CN112767394A - 图像检测方法、装置和设备 - Google Patents

Abstract

本申请提供一种图像检测方法、装置和设备，该方法包括：获取待测图像；将所述待测图像切割成多个子图像；分别将所述待测图像输入至预设的翻拍识别模型，输出所述待测图像的全局翻拍概率，将所述多个子图像分别输入所述翻拍识别模型，输出所述待测图像的局部翻拍概率；融合所述全局翻拍概率和所述局部翻拍概率，得到所述待测图像的最终翻拍概率。本申请通过融合待测图像的局部翻拍信息和全局翻拍信息，能够提升实际场景中的检测翻拍的准确率。

Description

图像检测方法、装置和设备

技术领域

本申请涉及图像检测技术领域，具体而言，涉及一种图像检测方法、装置和设备。

背景技术

翻拍图像识别，主要应用在对快消行业访销场景，可对屏幕进行翻拍的造假照片进行精准识别，在减少品牌商因图片造假导致费用流失的同时还可有效降低人工审核成本。

在零售场景中，业务代表通过手机等终端拍摄零售场景图像上传到服务器，服务器根据场景图像识别场景中存在的SKU(Stock keeping Unit，库存保有单位)类别及数量，然后业务方通过场景的SKU类别和数量判断该零售场景是否合格。然而，业务代表为了增加合格率或者偷懒，存在不实际去店里拍摄图片，而会选择翻拍的方式来作弊的现象。所谓翻拍，是指业务代表拍摄在另一显示终端(比如手机、显示器等)显示的零售场景图像。为了防止业务代表上传翻拍的图像，翻拍图像识别技术显得尤为重要。

现有的翻拍检测主要通过检测图像的摩尔纹的存在，来判断一张图像是否是翻拍图像。这种算法对于摩尔纹不明显的翻拍图片，检测效果不好。比如较远距离拍摄的高屏幕分辨率手机的翻拍图像摩尔纹不明显，因而图像翻拍检测效果不佳。

发明内容

本申请实施例的目的在于提供一种图像检测方法、装置和设备，实现了通过融合待测图像的局部翻拍信息和全局翻拍信息，能够提升实际场景中的检测翻拍的准确率。

本申请实施例第一方面提供了一种图像检测方法，包括：获取待测图像；将所述待测图像切割成多个子图像；分别将所述待测图像输入至预设的翻拍识别模型，输出所述待测图像的全局翻拍概率，将所述多个子图像分别输入所述翻拍识别模型，输出所述待测图像的局部翻拍概率；融合所述全局翻拍概率和所述局部翻拍概率，得到所述待测图像的最终翻拍概率。

于一实施例中，所述将所述待测图像切割成多个子图像，包括：沿着所述待测图像的高度方向等间距排布第一数量的裁剪框，所述裁剪框具备预设分辨率；沿着所述待测图像的宽度方向等间距排布第二数量的所述裁剪框；按照所述裁剪框分割的位置，切割所述待测图像，得到分别率相同的所述多个子图像。

于一实施例中，所述将所述多个子图像分别输入所述翻拍识别模型，输出所述待测图像的局部翻拍概率，包括：将所述多个子图像分别输入所述翻拍识别模型，输出每个所述子图像的子翻拍概率；按照所述子翻拍概率的大小排序，从大到小，依次选取所述子翻拍概率排在前预设个数的多个目标翻拍概率；计算多个所述目标翻拍概率的第一概率平均值，所述待测图像的局部翻拍概率为所述第一概率平均值。

于一实施例中，还包括建立所述翻拍识别模型的步骤：获取样本图像，所述样本图像中包括标记了翻拍标签的翻拍样本和标记为正常标签的未翻拍样本；根据所述样本图像，采用随机梯度下降优化算法和交叉熵损失函数训练预设的神经网络，得到所述翻拍识别模型。

于一实施例中，所述神经网络的结构包括：多个卷积层、多个第一卷积块、多个第二卷积块、池化层和全连接层；多个第一卷积块，每个所述第一卷积块包括三个卷积层和三个批规范化层；多个第二卷积块，每个所述第二卷积块包括四个卷积层和四个批规范化层。

于一实施例中，所述融合所述全局翻拍概率和所述局部翻拍概率，得到所述待测图像的最终翻拍概率，包括：选取所述全局翻拍概率和所述局部翻拍概率中的概率最大值，所述最终翻拍概率为所述概率最大值。

于一实施例中，所述融合所述全局翻拍概率和所述局部翻拍概率，得到所述待测图像的最终翻拍概率，包括：计算所述全局翻拍概率和所述局部翻拍概率的第二概率平均值，所述最终翻拍概率为所述第二概率平均值。

于一实施例中，所述获取待测图像包括：获取待测的原始图像；将所述原始图像裁剪成预设尺寸的所述待测图像。

本申请实施例第二方面提供了一种图像检测装置，包括：获取模块，用于获取待测图像；切割模块，用于将所述待测图像切割成多个子图像；识别模块，用于分别将所述待测图像输入至预设的翻拍识别模型，输出所述待测图像的全局翻拍概率，将所述多个子图像分别输入所述翻拍识别模型，输出所述待测图像的局部翻拍概率；融合模块，用于融合所述全局翻拍概率和所述局部翻拍概率，得到所述待测图像的最终翻拍概率。

于一实施例中，所述切割模块用于：沿着所述待测图像的高度方向等间距排布第一数量的裁剪框，所述裁剪框具备预设分辨率；沿着所述待测图像的宽度方向等间距排布第二数量的所述裁剪框；按照所述裁剪框分割的位置，切割所述待测图像，得到分别率相同的所述多个子图像。

于一实施例中，所述识别模块用于：将所述多个子图像分别输入所述翻拍识别模型，输出每个所述子图像的子翻拍概率；按照所述子翻拍概率的大小排序，从大到小，依次选取所述子翻拍概率排在前预设个数的多个目标翻拍概率；计算多个所述目标翻拍概率的第一概率平均值，所述待测图像的局部翻拍概率为所述第一概率平均值。

于一实施例中，还包括：建立模块，用于建立所述翻拍识别模型，包括：获取样本图像，所述样本图像中包括标记了翻拍标签的翻拍样本和标记为正常标签的未翻拍样本；根据所述样本图像，采用随机梯度下降优化算法和交叉熵损失函数训练预设的神经网络，得到所述翻拍识别模型。

于一实施例中，所述神经网络的结构包括：多个卷积层、多个第一卷积块、多个第二卷积块、池化层和全连接层；多个第一卷积块，每个所述第一卷积块包括三个卷积层和三个批规范化层；多个第二卷积块，每个所述第二卷积块包括四个卷积层和四个批规范化层。

于一实施例中，所述融合模块用于：选取所述全局翻拍概率和所述局部翻拍概率中的概率最大值，所述最终翻拍概率为所述概率最大值。

于一实施例中，所述融合模块还用于：计算所述全局翻拍概率和所述局部翻拍概率的第二概率平均值，所述最终翻拍概率为所述第二概率平均值。

于一实施例中，所述获取模块用于：获取待测的原始图像；将所述原始图像裁剪成预设尺寸的所述待测图像。

本申请实施例第五方面提供了一种电子设备，包括：存储器，用以存储计算机程序；处理器，用以执行本申请实施例第一方面及其任一实施例的方法，以检测出待测图像的翻拍概率。

本申请提供的图像检测方法、装置和设备，通过将待测图像切割成多个子图像，并分别将待测图像和子图像输入翻拍识别模型，由待测图像识别出全局翻拍概率，由子图像识别出待测图像的局部翻拍概率，最后将全局翻拍概率和局部翻拍概率融合在一起，作为待测图像的最终翻拍概率，如何，综合考虑翻拍图像中摩尔纹明显与不明显的实际情况，将局部信息的翻拍检测与全局信息的翻拍检测相结合，提高了图像翻拍检测的准确率。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。

图1为本申请一实施例的电子设备的结构示意图；

图2为本申请一实施例的图像检测方法的流程示意图；

图3为本申请一实施例的图像检测方法的流程示意图；

图4A至图4C为本申请一实施例的神经网络的结构示意图；

图5为本申请一实施例的图像检测装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

如图1所示，本实施例提供一种电子设备1，包括：至少一个处理器11和存储器12，图1中以一个处理器为例。处理器11和存储器12通过总线10连接。存储器12存储有可被处理器11执行的指令，指令被处理器11执行，以使电子设备1可执行下述的实施例中方法的全部或部分流程，以检测出待测图像的翻拍概率。

于一实施例中，电子设备1可以是手机、平板电脑、笔记本电脑、台式计算机等设备。

请参看图2，其为本申请一实施例的图像检测方法，该方法可由图1所示的电子设备1来执行，并可以应用于零售场景图的翻拍检测场景中，以检测出待测图像的翻拍概率。该方法包括如下步骤：

步骤201：获取待测图像。

在本步骤中，待测图像可以是零售场景图像，可以由拍摄人员通过手机等设备拍摄得到。

步骤202：将待测图像切割成多个子图像。

在本步骤中，在翻拍过程中，如果距离被翻拍对象(如显示在显示器上的图像等)较近，则翻拍的待测图像中存在较为明显的摩尔纹，可以通过局部信息实现翻拍检测，此时可以将待测图像切割成均等的多个子图像，每个子图像都具备翻拍信息，通过对子图像的翻拍检测，来表征待测图像的局部翻拍信息。

步骤203：分别将待测图像输入至预设的翻拍识别模型，输出待测图像的全局翻拍概率，将多个子图像分别输入翻拍识别模型，输出待测图像的局部翻拍概率。

在本步骤中，为了得到待测图像的全局翻拍信息，因此将整个待测图像作为输入图像输入至预设的翻拍识别模型，即可输出待测图像的全局翻拍概率。为了得到待测图像的局部翻拍信息，则分别将每个子图像作为输入图像输入至翻拍识别模型，即可得到待测图像的局部翻拍概率。此处预设的翻拍识别模型可以是基于识别图像摩尔纹的识别模型。

步骤204：融合全局翻拍概率和局部翻拍概率，得到待测图像的最终翻拍概率。

在本步骤中，为了综合考虑实际场景中拍摄距离对翻拍图像的而影响，将全局翻拍概率和局部翻拍概率融合在一起，共同表征待测图像的最终翻拍概率，从而避免拍摄距离较远时摩尔纹不明显带来的翻拍检测不准确的问题，提高了翻拍检测的准确度。

上述图像检测方法，通过将待测图像切割成多个子图像，并分别将待测图像和子图像输入翻拍识别模型，由待测图像识别出全局翻拍概率，由子图像识别出待测图像的局部翻拍概率，最后将全局翻拍概率和局部翻拍概率融合在一起，作为待测图像的最终翻拍概率，综合考虑翻拍图像中摩尔纹明显与不明显的实际情况，将局部信息的翻拍检测与全局信息的翻拍检测相结合，提高了图像翻拍检测的准确率。

请参看图3，其为本申请一实施例的图像检测方法，该方法可由图1所示的电子设备1来执行，并可以应用于零售场景图的翻拍检测场景中，以检测出待测图像的翻拍概率。该方法包括如下步骤：

步骤301：获取待测的原始图像。

在本步骤中，原始图像可以是拍摄人员拍摄得零售场景的照片，可以通过在预设的数据库中读取得到，或者直接接收拍摄终端传输的原始图像得到。

然后将原始图像裁剪成预设尺寸的待测图像。

在本步骤中，在处理原始图像前，可以将原始图像进行裁剪，以使裁剪后的图像可以满足后续图像处理的要求，进而提高图像处理的速率。预设尺寸可以基于不同的应用场景和识别模型具体设定。具体可以包括如下步骤302和步骤303：

步骤302：若待测图像用于识别出全局翻拍信息，则可以将原始图像先裁剪(resize)成预设尺寸为H1xW1大小(其中H1表示图像的高度，W1表示图像的宽度)的待测图像，比如，H1和W1取值可以分别为512。然后进入步骤304。

步骤303：若待测图像用于识别出局部翻拍信息，则可以首先将原始图像resize成预设尺寸为H2xW2大小(其中H2表示图像的高度，W2表示图像的宽度)的待测图像，H2xW2可以与H1xW1相同，也可以不同。其中，resize可以采用保持宽高比resize方法，比如：首先从像素区间[512,1024]内取一个随机值作为H2，然后根据公式W2＝W*H2/H计算得到W2(其中，H为待测图像的原始高，W为待测图像的原始宽)。然后进入步骤305。

于一实施例中，在进入步骤304或者进入步骤305之前还可以包括建立翻拍识别模型的步骤：获取样本图像，样本图像中包括标记了翻拍标签的翻拍样本和标记为正常标签的未翻拍样本。根据样本图像，采用随机梯度下降优化算法和交叉熵损失函数训练预设的神经网络，得到翻拍识别模型。

于一实施例中，神经网络的结构包括：多个卷积层、多个第一卷积块、多个第二卷积块、池化层和全连接层。多个第一卷积块，每个第一卷积块包括三个卷积层和三个批规范化层。多个第二卷积块，每个第二卷积块包括四个卷积层和四个批规范化层。

神经网络的结构可以是类似于resnet网络结构，N表示的是卷积块的通道数，不同的卷积块的N值是不一样的，为了方便表示，这里将它作为了一个变量。在实际使用中，神经网络的主要部分是由N不同的多个卷积块串联而成，每个卷积块的输入为上个卷积块的输出。

如图4A所示，为本实施例的一个第一卷积块block_type1的示意图，block_type1接受一个参数N，并因此确定自己的内部参数规模。其中，每个方框内的参数分别表示：卷积核尺寸、卷积核数量N、stride数，BN表示批规范化层，relu表示使用relu激活函数。一个第一卷积块block_type1包括三个串联卷积层和三个串联的批规范化层，串联后的结果与初始输入的上一层特征图进行加权计算，得到第一卷积块block_type1的输出结果。

如图4B所示，为本实施例的一个第二卷积块block_type2的示意图，类比于第一卷积块block_type1，第二卷积块block_type2接受一个参数N，并因此确定自己的内部参数规模。其中，第二卷积块block_type2的每个方框内的参数分别表示：卷积核尺寸、卷积核数量N、stride数，BN表示批规范化层，relu表示使用relu激活函数。一个第二卷积块block_type2包括三个串联卷积层和一个并联卷积层、三个串联的批规范化层和一个并联的批规范化层，串联后的结果与并联批规范化层的输出结果进行加权计算，得到第二卷积块block_type2的输出结果。

在上述卷积块图(图4A和图4B)中，除了【add,relu】表示加和操作和relu层以外，其余方框都表示先经过卷积层、再经过批规范化层、然后再经过relu层。此处将其放到一起计算，可以提高计算效率。

如图4C所示，为本实施例的一个翻拍识别模型的神经网络架构示意图，其中，包括三个卷积层、多个block_type1和多个block_type2，每个方框内前三个数字分别表示：卷积核尺寸，卷积核数量N，stride数，如：3x3,64,stride 2，表示64个3x3的卷积核，stride为2。如图4C所示，输入图片可以是原始图像，也可以是原始图像经过变换的得到的待测图像(比如原始图像经过crop，resize等处理操作得到的待测图像)。在进行翻拍识别模型训练时，可以采用随机梯度下降优化算法，训练损失函数可以选择交叉熵损失函数。

步骤304：将待测图像输入至预设的翻拍识别模型，输出待测图像的全局翻拍概率，然后进入步骤311。详细参见上述实施例中对步骤203的描述。

步骤305：沿着待测图像的高度方向等间距排布第一数量的裁剪框，裁剪框具备预设分辨率。

步骤306：沿着待测图像的宽度方向等间距排布第二数量的裁剪框。

步骤307：按照裁剪框分割的位置，切割待测图像，得到分别率相同的多个子图像。

在本步骤305至步骤307中，假设第一数量为n1，第二数量为n2，可以从待测图像上裁剪出n1xn2块大小为H3xW3(其中H3表示子图像的高度，W3表示子图像的宽度)的子图像，裁剪过程如下：沿着待测图像的高度方向等间距排布n1个预设分辨率为H3xW3的裁剪框，沿着待测图像宽度方向上等间距排布n2个预设分辨率为H3xW3个裁剪框，从而得到n1xn2个patch(块)。

于一实施例中，由于根据n1、n2、H3、W3取值的不同，可能会导致裁切得到的patch不能完全覆盖到原待测图像，或者patch之间存在重叠区域。为了避免上述误差，可以n1和n2取值为5，H3和W3取值为224。通过将待测图像裁切成n1xn2个子图像可以有效解决摩尔纹分布不均匀导致的翻拍检测失败问题。

步骤308：将多个子图像分别输入翻拍识别模型，输出每个子图像的子翻拍概率。

在本步骤中，为了得到待测图像的局部翻拍信息，则分别将n1xn2块大小为H3xW3的图像作为输入图像输入至翻拍识别模型，即可得到每个子图像的子翻拍概率。

步骤309：按照子翻拍概率的大小排序，从大到小，依次选取子翻拍概率排在前预设个数的多个目标翻拍概率。

在本步骤中，假设前预设个数为前k个，则按照子翻拍概率从大到小，取前k大的k个子翻拍概率作为目标翻拍概率。于一实施例中，k可以取值为10。

步骤310：计算多个目标翻拍概率的第一概率平均值，待测图像的局部翻拍概率为第一概率平均值。

在本步骤中，然后计算前k大子翻拍概率的第一概率平均值，以此作为待测图像局部翻拍概率。

步骤311：融合全局翻拍概率和局部翻拍概率，得到待测图像的最终翻拍概率。详细参见上述实施例中对步骤204的描述。

于一实施例中，步骤311可以包括：选取全局翻拍概率和局部翻拍概率中的概率最大值，最终翻拍概率为概率最大值，比如最终翻拍概率P＝max(Pg，Pl)，其中Pg为全局翻拍概率，Pl为局部翻拍概率。

于一实施例中，步骤311可以包括：计算全局翻拍概率和局部翻拍概率的第二概率平均值，最终翻拍概率为第二概率平均值。假设Pg为全局翻拍概率，L1为Pg的预设权重，Pl为局部翻拍概率，L1为Pl的预设权重，则最终翻拍概率P＝L1*Pg+L2*Pl。

上述图像检测方法，综合考虑在翻拍过程中的情形，当距离被翻拍对象(如显示在显示器上的图像等)较近，则翻拍图像中存在较为明显的摩尔纹，可以通过局部信息实现翻拍检测。当距离被翻拍对象较远时，翻拍图像中摩尔纹不明显，但一般会出现显示器的特征(比如手机边框或者显示器边框等)，通过采用全局信息的方案来进行翻拍检测。通过将待测图像的局部翻拍信息和全局翻拍信息融合起来得到最终翻拍概率，提升了图像翻拍检测的准确率。

请参看图5，其为本申请一实施例的图像检测装置500，该装置应用于图1所示的电子设备1，并可以应用于零售场景图的翻拍检测场景中，以检测出待测图像的翻拍概率。该装置包括：获取模块501、切割模块502、识别模块503和融合模块504，各个模块的原理关系如下：

获取模块501，用于获取待测图像。切割模块502，用于将待测图像切割成多个子图像。

识别模块503，用于分别将待测图像输入至预设的翻拍识别模型，输出待测图像的全局翻拍概率，将多个子图像分别输入翻拍识别模型，输出待测图像的局部翻拍概率。

融合模块504，用于融合全局翻拍概率和局部翻拍概率，得到待测图像的最终翻拍概率。

于一实施例中，切割模块502用于：沿着待测图像的高度方向等间距排布第一数量的裁剪框，裁剪框具备预设分辨率。沿着待测图像的宽度方向等间距排布第二数量的裁剪框。按照裁剪框分割的位置，切割待测图像，得到分别率相同的多个子图像。

于一实施例中，识别模块503用于：将多个子图像分别输入翻拍识别模型，输出每个子图像的子翻拍概率。按照子翻拍概率的大小排序，从大到小，依次选取子翻拍概率排在前预设个数的多个目标翻拍概率。计算多个目标翻拍概率的第一概率平均值，待测图像的局部翻拍概率为第一概率平均值。

于一实施例中，还包括：建立模块505，用于建立翻拍识别模型，包括：获取样本图像，样本图像中包括标记了翻拍标签的翻拍样本和标记为正常标签的未翻拍样本。根据样本图像，采用随机梯度下降优化算法和交叉熵损失函数训练预设的神经网络，得到翻拍识别模型。

于一实施例中，神经网络的结构包括：多个卷积层、多个第一卷积块、多个第二卷积块、池化层和全连接层。多个第一卷积块，每个第一卷积块包括三个卷积层和三个批规范化层。多个第二卷积块，每个第二卷积块包括四个卷积层和四个批规范化层。

于一实施例中，融合模块504用于：选取全局翻拍概率和局部翻拍概率中的概率最大值，最终翻拍概率为概率最大值。

于一实施例中，融合模块504还用于：计算全局翻拍概率和局部翻拍概率的第二概率平均值，最终翻拍概率为第二概率平均值。

于一实施例中，获取模块501用于：获取待测的原始图像。将原始图像裁剪成预设尺寸的待测图像。

上述图像检测装置500的详细描述，请参见上述实施例中相关方法步骤的描述。

本发明实施例还提供了一种非暂态电子设备可读存储介质，包括：程序，当其在电子设备上运行时，使得电子设备可执行上述实施例中方法的全部或部分流程。其中，存储介质可为磁盘、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccess Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等。存储介质还可以包括上述种类的存储器的组合。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种图像检测方法，其特征在于，包括：

获取待测图像；

将所述待测图像切割成多个子图像；

分别将所述待测图像输入至预设的翻拍识别模型，输出所述待测图像的全局翻拍概率，将所述多个子图像分别输入所述翻拍识别模型，输出所述待测图像的局部翻拍概率；

融合所述全局翻拍概率和所述局部翻拍概率，得到所述待测图像的最终翻拍概率。

2.根据权利要求1所述的方法，其特征在于，所述将所述待测图像切割成多个子图像，包括：

沿着所述待测图像的高度方向等间距排布第一数量的裁剪框，所述裁剪框具备预设分辨率；

沿着所述待测图像的宽度方向等间距排布第二数量的所述裁剪框；

按照所述裁剪框分割的位置，切割所述待测图像，得到分别率相同的所述多个子图像。

3.根据权利要求1所述的方法，其特征在于，所述将所述多个子图像分别输入所述翻拍识别模型，输出所述待测图像的局部翻拍概率，包括：

将所述多个子图像分别输入所述翻拍识别模型，输出每个所述子图像的子翻拍概率；

按照所述子翻拍概率的大小排序，从大到小，依次选取所述子翻拍概率排在前预设个数的多个目标翻拍概率；

计算多个所述目标翻拍概率的第一概率平均值，所述待测图像的局部翻拍概率为所述第一概率平均值。

4.根据权利要求1所述的方法，其特征在于，还包括建立所述翻拍识别模型的步骤：

获取样本图像，所述样本图像中包括标记了翻拍标签的翻拍样本和标记为正常标签的未翻拍样本；

根据所述样本图像，采用随机梯度下降优化算法和交叉熵损失函数训练预设的神经网络，得到所述翻拍识别模型。

5.根据权利要求4所述的方法，其特征在于，所述神经网络的结构包括：

多个卷积层；

多个第一卷积块，每个所述第一卷积块包括三个卷积层和三个批规范化层；

多个第二卷积块，每个所述第二卷积块包括四个卷积层和四个批规范化层；

池化层；

全连接层。

6.根据权利要求1所述的方法，其特征在于，所述融合所述全局翻拍概率和所述局部翻拍概率，得到所述待测图像的最终翻拍概率，包括：

选取所述全局翻拍概率和所述局部翻拍概率中的概率最大值，所述最终翻拍概率为所述概率最大值。

7.根据权利要求1所述的方法，其特征在于，所述融合所述全局翻拍概率和所述局部翻拍概率，得到所述待测图像的最终翻拍概率，包括：

计算所述全局翻拍概率和所述局部翻拍概率的第二概率平均值，所述最终翻拍概率为所述第二概率平均值。

8.根据权利要求1所述的方法，其特征在于，所述获取待测图像包括：

获取待测的原始图像；

将所述原始图像裁剪成预设尺寸的所述待测图像。

9.一种图像检测装置，其特征在于，包括：

获取模块，用于获取待测图像；

切割模块，用于将所述待测图像切割成多个子图像；

识别模块，用于分别将所述待测图像输入至预设的翻拍识别模型，输出所述待测图像的全局翻拍概率，将所述多个子图像分别输入所述翻拍识别模型，输出所述待测图像的局部翻拍概率；

融合模块，用于融合所述全局翻拍概率和所述局部翻拍概率，得到所述待测图像的最终翻拍概率。

10.一种电子设备，其特征在于，包括：

存储器，用以存储计算机程序；

处理器，用以执行如权利要求1至8中任一项所述的方法，以检测出待测图像的翻拍概率。

Images