CN110875875A - 电子红包消息检测方法、检测装置及终端设备 - Google Patents
电子红包消息检测方法、检测装置及终端设备 Download PDFInfo
- Publication number
- CN110875875A CN110875875A CN201811023053.XA CN201811023053A CN110875875A CN 110875875 A CN110875875 A CN 110875875A CN 201811023053 A CN201811023053 A CN 201811023053A CN 110875875 A CN110875875 A CN 110875875A
- Authority
- CN
- China
- Prior art keywords
- message
- electronic red
- red packet
- neural network
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/04—Real-time or near real-time messaging, e.g. instant messaging [IM]
- H04L51/046—Interoperability with other network applications or services
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请适用于电子红包消息识别技术领域，提供了电子红包消息检测方法、检测装置及终端设备，包括：接收到消息后，通过训练的卷积神经网络识别所述消息是电子红包消息的置信度；若所述消息是电子红包消息的置信度大于或等于预设的置信度阈值，判定所述消息是电子红包消息，若所述消息是电子红包消息的置信度小于预设的置信度阈值，判定所述消息不是电子红包消息。通过上述方法，能够提高消息识别的准确度。
Description
技术领域
本申请属于电子红包消息识别技术领域，尤其涉及电子红包消息检测方法、电子红包消息检测装置、终端设备及计算机可读存储介质。
背景技术
目前，很多即时通信应用都提供电子红包消息的收、发功能。即时通信应用通过识别接收的数据判断该数据是否为电子红包消息。
现有的电子红包消息检测方法中，主要通过识别数据对应的属性信息判断该数据是否为电子红包消息对应的数据，例如，假设识别出该数据对应的属性信息包括“红包”字样，则判断该数据为电子红包消息对应的数据。
但由于数据对应的属性信息容易被更改，因此，通过识别数据对应的属性信息存在识别准确率低的问题。
发明内容
有鉴于此，本申请实施例提供了电子红包消息检测方法，以解决现有技术在识别电子红包消息时准确率较低的问题。
本申请实施例的第一方面提供了一种电子红包消息检测方法，包括：
接收到消息后，通过训练的卷积神经网络识别所述消息是电子红包消息的置信度；
若所述消息是电子红包消息的置信度大于或等于预设的置信度阈值，判定所述消息是电子红包消息，若所述消息是电子红包消息的置信度小于预设的置信度阈值，判定所述消息不是电子红包消息。
本申请实施例的第二方面提供了一种电子红包消息检测装置，包括：
消息接收单元，用于接收到消息后，通过训练的卷积神经网络识别所述消息是电子红包消息的置信度；
电子红包消息识别单元，用于若所述消息是电子红包消息的置信度大于或等于预设的置信度阈值，判定所述消息是电子红包消息，若所述消息是电子红包消息的置信度小于预设的置信度阈值，判定所述消息不是电子红包消息。
本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述电子红包消息检测方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如所述电子红包消息检测方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：
由于通过卷积神经网络识别消息是电子红包消息的置信度，而消息在输入卷积神经网络之前并不需要做任何的前期处理，因此，节省对消息进行前期处理的时间，并且，由于卷积神经网络的人工神经元可以响应一部分覆盖范围内的周围单元，因此，其能够提高消息识别的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的第一种电子红包消息检测方法的流程图；
图2是本申请实施例二提供的第二种电子红包消息检测方法的流程图；
图3是本申请实施例二提供的一种电子红包消息的示意图；
图4是本申请实施例三提供的第三种电子红包消息检测方法的流程图；
图5是本申请实施例四提供的一种电子红包消息检测装置的结构示意图；
图6是本申请实施例五提供的一种终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
具体实现中，本申请实施例中描述的移动终端包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，上述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中，描述了包括显示器和触摸敏感表面的移动终端。然而，应当理解的是，移动终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
移动终端支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在移动终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
实施例一：
图1示出了本申请实施例一提供的第一种电子红包消息检测方法的流程图，详述如下：
步骤S11，接收到消息后，通过训练的卷积神经网络识别所述消息是电子红包消息的置信度；
具体地，将接收的消息作为训练的卷积神经网络的输入，得到该消息是电子红包消息的置信度，通常，置信度在0到1之间，该置信度越大，表示接收的消息为电子红包消息的概率越大，否则，表示接收的消息为电子红包消息的概率越小。本实施例的卷积神经网络包括特征提取层、特征映射层以及输出层，该输出层用于输出消息是电子红包消息的置信度。
可选地，由于指定应用才会接收到电子红包消息，因此，为了避免对任何应用接收的消息都进行识别，则所述步骤S11中，接收到消息后，识别所述消息是否为指定应用的消息，若是，通过训练的卷积神经网络识别所述消息是电子红包消息的置信度，若否，不识别所述消息是电子红包消息的置信度。其中，指定应用为当前能够接收电子红包消息的应用，如微信、支付宝等应用。
步骤S12，若所述消息是电子红包消息的置信度大于或等于预设的置信度阈值，判定所述消息是电子红包消息，若所述消息是电子红包消息的置信度小于预设的置信度阈值，判定所述消息不是电子红包消息。
该步骤中，假设消息是电子红包消息的置信度在0到1之间，则预设的置信度阈值可设置为0.5，当消息是电子红包消息的置信度大于或等于0.5时，判定所述消息是电子红包消息。
本申请实施例中，接收到消息后，通过训练的卷积神经网络识别所述消息是电子红包消息的置信度，若所述消息是电子红包消息的置信度大于或等于预设的置信度阈值，判定所述消息是电子红包消息，若所述消息是电子红包消息的置信度小于预设的置信度阈值，判定所述消息不是电子红包消息。由于通过卷积神经网络识别消息是电子红包消息的置信度，而消息在输入卷积神经网络之前并不需要做任何的前期处理，因此，节省对消息进行前期处理的时间，并且，由于卷积神经网络的人工神经元可以响应一部分覆盖范围内的周围单元，因此，其能够提高消息识别的准确度。
实施例二：
图2示出了本申请实施例二提供的第二种电子红包消息检测方法的流程图，本实施例的步骤S21和步骤S22为实施例一的步骤S11的细化步骤，步骤S23与实施例一的步骤S12相同，详述如下：
步骤S21，接收到消息后，生成所述消息的颜色直方图；
具体地，根据该消息所包括的所有颜色生成该消息的颜色直方图。
步骤S22，将所述颜色直方图与标准直方图比较，若所述颜色直方图与标准直方图的相似度大于或等于预设的相似度阈值，通过训练的卷积神经网络识别所述消息是电子红包消息的置信度。
其中，标准直方图为电子红包消息对应的颜色直方图。如图3所示，由于一个电子红包消息包括多种元素：如背景、红包小图、祝福语(如图3中的“恭喜发财，大吉大利”)、视图类名(如图3中的“微信红包”)等，而不同元素的颜色通常是不同的，如背景色是橙色、红包小图的颜色则包括红色、橙色等，但每个元素的颜色是相对固定的，因此，一个电子红包消息的颜色直方图也是固定的。当接收到的消息的颜色直方图与标准直方图的相似度较小时，表明该消息不是电子红包消息。
步骤S23，若所述消息是电子红包消息的置信度大于或等于预设的置信度阈值，判定所述消息是电子红包消息，若所述消息是电子红包消息的置信度小于预设的置信度阈值，判定所述消息不是电子红包消息。
本实施例中，由于卷积神经网络的计算量较大，而颜色直方图的计算量较小，因此，可先通过颜色直方图滤除部分消息，再通过卷积神经网络识别剩下的消息是电子红包消息的置信度，从而能够提高消息识别的速度。
实施例三：
图4示出了本申请实施例三提供的第三种电子红包消息检测方法的流程图，本实施例的步骤S41和步骤S42为实施例一的步骤S11的细化步骤，步骤S43与实施例一的步骤S12相同，详述如下：
步骤S41，接收到消息后，判断所述消息是否包括图片信息；
本实施例中，由于电子红包消息包括一个红包小图，因此，当接收到消息后，首先判断该消息是否包括图片信息，若不包括，表明该消息不是电子红包消息，不会识别该消息，从而能够快速过滤大量的非电子红包消息，极大提高消息识别的速度。
步骤S42，若所述消息包括图片信息，通过训练的卷积神经网络识别所述消息是电子红包消息的置信度。
步骤S43，若所述消息是电子红包消息的置信度大于或等于预设的置信度阈值，判定所述消息是电子红包消息，若所述消息是电子红包消息的置信度小于预设的置信度阈值，判定所述消息不是电子红包消息。
可选地，步骤S41中判断所述消息是否包括图片信息，包括：
检测列表视图控件、图片显示控件、位图文件控件是否依次启动，若是，判定所述消息包括图片信息，否则，判定所述消息没有包括图片信息。
由于接收到电子红包消息后，系统依次启动以下操作：执行push进程、activitythread(活动线程)、listview(列表视图控件)、imageview(图片显示控件)、bitmap(位图文件控件)、红包管理器。因此，为了能够在接收到消息后及时监测图片更新，则通过监测ListView和IamgeView等控件，以便及时发现bitmap的画图的操作。当上述控件依次启动后，表明bitmap存在画图操作，此时，判定接收的消息包括图片信息。
进一步地，在判断出接收的消息包括图片信息之后，再判断该图片信息中的图片像素大小与预设的像素阈值的差是否在第一预设范围内，和/或，判断该图片信息中图片文件大小与预设的文件阈值的差是否在第二预设范围内，若是，再通过训练的卷积神经网络识别所述消息是电子红包消息的置信度。
可选地，为了减少卷积神经网络的训练难度，以及减少识别的信息量，所述步骤S42中的卷积神经网络通过包括电子红包消息中的红包小图集合训练得到，此时，所述通过训练的卷积神经网络识别所述消息是电子红包消息的置信度，包括：
通过训练的卷积神经网络识别所述消息中的图片信息是红包小图的置信度；
对应地，所述步骤S43具体为：
若所述消息中的图片信息是红包小图的置信度大于或等于预设的小图置信度阈值，判定所述消息是电子红包消息，若所述消息中的图片信息是红包小图的置信度小于预设的小图置信度阈值，判定所述消息不是电子红包消息。
由于本实施例的卷积神经网络通过电子红包消息的红包小图集合训练得到，因此，其只会识别消息中是否包括红包小图，以及在包括红包小图时对应的置信度，从而减少了卷积神经网络需要识别的信息量，进而提高了消息的识别速度。
可选地，为了提高识别消息是否为电子红包消息的准确度，所述步骤S11、步骤S22、步骤S42中的卷积神经网络通过以下方式训练得到：
确定训练集合，所述训练集合包括不同布局特征的电子红包消息，所述布局特征包括以下至少一种：视图类名、视图长、视图宽、文字内容、文字设置位置、颜色分布；其中，这里的视图长是指如图3所示对应的电子红包消息的视图的长，同理，视图宽是指如图3所示对应的电子红包消息的视图的宽；文字内容如图3所示的“恭喜发财，大吉大利”，文字设置位置包括““恭喜发财，大吉大利”、“查看红包”以及“微信红包””的位置关系。
根据所述训练集合训练所述卷积神经网络，得到训练后的卷积神经网络。
本实施例中，由于训练集合包括不同布局特征的电子红包消息，因此，通过该训练集合训练的卷积神经网络能够识别出不同布局特征的电子红包消息，从而降低错误识别以及遗漏识别电子红包消息的概率。
实施例四：
图5是本申请实施例四提供的一种电子红包消息检测装置的结构示意图，为了便于说明，仅示出了与本实施例相关的部分。
该电子红包消息检测装置包括：消息接收单元51和电子红包消息识别单元52。其中：
消息接收单元51，用于接收到消息后，通过训练的卷积神经网络识别所述消息是电子红包消息的置信度；
可选地，由于指定应用才会接收到电子红包消息，因此，为了避免对任何应用接收的消息都进行识别，则消息接收单元51包括：接收到消息后，识别所述消息是否为指定应用的消息，若是，通过训练的卷积神经网络识别所述消息是电子红包消息的置信度，若否，不识别所述消息是电子红包消息的置信度。
电子红包消息识别单元52，用于若所述消息是电子红包消息的置信度大于或等于预设的置信度阈值，判定所述消息是电子红包消息，若所述消息是电子红包消息的置信度小于预设的置信度阈值，判定所述消息不是电子红包消息。
本申请实施例中，由于通过卷积神经网络识别消息是电子红包消息的置信度，而消息在输入卷积神经网络之前并不需要做任何的前期处理，因此，节省对消息进行前期处理的时间，并且，由于卷积神经网络的人工神经元可以响应一部分覆盖范围内的周围单元，因此，其能够提高消息识别的准确度。
可选地，所述消息接收单元51包括：
颜色直方图生成模块，用于接收到消息后，生成所述消息的颜色直方图；
直方图比较模块，用于将所述颜色直方图与标准直方图比较，若所述颜色直方图与标准直方图的相似度大于或等于预设的相似度阈值，通过训练的卷积神经网络识别所述消息是电子红包消息的置信度。
可选地，所述消息接收单元51包括：
图片信息识别模块，用于接收到消息后，判断所述消息是否包括图片信息；
包括图片信息的消息处理模块，用于若所述消息包括图片信息，通过训练的卷积神经网络识别所述消息是电子红包消息的置信度。
可选地，所述图片信息识别模块中判断所述消息是否包括图片信息，包括：
检测列表视图控件、图片显示控件、位图文件控件是否依次启动，若是，判定所述消息包括图片信息，否则，判定所述消息没有包括图片信息。
可选地，所述包括图片信息的消息处理模块具体用于：判断该图片信息中的图片像素大小与预设的像素阈值的差是否在第一预设范围内，和/或，判断该图片信息中图片文件大小与预设的文件阈值的差是否在第二预设范围内，若是，再通过训练的卷积神经网络识别所述消息是电子红包消息的置信度。
可选地，为了减少卷积神经网络的训练难度，以及减少识别的信息量，所述包括图片信息的消息处理模块中的卷积神经网络通过包括电子红包消息中的红包小图集合训练得到，此时，所述通过训练的卷积神经网络识别所述消息是电子红包消息的置信度，包括：
通过训练的卷积神经网络识别所述消息中的图片信息是红包小图的置信度；
对应地，所述电子红包消息识别单元52具体用于：
若所述消息中的图片信息是红包小图的置信度大于或等于预设的小图置信度阈值，判定所述消息是电子红包消息，若所述消息中的图片信息是红包小图的置信度小于预设的小图置信度阈值，判定所述消息不是电子红包消息。
可选地，本实施例的卷积神经网络通过以下方式训练得到：
确定训练集合，所述训练集合包括不同布局特征的电子红包消息，所述布局特征包括以下至少一种：视图类名、视图长、视图宽、文字内容、文字设置位置、颜色分布；
根据所述训练集合训练所述卷积神经网络，得到训练后的卷积神经网络。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例五：
图6是本申请实施例五提供的终端设备的示意图。如图6所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个电子红包消息检测方法实施例中的步骤，例如图1所示的步骤S11至S12。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块51至52的功能。
示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。例如，所述计算机程序62可以被分割成消息接收单元和电子红包消息识别单元，各单元具体功能如下：
消息接收单元，用于接收到消息后，通过训练的卷积神经网络识别所述消息是电子红包消息的置信度；
电子红包消息识别单元，用于若所述消息是电子红包消息的置信度大于或等于预设的置信度阈值，判定所述消息是电子红包消息，若所述消息是电子红包消息的置信度小于预设的置信度阈值，判定所述消息不是电子红包消息
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文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申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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。
所述集成的模块/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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种电子红包消息检测方法，其特征在于，包括：
接收到消息后，通过训练的卷积神经网络识别所述消息是电子红包消息的置信度；
若所述消息是电子红包消息的置信度大于或等于预设的置信度阈值，判定所述消息是电子红包消息，若所述消息是电子红包消息的置信度小于预设的置信度阈值，判定所述消息不是电子红包消息。
2.如权利要求1所述的电子红包消息检测方法，其特征在于，所述接收到消息后，通过训练的卷积神经网络识别所述消息是电子红包消息的置信度，包括：
接收到消息后，生成所述消息的颜色直方图；
将所述颜色直方图与标准直方图比较，若所述颜色直方图与标准直方图的相似度大于或等于预设的相似度阈值，通过训练的卷积神经网络识别所述消息是电子红包消息的置信度。
3.如权利要求1所述的电子红包消息检测方法，其特征在于，所述接收到消息后，通过训练的卷积神经网络识别所述消息是电子红包消息的置信度，包括：
接收到消息后，判断所述消息是否包括图片信息；
若所述消息包括图片信息，通过训练的卷积神经网络识别所述消息是电子红包消息的置信度。
4.如权利要求3所述的电子红包消息检测方法，其特征在于，判断所述消息是否包括图片信息，包括：
检测列表视图控件、图片显示控件、位图文件控件是否依次启动，若是，判定所述消息包括图片信息，否则，判定所述消息没有包括图片信息。
5.如权利要求3所述的电子红包消息检测方法，其特征在于，所述卷积神经网络通过包括电子红包消息中的红包小图集合训练得到，此时，所述通过训练的卷积神经网络识别所述消息是电子红包消息的置信度，包括：
通过训练的卷积神经网络识别所述消息中的图片信息是红包小图的置信度；
对应地，所述若所述消息是电子红包消息的置信度大于或等于预设的置信度阈值，判定所述消息是电子红包消息，若所述消息是电子红包消息的置信度小于预设的置信度阈值，判定所述消息不是电子红包消息，包括：
若所述消息中的图片信息是红包小图的置信度大于或等于预设的小图置信度阈值，判定所述消息是电子红包消息，若所述消息中的图片信息是红包小图的置信度小于预设的小图置信度阈值，判定所述消息不是电子红包消息。
6.如权利要求1至3任一项所述的电子红包消息检测方法，其特征在于，所述卷积神经网络通过以下方式训练得到：
确定训练集合，所述训练集合包括不同布局特征的电子红包消息，所述布局特征包括以下至少一种：视图类名、视图长、视图宽、文字内容、文字设置位置、颜色分布；
根据所述训练集合训练所述卷积神经网络，得到训练后的卷积神经网络。
7.一种电子红包消息检测装置，其特征在于，包括：
消息接收单元，用于接收到消息后，通过训练的卷积神经网络识别所述消息是电子红包消息的置信度；
电子红包消息识别单元，用于若所述消息是电子红包消息的置信度大于或等于预设的置信度阈值，判定所述消息是电子红包消息，若所述消息是电子红包消息的置信度小于预设的置信度阈值，判定所述消息不是电子红包消息。
8.如权利要求7所述的电子红包消息检测装置，其特征在于，所述消息接收单元包括：
颜色直方图生成模块，用于接收到消息后，生成所述消息的颜色直方图；
直方图比较模块，用于将所述颜色直方图与标准直方图比较，若所述颜色直方图与标准直方图的相似度大于或等于预设的相似度阈值，通过训练的卷积神经网络识别所述消息是电子红包消息的置信度。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811023053.XA CN110875875B (zh) | 2018-09-03 | 2018-09-03 | 电子红包消息检测方法、检测装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811023053.XA CN110875875B (zh) | 2018-09-03 | 2018-09-03 | 电子红包消息检测方法、检测装置及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110875875A true CN110875875A (zh) | 2020-03-10 |
| CN110875875B CN110875875B (zh) | 2022-04-22 |
Family
ID=69716906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811023053.XA Expired - Fee Related CN110875875B (zh) | 2018-09-03 | 2018-09-03 | 电子红包消息检测方法、检测装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110875875B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105099877A (zh) * | 2015-06-26 | 2015-11-25 | 小米科技有限责任公司 | 即时通信消息处理方法和装置 |
| CN105591885A (zh) * | 2016-01-21 | 2016-05-18 | 腾讯科技（深圳）有限公司 | 资源分享方法和装置 |
| CN105787130A (zh) * | 2016-03-30 | 2016-07-20 | 北京金山安全软件有限公司 | 图片清理方法、装置和移动终端 |
| CN105975144A (zh) * | 2016-04-25 | 2016-09-28 | 维沃移动通信有限公司 | 一种信息处理方法和装置 |
| CN106371964A (zh) * | 2015-07-21 | 2017-02-01 | 腾讯科技（深圳）有限公司 | 一种进行消息提示的方法和装置 |
| WO2017120921A1 (zh) * | 2016-01-15 | 2017-07-20 | 白宏伟 | 一种处理微信红包时的信息推送方法及移动终端 |
| CN107181745A (zh) * | 2017-05-16 | 2017-09-19 | 阿里巴巴集团控股有限公司 | 恶意消息识别方法、装置、设备和计算机存储介质 |
| US20170270551A1 (en) * | 2016-03-17 | 2017-09-21 | Joe Zheng | Method and system for distributing targeted messages on social media |
| CN107665333A (zh) * | 2017-08-28 | 2018-02-06 | 平安科技（深圳）有限公司 | 一种基于卷积神经网络的不雅图片识别方法、终端、设备及计算机可读存储介质 |
| CN108280459A (zh) * | 2017-01-06 | 2018-07-13 | 阿里巴巴集团控股有限公司 | 图片的处理方法、装置及系统 |
| CN108418768A (zh) * | 2018-02-13 | 2018-08-17 | 广东欧珀移动通信有限公司 | 业务数据的识别方法、装置、终端及存储介质 |
-
2018
- 2018-09-03 CN CN201811023053.XA patent/CN110875875B/zh not_active Expired - Fee Related
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105099877A (zh) * | 2015-06-26 | 2015-11-25 | 小米科技有限责任公司 | 即时通信消息处理方法和装置 |
| CN106371964A (zh) * | 2015-07-21 | 2017-02-01 | 腾讯科技（深圳）有限公司 | 一种进行消息提示的方法和装置 |
| WO2017120921A1 (zh) * | 2016-01-15 | 2017-07-20 | 白宏伟 | 一种处理微信红包时的信息推送方法及移动终端 |
| CN105591885A (zh) * | 2016-01-21 | 2016-05-18 | 腾讯科技（深圳）有限公司 | 资源分享方法和装置 |
| US20170270551A1 (en) * | 2016-03-17 | 2017-09-21 | Joe Zheng | Method and system for distributing targeted messages on social media |
| CN105787130A (zh) * | 2016-03-30 | 2016-07-20 | 北京金山安全软件有限公司 | 图片清理方法、装置和移动终端 |
| CN105975144A (zh) * | 2016-04-25 | 2016-09-28 | 维沃移动通信有限公司 | 一种信息处理方法和装置 |
| CN108280459A (zh) * | 2017-01-06 | 2018-07-13 | 阿里巴巴集团控股有限公司 | 图片的处理方法、装置及系统 |
| CN107181745A (zh) * | 2017-05-16 | 2017-09-19 | 阿里巴巴集团控股有限公司 | 恶意消息识别方法、装置、设备和计算机存储介质 |
| CN107665333A (zh) * | 2017-08-28 | 2018-02-06 | 平安科技（深圳）有限公司 | 一种基于卷积神经网络的不雅图片识别方法、终端、设备及计算机可读存储介质 |
| CN108418768A (zh) * | 2018-02-13 | 2018-08-17 | 广东欧珀移动通信有限公司 | 业务数据的识别方法、装置、终端及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110875875B (zh) | 2022-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108961157B (zh) | 图片处理方法、图片处理装置及终端设备 | |
| CN109215037B (zh) | 目标图像分割方法、装置及终端设备 | |
| CN108038112B (zh) | 文件处理方法、移动终端及计算机可读存储介质 | |
| CN108961267B (zh) | 图片处理方法、图片处理装置及终端设备 | |
| CN110119733B (zh) | 书页识别方法及装置、终端设备、计算机可读存储介质 | |
| CN112102164A (zh) | 一种图像处理方法、装置、终端及存储介质 | |
| CN109359582B (zh) | 信息搜索方法、信息搜索装置及移动终端 | |
| CN111142650B (zh) | 一种屏幕亮度调节方法、屏幕亮度调节装置及终端 | |
| CN110618852B (zh) | 视图处理方法、视图处理装置及终端设备 | |
| CN109358927B (zh) | 应用程序显示的方法、装置及终端设备 | |
| CN109873980B (zh) | 视频监控方法、装置及终端设备 | |
| CN107679222B (zh) | 图片处理方法、移动终端及计算机可读存储介质 | |
| CN108932703B (zh) | 图片处理方法、图片处理装置及终端设备 | |
| CN109492249B (zh) | 设计图的快速生成方法、装置及终端设备 | |
| CN111382831B (zh) | 加速卷积神经网络模型前向推理的方法及装置 | |
| CN108932704B (zh) | 图片处理方法、图片处理装置及终端设备 | |
| CN109444905B (zh) | 一种基于激光的动态物体检测方法、装置及终端设备 | |
| CN108469938B (zh) | 电子书的阅读提醒方法、装置及终端设备 | |
| CN108898169B (zh) | 图片处理方法、图片处理装置及终端设备 | |
| CN110263741A (zh) | 视频帧提取方法、装置及终端设备 | |
| CN107609119B (zh) | 文件处理方法、移动终端及计算机可读存储介质 | |
| CN107862010B (zh) | 一种获取物联网应用系统信息的方法、装置及移动终端 | |
| CN110875875B (zh) | 电子红包消息检测方法、检测装置及终端设备 | |
| CN110688035B (zh) | 相册处理方法、相册处理装置及移动终端 | |
| CN110874730B (zh) | 信息处理方法、信息处理装置及移动终端 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220422 |