CN111325265B - 一种针对篡改图像的检测方法及装置 - Google Patents
一种针对篡改图像的检测方法及装置 Download PDFInfo
- Publication number
- CN111325265B CN111325265B CN202010097367.5A CN202010097367A CN111325265B CN 111325265 B CN111325265 B CN 111325265B CN 202010097367 A CN202010097367 A CN 202010097367A CN 111325265 B CN111325265 B CN 111325265B
- Authority
- CN
- China
- Prior art keywords
- image
- similarity
- feature
- feature description
- determining
- 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
Links
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种针对篡改图像的检测方法及装置,该方法包括:在一种可能的设计中,确定第一图像的第一特征描述和所述第一图像所属的第一图像类型;所述第一图像为待审核图像;从所述第一图像类型中已审核图像的特征描述,确定与所述第一特征描述的特征相似度符合第一相似度要求的第二特征描述;针对特征相似度符合第一相似度要求的第二特征描述,确定所述第二特征描述对应的第二图像;若所述第一图像与所述第二图像的图像相似度符合第二相似度要求,则确定所述第一图像为篡改图像。采用上述方法,可以实现基于图像的全局特征,准确并快速检测篡改图像。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种针对篡改图像的检测方法及装置。
背景技术
目前,数字成像设备已成为现代生活不可或缺的物品,而随着各类编辑软件的快速发展,人们对数字图像的修改与编辑变的越来越便捷,这无疑会出现将图像篡改内容错认为重要信息的情况,极易误导人们,以致对社会造成不良影响。因此,图像检测取证技术作为当前研究热点之一。
图像篡改方式主要包括图像拼接篡改、图像复制-粘贴篡改、图像对象移除篡改三种。现有的图像篡改检测方法主要通过目标检测方法对应的目标检测模型,提取图像篡改区域和非篡改区域边界处存在的差异化特征,如,包含店主人像的店面图像,将店主人像篡改为另一个人,根据图像拼接交界处产生的图形角度、颜色、像素、亮度等差异将篡改区域(店主人像)和非篡改区域(店面图像)区分割开来,从而判断该图像是否为篡改图像。但图像拼接产生的差异可以通过翻拍来消除,如,将拼接图像重新拍摄,一些摄像机可以将拼接边界进行二次处理。将拼接边界的差异消除,如此,目标检测方法失效,无法获取图像拼接边界的差异。
因此,现在亟需一种针对篡改图像的检测方法及装置,用于基于图像的全局特征,准确并快速检测篡改图像。
发明内容
本发明实施例提供一种针对篡改图像的检测方法及装置,用于基于图像的全局特征,准确并快速检测篡改图像。
第一方面,本发明实施例提供一种针对篡改图像的检测方法,该方法包括:
在一种可能的设计中,确定第一图像的第一特征描述和所述第一图像所属的第一图像类型;所述第一图像为待审核图像;从所述第一图像类型中已审核图像的特征描述,确定与所述第一特征描述的特征相似度符合第一相似度要求的第二特征描述;针对特征相似度符合第一相似度要求的第二特征描述,确定所述第二特征描述对应的第二图像;若所述第一图像与所述第二图像的图像相似度符合第二相似度要求,则确定所述第一图像为篡改图像。
采用上述方法,通过第一图像的第一图像类型,确认第一图像类型对应的已审核图像,从而获取已审核图像对应的特征描述。如此,可以先获取与第一图像类型相同图像类型的已审核图像的特征描述。进而确定第一图像的第一描述特征与已审核图像的特征描述的特征相似度,从而确定特征相似度中符合第一相似度要求的第二特征描述,确认第二特征描述对应的第二图像。如此,可以初步确定与第一图像相似度较大的第二图像,也就是,初步确定与待审核图像相似度较大的已审核图像;基本可以判断这些被确定的已审核图像,为疑似被待审核图像篡改的图像。进一步,确认第二图像与第一图像的图片相似度,若图片相似度符合第二相似度要求,则第一图像为基于第二图像篡改的图像。也就是说,将这些被确定的已审核图像,即疑似被待审核图像篡改的图像;与待审核图像进一步计算图片相似度,若有图片相似度符合第二相似度要求的,则该符合第二相似度要求的图片相似度对应的疑似被待审核图像篡改的图像,确认为被待审核图像篡改的图像,即第一图像为篡改图像。如此,可以实现基于图像的全局特征,准确并快速检测篡改图像。
