人脸，还是该员工的人脸照片，可以有效防止代打卡的问题，依据本申请实施例中提供的图像的识别方法，可以识别摄像头拍摄得到的图像是原始图像还是纸质翻拍图像，有效降低了识别的成本，且提高了识别的准确性。
在上述运行环境下，本申请提供了如图2所示的一种图像的识别方法。图2是根据本申请实施例的一种图像的识别方法的流程图，如图2所示，本申请实施例所提供的图像的识别方法可以通过如下方法步骤实现：
步骤S202，获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征。
可选的，在上述步骤S202中，上述目标图像可以为数字图像，例如，通过数码相机、智能手机等数字成像设备拍摄得到的图像数据，可以用于对真实世界中的真实事件进行记录。
可选的，上述图像特征可以为纹理特征，用于描述图像的表面性质，可以表示物体表面具有的周期性变化或缓慢变化，体现了物体表面结构的属性。
需要说明的是，在本申请实施例中，提取上述纹理特征的主要目标为：提取得到的纹理特征的维数较低，但其稳健性较好、鉴别能力较强、并且提取特征的过程中计算量尽可能小，可以在实际中应用。
其中，上述纹理特征中的纹理信息与灰度、颜色等其他图像特征不同，它可以由像素和像素周围空间的邻域分布表现出来，现阶段比较常用的纹理分析的方法，主要可以分为以下四种类型：统计型纹理特征、结构型纹理特征、信号处理型纹理特征以及模型型纹理特征。
作为一种可选的实施例，上述目标对象的灰度图像可以但不限于通过以下方式确定：对上述目标对象的彩色图像进行灰度化处理，得到上述灰度图像。由于灰度图像是对彩色图像进行灰度化处理得到的，因此，上述灰度图像中三个通道分量的值是相同的，这样，可以减少计算量。
在一种可选的实施例中，上述彩色图像为拍摄设备直接对目标对象(可以为拍摄设备所拍摄的对象，例如，真实景物或事物)进行拍摄得到的原始图像，可选的，该彩色图像可以为JPEG彩色图像。
在另一种可选的实施例中，上述灰度图像为通过转换处理上述JPEG彩色图像得到的纸质翻拍图像，例如，灰度化处理，可以通过在打印彩色图像之后再对打印纸件进行拍摄，得到的纸质翻拍图像。其中，拍摄设备获取的彩色图像大多为JPEG图像格式，而对灰度图像纹理信息的提取则需要预先将JPEG图像转换为灰度图像。
需要说明的是，在本申请实施例中，上述目标图像的类型可以包括但不限于：原始图像、纸质翻拍图像，本申请所提供的图像的识别方法可以用于对上述目标图像的类型进行识别，以确定上述目标图像为原始图像或纸质翻拍图像。
在一种可选的实施例中，上述第一图像特征为样本对象的彩色图像提取的彩色图像纹理特征，本申请可以通过如下方式从上述目标对象的彩色图像中提取第一图像特征：采用多个滤波器组中的滤波器分别与上述彩色图像的R通道分量、G通道分量和B通道分量依次进行卷积，得到图像残差；依据上述图像残差获取与上述预设滤波器组中的滤波器一一对应的纹理矩阵；基于上述纹理矩阵确定上述第一图像特征。
在另一种可选的实施例中，上述第二图像特征为从上述目标对象的灰度图像提取的灰度纹理特征，本申请实施例中可以通过如下方式从上述灰度图像中提取第二图像特征：将预设滤波器组中的滤波器分别与上述灰度图像依次进行卷积，得到图像残差；依据上述图像残差获取与上述预设滤波器组中的滤波器一一对应的纹理矩阵；基于上述纹理矩阵确定上述第二图像特征。
基于上述可选的实施例，在从上述目标对象的彩色图像提取第一图像特征，以及从上述灰度图像提取第二图像特征之后，通过将第一图像特征和第二图像特征进行融合。
在本申请所提供的可选实施例中，可以但不限于通过以下方式，对第一图像特征和第二图像特征进行融合：将第一图像特征和第二图像特征进行合并，得到上述图像特征。
步骤S204，使用预设模型对上述图像特征进行分析，得到上述目标图像的类型，其中，上述预设模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型。
可选的，上述预设模型包括：采用多个分类器集成得到的分类模型。其中，上述分类器可以为任一种类型的分类器，包括但不限于Ensemble分类器。
在一种可选的实施例中，上述样本图像的图像特征为对第三图像特征和第四图像特征融合后得到的图像特征，其中，上述第三图像特征为从样本对象的彩色图像提取的图像特征，上述第四图像特征为从上述样本对象的灰度图像提取的图像特征。
作为一种可选的实施方式，上述第三图像特征为样本对象的彩色图像提取的彩色图像纹理特征，上述第四图像特征为从样本对象的灰度图像提取的灰度纹理特征。
需要说明的是，在本申请上述实施例中，预先选取部分样本对象的彩色图像和灰度图像作为训练图像，例如，可以预先从样本对象的彩色图像提取第三图像特征，从上述样本对象的灰度图像提取第四图像特征，通过将第三图像特征和第四图像特征进行融合，得到上述样本图像的图像特征，以及对应的样本图像的类型，完成对上述预设模型的训练。
进而，在本申请实施例中，可以将目标图像的图像特征作为上述预设模型的输入，使用预设模型对上述图像特征进行分析，得到上述目标图像的类型。
基于上述实施例所限定的方案可以获知，本申请采用依据预设模型分析目标图像的图像特征的方式，通过获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；使用预设模型对上述图像特征进行分析，得到上述目标图像的类型，其中，上述预设模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型。
通过本申请上述实施例所提供的方案，达到了提高识别纸质翻拍图像的准确率和实用性的目的，从而实现了增强数字图像的可信度的技术效果，进而解决了采用现有的图像的识别方法对纸质翻拍图像进行识别，准确率和实用性较低的技术问题。
以下通过一种可选的实施例，对本申请所提供的图像的识别方法进行解释说明：在实现本申请实施例的应用场景中，可以但不限于应用两个图像库存储图像，其中，图像库1中可以存储有10000张彩色图像(原始图像)，以及10000张灰度图像(纸质翻拍图像)，图像库2中存储有10000张彩色图像，以及10000张灰度图像。
需要说明的是，在上述图像库1和图像库2中，所有图像的大小可以但不限于均为512*512，图像库1和图像库2中的图像数据的来源多种多样，可以为室外场景图像、室内场景图像、人物图像等等。
相比较现有技术中的同一图像库相关性较大，或一个图像库内的图像相似性较高，在将其识别方法应用到实际情况下时，存在识别准确性和实用性较低的技术问题。本申请实施例中所选用的图像库1和图像库2之间几乎没有任何相关性，同一个图像库内的图像也具有较好的多样性，因此，在本申请所提供的图像的识别方法实施例中，可以有效的提高识别准确性和实用性。
本申请实施例中所选用的分类器可以为Ensemble分类器，依据上述Ensemble分类器进行分类时使用的图像特征及识别结果如下所示：
下表1中展示了本申请实施例中所提供的图像识别方法，对同一图像库内的目标图像的图像特征进行识别的准确率结果，可选的，本申请实施例中，可以但不限于随机选取图像库1中5000张彩色图像和5000张灰度图像训练预设模型，选取图像库1剩余的5000张彩色图像和剩余的5000张灰度图像进行识别测试。
其中，本申请实施例中的同一图像库内的识别准确率，以及与现有技术中同一图像库内进行目标图像的图像特征识别的识别准确率，具体如下表1所示：
表1
依据上表1可以看出，即使处于同等条件下(同一图像库内的目标图像的图像特征进行识别)，本申请实施例中的识别准确率，明显高于现有的识别方法的识别准确率。
下表2中展示了本申请实施例中的图像识别方法，对跨图像库(例如，两个或两个以上的图像库)的目标图像的图像特征进行识别的准确率结果，可选的，本申请实施例中，可以但不限于使用图像库1中的10000张彩色图像和10000张灰度图像训练预设模型，使用图像库2中的10000张彩色图像和10000张灰度图像进行识别测试。其中，跨图像库的识别准确率如下表2所示：
表2
特征(Features) 准确率(Accuracy)
局部二值模式提取的图像特征 83.05
旋转局部二值模式提取的图像特征 86.85
改进的局部二值模式TLBP提取的图像特征 88.15
改进的局部二值模式ILBP提取的图像特征 89.85
由上表2的识别结果可以看出，在跨图像库实验的识别结果中，本申请的识别准确率可以达到89.85％，现有的其他算法并没有明确列举出跨图像库的实验性能，但在重现实验中，即采用现有的算法使用本申请的两个图像库进行目标图像的识别，现有算法的识别准确率远低于本申请的识别准确率。因此可以看出，本申请的实际应用性相对较强。
在一种可选的实施例中，图3是根据本申请实施例的一种可选的图像的识别方法的流程图，如图3所示，上述第一图像特征还可以通过以下方式确定：
步骤S302，将预设滤波器组中的滤波器分别与上述彩色图像的R通道分量、G通道分量和B通道分量依次进行卷积，得到图像残差。
在一种可选的实施例中，在本申请实施例中，可以将彩色图像输入预设滤波器组中的滤波器中，多个滤波器分别与JPEG彩色图像的R通道分量、G通道分量、B通道分量进行卷积，得到与滤波器一一对应的彩色图像的图像残差。
可选的，上述预设滤波器组可以为任意多个滤波器，例如，包括但不限于11个滤波器，对应得到11个图像残差，其中，上述滤波器可以为高通滤波器。
需要说明的是，本申请对预设滤波器组中滤波器的数量并不具体限定，可以依据具体实际识别的目标图像的类型，或者用户需求进行确定。
步骤S304，依据上述图像残差获取与上述预设滤波器组中的滤波器一一对应的纹理矩阵。
在上述步骤S304中，可以根据ILBP纵向纹理分析方法，对每一个彩色图像的图像残差进行分析，得到与滤波器一一对应的纹理矩阵。
需要说明的是，本申请实施例中的ILBP为改进的局部二值模式ILBP，其中，上述改进的局部二值模式ILBP的定义式可以为如下所示：
其中，R为选取的邻域半径，P是选取的邻域中除中心像素点以外的点的个数，R为选取的邻域半径，p是变量值，p＝0，1，2，3，…..P-1，gc表示中心像素点的值，gp为第p个像素对应的灰度值。
步骤S306，基于上述纹理矩阵确定上述第一图像特征。
在一种可选的实施例中，上述步骤S306，基于上述纹理矩阵确定上述第一图像特征，可以通过如下方法步骤实现：
步骤S3062，对上述纹理矩阵使用共生矩阵进行分析，得到共生矩阵；
步骤S3064，对上述共生矩阵进行降维处理，得到上述第一图像特征。
具体的，上述共生矩阵可以描述像素之间的分布特性，因而，可以采用截断处理后的共生矩阵的统计联合概率作为灰度图像的统计特征。
需要说明的是，由于像素与像素之间的距离增大，像素与像素之间的相关性会相应减弱，因此，本申请实施例中可以选用水平方向和垂直方向来构造像素的四阶共生矩阵，并对得到的四阶共生矩阵降维化简处理，并对得到的所有的灰度图像统计矩阵，按照行的顺序将统计矩阵依次排列成一行，得到了灰度图像特征。
在一种可选的实施例中，在得到上述彩色图像的纹理矩阵的情况下，可以对每个彩色图像的纹理矩阵进行截断处理，并使用四阶共生矩阵进行统计分析，得到与上述纹理矩阵数量对应的四阶共生矩阵，并在根据对称性分别将上述四阶共生矩阵进行降维化简处理之后，将所有降维化简处理之后得到的矩阵排成一行，得到上述第一图像特征。
其中，上述截断处理是指判断上述纹理矩阵中的元素值是否属于预设取值区间[a,b]；并依据判断结果对上述纹理矩阵的元素值进行以下处理：保留属于上述预设取值区间[a,b]中的元素值；以及将小于a的元素值修改为a，将大于b的元素值修改为b。
需要说明的是，本申请所提供的图像识别方法不直接对彩色图像进行处理，而是选择对高通滤波后的图像进行处理，使得本申请对图片内容的依赖性小，图像的纹理信息更加突出，有利于提升算法的性能。
仍需要说明的是，对彩色图像中的R通道分量、G通道分量和B通道分量依次进行卷积处理的过程中，本申请并不是单独对每个通道分量进行考虑，而是考虑二次翻拍对每个通道分量之间的影响。
此外，本申请所提供的可选实施例中，不限于依靠通道分量之间的相关系数以及能量比率来进行判断，还可以基于较高维度的图像特征，使用纵向ILBP分析的方法，更加全面的提取通道分量之间的信息，并且，本申请实施例中还对滤波器进行预处理，得到滤波组合。因此，本申请实施例中所提供的图像识别方法不仅在一个图像库内表现的性能比较好，在两个或者两个以上图像库(也即相当于现实情况)中，所表现出的性能相对于现有技术依然良好。
作为一种可选的实施例，若滤波器为F，在上述滤波器组包括11个滤波器的情况下，则上述11个滤波器分别可以表示为：
F1＝D1
F2＝D2
F3＝D5
F4＝min(D2,D4)
F5＝max(D2,D4)
F6＝min(D2,D3)
F7＝max(D2,D3)
F8＝min(D4,D5)
F9＝max(D4,D5)
F10＝min(D2,D3,D4,D5)
F11＝max(D2,D3,D4,D5)
其中：
D1＝a11*X(i-1,j-1)+a12*X(i-1,j)+a13*X(i-1,j+1)+a21*X(i,j-1)+a22*X(i,j)+a23*X(i,j+1)+a31*X(i+1,j-1)+a32*X(i+1,j)+a33*X(i+1,j+1)；
D2＝a11*X(i-1,j-1)+a12*X(i-1,j)+a13*X(i-1,j+1)+a21*X(i,j-1)+a22*X(i,j)+a23*X(i,j+1)；
D3＝a21*X(i,j-1)+a22*X(i,j)+a23*X(i,j+1)+a31*X(i+1,j-1)+a32*X(i+1,j)+a33*X(i+1,j+1)；
D4＝a11*X(i-1,j-1)+a12*X(i-1,j)+a21*X(i,j-1)+a22*X(i,j)+a31*X(i+1,j-1)+a32*X(i+1,j)；
D5＝a12*X(i-1,j)+a13*X(i-1,j+1)+a22*X(i,j)+a23*X(i,j+1)+a32*X(i+1,j)+a33*X(i+1,j+1)；
需要说明的是，本申请实施例中上述a11-a33的取值可以为如下所示：
a11＝-1，a12＝2，a13＝-1，a21＝2，a22＝-4，a23＝2，a31＝-1，a32＝2，a33＝-1；灰度图像X的像素值表示为X＝(Xij)∈{0,...,255}，即Xij表示在(i,j)位置的灰度值。
基于上述可选的实施例，本申请实施例中通过选择若干个性能较好的滤波器，并将这些滤波器进行组合得到预设滤波器组，再将预设滤波器组中的滤波器分别与上述彩色图像的R通道分量、G通道分量和B通道分量依次进行卷积，得到图像残差，可以显著提升滤波器的卷积效果。
在本申请实施例中，可以首先使用滤波器组合与灰度图像卷积得到图像残差，再对图像残差进行分析，其中，本申请还可以对灰度图像进行高通滤波操作，进而使图像中的纹理特征信息更加突出，减少图像内容对算法性能的影响。
在一种可选的实施例中，可以但不限于通过以下方式确定上述第一图像特征：
获取上述彩色图像的R通道分量、G通道分量和B通道分量之间的相关性信息，其中，上述相关性信息用于指示R通道分量、G通道分量和B通道分量之间的特征信息。
需要说明的是，上述相关性信息不限于依靠通道分量之间的相关系数以及能量比率来进行判断，还包括使用了较高维度的特征，例如可以采用ILBP纵向纹理分析方法，(具体参见本申请实施例中关于ILBP纵向纹理分析的相关描述，此处不再赘述)进而可以更加全面的提取通道分量之间的信息。
在另一种可选的实施例中，图4是根据本申请实施例的一种可选的图像的识别方法的流程图，如图4所示，上述第二图像特征通过以下方式确定：
步骤S402，将预设滤波器组中的滤波器分别与上述目标对象的灰度图像依次进行卷积，得到图像残差。
在一种可选的实施例中，在本申请实施例中，可以将上述灰度图像输入预设滤波器组中的滤波器中，多个滤波器分别与彩色图像的R通道分量、G通道分量、B通道分量进行卷积，得到与滤波器一一对应的灰度图像的图像残差。
可选的，上述预设滤波器组可以为若干个滤波器，例如，包括但不限于11个滤波器，对应得到11个图像残差，其中，上述预设滤波器可以与步骤S302中的预设滤波器相同，即两者为同一滤波器，还可以与上述预设滤波器不同。
需要说明的是，本申请通过对若干个滤波器进行组合得到滤波器组的方式，可以有效提高本申请实施例中算法的性能。
步骤S404，依据上述图像残差获取与上述预设滤波器组中的滤波器一一对应的纹理矩阵。
需要说明的是，上述步骤S404中，根据ILBP横向纹理分析方法，对每一个灰度图像的图像残差进行分析，得到与滤波器一一对应的纹理矩阵。
此外，在上述步骤S404中，还可以采用除上述方法之外的其他可选方式，获取与上述预设滤波器组中的滤波器一一对应的纹理矩阵，本申请对此并不限定。
步骤S406，基于上述纹理矩阵确定上述第二图像特征。
在一种可选的实施例中，上述步骤S406中，在得到上述灰度图像的纹理矩阵的情况下，可以对每个灰度图像的纹理矩阵进行截断处理，并使用四阶共生矩阵进行统计分析，得到上述纹理矩阵数量对应的四阶共生矩阵，将根据对称性分别将上述四阶共生矩阵进行降维化简处理之后，将所有降维化简后的矩阵排成一行，得到上述第二图像特征。
在一种可选的实施例中，在上述步骤S3062，即对上述纹理矩阵使用共生矩阵进行分析，得到共生矩阵之前，上述方法还包括如下方法步骤：
步骤S3060，判断上述纹理矩阵中的元素值是否属于预设取值区间[a,b]；
步骤S3061，依据判断结果对上述纹理矩阵的元素值进行以下处理：保留属于上述预设取值区间[a,b]中的元素值；以及将小于a的元素值修改为a，将大于b的元素值修改为b。
作为一种可选的实施例，在彩色图像的纹理矩阵中，上述a包括但不限于为4，上述b包括但不限于为8；通过实验统计上述彩色图像的纹理矩阵中的元素值，在属于预设取值区间[4,8]时，彩色图像与纸质翻拍图像的统计差距很大，变化明显，因此，在本申请实施例中，可以但不限于选取纹理矩阵中的元素值属于预设取值区间[4,8]的彩色图像。
其中，在上述可选的实施例中，在判断上述纹理矩阵中的元素值不属于预设取值区间[4,8]的情况下，保留属于上述预设取值区间[4,8]中的元素值；以及将小于4的元素值修改为4，将大于8的元素值修改为8。
作为一种可选的实施例，在灰度图像的纹理矩阵中，上述a包括但不限于为15，上述b包括但不限于为19；通过实验统计上述灰度图像的纹理矩阵中的元素值，在属于预设取值区间[15,19]时，彩色图像与纸质翻拍图像的统计差距很大，变化明显，因此，在本申请实施例中，可以但不限于选取纹理矩阵中的元素值属于预设取值区间[15,19]的彩色图像。
其中，在判断上述纹理矩阵中的元素值不属于预设取值区间[15,19]的情况下，保留属于上述预设取值区间[15,19]中的元素值；以及将小于15的元素值修改为15，将大于19的元素值修改为19。
需要说明的是，本申请实施例中的上述预设取值区间[a,b]中a和b的取值，可以但不限于上述实施例中所列举的内容，还可以根据实际情况和用户需求进行取值，本申请对此并不具体限定。
在一种可选实施例中，本申请所提供的图像的识别方法，可以先依据滤波器组分别对上述彩色图像进行预处理，得到彩色图像的图像残差，再使用ILBP纵向纹理分析方法，对上述图像残差进行纹理分析；依据滤波器组分别对上述目标对象的灰度图像进行预处理，得到灰度图像的图像残差，再使用ILBP横向纹理分析方法，获取与上述预设滤波器组中的滤波器一一对应的纹理矩阵，并分别对得到的纹理矩阵进行截断处理，使用四阶共生矩阵进行统计分析，得到上述纹理矩阵数量对应的四阶共生矩阵，将根据对称性分别将上述四阶共生矩阵进行降维化简处理之后，将所有降维化简后的矩阵排成一行，得到上述第一图像特征和第二图像特征。
基于现有技术中彩色图像的图像特征提取效果差的问题，本申请针对性提出了在提取第一图像特征的情况下采用ILBP纵向纹理分析方法，以及在提取第二图像特征的情况下采用ILBP横向纹理分析方法的实现方式，有效的捕捉到了图像彩色通道之间的纹理特征关系，因而进一步确定了最能提升算法性能的预设取值区间。
在一种可选的实施例中，上述纹理矩阵包括：三维矩阵，其中该三维矩阵中的每一维度与上述R通道分量、G通道分量和B通道分量中的其中之一对应。
图5是根据本申请实施例的一种可选的图像的识别方法的流程图，如图5所示，依据上述图像残差获取与上述滤波器中的滤波器一一对应的纹理矩阵，包括：
步骤S502，将上述三维矩阵中同一位置、不同通道分量的点作为一列，将同一通道分量的一列作为一行，得到同一通道分量的行数个二维矩阵。
在上述可选的实施例中，上述三维矩阵中的每一维度与上述R通道分量、G通道分量和B通道分量中的其中之一对应。
作为一种可选的实施例，可以依据上述ILBP纵向纹理分析方法对三维矩阵进行分析，以上述不同通道分量的数量为8为例，由于彩色图像有R、G、B三个通道分量，因此，卷积后得到的矩阵为三维矩阵，本申请实施例将同一位置、不同通道分量的点作为一列，将同一通道分量的一列作为一行，得到同一通道分量的行数个二维矩阵，对每个矩阵选取半径为1，周围8个通道分量的点，对其使用ILBP，最后得到一个新的矩阵。
以上述三维矩阵为512*512*3的矩阵为例，在本申请实施例中，可以将该三维矩阵纵向分解为512个512*3的二维矩阵，对每一个512*3的二维矩阵使用ILBP纵向纹理分析方法进行分析，选取半径为1，周围8个通道分量的点，得到512个510*1的矩阵，再删除矩阵中的单一维，将得到的结果组成一个新的二维矩阵，即最终得到一个510*512的二维矩阵。
步骤S504，对于每个二维矩阵，选择半径为m的邻域，对其使用改进的局部二值模式ILBP进行分析处理，得到上述纹理矩阵，其中，m为常数。
在上述步骤S504中，上述m可以为2，但并不局限于此，在本申请实施例中，上述m可以根据具体情况和用户需求进行取值，本申请并不具体限定。
作为另一种可选的实施例，可以依据上述ILBP横向纹理分析方法对二维矩阵进行分析，以上述m为2、不同通道分量的数量为16为例，例如，上述二维矩阵为512*512的矩阵，选用半径为2，周围16个通道分量的点，依据ILBP横向纹理分析方法对该二维矩阵进行分析之后，可以得到508*508的纹理矩阵。
实施例2
与上述实施例1中所描述的运行环境相同或相似，在上述运行环境下，根据本申请实施例，还提供了如图6所示的一种图像的识别方法的实施例。需要说明的是，本申请实施例2所提供的方法实施例可以在图1所示的计算机终端10(或移动设备10)或者类似的运算装置中执行。
图6是根据本申请实施例的另一种图像的识别方法的流程图，如图6所示，本申请实施例所提供的图像的识别方法可以通过如下方法步骤实现：
步骤S602，获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；
可选的，在上述步骤S602中，上述目标图像可以为数字图像，例如，通过数码相机、智能手机等数字成像设备拍摄得到的图像数据，可以用于对真实世界中的真实事件进行记录。
可选的，上述图像特征可以为纹理特征，上述图像特征用于描述图像的表面性质，可以表示物体表面具有的周期性变化或缓慢变化，体现了物体表面结构的属性。
需要说明的是，提取纹理特征的主要目标为：提取得到的纹理特征的维数较低，但其稳健性较好、鉴别能力较强、并且提取特征的过程中计算量尽可能小，可以在实际中应用。
其中，上述纹理特征中的纹理信息与灰度、颜色等其他图像特征不同，它可以由像素和像素周围空间的邻域分布表现出来，现阶段比较常用的纹理分析的方法，主要可以分为以下四种类型：统计型纹理特征、结构型纹理特征、信号处理型纹理特征以及模型型纹理特征。
作为一种可选的实施例，上述目标对象的灰度图像可以但不限于通过以下方式确定：对上述目标对象的彩色图像进行灰度化处理，得到上述灰度图像。由于灰度图像是对彩色图像进行灰度化处理得到的，因此，上述灰度图像中三个通道分量的值是相同的，这样，可以减少计算量。
在一种可选的实施例中，上述彩色图像为拍摄设备直接对目标对象(可以为拍摄设备所拍摄的对象，例如，真实景物或事物)进行拍摄得到的原始图像，可选的，该彩色图像可以为JPEG彩色图像。
在另一种可选的实施例中，上述灰度图像为通过转换处理上述JPEG彩色图像得到的纸质翻拍图像，例如，灰度化处理，可以通过在打印彩色图像之后再对打印纸件进行拍摄，得到的纸质翻拍图像。其中，拍摄设备获取的彩色图像大多为JPEG图像格式，而对灰度图像纹理信息的提取则需要预先将JPEG图像转换为灰度图像。
需要说明的是，在本申请实施例中，上述目标图像的类型可以包括但不限于：原始图像、纸质翻拍图像，本申请所提供的图像的识别方法可以用于对上述目标图像的类型进行识别，以确定上述目标图像为原始图像或纸质翻拍图像。
在一种可选的实施例中，上述第一图像特征为样本对象的彩色图像提取的彩色图像纹理特征，本申请可以通过如下方式从上述目标对象的彩色图像中提取第一图像特征：采用多个滤波器组中的滤波器分别与上述彩色图像的R通道分量、G通道分量和B通道分量依次进行卷积，得到图像残差；依据上述图像残差获取与上述预设滤波器组中的滤波器一一对应的纹理矩阵；基于上述纹理矩阵确定上述第一图像特征。
在另一种可选的实施例中，上述第二图像特征为从上述目标对象的灰度图像提取的灰度纹理特征，本申请实施例中可以通过如下方式从上述目标对象的灰度图像中提取第二图像特征：将预设滤波器组中的滤波器分别与上述目标对象的灰度图像依次进行卷积，得到图像残差；依据上述图像残差获取与上述预设滤波器组中的滤波器一一对应的纹理矩阵；基于上述纹理矩阵确定上述第二图像特征。
基于上述可选的实施例，在从上述目标对象的彩色图像提取第一图像特征，以及从上述目标对象的灰度图像提取第二图像特征之后，通过将第一图像特征和第二图像特征进行融合。
在本申请所提供的可选实施例中，可以但不限于通过以下方式，对第一图像特征和第二图像特征进行融合：将第一图像特征和第二图像特征进行合并，得到上述图像特征。
步骤S604，使用预设模型对上述图像特征进行分析，得到上述目标图像的类型，其中，上述预设模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型；上述样本图像的图像特征为对第三图像特征和第四图像特征融合后得到的图像特征，上述第三图像特征为从样本对象的彩色图像提取的图像特征，上述第四图像特征为从上述样本对象的灰度图像提取的图像特征。
可选的，上述预设模型包括：采用多个分类器集成得到的分类模型。其中，上述分类器可以为任一种类型的分类器，包括但不限于Ensemble分类器。
在一种可选的实施例中，上述样本图像的图像特征为对第三图像特征和第四图像特征融合后得到的图像特征，其中，上述第三图像特征为从样本对象的彩色图像提取的图像特征，上述第四图像特征为从上述样本对象的灰度图像提取的图像特征。
其中，上述第三图像特征为样本对象的彩色图像提取的彩色图像纹理特征，上述第四图像特征为从上述样本对象的灰度图像提取的灰度纹理特征。
需要说明的是，在本申请上述实施例中，预先选取部分样本对象的彩色图像和灰度图像作为训练图像，例如，可以预先从样本对象的彩色图像提取第三图像特征，从上述目标对象的灰度图像提取第四图像特征，通过将第三图像特征和第四图像特征进行融合，得到上述样本图像的图像特征，以及对应的样本图像的类型，完成对上述预设模型的训练。
进而，可以将目标图像的图像特征作为上述预设模型的输入，使用预设模型对上述图像特征进行分析，得到上述目标图像的类型。
基于上述实施例所限定的方案可以获知，本申请采用依据预设模型分析目标图像的图像特征的方式，通过获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；使用预设模型对上述图像特征进行分析，得到上述目标图像的类型，其中，上述预设模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型。
通过本申请上述实施例所提供的方案，达到了提高识别纸质翻拍图像的准确率和实用性的目的，从而实现了增强数字图像的可信度的技术效果，进而解决了采用现有的图像的识别方法对纸质翻拍图像进行识别，准确率和实用性较低的技术问题。
需要说明的是，本实施例的优选实施方式可以参见实施例1中的相关描述，此处不再赘述。
实施例3
与上述实施例1中所描述的运行环境相同或相似，在上述运行环境下，根据本申请实施例，还提供了如图7所示的一种图像的识别方法的实施例。需要说明的是，本申请实施例3所提供的方法实施例可以在图1所示的计算机终端10(或移动设备10)或者类似的运算装置中执行。
图7是根据本申请实施例的另一种图像的识别方法的流程图，如图7所示，本申请实施例所提供的图像的识别方法可以通过如下方法步骤实现：
步骤S702，获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；
可选的，在上述步骤S702中，上述目标图像可以为数字图像，例如，通过数码相机、智能手机等数字成像设备拍摄得到的图像数据，可以用于对真实世界中的真实事件进行记录。
可选的，上述图像特征可以为纹理特征，上述图像特征用于描述图像的表面性质，可以表示物体表面具有的周期性变化或缓慢变化，体现了物体表面结构的属性。
需要说明的是，提取纹理特征的主要目标为：提取得到的纹理特征的维数较低，但其稳健性较好、鉴别能力较强、并且提取特征的过程中计算量尽可能小，可以在实际中应用。
其中，上述纹理特征中的纹理信息与灰度、颜色等其他图像特征不同，它可以由像素和像素周围空间的邻域分布表现出来，现阶段比较常用的纹理分析的方法，主要可以分为以下四种类型：统计型纹理特征、结构型纹理特征、信号处理型纹理特征以及模型型纹理特征。
作为一种可选的实施例，上述目标对象的灰度图像可以但不限于通过以下方式确定：对上述目标对象的彩色图像进行灰度化处理，得到上述灰度图像。由于灰度图像是对彩色图像进行灰度化处理得到的，因此，上述灰度图像中三个通道分量的值是相同的，这样，可以减少计算量。
在一种可选的实施例中，上述彩色图像为拍摄设备直接对目标对象(可以为拍摄设备所拍摄的对象，例如，真实景物或事物)进行拍摄得到的原始图像，可选的，该彩色图像可以为JPEG彩色图像。
在另一种可选的实施例中，上述灰度图像为通过转换处理上述JPEG彩色图像得到的纸质翻拍图像，例如，灰度化处理，可以通过在打印彩色图像之后再对打印纸件进行拍摄，得到的纸质翻拍图像。其中，拍摄设备获取的彩色图像大多为JPEG图像格式，而对灰度图像纹理信息的提取则需要预先将JPEG图像转换为灰度图像。
需要说明的是，在本申请实施例中，上述目标图像的类型可以包括但不限于：原始图像、纸质翻拍图像，本申请所提供的图像的识别方法可以用于对上述目标图像的类型进行识别，以确定上述目标图像为原始图像或纸质翻拍图像。
在一种可选的实施例中，上述第一图像特征为样本对象的彩色图像提取的彩色图像纹理特征，本申请可以通过如下方式从上述目标对象的彩色图像中提取第一图像特征：采用多个滤波器组中的滤波器分别与上述彩色图像的R通道分量、G通道分量和B通道分量依次进行卷积，得到图像残差；依据上述图像残差获取与上述预设滤波器组中的滤波器一一对应的纹理矩阵；基于上述纹理矩阵确定上述第一图像特征。
在另一种可选的实施例中，上述第二图像特征为从上述目标对象的灰度图像提取的灰度纹理特征，本申请实施例中可以通过如下方式从上述灰度图像中提取第二图像特征：将预设滤波器组中的滤波器分别与上述灰度图像依次进行卷积，得到图像残差；依据上述图像残差获取与上述预设滤波器组中的滤波器一一对应的纹理矩阵；基于上述纹理矩阵确定上述第二图像特征。
基于上述可选的实施例，在从上述目标对象的彩色图像提取第一图像特征，以及从上述目标对象的灰度图像提取第二图像特征之后，通过将第一图像特征和第二图像特征进行融合。
在本申请所提供的可选实施例中，可以但不限于通过以下方式，对第一图像特征和第二图像特征进行融合：将第一图像特征和第二图像特征进行合并，得到上述图像特征。
步骤S704，依据上述图像特征确定上述目标图像的类型。
在上述步骤S704中，作为一种可选的实施例，本申请可以但不限于通过如下方式确定上述目标图像的类型：使用预设模型对上述图像特征进行分析，得到上述目标图像的类型，其中，上述预设模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型。
可选的，上述预设模型包括：采用多个分类器集成得到的分类模型。其中，上述分类器可以为任一种类型的分类器，包括但不限于Ensemble分类器。
在一种可选的实施例中，上述样本图像的图像特征为对第三图像特征和第四图像特征融合后得到的图像特征，其中，上述第三图像特征为从样本对象的彩色图像提取的图像特征，上述第四图像特征为从上述样本对象的灰度图像提取的图像特征。
