CN112598648A - 一种基于图像梯度方向的图像接缝裁剪篡改检测方法 - Google Patents

一种基于图像梯度方向的图像接缝裁剪篡改检测方法 Download PDF

Info

Publication number
CN112598648A
CN112598648A CN202011548191.7A CN202011548191A CN112598648A CN 112598648 A CN112598648 A CN 112598648A CN 202011548191 A CN202011548191 A CN 202011548191A CN 112598648 A CN112598648 A CN 112598648A
Authority
CN
China
Prior art keywords
image
gradient
gradient direction
pixel point
value
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
CN202011548191.7A
Other languages
English (en)
Other versions
CN112598648B (zh
Inventor
毕秀丽
田洋
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202011548191.7A priority Critical patent/CN112598648B/zh
Publication of CN112598648A publication Critical patent/CN112598648A/zh
Application granted granted Critical
Publication of CN112598648B publication Critical patent/CN112598648B/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
    • 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
    • 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
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明请求保护一种基于梯度方向的图像接缝裁剪篡改检测方法，涉及数字图像处理、机器视觉的技术领域。本发明首先对数据集中的彩色图像转换为灰度图像，提取灰度图像每一个像素在水平方向和竖直方向上的梯度值，利用水平方向和竖直方向上的梯度值得到该像素点的梯度方向。将梯度方向的值域分为20个区间，每个区间的度数都分为9度。那么每一个像素点的梯度方向仅属于20个区间中的某一个区间。为了方便进行预测，将20个区间标记为1到20，作为20个状态，利用自回归模型，将每个像素点的状态输入进去，以此进行预测。将自回归模型得到的结果作为特征向量输入到支持向量机中进行训练得到训练好的分类器，最后对测试集进行分类，得到分类结果。

Description

一种基于图像梯度方向的图像接缝裁剪篡改检测方法
技术领域
本发明属于数字图像处理、机器视觉的技术领域。具体是一种基于图像梯度方向的图像接缝裁剪篡改检测方法。
背景技术
随着数码相机的快速发展和数字图像技术的普及，数字图像及其编辑工具成为人们生活中的一部分。数字图像除了记录人们的日常生活以外，在司法取证，新闻报道等方面也占据着相当重要的地位。然而这些编辑工具在为人们提供数字图像编辑便利的同时，也为数字图像的篡改和滥用提供了可能性。如果篡改和伪造图像被大量地用于媒体、科学发现、保险和法庭证物等，这将会对社会的稳定产生严重的影响，虚假照片不仅会歪曲事实，也可能影响司法公正。因此，数字图像取证已经成为数字图像研究与应用领域里的一个重要部分。
数字图像的处理技术种类繁多，其中图像缩放技术是图像处理中常见并且很重要的一种操作。传统的图像缩放技术包括基于等间隔采样的缩放技术以及基于局部均值的图像缩放技术等，这些图像缩放技术对目标图像进行非等比例缩放时，会使图像内容发生扭曲形变，影响图像的视觉效果。为改善缩放后的视觉效果，Avidan于2007年提出了一种基于内容感知的图像缩放技术，即接缝裁剪(Seam Carving)。相较于传统的图像缩放技术，SeamCarving对目标图像的像素点逐个进行能量计算，然后删除能量值最低的像素集合，尽可能保留高能量值区域。值得关注的是，随着Seam Carving技术在Adobe Photoshop CS4上的集成应用，这项技术的应用越来越广泛，常被用于对数字图像的恶意篡改，例如缩小甚至删除图像中对篡改者不利的内容，突出对篡改者有利的图像内容等。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种在控制特征维度的同时可以有效提高准确率的基于图像梯度方向的图像接缝裁剪篡改检测方法。本发明的技术方案如下：
一种基于图像梯度方向的图像接缝裁剪篡改检测方法，其包括以下步骤：
步骤1、首先获取彩色图像数据集，然后获取每个图像的梯度方向；
步骤2、将每幅图像的梯度方向进行处理，首先将梯度方向的值域分为20个区间，每个区间的梯度值域为9，而后每个像素点的梯度值仅属于20个区间中的某一个，使其便于输入自回归模型中进行预测；
步骤3、将图像的每个像素点的梯度方向特征值输入到自回归模型中，得到每幅图像的特征向量；
步骤4、将训练集中每幅图像的特征向量输入到支持向量机中训练，得到训练好的分类器，将测试集图像的特征向量输入到分类器中得到分类结果，对于测试集中的每幅图像都会得到一个返回值0或者1，0表示预测本幅图像未篡改，1表示本幅图像为篡改图像。对于测试集图像中未篡改图像，如果被标记为0则表示预测正确，未篡改图像被标记为1则表示预测错误。对于测试集中篡改图像，如果被标记为0则表示预测错误，未篡改图像被标记为1则表示预测正确。
进一步的，所述步骤1获取每个图像的梯度方向具体为：将数据集中三维的彩色图像转换为二维的灰度图像，获得灰度图像每一个像素点在水平方向和竖直方向上的梯度值；利用水平方向和竖直方向上的梯度值获得每一个像素点的梯度方向，得到梯度方向图，水平方向梯度gx、竖直方向梯度gy以及梯度大小g和梯度方向θ计算表达式如下：
Figure BDA0002857039050000021
Figure BDA0002857039050000022
Figure BDA0002857039050000023
Figure BDA0002857039050000024
其中，f(x,y)表示图像中坐标为(x,y)的像素点，x表示横坐标，y表示纵坐标。
进一步的，所述梯度的方向值域为0到180度，将梯度方向的值域分为20个区间分别标记为1到20，每个区间梯度方向的度数均为9度，那么每一个像素点的梯度方向值仅仅属于20个区间中的某一个，故每个像素点在1到20之间有且仅有一个与之对应的数值，每个与像素点所对应的数值作为每个像素点的梯度方向特征值。
进一步的，所述步骤3)在使用自回归模型时，将梯度方向图转换为一个列向量，自回归模型表达式如下：
Figure BDA0002857039050000031
其中，y1，y2，…，yn是一个时间序列，
Figure BDA0002857039050000032
是常数项，
Figure BDA0002857039050000033
是参数模型，et是具备均值为0，方差为σ的白噪声。
进一步的，所述步骤3将图像的每个像素点的梯度方向特征值输入到自回归模型中，得到每幅图像的特征向量；
对于p阶AR(自回归)模型有相应的AR特征多项式和相应的AR特征方程：
AR特征多项式：
Figure BDA0002857039050000034
AR特征方程：
Figure BDA0002857039050000035
对自回归模型方程乘以yt-k，求期望，然后除以γ0，当k≥1时，得到重要的回归关系式，
Figure BDA0002857039050000036
其中，ρ是相关系数。取k＝1,2,…,p，用ρ0＝1和ρ-k＝ρk，可以得到如下方程组，
Figure BDA0002857039050000037
给定
Figure BDA0002857039050000041
的数值，求解上述方程组，可以得到ρ1,ρ2,…,ρp的数值。
进一步的，所述步骤4)中测试集和训练集均来自数据集UCID(An UncompressedColour Image Database)，UCID数据集一共1338幅图，训练集与测试集均为669幅图，各占UCID数据集的50％。
本发明的优点及有益效果如下：
本发明利用数字图像处理、机器视觉等领域技术，实现了对图像接缝裁剪的篡改检测，发明具有以下优点：1)利用matlab平台进行开发和测试，低廉的经济成本；2)实现方法简单，操作简便；3)特征向量维度低，处理时间段，节约了时间成本。本发明通过分析图像的梯度方向，发现在图像在篡改部分的梯度方向会发生剧烈变化，以此作为检测图像是否经过篡改的标准，将图像的梯度方向归一化到固定区间，而后使用自回归模型来预测图像的梯度方向，以此来达到检测图像是否经过篡改的目的。图像梯度方向这一点是首次运用到图像接缝裁剪篡改检测上。相较于其他的检测方法，本发明的检测方法特征向量维度大大降低，加快了篡改检测的时间，并且对于不同篡改比例的篡改图像都能达到较好的效果。
附图说明
图1是本发明提供优选实施例的方法流程图。
具体实施方式
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
一种基于图像梯度方向的图像接缝裁剪篡改检测方法，主要包括以下步骤：
第一步：首先获取彩色图像数据集，然后获得每个图像的梯度方向。
第二步：将每幅图像的梯度方向进行处理，使其便于输入自回归模型中进行预测。
第三步：将图像的每个像素点的梯度方向特征值输入到自回归模型中，可以得到每幅图像的特征向量。
第四步：将训练集中每幅图像的特征向量输入到支持向量机中训练，得到训练好的分类器。将测试集图像的特征向量输入到分类器中得到分类结果。
进一步的，步骤一中所述的一种基于图像梯度方向的图像接缝裁剪篡改检测方法，其特征在于：所述梯度方向获取方式为将数据集中三维的彩色图像，转换为二维的灰度图像，获得灰度图像每一个像素点在水平方向和竖直方向上的梯度值。利用水平方向和竖直方向上的梯度值获得每一个像素点的梯度方向，得到梯度方向图。水平方向梯度gx、竖直方向梯度gy以及梯度大小g和梯度方向θ计算表达式如下：
Figure BDA0002857039050000051
Figure BDA0002857039050000052
Figure BDA0002857039050000053
Figure BDA0002857039050000054
其中，f(x,y)表示图像中坐标为(x,y)的像素点，x表示横坐标，y表示纵坐标。
进一步的，步骤二中所述的一种基于图像梯度方向的图像接缝裁剪篡改检测方法，其特征在于：梯度的方向值域为0到180度，将梯度方向的值域分为20个区间分别标记为1到20，每个区间梯度方向的度数均为9度。那么每一个像素点的梯度方向值仅属于20个区间中的某一个，故每个像素点在1到20之间有且仅有一个与之对应的数值，每个与像素点所对应的数值作为每个像素点的梯度方向特征值。
进一步的，步骤三中在使用自回归模型时，将梯度方向图转换为一个列向量。经过自回归模型预测后，会得到一个特征向量，向量的维度我们设定为10维。
自回归模型表达式如下：
Figure BDA0002857039050000061
其中，y1，y2，…，yn是一个时间序列，
Figure BDA0002857039050000062
是常数项，
Figure BDA0002857039050000063
是参数模型，et是具备均值为0，方差为σ的白噪声。
进一步的，步骤四种所述的一种基于图像梯度方向的图像接缝裁剪篡改检测方法，其特征在于：所述步骤4)中测试集和训练集均来自数据集UCID(An UncompressedColour Image Database)，UCID数据集一共1338幅图，训练集与测试集均为669幅图，各占UCID数据集的50％。
为了验证本发明的效果，进行了如下实验：
在一台计算机上进行验证实验，该计算机的配置为i5处理器(3GHz)和16G内存，编程语言为MATLAB 2012b。
实验方法：
在本实验过程中，所选用的图像数据库为UCID(An Uncompressed Colour ImageDatabase)彩色图像数据库，共有1338幅无压缩彩色图像(512×384)。内容包括自然风景、建筑物、任务、室内环境和室外环境等。UCID数据集共1338幅图像，取50％的图像作为训练集，另外50％的图像作为测试集。
实验结果的评价指标：
本文的实验部分利用分类准确率(Accuracy)作为评价指标验证检测方法的有效性，其计算方法为检测结果中正确检测的图像数量除以进行检测的图像的总数量，计算方式如下所示：
Figure BDA0002857039050000064
其中，TP表示检测结果中正确检测的图像数量，FP表示检测结果中错误检测的图像数量。
实验结果：
在本文实验过程中，通过本发明提出的基于图像梯度方向的图像接缝裁剪篡改检测方法，对篡改后的图像的分类准确率为72.5744％。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (6)

1.一种基于图像梯度方向的图像接缝裁剪篡改检测方法，其特征在于，包括以下步骤：
步骤1、首先获取彩色图像数据集，然后获取每个图像的梯度方向；
步骤2、将每幅图像的梯度方向进行处理，首先将梯度方向的值域分为20个区间，每个区间的梯度值域为9，而后每个像素点的梯度值仅属于20个区间中的某一个，使其便于输入自回归模型中进行预测；
步骤3、将图像的每个像素点的梯度方向特征值输入到自回归模型中，得到每幅图像的特征向量；
步骤4、将训练集中每幅图像的特征向量输入到支持向量机中训练，得到训练好的分类器，将测试集图像的特征向量输入到分类器中得到分类结果，对于测试集中的每幅图像都会得到一个返回值0或者1，0表示预测本幅图像未篡改，1表示本幅图像为篡改图像，对于测试集图像中未篡改图像，如果被标记为0则表示预测正确，未篡改图像被标记为1则表示预测错误，对于测试集中篡改图像，如果被标记为0则表示预测错误，未篡改图像被标记为1则表示预测正确。
2.根据权利要求1所述的一种基于图像梯度方向的图像接缝裁剪篡改检测方法，其特征在于，所述步骤1获取每个图像的梯度方向具体为：将数据集中三维的彩色图像转换为二维的灰度图像，获得灰度图像每一个像素点在水平方向和竖直方向上的梯度值；利用水平方向和竖直方向上的梯度值获得每一个像素点的梯度方向，得到梯度方向图，水平方向梯度gx、竖直方向梯度gy以及梯度大小g和梯度方向θ计算表达式如下：
Figure FDA0002857039040000011
Figure FDA0002857039040000012
Figure FDA0002857039040000013
Figure FDA0002857039040000021
其中，f(x，y)表示图像中坐标为(x，y)的像素点，x表示横坐标，y表示纵坐标。
3.根据权利要求2所述的一种基于图像梯度方向的图像接缝裁剪篡改检测方法，其特征在于，所述梯度的方向值域为0到180度，将梯度方向的值域分为20个区间分别标记为1到20，每个区间梯度方向的度数均为9度，那么每一个像素点的梯度方向值仅仅属于20个区间中的某一个，故每个像素点在1到20之间有且仅有一个与之对应的数值，每个与像素点所对应的数值作为每个像素点的梯度方向特征值。
4.根据权利要求3所述的一种基于图像梯度方向的图像接缝裁剪篡改检测方法，其特征在于，所述步骤3)在使用自回归模型时，将梯度方向图转换为一个列向量，自回归模型表达式如下：
Figure FDA0002857039040000022
其中，y1，y2，…，yn是一个时间序列，
Figure FDA0002857039040000023
是常数项，
Figure FDA0002857039040000024
是参数模型，et是具备均值为0，方差为σ的白噪声。
5.根据权利要求4所述的一种基于图像梯度方向的图像接缝裁剪篡改检测方法，其特征在于，所述步骤3将图像的每个像素点的梯度方向特征值输入到自回归模型中，得到每幅图像的特征向量；
对于p阶AR(自回归)模型有相应的AR特征多项式和相应的AR特征方程：
AR特征多项式：
Figure FDA0002857039040000025
AR特征方程：
Figure FDA0002857039040000026
对自回归模型方程乘以yt-k，求期望，然后除以γ0，当k≥1时，得到重要的回归关系式，
Figure FDA0002857039040000027
其中，ρ是相关系数。取k＝1，2，...，p，用ρ0＝1和ρ-k＝ρk，可以得到如下方程组，
Figure FDA0002857039040000031
给定
Figure FDA0002857039040000032
的数值，求解上述方程组，可以得到ρ1，ρ2，...，ρp的数值。
6.根据权利要求5所述的一种基于图像梯度方向的图像接缝裁剪篡改检测方法，其特征在于，所述步骤4)中测试集和训练集均来自数据集UCID(An Uncompressed ColourImage Database)，即未压缩彩色图像库，UCID数据集一共1338幅图，训练集与测试集均为669幅图，各占UCID数据集的50％。
CN202011548191.7A 2020-12-24 2020-12-24 一种基于图像梯度方向的图像接缝裁剪篡改检测方法 Active CN112598648B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011548191.7A CN112598648B (zh) 2020-12-24 2020-12-24 一种基于图像梯度方向的图像接缝裁剪篡改检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011548191.7A CN112598648B (zh) 2020-12-24 2020-12-24 一种基于图像梯度方向的图像接缝裁剪篡改检测方法

Publications (2)

Publication Number Publication Date
CN112598648A true CN112598648A (zh) 2021-04-02
CN112598648B CN112598648B (zh) 2022-08-26

Family

ID=75200940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011548191.7A Active CN112598648B (zh) 2020-12-24 2020-12-24 一种基于图像梯度方向的图像接缝裁剪篡改检测方法

Country Status (1)

Country Link
CN (1) CN112598648B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5867593A (en) * 1993-10-20 1999-02-02 Olympus Optical Co., Ltd. Image region dividing apparatus
CN102169533A (zh) * 2011-05-11 2011-08-31 华南理工大学 一种商用网页恶意篡改检测方法
CN102469991A (zh) * 2010-06-07 2012-05-23 松下电器产业株式会社 组织恶性肿瘤检测方法、组织恶性肿瘤检测装置
US20120230546A1 (en) * 2010-09-10 2012-09-13 Yang Hua Generic object-based image recognition apparatus with exclusive classifier, and method for the same
CN105678700A (zh) * 2016-01-11 2016-06-15 苏州大学 基于预测梯度的图像插值方法及系统
CN106952258A (zh) * 2017-03-23 2017-07-14 南京汇川图像视觉技术有限公司 一种基于梯度方向直方图的瓶口缺陷检测方法
CN109190455A (zh) * 2018-07-18 2019-01-11 东南大学 基于高斯混合和自回归滑动平均模型的黑烟车识别方法
CN109522793A (zh) * 2018-10-10 2019-03-26 华南理工大学 基于机器视觉的多人异常行为检测与识别方法
CN111311564A (zh) * 2020-02-11 2020-06-19 辽宁科技大学 一种针对图像内容感知篡改的检测方法
CN111563556A (zh) * 2020-05-11 2020-08-21 国网陕西省电力公司电力科学研究院 一种基于颜色梯度权重的变电站箱柜设备异常识别方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5867593A (en) * 1993-10-20 1999-02-02 Olympus Optical Co., Ltd. Image region dividing apparatus
CN102469991A (zh) * 2010-06-07 2012-05-23 松下电器产业株式会社 组织恶性肿瘤检测方法、组织恶性肿瘤检测装置
US20120230546A1 (en) * 2010-09-10 2012-09-13 Yang Hua Generic object-based image recognition apparatus with exclusive classifier, and method for the same
CN102169533A (zh) * 2011-05-11 2011-08-31 华南理工大学 一种商用网页恶意篡改检测方法
CN105678700A (zh) * 2016-01-11 2016-06-15 苏州大学 基于预测梯度的图像插值方法及系统
CN106952258A (zh) * 2017-03-23 2017-07-14 南京汇川图像视觉技术有限公司 一种基于梯度方向直方图的瓶口缺陷检测方法
CN109190455A (zh) * 2018-07-18 2019-01-11 东南大学 基于高斯混合和自回归滑动平均模型的黑烟车识别方法
CN109522793A (zh) * 2018-10-10 2019-03-26 华南理工大学 基于机器视觉的多人异常行为检测与识别方法
CN111311564A (zh) * 2020-02-11 2020-06-19 辽宁科技大学 一种针对图像内容感知篡改的检测方法
CN111563556A (zh) * 2020-05-11 2020-08-21 国网陕西省电力公司电力科学研究院 一种基于颜色梯度权重的变电站箱柜设备异常识别方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
PO-CHYI SU等: "An image retargeting scheme with content-based cropping and local significance aware seam carving", 《2015 ASIA-PACIFIC SIGNAL AND INFORMATION PROCESSING ASSOCIATION ANNUAL SUMMIT AND CONFERENCE (APSIPA)》 *
柴新新: "图像复制粘贴篡改检测技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
蔡博仑: "图像去雾与增强算法的研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 *
黄玉清等: "融合HOG与ARMA模型的粒子滤波跟踪", 《计算机工程》 *

Also Published As

Publication number Publication date
CN112598648B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
US7949157B2 (en) Interpreting sign language gestures
US8792722B2 (en) Hand gesture detection
US8750573B2 (en) Hand gesture detection
Hildebrandt et al. Benchmarking face morphing forgery detection: Application of stirtrace for impact simulation of different processing steps
WO2018090937A1 (zh) 图像处理方法、终端及存储介质
US20160232403A1 (en) Arabic sign language recognition using multi-sensor data fusion
CN109460787B (zh) 入侵检测模型建立方法、装置及数据处理设备
CN112733767B (zh) 一种人体关键点检测方法、装置、存储介质及终端设备
Bayar et al. Towards order of processing operations detection in jpeg-compressed images with convolutional neural networks
CN112990318A (zh) 持续学习方法、装置、终端及存储介质
CN112396060B (zh) 基于身份证分割模型的身份证识别方法及其相关设备
CN114155363A (zh) 换流站车辆识别方法、装置、计算机设备和存储介质
Thiracitta et al. The comparison of some hidden markov models for sign language recognition
CN106682669A (zh) 一种图像处理方法及移动终端
CN110046595A (zh) 一种基于级联式多尺度的密集人脸检测方法
Chou et al. An encoding and identification approach for the static sign language recognition
CN112598648B (zh) 一种基于图像梯度方向的图像接缝裁剪篡改检测方法
CN112329663A (zh) 一种基于人脸图像序列的微表情时刻检测方法及装置
Zhang et al. Face occlusion detection using cascaded convolutional neural network
CN110825896A (zh) 一种商标检索系统及检索方法
CN115116090A (zh) 一种行人重识别方法、系统及存储介质
Dewi et al. Detection of class regularity with support vector machine methods
Girinath et al. Automatic Number Plate Detection using Deep Learning
Lakshmi et al. Automated Attendance System Based on Facial Recognition using Viola-Jones Algorithm
Ramli GMT feature extraction for representation of BIM sign language

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