CN111461143A - 一种图片翻拍识别方法和装置及电子设备 - Google Patents

一种图片翻拍识别方法和装置及电子设备 Download PDF

Info

Publication number
CN111461143A
CN111461143A CN202010241197.3A CN202010241197A CN111461143A CN 111461143 A CN111461143 A CN 111461143A CN 202010241197 A CN202010241197 A CN 202010241197A CN 111461143 A CN111461143 A CN 111461143A
Authority
CN
China
Prior art keywords
picture
classifier model
texture features
feature extraction
copied
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.)
Pending
Application number
CN202010241197.3A
Other languages
English (en)
Inventor
周必书
谭泽汉
陈彦宇
马雅奇
周慧子
谭龙田
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.)
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun 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 Gree Electric Appliances Inc of Zhuhai, Zhuhai Lianyun Technology Co Ltd filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202010241197.3A priority Critical patent/CN111461143A/zh
Publication of CN111461143A publication Critical patent/CN111461143A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

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

Abstract

本发明提供一种图片翻拍识别方法和装置及电子设备，包括：获取待识别图片，利用特征提取法提取待识别图片的多维纹理特征；将多维纹理特征输入分类器模型，得到待分类图片是否为翻拍图片的分类结果，分类器模型通过将原本图片及翻拍图片的多维纹理特征作为输入，以输出图片是否为翻拍图片的结果为目标进行网络模型训练得到。本发明可以通过提取派工图片的多维纹理特征，输入分类器模型后得到所述待分类图片是否为翻拍图片的分类结果，从而区分正常派工图片和二次拍摄的派工图片，解决通过人工对派工图片进行筛选识别，增加人力成本，识别效率低且效果不显著的问题。

Description

一种图片翻拍识别方法和装置及电子设备
技术领域
本发明涉及图像处理技术领域，具体涉及一种图片翻拍识别方法和装置及电子设备。
背景技术
派工图片多应用在许多现场工作的场景中，作为对派工工单的实际作业情况进行验证的一种途径，派工工单上有派工时间段、派工人数等信息，通过在现场拍摄的派工图片对派工工单上的信息进行验证，以确认现场工作人员的工作情况，现在大多数情况下由现场的工作人员或督导进行派工图片的拍摄，之后通过上传系统或者直接发送给审核人员进行审核，派工图片和派工工单是相关联的，也即和业务工资结算相关，直接关系到企业的管理效率。
现在存在一种虚假的派工行为，包括现场工作人员未全员到达工作现场，或者在规定的事件段内未赶到现场的情况，此时现场的工作人员或督导通过拍摄其他时间段或其他工作人员的派工图片来作为自己的派工图片，如将实体的派工照片、或手机及其他设备上的派工图片进行二次拍摄，以冒充派工图片。
现有技术中大多数通过人工对派工图片进行筛选识别，但是投入大量人力去识别虚假照片，增加人力成本，识别效率低且效果不显著。
发明内容
本发明提供一种图片翻拍识别方法和装置及电子设备，用以解决通过人工对派工图片进行筛选识别，增加人力成本，识别效率低且效果不显著的问题。
根据本申请实施例的第一方面，提供一种图片翻拍识别方法，该方法包括：
获取待识别图片，利用特征提取法提取所述待识别图片的多维纹理特征；
将所述多维纹理特征输入分类器模型，得到所述待分类图片是否为翻拍图片的分类结果，所述分类器模型通过将原本图片及翻拍图片的多维纹理特征作为输入，以输出图片是否为翻拍图片的结果为目标进行网络模型训练得到。
可选地，所述分类器模型包括多分类器模型和二分类器模型，将所述多维纹理特征输入分类器模型，得到所述待分类图片的是否翻拍图片的分类结果，包括：
将所述待识别图片的多维纹理特征输入所述多分类器模型，得到所述待识别图片的质量评分；
将所述质量评分输入二分类器模型，基于所述二分类模型的预设阈值与质量评分的比较结果，得到所述待分类图片是否为翻拍图片的分类结果。
可选地，所述多分类器模型通过以下训练方式生成：
获取包括多个样本的样本集，每个样本包括图片和预先根据图片分类结果标注的质量评分标签；
基于特征提取法提取所述样本的多维纹理特征，并输入到多分类器模型中；
根据所述样本的多维纹理特征和质量评分标签对多分类器模型进行训练，以得到样本的质量评分为目标对所述多分类器模型进行参数调整。
可选地，所述质量评分标签包括正样本标签、负样本标签和模糊样本标签，其中，所述正样本标签对应不小于预设值的质量评分范围，所述负样本标签对应小于预设值的质量评分范围，所述模糊样本标签对应整体的质量评分范围。
可选地，所述二分类器模型通过以下训练方式生成：
将根据多分类器得到的样本的质量评分，及标注所述样本分类结果的样本标签输入二分类器模型中，以得到样本的分类结果为目标对二分类器模型进行参数调整，确定所述二分类器模型的预设阈值。
可选地，还包括：
预先根据样本的质量评分和样本标签的映射关系，确定所述二分类器模型的预设阈值。
可选地，所述特征提取法包括如下任一种或任多种算法组合：
BRISQUE统计特征提取算法、HOG特征提取算法、Haar-like特征提取算法、高通滤波特征提取算法、直方图分布统计特征提取算法、广义高斯分布拟合特征提取算法以及神经网络特征提取算法。
可选地，所述多分类器模型采用支持向量机分类算法。
根据本申请实施例的第二方面，提供一种图片翻拍识别装置，该装置包括：
提取模块，用于获取待识别图片，利用特征提取法提取所述待识别图片的多维纹理特征；
分类模块，用于将所述多维纹理特征输入分类器模型，得到所述待分类图片是否为翻拍图片的分类结果，所述分类器模型通过将原本图片及翻拍图片的多维纹理特征作为输入，以输出图片是否为翻拍图片的结果为目标进行网络模型训练得到。
可选地，所述分类器模型包括多分类器模型和二分类器模型，所述分类模块用于将所述多维纹理特征输入分类器模型，得到所述待分类图片的是否翻拍图片的分类结果，具体用于：
将所述待识别图片的多维纹理特征输入所述多分类器模型，得到所述待识别图片的质量评分；
将所述质量评分输入二分类器模型，基于所述二分类模型的预设阈值与质量评分的比较结果，得到所述待分类图片是否为翻拍图片的分类结果。
可选地，所述多分类器模型通过以下训练方式生成：
获取包括多个样本的样本集，每个样本包括图片和预先根据图片分类结果标注的质量评分标签；
基于特征提取法提取所述样本的多维纹理特征，并输入到多分类器模型中；
根据所述样本的多维纹理特征和质量评分标签对多分类器模型进行训练，以得到样本的质量评分为目标对所述多分类器模型进行参数调整。
可选地，所述质量评分标签包括正样本标签、负样本标签和模糊样本标签，其中，所述正样本标签对应不小于预设值的质量评分范围，所述负样本标签对应小于预设值的质量评分范围，所述模糊样本标签对应整体的质量评分范围。
可选地，所述二分类器模型通过以下训练方式生成：
将根据多分类器得到的样本的质量评分，及标注所述样本分类结果的样本标签输入二分类器模型中，以得到样本的分类结果为目标对二分类器模型进行参数调整，确定所述二分类器模型的预设阈值。
可选的，还包括：
映射模块，用于预先根据样本的质量评分和样本标签的映射关系，确定所述二分类器模型的预设阈值。
可选地，所述特征提取法包括如下任一种或任多种算法组合：
BRISQUE统计特征提取算法、HOG特征提取算法、Haar-like特征提取算法、高通滤波特征提取算法、直方图分布统计特征提取算法、广义高斯分布拟合特征提取算法以及神经网络特征提取算法。
可选地，所述多分类器模型采用支持向量机分类算法。
根据本申请实施例的第三方面，提供一种图片翻拍识别电子设备，包括：存储器、处理器；
其中，所述存储器用于存储程序；
所述处理器被配置为执行所述存储器中的程序，以实现上述第一方面提供的方法。
根据本申请实施例的第四方面，提供一种芯片，所述芯片与用户设备中的存储器耦合，使得所述芯片在运行时调用所述存储器中存储的程序指令，实现本申请实施例上述各个方面以及各个方面涉及的任一可能涉及的方法。
根据本申请实施例的第五方面，提供一种计算机可读存储介质，该计算机存储介质存储有程序指令，当其在计算机上运行时，使得计算机执行本申请实施例上述各个方面以及各个方面涉及的任一可能涉及的方法。
根据本申请实施例的第六方面，提供一种计算机程序产品，当所述计算机程序产品在电子设备上运行时，使得所述电子设备执行实现本申请实施例上述各个方面以及各个方面涉及的任一可能涉及的方法。
另外，第二方面至第六方面中任一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果，此处不再赘述。
利用本发明提供的一种图片翻拍识别方法和装置及电子设备，具有以下有益效果：
本发明提供的一种图片翻拍识别方法和装置及电子设备，可以通过提取派工图片的多维纹理特征，将提取的上述特征输入经过预训练得到的分类器模型中，得到待分类图片是否为翻拍图片的分类结果，从而区分正常派工图片和二次拍摄的派工图片，解决通过人工对派工图片进行筛选识别，增加人力成本，识别效率低且效果不显著的问题。
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图片翻拍识别方法示意图；
图2为本发明实施例提供的一种分类器模型的网络架构示意图；
图3为本发明实施例提供的一种图片翻拍识别方法示意图；
图4为本发明实施例提供的一种多分类器模型训练方法示意图；
图5为本发明实施例提供的一种图片翻拍识别方法示意图；
图6为本发明实施例提供的一种图片翻拍识别装置示意图；
图7为本发明实施例提供的一种图片翻拍识别电子设备示意图。
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。
本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
为了方便理解，下面对本发明实施例中涉及的名词进行解释：
1)BRISQUE统计特征提取算法：一种无参考的空间域图像质量评估算法。算法总体原理就是从图像中提取MSCN(Mean Subtracted Contrast Normalized)系数，将MSCN系数拟合成AGGD(Asymmetric Generalized Gaussian Distribution，非对称性广义高斯分布)，提取拟合的高斯分布的特征作为图片的纹理特征；
2)HOG(Histogram of Oriented Gradient，方向梯度直方图)特征：一种在计算机视觉和图像处理中用来进行物体检测的特征描述子，HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征；
3)Haar-like特征(Haar-like features，哈尔特征)：用于物体识别的一种数字图像特征，Haar-like特征分为三类：边缘特征、线性特征和对角特征，组合成特征模板；
4)直方图分布统计特征：直方图作为对图像颜色或灰度分布的一种基本描述量，利用其统计特征进行直方图之间的相似性度量；
本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。其中，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。
鉴于现有技术中主要通过人工对派工图片进行筛选识别，但是投入大量人力去识别虚假照片，增加人力成本，识别效率低且效果不显著的问题，本申请提供一种图片翻拍识别方法，如图1所示，包括：
步骤S101，获取待识别图片，利用特征提取法提取待识别图片的多维纹理特征；
本申请实施例中待识别图片为本申请提出的派工场景下的派工图片，可选的，对于其他能够通过纹理特征区分图片类别、进行图片识别的问题，本申请提出的方法也同样适用，包括但不限于任何需要进行图片上传的场景，或者对图片进行识别检测的场景。
纹理是指存在于图像中某一范围内的形状很小的、半周期性或有规律地排列的图案。使用纹理表示图像的均匀、细致、粗糙等现象，纹理特征是指图像灰度等级的变化，一般的图片都具有丰富、稳定的纹理特征，但是翻拍图片的纹理特征则较不稳定，因此本申请实施例通过检测待识别图片的纹理特征来确定待识别图片的分类结果。
本申请实施例可以基于BRISQUE统计特征提取算法提取待识别图片的纹理特征，可选的，还可以提取基于方向梯度上纹理特征的特征提取算法，包括HOG特征提取算法、Haar-like特征提取算法、高通滤波特征提取算法等，或者通过编码式特征提取算法，包括直方图分布统计特征提取算法，其余的还包括广义高斯分布拟合特征提取算法以及神经网络特征提取算法例如ResNet等。
可选地，本申请实施例通过上述纹理特征提取算法的一种或任意多种的组合，提取待识别图片的多维纹理特征，待识别图片的多维纹理特征包括HOG特征、Haar-like特征、高通滤波特征、直方图分布统计特征、广义高斯分布拟合特征等；
步骤S102，将多维纹理特征输入分类器模型，得到待分类图片是否为翻拍图片的分类结果，分类器模型通过将原本图片及翻拍图片的多维纹理特征作为输入，以输出图片是否为翻拍图片的结果为目标进行网络模型训练得到。
本申请实施例通过检测待识别图片的纹理特征来确定待识别图片的分类结果，确定待识别图片是否为原本图片或翻拍图片，其中，上述翻拍图片包括但不限于为二次拍摄的图片、三次拍摄的图片等。
将多维纹理特征输入分类器模型，得到待分类图片是否为翻拍图片的分类结果，其中，分类器模型的训练过程如下：
通过将原本图片及翻拍图片的多维纹理特征作为输入，以输出图片是否为翻拍图片的结果为目标进行网络模型训练得到，其中，通过上述特征提取法提取原本图片和翻拍图片的多维纹理特征作为输入，以输出图片是否为翻拍图片的结果为目标对网络模型进行参数调整，得到上述分类器模型。
作为一种可选地实施方式，所述分类器模型包括多分类器模型和二分类器模型，如图2所示为本申请实施例提供的一种分类器模型的网络架构，包括多分类器模型201和二分类器模型202，多分类器模型用于得到待识别图片的质量评分，二分类器模型用于根据待识别图片的质量评分，通过与二分类器模型预设阈值进行比较，得到待识别图片的分类结果，在分类器模型训练过程中，可以按照上述方法对分类器模型同时中多分类器模型和二分类器模型同时进行训练，可选地，也可以分别对上述多分类器模型和二分类器模型进行训练；
基于本申请实施例提供的分类器模型确定图片是否为翻拍图片的方法，如图3所示，包括：
步骤S301，将所述待识别图片的多维纹理特征输入所述多分类器模型，得到所述待识别图片的质量评分；
利用特征提取法提取待识别图片的多维纹理特征输入多分类器模型，得到待识别图片的质量评分，其中，质量评分为分类器模型进行归一化处理后得到的表征待识别图片纹理特征的参数，包括但不限于为待识别图片纹理之间的粗细、疏密等信息，质量评分可以为大于零、小于零、或等于零的参数，质量评分越高，则待分类图片的纹理特征越规则。
本申请实施例中，可以但不限于采用支持向量机模型作为多分类器模型，支持向量机(Support Vector Machine，SVM)是一类按监督学习(Supervised Learning)方式对数据进行分类的广义线性分类器(Generalized Linear Classifier)；
步骤S302，将所述质量评分输入二分类器模型，基于所述二分类模型的预设阈值与质量评分的比较结果，得到所述待分类图片是否为翻拍图片的分类结果。
将质量评分输入二分类器模型，确定质量评分与二分类模型的预设阈值的比较结果，根据质量评分与二分类器模型中预设阈值的比较结果确定待分类图片是否为翻拍图片的分类结果，具体的，当质量评分不小于预设阈值时，确定待识别图片为原本图片，当质量评分小于预设阈值时，确定待识别图片为翻拍图片，其中，预设阈值为可以根据预设规则确定的参数。
下面介绍本申请实施例提供的一种多分类器模型的训练方法，如图4所示，包括：
步骤S401，获取包括多个样本的样本集，每个样本包括图片和预先根据图片分类结果标注的质量评分标签；
其中，质量评分标签包括正样本标签、负样本标签和模糊样本标签，正样本标签对应不小于预设值的质量评分范围，负样本标签对应小于预设值的质量评分范围，模糊样本标签对应整体的质量评分范围，可选地，不小于预设值的正样本标签表示样本图片为原本图片，小于预设值的负样本标签表示样本图片为翻拍图片，模糊样本为不能确定是否为翻拍图片的样本图片；
本申请实施例设置上述预设值为零，当然，本领域技术人员可以根据实际需求自由设定。
步骤S402，基于特征提取法提取所述样本的多维纹理特征，并输入到多分类器模型中；
步骤403，根据所述样本的多维纹理特征和质量评分标签对多分类器模型进行训练，以得到样本的质量评分为目标对所述多分类器模型进行参数调整。
下面介绍本申请实施例提供的一种多分类器模型的训练过程，也即二分类器模型的预设阈值的确定方法，包括将根据多分类器得到的样本的质量评分，及标注所述样本分类结果的样本标签输入二分类器模型中，以得到样本的分类结果为目标对二分类器模型进行参数调整，确定所述二分类器模型的预设阈值，此时样本标签包括原本图片标签和翻拍图片标签。
作为一种可选地实施方式，本申请实施例还可以通过预先根据样本的质量评分和样本标签的映射关系，确定所述二分类器模型的预设阈值，其中，原本图片的样本标签对应样本的质量评分中不小于预设阈值的取值范围，翻拍图片的样本标签对应样本的质量评分中小于预设阈值的取值范围。
下面结合具体的实施方式介绍本申请实施例提供的一种图片翻拍识别方法，如图5所示，包括：
步骤S501，获取待识别图片，利用特征提取法提取所述待识别图片的多维纹理特征；
步骤S502，将所述待识别图片的多维纹理特征输入所述多分类器模型，得到所述待识别图片的质量评分；
步骤S503，将所述质量评分输入二分类器模型，基于所述二分类模型的预设阈值与质量评分的比较结果，得到所述待分类图片是否为翻拍图片的分类结果。
以上对本发明中一种图片翻拍识别方法进行说明，以下对执行上述图片翻拍识别的装置进行说明。
请参阅图6本发明实施例提供的一种图片翻拍识别装置，包括：
提取模块601，用于获取待识别图片，利用特征提取法提取所述待识别图片的多维纹理特征；
分类模块602，用于将所述多维纹理特征输入分类器模型，得到所述待分类图片是否为翻拍图片的分类结果，所述分类器模型通过将原本图片及翻拍图片的多维纹理特征作为输入，以输出图片是否为翻拍图片的结果为目标进行网络模型训练得到。
可选地，所述分类器模型包括多分类器模型和二分类器模型，所述分类模块用于将所述多维纹理特征输入分类器模型，得到所述待分类图片的是否翻拍图片的分类结果，具体用于：
将所述待识别图片的多维纹理特征输入所述多分类器模型，得到所述待识别图片的质量评分；
将所述质量评分输入二分类器模型，基于所述二分类模型的预设阈值与质量评分的比较结果，得到所述待分类图片是否为翻拍图片的分类结果。
可选地，所述多分类器模型通过以下训练方式生成：
获取包括多个样本的样本集，每个样本包括图片和预先根据图片分类结果标注的质量评分标签；
基于特征提取法提取所述样本的多维纹理特征，并输入到多分类器模型中；
根据所述样本的多维纹理特征和质量评分标签对多分类器模型进行训练，以得到样本的质量评分为目标对所述多分类器模型进行参数调整。
可选地，所述质量评分标签包括正样本标签、负样本标签和模糊样本标签，其中，所述正样本标签对应不小于预设值的质量评分范围，所述负样本标签对应小于预设值的质量评分范围，所述模糊样本标签对应整体的质量评分范围。
可选地，所述二分类器模型通过以下训练方式生成：
将根据多分类器得到的样本的质量评分，及标注所述样本分类结果的样本标签输入二分类器模型中，以得到样本的分类结果为目标对二分类器模型进行参数调整，确定所述二分类器模型的预设阈值。
可选的，还包括：
映射模块603，用于预先根据样本的质量评分和样本标签的映射关系，确定所述二分类器模型的预设阈值。
可选地，所述特征提取法包括如下任一种或任多种算法组合：
BRISQUE统计特征提取算法、HOG特征提取算法、Haar-like特征提取算法、高通滤波特征提取算法、直方图分布统计特征提取算法、广义高斯分布拟合特征提取算法以及神经网络特征提取算法。
可选地，所述多分类器模型采用支持向量机分类算法。
上面从模块化功能实体的角度对本申请实施例中的一种图片翻拍识别装置进行了描述，下面从硬件处理的角度对本申请实施例中的图片翻拍识别的电子设备进行描述。
请参阅图7，本申请实施例中一种图片翻拍识别电子设备，包括：
至少一个处理器701和至少一个存储器702，以及总线系统709；
其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行下列过程：
获取待识别图片，利用特征提取法提取所述待识别图片的多维纹理特征；
将所述多维纹理特征输入分类器模型，得到所述待分类图片是否为翻拍图片的分类结果，所述分类器模型通过将原本图片及翻拍图片的多维纹理特征作为输入，以输出图片是否为翻拍图片的结果为目标进行网络模型训练得到。
图7是本申请实施例提供的一种图片翻拍处理电子设备示意图，该设备700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(英文全称：centralprocessing units，英文简称：CPU)701(例如，一个或一个以上处理器)和存储器702，一个或一个以上存储应用程序704或数据705的存储介质703(例如一个或一个以上海量存储设备)。其中，存储器702和存储介质703可以是短暂存储或持久存储。存储在存储介质703的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对信息处理装置中的一系列指令操作。更进一步地，处理器701可以设置为与存储介质703通信，在设备700上执行存储介质703中的一系列指令操作。
设备700还可以包括一个或一个以上有线或无线网络接口707，一个或一个以上输入输出接口708，和/或，一个或一个以上操作系统706，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等。
可选地，所述分类器模型包括多分类器模型和二分类器模型，将所述多维纹理特征输入分类器模型，得到所述待分类图片的是否翻拍图片的分类结果，包括：
将所述待识别图片的多维纹理特征输入所述多分类器模型，得到所述待识别图片的质量评分；
将所述质量评分输入二分类器模型，基于所述二分类模型的预设阈值与质量评分的比较结果，得到所述待分类图片是否为翻拍图片的分类结果。
可选地，所述多分类器模型通过以下训练方式生成：
获取包括多个样本的样本集，每个样本包括图片和预先根据图片分类结果标注的质量评分标签；
基于特征提取法提取所述样本的多维纹理特征，并输入到多分类器模型中；
根据所述样本的多维纹理特征和质量评分标签对多分类器模型进行训练，以得到样本的质量评分为目标对所述多分类器模型进行参数调整。
可选地，所述质量评分标签包括正样本标签、负样本标签和模糊样本标签，其中，所述正样本标签对应不小于预设值的质量评分范围，所述负样本标签对应小于预设值的质量评分范围，所述模糊样本标签对应整体的质量评分范围。
可选地，所述二分类器模型通过以下训练方式生成：
将根据多分类器得到的样本的质量评分，及标注所述样本分类结果的样本标签输入二分类器模型中，以得到样本的分类结果为目标对二分类器模型进行参数调整，确定所述二分类器模型的预设阈值。
可选地，还包括：
预先根据样本的质量评分和样本标签的映射关系，确定所述二分类器模型的预设阈值。
可选地，所述特征提取法包括如下任一种或任多种算法组合：
BRISQUE统计特征提取算法、HOG特征提取算法、Haar-like特征提取算法、高通滤波特征提取算法、直方图分布统计特征提取算法、广义高斯分布拟合特征提取算法以及神经网络特征提取算法。
可选地，所述多分类器模型采用支持向量机分类算法。
本发明实施例还提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述实施例提供的图片翻拍识别的方法。
本申请实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序包括程序指令，当所述程序指令被电子设备执行时，使所述电子设备执行上述实施例提供的图片翻拍识别方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和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。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块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信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块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模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块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。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
以上对本申请所提供的技术方案进行了详细介绍，本申请中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (11)

1.一种图片翻拍识别方法，其特征在于，该方法包括：
获取待识别图片，利用特征提取法提取所述待识别图片的多维纹理特征；
将所述多维纹理特征输入分类器模型，得到所述待分类图片是否为翻拍图片的分类结果，所述分类器模型通过将原本图片及翻拍图片的多维纹理特征作为输入，以输出图片是否为翻拍图片的结果为目标进行网络模型训练得到。
2.根据权利要求1所述的方法，其特征在于，所述分类器模型包括多分类器模型和二分类器模型，将所述多维纹理特征输入分类器模型，得到所述待分类图片的是否翻拍图片的分类结果，包括：
将所述待识别图片的多维纹理特征输入所述多分类器模型，得到所述待识别图片的质量评分；
将所述质量评分输入二分类器模型，基于所述二分类模型的预设阈值与质量评分的比较结果，得到所述待分类图片是否为翻拍图片的分类结果。
3.根据权利要求2所述的方法，其特征在于，所述多分类器模型通过以下训练方式生成：
获取包括多个样本的样本集，每个样本包括图片和预先根据图片分类结果标注的质量评分标签；
基于特征提取法提取所述样本的多维纹理特征，并输入到多分类器模型中；
根据所述样本的多维纹理特征和质量评分标签对多分类器模型进行训练，以得到样本的质量评分为目标对所述多分类器模型进行参数调整。
4.根据权利要求3所述的方法，其特征在于，所述质量评分标签包括正样本标签、负样本标签和模糊样本标签，其中，所述正样本标签对应不小于预设值的质量评分范围，所述负样本标签对应小于预设值的质量评分范围，所述模糊样本标签对应整体的质量评分范围。
5.根据权利要求2或3所述的方法，其特征在于，所述二分类器模型通过以下训练方式生成：
将根据多分类器得到的样本的质量评分，及标注所述样本分类结果的样本标签输入二分类器模型中，以得到样本的分类结果为目标对二分类器模型进行参数调整，确定所述二分类器模型的预设阈值。
6.根据权利要求2所述的方法，其特征在于，还包括：
预先根据样本的质量评分和样本标签的映射关系，确定所述二分类器模型的预设阈值。
7.根据权利要求1所述的方法，其特征在于，所述特征提取法包括如下任一种或任多种算法组合：
BRISQUE统计特征提取算法、方向梯度直方图HOG特征提取算法、哈尔Haar-like特征提取算法、高通滤波特征提取算法、直方图分布统计特征提取算法、广义高斯分布拟合特征提取算法以及神经网络特征提取算法。
8.根据权利要求2或3所述的方法，其特征在于，所述多分类器模型采用支持向量机分类算法。
9.一种图片翻拍识别装置，其特征在于，该装置包括：
提取模块，用于获取待识别图片，利用特征提取法提取所述待识别图片的多维纹理特征；
分类模块，用于将所述多维纹理特征输入分类器模型，得到所述待分类图片是否为翻拍图片的分类结果，所述分类器模型通过将原本图片及翻拍图片的多维纹理特征作为输入，以输出图片是否为翻拍图片的结果为目标进行网络模型训练得到。
10.一种图片翻拍识别电子设备，其特征在于，包括：存储器、处理器；
其中，所述存储器用于存储程序；
所述处理器被配置为执行所述存储器中的程序，以实现如权利要求1至8中任一项所述的方法。
11.一种计算机可读存储介质，其特征在于，包括计算机程序指令，当其在计算机上运行时，使得计算机执行如权利要求1至8中任一项所述的方法。
CN202010241197.3A 2020-03-31 2020-03-31 一种图片翻拍识别方法和装置及电子设备 Pending CN111461143A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010241197.3A CN111461143A (zh) 2020-03-31 2020-03-31 一种图片翻拍识别方法和装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010241197.3A CN111461143A (zh) 2020-03-31 2020-03-31 一种图片翻拍识别方法和装置及电子设备

Publications (1)

Publication Number Publication Date
CN111461143A true CN111461143A (zh) 2020-07-28

Family

ID=71679671

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010241197.3A Pending CN111461143A (zh) 2020-03-31 2020-03-31 一种图片翻拍识别方法和装置及电子设备

Country Status (1)

Country Link
CN (1) CN111461143A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114005019A (zh) * 2021-10-29 2022-02-01 北京有竹居网络技术有限公司 一种翻拍图像识别方法及其相关设备
CN115100081A (zh) * 2022-08-24 2022-09-23 深圳佳弟子科技有限公司 Lcd显示屏灰阶图像增强方法、装置、设备及存储介质
CN116958795A (zh) * 2023-06-30 2023-10-27 北京房多多信息技术有限公司 翻拍图像的识别方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109754059A (zh) * 2018-12-21 2019-05-14 平安科技（深圳）有限公司 翻拍图像识别方法、装置、计算机设备和存储介质
CN109784394A (zh) * 2019-01-07 2019-05-21 平安科技（深圳）有限公司 一种翻拍图像的识别方法、系统及终端设备
CN109859227A (zh) * 2019-01-17 2019-06-07 平安科技（深圳）有限公司 翻拍图像检测方法、装置、计算机设备及存储介质
CN110705620A (zh) * 2019-09-25 2020-01-17 广州市玄武无线科技股份有限公司 一种基于翻拍识别的陈列图像检测方法、装置及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109754059A (zh) * 2018-12-21 2019-05-14 平安科技（深圳）有限公司 翻拍图像识别方法、装置、计算机设备和存储介质
CN109784394A (zh) * 2019-01-07 2019-05-21 平安科技（深圳）有限公司 一种翻拍图像的识别方法、系统及终端设备
CN109859227A (zh) * 2019-01-17 2019-06-07 平安科技（深圳）有限公司 翻拍图像检测方法、装置、计算机设备及存储介质
CN110705620A (zh) * 2019-09-25 2020-01-17 广州市玄武无线科技股份有限公司 一种基于翻拍识别的陈列图像检测方法、装置及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114005019A (zh) * 2021-10-29 2022-02-01 北京有竹居网络技术有限公司 一种翻拍图像识别方法及其相关设备
CN114005019B (zh) * 2021-10-29 2023-09-22 北京有竹居网络技术有限公司 一种翻拍图像识别方法及其相关设备
CN115100081A (zh) * 2022-08-24 2022-09-23 深圳佳弟子科技有限公司 Lcd显示屏灰阶图像增强方法、装置、设备及存储介质
CN116958795A (zh) * 2023-06-30 2023-10-27 北京房多多信息技术有限公司 翻拍图像的识别方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
US10635946B2 (en) Eyeglass positioning method, apparatus and storage medium
CN108090406B (zh) 人脸识别方法及系统
CN111461143A (zh) 一种图片翻拍识别方法和装置及电子设备
CN102007499A (zh) 检测数字图像中的脸部表情
CN110135514B (zh) 一种工件分类方法、装置、设备及介质
WO2020038138A1 (zh) 样本标注方法及装置、损伤类别的识别方法及装置
CN113111844B (zh) 一种作业姿态评估方法、装置、本地终端及可读存储介质
CN108614895B (zh) 异常的数据访问行为的识别方法及数据处理装置
CN111522951A (zh) 一种基于图像识别的敏感数据识别与分类的技术方法
CN114463567B (zh) 一种基于区块链的智慧教育作业大数据防抄袭方法与系统
CN109858570A (zh) 图像分类方法及系统、计算机设备及介质
CN114937179B (zh) 垃圾图像分类方法、装置、电子设备及存储介质
CN112464850A (zh) 图像处理方法、装置、计算机设备及介质
CN115908774A (zh) 一种基于机器视觉的变形物资的品质检测方法和装置
Emam et al. A robust detection algorithm for image Copy-Move forgery in smooth regions
CN111754491A (zh) 一种图片清晰度判定方法及装置
CN108334602B (zh) 数据标注方法和装置、电子设备、计算机存储介质
CN111163332A (zh) 视频色情度检测方法、终端及介质
US11544960B2 (en) Attribute recognition system, learning server and non-transitory computer-readable recording medium
CN115690514A (zh) 图像识别方法及相关设备
CN115272223A (zh) 基于深度学习的图像翻拍自动检测技术
CN111275693B (zh) 一种图像中物体的计数方法、计数装置及可读存储介质
CN114758384A (zh) 人脸检测方法、装置、设备及存储介质
CN113936294A (zh) 建筑工地人员识别方法、可读存储介质和电子设备
KR20210031444A (ko) 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치

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