CN110704811A - 图片侵权检测方法及装置、存储介质 - Google Patents
图片侵权检测方法及装置、存储介质 Download PDFInfo
- Publication number
- CN110704811A CN110704811A CN201910828908.4A CN201910828908A CN110704811A CN 110704811 A CN110704811 A CN 110704811A CN 201910828908 A CN201910828908 A CN 201910828908A CN 110704811 A CN110704811 A CN 110704811A
- Authority
- CN
- China
- Prior art keywords
- picture
- similarity
- comparison
- detection
- model
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 82
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000013136 deep learning model Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 22
- 238000007689 inspection Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 238000012552 review Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/10—Protecting distributed programs or content, e.g. vending or licensing of copyrighted material ; Digital rights management [DRM]
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Bioinformatics & Computational Biology (AREA)
- Technology Law (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开一种图片侵权检测方法及装置、存储介质,其中方法包括如下步骤:基于CNN深度学习模型提取待检测图片的第一图片特征,计算第一图片特征与对照库中各第二图片特征的相似度分数;根据相似度分数对对照库中的对照图片进行相似度排序;采用SIFT算法模型对相似度排序中位于前N的对照图片进行二次特征提取和图片匹配,其中N为大于1的正整数;修改图片匹配上的对照图片的相似度分数,根据修改后的相似度分数与相似度告警阈值之间的关系输出预警提示信息。采用本发明,利用算法组合策略训练图片检索中的粗检和精检模型,可以对待检索的图片在粗检的基础上进一步精确检索,避免误检,提高检测结果的准确性。
Description
技术领域
本发明涉及图片相似性检测技术领域,尤其涉及一种图片侵权检测方法及装置、存储介质。
背景技术
随着人们对知识产权在各个领域的重视,人们对图片权益物化意识也逐渐增强,图片内容的保护显得尤为重要。为防止图片侵权,通常利用技术手段检测图片中的内容是否与现有版权图片相同或类似,进而避免侵权事件的发生,或者针为已发生的侵权提供证明。现有技术中,通常采用单一的图片检索算法,检测图片的侵权内容,在图片之间差别很小的情况下,单一算法的检测准确性还有待提高。
发明内容
本发明实施例提供一种图片侵权检测方法及装置、存储介质,利用算法组合策略训练图片检索中的粗检和精检模型,可以对待检索的图片在粗检的基础上进一步精确检索,避免误检,提高检测结果的准确性。
本发明实施例第一方面提供了一种图片侵权检测方法,可包括:
基于CNN深度学习模型提取待检测图片的第一图片特征,计算第一图片特征与对照库中各第二图片特征的相似度分数;
根据相似度分数对对照库中的对照图片进行相似度排序;
采用SIFT算法模型对相似度排序中位于前N的对照图片进行二次特征提取和图片匹配,其中N为大于1的正整数;
修改图片匹配上的对照图片的相似度分数,根据修改后的相似度分数与相似度告警阈值之间的关系输出预警提示信息。
进一步的,上述方法还包括:
基于算法组合策略训练不同场景下针对场景图像数据集的图片侵权检测模型,图片侵权检测模型包括用于图片粗检的CNN深度学习模型和用于图片精检的SIFT算法模型。
进一步的,上述方法还包括:
训练SIFT算法模型在进行二次特征提取和图片匹配时的特征点比对参数、输入图片的大小压缩比例以及相似度告警阈值。
进一步的,上述方法还包括:
对对照库中的对照图片进行比较筛选,并对比较筛选后得到的对照图片进行相似度排序。
进一步的,上述根据修改后的相似度分数与相似度告警阈值之间的关系输出预警提示信息,包括:
当修改后的相似度分数大于第一相似度告警阈值时,输出强预警提示信息;
当修改后的相似度分数大于第二相似度告警阈值且小于第一相似度阈值时,输出弱预警提示信息,用于提示测试人员进行二次人工审核。
本发明实施例第二方面提供了一种图片侵权检测装置,可包括:
分数计算模块,用于基于CNN深度学习模型提取待检测图片的第一图片特征,计算第一图片特征与对照库中各第二图片特征的相似度分数;
图片排序模块,用于根据相似度分数对对照库中的对照图片进行相似度排序;
图片精检模块,用于采用SIFT算法模型对相似度排序中位于前N的对照图片进行二次特征提取和图片匹配,其中N为大于1的正整数;
预警提示模块,用于修改图片匹配上的对照图片的相似度分数,根据修改后的相似度分数与相似度告警阈值之间的关系输出预警提示信息。
进一步的,上述装置还包括:
模型训练模块,用于基于算法组合策略训练不同场景下针对场景图像数据集的图片侵权检测模型,图片侵权检测模型包括用于图片粗检的CNN深度学习模型和用于图片精检的SIFT算法模型。
进一步的,上述模型训练模块,还用于训练SIFT算法模型在进行二次特征提取和图片匹配时的特征点比对参数、输入图片的大小压缩比例以及相似度告警阈值。
进一步的,上述图片排序模块,具体用于对对照库中的对照图片进行比较筛选,并对比较筛选后得到的对照图片进行相似度排序。
进一步的,上述预警提示模块包括:
强预警单元,用于当修改后的相似度分数大于第一相似度告警阈值时,输出强预警提示信息;
弱预警单元,用于当修改后的相似度分数大于第二相似度告警阈值且小于第一相似度阈值时,输出弱预警提示信息,用于提示测试人员进行二次人工审核。
本发明实施例第三方面提供了一种计算机存储介质,计算机存储介质存储有多条指令,指令适于由处理器加载并执行以下步骤:
基于CNN深度学习模型提取待检测图片的第一图片特征,计算第一图片特征与对照库中各第二图片特征的相似度分数;
根据相似度分数对对照库中的对照图片进行相似度排序;
采用SIFT算法模型对相似度排序中位于前N的对照图片进行二次特征提取和图片匹配,其中N为大于1的正整数;
修改图片匹配上的对照图片的相似度分数,根据修改后的相似度分数与相似度告警阈值之间的关系输出预警提示信息。
在本发明实施例中,基于CNN深度学习模型提取待检测图片的第一图片特征,计算第一图片特征与对照库中各第二图片特征的相似度分数,根据相似度分数对对照库中的对照图片进行相似度排序,采用SIFT算法模型对相似度排序中位于前N的对照图片进行二次特征提取和图片匹配,修改图片匹配上的对照图片的相似度分数,根据修改后的相似度分数与相似度告警阈值之间的关系输出预警提示信息。通过利用算法组合策略训练图片检索中的粗检和精检模型,在对待检索的图片在粗检的基础上进一步精确检索,避免了误检,提高了检测结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种图片侵权检测方法的流程示意图;
图2是本发明实施例提供的一种图片侵权检测装置的结构示意图;
图3是本发明实施例提供的预警提示模块的结构示意图;
图4是本发明实施例提供的另一种图片侵权检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含,术语“第一”和“第二”仅是为了区别命名,并不代表数字的大小或者排序。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本发明实施例涉及的图片侵权检测装置可以是具备数据分析处理能力的计算机。
如图1所示,图片侵权检测方法至少可以包括以下几个步骤:
S101,基于CNN深度学习模型提取待检测图片的第一图片特征,计算第一图片特征与对照库中各第二图片特征的相似度分数。
需要说明的是,在进行图片侵权检索之前,上述装置可以基于算法组合策略训练不同场景下针对场景图像数据集的图片侵权检测模型。其中,算法组合策略组合计算了粗检索和精检索中两次相似性判断分数;上述不同场景可以是整图侵权检测的场景、元素侵权检测的场景或者风格侵权检测的场景,不同场景下的场景图像数据集为在该场景下收集的盗用抄袭案例图片的集合。上述图片侵权检测模型可以包括粗检阶段的CNN深度学习模型和精检阶段使用的SIFT算法模型。进一步的,上述装置还可以在训练阶段训练SIFT算法模型在二次特征提取和图片匹配时的特征点比对参数、输入图片的大小压缩比例以及相似度告警阈值。
进一步的,训练好图片侵权检测模型后,装置可以爬取主流设计网站的图片,形成对照库,然后采用训练好的CNN模型提取对照库中对照图片的图片特征,将上述特征存储为特征数据库。
进一步的,当用户上传待检测图片后,装置可以基于CNN模型提取待检测图片的图片特征。需要说明的是,上述装置可以采用聚类的方式提取图片特征,即每张图片(对照图片或待检测图片)可以提取几十个特征点,为提高准确率对特征做聚类处理,将相似度较高的删除,留下具有代表意义的特征作为第一图片特征。需要说明的是,不论是待检测图片还是对照库中的对照图片在提取图片特征的过程均需要先进行特征提取,再进行特征聚类得到最终需要的图片特征。为便于区分,将待检测图片进行特征提取和特征聚类后得到的图片特征称为第一图片特征,将对照库中对照图片进行特征提取和特征聚类后得到的图片特征称为第二图片特征,其中第一和第二仅是为了区别命名,并不代表具体的数字大小或者排序。
进一步的,装置可以计算第一图片特征与特征数据库中所有对照图片的第二图片特征之间的相似度分数。
S102,根据相似度分数对对照库中的对照图片进行相似度排序。
具体的,上述装置可以根据相似度分数对对照库中的对照图片进行相似度排序。可以理解的是,装置在计算相似度分数以及进行相似度排序的过程中,可以采用流型数据学习的模式进行分析。
在可选实施例中,粗检阶段也可以对照库中的对照图片进行比较筛选,滤除掉一些与其他对照图片差别较大的对照图片,有效的缩小待排序的对照库的大小,避免不必要的排序,浪费计算机资源,例如,通过逐步筛选筛选出前N张作为精检索阶段的待比较图片。
可以理解的是,上述基于CNN的特征提取和相似度排序的过程可以是本申请中的粗检索过程,目的在于从百万张对照图片中找到与待检测图片相似度最高的图片。
S103,采用SIFT算法模型对相似度排序中位于前N的对照图片进行二次特征提取和图片匹配。
具体的,采用CNN对图片进行初步检索后,装置可以采用SIFT算法模型对相似度排序中位于前N的对照图片进行二次特征提取和图片匹配,其中N为大于1的正整数,例如可以是5,即装置可以对相似度分数排名前五的对照图片进行二次特征提取和匹配。可以理解的是,上述二次特征提取和匹配的过程相当于精检索的过程,通过精检索可以找到与待检测图片最相似的图片即匹配上的图片。
S104,修改图片匹配上的对照图片的相似度分数,根据修改后的相似度分数与相似度告警阈值之间的关系输出预警提示信息。
可以理解的是,装置可以对匹配上的对照图片的相似度分数进行修改,以确保在精检索之后该分数最能体现对照图片与待检测图片之间的相似度程度。进一步的,可以根据修改后的相似度分数与相似度告警阈值之间的关系输出预警提示信息。例如,当修改后的相似度分数大于第一相似度告警阈值时,装置可以输出强预警提示信息,即对于超过阈值A的,可以认为是“高侵权风险”图片,通过强预警直接禁止使用;当修改后的相似度分数大于第二相似度告警阈值且小于第一相似度阈值时,输出弱预警提示信息,即对于在阈值A和阈值B之间的,判定为“中等侵权风险”图片,通过弱预警提示测试人员进行二次人工审核判断是否需要禁用。可以理解的是,对于未超过阈值B的,可以判定为“未检测到侵权风险”不需要进行预警提示。优选的,第一相似度阈值A可以是80%,第二相似度阈值B可以是50%,即50%<图片相似度<80%,系统自动预警侵权风险,通过人为判断后图片仍可下载;相似度>80%,系统自动预警侵权风险,侵权图片不可下载。
在本发明实施例中,基于CNN深度学习模型提取待检测图片的第一图片特征,计算第一图片特征与对照库中各第二图片特征的相似度分数,根据相似度分数对对照库中的对照图片进行相似度排序,采用SIFT算法模型对相似度排序中位于前N的对照图片进行二次特征提取和图片匹配,修改图片匹配上的对照图片的相似度分数,根据修改后的相似度分数与相似度告警阈值之间的关系输出预警提示信息。通过利用算法组合策略训练图片检索中的粗检和精检模型,在对待检索的图片在粗检的基础上进一步精确检索,避免了误检,提高了检测结果的准确性。
下面将结合附图2和附图3,对本发明实施例提供的图片侵权检测装置进行详细介绍。需要说明的是,附图2和附图3所示的图片侵权检测装置,用于执行本发明图1所示实施例的方法,为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明图1所示的实施例。
请参见图2,为本发明实施例提供了一种图片侵权检测装置的结构示意图。如图2所示,本发明实施例的图片侵权检测装置10可以包括:分数计算模块101、图片排序模块102、图片精检模块103、预警提示模块104和模型训练模块105。其中,预警提示模块104如图3所示,包括强预警单元1041和弱预警单元1042。
分数计算模块101,用于基于CNN深度学习模型提取待检测图片的第一图片特征,计算第一图片特征与对照库中各第二图片特征的相似度分数。
图片排序模块102,用于根据相似度分数对对照库中的对照图片进行相似度排序。
在可选实施例中,图片排序模块102具体用于对对照库中的对照图片进行比较筛选,并对比较筛选后得到的对照图片进行相似度排序。
图片精检模块103,用于采用SIFT算法模型对相似度排序中位于前N的对照图片进行二次特征提取和图片匹配,其中N为大于1的正整数。
预警提示模块104,用于修改图片匹配上的对照图片的相似度分数,根据修改后的相似度分数与相似度告警阈值之间的关系输出预警提示信息。
需要说明的是,预警提示模块104可以包括:
强预警单元1041,用于当修改后的相似度分数大于第一相似度告警阈值时,输出强预警提示信息。
弱预警单元1042,用于当修改后的相似度分数大于第二相似度告警阈值且小于第一相似度阈值时,输出弱预警提示信息,用于提示测试人员进行二次人工审核。
需要说明的是,在进行图片检测之前,模型训练模块105用于基于算法组合策略训练不同场景下针对场景图像数据集的图片侵权检测模型,其中,图片侵权检测模型包括用于图片粗检的CNN深度学习模型和用于图片精检的SIFT算法模型。
具体实现中,模型训练模块105还用于训练SIFT算法模型在进行二次特征提取和图片匹配时的特征点比对参数、输入图片的大小压缩比例以及相似度告警阈值。
需要说明的是,本发明实施例的具体实现方式可以参见上述方法实施例的详细描述,此处不再赘述。
在本发明实施例中,基于CNN深度学习模型提取待检测图片的第一图片特征,计算第一图片特征与对照库中各第二图片特征的相似度分数,根据相似度分数对对照库中的对照图片进行相似度排序,采用SIFT算法模型对相似度排序中位于前N的对照图片进行二次特征提取和图片匹配,修改图片匹配上的对照图片的相似度分数,根据修改后的相似度分数与相似度告警阈值之间的关系输出预警提示信息。通过利用算法组合策略训练图片检索中的粗检和精检模型,在对待检索的图片在粗检的基础上进一步精确检索,避免了误检,提高了检测结果的准确性。
本发明实施例还提供了一种计算机存储介质,所述计算机存储介质可以存储有多条指令,所述指令适于由处理器加载并执行如上述图1所示实施例的方法步骤,具体执行过程可以参见图1所示实施例的具体说明,在此不进行赘述。
本申请实施例还提供了另外一种图片侵权检测装置。如图4所示,图片侵权检测装置20可以包括:至少一个处理器201,例如CPU、GPU,至少一个网络接口204,用户接口203,存储器205,至少一个通信总线202,可选地,还可以包括显示屏206。其中,通信总线202用于实现这些组件之间的连接通信。其中,用户接口203可以包括触摸屏、键盘或鼠标等等。网络接口204可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通过网络接口204可以与服务器建立通信连接。存储器205可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器,存储器205包括本发明实施例中的flash。存储器205可选的还可以是至少一个位于远离前述处理器201的存储系统。如图4所示,作为一种计算机存储介质的存储器205中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。
需要说明的是,网络接口204可以连接接收器、发射器或其他通信模块,其他通信模块可以包括但不限于WiFi模块、蓝牙模块等,可以理解,本发明实施例中图片侵权检测装置也可以包括接收器、发射器和其他通信模块等。
处理器201可以用于调用存储器205中存储的程序指令,并使图片侵权检测装置20执行以下操作:
基于CNN深度学习模型提取待检测图片的第一图片特征,计算第一图片特征与对照库中各第二图片特征的相似度分数;
根据相似度分数对对照库中的对照图片进行相似度排序;
采用SIFT算法模型对相似度排序中位于前N的对照图片进行二次特征提取和图片匹配,其中N为大于1的正整数;
修改图片匹配上的对照图片的相似度分数,根据修改后的相似度分数与相似度告警阈值之间的关系输出预警提示信息。
在一些实施例中,装置20还用于:
基于算法组合策略训练不同场景下针对场景图像数据集的图片侵权检测模型,图片侵权检测模型包括用于图片粗检的CNN深度学习模型和用于图片精检的SIFT算法模型。
在一些实施例中,装置20还用于:
训练SIFT算法模型在进行二次特征提取和图片匹配时的特征点比对参数、输入图片的大小压缩比例以及相似度告警阈值。
在一些实施例中,装置20还用于:
对照库中的对照图片进行比较筛选,并对比较筛选后得到的对照图片进行相似度排序。
在一些实施例中,装置20在根据修改后的相似度分数与相似度告警阈值之间的关系输出预警提示信息时,具体用于:
当修改后的相似度分数大于第一相似度告警阈值时,输出强预警提示信息;
当修改后的相似度分数大于第二相似度告警阈值且小于第一相似度阈值时,输出弱预警提示信息,用于提示测试人员进行二次人工审核。
在本发明实施例中,基于CNN深度学习模型提取待检测图片的第一图片特征,计算第一图片特征与对照库中各第二图片特征的相似度分数,根据相似度分数对对照库中的对照图片进行相似度排序,采用SIFT算法模型对相似度排序中位于前N的对照图片进行二次特征提取和图片匹配,修改图片匹配上的对照图片的相似度分数,根据修改后的相似度分数与相似度告警阈值之间的关系输出预警提示信息。通过利用算法组合策略训练图片检索中的粗检和精检模型,在对待检索的图片在粗检的基础上进一步精确检索,避免了误检,提高了检测结果的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种图片侵权检测方法,其特征在于,包括:
基于CNN深度学习模型提取待检测图片的第一图片特征,计算所述第一图片特征与对照库中各第二图片特征的相似度分数;
根据所述相似度分数对所述对照库中的对照图片进行相似度排序;
采用SIFT算法模型对所述相似度排序中位于前N的对照图片进行二次特征提取和图片匹配,其中N为大于1的正整数;
修改图片匹配上的对照图片的相似度分数,根据修改后的相似度分数与相似度告警阈值之间的关系输出预警提示信息。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于算法组合策略训练不同场景下针对场景图像数据集的图片侵权检测模型,所述图片侵权检测模型包括用于图片粗检的CNN深度学习模型和用于图片精检的SIFT算法模型。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
训练所述SIFT算法模型在进行二次特征提取和图片匹配时的特征点比对参数、输入图片的大小压缩比例以及相似度告警阈值。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述对照库中的对照图片进行比较筛选,并对比较筛选后得到的对照图片进行相似度排序。
5.根据权利要求1所述的方法,其特征在于,所述根据修改后的相似度分数与相似度告警阈值之间的关系输出预警提示信息,包括:
当修改后的相似度分数大于第一相似度告警阈值时,输出强预警提示信息;
当修改后的相似度分数大于第二相似度告警阈值且小于第一相似度阈值时,输出弱预警提示信息,用于提示测试人员进行二次人工审核。
6.一种图片侵权检测装置,其特征在于,包括:
分数计算模块,用于基于CNN深度学习模型提取待检测图片的第一图片特征,计算所述第一图片特征与对照库中各第二图片特征的相似度分数;
图片排序模块,用于根据所述相似度分数对所述对照库中的对照图片进行相似度排序;
图片精检模块,用于采用SIFT算法模型对所述相似度排序中位于前N的对照图片进行二次特征提取和图片匹配,其中N为大于1的正整数;
预警提示模块,用于修改图片匹配上的对照图片的相似度分数,根据修改后的相似度分数与相似度告警阈值之间的关系输出预警提示信息。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
模型训练模块,用于基于算法组合策略训练不同场景下针对场景图像数据集的图片侵权检测模型,所述图片侵权检测模型包括用于图片粗检的CNN深度学习模型和用于图片精检的SIFT算法模型。
8.根据权利要求7所述的装置,其特征在于,
所述模型训练模块,还用于训练所述SIFT算法模型在进行二次特征提取和图片匹配时的特征点比对参数、输入图片的大小压缩比例以及相似度告警阈值。
9.根据权利要求6所述的装置,其特征在于,
所述图片排序模块,具体用于对所述对照库中的对照图片进行比较筛选,并对比较筛选后得到的对照图片进行相似度排序。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行以下步骤:
基于CNN深度学习模型提取待检测图片的第一图片特征,计算所述第一图片特征与对照库中各第二图片特征的相似度分数;
根据所述相似度分数对所述对照库中的对照图片进行相似度排序;
采用SIFT算法模型对所述相似度排序中位于前N的对照图片进行二次特征提取和图片匹配,其中N为大于1的正整数;
修改图片匹配上的对照图片的相似度分数,根据修改后的相似度分数与相似度告警阈值之间的关系输出预警提示信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910828908.4A CN110704811A (zh) | 2019-09-03 | 2019-09-03 | 图片侵权检测方法及装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910828908.4A CN110704811A (zh) | 2019-09-03 | 2019-09-03 | 图片侵权检测方法及装置、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110704811A true CN110704811A (zh) | 2020-01-17 |
Family
ID=69193416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910828908.4A Pending CN110704811A (zh) | 2019-09-03 | 2019-09-03 | 图片侵权检测方法及装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110704811A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552829A (zh) * | 2020-05-07 | 2020-08-18 | 北京海益同展信息科技有限公司 | 用于分析图像素材的方法和装置 |
CN112215812A (zh) * | 2020-09-30 | 2021-01-12 | 大方众智创意广告(珠海)有限公司 | 图像检测方法、装置、电子设备及可读存储介质 |
CN112241704A (zh) * | 2020-10-16 | 2021-01-19 | 百度(中国)有限公司 | 一种判定肖像侵权的方法、装置、电子设备及存储介质 |
CN112579986A (zh) * | 2020-12-25 | 2021-03-30 | 特赞(上海)信息科技有限公司 | 图像侵权检测方法、设备和系统 |
CN113268624A (zh) * | 2020-02-17 | 2021-08-17 | 北京沃东天骏信息技术有限公司 | 针对图片的处理方法、服务器以及电子设备和介质 |
CN113435485A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 图片检测方法、装置、电子设备及存储介质 |
CN113656263A (zh) * | 2021-08-20 | 2021-11-16 | 重庆紫光华山智安科技有限公司 | 一种数据处理方法、系统、存储介质及终端 |
CN116700724A (zh) * | 2023-08-03 | 2023-09-05 | 江苏狄诺尼信息技术有限责任公司 | 一种基于模式法的立交平面交互式图形设计系统 |
CN112241704B (zh) * | 2020-10-16 | 2024-05-31 | 百度(中国)有限公司 | 一种判定肖像侵权的方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550381A (zh) * | 2016-03-17 | 2016-05-04 | 北京工业大学 | 一种基于改进sift特征的高效图像检索方法 |
CN105930495A (zh) * | 2016-05-06 | 2016-09-07 | 长沙市麓智信息科技有限公司 | 产品侵权监控系统及其监控方法 |
CN107832384A (zh) * | 2017-10-28 | 2018-03-23 | 北京安妮全版权科技发展有限公司 | 侵权检测方法、装置、存储介质和电子设备 |
CN108171264A (zh) * | 2017-12-26 | 2018-06-15 | 北京非斗数据科技发展有限公司 | 一种利用深度学习结合哈希编码对图片侵权内容的提取识别技术 |
CN110110500A (zh) * | 2019-06-04 | 2019-08-09 | 施建锋 | 具备侵权即时检测的去中心化图像版权保护系统及方法 |
-
2019
- 2019-09-03 CN CN201910828908.4A patent/CN110704811A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550381A (zh) * | 2016-03-17 | 2016-05-04 | 北京工业大学 | 一种基于改进sift特征的高效图像检索方法 |
CN105930495A (zh) * | 2016-05-06 | 2016-09-07 | 长沙市麓智信息科技有限公司 | 产品侵权监控系统及其监控方法 |
CN107832384A (zh) * | 2017-10-28 | 2018-03-23 | 北京安妮全版权科技发展有限公司 | 侵权检测方法、装置、存储介质和电子设备 |
CN108171264A (zh) * | 2017-12-26 | 2018-06-15 | 北京非斗数据科技发展有限公司 | 一种利用深度学习结合哈希编码对图片侵权内容的提取识别技术 |
CN110110500A (zh) * | 2019-06-04 | 2019-08-09 | 施建锋 | 具备侵权即时检测的去中心化图像版权保护系统及方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268624A (zh) * | 2020-02-17 | 2021-08-17 | 北京沃东天骏信息技术有限公司 | 针对图片的处理方法、服务器以及电子设备和介质 |
CN111552829B (zh) * | 2020-05-07 | 2023-06-27 | 京东科技信息技术有限公司 | 用于分析图像素材的方法和装置 |
CN111552829A (zh) * | 2020-05-07 | 2020-08-18 | 北京海益同展信息科技有限公司 | 用于分析图像素材的方法和装置 |
CN112215812A (zh) * | 2020-09-30 | 2021-01-12 | 大方众智创意广告(珠海)有限公司 | 图像检测方法、装置、电子设备及可读存储介质 |
CN112215812B (zh) * | 2020-09-30 | 2023-12-19 | 大方众智创意广告(珠海)有限公司 | 图像检测方法、装置、电子设备及可读存储介质 |
CN112241704A (zh) * | 2020-10-16 | 2021-01-19 | 百度(中国)有限公司 | 一种判定肖像侵权的方法、装置、电子设备及存储介质 |
CN112241704B (zh) * | 2020-10-16 | 2024-05-31 | 百度(中国)有限公司 | 一种判定肖像侵权的方法、装置、电子设备及存储介质 |
CN112579986A (zh) * | 2020-12-25 | 2021-03-30 | 特赞(上海)信息科技有限公司 | 图像侵权检测方法、设备和系统 |
CN112579986B (zh) * | 2020-12-25 | 2022-02-15 | 特赞(上海)信息科技有限公司 | 图像侵权检测方法、设备和系统 |
CN113435485A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 图片检测方法、装置、电子设备及存储介质 |
CN113656263B (zh) * | 2021-08-20 | 2023-05-12 | 重庆紫光华山智安科技有限公司 | 一种数据处理方法、系统、存储介质及终端 |
CN113656263A (zh) * | 2021-08-20 | 2021-11-16 | 重庆紫光华山智安科技有限公司 | 一种数据处理方法、系统、存储介质及终端 |
CN116700724A (zh) * | 2023-08-03 | 2023-09-05 | 江苏狄诺尼信息技术有限责任公司 | 一种基于模式法的立交平面交互式图形设计系统 |
CN116700724B (zh) * | 2023-08-03 | 2023-10-20 | 江苏狄诺尼信息技术有限责任公司 | 一种基于模式法的立交平面交互式图形设计系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110704811A (zh) | 图片侵权检测方法及装置、存储介质 | |
WO2021017998A1 (zh) | 文本位置定位方法和系统以及模型训练方法和系统 | |
CN106547744B (zh) | 一种图像检索方法及系统 | |
JP7000468B2 (ja) | 重複ビデオの判定方法及び装置 | |
CN110110715A (zh) | 文本检测模型训练方法、文本区域、内容确定方法和装置 | |
CN105144239A (zh) | 图像处理装置、程序及图像处理方法 | |
CN110750670B (zh) | 陌生人监控方法、装置、系统和存储介质 | |
CN109033261B (zh) | 图像处理方法、装置、处理设备及其存储介质 | |
CN111079816A (zh) | 图像的审核方法、装置和服务器 | |
US8881078B2 (en) | Proprietary circuit layout identification | |
CN112507167A (zh) | 一种识别视频合集的方法、装置、电子设备及存储介质 | |
CN112084309A (zh) | 基于开源软件图谱的许可证选取方法和系统 | |
CN111738120B (zh) | 人物识别方法、装置、电子设备及存储介质 | |
CN114359590A (zh) | Nft图像作品侵权检测方法、装置、及计算机存储介质 | |
CN112988557A (zh) | 一种搜索框定位方法、数据采集方法、装置及介质 | |
CN110765261A (zh) | 潜在专利纠纷的监控方法、装置、服务器和存储介质 | |
CN111783812A (zh) | 违禁图像识别方法、装置和计算机可读存储介质 | |
US9053395B2 (en) | Image processor, image processing method, control program and recording medium | |
CN113297416A (zh) | 视频数据存储方法、装置、电子设备和可读存储介质 | |
JP2011192094A (ja) | 文字列検知装置、文字評価装置、画像処理装置、文字列検知方法、文字評価方法、制御プログラムおよび記録媒体 | |
JP7331924B2 (ja) | 検索装置、制御方法、及びプログラム | |
CN115018783A (zh) | 一种视频水印检测方法和装置、电子设备和存储介质 | |
CN111695117B (zh) | 一种webshell脚本检测方法及装置 | |
CN113704623A (zh) | 一种数据推荐方法、装置、设备及存储介质 | |
CN110619212B (zh) | 一种基于字符串的恶意软件识别方法、系统及相关装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |