CN111368342A - 图像篡改识别模型训练方法、图像篡改识别方法及装置 - Google Patents
图像篡改识别模型训练方法、图像篡改识别方法及装置 Download PDFInfo
- Publication number
- CN111368342A CN111368342A CN202010174738.5A CN202010174738A CN111368342A CN 111368342 A CN111368342 A CN 111368342A CN 202010174738 A CN202010174738 A CN 202010174738A CN 111368342 A CN111368342 A CN 111368342A
- Authority
- CN
- China
- Prior art keywords
- image
- tampering
- training
- features
- network layer
- 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
- 238000012549 training Methods 0.000 title claims abstract description 228
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000000605 extraction Methods 0.000 claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 230000004927 fusion Effects 0.000 claims description 28
- 238000013135 deep learning Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 230000000873 masking effect Effects 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Security & Cryptography (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种图像篡改识别模型训练方法、图像篡改识别方法及装置，属于图像识别技术领域，训练方法包括：获取训练图像集以及训练图像集中每个训练图像的标签，其中，在训练图像为篡改图像时，训练图像的标签包括篡改位置信息和篡改类型；以训练图像作为输入，通过待训练的图像篡改识别模型的特征提取网络层提取训练图像的RGB特征、纹理特征以及隐写特征；将训练图像的RGB特征、纹理特征以及隐写特征输入到图像篡改识别模型的检测网络层中，获取训练图像的篡改识别结果；对篡改识别结果与标签进行差异比较，根据差异比较结果优化图像篡改识别模型的参数并继续训练，直至满足预定条件时结束训练。本发明实施例能够准确且快速地识别篡改图像。
Description
技术领域
本发明涉及图像识别技术领域，尤其涉及一种图像篡改识别模型训练方法、图像篡改识别方法及装置。
背景技术
eKYC(electronic Know Your Customer)是指通过电子化的手段完成审查和备案，在身份验证、开户、反欺诈等场景中有着广泛的应用。在eKYC流程中，需要对上传的图像进行完整性认证，以判断图像是否被篡改。
目前，在对图像进行认证时，大多采用人工的方法进行审核，甄别上传的图像是否属于篡改图像。然而，不法分子通过软件编辑伪造图像或将证件信息涂改，再进行拍照上传，由于人类视觉局限性，采用人工进行甄别的方法并无法有效识别出这些篡改图像，导致eKYC流程存在欺诈风险；另外，对上传的图像采用人工进行甄别的方法无法快速完成对图像进行审核，效率较低。
发明内容
为了解决上述背景技术中提到的至少一个问题，本发明提供了一种图像篡改识别模型训练方法、图像篡改识别方法及装置，能够准确且快速地识别篡改图像，降低eKYC流程存在的欺诈风险。
本发明实施例提供的具体技术方案如下：
第一方面，提供了一种图像篡改识别模型训练方法，所述方法包括：
获取训练图像集以及所述训练图像集中每个训练图像的标签，其中，在所述训练图像为篡改图像时，所述训练图像的标签包括篡改位置信息和篡改类型；
以所述训练图像作为输入，通过待训练的图像篡改识别模型的特征提取网络层提取所述训练图像的RGB特征、纹理特征以及隐写特征；
将所述训练图像的RGB特征、纹理特征以及隐写特征输入到所述图像篡改识别模型的检测网络层中，获取所述训练图像的篡改识别结果；
对所述篡改识别结果与所述标签进行差异比较，根据差异比较结果优化所述图像篡改识别模型的参数并继续训练，直至满足预定条件时结束训练。
进一步地，所述训练图像集中包括数字图像篡改样本，所述数字图像篡改样本通过如下方式获取得到：
获取多对图像样本，其中，每对图像样本中包括原始图像以及从所述原始图像中随机提取的并经灰度处理后的图像块；
通过深度卷积生成对抗网络对所述多对图像样本进行训练，生成用于自动补充图像的图像补全模型；
随机选取所述原始图像中的区域并进行掩码；
采用所述图像补全模型对掩码后的所述区域进行补全，获得所述数字图像篡改样本。
进一步地，所述以所述训练图像作为输入，通过待训练的图像篡改识别模型的特征提取网络层提取所述训练图像的RGB特征、纹理特征以及隐写特征，包括：
通过所述特征提取网络层中预设的RGB通道提取所述训练图像的RGB特征；
通过所述特征提取网络层中预设的多个卷积核对所述训练图像进行卷积，得到所述训练图像的纹理特征，所述多个卷积核是通过对多个纹理特征算子以及所述多个纹理特征算子的转置进行两两相乘得到的多个矩阵；
通过所述特征提取网络层中预设的多个隐写特征算子对所述训练图像进行卷积，得到所述训练图像的隐写特征。
进一步地，所述图像篡改识别模型的检测网络层包括深度网络层、特征融合层以及输出层，所述将所述训练图像的RGB特征、纹理特征以及隐写特征输入到所述图像篡改识别模型的检测网络层中，获取所述训练图像的篡改识别结果，包括：
通过所述深度学习网络层提取所述RGB特征对应的目标深度特征、以及所述纹理特征与所述隐写特征对应的篡改特征；
通过所述特征融合网络层对所述目标深度特征和所述篡改特征进行融合，得到融合特征；
通过所述输出层对所述融合特征进行篡改识别，输出所述训练图像的篡改识别结果。
进一步地，所述深度学习网络层中包括两个并行的Darknet神经网络，其中一个Darknet神经网络用于对所述RGB特征进行深度学习得到所述目标深度特征，另外一个Darknet神经网络用于对所述纹理特征与所述隐写特征进行深度学习得到所述篡改特征。
进一步地，所述输出层包括YOLOv3网络。
第二方面，提供了一种图像篡改识别方法，所述方法包括：
获取待识别图像；
将所述待识别图像输入到训练好的图像篡改识别模型中进行篡改识别，得到所述待识别图像的篡改识别结果，所述篡改识别结果包括在所述待识别图像为篡改图像时所对应的篡改位置信息和篡改类型。
其中，所述训练好的图像篡改识别模型基于如第一方面所述的方法训练得到。
第三方面，提供了一种图像篡改识别模型训练装置，所述装置包括：
获取模块，用于获取训练图像集以及所述训练图像集中每个训练图像的标签，其中，在所述训练图像为篡改图像时，所述训练图像的标签包括篡改位置信息和篡改类型；
提取模块，用于以所述训练图像作为输入，通过待训练的图像篡改识别模型的特征提取网络层提取所述训练图像的RGB特征、纹理特征以及隐写特征；
识别模块，用于将所述训练图像的RGB特征、纹理特征以及隐写特征输入到所述图像篡改识别模型的检测网络层中，获取所述训练图像的篡改识别结果；
优化模块，用于对所述训练图像的篡改识别结果与所述训练图像的标签进行差异比较，根据差异比较结果优化所述图像篡改识别模型的参数并继续训练，直至满足预定条件时结束训练。
进一步地，所述训练图像集中包括数字图像篡改样本，所述获取模块具体用于：
获取多对图像样本，其中，每对图像样本中包括原始图像以及从所述原始图像中随机提取的并经灰度处理后的图像块；
通过深度卷积生成对抗网络对所述多对图像样本进行训练，生成用于自动补充图像的图像补全模型；
随机选取所述原始图像中的区域并进行掩码；
采用所述图像补全模型对掩码后的所述区域进行补全，获得所述数字图像篡改样本。
进一步地，所述提取模块具体用于：
通过所述特征提取网络层中预设的RGB通道提取所述训练图像的RGB特征；
通过所述特征提取网络层中预设的多个卷积核对所述训练图像进行卷积，得到所述训练图像的纹理特征，所述多个卷积核是通过对多个纹理特征算子以及所述多个纹理特征算子的转置进行两两相乘得到的多个矩阵；
通过所述特征提取网络层中预设的多个隐写特征算子对所述训练图像进行卷积，得到所述训练图像的隐写特征。
进一步地，所述识别模块包括：
提取子模块，用于通过所述图像篡改识别模型的深度学习网络层提取所述RGB特征对应的目标深度特征、以及所述纹理特征与所述隐写特征对应的篡改特征；
融合子模块，用于通过所述图像篡改识别模型的特征融合网络层对所述目标深度特征和所述篡改特征进行融合，得到融合特征；
输出子模块，用于通过所述输出层对所述融合特征进行篡改识别，输出所述训练图像的篡改识别结果。
进一步地，所述深度学习网络层中包括两个并行的Darknet神经网络，其中一个Darknet神经网络用于对所述RGB特征进行深度学习得到所述目标深度特征，另外一个Darknet神经网络用于对所述纹理特征与所述隐写特征进行深度学习得到所述篡改特征。
进一步地，所述输出层包括YOLOv3网络。
第四方面，提供了一种图像篡改识别装置，所述装置包括：
获取模块，用于获取待识别图像；
识别模块，用于将所述待识别图像输入到训练好的图像篡改识别模型中进行篡改识别，得到所述待识别图像的篡改识别结果，所述篡改识别结果包括在所述待识别图像为篡改图像时所对应的篡改位置信息和篡改类型。
其中，所述训练好的图像篡改识别模型基于如第一方面所述的方法训练得到。
第五方面，提供了一种计算机设备，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第一方面所述的图像篡改识别模型训练方法，或者所述处理器执行所述计算机程序时实现如第二方面所述的图像篡改识别方法。
第六方面，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第一方面所述的图像篡改识别模型训练方法，或者，所述计算机程序被处理器执行时实现如第二方面所述的图像篡改识别方法。
本发明实施例提供的技术方案带来如下有益效果：
在图像篡改识别模型的训练过程中，通过图像篡改识别模型的特征提取层进行提取所述训练图像的RGB特征、纹理特征以及隐写特征，并通过图像篡改识别模型的检测网络层对所述训练图像的RGB特征、纹理特征以及隐写特征进行篡改识别，获取所述训练图像的篡改识别结果，由于采用RGB特征、纹理特征以及隐写特征能够更加全面地表征训练图像的篡改特征信息，从而能够提高图像篡改识别模型的训练效果，也提升了根据训练后的模型进行图像篡改识别的准确性，降低了eKYC流程存在的欺诈风险，此外，也实现了自动化识别篡改图像，避免了人工参与，从而也可以提高图像篡改识别的效率。
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示出了本发明实施例提供的图像篡改识别模型训练方法的流程示意图；
图2示出了本发明实施例中获取数字图像篡改样本的流程示意图；
图3示出了图1所示方法中步骤102的流程示意图；
图4示出了图1所示方法中步骤103的流程示意图；
图5示出了本发明实施例提供的图像篡改识别模型的结构示意图；
图6示出了本发明实施例提供的图像篡改识别方法的流程示意图；
图7示出了本发明实施例提供的图像篡改识别模型训练装置的结构示意图；
图8示出了本发明实施例提供的图像篡改识别装置的结构示意图；
图9示出了本发明实施例提供的计算机设备的内部结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，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。
需要说明的是，除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在对本发明提供的技术方案进行说明之前，先对本发明实施例所涉及的相关术语进行介绍。
数字图像篡改(Digital Image Tamperimg)，是指通过软件编辑或其他技术手段，改变图像信息的过程。数字图像篡改可以通过显式信息篡改和图像隐写(ImageSteganography)实现，显式信息篡改涵盖绞接(splicing,即从别的图像挖取元素，粘贴在目标图像的指定位置)、移除(removal，即从图像上去除指定元素)和复制-移动(copy-move,即在目标图像上选择一个元素，将它移动到图像中的另一处)等。图像隐写是指在不改变图像视觉感知的情况下，将其他信息写入并隐藏在图像中。
图像物理篡改(Physical image tamper)，是指通过物理手段修改物理对象，再将其记录为数字图像的过程。例如将证件信息涂改，再进行拍照，则属于图像物理信息篡改。此法虽没有篡改数字图像中的任何数据元，但证件包含的语义信息在成像之前已被篡改。
图像特征提取(Image Feature Extraction)，是指通过数学变换或特定运算处理数字图像中的像素点或区域，处理后的信息能够体现图像的某种特性，或在特定模式下会有较强的信号响应。
深度神经网络(Deep Neural Network)，是一种人为设计的网络结构，其本质是多层感知机(Multi-layer Perceptron)。感知机由若干神经元(Neuron)构成，每个神经元从外部或其它节点收到输入信号，并通过激活函数得到输出信号，就像大脑中神经元的信号传递。神经元按层相连，形成网络结构。与神经细胞不同，人工神经元的信号能够反向传播，这种反馈机制让感知机具备学习功能。除了学习功能，多层感知机可以表示非线性映射，因此神经网络能够辅助解决一些相对复杂的问题，如模式识别、自动控制、决策评估、预测等。
目标检测(Object Detection)，是指利用技术手段，在数字化的视觉信息中(视频流、图像等),检出指定目标或模式(Pattern)所在的位置。目前绝大多数有效的目标检测方法均由深度神经网络搭建。
实施例一
本发明实施例提供一种图像篡改识别模型训练方法，可以应用于服务器中，服务器可以采用独立的服务器或服务器集群，如图1所示，该方法可以包括：
步骤101，获取训练图像集以及训练图像集中每个训练图像的标签，其中，在训练图像为篡改图像时，训练图像的标签包括篡改位置信息和篡改类型。
其中，训练图像集用于训练生成图像篡改识别模型，训练图像可以是各种图像格式的数字图像，例如PNG、JPEG、BMP、TIFF格式等，也可以是从各种视频格式的数字视频中抽取出的关键图像帧，例如MP4、AVI、MOV、FLV、MKV格式等。于本实施例中，训练图像集中包括真实图像和篡改图像，其中，篡改图像按篡改类型可以分为数字图像篡改和图像物理篡改。
上述的训练图像集中可以包括数字图像篡改样本，数字图像篡改样本可以通过如下方式获取得到，包括：
从COCO、ImageNet等公开数据集(带标注信息)中选取图片，随机将其中一张图像上的元素复制到另一张图的指定区域，或将同一张图像上的元素复制到该图的另一个区域，或将一张图像上的元素抹去，形成数字图像篡改样本。
此外，上述的训练图像集中还可以包括图像物理篡改样本，图像物理篡改样本可以通过如下方式获取得到，包括：
将若干证件以及文字资料通过采用各种篡改方式(涂改、粘贴等)修改资料上的信息，并记录为数字图像或数字视频；针对数字图像中的篡改区域或者数字视频的关键帧中的篡改区域，通过样本增强的方式，将篡改区域进行复制并随机粘贴到其他样本中，增加样本数量。
本实施例中，在生成篡改图像的过程中，可以通过工人标注的方式或者机器自动标注的方式对篡改图像进行标注标签，其中，标签包括篡改位置信息和篡改类型，篡改位置信息用于表征篡改图像的篡改区域，篡改类型用于表征篡改区域的类型是数字图像篡改还是图像物理篡改。
在训练图像为篡改图像时，训练图像的标签可以采用统一格式记录，具体包含以下几个参数:
id:篡改对应的图像/视频id；
x:篡改区域在图像/视频中的空间起始横坐标；
y:篡改区域在图像/视频中的空间起始纵坐标；
width:篡改区域在图像/视频中的区域宽度；
height:篡改区域在图像/视频中的区域高度；
type:篡改区域的具体类型。
需要说明的是，在训练图像为真实图像时，训练图像的标签为真实。
此外，本实施例中，在获取训练图像之后，还可以对训练图像进行样本扩充，得到大量的训练图像，从而提高后续模型泛化能力和鲁棒性。
步骤102，以训练图像作为输入，通过待训练的图像篡改识别模型的特征提取网络层提取训练图像的RGB特征、纹理特征以及隐写特征。
其中，RGB特征用于表征图像视觉信息，图像纹理特征用于表征图像纹理信息，图像隐写特征用于表征数字图像篡改信息。
本实施例中，图像篡改识别模型的特征提取网络层中预设有用于提取图像RGB特征的RGB通道、用于提取图像纹理特征的卷积核以及用于提取图像隐写特征的隐写特征算子。其中，RGB通道包括由红色像素点值形成的R通道、绿色像素点值形成的G通道及蓝色像素点值形成的B通道。卷积核可以由人工预设定，于本实施例中，不同通道的卷积核不同。
可选地，在训练图像输入到图像篡改识别模型之前，本发明实施例提供的方法还可以包括：
对训练图像进行图像预处理，图像预处理包括对训练图像按照固定尺寸进行缩放，此外，还可以包括图像增强处理，包括但不限于调整图像的色彩(Color)丰富度、改变其光照(Brightness)强度、调节图像对比度(Contrast)以及对图像进行锐化(Sharpnes)等。
本实施例中，通过对训练图像进行预处理，能够将图像变得更为自然，目标特征更为明显，使得后续模型训练效果更好。
步骤103，将训练图像的RGB特征、纹理特征以及隐写特征输入到图像篡改识别模型的检测网络层中，获取训练图像的篡改识别结果。
具体地，使用图像篡改识别模型的检测网络层对训练图像的RGB特征、纹理特征以及隐写特征进行识别，得到训练图像的篡改识别结果，其中，篡改识别结果指示训练图像是否为篡改图像，以及在训练图像为篡改图像时所对应的篡改位置信息与篡改类型。其中，图像篡改识别模型的检测网络层可以基于深度神经网络构建得到，例如YOLO、Fast-RCNN、FRCNN或MaskRCNN网络，优选地，本实施例中的检测网络层包括以DarkNet网络为基础网络的YOLOv3网络。
步骤104，对篡改识别结果与标签进行差异比较，根据差异比较结果优化图像篡改识别模型的参数并继续训练，直至满足预定条件时结束训练。
具体地，基于训练图像的篡改识别结果(即预测值)与该训练图像的标签(即真实值)进行差异计算，得到损失函数值，根据损失函数值确定对图像篡改识别模型的参数进行优化，并重新进入步骤102至步骤104，通过反复优化迭代，直至损失函数收敛时结束训练，即得到训练好的图像篡改识别模型。其中，可以采用梯度下降法来实现模型参数优化。
其中，基于训练图像的篡改识别结果与标签进行差异计算，该过程可以包括：
在篡改识别结果指示训练图像为篡改图像时，根据损失函数计算公式对篡改识别结果中的篡改位置信息、篡改类型与标签中的篡改位置信息、篡改类型分别进行差异计算，得到损失函数值。其中，损失函数计算可以采用交叉熵来实现。
本发明实施例提供一种图像篡改识别模型训练方法，在模型训练过程中，通过图像篡改识别模型的特征提取层进行提取训练图像的RGB特征、纹理特征以及隐写特征，并通过图像篡改识别模型的检测网络层对训练图像的RGB特征、纹理特征以及隐写特征进行篡改识别，获取训练图像的篡改识别结果，由于通过采用RGB特征、纹理特征以及隐写特征能够更加全面地表征训练图像的篡改特征信息，从而能够提高图像篡改识别模型的训练效果，进而提升了后续根据训练后的模型进行图像篡改识别的准确性。
在一较佳实施方式中，如图2所示，上述的数字图像篡改样本可以通过如下方式获取得到，包括步骤：
201、获取多对图像样本，其中，每对图像样本中包括原始图像以及从原始图像中随机提取的并经灰度处理后的图像块。
这里，原始图像可以从公开数据集(例如COCO、ImageNet)中选取得到，对随机提取出的图像块进行灰度处理可以是将该图像块的灰度值置为(0,0,0)。
202、通过深度卷积生成对抗网络对多对图像样本进行训练，生成用于自动补充图像的图像补全模型。
这里，深度卷积生成对抗网络可以采用DCGAN网络，DCGAN网络结构可以参照现有技术，此处不再赘述。
203、随机选取原始图像中的区域并进行掩码。
204、采用图像补全模型对掩码后的区域进行补全，获得数字图像篡改样本。
本实施例中，通过深度卷积生成对抗网络(DCGAN)训练生成图像补全模型，并采用图像补全模型生成数字图像篡改样本，这样能够有效提高生成数字图像篡改样本的合成质量，从而能够提高后续模型的训练性能。
在一较佳实施方式中，如图3所示，上述步骤102中以训练图像作为输入，通过待训练的图像篡改识别模型的特征提取网络层提取训练图像的RGB特征、纹理特征以及隐写特征，该过程可以包括：
301，通过特征提取网络层中预设的RGB通道提取训练图像的RGB特征。
302，通过特征提取网络层中预设的多个卷积核对训练图像进行卷积，得到训练图像的纹理特征，多个卷积核是通过对多个纹理特征算子以及多个纹理特征算子的转置进行两两相乘得到的多个矩阵。
其中，上述的多个纹理特征算子可以采用如下五种算子，即：
L5＝[1,4,6,4,1](Level)；E5＝[-1,-2,0,2,1](Edge)；S5＝[-1,0,2,0,-1](Spot)；W5＝[-1,2,0,-2,1](Wave)；R5＝[1,-4,6,-4,1](Ripple)；
本实施例中，将上述五种算子两两相乘(前项转置与后项相乘)，形成25种的5x5矩阵作为卷积核分别对训练图像进行卷积，得到25个通道的纹理特征。
303，通过特征提取网络层中预设的多个隐写特征算子对训练图像进行卷积，得到训练图像的隐写特征。
其中，可以通过如下的三个隐写特征算子分别对训练图像进行卷积，得到3个通道的隐写特征，即:
本实施例中，可以对提取出的RGB特征、纹理特征以及隐写特征组合成多通道特征，即可以得到RGB(3)+Texture(25)+Steganography(3)＝31通道的特征值，以便用于后续模型训练。
在一较佳实施方式中，上述的检测网络层可以包括深度网络层、特征融合层以及输出层，如图4所示，步骤103中将训练图像的RGB特征、纹理特征以及隐写特征输入到图像篡改识别模型的检测网络层中，获取训练图像的篡改识别结果，该过程可以包括：
401，通过深度学习网络层提取RGB特征对应的目标深度特征、以及纹理特征与隐写特征对应的篡改特征。
本实施例中，深度学习网络层可以包括两个并行的Darknet神经网络，其中一个Darknet神经网络用于对RGB特征进行深度学习得到目标深度特征，另外一个Darknet神经网络用于对纹理特征与隐写特征进行深度学习得到篡改特征。
优选地，上述Darknet神经网络可以采用Darknet-53网络。
402，通过特征融合网络层对目标深度特征和篡改特征进行融合，得到融合特征。
本实施例中，可以通过特征融合网络层中的双线性池化(bilieaner-pooling)网络结构对目标深度特征和篡改特征进行融合，得到融合特征。
403，通过输出层对融合特征进行篡改识别，输出训练图像的篡改识别结果。
本实施例中，通过输出层中的YOLO网络对融合特征进行篡改识别，输出训练图像的篡改识别结果，其中，篡改识别结果指示训练图像是否为篡改图像，以及在训练图像为篡改图像时所对应的篡改位置信息与篡改类型。篡改位置信息包括篡改区域在图像/视频中的空间起始横坐标、在图像/视频中的空间起始纵坐标、在图像/视频中的区域宽度以及篡改区域在图像/视频中的区域高度。
本实施例中，由于YOLO网络能够实现一阶段式(one-stage)的检测，即YOLO网络实现图像的目标检测与分类在一个阶段内完成，相对于二阶段式(two-stage)的检测网络而言，速度更快，从而能够极大地满足eKYC流程中图像识别的实时性需求。
为了便于理解，请参阅图5，图5为本发明实施例中图像篡改识别模型的一个结构示意图，如图5所示，首先是输入层，作用是将图像数据输入到模型网络中。接着是特征提取网络层，该特征提取网络层包含SRM fitler-3网络(用于提取图像隐写特征)、Texture-25网络(用于提取图像纹理特征)以及RGB-3网络(用于提取图像RGB特征)，接下来是检测网络层，包括深度学习网络层、特征融合层以及输出层，其中深度学习网络层包括两个并行独立的Darknet-53网络，一个Darknet-53网络用于提取图像的目标深度特征，供目标检测使用，另一个Darknet-53网络用于提取图像的篡改特征，供目标分类使用；特征融合层采用双线性池化进行融合图像的目标深度特征和图像的篡改特征，得到最终的深度特征；输出层采用YOLOv3进行检测与分类，得到篡改识别结果，并可以使用交叉熵损失函数计算篡改识别结果和标签的差值进行反向传播。
需要说明的是，本实施例在模型训练完成后，将模型的中间变量、梯度等数据删除，保留后续篡改识别所需的参数，并将其压缩存储，这样在后续篡改识别时，通过使用加速运算框架例如Nvidia cudnn、Intel OpenVino等载入参数，能够快速地对输入图像进行篡改识别。
实施例二
基于上述实施例一训练生成的图像篡改识别模型，本发明实施例还提供一种图像篡改识别方法，可以应用于服务器中，服务器可以采用独立的服务器或服务器集群，如图6所示，该方法可以包括：
步骤601，获取待识别图像。
本实施例中，对获取到的待识别图像按照固定尺寸进行缩放处理，以满足模型的输入图像尺寸要求。
步骤602，将待识别图像输入到训练好的图像篡改识别模型中进行篡改识别，得到待识别图像的篡改识别结果，篡改识别结果包括在待识别图像为篡改图像时所对应的篡改位置信息和篡改类型。
其中，训练好的图像篡改识别模型基于实施例一的方法训练得到。
本实施例中，将待识别图像输入到训练好的图像篡改识别模型中，通过训练好的图像篡改识别模型的特征提取网络层提取待识别图像的RGB特征、纹理特征以及隐写特征；将待识别图像的RGB特征、纹理特征以及隐写特征输入到图像篡改识别模型的检测网络层中，获取待识别图像的篡改识别结果。
其中，上述的通过训练好的图像篡改识别模型的特征提取网络层提取待识别图像的RGB特征、纹理特征以及隐写特征，该过程可以包括：
通过特征提取网络层中预设的RGB通道提取待识别图像的RGB特征；
通过特征提取网络层中预设的多个卷积核对待识别图像进行卷积，得到待识别图像的纹理特征；
通过特征提取网络层中预设的多个隐写特征算子对待识别图像进行卷积，得到待识别图像的隐写特征。
其中，上述的将训练图像的RGB特征、纹理特征以及隐写特征输入到图像篡改识别模型的检测网络层中，获取训练图像的篡改识别结果，，该过程可以包括：
通过深度学习网络层提取RGB特征对应的目标深度特征、以及纹理特征与隐写特征对应的篡改特征；
通过特征融合网络层对目标深度特征和篡改特征进行融合，得到融合特征；
通过输出层对融合特征进行篡改识别，输出待识别图像的篡改识别结果。
本发明实施例提供的图像篡改识别方法，通过采用预先训练好的图像篡改识别模型进行篡改识别，可以实现快速、准确地识别出篡改图像，降低了eKYC流程存在的欺诈风险，此外，也实现了自动化识别篡改图像，避免了人工参与，从而也可以提高图像篡改识别的效率。
实施例三
基于上述实施例一，本发明实施例还提供了一种图像篡改识别模型训练装置，如图7所示，装置包括：
获取模块71，用于获取训练图像集以及训练图像集中每个训练图像的标签，其中，在训练图像为篡改图像时，训练图像的标签包括篡改位置信息和篡改类型；
提取模块72，用于以训练图像作为输入，通过待训练的图像篡改识别模型的特征提取网络层提取训练图像的RGB特征、纹理特征以及隐写特征；
识别模块73，用于将训练图像的RGB特征、纹理特征以及隐写特征输入到图像篡改识别模型的检测网络层中，获取训练图像的篡改识别结果；
优化模块74，用于对训练图像的篡改识别结果与训练图像的标签进行差异比较，根据差异比较结果优化图像篡改识别模型的参数并继续训练，直至满足预定条件时结束训练。
在一较佳实施方式中，训练图像集中包括数字图像篡改样本，获取模块71具体用于：
获取多对图像样本，其中，每对图像样本中包括原始图像以及从原始图像中随机提取的并经灰度处理后的图像块；
通过深度卷积生成对抗网络对多对图像样本进行训练，生成用于自动补充图像的图像补全模型；
随机选取原始图像中的区域并进行掩码；
采用图像补全模型对掩码后的区域进行补全，获得数字图像篡改样本。
在一较佳实施方式中，提取模块72具体用于：
通过特征提取网络层中预设的RGB通道提取训练图像的RGB特征；
通过特征提取网络层中预设的多个卷积核对训练图像进行卷积，得到训练图像的纹理特征，多个卷积核是通过对多个纹理特征算子以及多个纹理特征算子的转置进行两两相乘得到的多个矩阵；
通过特征提取网络层中预设的多个隐写特征算子对训练图像进行卷积，得到训练图像的隐写特征。
在一较佳实施方式中，识别模块73包括：
提取子模块，用于通过图像篡改识别模型的深度学习网络层提取RGB特征对应的目标深度特征、以及纹理特征与隐写特征对应的篡改特征；
融合子模块，用于通过图像篡改识别模型的特征融合网络层对目标深度特征和篡改特征进行融合，得到融合特征；
输出子模块，用于通过输出层对融合特征进行篡改识别，输出训练图像的篡改识别结果。
在一较佳实施方式中，深度学习网络层中包括两个并行的Darknet神经网络，其中一个Darknet神经网络用于对RGB特征进行深度学习得到目标深度特征，另外一个Darknet神经网络用于对纹理特征与隐写特征进行深度学习得到篡改特征。
在一较佳实施方式中，输出层包括YOLOv3网络。
需要说明的是：本实施例提供的图像篡改识别模型训练装置中，仅以上述各功能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模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，本实施例的图像篡改识别模型训练装置与上述实施例中的图像篡改识别模型训练方法实施例属于同一构思，其具体实现过程和有益效果详见图像篡改识别模型训练方法实施例，这里不再赘述。
实施例四
基于上述实施例二，本发明实施例还提供了一种图像篡改识别装置，如图8所示，装置包括：
获取模块81，用于获取待识别图像；
识别模块82，用于将待识别图像输入到训练好的图像篡改识别模型中进行篡改识别，得到待识别图像的篡改识别结果，篡改识别结果包括在待识别图像为篡改图像时所对应的篡改位置信息和篡改类型。
其中，训练好的图像篡改识别模型基于如上述实施例一的方法训练得到。
需要说明的是：本实施例提供的图像篡改识别装置中，仅以上述各功能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模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，本实施例的图像篡改识别装置与上述实施例中的图像篡改识别方法实施例属于同一构思，其具体实现过程和有益效果详见图像篡改识别方法实施例，这里不再赘述。
图9为本发明实施例提供的计算机设备的内部结构图。该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像篡改识别模型训练方法，或者，该计算机程序被处理器执行时以实现一种图像篡改识别方法。
本领域技术人员可以理解，图9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的限定，具体的计算机设备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。
在一个实施例中，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取训练图像集以及训练图像集中每个训练图像的标签，其中，在训练图像为篡改图像时，训练图像的标签包括篡改位置信息和篡改类型；
以训练图像作为输入，通过待训练的图像篡改识别模型的特征提取网络层提取训练图像的RGB特征、纹理特征以及隐写特征；
将训练图像的RGB特征、纹理特征以及隐写特征输入到图像篡改识别模型的检测网络层中，获取训练图像的篡改识别结果；
对篡改识别结果与标签进行差异比较，根据差异比较结果优化图像篡改识别模型的参数并继续训练，直至满足预定条件时结束训练。
在一个实施例中，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取待识别图像；
将待识别图像输入到训练好的图像篡改识别模型中进行篡改识别，得到待识别图像的篡改识别结果，篡改识别结果包括在待识别图像为篡改图像时所对应的篡改位置信息和篡改类型；
其中，训练好的图像篡改识别模型基于如实施例一的方法训练得到。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取训练图像集以及训练图像集中每个训练图像的标签，其中，在训练图像为篡改图像时，训练图像的标签包括篡改位置信息和篡改类型；
以训练图像作为输入，通过待训练的图像篡改识别模型的特征提取网络层提取训练图像的RGB特征、纹理特征以及隐写特征；
将训练图像的RGB特征、纹理特征以及隐写特征输入到图像篡改识别模型的检测网络层中，获取训练图像的篡改识别结果；
对篡改识别结果与标签进行差异比较，根据差异比较结果优化图像篡改识别模型的参数并继续训练，直至满足预定条件时结束训练。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待识别图像；
将待识别图像输入到训练好的图像篡改识别模型中进行篡改识别，得到待识别图像的篡改识别结果，篡改识别结果包括在待识别图像为篡改图像时所对应的篡改位置信息和篡改类型；
其中，训练好的图像篡改识别模型基于如实施例一的方法训练得到。
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，上述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像篡改识别模型训练方法，其特征在于，所述方法包括：
获取训练图像集以及所述训练图像集中每个训练图像的标签，其中，在所述训练图像为篡改图像时，所述训练图像的标签包括篡改位置信息和篡改类型；
以所述训练图像作为输入，通过待训练的图像篡改识别模型的特征提取网络层提取所述训练图像的RGB特征、纹理特征以及隐写特征；
将所述训练图像的RGB特征、纹理特征以及隐写特征输入到所述图像篡改识别模型的检测网络层中，获取所述训练图像的篡改识别结果；
对所述篡改识别结果与所述标签进行差异比较，根据差异比较结果优化所述图像篡改识别模型的参数并继续训练，直至满足预定条件时结束训练。
2.根据权利要求1所述的方法，其特征在于，所述训练图像集中包括数字图像篡改样本，所述数字图像篡改样本通过如下方式获取得到：
获取多对图像样本，其中，每对图像样本中包括原始图像以及从所述原始图像中随机提取的并经灰度处理后的图像块；
通过深度卷积生成对抗网络对所述多对图像样本进行训练，生成用于自动补充图像的图像补全模型；
随机选取所述原始图像中的区域并进行掩码；
采用所述图像补全模型对掩码后的所述区域进行补全，获得所述数字图像篡改样本。
3.根据权利要求1所述的方法，其特征在于，所述以所述训练图像作为输入，通过待训练的图像篡改识别模型的特征提取网络层提取所述训练图像的RGB特征、纹理特征以及隐写特征，包括：
通过所述特征提取网络层中预设的RGB通道提取所述训练图像的RGB特征；
通过所述特征提取网络层中预设的多个卷积核对所述训练图像进行卷积，得到所述训练图像的纹理特征，所述多个卷积核是通过对多个纹理特征算子以及所述多个纹理特征算子的转置进行两两相乘得到的多个矩阵；
通过所述特征提取网络层中预设的多个隐写特征算子对所述训练图像进行卷积，得到所述训练图像的隐写特征。
4.根据权利要求1至3任一所述的方法，其特征在于，所述图像篡改识别模型的检测网络层包括深度网络层、特征融合层以及输出层，所述将所述训练图像的RGB特征、纹理特征以及隐写特征输入到所述图像篡改识别模型的检测网络层中，获取所述训练图像的篡改识别结果，包括：
通过所述深度学习网络层提取所述RGB特征对应的目标深度特征、以及所述纹理特征与所述隐写特征对应的篡改特征；
通过所述特征融合网络层对所述目标深度特征和所述篡改特征进行融合，得到融合特征；
通过所述输出层对所述融合特征进行篡改识别，输出所述训练图像的篡改识别结果。
5.根据权利要求4所述的方法，其特征在于，所述深度学习网络层中包括两个并行的Darknet神经网络，其中一个Darknet神经网络用于对所述RGB特征进行深度学习得到所述目标深度特征，另外一个Darknet神经网络用于对所述纹理特征与所述隐写特征进行深度学习得到所述篡改特征。
6.根据权利要求4所述的方法，其特征在于，所述输出层包括YOLOv3网络。
7.一种图像篡改识别方法，其特征在于，所述方法包括：
获取待识别图像；
将所述待识别图像输入到训练好的图像篡改识别模型中进行篡改识别，得到所述待识别图像的篡改识别结果，所述篡改识别结果包括在所述待识别图像为篡改图像时所对应的篡改位置信息和篡改类型；
其中，所述训练好的图像篡改识别模型基于如权利要求1至6任一所述的方法训练得到。
8.一种图像篡改识别模型训练装置，其特征在于，所述装置包括：
获取模块，用于获取训练图像集以及所述训练图像集中每个训练图像的标签，其中，在所述训练图像为篡改图像时，所述训练图像的标签包括篡改位置信息和篡改类型；
提取模块，用于以所述训练图像作为输入，通过待训练的图像篡改识别模型的特征提取网络层提取所述训练图像的RGB特征、纹理特征以及隐写特征；
识别模块，用于将所述训练图像的RGB特征、纹理特征以及隐写特征输入到所述图像篡改识别模型的检测网络层中，获取所述训练图像的篡改识别结果；
优化模块，用于对所述训练图像的篡改识别结果与所述训练图像的标签进行差异比较，根据差异比较结果优化所述图像篡改识别模型的参数并继续训练，直至满足预定条件时结束训练。
9.一种图像篡改识别装置，其特征在于，所述装置包括：
获取模块，用于获取待识别图像；
识别模块，用于将所述待识别图像输入到训练好的图像篡改识别模型中进行篡改识别，得到所述待识别图像的篡改识别结果，所述篡改识别结果包括在所述待识别图像为篡改图像时所对应的篡改位置信息和篡改类型；
其中，所述训练好的图像篡改识别模型基于如权利要求1至6任一所述的方法训练得到。
10.一种计算机设备，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任一所述的图像篡改识别模型训练方法，或者所述处理器执行所述计算机程序时实现如权利要求7所述的图像篡改识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010174738.5A CN111368342B (zh) | 2020-03-13 | 2020-03-13 | 图像篡改识别模型训练方法、图像篡改识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010174738.5A CN111368342B (zh) | 2020-03-13 | 2020-03-13 | 图像篡改识别模型训练方法、图像篡改识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111368342A true CN111368342A (zh) | 2020-07-03 |
| CN111368342B CN111368342B (zh) | 2022-07-05 |
Family
ID=71208914
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010174738.5A Active CN111368342B (zh) | 2020-03-13 | 2020-03-13 | 图像篡改识别模型训练方法、图像篡改识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111368342B (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111782550A (zh) * | 2020-07-31 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 基于用户隐私保护训练指标预测模型的方法及装置 |
| CN112036902A (zh) * | 2020-07-14 | 2020-12-04 | 深圳大学 | 基于深度学习的产品鉴伪方法、装置、服务器及存储介质 |
| CN112053276A (zh) * | 2020-09-29 | 2020-12-08 | 支付宝(杭州)信息技术有限公司 | 基于隐写技术的数据处理方法及装置 |
| CN112116592A (zh) * | 2020-11-19 | 2020-12-22 | 北京瑞莱智慧科技有限公司 | 图像检测方法、图像检测模型的训练方法、装置和介质 |
| CN112150483A (zh) * | 2020-09-27 | 2020-12-29 | 深圳壹账通智能科技有限公司 | 图片篡改检测方法、装置、终端设备及存储介质 |
| CN112257498A (zh) * | 2020-09-15 | 2021-01-22 | 中保车服科技服务股份有限公司 | 一种验车码检测模型的构建及检测方法和装置 |
| CN112270377A (zh) * | 2020-11-11 | 2021-01-26 | 北京百度网讯科技有限公司 | 目标图像提取方法、神经网络训练方法和装置 |
| CN112465764A (zh) * | 2020-11-24 | 2021-03-09 | 泰康保险集团股份有限公司 | 一种图像篡改检测方法和装置 |
| CN112801960A (zh) * | 2021-01-18 | 2021-05-14 | 网易（杭州）网络有限公司 | 图像处理方法及装置、存储介质、电子设备 |
| CN112802140A (zh) * | 2021-03-03 | 2021-05-14 | 中天恒星(上海)科技有限公司 | 防止和识别图像篡改的图像编码系统 |
| CN112950564A (zh) * | 2021-02-23 | 2021-06-11 | 北京三快在线科技有限公司 | 一种图像检测方法、装置、存储介质及电子设备 |
| CN113065592A (zh) * | 2021-03-31 | 2021-07-02 | 上海商汤智能科技有限公司 | 图像分类方法、装置、电子设备及存储介质 |
| CN113436287A (zh) * | 2021-07-05 | 2021-09-24 | 吉林大学 | 一种基于lstm网络与编解码网络的篡改图像盲取证方法 |
| CN113706636A (zh) * | 2021-07-09 | 2021-11-26 | 重庆度小满优扬科技有限公司 | 一种用于篡改图像识别的方法与装置 |
| CN114724087A (zh) * | 2022-04-22 | 2022-07-08 | 四川众合智控科技有限公司 | 一种提升地铁巡检设备图像识别准确率的识别方法及系统 |
| CN116740015A (zh) * | 2023-06-12 | 2023-09-12 | 北京长木谷医疗科技股份有限公司 | 基于深度学习的医学图像智能检测方法、装置及电子设备 |
| CN117315678A (zh) * | 2023-08-24 | 2023-12-29 | 安徽省征信股份有限公司 | 一种数字图像篡改识别方法、系统、设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914839A (zh) * | 2014-03-27 | 2014-07-09 | 中山大学 | 一种基于隐写分析的图像拼接篡改检测方法及装置 |
| CN104244016A (zh) * | 2014-08-12 | 2014-12-24 | 中山大学 | 一种h264视频内容篡改检测方法 |
| US20160171340A1 (en) * | 2014-12-11 | 2016-06-16 | Intel Corporation | Labeling component parts of objects and detecting component properties in imaging data |
| CN107657259A (zh) * | 2017-09-30 | 2018-02-02 | 平安科技（深圳）有限公司 | 图像篡改检测方法、电子装置及可读存储介质 |
| CN110349136A (zh) * | 2019-06-28 | 2019-10-18 | 厦门大学 | 一种基于深度学习的篡改图像检测方法 |
-
2020
- 2020-03-13 CN CN202010174738.5A patent/CN111368342B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914839A (zh) * | 2014-03-27 | 2014-07-09 | 中山大学 | 一种基于隐写分析的图像拼接篡改检测方法及装置 |
| CN104244016A (zh) * | 2014-08-12 | 2014-12-24 | 中山大学 | 一种h264视频内容篡改检测方法 |
| US20160171340A1 (en) * | 2014-12-11 | 2016-06-16 | Intel Corporation | Labeling component parts of objects and detecting component properties in imaging data |
| CN107657259A (zh) * | 2017-09-30 | 2018-02-02 | 平安科技（深圳）有限公司 | 图像篡改检测方法、电子装置及可读存储介质 |
| CN110349136A (zh) * | 2019-06-28 | 2019-10-18 | 厦门大学 | 一种基于深度学习的篡改图像检测方法 |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036902A (zh) * | 2020-07-14 | 2020-12-04 | 深圳大学 | 基于深度学习的产品鉴伪方法、装置、服务器及存储介质 |
| CN111782550A (zh) * | 2020-07-31 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 基于用户隐私保护训练指标预测模型的方法及装置 |
| CN112257498A (zh) * | 2020-09-15 | 2021-01-22 | 中保车服科技服务股份有限公司 | 一种验车码检测模型的构建及检测方法和装置 |
| CN112150483A (zh) * | 2020-09-27 | 2020-12-29 | 深圳壹账通智能科技有限公司 | 图片篡改检测方法、装置、终端设备及存储介质 |
| CN112053276A (zh) * | 2020-09-29 | 2020-12-08 | 支付宝(杭州)信息技术有限公司 | 基于隐写技术的数据处理方法及装置 |
| CN112053276B (zh) * | 2020-09-29 | 2022-07-22 | 支付宝(杭州)信息技术有限公司 | 基于隐写技术的数据处理方法及装置 |
| CN112270377A (zh) * | 2020-11-11 | 2021-01-26 | 北京百度网讯科技有限公司 | 目标图像提取方法、神经网络训练方法和装置 |
| CN112270377B (zh) * | 2020-11-11 | 2024-03-15 | 北京百度网讯科技有限公司 | 目标图像提取方法、神经网络训练方法和装置 |
| CN112116592A (zh) * | 2020-11-19 | 2020-12-22 | 北京瑞莱智慧科技有限公司 | 图像检测方法、图像检测模型的训练方法、装置和介质 |
| CN112116592B (zh) * | 2020-11-19 | 2021-04-02 | 北京瑞莱智慧科技有限公司 | 图像检测方法、图像检测模型的训练方法、装置和介质 |
| CN112465764A (zh) * | 2020-11-24 | 2021-03-09 | 泰康保险集团股份有限公司 | 一种图像篡改检测方法和装置 |
| CN112801960A (zh) * | 2021-01-18 | 2021-05-14 | 网易（杭州）网络有限公司 | 图像处理方法及装置、存储介质、电子设备 |
| CN112801960B (zh) * | 2021-01-18 | 2024-04-09 | 杭州网易智企科技有限公司 | 图像处理方法及装置、存储介质、电子设备 |
| CN112950564A (zh) * | 2021-02-23 | 2021-06-11 | 北京三快在线科技有限公司 | 一种图像检测方法、装置、存储介质及电子设备 |
| CN112802140A (zh) * | 2021-03-03 | 2021-05-14 | 中天恒星(上海)科技有限公司 | 防止和识别图像篡改的图像编码系统 |
| CN113065592A (zh) * | 2021-03-31 | 2021-07-02 | 上海商汤智能科技有限公司 | 图像分类方法、装置、电子设备及存储介质 |
| CN113436287A (zh) * | 2021-07-05 | 2021-09-24 | 吉林大学 | 一种基于lstm网络与编解码网络的篡改图像盲取证方法 |
| CN113706636A (zh) * | 2021-07-09 | 2021-11-26 | 重庆度小满优扬科技有限公司 | 一种用于篡改图像识别的方法与装置 |
| CN114724087A (zh) * | 2022-04-22 | 2022-07-08 | 四川众合智控科技有限公司 | 一种提升地铁巡检设备图像识别准确率的识别方法及系统 |
| CN116740015A (zh) * | 2023-06-12 | 2023-09-12 | 北京长木谷医疗科技股份有限公司 | 基于深度学习的医学图像智能检测方法、装置及电子设备 |
| CN117315678A (zh) * | 2023-08-24 | 2023-12-29 | 安徽省征信股份有限公司 | 一种数字图像篡改识别方法、系统、设备和存储介质 |
| CN117315678B (zh) * | 2023-08-24 | 2024-04-26 | 安徽省征信股份有限公司 | 一种数字图像篡改识别方法、系统、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111368342B (zh) | 2022-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111368342B (zh) | 图像篡改识别模型训练方法、图像篡改识别方法及装置 | |
| CN110163235B (zh) | 图像增强模型的训练、图像增强方法、装置和存储介质 | |
| Kundu et al. | No-reference quality assessment of tone-mapped HDR pictures | |
| Zhao et al. | Pixelated semantic colorization | |
| CN110852316B (zh) | 一种采用密集结构卷积网络的图像篡改检测和定位方法 | |
| CN110334585A (zh) | 表格识别方法、装置、计算机设备和存储介质 | |
| CN110428366A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
| US11790499B2 (en) | Certificate image extraction method and terminal device | |
| CN109784153A (zh) | 情绪识别方法、装置、计算机设备及存储介质 | |
| CN112150450B (zh) | 一种基于双通道U-Net模型的图像篡改检测方法及装置 | |
| CN110738609A (zh) | 一种去除图像摩尔纹的方法及装置 | |
| CN111768415A (zh) | 一种无量化池化的图像实例分割方法 | |
| CN111259915A (zh) | 翻拍图像识别的方法、装置、设备及介质 | |
| CN112233077A (zh) | 图像分析方法、装置、设备及存储介质 | |
| Steffens et al. | Cnn based image restoration: Adjusting ill-exposed srgb images in post-processing | |
| CN113269149A (zh) | 活体人脸图像的检测方法、装置、计算机设备及存储介质 | |
| Korus et al. | Content authentication for neural imaging pipelines: End-to-end optimization of photo provenance in complex distribution channels | |
| JP7463186B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
| KR20200092492A (ko) | 의미 인식 기반의 이미지 보정 방법 및 그를 위한 장치 | |
| CN110751225A (zh) | 图像分类方法、装置及存储介质 | |
| CN111145107B (zh) | 一种图像美化方法、装置、介质及设备 | |
| CN116612272A (zh) | 一种图像处理智能数字化的检测系统及其检测方法 | |
| CN113850335B (zh) | 一种用于卫浴陶瓷缺陷检测的数据增广方法 | |
| CN110738213A (zh) | 一种包括周边环境的图像识别方法及装置 | |
| CN115457015A (zh) | 一种基于视觉交互感知双流网络的图像无参考质量评估方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240306 Address after: Room 1179, W Zone, 11th Floor, Building 1, No. 158 Shuanglian Road, Qingpu District, Shanghai, 201702 Patentee after: Shanghai Zhongan Information Technology Service Co.,Ltd. Country or region after: China Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee before: ZHONGAN INFORMATION TECHNOLOGY SERVICE Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240415 Address after: Room 1179, W Zone, 11th Floor, Building 1, No. 158 Shuanglian Road, Qingpu District, Shanghai, 201702 Patentee after: Shanghai Zhongan Information Technology Service Co.,Ltd. Country or region after: China Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee before: ZHONGAN INFORMATION TECHNOLOGY SERVICE Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |