CN112150483A - 图片篡改检测方法、装置、终端设备及存储介质 - Google Patents

图片篡改检测方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN112150483A
CN112150483A CN202011033156.1A CN202011033156A CN112150483A CN 112150483 A CN112150483 A CN 112150483A CN 202011033156 A CN202011033156 A CN 202011033156A CN 112150483 A CN112150483 A CN 112150483A
Authority
CN
China
Prior art keywords
picture
detected
tampering detection
tampered
area
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
Application number
CN202011033156.1A
Other languages
English (en)
Other versions
CN112150483B (zh
Inventor
丁晶晶
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.)
OneConnect Financial Technology Co Ltd Shanghai
Original Assignee
OneConnect Financial Technology Co Ltd Shanghai
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 OneConnect Financial Technology Co Ltd Shanghai filed Critical OneConnect Financial Technology Co Ltd Shanghai
Priority to CN202011033156.1A priority Critical patent/CN112150483B/zh
Publication of CN112150483A publication Critical patent/CN112150483A/zh
Application granted granted Critical
Publication of CN112150483B publication Critical patent/CN112150483B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

本申请适用于人工智能技术领域，提供了一种图片篡改检测方法、装置、终端设备及存储介质，其中，通过在本地篡改检测模型中设置至少两个神经网络检测层，使得上述本地篡改检测模型能同时对至少2种不同的图片篡改类型进行检测，提高了图片篡改检测效率。此外，若本地篡改检测模型中的神经网络检测层针对待检测图片均未检测到篡改图片时，通过根据服务商信息查询服务商提供的第三方篡改检测模型，将待检测图片输入第三方篡改检测模型进行图片篡改检测，使得当本地篡改检测模型未检测到篡改图片时，能基于服务商信息对应的第三方篡改检测模型再次进行图片的篡改检测，进一步提高了图片篡改检测效率。此外，本申请还涉及区块链技术。

Description

图片篡改检测方法、装置、终端设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种图片篡改检测方法、装置、终端设备及存储介质。
背景技术
近年来，随着互联网的发展，越来越多的金融场景从线下搬移到了线上，证明材料由纸质材料变更为相关扫描或者拍摄的图片，但是由此带来的是图片篡改行为，将不存在的证明材料通过图片篡改软件或者篡改技术改造成虚假的图片，图片篡改带来极大的经济损失和社会风险，因此，图片篡改检测方法越来越受人们所重视。
现有的图片篡改检测过程中，仅能针对一种图片篡改类型进行检测，并不能同时对多种不同的图片篡改类型进行检测，进而导致图片篡改检测效率低下。
发明内容
有鉴于此，本申请实施例提供了一种图片篡改检测方法、装置、终端设备及存储介质，以解决现有技术的接口管理过程中，由于不能同时对多种不同的图片篡改类型进行检测，所导致的图片篡改检测效率低下的问题。
本申请实施例的第一方面提供了一种图片篡改检测方法，包括：
接收待检测图片，并将所述待检测图片输入本地篡改检测模型进行图片篡改检测，所述本地篡改检测模型设置有至少两个神经网络检测层，不同所述神经网络检测层检测的图片篡改类型不相同；
若任一所述神经网络检测层针对所述待检测图片有检测到篡改图片，则将所述篡改图片进行显示；
若所述神经网络检测层针对所述待检测图片均未检测到所述篡改图片，则获取所述待检测图片对应服务商的服务商信息，并根据所述服务商信息查询所述服务商提供的第三方篡改检测模型，所述第三方篡改检测模型为所述服务商针对所述待检测图片提供的篡改检测模型，不同所述服务商提供的所述第三方篡改检测模型不相同；
将所述待检测图片输入查询到的所述第三方篡改检测模型进行图片篡改检测；
若所述第三方篡改检测模型针对所述待检测图片有检测到所述篡改图片，则将所述篡改图片进行显示；
若所述第三方篡改检测模型针对所述待检测图片未检测到所述篡改图片，则判定所述待检测图片未被篡改。
进一步地，所述将所述待检测图片输入本地篡改检测模型进行图片篡改检测，包括：
将所述待检测图片分别分发至不同所述神经网络检测层中的卷积层；
分别指示所述卷积层对所述待检测图片进行卷积处理，得到图片特征矩阵；
将所述图片特征矩阵发送至对应所述神经网络检测层中的决策网络中，并指示所述决策网络对所述图片特征矩阵进行特征分类，得到特征热点图；
分别对每个所述神经网络检测层中的所述特征热点图中预先设置的待检测区域进行热点密度检测；
若检测到任一所述特征热点图中的所述待检测区域的热点密度大于密度阈值，则判定所述待检测区域对应的图片为所述篡改图片。
进一步地，所述分别对每个所述神经网络检测层中的所述特征热点图中预先设置的待检测区域进行热点密度检测，包括：
对所述特征热点图进行区域分割，得到待检测区域，并计算所述待检测区域的热点密度；
若所述待检测区域的热点密度大于所述密度阈值，则判定所述待检测区域对应的图片为所述篡改图片；
若所述待检测区域的热点密度小于或等于所述密度阈值，则对所述待检测区域进行区域分割，得到待检测子区域；
计算所述待检测子区域的热点密度；
若所述待检测子区域的热点密度大于所述密度阈值，则判定所述待检测子区域对应的图片为所述篡改图片。
进一步地，所述计算所述待检测子区域的热点密度之后，还包括：
若所述待检测子区域的热点密度小于或等于所述密度阈值，则对所述待检测子区域进行区域分割，并判断所述待检测子区域分割后所得到的区域的热点密度是否大于密度阈值，直至分割后所得到的区域的区域面积小于面积阈值时，停止进行区域分割。
进一步地，若检测到任一所述特征热点图中的所述待检测区域的热点密度大于密度阈值，所述将所述篡改图片进行显示，包括：
若检测到任一所述特征热点图中的所述待检测区域的热点密度大于密度阈值，则将所述待检测区域标记为待显示区域；
计算所述待检测图片与所述待显示区域对应的所述特征热点图之间的分辨率比值，并获取所述待显示区域在对应所述特征热点图中的区域坐标；
根据所述分辨率比值对所述区域坐标进行坐标映射，得到所述待显示区域在所述待检测图片上的图片显示坐标，所述图片显示坐标所构成的图片是所述待显示区域对应的所述篡改图片；
根据所述图片显示坐标对所述篡改图片进行显示。
进一步地，所述获取所述待检测图片对应服务商的服务商信息，并根据所述服务商信息查询所述服务商提供的第三方篡改检测模型，包括：
对所述待检测图片进行图像识别，得到所述服务商信息，所述服务商信息包括服务商文字名称、服务商商标图像或服务商负责人姓名；
将所述服务商信息与预存储的模型查询表进行匹配，得到所述第三方篡改检测模型，所述模型查询表中存储有不同所述服务商信息与对应所述服务商预先设置的所述第三方篡改检测模型之间的对应关系。
进一步地，所述方法还包括：
将所述篡改图片上传至区块链中。
本申请实施例的第二方面提供了一种图片篡改检测装置，包括：
本地篡改检测单元，用于接收待检测图片，并将所述待检测图片输入本地篡改检测模型进行图片篡改检测，所述本地篡改检测模型设置有至少两个神经网络检测层，不同所述神经网络检测层检测的图片篡改类型不相同；
第一篡改图片显示单元，用于若任一所述神经网络检测层针对所述待检测图片有检测到篡改图片，则将所述篡改图片进行显示；
第三方篡改检测单元，用于若所述神经网络检测层针对所述待检测图片均未检测到所述篡改图片，则获取所述待检测图片对应服务商的服务商信息，根据所述服务商信息查询所述服务商提供的第三方篡改检测模型，所述第三方篡改检测模型为所述服务商针对所述待检测图片提供的篡改检测模型，不同所述服务商提供的所述第三方篡改检测模型不相同，并将所述待检测图片输入查询到的所述第三方篡改检测模型进行图片篡改检测；
第二篡改图片显示单元，用于若所述第三方篡改检测模型针对所述待检测图片有检测到所述篡改图片，则将所述篡改图片进行显示，若所述第三方篡改检测模型针对所述待检测图片未检测到所述篡改图片，则判定所述待检测图片未被篡改。
本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在终端设备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第一方案提供的图片篡改检测方法的各步骤。
本申请实施例的第四方面提供了一种存储介质，所述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第一方案提供的图片篡改检测方法的各步骤。
实施本申请实施例提供的一种图片篡改检测方法、装置、终端设备及存储介质具有以下有益效果：
本申请实施例提供的一种图片篡改检测方法，通过在本地篡改检测模型中设置至少两个神经网络检测层，且不同神经网络检测层检测的图片篡改类型不相同，使得上述本地篡改检测模型能同时对至少2种不同的图片篡改类型进行检测，提高了图片篡改检测效率。此外，若本地篡改检测模型中的神经网络检测层针对待检测图片均未检测到篡改图片时，通过根据服务商信息查询服务商提供的第三方篡改检测模型，并将待检测图片输入第三方篡改检测模型进行图片篡改检测，使得当本地篡改检测模型未检测到篡改图片时，能基于服务商信息对应的第三方篡改检测模型再次进行图片的篡改检测，进一步提高了图片篡改检测效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种图片篡改检测方法的实现流程图；
图2是本申请另一实施例提供的一种图片篡改检测方法的实现流程图；
图3是本申请再一实施例提供的图片篡改检测方法的具体实施步骤示意图；
图4是本申请再一实施例提供的一种图片篡改检测方法的实现流程图；
图5是本申请实施例提供的一种图片篡改检测装置的结构框图；
图6是本申请实施例提供的一种终端设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例所涉及的图片篡改检测方法，可以由控制设备或终端(以下称“移动终端”)执行。
请参阅图1，图1示出了本申请实施例提供的一种图片篡改检测方法的实现流程图，包括：
步骤S10，接收待检测图片，并将所述待检测图片输入本地篡改检测模型进行图片篡改检测。
其中，该本地篡改检测模型设置有至少两个神经网络检测层，不同神经网络检测层检测的图片篡改类型不相同，每个神经网络检测层均可以同时识别一种或多种不同的图片篡改类型，使得不同神经网络检测层用于分别识别该待检测图片中不同类型的图片篡改特征，并根据该待检测图片中不同类型的图片篡改特征的识别结果判断该待检测图片是否存在篡改区域。
例如，该本地篡改检测模型包括神经网络检测层A、神经网络检测层B和神经网络检测层C，该神经网络检测层A、神经网络检测层B和神经网络检测层C用于分别对图片篡改类型a、图片篡改类型b和图片篡改类型c进行检测，将该待检测图片输入本地篡改检测模型进行图片篡改检测时，根据该神经网络检测层A对该待检测图片进行图片篡改类型a的检测，根据该神经网络检测层B对该待检测图片进行图片篡改类型b的检测，根据该神经网络检测层C对该待检测图片进行图片篡改类型c的检测。
具体的，该步骤中，预先设置有前置网关、接口分流网关和模型分流网关，该前置网关用于接收该待检测图片，对该待检测图片进行格式转换，转换为标准的rgb(RGB colormode)格式图片，并将格式转换后的待检测图片发送至接口分流网关，该接口分流网关用于将格式转换后的待检测图片发送至本地篡改检测模型进行图片篡改检测，并接收该本地篡改检测模型对该待检测图片的篡改检测结果，该模型分流网关用于接收接口分流网关对本地篡改检测模型发送的格式转换后的待检测图，将该格式转换后的待检测图并行分发至不同神经网络检测层，汇总不同神经网络检测层对该格式转换后的待检测图片的篡改检测结果，并将汇总后的篡改检测结果发送至接口分流网关。
步骤S20，若任一所述神经网络检测层针对所述待检测图片有检测到篡改图片，则将所述篡改图片进行显示。
其中，若任一神经网络检测层针对待检测图片有检测到篡改图片，则判定该待检测图片有发生图片篡改行为，通过将该篡改图片进行显示，以提示用户该待检测图片上对应的图片是通过图片篡改软件或篡改技术改造成的虚假图片。
具体的，该步骤中，根据该接口分流网关接收到的篡改检测汇总结果，以判断该本地篡改检测模型中是否有神经网络检测层针对该待检测图片有检测到篡改图片，若任一神经网络检测层针对待检测图片有检测到篡改图片，则将检测到的篡改图片进行显示。
步骤S30，若所述神经网络检测层针对所述待检测图片均未检测到所述篡改图片，则获取所述待检测图片对应服务商的服务商信息，根据所述服务商信息查询所述服务商提供的第三方篡改检测模型，并将所述待检测图片输入查询到的所述第三方篡改检测模型进行图片篡改检测。
其中，该第三方篡改检测模型为服务商针对待检测图片提供的篡改检测模型，不同服务商提供的第三方篡改检测模型不相同，若神经网络检测层针对待检测图片均未检测到篡改图片，则获取待检测图片对应服务商的服务商信息，根据服务商信息查询服务商提供的第三方篡改检测模型，并将待检测图片输入查询到的第三方篡改检测模型进行图片篡改检测。
具体的，该步骤中，若根据接口分流网关接收到的篡改检测汇总结果，判断到神经网络检测层针对待检测图片均未检测到篡改图片，则指示该接口分流网关将待检测图片发送至接口适配器，该接口适配器用于根据服务商信息查询服务商提供的第三方篡改检测模型，并将待检测图片输入查询到的第三方篡改检测模型进行图片篡改检测。
可选的，该步骤中，所述获取所述待检测图片对应服务商的服务商信息，并根据所述服务商信息查询所述服务商提供的第三方篡改检测模型，包括：
对所述待检测图片进行图像识别，得到所述服务商信息；
将所述服务商信息与预存储的模型查询表进行匹配，得到所述第三方篡改检测模型；
其中，该服务商信息包括服务商文字名称、服务商商标图像或服务商负责人姓名，该模型查询表中存储有不同服务商信息与对应服务商预先设置的第三方篡改检测模型之间的对应关系，通过对待检测图片进行图像识别，以识别该待检测图像中存在的服务商文字名称、服务商商标图像或服务商负责人姓名，根据识别到的服务商文字名称、服务商商标图像或服务商负责人姓名进行该第三方篡改检测模型的查询。
步骤S40，若所述第三方篡改检测模型针对所述待检测图片有检测到所述篡改图片，则将所述篡改图片进行显示。
其中，若第三方篡改检测模型针对待检测图片有检测到篡改图片，则获取该篡改图片在该待检测图片中的显示区域，并根据该显示区域对该篡改图片进行凸显显示，该凸显显示调节显示区域的显示亮度或进行显示区域的框选等。
步骤S50，若所述第三方篡改检测模型针对所述待检测图片未检测到所述篡改图片，则判定所述待检测图片未被篡改。
可选的，该步骤中，若步骤S30确定到的第三方篡改检测模型针对该待检测图片未检测到篡改图片时，则将该待检测图片分发至其他剩余的第三方篡改检测模型，若其他剩余的第三方篡改检测模型针对该待检测图片均未检测到篡改图片时，则判定待检测图片未被篡改。
本实施例中，通过在本地篡改检测模型中设置至少两个神经网络检测层，且不同神经网络检测层检测的图片篡改类型不相同，使得上述本地篡改检测模型能同时对至少2种不同的图片篡改类型进行检测，提高了图片篡改检测效率。此外，若本地篡改检测模型中的神经网络检测层均针对待检测图片均未检测到篡改图片时，通过根据服务商信息查询服务商提供的第三方篡改检测模型，并将待检测图片输入第三方篡改检测模型进行图片篡改检测，使得当本地篡改检测模型未检测到篡改图片时，能基于服务商信息对应的第三方篡改检测模型再次进行图片的篡改检测，进一步提高了图片篡改检测效率。
请参阅图2，图2是本申请另一实施例提供的一种图片篡改检测方法的实现流程图。相对于图1对应的实施例，本实施例提供的图片篡改检测方法是对图1对应的实施例中步骤S10的进一步细化，包括：
步骤S11，将所述待检测图片分别分发至不同所述神经网络检测层中的卷积层，并分别指示所述卷积层对所述待检测图片进行卷积处理，得到图片特征矩阵。
其中，通过分别指示卷积层对待检测图片进行卷积处理，以分别提取该待检测图片中的图片特征，得到该图片特征矩阵，该步骤中，每个神经网络检测层中的卷积层均采用多卷积结构，进而提高了卷积层对待检测图片的特征提取的准确性。
具体的，该步骤中，该本地篡改检测模型的前端设置有输入层，该输入层用于接收接口分流网关向本地篡改检测模型发送的待检测图片，该输入层的输出端设置有一分发路由，该分发路由用于将输入层接收到的待检测图片分发至所有神经网络检测层中。
步骤S12，将所述图片特征矩阵发送至对应所述神经网络检测层中的决策网络中，并指示所述决策网络对所述图片特征矩阵进行特征分类，得到特征热点图。
其中，该决策网络可以采用Maskrcnn决策网络，该Maskrcnn决策网络是一个特征分类模型，该特征分类模型用于对该卷积层输出的图片特征矩阵进行特征分类，将图片特征矩阵中的特征分类为正常特征或图片篡改特征，并根据对图片特征矩阵的特征分类结果生成特征热点图。
该步骤中，该特征热点图为决策网络针对图片特征矩阵进行特征分类后得到的篡改特征显示图片，该篡改特征显示图片用于显示该待检测图片上对应篡改特征的位置坐标。该步骤中，若检测到图片特征矩阵中的特征是图片篡改特征，则将该图片篡改特征对应的区域显示为特征热点，即通过根据该特征热点表征对应的图片篡改特征，在该特征热点图中，由该特征热点所构成的区域为图片篡改区域。
可选的，该步骤中，通过将该图片篡改特征在篡改特征显示图片中对应的区域显示预设热点图像，以达到将该图片篡改特征对应的区域显示为特征热点的效果。
具体的，该步骤中，每个神经网络检测层中均设置有一个决策网络，当卷积层对待检测图片进行卷积处理得到图片特征矩阵后，将图片特征矩阵发送至该卷积层对应的决策网络中进行特征的分类，得到该特征热点图，即最终得到的特征热点图的总个数与神经网络检测层的总个数相同。
例如，当该本地篡改检测模型包括神经网络检测层A、神经网络检测层B和神经网络检测层C，则神经网络检测层A、神经网络检测层B和神经网络检测层C中的决策网络均会生成对应的一个特征热点图。
步骤S13，分别对每个所述神经网络检测层中的所述特征热点图中预先设置的待检测区域进行热点密度检测。
其中，该待检测区域可以根据需求进行数量或区域位置的设置，通过分别计算该待检测区域中特征热点的热点密度，以达到对待检测区域的热点密度检测效果，该热点密度为该待检测区域中单位面积内特征热点的数量。
该步骤中，分别对每个所述神经网络检测层中的所述特征热点图中预先设置的待检测区域进行热点密度检测所采用的计算公式为：
Hn＝Qn/Sn
其中，Qn为该特征热点图中第n个待检测区域中特征热点的数量，Sn为该特征热点图中第n个待检测区域的区域面积，Hn为该特征热点图中第n个待检测区域的热点密度，若待检测区域的热点密度越大，则判定该待检测区域中携带的特征热点数量越多，则该待检测区域为篡改图片的概率越大。
步骤S14，若检测到任一所述特征热点图中的所述待检测区域的热点密度大于密度阈值，则判定所述待检测区域对应的图片为所述篡改图片。
其中，该密度阈值可以根据需求进行设置，该密度阈值用于检测该待检测区域对应的图片是否为篡改图片。
可选的，该步骤中，若检测到任一所述特征热点图中的所述待检测区域的热点密度大于密度阈值，所述将所述篡改图片进行显示，包括：
若检测到任一所述特征热点图中的所述待检测区域的热点密度大于密度阈值，则将所述待检测区域标记为待显示区域；
计算所述待检测图片与所述待显示区域对应的所述特征热点图之间的分辨率比值，并获取所述待显示区域在对应所述特征热点图中的区域坐标；
根据所述分辨率比值对所述区域坐标进行坐标映射，得到所述待显示区域在所述待检测图片上的图片显示坐标；
根据所述图片显示坐标对所述篡改图片进行显示；
其中，该图片显示坐标所构成的图片是待显示区域对应的篡改图片，通过计算待检测图片与待显示区域对应的特征热点图之间的分辨率比值，能有效的计算到待检测图片与待检测区域对应的特征热点图之间的图片缩放比例，进而提高了后续区域坐标坐标映射的准确性，通过根据分辨率比值对区域坐标进行坐标映射，能准确的获取到篡改图片在待检测图片上的图片显示坐标，并根据该图片显示坐标对该待检测图片中的篡改图片进行显示。
请参阅图3，是本申请再一实施例提供的图片篡改检测方法的具体实施步骤示意图，其中，前置网关接收待检测图片，并将接收到的待检测图片发送至接口分流网关，接口分流网关将待检测图片发送至模型分流网关，模型分流网关将待检测图片并行分发至不同神经网络检测层进行篡改检测，并接收不同神经网络检测层的篡改检测结果，并将篡改检测结果汇总至接口分流网关，若接口分流网关根据该篡改检测汇总结果判断到任一神经网络检测层有检测到篡改图片，则将该篡改图片进行显示，若接口分流网关根据该篡改检测汇总结果判断到所有神经网络检测层均未检测到篡改图片，则将该待检测图片发送至接口适配器，该接口适配器用于根据服务商信息查询服务商提供的第三方篡改检测模型，并将待检测图片输入对应接口提供商中的第三方篡改检测模型进行图片篡改检测。
本实施例中，通过分别指示卷积层对待检测图片进行卷积处理，以分别提取该待检测图片中的图片特征，得到该图片特征矩阵，通过指示决策网络对图片特征矩阵进行特征分类，能有效的将图片特征矩阵中的特征分类为正常特征或图片篡改特征，并根据对图片特征矩阵的特征分类结果生成该特征热点图，对特征热点图中预先设置的待检测区域进行热点密度检测，以分别检测该特征热点图中预先设置的待检测区域对应的图片是否为篡改图片。
请参阅图4，图4是本申请另一实施例提供的一种图片篡改检测方法的实现流程图。相对于图2对应的实施例，本实施例提供的图片篡改检测方法是对图2对应的实施例中步骤S14的进一步细化，包括：
S141，对所述特征热点图进行区域分割，得到待检测区域，并计算所述待检测区域的热点密度。
其中，对该特征热点图的区域分割可以基于预设分割数量进行分割，该预设分割数量可以根据需求进行设置，例如，该预设分割数量可以设置为2个、3个或4个等。
例如，当该预设分割数量为2个时，则将该特征热点图平均分割为2个待检测区域，并分别计算2个待检测区域中特征热点的热点密度。
S142，若所述待检测区域的热点密度大于所述密度阈值，则判定所述待检测区域对应的图片为所述篡改图片。
S143，若所述待检测区域的热点密度小于或等于所述密度阈值，则对所述待检测区域进行区域分割，得到待检测子区域。
其中，针对该待检测区域的区域分割同样基于预设分割数量进行分割，例如，当该预设分割数量为2个时，则分别将该待检测区域平均分割为2个待检测子区域。
S144，计算所述待检测子区域的热点密度。
其中，若待检测区域的数量为2，该预设分割数量为2个时，则分别计算4个待检测子区域的热点密度。
S145，若所述待检测子区域的热点密度大于所述密度阈值，则判定所述待检测子区域对应的图片为所述篡改图片。
其中，若任一待检测子区域的热点密度大于密度阈值，则判定待检测子区域对应的图片为篡改图片。
S146，若所述待检测子区域的热点密度小于或等于所述密度阈值，则对所述待检测子区域进行区域分割。
其中，若待检测子区域的热点密度小于或等于密度阈值，则根据该预设分割数量对该待检测子区域再次进行区域分割。
S147，判断所述待检测子区域分割后所得到的区域的热点密度是否大于密度阈值，直至分割后所得到的区域的区域面积小于面积阈值停止进行区域分割。
其中，分别判断待检测子区域分割后所得到的区域的热点密度是否大于密度阈值，以判断待检测子区域分割后所得到的区域对应的图片是否为篡改图片。
可选的，该步骤中，若待检测子区域分割后所得到的区域的热点密度小于或等于密度阈值，则对待检测子区域分割后所得到的区域再次进行分割，直至分割后所得到的区域的区域面积小于面积阈值时，才停止进行区域分割。
可选的，该步骤中，若待检测区域或待检测子区域分割后所得到的区域的区域面积小于面积阈值时，则停止进行区域分割，该面积阈值可以根据需求进行设置，例如，该面积阈值可以设置为1mm2、1cm2、1m2或10m2等。
本实施例中，通过对特征热点图进行区域分割得到待检测区域，能有效的对待检测区域进行热点密度检测，通过对待检测区域进行区域分割得到待检测子区域，能有效的对待检测子区域进行热点密度检测，通过对该待检测子区域再次进行区域分割，能有效的对待检测子区域分割后所得到的区域进行热点密度检测，进而提高了对特征热点图的热点密度检测的准确性，防止了由于特征热点图上特征热点不均匀所导致的热点密度检测错误的现象，基于分割后区域的区域面积与面积阈值之间的大小检测，以判定是否停止区域的分割，防止了持续进行区域分割所导致的图像篡改检测的错误。
在本申请的所有实施例中，基于本地篡改检测模型或第三方篡改检测模型得到篡改图片，具体来说，篡改图片由本地篡改检测模型或第三方篡改检测模型进行图片篡改检测得到。将篡改图片上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该篡改图片，以便查证篡改图片是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
请参阅图5，图5是本申请实施例提供的一种图片篡改检测装置100的结构框图。本实施例中该图片篡改检测装置100包括的各单元用于执行图1、图2、图4对应的实施例中的各步骤。具体请参阅图1、图2、图4以及图1、图2、图4所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图5，图片篡改检测装置100包括：本地篡改检测单元10、第一篡改图片显示单元11、第三方篡改检测单元12和第二篡改图片显示单元13，其中：
本地篡改检测单元10，用于接收待检测图片，并将所述待检测图片输入本地篡改检测模型进行图片篡改检测，所述本地篡改检测模型设置有至少两个神经网络检测层，不同所述神经网络检测层检测的图片篡改类型不相同。
其中，所述本地篡改检测单元10还用于：将所述待检测图片分别分发至不同所述神经网络检测层中的卷积层；
分别指示所述卷积层对所述待检测图片进行卷积处理，得到图片特征矩阵；
将所述图片特征矩阵发送至对应所述神经网络检测层中的决策网络中，并指示所述决策网络对所述图片特征矩阵进行特征分类，得到特征热点图；
分别对每个所述神经网络检测层中的所述特征热点图中预先设置的待检测区域进行热点密度检测；
若检测到任一所述特征热点图中的所述待检测区域的热点密度大于密度阈值，则判定所述待检测区域对应的图片为所述篡改图片。
可选的，所述本地篡改检测单元10还用于：对所述特征热点图进行区域分割，得到待检测区域，并计算所述待检测区域的热点密度；
若所述待检测区域的热点密度大于所述密度阈值，则判定所述待检测区域对应的图片为所述篡改图片；
若所述待检测区域的热点密度小于或等于所述密度阈值，则对所述待检测区域进行区域分割，得到待检测子区域；
计算所述待检测子区域的热点密度；
若所述待检测子区域的热点密度大于所述密度阈值，则判定所述待检测子区域对应的图片为所述篡改图片。
可选的，所述本地篡改检测单元10还用于：若所述待检测子区域的热点密度小于或等于所述密度阈值，则对所述待检测子区域进行区域分割，并判断所述待检测子区域分割后所得到的区域的热点密度是否大于密度阈值，直至分割后所得到的区域的区域面积小于面积阈值时，停止进行区域分割。
第一篡改图片显示单元11，用于若任一所述神经网络检测层针对所述待检测图片有检测到篡改图片，则将所述篡改图片进行显示。
其中，所述第一篡改图片显示单元11还用于：若检测到任一所述特征热点图中的所述待检测区域的热点密度大于密度阈值，则将所述待检测区域标记为待显示区域；
计算所述待检测图片与所述待显示区域对应的所述特征热点图之间的分辨率比值，并获取所述待显示区域在对应所述特征热点图中的区域坐标；
根据所述分辨率比值对所述区域坐标进行坐标映射，得到所述待显示区域在所述待检测图片上的图片显示坐标，所述图片显示坐标所构成的图片是所述待显示区域对应的所述篡改图片；
根据所述图片显示坐标对所述篡改图片进行显示。
第三方篡改检测单元12，用于若所述神经网络检测层针对所述待检测图片均未检测到所述篡改图片，则获取所述待检测图片对应服务商的服务商信息，根据所述服务商信息查询所述服务商提供的第三方篡改检测模型，所述第三方篡改检测模型为所述服务商针对所述待检测图片提供的篡改检测模型，不同所述服务商提供的所述第三方篡改检测模型不相同，并将所述待检测图片输入查询到的所述第三方篡改检测模型进行图片篡改检测。
其中，所述第三方篡改检测单元12还用于：对所述待检测图片进行图像识别，得到所述服务商信息，所述服务商信息包括服务商文字名称、服务商商标图像或服务商负责人姓名；
将所述服务商信息与预存储的模型查询表进行匹配，得到所述第三方篡改检测模型，所述模型查询表中存储有不同所述服务商信息与对应所述服务商预先设置的所述第三方篡改检测模型之间的对应关系。
第二篡改图片显示单元13，用于若所述第三方篡改检测模型针对所述待检测图片有检测到所述篡改图片，则将所述篡改图片进行显示，若所述第三方篡改检测模型针对所述待检测图片未检测到所述篡改图片，则判定所述待检测图片未被篡改。
以上可以看出，通过在本地篡改检测模型中设置至少两个神经网络检测层，且不同神经网络检测层检测的图片篡改类型不相同，使得上述本地篡改检测模型能同时对至少2种不同的图片篡改类型进行检测，提高了图片篡改检测效率。此外，若本地篡改检测模型中的神经网络检测层均针对待检测图片均未检测到篡改图片时，通过根据服务商信息查询服务商提供的第三方篡改检测模型，并将待检测图片输入第三方篡改检测模型进行图片篡改检测，使得当本地篡改检测模型未检测到篡改图片时，能基于服务商信息对应的第三方篡改检测模型再次进行图片的篡改检测，进一步提高了图片篡改检测效率。
图6是本申请另一实施例提供的一种终端设备2的结构框图。如图6所示，该实施例的终端设备2包括：处理器20、存储器21以及存储在所述存储器21中并可在所述处理器20上运行的计算机程序22，例如图片篡改检测方法的程序。处理器20执行所述计算机程序23时实现上述各个图片篡改检测方法各实施例中的步骤，例如图1所示的S10至S50，或者图2所示的S11至S14，或者图4所示的S141至S147。或者，所述处理器20执行所述计算机程序22时实现上述图5对应的实施例中各单元的功能，例如，图5所示的单元10至13的功能，具体请参阅图6对应的实施例中的相关描述，此处不赘述。
示例性的，所述计算机程序22可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器21中，并由所述处理器20执行，以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序22在所述终端设备2中的执行过程。例如，所述计算机程序22可以被分割成本地篡改检测单元10、第一篡改图片显示单元11、第三方篡改检测单元12和第二篡改图片显示单元13，各单元具体功能如上所述。
所述终端设备可包括，但不仅限于，处理器20、存储器21。本领域技术人员可以理解，图6仅仅是终端设备2的示例，并不构成对终端设备2的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器20可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器21可以是所述终端设备2的内部存储单元，例如终端设备2的硬盘或内存。所述存储器21也可以是所述终端设备2的外部存储设备，例如所述终端设备2上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器21还可以既包括所述终端设备2的内部存储单元也包括外部存储设备。所述存储器21用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种图片篡改检测方法，其特征在于，包括：
接收待检测图片，并将所述待检测图片输入本地篡改检测模型进行图片篡改检测，所述本地篡改检测模型设置有至少两个神经网络检测层，不同所述神经网络检测层检测的图片篡改类型不相同；
若任一所述神经网络检测层针对所述待检测图片有检测到篡改图片，则将所述篡改图片进行显示；
若所述神经网络检测层针对所述待检测图片均未检测到所述篡改图片，则获取所述待检测图片对应服务商的服务商信息，并根据所述服务商信息查询所述服务商提供的第三方篡改检测模型，所述第三方篡改检测模型为所述服务商针对所述待检测图片提供的篡改检测模型，不同所述服务商提供的所述第三方篡改检测模型不相同；
将所述待检测图片输入查询到的所述第三方篡改检测模型进行图片篡改检测；
若所述第三方篡改检测模型针对所述待检测图片有检测到所述篡改图片，则将所述篡改图片进行显示；
若所述第三方篡改检测模型针对所述待检测图片未检测到所述篡改图片，则判定所述待检测图片未被篡改。
2.根据权利要求1所述的图片篡改检测方法，其特征在于，所述将所述待检测图片输入本地篡改检测模型进行图片篡改检测，包括：
将所述待检测图片分别分发至不同所述神经网络检测层中的卷积层；
分别指示所述卷积层对所述待检测图片进行卷积处理，得到图片特征矩阵；
将所述图片特征矩阵发送至对应所述神经网络检测层中的决策网络中，并指示所述决策网络对所述图片特征矩阵进行特征分类，得到特征热点图；
分别对每个所述神经网络检测层中的所述特征热点图中预先设置的待检测区域进行热点密度检测；
若检测到任一所述特征热点图中的所述待检测区域的热点密度大于密度阈值，则判定所述待检测区域对应的图片为所述篡改图片。
3.根据权利要求2所述的图片篡改检测方法，其特征在于，所述分别对每个所述神经网络检测层中的所述特征热点图中预先设置的待检测区域进行热点密度检测，包括：
对所述特征热点图进行区域分割，得到待检测区域，并计算所述待检测区域的热点密度；
若所述待检测区域的热点密度大于所述密度阈值，则判定所述待检测区域对应的图片为所述篡改图片；
若所述待检测区域的热点密度小于或等于所述密度阈值，则对所述待检测区域进行区域分割，得到待检测子区域；
计算所述待检测子区域的热点密度；
若所述待检测子区域的热点密度大于所述密度阈值，则判定所述待检测子区域对应的图片为所述篡改图片。
4.根据权利要求3所述的图片篡改检测方法，其特征在于，所述计算所述待检测子区域的热点密度之后，还包括：
若所述待检测子区域的热点密度小于或等于所述密度阈值，则对所述待检测子区域进行区域分割，并判断所述待检测子区域分割后所得到的区域的热点密度是否大于密度阈值，直至分割后所得到的区域的区域面积小于面积阈值时，停止进行区域分割。
5.根据权利要求2所述的图片篡改检测方法，其特征在于，若检测到任一所述特征热点图中的所述待检测区域的热点密度大于密度阈值，所述将所述篡改图片进行显示，包括：
若检测到任一所述特征热点图中的所述待检测区域的热点密度大于密度阈值，则将所述待检测区域标记为待显示区域；
计算所述待检测图片与所述待显示区域对应的所述特征热点图之间的分辨率比值，并获取所述待显示区域在对应所述特征热点图中的区域坐标；
根据所述分辨率比值对所述区域坐标进行坐标映射，得到所述待显示区域在所述待检测图片上的图片显示坐标，所述图片显示坐标所构成的图片是所述待显示区域对应的所述篡改图片；
根据所述图片显示坐标对所述篡改图片进行显示。
6.根据权利要求1所述的图片篡改检测方法，其特征在于，所述获取所述待检测图片对应服务商的服务商信息，并根据所述服务商信息查询所述服务商提供的第三方篡改检测模型，包括：
对所述待检测图片进行图像识别，得到所述服务商信息，所述服务商信息包括服务商文字名称、服务商商标图像或服务商负责人姓名；
将所述服务商信息与预存储的模型查询表进行匹配，得到所述第三方篡改检测模型，所述模型查询表中存储有不同所述服务商信息与对应所述服务商预先设置的所述第三方篡改检测模型之间的对应关系。
7.根据权利要求1所述的图片篡改检测方法，其特征在于，所述方法还包括：
将所述篡改图片上传至区块链中。
8.一种图片篡改检测装置，其特征在于，包括：
本地篡改检测单元，用于接收待检测图片，并将所述待检测图片输入本地篡改检测模型进行图片篡改检测，所述本地篡改检测模型设置有至少两个神经网络检测层，所述第三方篡改检测模型为所述服务商针对所述待检测图片提供的篡改检测模型，不同所述神经网络检测层检测的图片篡改类型不相同；
第一篡改图片显示单元，用于若任一所述神经网络检测层针对所述待检测图片有检测到篡改图片，则将所述篡改图片进行显示；
第三方篡改检测单元，用于若所述神经网络检测层针对所述待检测图片均未检测到所述篡改图片，则获取所述待检测图片对应服务商的服务商信息，根据所述服务商信息查询所述服务商提供的第三方篡改检测模型，不同所述服务商提供的所述第三方篡改检测模型不相同，并将所述待检测图片输入查询到的所述第三方篡改检测模型进行图片篡改检测；
第二篡改图片显示单元，用于若所述第三方篡改检测模型针对所述待检测图片有检测到所述篡改图片，则将所述篡改图片进行显示，若所述第三方篡改检测模型针对所述待检测图片未检测到所述篡改图片，则判定所述待检测图片未被篡改。
9.一种终端设备，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7任一项所述方法的步骤。
10.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202011033156.1A 2020-09-27 2020-09-27 图片篡改检测方法、装置、终端设备及存储介质 Active CN112150483B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011033156.1A CN112150483B (zh) 2020-09-27 2020-09-27 图片篡改检测方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011033156.1A CN112150483B (zh) 2020-09-27 2020-09-27 图片篡改检测方法、装置、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN112150483A true CN112150483A (zh) 2020-12-29
CN112150483B CN112150483B (zh) 2023-05-12

Family

ID=73895725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011033156.1A Active CN112150483B (zh) 2020-09-27 2020-09-27 图片篡改检测方法、装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN112150483B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109344747A (zh) * 2018-09-17 2019-02-15 平安科技（深圳）有限公司 一种篡改图的识别方法、存储介质和服务器
CN110222515A (zh) * 2019-04-19 2019-09-10 深圳法大大网络科技有限公司 防篡改检测方法、装置及服务器、计算机可读存储介质
US20190287204A1 (en) * 2018-03-15 2019-09-19 Tata Consultancy Services Limited Neural network based insertion of watermark into images and tampering detection thereof
CN111368342A (zh) * 2020-03-13 2020-07-03 众安信息技术服务有限公司 图像篡改识别模型训练方法、图像篡改识别方法及装置
CN111553916A (zh) * 2020-05-09 2020-08-18 杭州中科睿鉴科技有限公司 基于多种特征和卷积神经网络的图像篡改区域检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20190287204A1 (en) * 2018-03-15 2019-09-19 Tata Consultancy Services Limited Neural network based insertion of watermark into images and tampering detection thereof
CN109344747A (zh) * 2018-09-17 2019-02-15 平安科技（深圳）有限公司 一种篡改图的识别方法、存储介质和服务器
CN110222515A (zh) * 2019-04-19 2019-09-10 深圳法大大网络科技有限公司 防篡改检测方法、装置及服务器、计算机可读存储介质
CN111368342A (zh) * 2020-03-13 2020-07-03 众安信息技术服务有限公司 图像篡改识别模型训练方法、图像篡改识别方法及装置
CN111553916A (zh) * 2020-05-09 2020-08-18 杭州中科睿鉴科技有限公司 基于多种特征和卷积神经网络的图像篡改区域检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
NA HUANG 等: "A Novel Method for Detecting Image Forgery Based on Convolutional Neural Network", 《2018 17TH IEEE INTERNATIONAL CONFERENCE ON TRUST, SECURITY AND PRIVACY IN COMPUTING AND COMMUNICATIONS/ 12TH IEEE INTERNATIONAL CONFERENCE ON BIG DATA SCIENCE AND ENGINEERING》 *

Also Published As

Publication number Publication date
CN112150483B (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
US20210295114A1 (en) Method and apparatus for extracting structured data from image, and device
CN108876871B (zh) 基于圆拟合的图像处理方法、装置与计算机可读存储介质
CN109903210B (zh) 水印的去除方法、装置和服务器
CN108579094B (zh) 一种用户界面检测方法及相关装置、系统和存储介质
CN105975939A (zh) 视频检测方法和装置
CN108875727B (zh) 图文标识的检测方法及装置、存储介质、处理器
CN109815704A (zh) 一种Kubernetes云原生应用的安全检测方法及其系统
CN112508145B (zh) 电子印章生成及验证方法、装置、电子设备及存储介质
CN110675940A (zh) 病理图像标注方法、装置、计算机设备及存储介质
CN112598627A (zh) 检测图像缺陷的方法、系统、电子设备及介质
CN111402120A (zh) 一种标注图像处理方法及装置
CN114550076A (zh) 区域异常行为监控方法、装置、设备及存储介质
CN111814716A (zh) 印章去除方法、计算机设备和可读存储介质
CN110781811B (zh) 异常工单识别方法、装置、可读存储介质和计算机设备
CN108648189A (zh) 图像模糊检测方法、装置、计算设备及可读存储介质
CN115311676A (zh) 审图方法、装置、计算机设备和存储介质
CN113393471A (zh) 图像处理方法和装置
CN112580108A (zh) 签名和印章完整性验证方法及计算机设备
CN114782955A (zh) 埋点处理方法、电子设备、存储介质
CN114359352A (zh) 图像处理方法、装置、设备、存储介质及计算机程序产品
CN108647570B (zh) 斑马线检测方法、装置及计算机可读存储介质
CN112150483B (zh) 图片篡改检测方法、装置、终端设备及存储介质
CN108388463B (zh) 图标处理方法、装置、计算机设备和存储介质
CN114913518B (zh) 基于图像处理的车牌识别方法、装置、设备及介质
CN115033487A (zh) 基于图像识别的自动化测试方法、装置、计算机设备及存储介质

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
GR01 Patent grant
GR01 Patent grant