其中，上述第三图像特征为样本对象的彩色图像提取的彩色图像纹理特征，上述第四图像特征为从上述样本对象的灰度图像提取的灰度纹理特征。
需要说明的是，在本申请上述实施例中，预先选取部分样本对象的彩色图像和灰度图像作为训练图像，例如，可以预先从样本对象的彩色图像提取第三图像特征，从上述样本对象的灰度图像提取第四图像特征，通过将第三图像特征和第四图像特征进行融合，得到上述样本图像的图像特征，以及对应的样本图像的类型，完成对上述预设模型的训练。
进而，可以将目标图像的图像特征作为上述预设模型的输入，使用预设模型对上述图像特征进行分析，得到上述目标图像的类型。
基于上述实施例所限定的方案可以获知，本申请采用依据预设模型分析目标图像的图像特征的方式，通过获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；使用预设模型对上述图像特征进行分析，得到上述目标图像的类型，其中，上述预设模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型。
通过本申请上述实施例所提供的方案，达到了提高识别纸质翻拍图像的准确率和实用性的目的，从而实现了增强数字图像的可信度的技术效果，进而解决了采用现有的图像的识别方法对纸质翻拍图像进行识别，准确率和实用性较低的技术问题。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例上述的方法。
需要说明的是，本实施例的优选实施方式可以参见实施例1和2中的相关描述，此处不再赘述。
实施例4
根据本申请实施例，还提供了一种用于实施上述图像的识别方法的图像的识别装置的实施例，图8是根据本申请实施例的一种图像的识别装置的结构示意图，如图8所示，该装置包括：第一获取模块80、第一确定模块82，其中：
第一获取模块80，用于获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；第一确定模块82，用于使用预设模型对上述图像特征进行分析，得到上述目标图像的类型，其中，上述预设模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型。
此处需要说明的是，上述第一获取模块80、第一确定模块82对应于实施例1中的步骤S202至步骤S204，两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
仍需要说明的是，本实施例的优选实施方式可以参见实施例1、2、3中的相关描述，此处不再赘述。
实施例5
根据本申请实施例，还提供了另一种用于实施上述图像的识别方法的图像的识别装置的实施例，图9是根据本申请实施例的另一种图像的识别装置的结构示意图，如图9所示，该装置包括：第二获取模块90、第二确定模块92，其中：
第二获取模块90，用于获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；第二确定模块92，用于使用预设模型对上述图像特征进行分析，得到上述目标图像的类型，其中，上述预设模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型；上述样本图像的图像特征为对第三图像特征和第四图像特征融合后得到的图像特征，上述第三图像特征为从样本对象的彩色图像提取的图像特征，上述第四图像特征为从上述目标对象的灰度图像提取的图像特征。
此处需要说明的是，上述第二获取模块90、第二确定模块92对应于实施例2中的步骤S602至步骤S604，两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例2所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
仍需要说明的是，本实施例的优选实施方式可以参见实施例1、2、3中的相关描述，此处不再赘述。
实施例6
根据本申请实施例，还提供了又一种用于实施上述图像的识别方法的图像的识别装置的实施例，图10是根据本申请实施例的又一种图像的识别装置的结构示意图，如图10所示，该装置包括：第三获取模块101、第三确定模块103，其中：
第三获取模块101，用于获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；第三确定模块103，依据上述图像特征确定上述目标图像的类型。
此处需要说明的是，上述第三获取模块101、第三确定模块103对应于实施例3中的步骤S702至步骤S704，两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例3所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
仍需要说明的是，本实施例的优选实施方式可以参见实施例1、2、3中的相关描述，此处不再赘述。
实施例7
根据本申请的实施例，还提供一种计算机终端的实施例，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备，例如，可以为如图1所示的计算机终端10。
此处需要说明的是，在一些可选实施例中，上述图1所示的计算机终端10可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机终端10中的部件的类型。
在本实施例中，上述计算机终端可以执行应用程序的图像的识别方法中以下步骤的程序代码：获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；使用预设模型对上述图像特征进行分析，得到上述目标图像的类型，其中，上述预设模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型。
可选的，仍如图1所示，该计算机终端10可以包括：一个或多个处理器、存储器、以及显示装置等。
可选的，上述处理器还可以执行如下步骤的程序代码：将预设滤波器组中的滤波器分别与上述彩色图像的R通道分量、G通道分量和B通道分量依次进行卷积，得到图像残差；依据上述图像残差获取与上述预设滤波器组中的滤波器一一对应的纹理矩阵；基于上述纹理矩阵确定上述第一图像特征。
可选的，上述处理器还可以执行如下步骤的程序代码：对上述纹理矩阵使用共生矩阵进行分析，得到共生矩阵；对上述共生矩阵进行降维处理，得到上述第一图像特征。
可选的，上述处理器还可以执行如下步骤的程序代码：判断上述纹理矩阵中的元素值是否属于预设取值区间[a,b]；依据判断结果对上述纹理矩阵的元素值进行以下处理：保留属于上述预设取值区间[a,b]中的元素值；以及将小于a的元素值修改为a，将大于b的元素值修改为b。
可选的，上述处理器还可以执行如下步骤的程序代码：将上述三维矩阵中同一位置、不同通道分量的点作为一列，将同一通道分量的一列作为一行，得到同一通道分量的行数个二维矩阵；对于每个二维矩阵，选择半径为m的邻域，对其使用改进的局部二值模式ILBP进行分析处理，得到上述纹理矩阵，其中，m为常数。
可选的，上述处理器还可以执行如下步骤的程序代码：将预设滤波器组中的滤波器分别与上述目标对象的灰度图像依次进行卷积，得到图像残差；依据上述图像残差获取与上述预设滤波器组中的滤波器一一对应的纹理矩阵；基于上述纹理矩阵确定上述第二图像特征。
可选的，上述处理器还可以执行如下步骤的程序代码：获取上述彩色图像的R通道分量、G通道分量和B通道分量之间的相关性信息，其中，上述相关性信息用于指示R通道分量、G通道分量和B通道分量之间的特征信息。
可选的，上述处理器还可以执行如下步骤的程序代码：对上述目标对象的彩色图像进行灰度化处理，得到上述灰度图像。
可选的，上述处理器还可以执行如下步骤的程序代码：将第一图像特征和第二图像特征进行合并，得到上述图像特征。
在本实施例中，上述计算机终端可以执行应用程序的图像的识别方法中以下步骤的程序代码：获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；使用预设模型对上述图像特征进行分析，得到上述目标图像的类型，其中，上述预设模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型；上述样本图像的图像特征为对第三图像特征和第四图像特征融合后得到的图像特征，上述第三图像特征为从样本对象的彩色图像提取的图像特征，上述第四图像特征为从上述样本对象的灰度图像提取的图像特征。
在本实施例中，上述计算机终端可以执行应用程序的图像的识别方法中以下步骤的程序代码：获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；依据上述图像特征确定上述目标图像的类型。
采用本申请实施例，提供了一种图像的识别的方案。通过获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；使用预设模型对上述图像特征进行分析，得到上述目标图像的类型，其中，上述预设模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型，从而达到了提高识别纸质翻拍图像的准确率和实用性的目的，进而解决了采用现有的图像的识别方法对纸质翻拍图像进行识别，准确率和实用性较低的技术问题。
本领域普通技术人员可以理解，图1所示的结构仅为示意，计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices，MID)、PAD等终端设备。图1其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图1所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。
实施例8
根据本申请的实施例，还提供了一种存储介质的实施例。可选地，在本实施例中，上述存储介质可以用于保存上述实施例1至3中所提供的图像的识别方法所执行的程序代码。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；使用预设模型对上述图像特征进行分析，得到上述目标图像的类型，其中，上述预设模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：将预设滤波器组中的滤波器分别与上述彩色图像的R通道分量、G通道分量和B通道分量依次进行卷积，得到图像残差；依据上述图像残差获取与上述预设滤波器组中的滤波器一一对应的纹理矩阵；基于上述纹理矩阵确定上述第一图像特征。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：对上述纹理矩阵使用共生矩阵进行分析，得到共生矩阵；对上述共生矩阵进行降维处理，得到上述第一图像特征。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：判断上述纹理矩阵中的元素值是否属于预设取值区间[a,b]；依据判断结果对上述纹理矩阵的元素值进行以下处理：保留属于上述预设取值区间[a,b]中的元素值；以及将小于a的元素值修改为a，将大于b的元素值修改为b。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：将上述三维矩阵中同一位置、不同通道分量的点作为一列，将同一通道分量的一列作为一行，得到同一通道分量的行数个二维矩阵；对于每个二维矩阵，选择半径为m的邻域，对其使用改进的局部二值模式ILBP进行分析处理，得到上述纹理矩阵，其中，m为常数。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：将预设滤波器组中的滤波器分别与上述目标对象的灰度图像依次进行卷积，得到图像残差；依据上述图像残差获取与上述预设滤波器组中的滤波器一一对应的纹理矩阵；基于上述纹理矩阵确定上述第二图像特征。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；使用预设模型对上述图像特征进行分析，得到上述目标图像的类型，其中，上述预设模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型；上述样本图像的图像特征为对第三图像特征和第四图像特征融合后得到的图像特征，上述第三图像特征为从样本对象的彩色图像提取的图像特征，上述第四图像特征为从上述样本对象的灰度图像提取的图像特征。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；依据上述图像特征确定上述目标图像的类型。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取上述彩色图像的R通道分量、G通道分量和B通道分量之间的相关性信息，其中，上述相关性信息用于指示R通道分量、G通道分量和B通道分量之间的特征信息。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：对上述目标对象的彩色图像进行灰度化处理，得到上述灰度图像。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：将第一图像特征和第二图像特征进行合并，得到上述图像特征。
实施例9
根据本申请实施例，提供了一种图像的识别系统的实施例，包括：处理器；以及存储器，与上述处理器连接，用于为上述处理器提供处理以下处理步骤的指令：获取目标图像的图像特征，其中，上述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，上述第一图像特征为从上述目标对象的彩色图像提取的图像特征，上述第二图像特征为从上述目标对象的灰度图像提取的图像特征；使用预设模型对上述图像特征进行分析，得到上述目标图像的类型，其中，上述预设模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型。
其中，上述处理器可以但不限于为如图1所示的计算机终端10中的处理器102；上述存储器可以但不限于为如图1所示的计算机终端10中的存储器104。
仍需要说明的是，本实施例的优选实施方式可以参见实施例7、8中的相关描述，此处不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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，在本申请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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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，本申请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全部或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(可为个人计算机、服务器或者网络设备等)执行本申请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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (16)

1.一种图像的识别方法，其特征在于，包括：
获取目标图像的图像特征，其中，所述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，所述第一图像特征为从目标对象的彩色图像提取的图像特征，所述第二图像特征为从所述目标对象的灰度图像提取的图像特征；
使用预设模型对所述图像特征进行分析，得到所述目标图像的类型，其中，所述预设模型为使用多组数据通过机器学习训练得到的，所述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型。
2.根据权利要求1所述的方法，其特征在于，所述第一图像特征通过以下方式确定：
将预设滤波器组中的滤波器分别与所述彩色图像的R通道分量、G通道分量和B通道分量依次进行卷积，得到图像残差；
依据所述图像残差获取与所述预设滤波器组中的滤波器一一对应的纹理矩阵；
基于所述纹理矩阵确定所述第一图像特征。
3.根据权利要求2所述的方法，其特征在于，基于所述纹理矩阵确定所述第一图像特征，包括：
对所述纹理矩阵使用共生矩阵进行分析，得到共生矩阵；
对所述共生矩阵进行降维处理，得到所述第一图像特征。
4.根据权利要求3所述的方法，其特征在于，对所述纹理矩阵使用共生矩阵进行分析，得到共生矩阵之前，所述方法还包括：
判断所述纹理矩阵中的元素值是否属于预设取值区间[a,b]；
依据判断结果对所述纹理矩阵的元素值进行以下处理：保留属于所述预设取值区间[a,b]中的元素值；以及将小于a的元素值修改为a，将大于b的元素值修改为b。
5.根据权利要求2所述的方法，其特征在于，所述纹理矩阵包括：三维矩阵，其中该三维矩阵中的每一维度与所述R通道分量、G通道分量和B通道分量中的其中之一对应；依据所述图像残差获取所述与所述滤波器中的滤波器一一对应的纹理矩阵，包括：
将所述三维矩阵中同一位置、不同通道分量的点作为一列，将同一通道分量的一列作为一行，得到同一通道分量的行数个二维矩阵；
对于每个二维矩阵，选择半径为m的邻域，对其使用改进的局部二值模式ILBP进行分析处理，得到所述纹理矩阵，其中，m为常数。
6.根据权利要求1所述的方法，其特征在于，所述第二图像特征通过以下方式确定：
将预设滤波器组中的滤波器分别与所述目标对象的灰度图像依次进行卷积，得到图像残差；
依据所述图像残差获取与所述预设滤波器组中的滤波器一一对应的纹理矩阵；
基于所述纹理矩阵确定所述第二图像特征。
7.根据权利要求1所述的方法，其特征在于，所述第一图像特征通过以下方式确定：
获取所述彩色图像的R通道分量、G通道分量和B通道分量之间的相关性信息，其中，所述相关性信息用于指示R通道分量、G通道分量和B通道分量之间的特征信息。
8.根据权利要求1所述的方法，其特征在于，所述目标对象的灰度图像通过以下方式确定：
对所述目标对象的彩色图像进行灰度化处理，得到所述灰度图像。
9.根据权利要求1所述的方法，其特征在于，对第一图像特征和第二图像特征通过以下方式进行融合：
将第一图像特征和第二图像特征进行合并，得到所述图像特征。
10.根据权利要求1至9中任意一项所述的方法，其特征在于，所述预设模型包括：采用多个分类器集成得到的分类模型。
11.根据权利要求1至9中任意一项所述的方法，其特征在于，所述样本图像的图像特征为对第三图像特征和第四图像特征融合后得到的图像特征，所述第三图像特征为从样本对象的彩色图像提取的图像特征，所述第四图像特征为从所述样本对象的灰度图像提取的图像特征。
12.一种图像的识别方法，其特征在于，包括：
获取目标图像的图像特征，其中，所述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，所述第一图像特征为从目标对象的彩色图像提取的图像特征，所述第二图像特征为从所述目标对象的灰度图像提取的图像特征；
使用预设模型对所述图像特征进行分析，得到所述目标图像的类型，其中，所述预设模型为使用多组数据通过机器学习训练得到的，所述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型；所述样本图像的图像特征为对第三图像特征和第四图像特征融合后得到的图像特征，所述第三图像特征为从样本对象的彩色图像提取的图像特征，所述第四图像特征为从所述样本对象的灰度图像提取的图像特征。
13.一种图像的识别方法，其特征在于，包括：
获取目标图像的图像特征，其中，所述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，所述第一图像特征为从目标对象的彩色图像提取的图像特征，所述第二图像特征为从所述目标对象的灰度图像提取的图像特征；
依据所述图像特征确定所述目标图像的类型。
14.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至13中任意一项所述的图像的识别方法。
15.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至13中任意一项所述的图像的识别方法。
16.一种图像的识别系统，其特征在于，包括：
处理器；以及
存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：
获取目标图像的图像特征，其中，所述图像特征为对第一图像特征和第二图像特征融合后得到的图像特征，所述第一图像特征为从目标对象的彩色图像提取的图像特征，所述第二图像特征为从所述目标对象的灰度图像提取的图像特征；
使用预设模型对所述图像特征进行分析，得到所述目标图像的类型，其中，所述预设模型为使用多组数据通过机器学习训练得到的，所述多组数据中的每组数据均包括：样本图像的图像特征和样本图像的类型。
CN201810457675.7A 2018-05-14 2018-05-14 图像的识别方法及系统、存储介质及处理器 Active CN110490214B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810457675.7A CN110490214B (zh) 2018-05-14 2018-05-14 图像的识别方法及系统、存储介质及处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810457675.7A CN110490214B (zh) 2018-05-14 2018-05-14 图像的识别方法及系统、存储介质及处理器

Publications (2)

Publication Number Publication Date
CN110490214A true CN110490214A (zh) 2019-11-22
CN110490214B CN110490214B (zh) 2023-05-02

Family

ID=68544887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810457675.7A Active CN110490214B (zh) 2018-05-14 2018-05-14 图像的识别方法及系统、存储介质及处理器

Country Status (1)

Country Link
CN (1) CN110490214B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111145233A (zh) * 2019-12-28 2020-05-12 镇江新一代信息技术产业研究院有限公司 一种图像分辨管理系统
CN111160374A (zh) * 2019-12-28 2020-05-15 深圳市越疆科技有限公司 一种基于机器学习的颜色识别方法及系统、装置
CN111160376A (zh) * 2019-12-31 2020-05-15 联想(北京)有限公司 一种信息处理方法、装置、电子设备和存储介质
CN111476729A (zh) * 2020-03-31 2020-07-31 北京三快在线科技有限公司 一种目标识别的方法及装置
CN111724376A (zh) * 2020-06-22 2020-09-29 陕西科技大学 一种基于纹理特征分析的纸病检测方法
CN113068037A (zh) * 2021-03-17 2021-07-02 上海哔哩哔哩科技有限公司 用于样点自适应补偿的方法及装置、设备和介质
CN113435515A (zh) * 2021-06-29 2021-09-24 青岛海尔科技有限公司 图片识别方法和装置、存储介质及电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914839A (zh) * 2014-03-27 2014-07-09 中山大学 一种基于隐写分析的图像拼接篡改检测方法及装置
CN104504368A (zh) * 2014-12-10 2015-04-08 成都品果科技有限公司 一种图像场景识别方法及系统
CN104598933A (zh) * 2014-11-13 2015-05-06 上海交通大学 一种基于多特征融合的图像翻拍检测方法
US20150139536A1 (en) * 2013-11-15 2015-05-21 Adobe Systems Incorporated Image Classification Using Images with Separate Grayscale and Color Channels
CN106446754A (zh) * 2015-08-11 2017-02-22 阿里巴巴集团控股有限公司 图像识别方法、度量学习方法、图像来源识别方法及装置
CN106683031A (zh) * 2016-12-30 2017-05-17 深圳大学 一种数字图像隐写分析特征提取方法及提取系统
CN106991451A (zh) * 2017-04-14 2017-07-28 武汉神目信息技术有限公司 一种证件图片的识别系统及方法
CN108171689A (zh) * 2017-12-21 2018-06-15 深圳大学 一种显示器屏幕图像翻拍的鉴定方法、装置及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150139536A1 (en) * 2013-11-15 2015-05-21 Adobe Systems Incorporated Image Classification Using Images with Separate Grayscale and Color Channels
CN103914839A (zh) * 2014-03-27 2014-07-09 中山大学 一种基于隐写分析的图像拼接篡改检测方法及装置
CN104598933A (zh) * 2014-11-13 2015-05-06 上海交通大学 一种基于多特征融合的图像翻拍检测方法
CN104504368A (zh) * 2014-12-10 2015-04-08 成都品果科技有限公司 一种图像场景识别方法及系统
CN106446754A (zh) * 2015-08-11 2017-02-22 阿里巴巴集团控股有限公司 图像识别方法、度量学习方法、图像来源识别方法及装置
CN106683031A (zh) * 2016-12-30 2017-05-17 深圳大学 一种数字图像隐写分析特征提取方法及提取系统
CN106991451A (zh) * 2017-04-14 2017-07-28 武汉神目信息技术有限公司 一种证件图片的识别系统及方法
CN108171689A (zh) * 2017-12-21 2018-06-15 深圳大学 一种显示器屏幕图像翻拍的鉴定方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张诚等: "基于Adaboost多特征融合的织物扫描图案识别", 《现代纺织技术》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111145233A (zh) * 2019-12-28 2020-05-12 镇江新一代信息技术产业研究院有限公司 一种图像分辨管理系统
CN111160374A (zh) * 2019-12-28 2020-05-15 深圳市越疆科技有限公司 一种基于机器学习的颜色识别方法及系统、装置
CN111160374B (zh) * 2019-12-28 2024-04-12 深圳市越疆科技有限公司 一种基于机器学习的颜色识别方法及系统、装置
CN111160376A (zh) * 2019-12-31 2020-05-15 联想(北京)有限公司 一种信息处理方法、装置、电子设备和存储介质
CN111160376B (zh) * 2019-12-31 2023-11-24 联想(北京)有限公司 一种信息处理方法、装置、电子设备和存储介质
CN111476729A (zh) * 2020-03-31 2020-07-31 北京三快在线科技有限公司 一种目标识别的方法及装置
CN111724376A (zh) * 2020-06-22 2020-09-29 陕西科技大学 一种基于纹理特征分析的纸病检测方法
CN111724376B (zh) * 2020-06-22 2024-02-13 陕西科技大学 一种基于纹理特征分析的纸病检测方法
CN113068037A (zh) * 2021-03-17 2021-07-02 上海哔哩哔哩科技有限公司 用于样点自适应补偿的方法及装置、设备和介质
CN113435515A (zh) * 2021-06-29 2021-09-24 青岛海尔科技有限公司 图片识别方法和装置、存储介质及电子设备
CN113435515B (zh) * 2021-06-29 2023-12-19 青岛海尔科技有限公司 图片识别方法和装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN110490214B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN110490214A (zh) 图像的识别方法及系统、存储介质及处理器
CN108596277B (zh) 一种车辆身份识别方法、装置和存储介质
CN111488756B (zh) 基于面部识别的活体检测的方法、电子设备和存储介质
CN108334848B (zh) 一种基于生成对抗网络的微小人脸识别方法
KR102449841B1 (ko) 타겟의 검측 방법 및 장치
EP3333768A1 (en) Method and apparatus for detecting target
US9633282B2 (en) Cross-trained convolutional neural networks using multimodal images
CN110349136A (zh) 一种基于深度学习的篡改图像检测方法
CN112801057B (zh) 图像处理方法、装置、计算机设备和存储介质
CN105574550A (zh) 一种车辆识别方法及装置
CN109948566B (zh) 一种基于权重融合与特征选择的双流人脸反欺诈检测方法
CN111814860A (zh) 一种面向垃圾分类的多目标检测方法
CN110852316A (zh) 一种采用密集结构卷积网络的图像篡改检测和定位方法
CN105654066A (zh) 一种车辆识别方法及装置
CN106682628B (zh) 一种基于多层深度特征信息的人脸属性分类方法
US20190236738A1 (en) System and method for detection of identity fraud
CN109858467B (zh) 一种基于关键点区域特征融合的人脸识别方法及装置
CN108171689A (zh) 一种显示器屏幕图像翻拍的鉴定方法、装置及存储介质
CN111275070B (zh) 一种基于局部特征匹配的签名验证方法及设备
CN108710893A (zh) 一种基于特征融合的数字图像相机源模型分类方法
CN111553422A (zh) 手术器械自动识别回收方法及系统
CN109325434A (zh) 一种多特征的概率主题模型的图像场景分类方法
CN115862113A (zh) 陌生人异常识别方法、装置、设备及存储介质
CN111027472A (zh) 一种基于视频光流和图像空间特征权重融合的视频识别方法
CN110751225A (zh) 图像分类方法、装置及存储介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40016346

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant