CN110781823B - 录屏检测方法、装置、可读介质及电子设备 - Google Patents

录屏检测方法、装置、可读介质及电子设备 Download PDF

Info

Publication number
CN110781823B
CN110781823B CN201911025489.7A CN201911025489A CN110781823B CN 110781823 B CN110781823 B CN 110781823B CN 201911025489 A CN201911025489 A CN 201911025489A CN 110781823 B CN110781823 B CN 110781823B
Authority
CN
China
Prior art keywords
screen recording
image
detected
screen
recording type
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911025489.7A
Other languages
English (en)
Other versions
CN110781823A (zh
Inventor
李佩易
王长虎
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.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network Technology Co 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 Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN201911025489.7A priority Critical patent/CN110781823B/zh
Publication of CN110781823A publication Critical patent/CN110781823A/zh
Application granted granted Critical
Publication of CN110781823B publication Critical patent/CN110781823B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

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

Abstract

本公开实施例涉及一种录屏检测方法、装置、可读介质及电子设备。本公开实施例采用录屏类型识别模型针对每一张待检测图像，在判定一待检测图像为录屏时，输出待检测图像的参考录屏类型；根据与该参考录屏类型对应的算法，对待检测图像进行二次判断，并在二次判断的结果表征待检测图像为参考录屏类型时，确定待检测图像的录屏类型为参考录屏类型。因而，对待检测图像不仅能判断其是否属于录屏，还能识别其具体的录屏类型，能满足业务方复杂的录屏需求。并且，在对待检测图像的录屏类型判断过程中包括采用录屏类型识别模型进行的一次判断和采用对应算法进行的二次判断，提高了分类精度，降低了分类错误的情况出现的概率。

Description

录屏检测方法、装置、可读介质及电子设备
技术领域
本公开涉及AI领域，具体地，涉及一种录屏检测方法、装置、可读介质及电子设备。
背景技术
在相关技术中，判断某个视频是否为录屏时，通常会使用深度学习分类模型，对视频的抽帧进行分类，当有任何一帧被判定为录屏视频时，则判断整个视频为录屏视频，使用的深度学习分类模型中输入的维度一般只有录屏和非录屏的两种标签。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开实施例提供一种录屏检测方法，所述方法包括：
将至少一张待检测图像输入录屏类型识别模型，其中，所述录屏类型识别模型用于针对每一张待检测图像，在判定一所述待检测图像为录屏时，输出所述待检测图像的参考录屏类型；
根据与所述参考录屏类型对应的算法，对所述待检测图像进行二次判断，并在所述二次判断的结果表征所述待检测图像为所述参考录屏类型时，确定所述待检测图像的录屏类型为所述参考录屏类型。
第二方面，本公开实施例提供一种录屏检测装置，包括：
分类模块，用于将至少一张待检测图像输入录屏类型识别模型，其中，所述录屏类型识别模型用于针对每一张待检测图像，在判定一所述待检测图像为录屏时，输出所述待检测图像的参考录屏类型；
二次判断模块，用于根据与所述参考录屏类型对应的算法，对所述待检测图像进行二次判断，并在所述二次判断的结果表征所述待检测图像为所述参考录屏类型时，确定所述待检测图像的录屏类型为所述参考录屏类型。
第三方面，本公开实施例提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现上述方法的步骤。
第四方面，本公开实施例提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现上述方法的步骤。
通过上述技术方案，本公开实施例对待检测图像不仅能判断其是否属于录屏，还能识别其具体的录屏类型，能满足业务方复杂的录屏需求。并且，本公开实施例在对待检测图像的录屏类型判断过程中包括采用录屏类型识别模型进行的一次判断和采用与所述一次判断输出的参考录屏类型对应的算法进行的二次判断，提高了分类精度，降低了分类错误的情况出现的概率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
在附图中：
图1是根据本公开一实施例示出的一种录屏检测方法的流程图。
图2是现有深度学习检测算法和本公开实施例提供的回归视频画面中屏幕的方法对于屏幕的表达方式对比图。
图3是视频画面旋转90度时本公开实施例提供的一种标注方式的示意图。
图4是视频画面旋转90度时本公开实施例提供的另一种标注方式的示意图。
图5是本公开实施例示例性地示出一待检测图像及待检测图像中包括的屏幕的示意图。
图6是根据本公开一实施例示出的一种录屏检测装置的框图。
图7是根据本公开一实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
根据本公开实施例提供一种录屏检测方法。图1是根据本公开一实施例示出的一种录屏检测方法的流程图。如图1所示，该方法包括以下步骤：
步骤S11，将至少一张待检测图像输入录屏类型识别模型，其中，所述录屏类型识别模型用于针对每一张待检测图像，在判定一所述待检测图像为录屏时，输出所述待检测图像的参考录屏类型。
步骤S12，根据与所述参考录屏类型对应的算法，对所述待检测图像进行二次判断，并在所述二次判断的结果表征所述待检测图像为所述参考录屏类型时，确定所述待检测图像的录屏类型为所述参考录屏类型。
其中，录屏类型识别模型是根据深度学习算法训练得到的，其至少能输出至少一种录屏类型。针对每一张待检测图像，在判定一所述待检测图像为录屏时，录屏类型识别模型输出所述待检测图像的录屏类型(即参考录屏类型)，每一参考录屏类型对应有算法，根据与所参考录屏类型对应的算法，对所述待检测图像进行二次判断，并在所述二次判断的结果表征所述待检测图像为所述参考录屏类型时，确定所述待检测图像的录屏类型为所述参考录屏类型。
通过上述技术方案，本公开实施例对待检测图像不仅能判断其是否属于录屏，还能识别其具体的录屏类型，能满足业务方复杂的录屏需求，且变更需求或修改录屏类型时预设录屏分类模型迭代更新的成本低。并且，本公开在对待检测图像的录屏类型判断过程中包括采用录屏类型识别模型进行的一次判断和采用与所述一次判断输出的参考录屏类型对应的算法进行的二次判断，提高了分类精度，降低了分类错误的情况出现的概率。
可选地，在步骤S11中，所述至少一张待检测图像为多张待检测图像，则步骤S11包括：
将所述多张待检测图像绑定形成图像组batch；
将所述图像组batch输入所述录屏类型识别模型以进行并行处理。
再具体实施时，可以将所述多张待检测图像绑定形成图像组batch，整个batch的待检测图像作为一个输入送给录屏类型识别模型进行分类。这样做的优点在于可以最大限度地利用录屏类型识别模型所在服务器的GPU显存，降低IO所带来的开销，更高效率的利用服务器。在这里，可以理解为录屏类型识别模型所在服务器可以使用单个GPU，并行地处理一整个batch的待检测图像(但是期间不存在并行处理的服务器CPU开销，因为并行是在GPU显存中进行的)。在通过batch的输入之后，录屏类型识别模型会将batch中的每一张待检测图像分到录屏类型的某一类中，然后每一类都会并行地继续进行后续处理。
可选地，若所述录屏识别模型输出的参考录屏类型为全屏录屏，步骤S12包括：检测所述待检测图像是否包括摩尔纹，并在检测到所述待检测图像包括摩尔纹的情况下确定所述待检测图像的录屏类型为所述全屏录屏。
对于全屏录屏，在待检测图像上不包括屏幕的边框，但根据拍摄原理，该待检测图像往往会出现摩尔纹，摩尔纹是图像上出现的一种高频率不规则的条纹。因而，可以根据所述待检测图像是否包括摩尔纹判断所述待检测图像的录屏类型是否为所述全屏录屏。相关技术中，摩尔纹检测方式有很多，例如，可以包括以下步骤：(1)根据摩尔纹对应的检测频段，对所述待检测图像进行滤波，相应得到频率滤波图像。(2)对频率滤波图像进行傅里叶变换，得到幅值响应图像。在此步骤中，傅里叶变换是指将时域转换为频域的函数，对得到的频率滤波图像进行傅里叶变换，得到频域上的幅值响应图像。(3)采用多个二值化阈值分别对幅值响应图像进行二值化处理，得到多个二值化图像。二值化即根据二值化阈值对幅值响应图像，中像素大于等于二值化阈值的灰度值设为0(或255)，将图像中像素小于二值化阈值的灰度值设为255(或0)。预先设置多个二值化阈值，分别对幅值响应图像进行二值化处理，相应地得到多个二值化图像，不同的二值化阈值对应的二值化图像不同。(4)计算幅值响应图像与二值化图像之间的相关性，找到使得幅值响应图像与二值化图像之间的相关性最大的二值化阈值，然后计算在该二值化阈值情况下，二值化图像中大于二值化阈值的像素点的比例，如果该比例大于设定的阈值比例，则说明没有摩尔纹存在，如果小于设定的阈值比例，则说明幅值响应图像中有峰值出现，有摩尔纹的存在。
可选地，在另一实施方式中，若所述录屏识别模型输出的参考录屏类型为全屏录屏，步骤S12包括：计算所述待检测图像的清晰度，并在计算得到的清晰度小于第一预设阈值的情况下确定所述待检测图像的录屏类型为所述全屏录屏。
若所述待检测图像为全屏录屏，所述待检测图像由于对焦不清等造成图像模糊，因而可以通过计算待检测图像的清晰度，并在计算得到的清晰度小于第一预设阈值的情况下确定所述待检测图像的录屏类型为所述全屏录屏。现有技术中，计算待检测图像的清晰度方法有很多，例如，根据像素和周边像素之间的梯度来衡量待检测图像的清晰度，通常梯度值越高，画面的边缘信息越丰富，图像越清晰，清晰度越高，则可以将梯度映射为清晰度，并在计算得到的清晰度小于第一预设阈值的情况下确定所述待检测图像的录屏类型为所述全屏录屏。其中第一预设阈值可以根据录屏和非录屏图像之间的清晰度差异来进行设置。另外，方差：表达元素之间差异大小，方差越大表示图像模糊程度越小，因而可以用方差来映射清晰度，方差越大表示越清晰，清晰度越大。
可选地，在另一实施方式中，若所述录屏识别模型输出的参考录屏类型为全屏录屏，步骤S12包括：检测所述待检测图像是否包括摩尔纹及计算所述待检测图像的清晰度，并在检测到所述待检测图像包括摩尔纹且计算得到的清晰度小于所述第一预设阈值的情况下，确定所述待检测图像的录屏类型为所述全屏录屏。
采用上述技术方案，同时检测所述待检测图像是否包括摩尔纹及计算所述待检测图像的清晰度，来判断所述待检测图像是否为全屏录屏，可以提高准确性。
可选地，在另一实施方式中，若所述录屏识别模型输出的参考录屏类型为边框录屏，步骤S12包括：计算所述待检测图像中屏幕的面积占所述待检测图像面积的比例；在所述比例大于或等于第二预设阈值的情况下，确定所述待检测图像的录屏类型为所述边框录屏。
考虑到录屏的意义在于显示所录屏幕中画面内容，因而对于属于边框录屏的一待检测图像，需要使所述待检测图像中屏幕的面积占所述待检测图像面积的比例达到一定值(第二预设阈值)，才能清晰地展示所述待检测图像中屏幕中的画面内容。而当所述待检测图像中屏幕的面积占所述待检测图像面积的比例小于该值(第二预设阈值)时，所述待检测图像中存在屏幕的原因可能不是因为所述待检测图像是边框录屏，而可能是因为该屏幕是所述待检测图像显示的画面内容，例如，一视频为电视剧，该电视剧正播放两个人坐在家里看电视，则在此时对该视频截取一帧获得的待检测图像虽然包括所述电视的屏幕，但该屏幕是所述待检测图像显示的画面内容，因而该电视的屏幕占该待检测图像的比例就比较小，而该待检测图像中的两个人、家等场景占该待检测图像的比例就比较大。因而，对于边框录屏，本公开根据屏幕的面积占所述待检测图像面积的比例与第二预设阈值进行比较，可以确定所述待检测图像的录屏类型是否为边框录屏。第二预设阈值可以根据用户经验进行设定，可选地，在一实施方式中，所述第二预设阈值为1/16。
可选地，计算所述待检测图像中屏幕的面积占所述待检测图像面积的比例包括以下子步骤：
子步骤，针对所述待检测图像，将所述待检测图像输入预设网络回归模型，得到所述预设网络回归模型输出的所述待检测图像的分类结果，其中，所述分类结果为含有屏幕或不含屏幕，所述预设网络回归模型的边框BBox回归用于，在所述分类结果为含有屏幕时，回归输出按固定顺序依次表征屏幕的四个角的坐标。
现有深度学习检测算法都是针对通用物体来实现的，其BBox(Bounding Box，边框)对于目标物体的表达方式为目标物体的最小外接矩形，即外接框，如图2中B框所示。可见，现有深度学习检测算法，其在检测所述待检测图像中的屏幕时，仅能检测到所述待检测图像中含有屏幕，而无法确定检测到的屏幕的具体位置。而本公开采用的预设网络回归模型的BBox回归是用于回归输出按固定顺序依次表征屏幕的四个角的坐标，结合屏幕都是或近似矩形的特点，即该预设网络回归模型对于目标物体的表达方式为表征屏幕的四个角构成的四角框，如图2中的A框所示。因此，本公开实施例使得该预设网络回归模型在检测到所述待检测图像中含有屏幕时，能回归出所述待检测图像中屏幕边框四个角的坐标。
子步骤，根据所述预设网络回归模型输出的所述屏幕的四个角的坐标，计算所述待检测图像中屏幕的面积占所述待检测图像面积的比例。
例如，可以根据所述屏幕的四个角的坐标回归出所述屏幕的边框，通过计算边框的面积占所述图像面积的比例(屏幕占整个画面百分之几的像素)，计算出所述屏幕的面积占所述图像面积的比例。因此，本公开实施例提供的方法，通过输出所述屏幕的四个角的坐标，能计算图像中的屏幕占图像的比例，能对视频画面中的屏幕有更精确的表达，不限于仅检测到视频画面中含有屏幕。
可选地，所述预设网络回归模型是通过以下方式训练得到的：针对图像集，根据用户输入的标注指令对该图像集内包含有屏幕的图像进行标注，所述标注指令为根据固定顺序依次表示的该屏幕的四个角的坐标；根据所述图像集和损失函数训练，得到所述预设网络回归模型；其中，所述损失函数中的定位损失函数为Smooth L1，Smooth L1的输入和输出为根据固定顺序依次表征屏幕的四个角的坐标。具体地：
训练数据：准备用于训练的图像集。所述图像集内的图像可以是来源于视频中的一帧，也可以是照片。所述图像集为包括含有屏幕的图像和不含有屏幕的图像。其中，含有屏幕的图像可以是看得见完整屏幕边框的图像，即该图像包括完整屏幕；也可以是只看得见屏幕部分边框的图像，即该图像仅包括部分屏幕；也可以是既含有包括完整屏幕的图像，也含有仅包括部分屏幕的图像。在所述含有屏幕的图像为仅包括部分屏幕的图像时，屏幕的至少一个角可以在所述图像外。
屏幕标注：针对图像集，根据用户输入的标注指令对该图像集内包含有屏幕的图像进行标注，所述标注指令为根据固定顺序依次表示的该屏幕的四个角的坐标。可选地，在所述含有屏幕的图像的屏幕的至少一个角在所述图像外时，根据用户输入的标注指令将所述屏幕在所述图像外的角标注在所述图像外。其中，所述标注指令包括用户对所述屏幕在所述图像外的角的估计位置，所述屏幕在所述图像外的角为未显示在所述图像上的角。在对图像集进行标注的过程中，需要从固定的起始角开始标注(例如屏幕左上角)，并且对于所有的训练数据，都需要依照固定顺序(可以是顺时针，也可以是逆时针，还可以为对角优先等各种预设顺序)对屏幕的四个角进行标注，从而得到每个视频画面中的屏幕都能用(x1，y1，x2，y2，x3，y3，x4，y4)来表示，其中xi、yi分别表示四个角的坐标。在标注的过程中，可能会遇到视频画面旋转90度的情况，此时可以通过两种方式来进行标注：第一，先将画面转正，然后正常标注；第二，维持画面原状，以屏幕的四个角在当前画面中的位置来确定起始角，即，根据屏幕在当前视频画面中的像素位置来确定起始角，而不是实际屏幕的方位。例如，标注指令的固定顺序为顺时针，则对于图3所述的视频的一帧图像(E、F、G、H为图像中屏幕的四个角)，标注方式可有两种。第一种，可以先将图3所示的图像向左旋转90°得到图4所示的图像，再按顺时针对图4中的屏幕的四个角进行标注，则屏幕用(x1，y1，x2，y2，x3，y3，x4，y4)表示时，(x1，y1)表示F角的坐标，(x2，y2)表示G角的坐标，(x3，y3)表示H角的坐标，(x4，y4)表示E角的坐标。第二种，维持画面原状，按顺时针对图3中的屏幕的四个角进行标注，则屏幕用(x1，y1，x2，y2，x3，y3，x4，y4)表示时，(x1，y1)表示E角的坐标，(x2，y2)表示F角的坐标，(x3，y3)表示G角的坐标，(x4，y4)表示H角的坐标。
损失函数的选择：所述预设网络回归模型中涉及的损失函数：和现有外接框的损失函数相同，在训练的过程中，四角框也可以选择同样的损失函数。首先，其中置信度损失函数(conf损失函数)无需修改，因为它代表的是类别的分数。可选地，所述置信度损失函数为交叉熵损失函数。而定位损失函数(loc损失函数)，需要对应修改。本公开四角框训练中的定位损失函数和现有外接框训练中的定位损失函数类似，同样使用Smooth L1作为损失函数，不同的是，Smooth L1的输入和输出为根据固定顺序依次表征屏幕的四个角的坐标。具体地：在四角框训练的过程中，对于某一个具体的包含屏幕的四个角的图像，其对于(我们自己)标注的屏幕的四个角的坐标是已知的(即已知ground truth的四个角的坐标)，计为G＝{(xi，yi)|i＝1，2，3，4}。同时在训练中也已知当前图像在当前的循环迭代中，网络输出的屏幕的四个角的坐标，计为P＝{(xi′，yi′)|i＝1，2，3，4}。而外接框在训练中，标注的坐标为G＝{(xi，yi)|i＝1，2}，分别代表标注的外接框的左上角和右下角。同理，网络输出的坐标为P＝{(xi′，yi′)|i＝1，2}，分别代表输出的外接框的左上角和右下角。
则，本公开实施例提供的损失函数Smooth L1的公式为
Figure BDA0002248490550000111
当0＜d(xi，yi，xi′，yi′)＜1时，采用公式(1)计算损失函数Smooth L1，当d(xi，yi，xi′，yi′)≥1时，采用公式(2)计算损失函数Smooth L1。
上式中，d(xi，yi，xi′，yi′)表示点(xi，yi)到点(xi′，yi′)的距离，具体计算公式为：
Figure BDA0002248490550000112
其中，W′和H′分别表示当前图像的宽和高。
模型及训练流程：根据所述图像集和损失函数训练，得到所述预设网络回归模型。在选择模型时，作为backbone的模型仍然可以根据精度需求进行替换，例如，MobileNet，SqueezeNet，ResNet等等。同时可以根据本公开的应用场景优化检测模型，一般检测模型都要在画面中查找多个目标，所以需要用到很多复杂的网络结构，比如SSD、YOLO。但是，在本公开实施例的应用场景中，回归视频画面中屏幕时，每一个画面中只需要找到唯一的一个屏幕即可。因此，并不需要复杂的网络结构，直接使用上述定位损失函数回归出四角框的位置即可。进行训练时，可以使用深度学习网络的通用训练流程，包括back propagate等，在此不作限制。
对预设网络回归模型进行训练的执行主体可以是离线的系统。
可选地，在另一实施方式中，若所述录屏识别模型输出的参考录屏类型为边框录屏，步骤S12包括：获取所述待检测图像中屏幕的四个角在所述待检测图像中的坐标；在所述边框为梯形的情况下，根据所述坐标计算所述边框由正方形变为所述梯形时所需的夹角的绝对值，其中，所述夹角用于表示与所述待检测图像中的屏幕对应的真实屏幕与拍摄所述待检测图像的摄像头之间的夹角；在所述夹角的绝对值小于或等于第三预设阈值的情况下，确定所述待检测图像的录屏类型为所述边框录屏。
一般进行录屏时，都尽量正对屏幕(真实屏幕)进行拍摄，即尽可能使被拍摄的屏幕(真实屏幕)与拍摄该屏幕(真实屏幕)的摄像头之间的夹角的绝对值为0。因而可以通过将所述待检测图像中的屏幕对应的真实屏幕与拍摄所述待检测图像的摄像头之间的夹角的绝对值与第三预设阈值进行比较，以确定所述待检测图像的录屏类型是否为边框录屏。
其中，获取所述待检测图像中屏幕的四个角在所述待检测图像中的坐标可以采用以下方式：将所述待检测图像输入上述的预设网络回归模型，得到所述预设网络回归模型输出的所述待检测图像的分类结果，在所述分类结果为含有屏幕时，回归输出按固定顺序依次表征屏幕的四个角的坐标。
假定真实屏幕实际为正方形，则在所述边框为梯形的情况下，根据所述坐标计算所述边框由正方形变为所述梯形时所需的夹角的绝对值的计算过程可以如下：所述屏幕的四个角在所述待检测图像中的坐标为根据所述预设网络回归模型输出的所述屏幕的四个角的坐标，用(x1，y1，x2，y2，x3，y3，x4，y4)来表示，其中，xi、yi分别表示四个角的坐标。如图5所示，图5中的框图表示待检测图像中的屏幕，(x1，y1)表示所述屏幕的左上角的坐标，(x2，y2)表示所述屏幕的右上角的坐标，(x3，y3)表示所述屏幕的右下角的坐标，(x4，y4)表示所述屏幕的左下角的坐标，Ll表示所述屏幕左上角到左下角的距离，Lr表示所述屏幕右上角到右下角的距离，L0表示所述屏幕左上角与左下角连线构成的边到右上角与右下角连线构成的边的距离。则所述屏幕对应的真实屏幕与拍摄所述待检测图像的摄像头之间的夹角的绝对值|A|的估计公式为：
Figure BDA0002248490550000131
其中，R＝H/W
Figure BDA0002248490550000132
Figure BDA0002248490550000133
Figure BDA0002248490550000134
Figure BDA0002248490550000135
上式中，H和W分别表示真实世界中屏幕的高和宽，R则表示所述待检测图像中的屏幕对应的真实屏幕的高宽比，假定真实屏幕为正方形，则R＝1。
可选地，在另一实施方式中，若所述录屏识别模型输出的参考录屏类型为边框录屏，则，步骤S12包括：判断所述待检测图像中的屏幕是否在所述待检测图像的中心区域；在所述屏幕在所述待检测图像的中心区域的情况下，确定所述待检测图像的录屏类型为所述边框录屏。
一般进行录屏时，都尽量使被拍摄的屏幕在拍摄画面的中间位置，因而可以通过判断所述待检测图像中的屏幕是否在所述待检测图像的中心区域来判断所述待检测图像的录屏类型是否为所述边框录屏。其中，判断所述待检测图像中的屏幕是否在所述待检测图像的中心区域的方式很多，例如可以采用以下方式：在确定所述待检测图像含有屏幕时，获取用于表征所述待检测图像中的屏幕的四个角的坐标；根据所述四个角的坐标，确实所述屏幕的中心点的位置；若所述屏幕的中心点在所述待检测图像的中心区域，则确定所述屏幕在所述待检测图像的中心区域。
其中，在确定所述待检测图像含有屏幕时，获取用于表征所述待检测图像中的屏幕的四个角的坐标可以采用上述预设网络回归模型回归输出按固定顺序依次表征屏幕的四个角的坐标，在此不作赘述。在根据所述四个角的坐标，确实所述屏幕的中心点的位置时，可以采用以下两种方式：(1)直接用四个角的横坐标的和除以四作为该中心点的横坐标，将四个角的纵坐标的和除以四作为该中心点的纵坐标。(2)根据所述四个角的坐标，获取该四个角连成的两对角线的交点，将该交点的坐标作为所述屏幕的中心点的坐标。将所述屏幕的中心点的位置与所述待检测图像的中心点的位置进行比较，当该屏幕的中心点距所述待检测图像的中心点小于预设距离时，确定所述屏幕的中心点在所述待检测图像的中心区域，从而确定所述屏幕在所述待检测图像的中心区域。其中，预设距离可以根据待检测图像大小等设定。
可选地，在另一实施方式中，若所述录屏识别模型输出的参考录屏类型为边框录屏，步骤S12包括：计算所述待检测图像中屏幕的面积占所述待检测图像面积的比例；获取所述待检测图像中屏幕的四个角在所述待检测图像中的坐标，在所述边框为梯形的情况下，根据所述坐标计算所述边框由正方形变为所述梯形时所需的夹角的绝对值；判断所述待检测图像中的屏幕是否在所述待检测图像的中心区域；在所述比例大于或等于第二预设阈值、所述夹角的绝对值小于或等于第三预设阈值及所述屏幕在所述待检测图像的中心区域这三个条件满足至少两个时，确定所述待检测图像的录屏类型为所述边框录屏。
通过上述技术方案，通过上述至少两个条件来判断所述待检测图像的录屏类型是否为所述边框录屏，相对只使用上述条件中的任何一个，具有更高的准确性。
可选地，所述录屏类型识别模型输出的录屏类型包括：边框录屏、全屏录屏、手机软件录屏、电视录屏、计算机软件录屏、游戏全屏录屏、游戏边框录屏、监控画面录屏、关闭的屏幕录屏、仪表盘录屏、舞台背屏录屏、小窗口分屏录屏及分屏录屏中的至少一个。
其中，边框录屏为可以看到完整屏幕边框或一部分屏幕边框。全屏录屏为物理世界拿着手机、录像机对着屏幕拍出来的，但完全没有露出屏幕的边框，人工可以看出是录屏(有黑雾、摩尔纹等)。手机软件录屏为可以看出是手机屏幕通过软件录屏(iPhone的屏幕home键、顶部的信号电量栏、底部的播放栏、手机直播的聊天、刷礼物等)。电视录屏为将电视的画面通过录像机录制下来，可以看到logo、上下黑边等，但是画面清晰、没有摩尔纹。计算机软件录屏为将计算机的画面通过软件录制下来，可以看到logo、上下黑边等，但是画面清晰、没有摩尔纹。游戏全屏录屏为游戏通过录屏软件录制的内容。游戏边框录屏为游戏通过拿着手机对着屏幕拍摄出的内容，类似全屏录屏。监控画面录屏为任何形式的监控画面视频。关闭的屏幕录屏为没有点亮的屏幕。仪表盘录屏为汽车、烤箱、计算器、体温计上面的LED屏幕，被录制的视频内容。舞台背屏录屏为演讲、演唱会、投屏、有人唱歌的酒吧、跳舞的舞台等大屏幕。小窗口分屏录屏为直播间连麦的画面，小的分屏窗口中的内容是录屏内容。分屏录屏为直播间PK的画面，有其中一方的直播内容是录屏。
基于上述发明构思，本公开实施例还提供一种录屏检测装置。图6根据本公开一实施例示出的一种录屏检测装置的框图。如图6所示，所述录屏检测装置包括分类模块11和二次判断模块12。
所述分类模块11，用于将至少一张待检测图像输入录屏类型识别模型，其中，所述录屏类型识别模型用于针对每一张待检测图像，在判定一所述待检测图像为录屏时，输出所述待检测图像的参考录屏类型。
所述二次判断模块12，用于根据与所述参考录屏类型对应的算法，对所述待检测图像进行二次判断，并在所述二次判断的结果表征所述待检测图像为所述参考录屏类型时，确定所述待检测图像的录屏类型为所述参考录屏类型。
通过上述技术方案，本公开实施例对待检测图像不仅能判断是否属于录屏，还能识别具体的录屏类型，能满足业务方复杂的录屏需求，且变更需求或修改录屏类型时预设录屏分类模型迭代更新的成本低。并且，本公开实施例在对待检测图像的录屏类型判断过程中包括采用录屏类型识别模型进行的一次判断和采用与所述一次判断输出的参考录屏类型对应的算法进行的二次判断，提高了分类精度，降低了分类错误的情况出现的概率。
可选地，所述至少一张待检测图像为多张待检测图像，分类模块11包括：绑定子模块和输入子模块。
所述绑定子模块，用于将所述多张待检测图像绑定形成图像组batch。
所述输入子模块，用于将所述图像组batch输入所述录屏类型识别模型以进行并行处理。
通过上述技术方案，可以最大限度地利用录屏类型识别模型所在服务器的GPU显存，降低IO所带来的开销，更高效率的利用服务器。在这里，可以理解为录屏类型识别模型所在服务器可以使用单个GPU，并行地处理一整个batch的待检测图像(但是期间不存在并行处理的服务器CPU开销，因为并行是在GPU显存中进行的)。在通过batch的输入之后，录屏类型识别模型会将batch中的每一张待检测图像分到录屏类型的某一类中，然后每一类都会并行地继续进行后续处理。
可选地，在一实施方式中，若所述录屏识别模型输出的参考录屏类型为全屏录屏，二次判断模块12包括：
摩尔纹检测子模块，用于检测所述待检测图像是否包括摩尔纹，并在检测到所述待检测图像包括摩尔纹的情况下确定所述待检测图像的录屏类型为所述全屏录屏。
对于全屏录屏，在待检测图像上不包括屏幕的边框，但根据拍摄原理，该待检测图像往往会出现摩尔纹，摩尔纹是图像上出现的一种高频率不规则的条纹。因而，可以根据所述待检测图像是否包括摩尔纹判断所述待检测图像的录屏类型是否为所述全屏录屏。
可选地，在另一实施方式中，若所述录屏识别模型输出的参考录屏类型为全屏录屏，二次判断模块12包括：
清晰度判断子模块，用于计算所述待检测图像的清晰度，并在计算得到的清晰度小于第一预设阈值的情况下确定所述待检测图像的录屏类型为所述全屏录屏。
若所述待检测图像为全屏录屏，所述待检测图像由于对焦不清等造成图像模糊，因而可以通过计算待检测图像的清晰度，并在计算得到的清晰度小于第一预设阈值的情况下确定所述待检测图像的录屏类型为所述全屏录屏。
可选地，在另一实施方式中，若所述录屏识别模型输出的参考录屏类型为全屏录屏，二次判断模块12包括：
摩尔纹及清晰度检测子模块，用于检测所述待检测图像是否包括摩尔纹及计算所述待检测图像的清晰度，并在检测到所述待检测图像包括摩尔纹且计算得到的清晰度小于所述第一预设阈值的情况下，确定所述待检测图像的录屏类型为所述全屏录屏。
采用上述技术方案，同时检测所述待检测图像是否包括摩尔纹及计算所述待检测图像的清晰度，来判断所述待检测图像是否为全屏录屏，可以提高准确性。
可选地，在另一实施方式中，若所述录屏识别模型输出的参考录屏类型为边框录屏，二次判断模块12包括：屏幕比例计算子模块和第一边框录屏确定子模块。
所述屏幕比例计算子模块，用于计算所述待检测图像中屏幕的面积占所述待检测图像面积的比例。
所述第一边框录屏确定子模块，用于在所述比例大于或等于第二预设阈值的情况下，确定所述待检测图像的录屏类型为所述边框录屏。
考虑到录屏的意义在于显示所录屏幕中画面内容，因而对于属于边框录屏的一待检测图像，需要使所述待检测图像中屏幕的面积占所述待检测图像面积的比例达到一定值(第二预设阈值)，才能清晰地展示所述待检测图像中屏幕中的画面内容。因而，对于边框录屏，本公开根据屏幕的面积占所述待检测图像面积的比例与第二预设阈值进行比较，可以确定所述待检测图像的录屏类型是否为边框录屏。
可选地，屏幕比例计算子模块包括：坐标输出子模块和比例计算子模块。
所述坐标输出子模块，用于针对所述待检测图像，将所述待检测图像输入预设网络回归模型，得到所述预设网络回归模型输出的所述待检测图像的分类结果，其中，所述分类结果为含有屏幕或不含屏幕，所述预设网络回归模型的边框BBox回归用于，在所述分类结果为含有屏幕时，回归输出按固定顺序依次表征屏幕的四个角的坐标。
所述比例计算子模块，用于根据所述预设网络回归模型输出的所述屏幕的四个角的坐标，计算所述待检测图像中屏幕的面积占所述待检测图像面积的比例。
其中，可选地，所述预设网络回归模型是通过以下方式训练得到的：针对图像集，根据用户输入的标注指令对该图像集内包含有屏幕的图像进行标注，所述标注指令为根据固定顺序依次表示的该屏幕的四个角的坐标；根据所述图像集和损失函数训练，得到所述预设网络回归模型；其中，所述损失函数中的定位损失函数为Smooth L1，Smooth L1的输入和输出为根据固定顺序依次表征屏幕的四个角的坐标。
可选地，在另一实施方式中，若所述录屏识别模型输出的参考录屏类型为边框录屏，二次判断模块12包括：夹角绝对值计算子模块和第二边框录屏确定子模块。所述夹角绝对值计算子模块，用于获取所述待检测图像中屏幕的四个角在所述待检测图像中的坐标；在所述边框为梯形的情况下，根据所述坐标计算所述边框由正方形变为所述梯形时所需的夹角的绝对值。
其中，所述夹角用于表示与所述待检测图像中的屏幕对应的真实屏幕与拍摄所述待检测图像的摄像头之间的夹角。
所述第二边框录屏确定子模块，用于在所述夹角的绝对值小于或等于第三预设阈值的情况下，确定所述待检测图像的录屏类型为所述边框录屏。
一般进行录屏时，都尽量正对屏幕(真实屏幕)进行拍摄，即尽可能使被拍摄的屏幕(真实屏幕)与拍摄该屏幕的摄像头之间的夹角的绝对值为0。因而可以通过将所述待检测图像中的屏幕对应的真实屏幕与拍摄所述待检测图像的摄像头之间的夹角的绝对值与第三预设阈值进行比较，以确定所述待检测图像的录屏类型是否为边框录屏。
可选地，在另一实施方式中，若所述录屏识别模型输出的参考录屏类型为边框录屏，二次判断模块12包括：屏幕中心检测模块和第三边框录屏确定子模块。
所述屏幕中心检测模块，用于判断所述待检测图像中的屏幕是否在所述待检测图像的中心区域。
所述第三边框录屏确定子模块，用于在所述屏幕在所述待检测图像的中心区域的情况下，确定所述待检测图像的录屏类型为所述边框录屏。
一般进行录屏时，都尽量使被拍摄的屏幕在拍摄画面的中间位置，因而可以通过判断所述待检测图像中的屏幕是否在所述待检测图像的中心区域来判断所述待检测图像的录屏类型是否为所述边框录屏。
可选地，在另一实施方式中，若所述录屏识别模型输出的参考录屏类型为边框录屏，二次判断模块12包括：所述屏幕比例计算子模块、所述夹角绝对值计算子模块、所述屏幕中心检测模块和第四边框录屏确定子模块。
所述第四边框录屏确定子模块，用于在所述比例大于或等于第二预设阈值、所述夹角的绝对值小于或等于第三预设阈值及所述屏幕在所述待检测图像的中心区域这三个条件满足至少两个时，确定所述待检测图像的录屏类型为所述边框录屏。
通过上述技术方案，通过上述至少两个条件来判断所述待检测图像的录屏类型是否为所述边框录屏，相对只使用上述条件中的任何一个，具有更高的准确性。
可选地，所述录屏类型识别模型输出的录屏类型包括：边框录屏、全屏录屏、手机软件录屏、电视录屏、计算机软件录屏、游戏全屏录屏、游戏边框录屏、监控画面录屏、关闭的屏幕录屏、仪表盘录屏、舞台背屏录屏小窗口分屏录屏及分屏录屏中的至少一个。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
基于上述发明构思，本公开实施例还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现上述录屏检测方法的步骤。
基于上述发明构思，本公开实施例还提供一种电子设备。下面参考图7，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：将至少一张待检测图像输入录屏类型识别模型，其中，所述录屏类型识别模型用于针对每一张待检测图像，在判定一所述待检测图像为录屏时，输出所述待检测图像的参考录屏类型；根据与所述参考录屏类型对应的算法，对所述待检测图像进行二次判断，并在所述二次判断的结果表征所述待检测图像为所述参考录屏类型时，确定所述待检测图像的录屏类型为所述参考录屏类型。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，分类模块还可以被描述为“输出所述待检测图像的录屏类型的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例一提供了一种录屏检测方法，包括：
将至少一张待检测图像输入录屏类型识别模型，其中，所述录屏类型识别模型用于针对每一张待检测图像，在判定一所述待检测图像为录屏时，输出所述待检测图像的参考录屏类型；
根据与所述参考录屏类型对应的算法，对所述待检测图像进行二次判断，并在所述二次判断的结果表征所述待检测图像为所述参考录屏类型时，确定所述待检测图像的录屏类型为所述参考录屏类型。
根据本公开的一个或多个实施例，示例二提供了示例一的方法，所述至少一张待检测图像为多张待检测图像，所述将至少一张待检测图像输入录屏类型识别模型包括：
将所述多张待检测图像绑定形成图像组batch；
将所述图像组batch输入所述录屏类型识别模型以进行并行处理。
根据本公开的一个或多个实施例，示例三提供了示例一的方法，若所述录屏识别模型输出的参考录屏类型为全屏录屏，则，所述根据与所述参考录屏类型对应的算法，对所述待检测图像进行二次判断，并在所述二次判断的结果表征所述待检测图像为所述参考录屏类型时，确定所述待检测图像的录屏类型为所述参考录屏类型，包括下述至少一项：
检测所述待检测图像是否包括摩尔纹，并在检测到所述待检测图像包括摩尔纹的情况下确定所述待检测图像的录屏类型为所述全屏录屏；
计算所述待检测图像的清晰度，并在计算得到的清晰度小于第一预设阈值的情况下确定所述待检测图像的录屏类型为所述全屏录屏；
检测所述待检测图像是否包括摩尔纹及计算所述待检测图像的清晰度，并在检测到所述待检测图像包括摩尔纹且计算得到的清晰度小于所述第一预设阈值的情况下，确定所述待检测图像的录屏类型为所述全屏录屏。
根据本公开的一个或多个实施例，示例四提供了示例一的方法，若所述录屏识别模型输出的参考录屏类型为边框录屏，则，所述根据与所述参考录屏类型对应的算法，对所述待检测图像进行二次判断，并在所述二次判断的结果表征所述待检测图像为所述参考录屏类型时，确定所述待检测图像的录屏类型为所述参考录屏类型，包括：
计算所述待检测图像中屏幕的面积占所述待检测图像面积的比例；
在所述比例大于或等于第二预设阈值的情况下，确定所述待检测图像的录屏类型为所述边框录屏。
根据本公开的一个或多个实施例，示例五提供了示例一的方法，若所述录屏识别模型输出的参考录屏类型为边框录屏，则，所述所述根据与所述参考录屏类型对应的算法，对所述待检测图像进行二次判断，并在所述二次判断的结果表征所述待检测图像为所述参考录屏类型时，确定所述待检测图像的录屏类型为所述参考录屏类型，包括：
获取所述待检测图像中屏幕的四个角在所述待检测图像中的坐标；
在所述边框为梯形的情况下，根据所述坐标计算所述边框由正方形变为所述梯形时所需的夹角的绝对值，其中，所述夹角用于表示与所述待检测图像中的屏幕对应的真实屏幕与拍摄所述待检测图像的摄像头之间的夹角；
在所述夹角的绝对值小于或等于第三预设阈值的情况下，确定所述待检测图像的录屏类型为所述边框录屏。
根据本公开的一个或多个实施例，示例六提供了示例五的方法，所述根据所述坐标计算所述边框由正方形变为所述梯形时所需的夹角的绝对值包括：
根据所述屏幕左上角和左下角的坐标，计算所述屏幕左上角到左下角的距离Ll；
根据所述屏幕右上角和右下角的坐标，计算所述屏幕右上角到右下角的距离Lr；
根据所述屏幕左上角、左下角、右上角和右下角的坐标，计算所述屏幕左上角与左下角连线构成的边到右上角与右下角连线构成的边的距离L0；
采用公式计算所述边框由正方形变为所述梯形时所需的夹角的绝对值|A|，其中，所述公式为
Figure BDA0002248490550000261
式中R＝1，
Figure BDA0002248490550000262
根据本公开的一个或多个实施例，示例七提供了示例一的方法，若所述录屏识别模型输出的参考录屏类型为边框录屏，则，所述根据与所述参考录屏类型对应的算法，对所述待检测图像进行二次判断，并在所述二次判断的结果表征所述待检测图像为所述参考录屏类型时，确定所述待检测图像的录屏类型为所述参考录屏类型，包括：
判断所述待检测图像中的屏幕是否在所述待检测图像的中心区域；
在所述屏幕在所述待检测图像的中心区域的情况下，确定所述待检测图像的录屏类型为所述边框录屏。
根据本公开的一个或多个实施例，示例八提供了示例一至示例七中任一项所述的方法，所述录屏类型识别模型输出的录屏类型包括：边框录屏、全屏录屏、手机软件录屏、电视录屏、计算机软件录屏、游戏全屏录屏、游戏边框录屏、监控画面录屏、关闭的屏幕录屏、仪表盘录屏、舞台背屏录屏、小窗口分屏录屏及分屏录屏中的至少一个。
根据本公开的一个或多个实施例，示例九提供了一种录屏检测装置，包括：
分类模块，用于将至少一张待检测图像输入录屏类型识别模型，其中，所述录屏类型识别模型用于针对每一张待检测图像，在判定一所述待检测图像为录屏时，输出所述待检测图像的参考录屏类型；
二次判断模块，用于根据与所述参考录屏类型对应的算法，对所述待检测图像进行二次判断，并在所述二次判断的结果表征所述待检测图像为所述参考录屏类型时，确定所述待检测图像的录屏类型为所述参考录屏类型。
根据本公开的一个或多个实施例，示例十提供了一种计算机可读介质，该程序被处理装置执行时实现示例一至八中任一项所述方法的步骤。
根据本公开的一个或多个实施例，示例十一提供了一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例一至八中任一项所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (10)

1.一种录屏检测方法，其特征在于，所述方法包括：
将至少一张待检测图像输入录屏类型识别模型，其中，所述录屏类型识别模型用于针对每一张待检测图像，在判定一所述待检测图像为录屏时，输出所述待检测图像的参考录屏类型；
根据与所述参考录屏类型对应的算法，对所述待检测图像进行二次判断，并在所述二次判断的结果表征所述待检测图像为所述参考录屏类型时，确定所述待检测图像的录屏类型为所述参考录屏类型；
若所述录屏类型识别模型输出的参考录屏类型为边框录屏，所述根据与所述参考录屏类型对应的算法，对所述待检测图像进行二次判断，并在所述二次判断的结果表征所述待检测图像为所述参考录屏类型时，确定所述待检测图像的录屏类型为所述参考录屏类型，包括：
获取所述待检测图像中屏幕的四个角在所述待检测图像中的坐标；
在所述边框为梯形的情况下，根据所述坐标计算所述边框由正方形变为所述梯形时所需的夹角的绝对值，其中，所述夹角用于表示与所述待检测图像中的屏幕对应的真实屏幕与拍摄所述待检测图像的摄像头之间的夹角；
在所述夹角的绝对值小于或等于第三预设阈值的情况下，确定所述待检测图像的录屏类型为所述边框录屏。
2.根据权利要求1所述的录屏检测方法，其特征在于，所述至少一张待检测图像为多张待检测图像，所述将至少一张待检测图像输入录屏类型识别模型包括：
将所述多张待检测图像绑定形成图像组batch；
将所述图像组batch输入所述录屏类型识别模型以进行并行处理。
3.根据权利要求1所述的录屏检测方法，其特征在于，若所述录屏类型识别模型输出的参考录屏类型为全屏录屏，则，所述根据与所述参考录屏类型对应的算法，对所述待检测图像进行二次判断，并在所述二次判断的结果表征所述待检测图像为所述参考录屏类型时，确定所述待检测图像的录屏类型为所述参考录屏类型，包括下述至少一项：
检测所述待检测图像是否包括摩尔纹，并在检测到所述待检测图像包括摩尔纹的情况下确定所述待检测图像的录屏类型为所述全屏录屏；
计算所述待检测图像的清晰度，并在计算得到的清晰度小于第一预设阈值的情况下确定所述待检测图像的录屏类型为所述全屏录屏；
检测所述待检测图像是否包括摩尔纹及计算所述待检测图像的清晰度，并在检测到所述待检测图像包括摩尔纹且计算得到的清晰度小于所述第一预设阈值的情况下，确定所述待检测图像的录屏类型为所述全屏录屏。
4.根据权利要求1所述的录屏检测方法，其特征在于，若所述录屏类型识别模型输出的参考录屏类型为边框录屏，则，所述根据与所述参考录屏类型对应的算法，对所述待检测图像进行二次判断，并在所述二次判断的结果表征所述待检测图像为所述参考录屏类型时，确定所述待检测图像的录屏类型为所述参考录屏类型，包括：
计算所述待检测图像中屏幕的面积占所述待检测图像面积的比例；
在所述夹角的绝对值小于或等于第三预设阈值，且所述比例大于或等于第二预设阈值的情况下，确定所述待检测图像的录屏类型为所述边框录屏。
5.根据权利要求1所述的录屏检测方法，其特征在于，所述根据所述坐标计算所述边框由正方形变为所述梯形时所需的夹角的绝对值包括：
根据所述屏幕左上角和左下角的坐标，计算所述屏幕左上角到左下角的距离Ll；
根据所述屏幕右上角和右下角的坐标，计算所述屏幕右上角到右下角的距离Lr；
根据所述屏幕左上角、左下角、右上角和右下角的坐标，计算所述屏幕左上角与左下角连线构成的边到右上角与右下角连线构成的边的距离L0；
采用公式计算所述边框由正方形变为所述梯形时所需的夹角的绝对值|A|，其中，所述公式为
Figure FDA0003691550100000031
式中R＝1，
Figure FDA0003691550100000032
6.根据权利要求1所述的录屏检测方法，其特征在于，若所述录屏类型识别模型输出的参考录屏类型为边框录屏，则，所述根据与所述参考录屏类型对应的算法，对所述待检测图像进行二次判断，并在所述二次判断的结果表征所述待检测图像为所述参考录屏类型时，确定所述待检测图像的录屏类型为所述参考录屏类型，包括：
判断所述待检测图像中的屏幕是否在所述待检测图像的中心区域；
在所述夹角的绝对值小于或等于第三预设阈值，且所述屏幕在所述待检测图像的中心区域的情况下，确定所述待检测图像的录屏类型为所述边框录屏。
7.根据权利要求1-6任一项所述的录屏检测方法，其特征在于，所述录屏类型识别模型输出的录屏类型包括：边框录屏、全屏录屏、手机软件录屏、电视录屏、计算机软件录屏、游戏全屏录屏、游戏边框录屏、监控画面录屏、关闭的屏幕录屏、仪表盘录屏、舞台背屏录屏、小窗口分屏录屏及分屏录屏中的至少一个。
8.一种录屏检测装置，其特征在于，包括：
分类模块，用于将至少一张待检测图像输入录屏类型识别模型，其中，所述录屏类型识别模型用于针对每一张待检测图像，在判定一所述待检测图像为录屏时，输出所述待检测图像的参考录屏类型；
二次判断模块，用于根据与所述参考录屏类型对应的算法，对所述待检测图像进行二次判断，并在所述二次判断的结果表征所述待检测图像为所述参考录屏类型时，确定所述待检测图像的录屏类型为所述参考录屏类型；
所述二次判断模块包括夹角绝对值计算子模块和第二边框录屏确定子模块；
若所述录屏类型识别模型输出的参考录屏类型为边框录屏，所述夹角绝对值计算子模块用于，获取所述待检测图像中屏幕的四个角在所述待检测图像中的坐标，在所述边框为梯形的情况下，根据所述坐标计算所述边框由正方形变为所述梯形时所需的夹角的绝对值；其中，所述夹角用于表示与所述待检测图像中的屏幕对应的真实屏幕与拍摄所述待检测图像的摄像头之间的夹角；
所述第二边框录屏确定子模块用于，在所述夹角的绝对值小于或等于第三预设阈值的情况下，确定所述待检测图像的录屏类型为所述边框录屏。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
CN201911025489.7A 2019-10-25 2019-10-25 录屏检测方法、装置、可读介质及电子设备 Active CN110781823B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911025489.7A CN110781823B (zh) 2019-10-25 2019-10-25 录屏检测方法、装置、可读介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911025489.7A CN110781823B (zh) 2019-10-25 2019-10-25 录屏检测方法、装置、可读介质及电子设备

Publications (2)

Publication Number Publication Date
CN110781823A CN110781823A (zh) 2020-02-11
CN110781823B true CN110781823B (zh) 2022-07-26

Family

ID=69386760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911025489.7A Active CN110781823B (zh) 2019-10-25 2019-10-25 录屏检测方法、装置、可读介质及电子设备

Country Status (1)

Country Link
CN (1) CN110781823B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111885303A (zh) * 2020-07-06 2020-11-03 雍朝良 一种主动跟踪录摄像视觉方法
CN113221754A (zh) * 2021-05-14 2021-08-06 深圳前海百递网络有限公司 快递单图像检测方法、装置、计算机设备和存储介质
CN113596344B (zh) * 2021-07-26 2023-10-24 艾酷软件技术(上海)有限公司 拍摄处理方法、装置、电子设备和可读存储介质
CN114241241A (zh) * 2021-12-16 2022-03-25 北京奇艺世纪科技有限公司 一种图像分类方法、装置、电子设备及存储介质
CN116095477B (zh) * 2022-08-16 2023-10-20 荣耀终端有限公司 对焦处理系统、方法、设备及存储介质
CN116540984B (zh) * 2023-07-06 2023-09-29 易方信息科技股份有限公司 基于ios系统的防录屏方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108345880A (zh) * 2018-01-26 2018-07-31 金蝶软件（中国）有限公司 发票识别方法、装置、计算机设备和存储介质
CN108509958A (zh) * 2018-03-30 2018-09-07 北京金山安全软件有限公司 缺陷类型检测方法、装置、电子设备及介质
CN109285105A (zh) * 2018-09-05 2019-01-29 北京字节跳动网络技术有限公司 水印检测方法、装置、计算机设备和存储介质
CN109558794A (zh) * 2018-10-17 2019-04-02 平安科技（深圳）有限公司 基于摩尔纹的图像识别方法、装置、设备和存储介质
US20190220692A1 (en) * 2017-07-24 2019-07-18 Yi Tunnel (Beijing) Technology Co., Ltd. Method and apparatus for checkout based on image identification technique of convolutional neural network
CN110110799A (zh) * 2019-05-13 2019-08-09 广州锟元方青医疗科技有限公司 细胞分类方法、装置、计算机设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190220692A1 (en) * 2017-07-24 2019-07-18 Yi Tunnel (Beijing) Technology Co., Ltd. Method and apparatus for checkout based on image identification technique of convolutional neural network
CN108345880A (zh) * 2018-01-26 2018-07-31 金蝶软件（中国）有限公司 发票识别方法、装置、计算机设备和存储介质
CN108509958A (zh) * 2018-03-30 2018-09-07 北京金山安全软件有限公司 缺陷类型检测方法、装置、电子设备及介质
CN109285105A (zh) * 2018-09-05 2019-01-29 北京字节跳动网络技术有限公司 水印检测方法、装置、计算机设备和存储介质
CN109558794A (zh) * 2018-10-17 2019-04-02 平安科技（深圳）有限公司 基于摩尔纹的图像识别方法、装置、设备和存储介质
CN110110799A (zh) * 2019-05-13 2019-08-09 广州锟元方青医疗科技有限公司 细胞分类方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN110781823A (zh) 2020-02-11

Similar Documents

Publication Publication Date Title
CN110781823B (zh) 录屏检测方法、装置、可读介质及电子设备
CN109584276B (zh) 关键点检测方法、装置、设备及可读介质
CN111242881B (zh) 显示特效的方法、装置、存储介质及电子设备
US10187546B2 (en) Method and device for correcting document image captured by image pick-up device
CN112101305B (zh) 多路图像处理方法、装置及电子设备
CN110796664B (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN112073748B (zh) 全景视频的处理方法、装置及存储介质
WO2016192325A1 (zh) 视频文件的标识处理方法及装置
CN110062157B (zh) 渲染图像的方法、装置、电子设备和计算机可读存储介质
CN107084740B (zh) 一种导航方法和装置
CN112001912B (zh) 目标检测方法和装置、计算机系统和可读存储介质
CN110059623B (zh) 用于生成信息的方法和装置
CN110070551A (zh) 视频图像的渲染方法、装置和电子设备
CN109981989B (zh) 渲染图像的方法、装置、电子设备和计算机可读存储介质
CN109840059B (zh) 用于显示图像的方法和装置
TW202219822A (zh) 字元檢測方法、電子設備及電腦可讀儲存介質
CN111310595B (zh) 用于生成信息的方法和装置
CN110047126B (zh) 渲染图像的方法、装置、电子设备和计算机可读存储介质
CN109816791B (zh) 用于生成信息的方法和装置
US11651529B2 (en) Image processing method, apparatus, electronic device and computer readable storage medium
WO2022237460A1 (zh) 图像处理方法、设备、存储介质及程序产品
CN113963000B (zh) 图像分割方法、装置、电子设备及程序产品
CN113269730B (zh) 图像处理方法、装置、计算机设备及存储介质
CN111784607B (zh) 图像色调映射方法、装置、终端设备及存储介质
CN110807728B (zh) 对象的显示方法、装置、电子设备及计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant