CN111461254A - 图片检测方法、装置和电子设备 - Google Patents
图片检测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111461254A CN111461254A CN202010302598.5A CN202010302598A CN111461254A CN 111461254 A CN111461254 A CN 111461254A CN 202010302598 A CN202010302598 A CN 202010302598A CN 111461254 A CN111461254 A CN 111461254A
- Authority
- CN
- China
- Prior art keywords
- picture
- feature
- sub
- features
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims description 43
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000012797 qualification Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012552 review Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书提出了一种图片检测方法、装置和电子设备，其中，所述图片检测方法包括：获取第一图片，识别所述第一图片中的附加信息；如果所述附加信息未包含在黑名单信息列表中，将所述第一图片确定为目标图片；否则，将所述第一图片确定为篡改图片；在将第一图片确定为目标图片后，采用卷积神经网络从目标图片中提取图片特征；将所述图片特征作为查询向量在包含比对特征的图片特征库中检索，获得所述图片特征的相似特征；根据所述图片特征与所述相似特征的相似度确定所述目标图片是否为篡改图片。采用本说明书的图片检测方案能够更准确地识别出被篡改图片。
Description
技术领域
本说明书涉及图片检测技术领域，尤其涉及一种图片检测方法、装置和电子设备。
背景技术
在资格审查和安全认证等场景中，经常需要用户提交诸如身份证件、资格证件、商品图片、商户图片等形式的审查文件，用户提交的审查文件输入到系统平台中，系统平台基于预设审查规则验证用户的身份和资格。在实际操作中，部分用户为了快速通过审查或者为了获得更高级别的资格可能会提交虚假的审查文件。其中，由于需要提交的审查文件多为图片格式，用户造假的方式就包括伪造图片、篡改图片等，因此识别篡改图片成为资格审查或者安全认证中的重要一环。
发明内容
本说明书实施例提供了一种图片检测方法、装置和电子设备，以更准确地识别出被篡改图片。
第一方面，本说明书实施例提供了一种图片检测方法，包括：
获取第一图片，识别所述第一图片中的附加信息；
如果所述附加信息未包含在黑名单信息列表中，将所述第一图片确定为目标图片；否则，将所述第一图片确定为篡改图片；
采用卷积神经网络从所述目标图片中提取图片特征；
将所述图片特征作为查询向量在包含比对特征的图片特征库中检索，获得所述图片特征的相似特征；
根据所述图片特征与所述相似特征的相似度确定所述目标图片是否为篡改图片。
其中一种可能的实现方式中，将所述图片特征作为查询向量在包含比对特征的图片特征库中检索，获得所述图片特征的相似特征，包括：
从所述图片特征库包含的多个子特征空间中确定待查询子特征空间，其中所述多个子特征空间基于对比对特征聚类形成；
从所述待查询子特征空间中确定所述图片特征的相似特征。
其中一种可能的实现方式中，从所述图片特征库包含的多个子特征空间中确定待查询子特征空间，包括：
确定所述图片特征库包含的各个子特征空间的聚类中心点；
根据所述图片特征分别与各个子特征空间的聚类中心点的距离确定待查询子特征空间。
其中一种可能的实现方式中，根据所述图片特征分别与各个子特征空间的聚类中心点的距离确定待查询子特征空间，包括：
计算所述图片特征与各个子特征空间的聚类中心点的距离；
将小于第一阈值的所述距离所对应的子特征空间确定为待查询子特征空间；或者，
将计算得到的各个所述距离中最小的N个距离所对应的子特征空间确定为待查询子特征空间，N为正整数。
其中一种可能的实现方式中，从所述待查询子特征空间中确定所述图片特征的相似特征，包括：
根据所述图片特征与所述待查询子特征空间包含的各个比对特征之间的距离，从所述待查询子特征空间包含的各个比对特征中确定所述图片特征的相似特征。
其中一种可能的实现方式中，根据所述图片特征与所述相似特征的相似度确定所述目标图片是否为篡改图片，包括：
根据所述图片特征与所述相似特征的距离确定所述图片特征与所述相似特征的相似度，并根据所述相似度确定所述目标图片是否为篡改图片。
上述图片检测方法中，采用卷积神经网络从目标图片中抽取图片特征，所抽取的图片特征能够更完整地表示图片整体特征，进一步将抽取的图片特征作为查询向量在图片特征库中检索以在图片库中获得图片特征的相似特征，进而可以根据图片特征与相似特征的相似度确定目标图片是否为篡改图片，相较于相关技术中依据附加信息检测图片是否为篡改图片的方案，本发明实施例方法的检测结果更为准确可信。
第二方面，本说明书实施例提供了一种图片检测装置，包括：
识别模块，用于获取第一图片，识别所述第一图片中的附加信息；
确定模块，用于在所述附加信息未包含在黑名单信息列表时，将所述第一图片确定为目标图片；否则，将所述第一图片确定为篡改图片；
特征提取模块，用于采用卷积神经网络从所述目标图片中提取图片特征；
检索模块，用于将所述图片特征作为查询向量在包含比对特征的图片特征库中检索，获得所述图片特征的相似特征；
所述确定模块，还用于根据所述图片特征与所述相似特征的相似度确定所述目标图片是否为篡改图片。
其中一种可能的实现方式中，所述检索模块，具体用于：从所述图片特征库包含的多个子特征空间中确定待查询子特征空间，其中所述多个子特征空间基于对比对特征聚类形成；从所述待查询子特征空间中确定所述图片特征的相似特征。
其中一种可能的实现方式中，所述检索模块，具体用于确定所述图片特征库包含的各个子特征空间的聚类中心点；根据所述图片特征分别与各个子特征空间的聚类中心点的距离确定待查询子特征空间。
其中一种可能的实现方式中，所述检索模块，具体用于计算所述图片特征与各个子特征空间的聚类中心点的距离；将小于第一阈值的所述距离所对应的子特征空间确定为待查询子特征空间；或者，将计算得到的各个所述距离中最小的N个距离所对应的子特征空间确定为待查询子特征空间，N为正整数。
其中一种可能的实现方式中，所述检索模块，具体用于根据所述图片特征与所述待查询子特征空间包含的各个比对特征之间的距离，从所述待查询子特征空间包含的各个比对特征中确定所述图片特征的相似特征。
其中一种可能的实现方式中，所述确定模块，具体用于根据所述图片特征与所述相似特征的距离确定所述图片特征与所述相似特征的相似度，并根据所述相似度确定所述目标图片是否为篡改图片。
第三方面，本说明书实施例提供了一种电子设备，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面所述的方法。
第四方面，本说明书实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面所述的方法。
应当理解的是，本说明书的第二~第四方面与本说明书的第一方面的技术方案一致，各方面及对应的可行实施方式所取得的有益效果相似，不再赘述。
附图说明
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例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说明书的一些实施例，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它的附图。
图1为本说明书图片检测方法一个实施例的流程图；
图2为本说明书图片检测方法另一个实施例的流程图；
图3为本说明书图片检测方法再一个实施例的流程图；
图4为本说明书图片检测方法的一个具体示例图；
图5为本说明书图片检测装置一个实施例的结构示意图；
图6为本说明书图片检测装置另一个实施例的结构示意图；
图7为本说明书电子设备一个实施例的结构示意图。
具体实施方式
为了更好的理解本说明书的技术方案，下面结合附图对本说明书实施例进行详细描述。
应当明确，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本说明书保护的范围。
在本说明书实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
在需要鉴别图片真伪的应用场景中，为了更准确地检测出被篡改过的图片，本说明书实施例提供了一种图片检测方法，该方法基于卷积神经网络提取目标图片的图片特征，然后依据提取的图片特征从图片特征库中查找相似特征，通过判断图片特征和相似特征之间的相似度确定目标图片是否为被篡改过的图片。
图1为本说明书图片检测方法一个实施例的流程图。图1所示方法的执行主体可以依据图片检测的具体场景为本地终端或者云服务器等。如图1所示，该方法的处理步骤包括：
步骤S101：采用卷积神经网络从目标图片中提取图片特征。
在本实施例中，目标图片为待检测的图片，在检测目标图片时，将目标图片输入卷积神经网络模型中，以通过卷积神经网络模型从目标图片中提取图片特征。可选的，所述卷积神经网络模型包括：卷积层、池化层和全连接层；所述卷积层中包括多组卷积核用于从目标图片中提取图片特征，池化层用于降低卷积层输出的图片特征的维度，保留图片中最有用的图片信息，减小噪声的传递，全连接层用于对各卷积层和池化层输出的结果进行特征汇总以最终输出图片深度特征。具体实施时，可以采用残差网络(Residual Network，简称ResNet)提取目标图片中的图片特征。
其中，在将目标图片输入卷积神经网络之前可以对目标图片进行归一化处理，以获得预定尺寸的图片，并将该预定尺寸的图片作为输入图片输入到卷积神经网络模型中。在另外一种可能的实施方式中，在将目标图片输入卷积神经网络模型之前将目标图片切割为多个子图片，将切割得到的部分或者全部子图片作为输入图片输入到卷积神经网络模型中。可选的，从切割得到的全部子图片中选择关键子图片，将关键子图片作为输入图片输入到卷积神经网络模型中。例如，目标图片为证件照片，则可以将证件照片上的头像、签章、日期、姓名等部分的子图片作为关键子图片输入到卷积神经网络模型中；又例如目标图片为门店照片，则可以将能够表征门店装饰特点的子图片作为关键子图片输入到卷积神经网络模型中。
步骤S102：将从目标图片中提取的图片特征作为查询向量在包含比对特征的图片特征库中检索，以从图片特征库包含的比对特征中确定所述图片特征的相似特征。
在本实施例中，建立包含比对特征的图片特征库，图片特征库中的比对特征均为可信特征，其中，可以将从可信图片中提取的特征作为比对特征建立所述图片特征库。图片特征库中的比对特征是检测目标图片是否为篡改图片的基础，当从目标图片提取到图片特征后，将提取的图片特征作为查询向量在图片特征库中检索。具体的，图片特征库设置有搜索引擎，基于该搜索引擎将提取的图片特征作为查询向量在图片特征库中检索，当图片特征库中存在与图片特征具有一定相似度的比对特征时，将检索出的该具有一定相似度的比对特征确定为所述图片特征的相似特征。
例如，在商户资格审查场景中，为了验证商户提交的门店图片是否为篡改图片，可以利用可信门店图片作为图片底库，依次从图片底库包含的各门店图片中提取特征并作为比对特征建立门店图片特征库。当商户提交了待检测门店图片后，从待检测门店图片中提取图片特征，然后从门店图片特征库中检索与待检测门店图片的图片特征具有一定相似度的相似特征，由此以依据所提取图片特征与相似特征之间的相似度确定待检测门店图片是否是篡改图片。
步骤S103：根据所述图片特征与所述相似特征之间的相似度确定所述目标图片是否为篡改图片。
在本实施例中，图片特征用以表征目标图片的整体特征，相似特征用以表征可信图片的整体特征，图片特征与相似特征之间的相似度可以用于表征目标图片与可信图片之间的相似度，因此当图片特征与相似特征之间具有足够相似度时，确定目标图片为篡改图片。
在一种可能的实现方式中，图片特征与相似特征之间的相似度可以根据图片特征与相似特征之间的距离确定，例如根据图片特征与相似特征之间的欧几里得距离确定，如果图片特征和相似特征之间的欧几里得距离小于设定阈值表示目标图片与相似特征对应的可信图片之间相似程度非常高，因此可以将目标图片确定为篡改图片，如果图片特征和相似特征之间的欧几里得距离大于或者等于设定阈值表示目标图片与相似特征对应的可信图片之间相似程度较低，目标图片可以确定为正常图片。
图2为本说明书图片检测方法另一个实施例的流程图。图2所示方法在图1实施例的基础上，在步骤S101采用卷积神经网络从目标图片中提取图片特征之前进一步包括确定目标图片的步骤，包括：
步骤S201：获取第一图片，识别第一图片中的附加信息。
在本实施例中获取用户提交的第一图片后，从第一图片识别附加信息，其中，所述附加信息可以为用于提示第一图片是否经过修改的信息，可选的，在附加信息中包括software字段。
步骤S202：判断所识别的附加信息是否包含在预先设置的黑名单信息列表中，如果附加信息包含在黑名单信息列表中，执行步骤S203；如果附加信息未包含在黑名单信息列表中，将第一图片确定为目标图片后执行步骤S101。
步骤S203：将第一图片确定为篡改图片。
本实施例的图片检测方案中，将附加信息识别和相似图片比对的方式相结合，在进行相似图片比对之前基于图片附加信息判断用户提交的第一图片是否为篡改图片，如果基于附加信息确定第一图片为篡改图片则无需再进行如图1所示的特征抽取比对步骤，在提高检测效率的同时提高检测的准确度。
另外，由于图片文件中的识别信息可能会被修改，又或者图片是真实的但附加信息提示图片有修改，如果直接根据识别信息判断可能会造成识别结果的不可信，为了解决这一问题，本实施例方案中预先设置黑名单信息列表，如果所识别的附加信息包含在黑名单信息列表中，则将第一图片确定为篡改图片；如果所识别的附加信息未包含在黑名单信息列表中，则将第一图片确定为目标图片并跳转至图1步骤S101继续执行特征抽取比对步骤并根据比对结果确定第一图片是否为篡改图片。例如，将software字段取值为photoshop列入黑名单信息列表中，当第一图片的识别信息中的software=photoshop时，则可以将第一图片直接确定为篡改图片；如果第一图片的software字段不为photoshop，则将第一图片确定为目标图片并继续执行图1所示的特征抽取比对步骤以确定目标图片是否为经过篡改的图片。
图3为本说明书图片检测方法再一个实施例的流程图。图3所示方法的执行步骤包括：
步骤S301：基于可信图片底库建立包含比对特征的图片特征库。
在本实施例方案中，由可信图片组成可信图片底库，并且采用卷积神经网络模型依次提取各可信图片的特征并作为比对特征建立图片特征库，并且在搜索引擎中建立所述图片特征库的检索索引。在本步骤中，用于提取各个可信图片的卷积神经网络模型可用于后续提取目标图片的图片特征。
进一步，为了提高图片检测效率，在建立所述图片特征库时，采用聚类方法将图片特征库中的比对特征划分为多个子特征空间，每个子特征空间中的比对特征具有一定相关性，比如，图片特征库中的比对特征基于聚类划分为门店、资格证件、身份证件、人脸头像等多个子特征空间。可选的，可以采用Kmeans聚类方法将图片特征库中的比对特征划分为多个子特征空间 。
步骤S302：采用卷积神经网络模型从目标图片中提取图片特征。
在本实施例中，可以将用户提交的图片直接确定为目标图片，也可以参照图2根据图片中的附加信息进行筛选，将不能直接根据附加信息确定为篡改图片的第一图片确定为目标图片。
步骤S303：从图片特征库包含的多个子特征空间中确定待查询子特征空间。
在本说明书实施例中，图片特征库中的多个子特征空间基于对比对特征聚类形成，每个子特征空间具有各自的聚类中心点。因此，在从图片特征库包含的各个子特征空间中确定待查询子特征空间时，可以首先确定图片特征库各个子特征空间的聚类中心点，然后根据所提取的图片特征分别与各个聚类中心点的距离确定待查询子特征空间，即在进行图片特征检索时首先确定感兴趣区域，在后续特征检索时可以仅在确定出的待查询子特征空间中检索，无需再全空间检索，大大降低检索过程中产生的计算量。
在本说明书实施例中，在确定待查询子特征空间时首先计算图片特征与各个子特征空间的聚类中心点的聚类，图片特征与聚类中心点的距离表示图片特征到相应子特征空间的整体距离，图片特征与聚类中心点距离越近表示图片特征与该子特征空间中包含的比对特征相似性越高，因此可以将相应的子特征空间确定为待查询子特征空间。具体的，在确定待查询子特征空间时，根据计算出的图片特征与各个聚类中心点的距离，可以将小于第一阈值的所述距离所对应的子特征空间确定为待查询子特征空间，又或者，将计算得到的各个所述距离中最小的N个距离所对应的子特征空间确定为待查询子特征空间，N为正整数。
步骤S304：从待查询子特征空间包含的各个比对特征中确定所提取图片特征的相似特征。
根据图片特征与各个子特征空间之间的距离确定出一个或者多个待查询子特征空间，并且从该一个或者多个待查询子特征空间所包含的比对特征中确定图片特征的相似特征。例如图片特征库中的比对特征基于聚类划分为门店、资格证件、身份证件、人脸头像等多个子特征空间，当目标图片为人物图片时，根据人物图片与各个子特征空间聚类中心点的距离确定身份证件子特征空间和人脸头像子特征空间为待查询子特征空间，然后从身份证件子特征空间和人脸头像子特征空间中确定与人物图片特征的相似特征。
在本实施例中，从待查询子特征空间中确定图片特征的相似特征包括：根据图片特征与待查询子特征空间包含的各个比对特征之间的距离，从待查询子特征空间包含的各个比对特征中确定图片特征的相似特征。其中，从待查询子特征空间中确定出的相似特征的数量为一个或者多个；当相似特征的数量为多个时，该多个相似特征可能来自同一可信图片，也可能来自不同的可信图片，尤其当该多个相似特征与图片特征均具有较高相似度时，可确定目标图片与多张可信图片具有较高相似度，目标图片可能来自多张目标图片的拼接修改，因此通过本实施例能够检测出拼接篡改图片。
另外，在本实施例中根据图片特征与待查询子特征空间包含的各个比对特征之间的距离确定图片特征的相似特征包括：计算图片特征与待查询子特征空间包含的各个比对特征之间的距离，如欧几里得距离；并且将小于第二阈值的距离所对应的比对特征确定为图片特征的相似特征，或者，将计算得到各个距离中最小的M个距离所对应的比对特征确定为图片特征的相似特征，M为正整数。
步骤S305：根据图片特征与相似特征之间的相似度确定目标图片是否为篡改图片。
其中，基于图片特征与相似特征之间的距离，如欧几里得距离确定图片特征与相似特征之间的相似度，图片特征与相似特征之间的距离越小表示其之间的相似度越高，如果图片特征与相似特征之间的相似度高于一定阈值，则可以将目标图片确定为篡改图片，另外，基于卷积神经网络模型能够提取覆盖目标图片整体的深度特征，因此通过本实施例方案能够检测出局部有区别但整体相似的篡改图片；而且在图片特征库中检索出的相似特征可能来自不同图片，因此本实施例方案还能检测出多张图片拼接形成的篡改图片。
图4为本说明书图片检测方法的一个具体示例图。图4所示方法以X个可信图片作为图片底库，X为大数量级别的正整数，如万级、百万级甚至亿级，图4所示方法的处理步骤包括：
（1）采用卷积神经网络分别从X个可信图片中提取特征向量，建立图片特征库，并且在搜索引擎中建立所述图片特征库的检索索引。
（2）采用Kmeans对图片特征库中的特征向量进行聚类，以将图片特征库划分为多个子特征空间。
其中，聚类过程中，聚类的数目一般设置得不宜太大，如设置为1024，以快速完成聚类过程。通过聚类确定聚类中心点后，针对每个可信图片特征x-i，找到其距离最近的聚类中心点c-i，由此以完成特征空间的划分。
（3）从目标图片中进行特征抽取，其中目标图片的确定方法参照图2所示实施例。
（4）将从目标图片中抽取的图片特征作为查询向量在图片特征库的搜索引擎中进行高维向量检索，以从图片特征库中确定图片特征的相似特征。根据图片特征与相似特征之间的相似度确定目标图片是否为篡改图片。
本实施例中，使用高维向量检索方法，在检索查询向量的相似特征之前，对图片特征库中的比对特征进行聚类，实现对比对特征的粗量化处理；之后，计算查询向量到各个聚类中心点的距离，其中查询向量到聚类中心点的距离代表查询向量到对应子特征空间全部比对特征的距离，因此可以根据聚类中心点的距离快速定位感兴趣空间，省去大量的距离计算，减少计算量，降低计算消耗；在根据查询向量到聚类中心点的距离确定待查询子特征空间之后，再从待查询子特征空间中确定查询向量的相似特征，由此以基于查询向量和相似特征之间的相似度确定目标图片是否为篡改图片。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
图5为本说明书图片检测装置一个实施例的结构示意图，如图5所示，上述图片检测装置可以包括：特征提取模块51、检索模块52和确定模块53；其中：
特征提取模块51，用于采用卷积神经网络从目标图片中提取图片特征；
检索模块52，用于将所述图片特征作为查询向量在包含比对特征的图片特征库中检索，获得所述图片特征的相似特征；
确定模块53，用于根据所述图片特征与所述相似特征的相似度确定所述目标图片是否为篡改图片。
图5所示实施例提供的图片检测装置可用于执行本说明书图1所示方法实施例的技术方案，其实现原理和技术效果可以进一步参考方法实施例中的相关描述。
图6为本说明书图片检测装置另一个实施例的结构示意图，与图5所示的图片检测装置相比，图6所示的图片检测装置中，还包括识别模块61；
所述识别模块61，用于在采用卷积神经网络从目标图片中提取图片特征之前，获取第一图片，识别所述第一图片中的附加信息；
相应的，所述确定模块53，还用于在所述附加信息未包含在黑名单信息列表时，将所述第一图片确定为所述目标图片；否则，将所述第一图片确定为篡改图片。
在本实施例中，所述检索模块52，具体用于：从所述图片特征库包含的多个子特征空间中确定待查询子特征空间，其中所述多个子特征空间基于对比对特征聚类形成；从所述待查询子特征空间中确定所述图片特征的相似特征。
在本实施例中，所述检索模块52，具体用于确定所述图片特征库包含的各个子特征空间的聚类中心点；根据所述图片特征分别与各个子特征空间的聚类中心点的距离确定待查询子特征空间。
在本实施例中，所述检索模块52，具体用于计算所述图片特征与各个子特征空间的聚类中心点的距离；将小于第一阈值的所述距离所对应的子特征空间确定为待查询子特征空间；或者，将计算得到的各个所述距离中最小的N个距离所对应的子特征空间确定为待查询子特征空间，N为正整数。
在本实施例中，所述检索模块52，具体用于根据所述图片特征与所述待查询子特征空间包含的各个比对特征之间的距离，从所述待查询子特征空间包含的各个比对特征中确定所述图片特征的相似特征。
在本实施例中，所述确定模块53，具体用于根据所述图片特征与所述相似特征的距离确定所述图片特征与所述相似特征的相似度，并根据所述相似度确定所述目标图片是否为篡改图片。
图6所示实施例提供的图片检测装置可用于执行本申请图1~图4所示方法实施例的技术方案，其实现原理和技术效果可以进一步参考方法实施例中的相关描述。
图7为本说明书电子设备一个实施例的结构示意图，如图7所示，上述电子设备可以包括至少一个处理器；以及与上述处理器通信连接的至少一个存储器，其中：存储器存储有可被处理器执行的程序指令，上述处理器调用上述程序指令能够执行本说明书图1~图4所示实施例提供的图片检测方法。
其中，上述电子设备可以为用于审核图片真伪的本地终端设备，如用户的计算机设备、便携处理设备等，另外上述电子设备也可以为云端处理设备，如云服务器等，以通过云端处理设备支持对图片的远程检测。本说明书实施例对上述电子设备的具体形式不作限定，可以理解的是，这里的电子设备即为方法实施例中相关方法步骤的执行主体。
图7示出了适于用来实现本说明书实施方式的示例性电子设备的框图。图7示出的电子设备仅仅是一个示例，不应对本说明书实施例的功能和使用范围带来任何限制。
如图7所示，电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于：一个或者多个处理器410，存储器430，连接不同系统组件（包括存储器430和处理单元410）的通信总线440。
通信总线440表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构（Industry StandardArchitecture；以下简称：ISA）总线，微通道体系结构（Micro Channel Architecture；以下简称：MAC）总线，增强型ISA总线、视频电子标准协会（Video Electronics StandardsAssociation；以下简称：VESA）局域总线以及外围组件互连（Peripheral ComponentInterconnection；以下简称：PCI）总线。
电子设备典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器430可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器（Random Access Memory；以下简称：RAM）和/或高速缓存存储器。电子设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。存储器430可以包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块，这些程序模块被配置以执行本说明书各实施例的功能。
具有一组（至少一个）程序模块的程序/实用工具，可以存储在存储器430中，这样的程序模块包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块通常执行本说明书所描述的实施例中的功能和/或方法。
处理器410通过运行存储在存储器430中的程序，从而执行各种功能应用以及数据处理，例如实现本说明书图1~图4所示实施例提供的图片检测方法。
本说明书实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行本说明书图1~图4所示实施例提供的图片检测方法。
上述非暂态计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器（Read Only Memory；以下简称：ROM）、可擦式可编程只读存储器（Erasable ProgrammableRead Only Memory；以下简称：EPROM）或闪存、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本说明书的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本说明书的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本说明书的实施例所属技术领域的技术人员所理解。
在本说明书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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本说明书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，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置（可以是个人计算机，服务器，或者网络装置等）或处理器（Processor）执行本说明书各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory；以下简称：ROM）、随机存取存储器（Random Access Memory；以下简称：RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。
Claims (14)
1.一种图片检测方法，其特征在于，包括：
获取第一图片，识别所述第一图片中的附加信息；
如果所述附加信息未包含在黑名单信息列表中，将所述第一图片确定为目标图片；否则，将所述第一图片确定为篡改图片；
采用卷积神经网络从所述目标图片中提取图片特征；
将所述图片特征作为查询向量在包含比对特征的图片特征库中检索，获得所述图片特征的相似特征；
根据所述图片特征与所述相似特征的相似度确定所述目标图片是否为篡改图片。
2.根据权利要求1所述的方法，其特征在于，将所述图片特征作为查询向量在包含比对特征的图片特征库中检索，获得所述图片特征的相似特征，包括：
从所述图片特征库包含的多个子特征空间中确定待查询子特征空间，其中所述多个子特征空间基于对比对特征聚类形成；
从所述待查询子特征空间中确定所述图片特征的相似特征。
3.根据权利要求2所述的方法，其特征在于，从所述图片特征库包含的多个子特征空间中确定待查询子特征空间，包括：
确定所述图片特征库包含的各个子特征空间的聚类中心点；
根据所述图片特征分别与各个子特征空间的聚类中心点的距离确定待查询子特征空间。
4.根据权利要求3所述的方法，其特征在于，根据所述图片特征分别与各个子特征空间的聚类中心点的距离确定待查询子特征空间，包括：
计算所述图片特征与各个子特征空间的聚类中心点的距离；
将小于第一阈值的所述距离所对应的子特征空间确定为待查询子特征空间；或者，
将计算得到的各个所述距离中最小的N个距离所对应的子特征空间确定为待查询子特征空间，N为正整数。
5.根据权利要求2所述的方法，其特征在于，从所述待查询子特征空间中确定所述图片特征的相似特征，包括：
根据所述图片特征与所述待查询子特征空间包含的各个比对特征之间的距离，从所述待查询子特征空间包含的各个比对特征中确定所述图片特征的相似特征。
6.根据权利要求1至5中任一项所述的方法，其特征在于，根据所述图片特征与所述相似特征的相似度确定所述目标图片是否为篡改图片，包括：
根据所述图片特征与所述相似特征的距离确定所述图片特征与所述相似特征的相似度，并根据所述相似度确定所述目标图片是否为篡改图片。
7.一种图片检测装置，其特征在于，包括：
识别模块，用于获取第一图片，识别所述第一图片中的附加信息；
确定模块，用于在所述附加信息未包含在黑名单信息列表时，将所述第一图片确定为目标图片；否则，将所述第一图片确定为篡改图片；
特征提取模块，用于采用卷积神经网络从所述目标图片中提取图片特征；
检索模块，用于将所述图片特征作为查询向量在包含比对特征的图片特征库中检索，获得所述图片特征的相似特征；
所述确定模块，还用于根据所述图片特征与所述相似特征的相似度确定所述目标图片是否为篡改图片。
8.根据权利要求7所述的装置，其特征在于，
所述检索模块，具体用于：从所述图片特征库包含的多个子特征空间中确定待查询子特征空间，其中所述多个子特征空间基于对比对特征聚类形成；从所述待查询子特征空间中确定所述图片特征的相似特征。
9.根据权利要求8所述的装置，其特征在于，
所述检索模块，具体用于确定所述图片特征库包含的各个子特征空间的聚类中心点；根据所述图片特征分别与各个子特征空间的聚类中心点的距离确定待查询子特征空间。
10.根据权利要求9所述的装置，其特征在于，
所述检索模块，具体用于计算所述图片特征与各个子特征空间的聚类中心点的距离；将小于第一阈值的所述距离所对应的子特征空间确定为待查询子特征空间；或者，将计算得到的各个所述距离中最小的N个距离所对应的子特征空间确定为待查询子特征空间，N为正整数。
11.根据权利要求8所述的装置，其特征在于，
所述检索模块，具体用于根据所述图片特征与所述待查询子特征空间包含的各个比对特征之间的距离，从所述待查询子特征空间包含的各个比对特征中确定所述图片特征的相似特征。
12.根据权利要求7至11中任一项所述的装置，其特征在于，
所述确定模块，具体用于根据所述图片特征与所述相似特征的距离确定所述图片特征与所述相似特征的相似度，并根据所述相似度确定所述目标图片是否为篡改图片。
13.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至6任一所述的方法。
14.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至6任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010302598.5A CN111461254A (zh) | 2020-04-17 | 2020-04-17 | 图片检测方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010302598.5A CN111461254A (zh) | 2020-04-17 | 2020-04-17 | 图片检测方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111461254A true CN111461254A (zh) | 2020-07-28 |
Family
ID=71684604
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010302598.5A Pending CN111461254A (zh) | 2020-04-17 | 2020-04-17 | 图片检测方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111461254A (zh) |
Citations (6)
| 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 |
| US20120076422A1 (en) * | 2010-09-28 | 2012-03-29 | Futurewei Technologies, Inc. | System and Method for Image Authentication |
| CN102446211A (zh) * | 2011-09-06 | 2012-05-09 | 中国科学院自动化研究所 | 图像备案和验证的方法及系统 |
| CN106408952A (zh) * | 2016-12-14 | 2017-02-15 | 浙江工业大学 | 一种机动车违法行为随手拍系统及方法 |
| CN109426781A (zh) * | 2017-08-29 | 2019-03-05 | 阿里巴巴集团控股有限公司 | 人脸识别数据库的构建方法、人脸识别方法、装置及设备 |
| 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 |
-
2020
- 2020-04-17 CN CN202010302598.5A patent/CN111461254A/zh active Pending
Patent Citations (6)
| 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 |
| US20120076422A1 (en) * | 2010-09-28 | 2012-03-29 | Futurewei Technologies, Inc. | System and Method for Image Authentication |
| CN102446211A (zh) * | 2011-09-06 | 2012-05-09 | 中国科学院自动化研究所 | 图像备案和验证的方法及系统 |
| CN106408952A (zh) * | 2016-12-14 | 2017-02-15 | 浙江工业大学 | 一种机动车违法行为随手拍系统及方法 |
| CN109426781A (zh) * | 2017-08-29 | 2019-03-05 | 阿里巴巴集团控股有限公司 | 人脸识别数据库的构建方法、人脸识别方法、装置及设备 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948408B (zh) | 活性测试方法和设备 | |
| CN106446816B (zh) | 人脸识别方法及装置 | |
| US11594053B2 (en) | Deep-learning-based identification card authenticity verification apparatus and method | |
| US20230376527A1 (en) | Generating congruous metadata for multimedia | |
| CN111862035B (zh) | 光斑检测模型的训练方法、光斑检测方法、设备及介质 | |
| CN110245714B (zh) | 图像识别方法、装置及电子设备 | |
| JP6969663B2 (ja) | ユーザの撮影装置を識別する装置及び方法 | |
| Karthika et al. | IoT using machine learning security enhancement in video steganography allocation for Raspberry Pi | |
| CN112818995B (zh) | 图像分类方法、装置、电子设备及存储介质 | |
| CN111444362B (zh) | 恶意图片拦截方法、装置、设备和存储介质 | |
| CN108197955B (zh) | 终端验证的方法、终端设备及计算机可读存储介质 | |
| CN112837202A (zh) | 基于隐私保护的水印图像的生成、攻击溯源方法及装置 | |
| JPWO2017146229A1 (ja) | 情報処理装置、容疑者情報生成方法及びプログラム | |
| CN111461254A (zh) | 图片检测方法、装置和电子设备 | |
| CN115984977A (zh) | 活体检测方法和系统 | |
| CN109598190A (zh) | 用于动作识别的方法、装置、计算机设备及存储介质 | |
| CN114841340A (zh) | 深度伪造算法的识别方法、装置、电子设备及存储介质 | |
| CN114519568A (zh) | 审单方法、装置、电子设备和存储介质 | |
| CN115004245A (zh) | 目标检测方法、装置、电子设备和计算机存储介质 | |
| CN113221786A (zh) | 数据分类方法及装置、电子设备和存储介质 | |
| CN113221785A (zh) | 图像识别方法及装置、电子设备及存储介质 | |
| CN112487943A (zh) | 关键帧去重的方法、装置和电子设备 | |
| Steinebach et al. | Image montage detection based on image segmentation and robust hashing techniques | |
| CN117333926B (zh) | 一种图片聚合方法、装置、电子设备及可读存储介质 | |
| CN114971643B (zh) | 异常交易识别方法、装置、设备及存储介质 |
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: 40034099 Country of ref document: HK |
|
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200728 |
|
| RJ01 | Rejection of invention patent application after publication |