CN110969143A - 基于图像识别的取证方法、系统、计算机设备及存储介质 - Google Patents

Abstract

本发明公开了基于图像识别的取证方法、系统、计算机设备及存储介质，所述方法包括：图像采集终端根据预置的相似度判断模型对所采集得到的最新图像与对应的历史图像是否相似进行判断，以得到相似判断结果；若相似判断结果为否，将最新图像与历史图像作为目标图像信息发送至用户终端；用户终端接收目标图像信息，根据预置的分类模型对目标图像信息进行分类以得到类型信息；根据预置的证据文件生成规则及类型信息生成与目标图像信息对应的证据文件。本发明基于相似度匹配技术，可快速高效地对海量高清图像进行分析，并基于所采集的高清图像生成相应的取证材料，大幅提高了基于海量高清图像进行取证的效率。

Description

基于图像识别的取证方法、系统、计算机设备及存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于图像识别的取证方法、系统、计算机设备及存储介质。

背景技术

随着航天事业的发展，卫星遥感技术已应用于国防安全、国土监测、海事、灾害应急管理等领域，通过卫星遥感技术，高分辨率卫星可采集到海量高清图片，卫星一天可绕飞地球多次，技术人员可获取不同时间点在同一地点所采集的多张卫星高清图像，对该地点侵害资源的情况进行分析并对违法行为取证。然而由于所采集到的高清图片十分庞大，人工分析海量高清图像效率较低且存在人为误差，导致难以基于所采集的高清图片得到证据力强的取证材料。因而，现有技术方法中存在难以对海量高清图片进行高效分析以生成取证材料的问题。

发明内容

本发明实施例提供了一种基于图像识别的取证方法、系统、计算机设备及存储介质，旨在解决现有技术方法中所存在的无法对海量高清图像进行高效分析以生成取证材料的问题。

第一方面，本发明实施例提供了一种基于图像识别的取证方法，其包括：

所述图像采集终端根据预置的相似度判断模型对所采集得到的最新图像与对应的历史图像是否相似进行判断，以得到相似判断结果；

若所述相似判断结果为否，将所述最新图像与所述历史图像作为目标图像信息发送至所述用户终端；

所述用户终端接收所述目标图像信息，根据预置的分类模型对所述目标图像信息进行分类以得到类型信息；

根据预置的证据文件生成规则及所述类型信息生成与所述目标图像信息对应的证据文件。

第二方面，本发明实施例提供了一种基于图像识别的取证系统，其包括：图像采集终端及用户终端，所述图像采集终端包括相似判断单元及目标图像信息发送单元，所述用户终端包括目标图像信息分类单元及证据文件生成单元，其中，

所述相似判断单元，用于根据预置的相似度判断模型对所采集得到的最新图像与对应的历史图像是否相似进行判断，以得到相似判断结果；

所述目标图像信息发送单元，用于若所述相似判断结果为否，将所述最新图像与所述历史图像作为目标图像信息发送至所述用户终端；

所述目标图像信息分类单元，用于接收所述目标图像信息，根据预置的分类模型对所述目标图像信息进行分类以得到类型信息；

所述证据文件生成单元，用于根据预置的证据文件生成规则及所述类型信息生成与所述目标图像信息对应的证据文件。

第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上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上述第一方面所述的基于图像识别的取证方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于图像识别的取证方法。

本发明实施例提供了一种基于图像识别的取证方法、系统、计算机设备及存储介质。根据相似度判断模型对图像采集终端所采集的最新图像与对应的历史图像是否相似进行判断，得到相似判断结果，若相似判断结果为否，将最新图像与历史图像作为目标图像信息发送至用户终端，用户终端接收目标图像信息，根据分类模型对目标图像信息进行分类以得到类型信息，根据证据文件生成规则及类型信息生成与目标图像信息对应的证据文件。通过上述方法，可快速高效地对海量高清图像进行分析，并基于所采集的高清图像生成相应的取证材料，大幅提高了基于海量高清图像进行取证的效率。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例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为本发明实施例提供的基于图像识别的取证方法的流程示意图；

图2为本发明实施例提供的基于图像识别的取证方法的应用场景示意图；

图3为本发明实施例提供的基于图像识别的取证方法的子流程示意图；

图4为本发明实施例提供的基于图像识别的取证方法的另一子流程示意图；

图5为本发明实施例提供的基于图像识别的取证方法的另一子流程示意图；

图6为本发明实施例提供的基于图像识别的取证方法的另一流程示意图；

图7为本发明实施例提供的基于图像识别的取证方法的另一子流程示意图；

图8为本发明实施例提供的基于图像识别的取证方法的另一流程示意图；

图9为本发明实施例提供的基于图像识别的取证系统的示意性框图；

图10为本发明实施例提供的计算机设备的示意性框图。

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。

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”和“包含”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，在此本发明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发明。如在本发明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，在本发明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。

请参阅图1及图2，图1是本发明实施例提供的基于图像识别的取证方法的流程示意图，图2为本发明实施例提供的基于图像识别的取证方法的应用场景示意图。该基于图像识别的取证方法应用于基于图像识别的取证系统中，系统包括图像采集终端10及用户终端20，该方法通过安装于图像采集终端10及用户终端20中的应用软件进行执行，图像采集设备10通过与用户终端20建立网络连接以实现数据信息的传输，图像采集终端10即是用于对图像进行采集的终端设备，例如高分辨率卫星、航空飞行器或无人机等，图像采集终端10可将所采集到的图像发送至用户终端20，用户终端20即是用于根据接收到的图像生成取证材料的终端设备，例如台式电脑、笔记本电脑、平板电脑或手机等。

如图1所示，该方法包括步骤S110～S140。

S110、根据预置的相似度判断模型对所采集得到的最新图像与对应的历史图像是否相似进行判断，以得到相似判断结果。

根据预置的相似度判断模型对所采集得到的最新图像与对应的历史图像是否相似进行判断，以得到相似判断结果。所述相似度判断模型包括图像方差计算公式、误差计算公式及误差阈值。图像采集终端采集得到最新图像，最新图像包含一个与之对应的位置信息，图像采集终端中存储有多个位置信息对应多次采集的高清图像，可根据最新图像对应的位置信息，获取所存储的在该位置信息前一次采集的图像作为与最新图像对应的历史图像，相似度判断模型即可对最新图像与历史图像是否相似进行判断，通过图像方差计算公式分别计算最新图像及历史图像对应的图像方差值，并通过误差计算公式计算两个图像方差值之间的逐行误差值，根据误差阈值对逐行误差值进行判断以得到相似判断结果。具体的，图像采集终端可以是高分辨率卫星、航空飞行器或无人机。

在一实施例中，如图3所示，步骤S110包括子步骤S111、S112、S113和S114。

S111、对所述最新图像及所述历史图像进行灰度处理得到对应的第一灰度图像及第二灰度图像。

对所述最新图像及所述历史图像进行灰度处理得到对应的第一灰度图像及第二灰度图像。对最新图像进行灰度处理得到第一灰度图像，对历史图像进行灰度处理得到第二灰度图像，最新图像及历史图像所包含的像素行数量和像素列数量均相等，灰度处理后得到的灰度图像中包含多个像素，第一灰度图像及第二灰度图像所包含的像素行数量和像素列数量均相等，每一像素对应一个灰度值，通过灰度值即可将灰度图像中的每一个像素采用数值进行表示。具体的，灰度值采用非负整数进行表示，像素对应灰度值的取值范围为[0，255]，灰度值为0则表示该像素点为黑色，灰度值为255则表示该像素点为白色，灰度值为其他数值则表明该像素点为介于白色与黑色之间的一个具体灰度。

S112、根据所述图像方差计算公式

分别计算所述第一灰度图像及所述第二灰度图像的图像方差值

根据所述图像方差计算公式

分别计算所述第一灰度图像及所述第二灰度图像的图像方差值

其中，

为所述灰度图像第m行的方差值，A_m为所述灰度图像第m行所有像素点的灰度平均值，B为所述灰度图像所有像素点的灰度平均值，N为所述灰度图像所包含的总行数。以第一灰度图像为例，

为第一灰度图像第m行的方差值，则图像方差值中包含第一灰度图像逐行的方差值，A_m为第一灰度图像第m行所有像素点的灰度平均值，B为第一灰度图像所有像素点的灰度平均值，N为第一灰度图像所包含的总行数。其中，N也可以为第一灰度图像所包含的总列数，则像方差值中包含第一灰度图像逐列的方差值，相应的

为第一灰度图像第m列的方差值，A_m为第一灰度图像第m列所有像素点的灰度平均值。计算第二灰度图像的图像方差值的方式与上述方式相同。

S113、根据所述误差计算公式

计算得到所述第一灰度图像及所述第二灰度图像之间的逐行误差值

根据所述误差计算公式

计算得到所述第一灰度图像及所述第二灰度图像之间的逐行误差值

为所述第一灰度图像与所述第二灰度图像第m行的误差值，

为所述第一灰度图像第m行的方差值，

为所述第二灰度图像第m行的方差值。将第一灰度图像的图像方差值及第二灰度图像的图像方差值输入上述误差计算公式，即可计算得到两个灰度图像的逐行误差值，若两个图像的图像方差值均为逐列的方差值，则对应计算得到两个灰度图像之间的逐列误差值。

S114、判断所述逐行误差值中最大的误差值是否小于所述误差阈值以得到相似判断结果。

判断所述逐行误差值中最大的误差值是否小于所述误差阈值以得到相似判断结果。逐行误差值中包含两个灰度图像之间每一行的误差值，可获取逐行误差值中最大的误差值，并判断最大的误差值是否小于误差阈值，若最大的误差值小于误差阈值，得到相似判断结果为是；若最大的误差值不小于误差阈值，得到相似判断结果为否。

S120、若所述相似判断结果为否，将所述最新图像与所述历史图像作为目标图像信息发送至所述用户终端。

若所述相似判断结果为否，将所述最新图像与所述历史图像作为目标图像信息发送至用户终端。若相似判断结果为否，则表明最新图像与历史图像之间不相似，需将最新图像及历史图像作为目标图像信息发送至用户终端，其中，用户终端可以是位于地面的终端设备。

S130、根据预置的分类模型对所述目标图像信息进行分类以得到类型信息。

若用户终端接收到目标图像信息，根据预置的分类模型对所述目标图像信息进行分类以得到类型信息。分类模型包括卷积神经网络、目标分类特征信息及匹配度计算公式，不同目标图像信息对应不同的资源侵害类型，因此可根据分类模型对所接收到的目标图像信息进行分类，对资源进行侵害的具体类型与目标图像信息中图像像素点的变化相关联。具体的，目标图像信息中包含最新图像及历史图像，可获取最新图像与历史图像对应的残差图像，通过卷积神经网络提取残差图像的特征，卷积神经网络即是用于对残差图像中像素的形状、颜色等特征进行提取并通过特征向量进行量化表示的图像处理神经网络，目标分类特征信息中包含多种资源侵害类型以及每一资源侵害类型对应的目标特征向量，匹配度计算公式即可用于计算残差图像与每一资源侵害类型之间的匹配度，根据计算得到的匹配度即可获取目标图像信息对应的类型信息。

在一实施例中，如图4所示，步骤S130包括子步骤S131、S132、S133和S134。

S131、根据所述最新图像与所述历史图像的差别获取对应的残差图像。

根据所述最新图像与所述历史图像的差别获取对应的残差图像。具体的，从最新图像中减去历史图像得到残差图像，残差图像可用于体现最新图像相对于历史图像所出现的变化，若最新图像中某一像素与历史图像对应像素的颜色相同，则该像素点在残差图像中的颜色为白色，若最新图像中某一像素与历史图像对应像素的颜色不相同，则该像素点在残差图像中的颜色不为白色，残差图像即可用于体现最新图像相对于历史图像所出现的变化。

S132、根据所述卷积神经网络获取与所述残差图像对应的特征向量。

根据所述卷积神经网络获取与所述残差图像对应的特征向量。具体的，根据RGB对应的红(R)、绿(G)、蓝(B)三个颜色通道对残差图像中所包含的像素进行拆分，以得到残差图像中每一像素在上述三个颜色通道上分别对应的亮度值，将一个像素在三个颜色通道上对应的亮度值进行叠加即可对该像素的颜色进行还原，根据残差图像所包含像素的数量及每一像素在三个颜色通道上对应的亮度值，得到三个与残差图像分辨率相同的拆分图像，将三个拆分图像同时输入卷积神经网络，以获取残差图像对应的特征向量。

例如，残差图像的分辨率为600×600，根据RGB对残差图像进行拆分得到三个600×600的拆分图像，拆分图像中每一像素的数值即为该像素在相应颜色通道上对应的亮度值，根据第一卷积核中的计算公式，以分辨率16*16作为窗口，步长为1，进行卷积操作，以得到三个大小为585×585的向量矩阵，也即是拆分图像的浅层特征；根据池化计算公式，以分辨率13×13作为窗口，步长为13，进行降采样，以得到三个大小为45×45的向量矩阵，也即是拆分图像的深层次特征；根据5个第二卷积核中的计算公式，以分辨率5×5作为窗口，步长为5的进行卷积操作，以得到15个大小为9×9的向量矩阵。通过第一全连接计算公式，对所得到的15个9×9的向量矩阵进行计算，第一全连接公式中共包含15个输入节点，每一个输入节点均与1个9×9的向量矩阵相关联，也即是分别通过15个计算公式计算得到与15个9×9的向量矩阵相关联的15个输入节点的值，第一个计算公式可表示为C₁＝w₁×X₁+b₁，其中，C₁为第一个输入节点的计算值，X₁为该图像对应的第一个向量矩阵中的一个数值，w₁和b₁为第一输入节点与第一个向量矩阵相关联的第一计算公式中所预设的参数值，通过15个计算公式即可计算与对应向量矩阵向关联的15个输入节点的值；通过第二全连接计算公式对15节点的值进行计算以得到最终该残差图像的特征向量，计算公式为S₁＝a₁×C₁+a₂×C₂+…+a₁₅×C₁₅；其中C₁、C₂…C₁₅为与拆分图像的向量矩阵相关联的15个节点的值，a₁、a₂…a₁₅为15个节点至最后输出节点的预设参数值，由于9×9的向量矩阵共包含81个数值，最后得到该图像的特征向量为一个1×81维的向量矩阵，可以采用F_x＝(f₁，f₂…f₈₁)来表示。

在使用卷积神经网络之前，还可通过预置的训练规则对卷积神经网络进行训练，以对卷积神经网络中的参数值进行调整，得到训练后的卷积神经网络可提升获取特征向量的准确性。

S133、根据所述匹配度计算公式计算所述特征向量与所述目标分类特征信息中每一资源侵害类型之间的匹配度。

根据所述匹配度计算公式计算所述特征向量与所述目标分类特征信息中每一资源侵害类型之间的匹配度。目标分类特征信息中包含多种资源侵害类型以及每一资源侵害类型对应的目标特征向量，资源侵害类型可以是林地面积减小、耕地占用、水域填埋、河流污染等，由于每一中资源侵害类型在图像像素的形状及颜色等变化上均存在区别，目标特征向量即为对与资源侵害类型对应的图像像素的形状及颜色变化特征进行体现的向量信息，因此可根据匹配度计算公式计算残差图像的特征向量与某一资源侵害类型对应目标特征向量之间的匹配度，得到该残差图像与该资源侵害类型对应的匹配度。

具体的，匹配率可通过P＝1-((f₁-j₁)²+(f₂-j₂)²+…+(f₈₁-j₈₁)²)/(j₁ ²+j₂ ²+…+j₈₁ ²)，其中，残差图像的特征向量为F_x＝(f₁，f₂…f₁₅)，某一目标特征向量为J_y＝(j₁，j₂…j₁₅)。

S134、根据所述特征向量与每一所述资源侵害类型之间的匹配度确定匹配度最高的一个资源侵害类型为所述残差图像的类型信息。

根据所述特征向量与每一所述资源侵害类型之间的匹配度确定匹配度最高的一个资源侵害类型为所述残差图像的类型信息。获取特征向量与每一资源侵害类型的目标特征向量之间的匹配度后，即可将匹配度最高的一个资源侵害类型确定为该特征向量的分类信息，也即是得到残差图像的类型信息。

S140、根据预置的证据文件生成规则及所述类型信息生成与所述目标图像信息对应的证据文件。

根据预置的证据文件生成规则及所述类型信息生成与所述目标图像信息对应的证据文件。证据材料生成规则即是用于生成证据文件的规则信息，证据材料生成规则中包括时间戳添加规则及电子签名规则。

在一实施例中，如图5所示，步骤S140包括子步骤S141、S142和S143。

S141、根据所述时间戳添加规则在所述目标图像信息中添加时间戳。

根据所述时间戳添加规则在所述目标图像信息中添加时间戳。具体的，可根据时间戳添加规则获取当前时间，并根据当前时间在目标图像信息所包含的最新图像及历史图像中添加时间水印，以得到添加时间戳的目标图像信息。或根据时间戳添加规则获取目标图像信息中最新图像的采集时间、历史图像的采集时间，并根据采集时间在相应图像中添加时间水印，以得到添加时间戳的目标图像信息。

S142、根据所述电子签名规则在已添加时间戳的所述目标图像信息中添加电子签名。

根据所述电子签名规则在已添加时间戳的所述目标图像信息中添加电子签名。可获取图像采集终端对应的数字ID以及服务器端对应的数字ID，根据电子签名规则对两个数字ID进行加密得到加密后的加密ID信息，并将加密ID信息作为电子签名添加至目标图像信息中，后续可获取目标图像的电子签名信息，并对电子签名信息进行解密得到待验证的数字ID，对待验证的数字ID进行验证，即可验证目标图像信息的获取来源。

S143、将已添加电子签名的所述目标图像信息及所述类型信息作为与所述目标图像信息对应的证据文件。

将已添加电子签名的所述目标图像信息及所述类型信息作为与所述目标图像信息对应的证据文件。所得到的证据文件中包含已添加时间戳及电子签名的目标图像信息，以及该目标图像信息对应的类型信息。

在一实施例中，如图6所示，步骤S140之后还包括步骤S150和S160。

S150、根据预置的证据文件存储模型对所述证据文件进行存储并获取与所述证据文件对应的账本信息。

根据预置的证据文件存储模型对所述证据文件进行存储并获取与所述证据文件对应的账本信息。证据文件存储模型即是用于对所生成的证据文件进行存储的模型，证据文件存储模型中包括摘要信息生成规则及云存储节点。摘要信息生成规则即是用于生成与证据文件对应的摘要信息，云存储节点即是对应云存储服务器的节点信息，可通过区块链网络对所生成的账本信息进行分布式存储以避免账本信息对应的证据文件被篡改，账本信息中包括证据文件的摘要信息及存储路径信息。

在一实施例中，如图7所示，步骤S150包括子步骤S151、S152和S153。

S151、根据所述摘要信息生成规则生成与所述证据文件对应的摘要信息。

根据所述摘要信息生成规则生成与所述证据文件对应的摘要信息。摘要信息生成规则即可通过哈希运算实现，具体的，获取与证据文件对应的基本信息，基本信息包括文件名称、文件类型、文件数量、文件规格及修改时间等，文件规格即是该文件所占用存储空间的大小，修改时间即是最近一次对文件内容进行修改的时间信息，根据摘要信息生成规则对证据文件的基本信息进行哈希运算即得到对应的摘要信息，其中，哈希运算为安全散列算法256。

在本实施例中，即Hash(基本信息)＝摘要信息，即对证据文件的基本信息进行哈希运算后会得到一个摘要信息，例如，Hash(文件名称：证据文件01，文件类型：JPG图片，文件数量：2，文件规格：3.35MB，修改时间：2019-07-11/15:45:01)＝XXXXXXXXXXXXXXXX。对于任意长度(按bit计算)的信息，SHA256(安全散列算法256)都会产生一个32个字节长度数据，SHA256始终把信息当成一个位(bit)字符串来处理。当服务器端接收到某一证据文件时，这个该证据文件的摘要信息可以用来验证证据文件中数据是否发生改变，即验证所接收到的证据文件的完整性。

S152、根据所述云存储节点将所述证据文件发送至与所述云存储节点对应的云存储服务器并记录所述证据文件的存储路径信息。

根据所述云存储节点将所述证据文件发送至与所述云存储节点对应的云存储服务器并记录所述证据文件的存储路径信息。云存储节点即是对应云存储服务器的节点信息，通过云存储节点即可将证据文件发送至对应云存储服务器进行存储，存储路径信息即为证据文件存储于云存储服务器中的存储地址，传统的区块链网络中每一区块链节点的存储容量上限较小，区块链节点即是每一终端中为存储账本信息所分配的特定存储空间，为解决传统区块链网络无法对证据文件进行存储的问题，可设置云存储服务器对大文件进行存储。具体的，云存储服务器可以是企业中所设置的可供其它终端进行访问的公共存储服务器，或者是互联网中所设置的可供其它终端进行访问的NAS网盘。服务器端将证据文件发送至云存储服务器，云存储服务器对证据文件进行存储并向服务器端反馈对应的存储路径信息。

例如，某一证据文件对应的存储路径信息如表1所示。

文件名称	存储路径信息
		证据文件01	/136.XX.XX.011/folder01/证据文件01

表1

S153、将所述摘要信息及所述存储路径信息作为所述证据文件的账本信息。

将所述摘要信息及所述存储路径信息作为所述证据文件的账本信息。所得到的摘要信息及存储路径信息均为文字信息，所占用的存储空间极小，因此可将摘要信息及存储路径信息合并后作为证据文件的账本信息进行存储。

S160、根据预置的广播规则将所述账本信息发送至区块链网络以对所述账本信息进行存储。

根据预置的广播规则将所述账本信息发送至区块链网络以对所述账本信息进行存储。区块链网络中包含巨量的区块链节点，为实现对所得到的账本信息进行分布式存储，需通过广播规则将该账本信息广播至区块链网络，以实现将账本信息存储于区块链网络的区块链节点中。具体的，广播规则中包括多个节点地址，每一节点地址对应区块链网络中的一个区块链节点。

具体的步骤包括：根据所述广播规则中的节点地址将所述账本信息发送至所述区块链网络中与所述节点地址对应的区块链节点，以将所述账本信息存储于所述区块链网络中。广播规则中的节点地址可为预先设置的区块链节点对应的IP地址，或已与服务器端进行数据信息传输的历史区块链节点对应的IP地址。根据广播规则对账本信息进行广播后，该账本信息在多个区块链节点中备份存储，若某一区块链节点中存储的账本信息被修改即可通过其他区块链节点中所备份存储的多个账本信息对被修改的账本信息进行验证，以避免存储于任一区块链节点中的账本信息被篡改。

在一实施例中，如图8所示，步骤S160之后还包括步骤S170和S180。

S170、若接收到用户所输入的信息检索请求，将所述区块链网络中与所述信息检索请求相匹配的账本信息作为目标账本信息。

若接收到用户所输入的信息检索请求，将所述区块链网络中与所述信息检索请求相匹配的账本信息作为目标账本信息。信息检索请求中包含用户所需获取的证据文件对应的文件名称及文件类型，每一账本信息的存储路径信息中均包含相应证据文件的文件名称及文件类型，基于信息检索请求中所包含的信息对所存储的账本信息进行检索即可得到与该信息检索请求相匹配的账本信息。具体的，可通过信息检索请求对服务器端对应区块链节点中所存储的账本信息进行检索，以将与信息检索请求相匹配的账本信息作为目标账本信息。在获取目标账本信息过程中，还可将信息检索请求广播至区块链网络中其他区块链节点，并获取其他区块链节点所反馈的备份账本信息，根据备份账本信息对检索到的目标账本信息进行验证，若验证通过则对该目标账本信息进行下一步处理，若验证不通过则向用户反馈目标账本信息有误的提示信息。

S180、根据所述目标账本信息中的存储路径信息，获取所述云存储服务器中与所述目标账本信息对应的证据文件作为目标证据文件并反馈至所述用户。

根据所述目标账本信息中的存储路径信息，获取所述云存储服务器中与所述目标账本信息对应的证据文件作为目标证据文件并反馈至所述用户，即可方便用户获取目标证据文件以发起益诉讼流程，解决了公益诉讼案件取证难的问题。每一账本信息中均包含相应证据文件的摘要信息及存储路径信息，获取目标账本信息后即可根据其中所包含的存储路径信息获取云存储服务器中对应的证据文件，以得到目标证据文件。

在本发明实施例所提供的基于图像识别的取证方法中，根据相似度判断模型对图像采集终端所采集的最新图像与对应的历史图像是否相似进行判断，得到相似判断结果，若相似判断结果为否，将最新图像与历史图像作为目标图像信息发送至用户终端，用户终端接收目标图像信息，根据分类模型对目标图像信息进行分类以得到类型信息，根据证据文件生成规则及类型信息生成与目标图像信息对应的证据文件。通过上述方法，可快速高效地对海量高清图像进行分析，并基于所采集的高清图像生成相应的取证材料，大幅提高了基于海量高清图像进行取证的效率。

本发明实施例还提供一种基于图像识别的取证系统，该基于图像识别的取证系统用于执行前述基于图像识别的取证方法的任一实施例。具体地，请参阅图9，图9是本发明实施例提供的基于图像识别的取证系统的示意性框图。该基于图像识别的取证系统包括图像采集终端10及用户终端20中。

如图8所示，图像采集终端10包括相似判断单元110和目标图像信息发送单元120，用户终端20包括目标图像信息分类单元130和证据文件生成单元140。

相似判断单元110，用于根据预置的相似度判断模型对所采集得到的最新图像与对应的历史图像是否相似进行判断，以得到相似判断结果。

其他发明实施例中，所述相似判断单元110包括子单元：灰度处理单元111、图像方差值计算单元112、逐行误差值计算单元113和相似判断结果获取单元114。

灰度处理单元111，用于对所述最新图像及所述历史图像进行灰度处理得到对应的第一灰度图像及第二灰度图像；图像方差值计算单元112，用于根据所述图像方差计算公式

分别计算所述第一灰度图像及所述第二灰度图像的图像方差值

逐行误差值计算单元113，用于根据所述误差计算公式

计算得到所述第一灰度图像及所述第二灰度图像之间的逐行误差值

相似判断结果获取单元114，用于判断所述逐行误差值中最大的误差值是否小于所述误差阈值以得到相似判断结果。

目标图像信息发送单元120，用于若所述相似判断结果为否，将所述最新图像与所述历史图像作为目标图像信息发送至所述用户终端。

目标图像信息分类单元130，用于接收所述目标图像信息，根据预置的分类模型对所述目标图像信息进行分类以得到类型信息。

其他发明实施例中，所述目标图像信息分类单元130包括子单元：残差图像获取单元131、特征向量获取单元132、匹配度计算单元133和类型信息获取单元134。

残差图像获取单元131，用于根据所述最新图像与所述历史图像的差别获取对应的残差图像；特征向量获取单元132，用于根据所述卷积神经网络获取与所述残差图像对应的特征向量；匹配度计算单元133，用于根据所述匹配度计算公式计算所述特征向量与所述目标分类特征信息中每一资源侵害类型之间的匹配度；类型信息获取单元134，用于根据所述特征向量与每一所述资源侵害类型之间的匹配度确定匹配度最高的一个资源侵害类型为所述残差图像的类型信息。

证据文件生成单元140，用于根据预置的证据文件生成规则及所述类型信息生成与所述目标图像信息对应的证据文件。

其他发明实施例中，所述证据文件生成单元140包括子单元：时间戳添加单元141、电子签名添加单元142和证据文件获取单元143。

时间戳添加单元141，用于根据所述时间戳添加规则在所述目标图像信息中添加时间戳；电子签名添加单元142，用于根据所述电子签名规则在已添加时间戳的所述目标图像信息中添加电子签名；证据文件获取单元143，用于将已添加电子签名的所述目标图像信息及所述类型信息作为与所述目标图像信息对应的证据文件。

其他发明实施例中，所述用户终端20中还包括子单元：账本信息生成单元150和账本信息存储单元160。

账本信息生成单元150，用于根据预置的证据文件存储模型对所述证据文件进行存储并获取与所述证据文件对应的账本信息。

其他发明实施例中，所述账本信息生成单元150包括子单元：摘要信息生成单元151、证据文件存储单元152和账本信息获取单元153。

摘要信息生成单元151，用于根据所述摘要信息生成规则生成与所述证据文件对应的摘要信息；证据文件存储单元152，用于根据所述云存储节点将所述证据文件发送至与所述云存储节点对应的云存储服务器并记录所述证据文件的存储路径信息；账本信息获取单元153，用于将所述摘要信息及所述存储路径信息作为所述证据文件的账本信息。

账本信息存储单元160，用于根据预置的广播规则将所述账本信息发送至区块链网络以对所述账本信息进行存储。

其他发明实施例中，所述用户终端20中还包括子单元：目标账本信息获取单元170和目标证据文件获取单元180。

目标账本信息获取单元170，用于若接收到用户所输入的信息检索请求，将所述区块链网络中与所述信息检索请求相匹配的账本信息作为目标账本信息。

目标证据文件获取单元180，用于根据所述目标账本信息中的存储路径信息，获取所述云存储服务器中与所述目标账本信息对应的证据文件作为目标证据文件并反馈至所述用户。

在本发明实施例所提供的基于图像识别的取证系统用于执行上述基于图像识别的取证方法，根据相似度判断模型对图像采集终端所采集的最新图像与对应的历史图像是否相似进行判断，得到相似判断结果，若相似判断结果为否，将最新图像与历史图像作为目标图像信息发送至用户终端，用户终端接收目标图像信息，根据分类模型对目标图像信息进行分类以得到类型信息，根据证据文件生成规则及类型信息生成与目标图像信息对应的证据文件。通过上述方法，可快速高效地对海量高清图像进行分析，并基于所采集的高清图像生成相应的取证材料，大幅提高了基于海量高清图像进行取证的效率。

上述基于图像识别的取证系统可以实现为计算机程序的形式，该计算机程序可以在如图10所示的计算机设备上运行。

请参阅图10，图10是本发明实施例提供的计算机设备的示意性框图。

参阅图10，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于图像识别的取证方法。

该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于图像识别的取证方法。

该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图10中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现本实施例的基于图像识别的取证方法。

本领域技术人员可以理解，图10中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图10所示实施例一致，在此不再赘述。

应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessingUnit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，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。其中，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。

在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本申请实施例的基于图像识别的取证方法。

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，上述描述的设备、系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备、系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，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。另外，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、系统或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

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发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是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存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的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计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

而前述的存储介质为实体的、非瞬时性的存储介质，例如可以是U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、磁碟或者光盘等各种可以存储程序代码的实体存储介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于图像识别的取证方法，其特征在于，应用于基于图像识别的取证系统，所述系统包括图像采集终端及用户终端；所述方法包括：

所述图像采集终端根据预置的相似度判断模型对所采集得到的最新图像与对应的历史图像是否相似进行判断，以得到相似判断结果；

若所述相似判断结果为否，将所述最新图像与所述历史图像作为目标图像信息发送至所述用户终端；

所述用户终端接收所述目标图像信息，根据预置的分类模型对所述目标图像信息进行分类以得到类型信息；

根据预置的证据文件生成规则及所述类型信息生成与所述目标图像信息对应的证据文件。

2.根据权利要求1所述的基于图像识别的取证方法，其特征在于，所述相似度判断模型包括图像方差计算公式、误差计算公式及误差阈值，所述图像采集终端根据预置的相似度判断模型对所采集得到的最新图像与对应的历史图像是否相似进行判断，以得到相似判断结果，包括：

对所述最新图像及所述历史图像进行灰度处理得到对应的第一灰度图像及第二灰度图像；

根据所述图像方差计算公式

分别计算所述第一灰度图像及所述第二灰度图像的图像方差值

其中，

为所述灰度图像第m行的方差值，A_m为所述灰度图像第m行所有像素点的灰度平均值，B为所述灰度图像所有像素点的灰度平均值，N为所述灰度图像所包含的总行数；

根据所述误差计算公式

计算得到所述第一灰度图像及所述第二灰度图像之间的逐行误差值

为所述第一灰度图像与所述第二灰度图像第m行的误差值，

为所述第一灰度图像第m行的方差值，

为所述第二灰度图像第m行的方差值；

判断所述逐行误差值中最大的误差值是否小于所述误差阈值以得到相似判断结果。

3.根据权利要求1所述的基于图像识别的取证方法，其特征在于，所述分类模型包括卷积神经网络、目标分类特征信息及匹配度计算公式，所述根据预置的分类模型对所述目标图像信息进行分类以得到类型信息，包括：

根据所述最新图像与所述历史图像的差别获取对应的残差图像；

根据所述卷积神经网络获取与所述残差图像对应的特征向量；

根据所述匹配度计算公式计算所述特征向量与所述目标分类特征信息中每一资源侵害类型之间的匹配度；

根据所述特征向量与每一所述资源侵害类型之间的匹配度确定匹配度最高的一个资源侵害类型为所述残差图像的类型信息。

4.根据权利要求1所述的基于图像识别的取证方法，其特征在于，所述证据文件生成规则包括时间戳添加规则及电子签名规则，所述根据预置的证据文件生成规则及所述类型信息生成与所述目标图像信息对应的证据文件，包括：

根据所述时间戳添加规则在所述目标图像信息中添加时间戳；

根据所述电子签名规则在已添加时间戳的所述目标图像信息中添加电子签名；

将已添加电子签名的所述目标图像信息及所述类型信息作为与所述目标图像信息对应的证据文件。

5.根据权利要求1所述的基于图像识别的取证方法，其特征在于，还包括：

根据预置的证据文件存储模型对所述证据文件进行存储并获取与所述证据文件对应的账本信息；

根据预置的广播规则将所述账本信息发送至区块链网络以对所述账本信息进行存储。

6.根据权利要求5所述的基于图像识别的取证方法，其特征在于，所述证据文件存储模型包括摘要信息生成规则及云存储节点，所述根据预置的证据文件存储模型对所述证据文件进行存储并获取与所述证据文件对应的账本信息，包括：

根据所述摘要信息生成规则生成与所述证据文件对应的摘要信息；

根据所述云存储节点将所述证据文件发送至与所述云存储节点对应的云存储服务器并记录所述证据文件的存储路径信息；

将所述摘要信息及所述存储路径信息作为所述证据文件的账本信息。

7.根据权利要求6所述的基于图像识别的取证方法，其特征在于，所述根据预置的广播规则将所述账本信息发送至区块链网络以对所述账本信息进行存储之后，还包括：

若接收到用户所输入的信息检索请求，将所述区块链网络中与所述信息检索请求相匹配的账本信息作为目标账本信息；

根据所述目标账本信息中的存储路径信息，获取所述云存储服务器中与所述目标账本信息对应的证据文件作为目标证据文件并反馈至所述用户。

8.一种基于图像识别的取证系统，其特征在于，包括图像采集终端及用户终端，所述图像采集终端包括相似判断单元及目标图像信息发送单元，所述用户终端包括目标图像信息分类单元及证据文件生成单元，其中，

所述相似判断单元，用于根据预置的相似度判断模型对所采集得到的最新图像与对应的历史图像是否相似进行判断，以得到相似判断结果；

所述目标图像信息发送单元，用于若所述相似判断结果为否，将所述最新图像与所述历史图像作为目标图像信息发送至所述用户终端；

所述目标图像信息分类单元，用于接收所述目标图像信息，根据预置的分类模型对所述目标图像信息进行分类以得到类型信息；

所述证据文件生成单元，用于根据预置的证据文件生成规则及所述类型信息生成与所述目标图像信息对应的证据文件。

9.一种基于图像识别的取证系统，其特征在于，包括至少两台计算机设备，所述计算机设备均包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，至少两台所述计算机设备中的处理器执行相应的计算机程序时共同实现如权利要求1至7中任一项所述的基于图像识别的取证方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7中任一项所述的基于图像识别的取证方法。

Images