在一种可能的设计中,如果如下方式确定所述第一图像与所述第二图像的图像相似度,包括:确定所述第一图像的第三特征描述和所述第二图像的第四特征描述;其中,所述第三特征描述和所述第四特征描述的维度相同;所述第一特征描述和所述第二特征描述的维度相同;所述第三特征描述的维度数多于所述第一特征描述的维度数;计算所述第三特征描述和所述第四特征描述的相似度,从而得到所述第一图像与所述第二图像的图像相似度。
采用上述方法,通过确定第一图像的第三特征维度描述和所述第二图像的第四特征描述,计算第三特征描述和第四特征描述的图片相似度,因为第三特征描述和第四特征描述的维度相同,且维度高于第一特征描述和第二特征描述的维度,因此计算得到的图片相似度的准确性高于特征相似度。因此,可以先通过低维度的特征描述计算待审核图片与已审核图片的特征相似度,筛选出与待审核图片较为相似的已审核图片,实现初步筛选,可以加快计算速度。进一步将符合第一相似度的特征相似度对应的第二图片与第一图片计算图片相似度,即通过高维度特征描述计算待审核图片与已审核图片的相似度,使得图片相似度的精确度大大提高。实现了基于图像的全局特征,准确并快速检测篡改图像。
在一种可能的设计中,确定所述第一图像与所述第二图像的图像相似度,包括:通过双通道图像相似度计算模型,确定所述第一图像与所述第二图像的图像相似度;其中,所述双通道图像相似度计算模型是通过历史样本对训练得到的;每个历史样本对中包括具有相似度标记的两张图像。
采用上述方法,通过历史样本对训练得到的双通道图像相似度计算模型,因为每个历史样本对中包括具有相似度标记的两张图像,这两张图像可以作为正样本和反样本训练双通道图像相似度计算模型。如此,使得再通过双通道图像相似度计算模型计算第一图像与第二图像的图像相似度时,有效避免图像旋转、尺度变换、图像拼接等篡改操作对检测的影响,增加图像相似度的精确率。
在一种可能的设计中,确定与所述第一特征描述的特征相似度符合第一相似度要求的第二特征描述,包括:通过最近邻搜索方法,确定与所述第一特征描述的特征相似度符合第一相似度要求的第二特征描述。
采用上述方法,通过最近邻搜索方法,可以准确快速确定与第一特征描述的特征相似度符合第一相似度要求的第二特征描述。
在一种可能的设计中,通过如下方式确定各图像类型中的各第二特征描述,包括:对已审核图像进行分类,得到各图像类型中的已审核图像;针对每个图像类型,对所述图像类型中的每个已审核图像进行特征提取,基于乘积量化方式对提取的特征进行降维处理得到已审核图像的特征描述,并确定所述已审核图像的特征描述的特征索引。
采用上述方法,对已审核图像进行分类,对应各图像类型中的已审核图像进行特征提取,基于乘积量化方式对提取的特征进行降维处理得到第二特征描述。如此,使得各个已审核图像的特征描述与第一特征描述计算的维度较低,加快第二特征描述的确定。并通过设置第二特征描述的特征索引,使得在计算特征相似度时可以快速获取已审核图像的特征描述,加快检测篡改图像的速度。
在一种可能的设计中,对所述图像类型中的每个已审核图像进行特征提取,包括:通过设定的特征提取模型对所述图像类型中的每个已审核图像进行特征提取;确定所述第一图像的第三特征描述和所述第二图像的第四特征描述,包括:通过所述特征提取模型对所述第一图像进行特征提取,得到所述第三特征描述;通过所述特征提取模型对所述第二图像进行特征提取,得到所述第四特征描述。
采用上述方法,通过设定特征提取模型提取第一图像的第三特征描述,提取第二图像的第四特征描述。可以通过特征提取模型提取高维度的第三特征描述和第四特征描述,实现基于图像的全局特征,快速且高精度的检测篡改图像。
第二方面,本发明实施例提供一种针对篡改图像的检测装置,该装置包括:
确定模块,用于确定第一图像的第一特征描述和所述第一图像所属的第一图像类型;所述第一图像为待审核图像;
计算模块,用于从所述第一图像类型中已审核图像的特征描述,确定与所述第一特征描述的特征相似度符合第一相似度要求的第二特征描述;针对特征相似度符合第一相似度要求的第二特征描述,确定所述第二特征描述对应的第二图像;若所述第一图像与所述第二图像的图像相似度符合第二相似度要求,则确定所述第一图像为篡改图像。
在一种可能的设计中,如果如下方式确定所述第一图像与所述第二图像的图像相似度,包括:
所述确定模块还用于:确定所述第一图像的第三特征描述和所述第二图像的第四特征描述;其中,所述第三特征描述和所述第四特征描述的维度相同;所述第一特征描述和所述第二特征描述的维度相同;所述第三特征描述的维度数多于所述第一特征描述的维度数;
所述计算模块具体用于:计算所述第三特征描述和所述第四特征描述的相似度,从而得到所述第一图像与所述第二图像的图像相似度。
第三方面,本申请实施例还提供一种计算设备,包括:存储器,用于存储程序指令;处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行如第一方面的各种可能的设计中所述的方法。
第四方面,本申请实施例还提供一种计算机可读非易失性存储介质,包括计算机可读指令,当计算机读取并执行所述计算机可读指令时,使得计算机执行如第一方面的各种可能的设计中所述的方法。
本申请的这些实现方式或其他实现方式在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,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为本发明实施例提供的一种针对篡改图像的检测的架构示意图;
图2为本发明实施例提供的一种针对篡改图像的检测方法的流程示意图;
图3为本发明实施例提供的一种针对篡改图像的检测方法的流程示意图;
图4为本发明实施例提供的一种针对篡改图像的检测装置示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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它实施例,都属于本发明保护的范围。
本发明实施例提供的一种针对篡改图像的检测方法的架构示意图,如图1所示,已审核图像特征库系统101中存有已审核图像,并获取已审核图像的特征描述;已审核图像特征库系统101对各图像类型对应的已审核图像的特征描述设置检索索引。当图像检测系统102中输入待审核图像后,图像检测系统102确定待审核图像的图像类型,并对待审核图像进行特征提取,即提取第一特征描述;图像检测系统102获取待审核图像的图像类型后,调用已审核图像特征库系统101中的检索索引,获取与待审核图像的图像类型,相同图像类型的已审核图像的特征描述;图像检测系统102计算第一特征描述与已审核图像的特征描述的特征相似度,特征相似度符合第一相似度要求的特征描述为第二特征描述,根据第二特征描述从已审核图像特征库系统101获取第二特征描述对应的已审核图像;图像检测系统102计算待审核图像与已审核图像的图像相似度。篡改评估系统103获取待审核图像与已审核图像的图像相似度,评估图像相似度是否符合第二相似度要求,若符合,则确定待审核图像为篡改图像。否则,该待审核图像为非篡改图像。
基于此,本申请实施例提供了一种针对篡改图像的检测方法流程,如图2所示,包括:
步骤201、确定第一图像的第一特征描述和所述第一图像所属的第一图像类型;所述第一图像为待审核图像;
此处,第一图像为待审核图像,如,领取优惠权益需要上传营业执照和/或店面图片,通过上传篡改后的营业执照和/或相应的店面图片多次获取优惠权益,这里需要上传的营业执照和/或店面图片则是待审核图像。图像类型可以是药店类店面图片、超市类店面图片、加油站类店面图片以及证件照类图片等等。第一特征描述为待审核图像的特征描述数据;可以是向量形式,如,分别以各点的色彩、亮度、线条角度等等形成特征向量;也可以是特征集合,如,像素集合中包括各个点的像素数据、亮度集合中包括各个点的亮度等等形成的特征集合;这里具体特征描述的方式不做限定。也就是说,确定待审核图像的图像类型和图像特征描述。
步骤202、从所述第一图像类型中已审核图像的特征描述,确定与所述第一特征描述的特征相似度符合第一相似度要求的第二特征描述;
此处,特征相似度为各个已审核图像的特征描述与第一特征描述的相似度。已审核图像的特征描述与第一特征描述相对应,为可以通过相应算法计算已审核图像的特征描述与第一特征描述的特征相似度的特征描述。如,第一特征描述为待审核图像的特征向量,已审核图像的特征描述为已审核图像的特征向量,计算待审核图像的特征向量和已审核图像的特征向量的余弦相似度做特征相似度;或计算待审核图像的特征向量和已审核图像的特征向量的内积做特征相似度;或计算待审核图像的特征向量和已审核图像的特征向量的欧几里得距离做特征相似度等等;特征相似度算法具体不做限定。又如,将第一特征描述的特征向量和/或已审核图像的特征描述的特征向量正交分解,在分解后的低维正交子空间上进行量化获得PQ码,通过最近邻算法计算特征相似度。且低维空间采用较小的码本进行编码,还可以降低数据存储空间。因此,对特征描述的具体存在形式不做限定。第一相似度为特征相似度的设定阈值或特征相似度的概率分布等。如特征相似度为0-1的值,则可以根据行业经验设定特征相似度的阈值为0.8,若特征相似度超过0.8,则确定该特征相似度对应的已审核图像为疑似被篡改图像;其中,大于阈值0.8为第一相似度要求;又如,特征相似度为每项特征的相似度的集合,若每项特征的相似度的集合的概率分布与设定概率分布情况相同,则确定该特征相似度对应的已审核图像为疑似被篡改图像;其中,设定概率分布情况相同为第一相似度要求;因此,第一相似度的具体存在形式不做限定。也就是说,根据第一图像类型获取已审核图像的特征描述,计算第一特征描述与各个已审核图像的特征描述的特征相似度。若特征相似度符合第一相似度的要求,获取符合第一相似度要求的特征相似度对应的第二特征描述。
其中,确定与所述第一特征描述的特征相似度符合第一相似度要求的第二特征描述,包括:通过最近邻搜索方法,确定与所述第一特征描述的特征相似度符合第一相似度要求的第二特征描述。也就是说,可以通过最近邻搜索算法计算第一特征描述与已审核图片的特征描述的特征相似度,进而确定符合第一相似度要求的特征相似度对应的第二特征描述。
在计算特征相似度前,可以通过如下方式确定各图像类型中的各第二特征描述,包括:对已审核图像进行分类,得到各图像类型中的已审核图像;针对每个图像类型,对所述图像类型中的每个已审核图像进行特征提取,基于乘积量化方式对提取的特征进行降维处理得到已审核图像的特征描述,并确定所述已审核图像的特征描述的特征索引。也就是说,在计算特征相似度前,对已审核图像进行分类,例如,将图片分作证件照、店面图片等,证件照又可以分为身份证、营业执照、驾驶照等等,店面图片又可以分为超市店面图片、加油站店面图片等等。得到各图像类型中的已审核图像后,针对每个图像类型中的已审核图像进行特征提取,并将提取的各个已审核图像特征通过乘积量化的方式进行降维处理,得到已审核图像的特征描述。
其中,对所述图像类型中的每个已审核图像进行特征提取,包括:通过设定的特征提取模型对所述图像类型中的每个已审核图像进行特征提取;确定所述第一图像的第三特征描述和所述第二图像的第四特征描述,包括:通过所述特征提取模型对所述第一图像进行特征提取,得到所述第三特征描述;通过所述特征提取模型对所述第二图像进行特征提取,得到所述第四特征描述。
此处,对所述图像类型中的每个已审核图像进行特征提取,通过设定的特征提取模型,如,对于超过10000张的商户门头照图像。对不同类别的图片标注标签,比如超市类图片标记为“1”、加油站类图片标注为“2”,在VGG16网络模型的基础上进行训练;得到模型全连接层特征参数,可以作为已审核图像的第四特征描述;对待审核图像在VGG16网络模型的基础上进行训练;得到模型全连接层特征参数,可以作为待审核图像的第三特征描述;后续取中间特征层作为512维特征输出,也就是对第三特征描述做降维处理,得到第一特征描述;对第四特征描述做降维处理,得到已审核图片的特征描述。或者,直接将已审核图像的每个点的每项特征取值,形成高维向量,即第四特征描述;直接将待审核图像的每个点的每项特征取值,形成高维向量,即第三特征描述。这里确定第三特征描述和第四特征描述的方式不做限定。
步骤203、针对特征相似度符合第一相似度要求的第二特征描述,确定所述第二特征描述对应的第二图像;
此处,针对特征相似度符合第一相似度要求的已审核图片的特征描述,符合第一相似度要求的已审核图片的特征描述为第二特征描述,根据第二特征描述确定第二特征描述对应的已审核图片。
步骤204、若所述第一图像与所述第二图像的图像相似度符合第二相似度要求,则确定所述第一图像为篡改图像。
此处,图像相似度为精确度高于特征相似度的相似度。图像相似度为通过相应算法计算待审核图像与符合第一相似度要求的已审核图像的相似度所得。如,待审核图像的特征向量与符合第一相似度要求的已审核图像的特征向量计算余弦相似度,做图像相似度;或待审核图像的特征向量与符合第一相似度要求的已审核图像的特征向量计算内积,做图像相似度;或待审核图像的特征向量与符合第一相似度要求的已审核图像的特征向量计算欧几里得距离;做图像相似度等等,图片相似度算法具体不做限定。第二相似度为图片相似度的设定阈值或图片相似度的概率分布等。如图片相似度为0-1的值,则可以根据行业经验设定图片相似度的阈值为0.8,若图片相似度超过0.8,则确定该图片相似度对应的已审核图像为确认被篡改图像;其中,大于阈值0.8为第二相似度要求;又如,图片相似度为每项特征的相似度的集合,若每项特征的相似度的集合的概率分布与设定概率分布情况相同,则确定该图片相似度对应的已审核图像为确认被篡改图像;其中,设定概率分布情况相同为第二相似度要求;因此,第二相似度的具体存在形式不做限定。也就是说,若待审核图像与已审核图像的图像相似度符合第二相似度要求,则确定待审核图像为篡改图像。
其中,如果如下方式确定所述第一图像与所述第二图像的图像相似度,包括:确定所述第一图像的第三特征描述和所述第二图像的第四特征描述;其中,所述第三特征描述和所述第四特征描述的维度相同;所述第一特征描述和所述第二特征描述的维度相同;所述第三特征描述的维度数多于所述第一特征描述的维度数;计算所述第三特征描述和所述第四特征描述的相似度,从而得到所述第一图像与所述第二图像的图像相似度。
此处,待审核图像的第三特征描述与已审核图像的第四描述特征可以通过VGG16网络模型获取,也可以直接通过确定每个点的每项特征取值获取。可以直接调用步骤203中存储记忆的第三特征描述和第四特征描述,也可以重新计算第三特征描述和第四特征描述,这里确定第三特征描述和第四特征描述的方式不做限定。上述第三特征描述和第四特征描述的维度相同,第一特征描述和第二特征描述的维度相同,第三特征描述的维度高于第一特征描述。也就是说,计算图像相似度所基于的特征描述维度高于计算特征相似度所基于的特征描述维度。
