CN112465783A - 一种图像篡改检测方法和装置 - Google Patents

一种图像篡改检测方法和装置 Download PDF

Info

Publication number
CN112465783A
CN112465783A CN202011357522.9A CN202011357522A CN112465783A CN 112465783 A CN112465783 A CN 112465783A CN 202011357522 A CN202011357522 A CN 202011357522A CN 112465783 A CN112465783 A CN 112465783A
Authority
CN
China
Prior art keywords
image
confidence
detected
map
network
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
CN202011357522.9A
Other languages
English (en)
Other versions
CN112465783B (zh
Inventor
刘昊岳
付晓
沈程秀
刘设伟
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.)
Taikang Insurance Group Co Ltd
Taikang Online Property Insurance Co Ltd
Original Assignee
Taikang Insurance Group Co Ltd
Taikang Online Property Insurance 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 Taikang Insurance Group Co Ltd, Taikang Online Property Insurance Co Ltd filed Critical Taikang Insurance Group Co Ltd
Priority to CN202011357522.9A priority Critical patent/CN112465783B/zh
Publication of CN112465783A publication Critical patent/CN112465783A/zh
Application granted granted Critical
Publication of CN112465783B publication Critical patent/CN112465783B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/002—Image coding using neural networks
    • 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]
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Finance (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供了一种图像篡改检测方法和装置，其中，所述方法包括：获取待检测的图像的重采样矩阵和特征图；将重采样矩阵输入至图像编码网络得到编码图像；将编码图像和特征图进行融合操作得到融合特征向量；将融合特征向量输入至图像解码网络得到置信度图，置信度图中每个像素点的数值表示待检测的图像中对应的每个像素点被篡改的概率；根据置信度图和检测阈值检测得到待检测的图像的被篡改区域和被篡改区域的置信度。本申请实施例将待检测的图像的重采样矩阵，经过编码操作、特征融合操作和解码操作得到表示每个像素点被篡改的概率的置信度图，再按照检测阈值检测出被篡改区域和对应的置信度，实现了像素级别的图像篡改检测。

Description

一种图像篡改检测方法和装置
技术领域
本申请涉及计算机技术领域，特别是涉及一种图像篡改检测方法和装置。
背景技术
随着功能强大的图像编辑软件的普及，即使用户没有任何图像处理背景知识，也可以轻易地对数字图像进行篡改，而且篡改后的图像不会留下明显的视觉痕迹。
在许多业务场景下，篡改后的图像容易被用于保险骗保、发布虚假消息、作伪证等，因此，对图像进行篡改检测是亟待解决的一个技术问题。
发明内容
鉴于上述问题，提出了本申请实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种图像篡改检测方法和装置。
为了解决上述问题，根据本申请实施例的第一方面，公开了一种图像篡改检测方法，包括：获取待检测的图像的重采样矩阵和特征图；将所述重采样矩阵输入至图像编码网络得到编码图像；将所述编码图像和所述特征图进行融合操作得到融合特征向量；将所述融合特征向量输入至图像解码网络得到置信度图，所述置信度图中每个像素点的数值表示所述待检测的图像中，对应的每个像素点被篡改的概率；根据所述置信度图和预设的检测阈值检测得到所述待检测的图像的被篡改区域和所述被篡改区域的置信度。
可选地，所述获取待检测的图像的重采样矩阵，包括：将所述待检测的图像的每个像素点按照预设的折返排序规律进行重新排序操作，得到所述重采样矩阵。
可选地，所述将所述重采样矩阵输入至图像编码网络得到编码图像，包括：将所述重采样矩阵依次输入至所述图像编码网络的多个子编码器得到所述编码图像。
可选地，所述子编码器包括多头注意力网络和前馈神经网络，且所述多头注意力网络和所述前馈神经网络之后均连接残差网络和归一化网络。
可选地，所述将所述编码图像和所述特征图进行融合操作得到融合特征向量，包括：计算所述编码图像和所述特征图的外积得到所述融合特征向量。
可选地，所述将所述融合特征向量输入至图像解码网络得到置信度图，包括：在所述图像解码网络中对所述融合特征向量进行连接，并对连接后的所述融合特征向量进行上采样操作得到所述置信度图，所述置信度图的尺寸与所述待检测的图像的尺寸相同。
可选地，所述根据所述置信度图和预设的检测阈值检测得到所述待检测的图像的被篡改区域和所述被篡改区域的置信度，包括：将所述置信度图中所述数值大于所述检测阈值的所述像素点所在的区域确定为所述被篡改区域，并将所述被篡改区域内的各所述像素点的数值的平均值作为所述被篡改区域的置信度。
可选地，所述待检测的图像为车辆影像系统的车辆图像；所述根据所述置信度图和预设的检测阈值检测得到所述待检测的图像的被篡改区域和所述被篡改区域的置信度，包括：将所述置信度图中所述数值大于所述检测阈值的所述像素点所在的区域确定为所述车辆图像的车损修复区域，并将所述车损修复区域内的各所述像素点的数值的平均值作为所述车损修复区域的置信度；所述方法还包括：将所述车损修复区域的置信度与预设的车损置信度阈值进行比较；当所述车损修复区域的置信度大于或等于所述车损置信度阈值时，生成并展示车损修复提示信息。
可选地，所述待检测的图像为医保理赔系统的理赔图像；所述根据所述置信度图和预设的检测阈值检测得到所述待检测的图像的被篡改区域和所述被篡改区域的置信度，包括：将所述置信度图中所述数值大于所述检测阈值的所述像素点所在的区域确定为所述理赔图像的理赔篡改区域，并将所述理赔篡改区域内的各所述像素点的数值的平均值作为所述理赔篡改区域的置信度；所述方法还包括：将所述理赔篡改区域的置信度与预设的理赔置信度阈值进行比较；当所述理赔篡改区域的置信度大于或等于所述理赔置信度阈值时，生成并展示理赔篡改提示信息。
根据本申请实施例的第二方面，还公开了一种图像篡改检测装置，包括：获取模块，被配置成获取待检测的图像的重采样矩阵和特征图；输入模块，被配置成将所述重采样矩阵输入至图像编码网络得到编码图像；融合模块，被配置成将所述编码图像和所述特征图进行融合操作得到融合特征向量；所述输入模块，还被配置成将所述融合特征向量输入图像解码网络得到置信度图，所述置信度图中每个像素点的数值表示所述待检测的图像中，对应的每个像素点被篡改的概率；检测模块，被配置成根据所述置信度图和预设的检测阈值检测得到所述待检测的图像的被篡改区域和所述被篡改区域的置信度。
可选地，所述获取模块，被配置成将所述待检测的图像的每个像素点按照预设的折返排序规律进行重新排序操作，得到所述重采样矩阵。
可选地，所述输入模块，被配置成将所述重采样矩阵依次输入至所述图像编码网络的多个子编码器得到所述编码图像。
可选地，所述子编码器包括多头注意力网络和前馈神经网络，且所述多头注意力网络和所述前馈神经网络之后均连接残差网络和归一化网络。
可选地，所述融合模块，被配置成计算所述编码图像和所述特征图的外积得到所述融合特征向量。
可选地，所述输入模块，被配置成在所述图像解码网络中对所述融合特征向量进行连接，并对连接后的所述融合特征向量进行上采样操作得到所述置信度图，所述置信度图的尺寸与所述待检测的图像的尺寸相同。
可选地，所述待检测的图像为车辆影像系统的车辆图像；所述检测模块，被配置成将所述置信度图中所述数值大于所述检测阈值的所述像素点所在的区域确定为所述车辆图像的车损修复区域，并将所述车损修复区域内的各所述像素点的数值的平均值作为所述车损修复区域的置信度；所述装置还包括：车损提示模块，被配置成将所述车损修复区域的置信度与预设的车损置信度阈值进行比较；当所述车损修复区域的置信度大于或等于所述车损置信度阈值时，生成并展示车损修复提示信息。
可选地，所述待检测的图像为医保理赔系统的理赔图像；所述检测模块，被配置成将所述置信度图中所述数值大于所述检测阈值的所述像素点所在的区域确定为所述理赔图像的理赔篡改区域，并将所述理赔篡改区域内的各所述像素点的数值的平均值作为所述理赔篡改区域的置信度；所述装置还包括：理赔提示模块，被配置成将所述理赔篡改区域的置信度与预设的理赔置信度阈值进行比较；当所述理赔篡改区域的置信度大于或等于所述理赔置信度阈值时，生成并展示理赔篡改提示信息。
本申请实施例包括以下优点：
本申请实施例提供了一种图像篡改检测方案，获取待检测的图像的重采样矩阵和特征图，将重采样矩阵输入至图像编码网络得到编码图像，然后，将编码图像和特征图进行融合操作得到融合特征向量，再将融合特征向量输入至图像解码网络得到置信度图，该置信度图中每个像素点的数值表示待检测的图像中，对应的每个像素点被篡改的概率，最终，根据置信度图和预设的检测阈值检测得到待检测的图像的被篡改区域和被篡改区域的置信度。
本申请实施例将待检测的图像的重采样矩阵，经过编码操作、特征融合操作和解码操作得到表示每个像素点被篡改的概率的置信度图，再按照检测阈值检测出被篡改区域和对应的置信度，实现了像素级别的图像篡改检测，避免了被篡改后的图像用于保险骗保、发布虚假消息、作伪证等。
附图说明
图1是本申请的一种图像篡改检测方法实施例的步骤流程图；
图2是本申请的折返排序的原理示意图；
图3是本申请的子编码器的结构示意图；
图4是本申请的一种应用于保险行业的图像篡改检测方案的流程示意图；
图5是本申请的编码、融合和解码的流程示意图；
图6是本申请的一种图像篡改检测装置实施例的结构框图；
图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1，示出了本申请的一种图像篡改检测方法实施例的步骤流程图。该图像篡改检测方法具体可以包括如下步骤：
步骤101，获取待检测的图像的重采样矩阵和特征图。
在本申请的实施例中，待检测的图像可以为被篡改图像或者未被篡改图像。在实际应用中，待检测的图像可以为RGB图像，RGB图像的重采样矩阵可以为每个像素点按照一定的规律重新连接形成的重采样矩阵。关于像素点重新连接的规律将在后续内容中进一步介绍。RGB图像的特征图可以利用特征提取网络提取得到。该特征提取网络可以为包含卷积层、激活层和池化层的卷积神经网络，而且，最后一层利用感兴趣池化操作将特征图调整为统一的尺寸。
步骤102，将重采样矩阵输入至图像编码网络得到编码图像。
在本申请的实施例中，图像编码网络中可以包含多个子编码器，重采样矩阵可以依次输入至图像编码网络中的多个子编码器，最终得到编码图像。
步骤103，将编码图像和特征图进行融合操作得到融合特征向量。
在本申请的实施例中，可以将不同深度的特征图与编码图像进行特征融合操作得到融合特征向量。融合特征向量的数量可以与特征图的数量相同。
步骤104，将融合特征向量输入至图像解码网络得到置信度图。
在本申请的实施例中，图像解码网络中可以包含多个解码器，而且，解码器的数量可以与上述子编码器的数量相同。将每个融合特征向量分别输入至对应的解码器之后，再经过概率输入网络得到置信度图。其中，置信度图中的每个像素点具有各自的数值，该数值可以表示待检测的图像中每个像素点被篡改的概率。通常，该数值越大，表示像素点被篡改的概率越大；该数值越小，表示像素点被篡改的概率越小。
步骤105，根据置信度图和预设的检测阈值检测得到待检测的图像的被篡改区域和被篡改区域的置信度。
在本申请的实施例中，在得到置信度图之后，可以利用预设的检测阈值判断待检测的图像中是否存在被篡改区域，如果存在被篡改区域，还可以进一步输出被篡改区域的置信度。
本申请实施例提供了一种图像篡改检测方案，获取待检测的图像的重采样矩阵和特征图，将重采样矩阵输入至图像编码网络得到编码图像，然后，将编码图像和特征图进行融合操作得到融合特征向量，再将融合特征向量输入至图像解码网络得到置信度图，该置信度图中每个像素点的数值表示待检测的图像中，对应的每个像素点被篡改的概率，最终，根据置信度图和预设的检测阈值检测得到待检测的图像的被篡改区域和被篡改区域的置信度。
本申请实施例将待检测的图像的重采样矩阵，经过编码操作、特征融合操作和解码操作得到表示每个像素点被篡改的概率的置信度图，再按照检测阈值检测出被篡改区域和对应的置信度，实现了像素级别的图像篡改检测，避免了被篡改后的图像用于保险骗保、发布虚假消息、作伪证等。
在本申请的一种示例性实施例中，为了保证待检测的图像中相邻的像素点之间具有较强的相关性，从而更容易捕获被篡改图像的特征，因此，在获取待检测的图像的重采样矩阵时，可以将待检测的图像的每个像素点按照预设的折返排序规律进行重新排序操作得到重采样矩阵。折返排序规律通过令任一像素点与其相邻的像素点之间重新排序，从而保证任一像素点与其相邻的像素点之间的相关性。在实际应用中，可以利用折返排序的方法或者蛇形排序方法将每个像素点重新排序并连接，组成重采样矩阵。如图2所示，示出了折返排序的原理示意图。在图2中，从第一行位于左上角的第一个像素点开始，先连接第一行的第二个像素点，再连接第二行的第一个像素点，接着连接第三行的第一个像素点，然后连接第二行的第二个像素点，下一步连接第一行的第三个像素点，紧接着连接第一行的第四个像素点，……，如图2中箭头的连接方向所示，直至将每个像素点重新排序连接得到重采样矩阵。
在本申请的一种示例性实施例中，在将重采样矩阵输入至图像编码网络得到编码图像时，可以将重采样矩阵依次输入至图像编码网络中的多个子编码器得到编码图像。在实际应用中，图像编码网络中可以包含三个子编码器，则重采样矩阵依次输入至三个子编码器后得到一个编码图像。如图3所示，示出了子编码器的结构示意图。在图3中，子编码器可以包含多头注意力网络和前馈神经网络，而且，为了保证重采样矩阵与编码图像的梯度和一致性，多头注意力网络和前馈神经网络之后均连接残差网络和归一化网络。
在本申请的一种示例性实施例中，在将编码图像和特征图进行融合操作得到融合特征向量时，可以计算编码图像与不同深度的特征图之间的外积得到融合特征向量。
在本申请的一种示例性实施例中，在将融合特征向量输入至图像解码网络得到置信度图时，在图像解码网络中可以采用级联的方式将不同层次的融合特征连接起来，并使用上采样操作对连接后的融合特征向量逐渐恢复至与待检测的图像的尺寸相同，图像解码网络的输出即尺寸与待检测的图像的尺寸相同的置信度图。在实际应用中，置信度图中每个像素点的数值可以在0到1之间，数值表示对应的像素点被篡改的概率。
在本申请的一种示例性实施例中，在根据置信度图和预设的检测阈值检测得到待检测的图像的被篡改区域和被篡改区域的置信度时，可以将置信度图中数值大于检测阈值的像素点所在的区域确定为被篡改区域，并将被篡改区域内各像素点的数值的平均值作为被篡改区域的置信度。例如，将置信度图中的像素点依次进行标号，或者，按照每个像素点的坐标值进行表示。如果标号为t1、t2、t3的像素点的数值大于检测阈值，则将标号为t1、t2、t3的像素点所形成的区域或者标号为t1、t2、t3的像素点所在的最小外包矩形作为被篡改区域。而且，将标号为t1、t2、t3的像素点的数值的平均值作为被篡改区域的置信度。
基于上述关于一种图像篡改检测方法的实施例的相关说明，下面介绍一种应用于保险行业的图像篡改检测方案。如图4所示，图4示出了一种应用于保险行业的图像篡改检测方案的流程示意图。在该图像篡改检测方案中，将RGB图像分别进行相关性处理和特征处理，即将RGB图像中的每个像素点进行折返连接得到重采样矩阵，并将RGB图像输入至图像特征提取网络得到特征图。参照图5，示出了编码、融合和解码的流程示意图。重采样矩阵再输入至多尺度序列编码网络，通过多尺度序列编码网络中的三个子编码器之后，与图像特征提取网络输出的不同深度的特征图进行特征融合，并将特征融合得到的融合特征向量输入至图像解码网络中不同的解码器，再经过概率输出网络输出像素级别的置信度图。然后，利用置信度图和检测阈值检测得到被篡改区域和被篡改区域的置信度。
本申请的实施例应用于保险行业中，可以对用户上传或者发送的车损图像进行篡改检测，可以避免车险理赔环节中用户通过修复车辆损伤来降低投保费用，进而减少保险公司的经济损失。
基于上述关于图像篡改检测方法或者图像篡改检测方案的相关说明，下面介绍一种应用于车损图像修复检测场景的车损图像修复检测方案。其中，来源于车辆影像系统的车辆图像可以理解为上述待检测的图像。车辆图像可以由车辆的用户对车辆进行拍照，并发送至车损理赔员。车辆图像也可以由车损理赔员自行对车辆拍照获取。在车险理赔员将车辆图像上传至车辆影像系统的数据库之后，车辆影像系统中的检测服务器可以从数据库中读取出车辆图像，然后按照上述图像篡改检测方法，获取车辆图像的重采样矩阵和特征图，将重采样矩阵输入至图像编码网络得到编码图像，将编码图像和特征图进行融合操作得到融合特征向量，将融合特征向量输入至图像解码网络得到置信度图，将置信度图中数值大于检测阈值的像素点所在的区域确定为车辆图像的车损修复区域，并将车损修复区域内的各像素点的数值的平均值作为车损修复区域的置信度。进一步地，还可以将车损修复区域的置信度与预设的车损置信度阈值进行比较，若车损修复区域的置信度大于或等于车损置信度阈值，则生成并展示车损修复提示信息。该车损修复提示信息表示车辆图像可能被修复，而且，利用车损修复区域标示出可能被修复的位置。若车损修复区域的置信度小于车损置信度阈值，则可以通知车损理赔员人工审核。
基于上述关于图像篡改检测方法或者图像篡改检测方案的相关说明，下面介绍一种应用于医保理赔图像篡改检测场景的医保理赔图像篡改检测方案。其中，来源于医保理赔系统的理赔图像可以理解为上述待检测的图像。理赔图像可以由医保理赔用户对医保结算清单、票据等进行拍照，并发送至医保理赔员。理赔图像也可以由医保理赔员自行对医保结算清单、票据等拍照获取。在医保理赔员将理赔图像上传至医保理赔系统的数据库之后，医保理赔系统中的检测服务器可以从数据库中读取出理赔图像，然后按照上述图像篡改检测方法，获取理赔图像的重采样矩阵和特征图，将重采样矩阵输入至图像编码网络得到编码图像，将编码图像和特征图进行融合操作得到融合特征向量，将融合特征向量输入至图像解码网络得到置信度图，将置信度图中数值大于检测阈值的像素点所在的区域确定为理赔图像的理赔篡改区域，并将理赔篡改区域内的各像素点的数值的平均值作为理赔篡改区域的置信度。进一步地，还可以将理赔篡改区域的置信度与预设的理赔置信度阈值进行比较，若理赔篡改区域的置信度大于或等于理赔置信度阈值，则生成并展示理赔篡改提示信息。该理赔篡改提示信息表示理赔图像可能被篡改，而且，利用理赔篡改区域标示出可能被篡改的位置。若理赔篡改区域的置信度小于理赔置信度阈值，则可以通知医保理赔员人工审核。
本申请实施例提出的图像篡改检测方法可以应用于多个领域，如车损图像修复检测领域、医保理赔图像篡改检测领域、刑事侦缉领域、司法鉴定领域、古董鉴别领域等，本申请的实施例对图像篡改检测方法的应用领域不做具体限制。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。
参照图6，示出了本申请的一种图像篡改检测装置实施例的结构框图，该图像篡改检测装置具体可以包括如下模块：
获取模块61，被配置成获取待检测的图像的重采样矩阵和特征图；
输入模块62，被配置成将所述重采样矩阵输入至图像编码网络得到编码图像；
融合模块63，被配置成将所述编码图像和所述特征图进行融合操作得到融合特征向量；
所述输入模块62，还被配置成将所述融合特征向量输入图像解码网络得到置信度图，所述置信度图中每个像素点的数值表示所述待检测的图像中，对应的每个像素点被篡改的概率；
检测模块64，被配置成根据所述置信度图和预设的检测阈值检测得到所述待检测的图像的被篡改区域和所述被篡改区域的置信度。
在本申请的一种示例性实施例中，所述获取模块61，被配置成将所述待检测的图像的每个像素点按照预设的折返排序规律进行重新排序操作，得到所述重采样矩阵。
在本申请的一种示例性实施例中，所述输入模块62，被配置成将所述重采样矩阵依次输入至所述图像编码网络的多个子编码器得到所述编码图像。
在本申请的一种示例性实施例中，所述子编码器包括多头注意力网络和前馈神经网络，且所述多头注意力网络和所述前馈神经网络之后均连接残差网络和归一化网络。
在本申请的一种示例性实施例中，所述融合模块63，被配置成计算所述编码图像和所述特征图的外积得到所述融合特征向量。
在本申请的一种示例性实施例中，所述输入模块62，被配置成在所述图像解码网络中对所述融合特征向量进行连接，并对连接后的所述融合特征向量进行上采样操作得到所述置信度图，所述置信度图的尺寸与所述待检测的图像的尺寸相同。
在本申请的一种示例性实施例中，所述待检测的图像为车辆影像系统的车辆图像；
所述检测模块64，被配置成将所述置信度图中所述数值大于所述检测阈值的所述像素点所在的区域确定为所述车辆图像的车损修复区域，并将所述车损修复区域内的各所述像素点的数值的平均值作为所述车损修复区域的置信度；
所述装置还包括：车损提示模块，被配置成将所述车损修复区域的置信度与预设的车损置信度阈值进行比较；当所述车损修复区域的置信度大于或等于所述车损置信度阈值时，生成并展示车损修复提示信息。
在本申请的一种示例性实施例中，所述待检测的图像为医保理赔系统的理赔图像；
所述检测模块64，被配置成将所述置信度图中所述数值大于所述检测阈值的所述像素点所在的区域确定为所述理赔图像的理赔篡改区域，并将所述理赔篡改区域内的各所述像素点的数值的平均值作为所述理赔篡改区域的置信度；
所述装置还包括：理赔提示模块，被配置成将所述理赔篡改区域的置信度与预设的理赔置信度阈值进行比较；当所述理赔篡改区域的置信度大于或等于所述理赔置信度阈值时，生成并展示理赔篡改提示信息。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
下面参考图7，其示出了适于用来实现本申请实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM703中，还存储有系统700操作所需的各种程序和数据。CPU701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(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。在本申请中，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。而在本申请中，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。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取待检测的图像的重采样矩阵和特征图；将所述重采样矩阵输入至图像编码网络得到编码图像；将所述编码图像和所述特征图进行融合操作得到融合特征向量；将所述融合特征向量输入至图像解码网络得到置信度图，所述置信度图中每个像素点的数值表示所述待检测的图像中，对应的每个像素点被篡改的概率；根据所述置信度图和预设的检测阈值检测得到所述待检测的图像的被篡改区域和所述被篡改区域的置信度。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (11)

1.一种图像篡改检测方法，其特征在于，包括：
获取待检测的图像的重采样矩阵和特征图；
将所述重采样矩阵输入至图像编码网络得到编码图像；
将所述编码图像和所述特征图进行融合操作得到融合特征向量；
将所述融合特征向量输入至图像解码网络得到置信度图，所述置信度图中每个像素点的数值表示所述待检测的图像中，对应的每个像素点被篡改的概率；
根据所述置信度图和预设的检测阈值检测得到所述待检测的图像的被篡改区域和所述被篡改区域的置信度。
2.根据权利要求1所述的方法，其特征在于，所述获取待检测的图像的重采样矩阵，包括：
将所述待检测的图像的每个像素点按照预设的折返排序规律进行重新排序操作，得到所述重采样矩阵。
3.根据权利要求1所述的方法，其特征在于，所述将所述重采样矩阵输入至图像编码网络得到编码图像，包括：
将所述重采样矩阵依次输入至所述图像编码网络的多个子编码器得到所述编码图像。
4.根据权利要求3所述的方法，其特征在于，所述子编码器包括多头注意力网络和前馈神经网络，且所述多头注意力网络和所述前馈神经网络之后均连接残差网络和归一化网络。
5.根据权利要求1所述的方法，其特征在于，所述将所述编码图像和所述特征图进行融合操作得到融合特征向量，包括：
计算所述编码图像和所述特征图的外积得到所述融合特征向量。
6.根据权利要求1所述的方法，其特征在于，所述将所述融合特征向量输入至图像解码网络得到置信度图，包括：
在所述图像解码网络中对所述融合特征向量进行连接，并对连接后的所述融合特征向量进行上采样操作得到所述置信度图，所述置信度图的尺寸与所述待检测的图像的尺寸相同。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述待检测的图像为车辆影像系统的车辆图像；
所述根据所述置信度图和预设的检测阈值检测得到所述待检测的图像的被篡改区域和所述被篡改区域的置信度，包括：
将所述置信度图中所述数值大于所述检测阈值的所述像素点所在的区域确定为所述车辆图像的车损修复区域，并将所述车损修复区域内的各所述像素点的数值的平均值作为所述车损修复区域的置信度；
所述方法还包括：
将所述车损修复区域的置信度与预设的车损置信度阈值进行比较；
当所述车损修复区域的置信度大于或等于所述车损置信度阈值时，生成并展示车损修复提示信息。
8.根据权利要求1-6中任一项所述的方法，其特征在于，所述待检测的图像为医保理赔系统的理赔图像；
所述根据所述置信度图和预设的检测阈值检测得到所述待检测的图像的被篡改区域和所述被篡改区域的置信度，包括：
将所述置信度图中所述数值大于所述检测阈值的所述像素点所在的区域确定为所述理赔图像的理赔篡改区域，并将所述理赔篡改区域内的各所述像素点的数值的平均值作为所述理赔篡改区域的置信度；
所述方法还包括：
将所述理赔篡改区域的置信度与预设的理赔置信度阈值进行比较；
当所述理赔篡改区域的置信度大于或等于所述理赔置信度阈值时，生成并展示理赔篡改提示信息。
9.一种图像篡改检测装置，其特征在于，包括：
获取模块，被配置成获取待检测的图像的重采样矩阵和特征图；
输入模块，被配置成将所述重采样矩阵输入至图像编码网络得到编码图像；
融合模块，被配置成将所述编码图像和所述特征图进行融合操作得到融合特征向量；
所述输入模块，还被配置成将所述融合特征向量输入图像解码网络得到置信度图，所述置信度图中每个像素点的数值表示所述待检测的图像中，对应的每个像素点被篡改的概率；
检测模块，被配置成根据所述置信度图和预设的检测阈值检测得到所述待检测的图像的被篡改区域和所述被篡改区域的置信度。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
11.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的方法。
CN202011357522.9A 2020-11-26 2020-11-26 一种图像篡改检测方法和装置 Active CN112465783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011357522.9A CN112465783B (zh) 2020-11-26 2020-11-26 一种图像篡改检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011357522.9A CN112465783B (zh) 2020-11-26 2020-11-26 一种图像篡改检测方法和装置

Publications (2)

Publication Number Publication Date
CN112465783A true CN112465783A (zh) 2021-03-09
CN112465783B CN112465783B (zh) 2023-12-08

Family

ID=74809093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011357522.9A Active CN112465783B (zh) 2020-11-26 2020-11-26 一种图像篡改检测方法和装置

Country Status (1)

Country Link
CN (1) CN112465783B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139484A (zh) * 2021-04-28 2021-07-20 上海商汤科技开发有限公司 人群定位方法及装置、电子设备和存储介质
CN114764858A (zh) * 2022-06-15 2022-07-19 深圳大学 复制粘贴图像识别方法、装置、计算机设备及存储介质
CN115346037A (zh) * 2022-10-19 2022-11-15 北京航空航天大学 一种图像篡改检测方法
CN115965476A (zh) * 2022-12-30 2023-04-14 民太安财产保险公估股份有限公司 基于多因素动态权重的理赔分析方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180107887A1 (en) * 2016-10-14 2018-04-19 ID Metrics Group Incorporated Tamper detection for identification documents
CN108682007A (zh) * 2018-04-28 2018-10-19 华中师范大学 基于深度随机森林的jpeg图像重采样自动检测方法
CN111311563A (zh) * 2020-02-10 2020-06-19 北京工业大学 一种基于多域特征融合的图像篡改检测方法
CN111709883A (zh) * 2019-03-01 2020-09-25 阿里巴巴集团控股有限公司 一种图像检测方法、装置及设备
CN111738244A (zh) * 2020-08-26 2020-10-02 腾讯科技（深圳）有限公司 图像检测方法、装置、计算机设备和存储介质
CN111915568A (zh) * 2020-07-08 2020-11-10 深圳大学 图像篡改定位模型的生成方法、图像篡改定位方法及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180107887A1 (en) * 2016-10-14 2018-04-19 ID Metrics Group Incorporated Tamper detection for identification documents
CN108682007A (zh) * 2018-04-28 2018-10-19 华中师范大学 基于深度随机森林的jpeg图像重采样自动检测方法
CN111709883A (zh) * 2019-03-01 2020-09-25 阿里巴巴集团控股有限公司 一种图像检测方法、装置及设备
CN111311563A (zh) * 2020-02-10 2020-06-19 北京工业大学 一种基于多域特征融合的图像篡改检测方法
CN111915568A (zh) * 2020-07-08 2020-11-10 深圳大学 图像篡改定位模型的生成方法、图像篡改定位方法及设备
CN111738244A (zh) * 2020-08-26 2020-10-02 腾讯科技（深圳）有限公司 图像检测方法、装置、计算机设备和存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139484A (zh) * 2021-04-28 2021-07-20 上海商汤科技开发有限公司 人群定位方法及装置、电子设备和存储介质
CN113139484B (zh) * 2021-04-28 2023-07-11 上海商汤科技开发有限公司 人群定位方法及装置、电子设备和存储介质
CN114764858A (zh) * 2022-06-15 2022-07-19 深圳大学 复制粘贴图像识别方法、装置、计算机设备及存储介质
CN115346037A (zh) * 2022-10-19 2022-11-15 北京航空航天大学 一种图像篡改检测方法
CN115346037B (zh) * 2022-10-19 2023-02-03 北京航空航天大学 一种图像篡改检测方法
CN115965476A (zh) * 2022-12-30 2023-04-14 民太安财产保险公估股份有限公司 基于多因素动态权重的理赔分析方法、装置、设备及介质

Also Published As

Publication number Publication date
CN112465783B (zh) 2023-12-08

Similar Documents

Publication Publication Date Title
CN112465783B (zh) 一种图像篡改检测方法和装置
JP6873237B2 (ja) 画像ベースの車両損害評価方法、装置、およびシステム、ならびに電子デバイス
US11244435B2 (en) Method and apparatus for generating vehicle damage information
CN107392218B (zh) 一种基于图像的车辆定损方法、装置及电子设备
EP3719703A1 (en) Vehicle damage identification processing method, processing device, client and server
CN111695609B (zh) 目标物损伤程度判定方法、装置、电子设备及存储介质
CN111310770B (zh) 目标检测方法和装置
EP4432215A1 (en) Image processing method and device
CN112465049A (zh) 异常检测模型生成方法和装置、异常事件检测方法和装置
CN111507262B (zh) 用于检测活体的方法和装置
CN108470179B (zh) 用于检测对象的方法和装置
CN111415336A (zh) 一种图像篡改识别方法、装置、服务器及存储介质
CN111767750A (zh) 图像处理方法和装置
CN114926464B (zh) 在双录场景下的图像质检方法、图像质检装置及系统
CN114663871A (zh) 图像识别方法、训练方法、装置、系统及存储介质
CN114495364A (zh) 自助租车方法、装置、电子设备和可读存储介质
CN115083008A (zh) 运动目标检测方法、装置、设备及存储介质
CN112906671B (zh) 面审虚假图片识别方法、装置、电子设备及存储介质
CN113486856A (zh) 一种基于语义分割和卷积神经网络的驾驶员不规范行为检测方法
CN111401438B (zh) 图像分拣方法、装置及系统
CN112966752B (zh) 图像匹配方法和装置
CN111797645B (zh) 用于识别条形码的方法和装置
Yancey Deep Learning for Localization of Mixed Image Tampering Techniques
US11720969B2 (en) Detecting vehicle identity and damage status using single video analysis
CN111369624B (zh) 定位方法和装置

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