其中,确定所述第一图像与所述第二图像的图像相似度,包括:通过双通道图像相似度计算模型,确定所述第一图像与所述第二图像的图像相似度;其中,所述双通道图像相似度计算模型是通过历史样本对训练得到的;每个历史样本对中包括具有相似度标记的两张图像。也就是说,可以利用历史样本对,即包含正样本图片和负样本图片的历史样本对,训练双通道图像相似度计算模型,如此将符合第一相似度要求的已审核图片和待审核图片输入双通道图像相似度计算模型,可以得到精确度更高的图像相似度。这里也可以直接将待审核图片的对应第三描述特征与已审核图像的第四描述特征做计算,如高维特征向量的内积、余弦相似度等,图片相似度的具体计算方式不做限定。
本申请实施例还提供了一种针对篡改图像的检测方法流程,如图3所示,包括:
步骤301、创建已审核图片数据库。
步骤302、将已审核图片数据库中的已审核图片分类。
步骤303、针对每类已审核图片提取每类已审核图片中各个已审核图片的特征,确定各个已审核图片的第四特征描述。
步骤304、对各个已审核图片的第四特征描述做降维处理,得到各个已审核图片的特征描述。通过Faiss、HASH等方法,为每类已审核图片的特征描述设置检索索引。
步骤305、获取待审核图像;
步骤306、确定待审核图像的图像类型以及第一特征描述;
步骤307、根据待审核图像的图像类型,通过索引确定相同图像类型的已审核图片的特征描述。
步骤308、计算待审核图像的第一特征描述与已审核图片的特征描述的特征相似度。
步骤309、确定符合第一相似度要求的特征相似度,并确定符合第一相似度要求的特征相似度对应的第二特征描述,根据第二特征描述获取第二特征描述对应的已审核图像。
步骤310、确定第二特征描述对应的已审核图像的第四特征描述,确定待审核图像的第三特征描述。
步骤311、通过第三特征描述和第四特征描述计算图片相似度。
步骤312、确定存在符合第二相似度要求的图片相似度。
步骤313、确定待审核图片为篡改图片。
基于同样的构思,本发明实施例提供一种针对篡改图像的检测装置,图4为本申请实施例提供的一种针对篡改图像的检测装置示意图,如图4示,包括:
确定模块401,用于确定第一图像的第一特征描述和所述第一图像所属的第一图像类型;所述第一图像为待审核图像;
计算模块402,用于从所述第一图像类型中已审核图像的特征描述,确定与所述第一特征描述的特征相似度符合第一相似度要求的第二特征描述;针对特征相似度符合第一相似度要求的第二特征描述,确定所述第二特征描述对应的第二图像;若所述第一图像与所述第二图像的图像相似度符合第二相似度要求,则确定所述第一图像为篡改图像。
在一种可能的设计中,如果如下方式确定所述第一图像与所述第二图像的图像相似度,包括:所述确定模块401还用于:确定所述第一图像的第三特征描述和所述第二图像的第四特征描述;其中,所述第三特征描述和所述第四特征描述的维度相同;所述第一特征描述和所述第二特征描述的维度相同;所述第三特征描述的维度数多于所述第一特征描述的维度数;所述计算模块402具体用于:计算所述第三特征描述和所述第四特征描述的相似度,从而得到所述第一图像与所述第二图像的图像相似度。
在一种可能的设计中,所述计算模块402具体用于:通过双通道图像相似度计算模型,确定所述第一图像与所述第二图像的图像相似度;其中,所述双通道图像相似度计算模型是通过历史样本对训练得到的;每个历史样本对中包括具有相似度标记的两张图像。
所述计算模块402具体用于:通过最近邻搜索方法,确定与所述第一特征描述的特征相似度符合第一相似度要求的第二特征描述。
所述确定模块401具体用于:对已审核图像进行分类,得到各图像类型中的已审核图像;针对每个图像类型,对所述图像类型中的每个已审核图像进行特征提取,基于乘积量化方式对提取的特征进行降维处理得到已审核图像的特征描述,并确定所述已审核图像的特征描述的特征索引。
所述计算模块402还用于:通过设定的特征提取模型对所述图像类型中的每个已审核图像进行特征提取;确定所述第一图像的第三特征描述和所述第二图像的第四特征描述,包括:通过所述特征提取模型对所述第一图像进行特征提取,得到所述第三特征描述;通过所述特征提取模型对所述第二图像进行特征提取,得到所述第四特征描述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (9)
1.一种针对篡改图像的检测方法,其特征在于,所述方法包括:
确定第一图像的第一特征描述和所述第一图像所属的第一图像类型;所述第一图像为待审核图像;
从所述第一图像类型中已审核图像的特征描述,确定与所述第一特征描述的特征相似度符合第一相似度要求的第二特征描述;针对特征相似度符合第一相似度要求的第二特征描述,确定所述第二特征描述对应的第二图像;通过双通道图像相似度计算模型,确定所述第一图像与所述第二图像的图像相似度;其中,所述双通道图像相似度计算模型是通过历史样本对训练得到的;每个历史样本对中包括具有相似度标记的两张图像;
若所述第一图像与所述第二图像的图像相似度符合第二相似度要求,则确定所述第一图像为篡改图像。
2.根据权利要求1所述的方法,其特征在于,如果如下方式确定所述第一图像与所述第二图像的图像相似度,包括:
确定所述第一图像的第三特征描述和所述第二图像的第四特征描述;其中,所述第三特征描述和所述第四特征描述的维度相同;所述第一特征描述和所述第二特征描述的维度相同;所述第三特征描述的维度数多于所述第一特征描述的维度数;
计算所述第三特征描述和所述第四特征描述的相似度,从而得到所述第一图像与所述第二图像的图像相似度。
3.如权利要求1或2所述的任意一项方法,其特征在于,确定与所述第一特征描述的特征相似度符合第一相似度要求的第二特征描述,包括:
通过最近邻搜索方法,确定与所述第一特征描述的特征相似度符合第一相似度要求的第二特征描述。
4.根据权利要求3所述的方法,其特征在于,
通过如下方式确定各图像类型中的各第二特征描述,包括:
对已审核图像进行分类,得到各图像类型中的已审核图像;
针对每个图像类型,对所述图像类型中的每个已审核图像进行特征提取,基于乘积量化方式对提取的特征进行降维处理得到已审核图像的特征描述,并确定所述已审核图像的特征描述的特征索引。
5.根据权利要求4所述的方法,其特征在于,对所述图像类型中的每个已审核图像进行特征提取,包括:
通过设定的特征提取模型对所述图像类型中的每个已审核图像进行特征提取;
确定所述第一图像的第三特征描述和所述第二图像的第四特征描述,包括:
通过所述特征提取模型对所述第一图像进行特征提取,得到所述第三特征描述;
通过所述特征提取模型对所述第二图像进行特征提取,得到所述第四特征描述。
6.一种针对篡改图像的检测装置,其特征在于,所述装置包括:
确定模块,用于确定第一图像的第一特征描述和所述第一图像所属的第一图像类型;所述第一图像为待审核图像;
计算模块,用于从所述第一图像类型中已审核图像的特征描述,确定与所述第一特征描述的特征相似度符合第一相似度要求的第二特征描述;针对特征相似度符合第一相似度要求的第二特征描述,确定所述第二特征描述对应的第二图像;通过双通道图像相似度计算模型,确定所述第一图像与所述第二图像的图像相似度;其中,所述双通道图像相似度计算模型是通过历史样本对训练得到的;每个历史样本对中包括具有相似度标记的两张图像;若所述第一图像与所述第二图像的图像相似度符合第二相似度要求,则确定所述第一图像为篡改图像。
7.根据权利要求6所述的装置,其特征在于,如果如下方式确定所述第一图像与所述第二图像的图像相似度,包括:
确定模块还用于:确定所述第一图像的第三特征描述和所述第二图像的第四特征描述;其中,所述第三特征描述和所述第四特征描述的维度相同;所述第一特征描述和所述第二特征描述的维度相同;所述第三特征描述的维度数多于所述第一特征描述的维度数;
计算模块具体用于:计算所述第三特征描述和所述第四特征描述的相似度,从而得到所述第一图像与所述第二图像的图像相似度。
8.一种计算设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行权利要求1至5任一项所述的方法。
9.一种计算机可读非易失性存储介质,其特征在于,包括计算机可读指令,当计算机读取并执行所述计算机可读指令时,使得计算机执行如权利要求1至5任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010097367.5A CN111325265B (zh) | 2020-02-17 | 2020-02-17 | 一种针对篡改图像的检测方法及装置 |
PCT/CN2021/074001 WO2021164515A1 (zh) | 2020-02-17 | 2021-01-27 | 一种针对篡改图像的检测方法及装置 |
TW110104595A TWI759099B (zh) | 2020-02-17 | 2021-02-08 | 一種針對篡改圖像的檢測方法及裝置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010097367.5A CN111325265B (zh) | 2020-02-17 | 2020-02-17 | 一种针对篡改图像的检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325265A CN111325265A (zh) | 2020-06-23 |
CN111325265B true CN111325265B (zh) | 2023-09-01 |
Family
ID=71172761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010097367.5A Active CN111325265B (zh) | 2020-02-17 | 2020-02-17 | 一种针对篡改图像的检测方法及装置 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN111325265B (zh) |
TW (1) | TWI759099B (zh) |
WO (1) | WO2021164515A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325265B (zh) * | 2020-02-17 | 2023-09-01 | 中国银联股份有限公司 | 一种针对篡改图像的检测方法及装置 |
CN115495712B (zh) * | 2022-09-28 | 2024-04-16 | 支付宝(杭州)信息技术有限公司 | 数字作品处理方法及装置 |
CN117576425B (zh) * | 2024-01-17 | 2024-04-16 | 南京掌控网络科技有限公司 | 一种窜拍图像检测的方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930608A (zh) * | 2010-08-26 | 2010-12-29 | 北京交通大学 | 篡改图像的盲检测方法和系统 |
CN109829069A (zh) * | 2018-12-28 | 2019-05-31 | 广州华多网络科技有限公司 | 图像审核处理方法、装置、电子设备及存储介质 |
CN110163761A (zh) * | 2019-03-27 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 基于图像处理的可疑项目成员识别方法及装置 |
CN110781917A (zh) * | 2019-09-18 | 2020-02-11 | 北京三快在线科技有限公司 | 重复图像的检测方法、装置、电子设备及可读存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485639A (zh) * | 2015-08-28 | 2017-03-08 | 百度在线网络技术(北京)有限公司 | 鉴别伪造证件图片的方法和装置 |
CN106846303A (zh) * | 2016-12-30 | 2017-06-13 | 平安科技(深圳)有限公司 | 图像篡改检测方法及装置 |
CN107944339B (zh) * | 2017-10-20 | 2020-01-21 | 阿里巴巴集团控股有限公司 | 一种证件验证、身份验证方法和装置 |
CN108510483B (zh) * | 2018-03-23 | 2020-10-20 | 云南师范大学 | 一种采用vlad编码和svm的计算生成彩色图像篡改检测方法 |
US20200005078A1 (en) * | 2018-07-02 | 2020-01-02 | Honeywell International Inc. | Content aware forensic detection of image manipulations |
CN109558903A (zh) * | 2018-11-20 | 2019-04-02 | 拉扎斯网络科技(上海)有限公司 | 一种证照图像检测方法、装置、电子设备及可读存储介质 |
CN110414437A (zh) * | 2019-07-30 | 2019-11-05 | 上海交通大学 | 基于卷积神经网络模型融合篡改人脸检测分析方法和系统 |
CN111325265B (zh) * | 2020-02-17 | 2023-09-01 | 中国银联股份有限公司 | 一种针对篡改图像的检测方法及装置 |
-
2020
- 2020-02-17 CN CN202010097367.5A patent/CN111325265B/zh active Active
-
2021
- 2021-01-27 WO PCT/CN2021/074001 patent/WO2021164515A1/zh active Application Filing
- 2021-02-08 TW TW110104595A patent/TWI759099B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930608A (zh) * | 2010-08-26 | 2010-12-29 | 北京交通大学 | 篡改图像的盲检测方法和系统 |
CN109829069A (zh) * | 2018-12-28 | 2019-05-31 | 广州华多网络科技有限公司 | 图像审核处理方法、装置、电子设备及存储介质 |
CN110163761A (zh) * | 2019-03-27 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 基于图像处理的可疑项目成员识别方法及装置 |
CN110781917A (zh) * | 2019-09-18 | 2020-02-11 | 北京三快在线科技有限公司 | 重复图像的检测方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
TW202133038A (zh) | 2021-09-01 |
WO2021164515A1 (zh) | 2021-08-26 |
TWI759099B (zh) | 2022-03-21 |
CN111325265A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325265B (zh) | 一种针对篡改图像的检测方法及装置 | |
CN107992819B (zh) | 一种车辆属性结构化特征的确定方法与装置 | |
Wang et al. | An effective method for plate number recognition | |
KR101896357B1 (ko) | 객체를 검출하는 방법, 디바이스 및 프로그램 | |
EP2557524A1 (en) | Method for automatic tagging of images in Internet social networks | |
CN112381775A (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
Farag | A lightweight vehicle detection and tracking technique for advanced driving assistance systems | |
CN113762136A (zh) | 人脸图像遮挡判断方法、装置、电子设备和存储介质 | |
US11682211B2 (en) | Computer-implemented method | |
CN112785595B (zh) | 目标属性检测、神经网络训练及智能行驶方法、装置 | |
CN110728229B (zh) | 图像处理方法、装置、设备和存储介质 | |
CN112287905A (zh) | 车辆损伤识别方法、装置、设备及存储介质 | |
Agarwal et al. | The advent of deep learning-based image forgery detection techniques | |
CN114332814A (zh) | 一种停车框识别方法、装置、电子设备及存储介质 | |
RU2664411C2 (ru) | Способ обработки последовательности изображений для распознавания воздушных объектов | |
CN112287763A (zh) | 图像处理方法、装置、设备及介质 | |
CN112733864A (zh) | 模型训练方法、目标检测方法、装置、设备及存储介质 | |
CN116052220B (zh) | 行人重识别方法、装置、设备及介质 | |
CN112183485B (zh) | 基于深度学习的交通锥桶检测定位方法、系统及存储介质 | |
CN113420664B (zh) | 基于图像的安全隐患检测方法及装置、设备及存储介质 | |
CN117253196B (zh) | 钢铁行业中基于视频的安全风险监控方法及装置 | |
CN116503695B (zh) | 目标检测模型的训练方法、目标检测方法及设备 | |
Park et al. | Don’t Wait Until the Accident Happens: Few-Shot Classification Framework for Car Accident Inspection in a Real World | |
Li et al. | Visual Recognition of Traffic Accident Scene’s Image Research |
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: 40032059 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |