CN112927221A - 一种基于图像细粒度特征翻拍检测方法及系统 - Google Patents
一种基于图像细粒度特征翻拍检测方法及系统 Download PDFInfo
- Publication number
- CN112927221A CN112927221A CN202110323899.0A CN202110323899A CN112927221A CN 112927221 A CN112927221 A CN 112927221A CN 202110323899 A CN202110323899 A CN 202110323899A CN 112927221 A CN112927221 A CN 112927221A
- Authority
- CN
- China
- Prior art keywords
- image
- fine
- grained
- original
- feature
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 230000008485 antagonism Effects 0.000 claims abstract description 11
- 235000019580 granularity Nutrition 0.000 claims abstract description 9
- 238000010008 shearing Methods 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 244000062793 Sorghum vulgare Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 235000019713 millet Nutrition 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于图像细粒度特征翻拍检测方法及系统，其中，所述方法包括：获取同一拍摄对象的细粒度不同的原图像，并将所述原图像存储于图像库中；对所述图像库中的原图像进行区域划分剪切得到区域块，将所述区域块按照组合规则进行拼接生成重构图像；将所述原图像及重构图像输入至特征提取网络，生成图像判别性区域细粒度特征信息；将所述图像判别性区域细粒度特征信息进行对抗性学习训练得到学习结果；根据所述学习结果将翻拍图像细粒度特征检测的算法进行迭代计算，得到翻拍图像分类器；将原图像输入至翻拍图像分类器得到图像分类结果，完成图像翻拍检测。本发明相比于现有翻拍识别技术，提出的翻拍检测算法对翻拍图像的识别精度可达到98％。
Description
技术领域
本发明涉及图像处理技术领域，特别是涉及一种基于图像细粒度特征翻拍检测方法及系统。
背景技术
快消品零售是一个很特殊的行业，商品销售节奏很快，它更多满足的是消费者的冲动性和即时性消费。充满视觉冲击力的货架陈列对推动销售业绩发挥着重要作用。过去陈列检查完全依赖人眼和手工完成的，进店和记录需要花费大量的人力，效率很低，质量难以把控。而且局限于成本往往只能抽样调查，无法获取完整数据。
当前数码相机日趋低价和高像素，图像处理软件也越来越易于操作，这些为数字图像造假创造了条件，日常所见图像的真实性大打折扣。针对越来越多的数字图像造假现象，数字图像取证技术的研究显得尤为重要。
现有技术中利用数码相机、摄像头等拍摄设备对书刊、图表、绘画、相片等进行翻拍获得的翻拍图像质量高，而且本身是数码相机或摄像头成像的，可能引起图像原始所有者纠纷，而且这类图像也往往能够迷惑人的眼睛，一些现有的取证系统也不易识别翻拍图像。此外一些现有的物体识别系统，如人脸识别系统、图像取证系统等，都有受到翻拍图像攻击的可能，如何在这些系统中检测并排除翻拍图像对保证物体识别系统安全变得极为重要。
发明内容
本发明提供一种基于图像细粒度特征翻拍检测方法及系统，提高判断翻拍图像和原始图像鉴定的有效性及准确性，保证终端数据识别系统安全。
本发明一个实施例提供一种基于图像细粒度特征翻拍检测方法，包括：
获取同一拍摄对象的细粒度不同的原图像，并将所述原图像存储于图像库中；
对所述图像库中的原图像进行区域划分剪切得到区域块，将所述区域块按照组合规则进行拼接生成重构图像；
将所述原图像及重构图像输入至特征提取网络，生成图像判别性区域细粒度特征信息；
将所述图像判别性区域细粒度特征信息进行对抗性学习训练得到学习结果；
根据所述学习结果将翻拍图像细粒度特征检测的算法进行迭代计算，得到翻拍图像分类器；
将原图像输入至翻拍图像分类器得到图像分类结果，完成图像翻拍检测。
进一步地，所述根据所述学习结果将翻拍图像细粒度特征检测的算法进行迭代计算，还包括：
利用图像傅里叶频谱图作为模型训练的辅助监督学习。
进一步地，所述利用图像傅里叶频谱图作为模型训练的辅助监督学习，包括：
对所述原图像进行傅里叶变换得到图像频谱图；
将所述图像频谱图的像素值进行归一化处理；
将归一化处理后的图像频谱图与所述图像判别性区域细粒度特征信息进行特征融合。
进一步地，所述根据所述学习结果将翻拍图像细粒度特征检测的算法进行迭代计算之前，还包括：
根据学习结果将所述重构图像与所述原图像进行特征融合。
进一步地，所述将所述原图像及重构图像输入至特征提取网络之前，还包括：
设置特征提取网络参数。
本发明某一实施例提供一种基于图像细粒度特征翻拍检测系统，包括：
原图像获取模块，用于获取同一拍摄对象的细粒度不同的原图像，并将所述原图像存储于图像库中；
重构图像生成模块，用于对所述图像库中的原图像进行区域划分剪切得到区域块，将所述区域块按照组合规则进行拼接生成重构图像；
特征提取模块，用于将所述原图像及重构图像输入至特征提取网络，生成图像判别性区域细粒度特征信息；
对抗性学习训练模块，用于将所述图像判别性区域细粒度特征信息进行对抗性学习训练得到学习结果；
图像分类器生成模块，用于根据所述学习结果将翻拍图像细粒度特征检测的算法进行迭代计算，得到翻拍图像分类器；
图像翻拍检测模块，用于将原图像输入至翻拍图像分类器得到图像分类结果，完成图像翻拍检测。
进一步地，所述图像分类器生成模块，还包括：
辅助监督学习子模块，用于利用图像傅里叶频谱图作为模型训练的辅助监督学习。
进一步地，所述辅助监督学习子模块，还用于：
对所述原图像进行傅里叶变换得到图像频谱图；
将所述图像频谱图的像素值进行归一化处理；
将归一化处理后的图像频谱图与所述图像判别性区域细粒度特征信息进行特征融合。
进一步地，所述的一种基于图像细粒度特征翻拍检测系统，还包括：
特征融合模块，用于根据学习结果将所述重构图像与所述原图像进行特征融合。
进一步地，所述的一种基于图像细粒度特征翻拍检测系统，还包括：
参数设置模块，用于设置特征提取网络参数。
与现有技术相比，本发明实施例的有益效果在于：
本发明一个实施例提供一种基于图像细粒度特征翻拍检测方法，包括：获取同一拍摄对象的细粒度不同的原图像，并将所述原图像存储于图像库中；对所述图像库中的原图像进行区域划分剪切得到区域块，将所述区域块按照组合规则进行拼接生成重构图像；将所述原图像及重构图像输入至特征提取网络，生成图像判别性区域细粒度特征信息；将所述图像判别性区域细粒度特征信息进行对抗性学习训练得到学习结果；根据所述学习结果将翻拍图像细粒度特征检测的算法进行迭代计算，得到翻拍图像分类器；将原图像输入至翻拍图像分类器得到图像分类结果，完成图像翻拍检测。本发明与现有技术相比，具有如下优点和有益效果：
1、算法模型完全数据端到端训练，不用额外的数据处理；
2、对单张图像识别速度快，平均图像的计算检测时间在8ms以内；
3、更匹配快消场景，输出三种图像结果分别是自然图像、翻拍图像、噪声图像，对识别结果增加了可适配性。
4、相比于现有翻拍识别技术，提出的翻拍检测算法对翻拍图像的识别精度可达到98％。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式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发明的一些实施方式，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的附图。
图1是本发明某一实施例提供的一种基于图像细粒度特征翻拍检测方法的流程图；
图2是本发明另一实施例提供的一种基于图像细粒度特征翻拍检测方法的流程图；
图3是本发明另一实施例提供的一种基于图像细粒度特征翻拍检测方法的流程图；
图4是本发明又一实施例提供的一种基于图像细粒度特征翻拍检测方法的流程图；
图5是本发明某一实施例提供的自然图像的获取方法的流程图；
图6是本发明某一实施例提供的翻拍图像的获取方法的流程图；
图7是本发明某一实施例提供的噪声图像的获取方法的流程图；
图8是本发明某一实施例提供的搭建基于翻拍图像细粒度特征检测的算法框架方法的流程图；
图9是本发明另一实施例提供的一种基于图像细粒度特征翻拍检测方法的流程图；
图10是本发明某一实施例提供的一种基于图像细粒度特征翻拍检测系统的结构图；
图11是本发明另一实施例提供的一种基于图像细粒度特征翻拍检测系统的结构图；
图12是本发明又一实施例提供的一种基于图像细粒度特征翻拍检测系统的结构图；
图13是本发明某一实施例提供的一种电子设备的结构图。
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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本发明解决的技术问题是克服专利《一种基于翻拍识别的陈列图像检测方法、装置及存储介质》中关于噪声图像预处理，提出了噪声图片(区别于自然图像和翻拍图像)的第三种图像类别，提高翻拍数字图像的识别效果的同时并建立了一种端到端训练的神经网络框架来鉴定翻拍图像的翻拍数字图像的鉴定方法。
第一方面。
请参阅图1-4，本发明提供一种基于图像细粒度特征翻拍检测方法，包括：
S10、获取同一拍摄对象的细粒度不同的原图像，并将所述原图像存储于图像库中。
S20、对所述图像库中的原图像进行区域划分剪切得到区域块，将所述区域块按照组合规则进行拼接生成重构图像。
在某一具体实施方式中，还包括：
S21、设置特征提取网络参数。
S30、将所述原图像及重构图像输入至特征提取网络，生成图像判别性区域细粒度特征信息。
S40、将所述图像判别性区域细粒度特征信息进行对抗性学习训练得到学习结果。
S50、根据所述学习结果将翻拍图像细粒度特征检测的算法进行迭代计算，得到翻拍图像分类器。
在某一具体实施方式中，还包括：
S51、根据学习结果将所述重构图像与所述原图像进行特征融合。
在某一具体实施例中，所述根据所述学习结果将翻拍图像细粒度特征检测的算法进行迭代计算，包括：
S52、利用图像傅里叶频谱图作为模型训练的辅助监督学习。
在某一具体实施方式中，所述S61、利用图像傅里叶频谱图作为模型训练的辅助监督学习，包括：
S521、对所述原图像进行傅里叶变换得到图像频谱图。
S522、将所述图像频谱图的像素值进行归一化处理。
S523、将归一化处理后的图像频谱图与所述图像判别性区域细粒度特征信息进行特征融合。
S60、将原图像输入至翻拍图像分类器得到图像分类结果，完成图像翻拍检测。
在某一具体实施例中，本发明的技术方案一种翻拍数字图像的鉴定方法，包括如下步骤：
(1)图像细粒度特征学习方法流程：
(11)建立分类器训练数据集，该数据集中包括有翻拍图像和自然图像以及噪声图像；
(12)对图形库中每张图像I区域性结构破坏，将图片区域划分为N×N个区域，按照一定组合方式随机重新拼接重构成图Ir；
(13)对步骤(12)生成的重构图Ir和原图I一起输入到特征提取backbone网络，选用backbone网络为resnet50，完成图像判别性区域细粒度特征的提取得到feature maps；
(14)对步骤(13)提取的feature map完成对抗性学习损失函数的计算，重构图Ir和原图I的feature map特征concate融合。
(2)利用图像傅里叶频谱图作为模型训练的辅助监督学习，具体包括：
(21)对待训练图像进行傅里叶变换得到图像频谱图；
(22)将图像频谱图的像素值进行归一化处理；
(23)将归一化处理后的图像频谱图resize到尺寸大小为10x10与(1)中的featuremap完成特征融合。
(3)利用(1)(2)完成的feature map融合的特征图输入到全连接层fc，最后接入softmax层输出3个类别预测概率值。
在某一具体实施例中，请参阅图5-9，本实施例提供一种应用于零售商店的陈列智检的图像翻拍检测方法。以快销行业中包括且不限于店头、陈列货架、冰柜地堆等业务场景的图片为训练数据建立翻拍检测算法模型学习数据库，收集原图-翻拍图片-噪声图片的图像数据库。下面结合附图对各个步骤进行具体说明。
(1)对快销行业不同业务场景下进行图片采集，对其进行不同角度的取景拍照并一一规则命名，收集不同场景和不同灯光下的多类型样本。
(2)准备当前市面多种不同类型手机，主要以Android和IOS操作系统的多款热门手机，其中包括华为P20、P30、mate20、小米手机mate10、mate 20、小米8；苹果手机iPhone等系列、iPhone X和mac book pro 13.3等设备，以快消场景(货架、冰柜陈列照、店头照等)为样本建模的背景素材，对步骤(1)收集的图片按照1:1的比例进行翻拍拍照，并以对应规则命名；建立翻拍原图各3000张的图像库。
(3)基于pytorch＝＝1.1.0、torchvision＝＝0.3.0、cudatoolkit＝9.0的环境下搭建基于翻拍图像细粒度特征检测的算法框架，如图8。
(4)根据步骤(2)建立的三种类型的训练数据集，按照算法要求的格式下置于三个文件夹分别以‘0’，‘1’，‘2’对文件夹进行命名存放训练数据。
(5)读取指定路径下的数据完成神经网络算法模型训练，其训练方法由实施步骤(1)、(2)、(3)具体内容操作后完成；整体神经网络模型训练分为150个epoch迭代完成最终模型优化，得到最优翻拍图像分类器。
通过建立收集的特定陈列图片样本作为训练集，用于训练细粒度网络分类器的翻拍图像识别模型，其识别效果传统的图像识别模型的识别效果更优，同时保证实时检测速度。
本发明方法的工作原理是：在快消行业的销售陈列智检中业务员在质检作业时存在作弊，图像数据造假等现象，企业难以应对商品包括陈列智检真实性以及业务员数据作假等有效监督。通过提供一种鉴定翻拍图像的翻拍数字图像的鉴定方法有效的准确判断翻拍图像和原始图像，保证终端数据识别系统安全。
第二方面。
请参阅图10-12，本发明一实施例提供一种基于图像细粒度特征翻拍检测系统，包括：
原图像获取模块10，用于获取同一拍摄对象的细粒度不同的原图像，并将所述原图像存储于图像库中。
重构图像生成模块20，用于对所述图像库中的原图像进行区域划分剪切得到区域块，将所述区域块按照组合规则进行拼接生成重构图像。
特征提取模块30，用于将所述原图像及重构图像输入至特征提取网络，生成图像判别性区域细粒度特征信息。
对抗性学习训练模块40，用于将所述图像判别性区域细粒度特征信息进行对抗性学习训练得到学习结果。
图像分类器生成模块50，用于根据所述学习结果将翻拍图像细粒度特征检测的算法进行迭代计算，得到翻拍图像分类器。
在某一具体实施方式中，所述图像分类器生成模块50，还包括：
辅助监督学习子模块51，用于利用图像傅里叶频谱图作为模型训练的辅助监督学习。
所述辅助监督学习子模块51，还用于：
对所述原图像进行傅里叶变换得到图像频谱图；
将所述图像频谱图的像素值进行归一化处理；
将归一化处理后的图像频谱图与所述图像判别性区域细粒度特征信息进行特征融合。
图像翻拍检测模块60，用于将原图像输入至翻拍图像分类器得到图像分类结果，完成图像翻拍检测。
在某一具体实施方式中，还包括：
特征融合模块70，用于根据学习结果将所述重构图像与所述原图像进行特征融合。
在某一具体实施方式中，还包括：
参数设置模块80，用于设置特征提取网络参数。
第三方面。
本发明提供了一种电子设备，该电子设备包括：
处理器、存储器和总线；
所述总线，用于连接所述处理器和所述存储器；
所述存储器，用于存储操作指令；
所述处理器，用于通过调用所述操作指令，可执行指令使处理器执行如本申请的第一方面所示的一种基于图像细粒度特征翻拍检测方法对应的操作。
在一个可选实施例中提供了一种电子设备，如图13所示，图13所示的电子设备5000包括处理器5001和存储器5003。其中，处理器5001和存储器5003相连，如通过总线5002相连。可选地，电子设备5000还可以包括收发器5004。需要说明的是，实际应用中收发器5004不限于一个，该电子设备5000的结构并不构成对本申请实施例的限定。
处理器5001可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器5001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线5002可包括一通路，在上述组件之间传送信息。总线5002可以是PCI总线或EISA总线等。总线5002可以分为地址总线、数据总线、控制总线等。为便于表示，图13中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器5003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器5003用于存储执行本申请方案的应用程序代码，并由处理器5001来控制执行。处理器5001用于执行存储器5003中存储的应用程序代码，以实现前述任一方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
第四方面。
本发明提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现本申请第一方面所示的一种基于图像细粒度特征翻拍检测方法。
本申请的又一实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
Claims (10)
1.一种基于图像细粒度特征翻拍检测方法，其特征在于，包括：
获取同一拍摄对象的细粒度不同的原图像，并将所述原图像存储于图像库中；
对所述图像库中的原图像进行区域划分剪切得到区域块，将所述区域块按照组合规则进行拼接生成重构图像；
将所述原图像及重构图像输入至特征提取网络，生成图像判别性区域细粒度特征信息；
将所述图像判别性区域细粒度特征信息进行对抗性学习训练得到学习结果；
根据所述学习结果将翻拍图像细粒度特征检测的算法进行迭代计算，得到翻拍图像分类器；
将原图像输入至翻拍图像分类器得到图像分类结果，完成图像翻拍检测。
2.如权利要求1所述的一种基于图像细粒度特征翻拍检测方法，其特征在于，所述根据所述学习结果将翻拍图像细粒度特征检测的算法进行迭代计算，还包括：
利用图像傅里叶频谱图作为模型训练的辅助监督学习。
3.如权利要求2所述的一种基于图像细粒度特征翻拍检测方法，其特征在于，所述利用图像傅里叶频谱图作为模型训练的辅助监督学习，包括：
对所述原图像进行傅里叶变换得到图像频谱图；
将所述图像频谱图的像素值进行归一化处理；
将归一化处理后的图像频谱图与所述图像判别性区域细粒度特征信息进行特征融合。
4.如权利要求1所述的一种基于图像细粒度特征翻拍检测方法，其特征在于，所述根据所述学习结果将翻拍图像细粒度特征检测的算法进行迭代计算之前，还包括：
根据学习结果将所述重构图像与所述原图像进行特征融合。
5.如权利要求1所述的一种基于图像细粒度特征翻拍检测方法，其特征在于，所述将所述原图像及重构图像输入至特征提取网络之前，还包括：
设置特征提取网络参数。
6.一种基于图像细粒度特征翻拍检测系统，其特征在于，包括：
原图像获取模块，用于获取同一拍摄对象的细粒度不同的原图像，并将所述原图像存储于图像库中；
重构图像生成模块，用于对所述图像库中的原图像进行区域划分剪切得到区域块，将所述区域块按照组合规则进行拼接生成重构图像；
特征提取模块，用于将所述原图像及重构图像输入至特征提取网络，生成图像判别性区域细粒度特征信息；
对抗性学习训练模块，用于将所述图像判别性区域细粒度特征信息进行对抗性学习训练得到学习结果；
图像分类器生成模块，用于根据所述学习结果将翻拍图像细粒度特征检测的算法进行迭代计算，得到翻拍图像分类器；
图像翻拍检测模块，用于将原图像输入至翻拍图像分类器得到图像分类结果，完成图像翻拍检测。
7.如权利要求6所述的一种基于图像细粒度特征翻拍检测系统，其特征在于，所述图像分类器生成模块，还包括：
辅助监督学习子模块，用于利用图像傅里叶频谱图作为模型训练的辅助监督学习。
8.如权利要求7所述的一种基于图像细粒度特征翻拍检测系统，其特征在于，所述辅助监督学习子模块，还用于：
对所述原图像进行傅里叶变换得到图像频谱图；
将所述图像频谱图的像素值进行归一化处理；
将归一化处理后的图像频谱图与所述图像判别性区域细粒度特征信息进行特征融合。
9.如权利要求6所述的一种基于图像细粒度特征翻拍检测系统，其特征在于，还包括：
特征融合模块，用于根据学习结果将所述重构图像与所述原图像进行特征融合。
10.如权利要求6所述的一种基于图像细粒度特征翻拍检测系统，其特征在于，还包括：
参数设置模块，用于设置特征提取网络参数。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011425295 | 2020-12-09 | ||
| CN2020114252959 | 2020-12-09 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112927221A true CN112927221A (zh) | 2021-06-08 |
| CN112927221B CN112927221B (zh) | 2022-03-29 |
Family
ID=76176130
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110323899.0A Active CN112927221B (zh) | 2020-12-09 | 2021-03-26 | 一种基于图像细粒度特征翻拍检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112927221B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766890A (zh) * | 2017-10-31 | 2018-03-06 | 天津大学 | 一种细粒度识别中判别性图块学习的改进方法 |
| CN109784394A (zh) * | 2019-01-07 | 2019-05-21 | 平安科技（深圳）有限公司 | 一种翻拍图像的识别方法、系统及终端设备 |
| CN110705620A (zh) * | 2019-09-25 | 2020-01-17 | 广州市玄武无线科技股份有限公司 | 一种基于翻拍识别的陈列图像检测方法、装置及存储介质 |
| CN111127398A (zh) * | 2019-11-25 | 2020-05-08 | 深圳前海微众银行股份有限公司 | 证件照片复制的检测方法、装置、终端设备及存储介质 |
| CN111612711A (zh) * | 2019-05-31 | 2020-09-01 | 北京理工大学 | 一种基于生成对抗网络改进的图片去模糊方法 |
| CN111767828A (zh) * | 2020-06-28 | 2020-10-13 | 京东数字科技控股有限公司 | 证件图像翻拍识别方法、装置、电子设备和存储介质 |
| CN111882525A (zh) * | 2020-07-01 | 2020-11-03 | 上海品览数据科技有限公司 | 一种基于lbp水印特征和细粒度识别的图像翻拍检测方法 |
| US20200364624A1 (en) * | 2019-05-16 | 2020-11-19 | Retrace Labs | Privacy Preserving Artificial Intelligence System For Dental Data From Disparate Sources |
-
2021
- 2021-03-26 CN CN202110323899.0A patent/CN112927221B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766890A (zh) * | 2017-10-31 | 2018-03-06 | 天津大学 | 一种细粒度识别中判别性图块学习的改进方法 |
| CN109784394A (zh) * | 2019-01-07 | 2019-05-21 | 平安科技（深圳）有限公司 | 一种翻拍图像的识别方法、系统及终端设备 |
| US20200364624A1 (en) * | 2019-05-16 | 2020-11-19 | Retrace Labs | Privacy Preserving Artificial Intelligence System For Dental Data From Disparate Sources |
| CN111612711A (zh) * | 2019-05-31 | 2020-09-01 | 北京理工大学 | 一种基于生成对抗网络改进的图片去模糊方法 |
| CN110705620A (zh) * | 2019-09-25 | 2020-01-17 | 广州市玄武无线科技股份有限公司 | 一种基于翻拍识别的陈列图像检测方法、装置及存储介质 |
| CN111127398A (zh) * | 2019-11-25 | 2020-05-08 | 深圳前海微众银行股份有限公司 | 证件照片复制的检测方法、装置、终端设备及存储介质 |
| CN111767828A (zh) * | 2020-06-28 | 2020-10-13 | 京东数字科技控股有限公司 | 证件图像翻拍识别方法、装置、电子设备和存储介质 |
| CN111882525A (zh) * | 2020-07-01 | 2020-11-03 | 上海品览数据科技有限公司 | 一种基于lbp水印特征和细粒度识别的图像翻拍检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| GUANQI ZHAN 等: ""DLGAN:Disentangling Label-Specific Fine-Grained Features for Image Manipulation"", 《ARXIV》 * |
| 谢心谦 等: ""基于深度学习的图像翻拍检测"", 《电脑知识与技术》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112927221B (zh) | 2022-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10943145B2 (en) | Image processing methods and apparatus, and electronic devices | |
| KR101856120B1 (ko) | 이미지로부터 상가 발견 | |
| EP3564854B1 (en) | Facial expression recognition method, apparatus, electronic device, and storage medium | |
| JP7490141B2 (ja) | 画像検出方法、モデルトレーニング方法、画像検出装置、トレーニング装置、機器及びプログラム | |
| CN110008956B (zh) | 发票关键信息定位方法、装置、计算机设备及存储介质 | |
| CN105938559A (zh) | 使用卷积神经网络的数字图像处理 | |
| US10276213B2 (en) | Automatic and intelligent video sorting | |
| WO2019214321A1 (zh) | 车辆损伤识别的处理方法、处理设备、客户端及服务器 | |
| JP7419080B2 (ja) | コンピュータシステムおよびプログラム | |
| CN113627411A (zh) | 一种基于超分辨率的商品识别与价格匹配方法及系统 | |
| CN113688839B (zh) | 视频处理方法及装置、电子设备、计算机可读存储介质 | |
| CN114419289A (zh) | 一种基于Unity的虚拟场景货架陈列方法及系统 | |
| CN114550051A (zh) | 一种车损检测方法、装置、计算机设备及存储介质 | |
| CN111191553A (zh) | 人脸跟踪方法、装置及电子设备 | |
| CN113570725A (zh) | 基于聚类的三维表面重建方法、装置、服务器及存储介质 | |
| Qin et al. | Face inpainting network for large missing regions based on weighted facial similarity | |
| CN112927221B (zh) | 一种基于图像细粒度特征翻拍检测方法及系统 | |
| Golubev et al. | Validation of Real Estate Ads based on the Identification of Identical Images | |
| CN108776959B (zh) | 图像处理方法、装置及终端设备 | |
| CN111027376A (zh) | 一种确定事件图谱的方法、装置、电子设备及存储介质 | |
| CN110942056A (zh) | 服饰关键点定位方法、装置、电子设备及介质 | |
| CN113792671A (zh) | 人脸合成图像的检测方法、装置、电子设备及介质 | |
| CN112132031A (zh) | 车款识别方法、装置、电子设备及存储介质 | |
| Roch et al. | Car pose estimation through wheel detection | |
| CN108694347B (zh) | 图像处理方法和装置 |
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 | ||
| CP02 | Change in the address of a patent holder |
Address after: 510000 room 23bd, No. 109, TIYU West Road, Tianhe District, Guangzhou City, Guangdong Province Patentee after: GUANGZHOU XUANWU WIRELESS TECHNOLOGY Co.,Ltd. Address before: 32B, no.103b, TianLiHe Road, Guangzhou, 510000 Patentee before: GUANGZHOU XUANWU WIRELESS TECHNOLOGY Co.,Ltd. |
|
| CP02 | Change in the address of a patent holder | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240523 Address after: Room 601, Building A, No. 99 Fenghuang Fourth Road, Huangpu District, Guangzhou City, Guangdong Province, 510700 (Location: Room 660) Patentee after: Guangzhou Xuantong Technology Co.,Ltd. Country or region after: China Address before: 510000 room 23bd, No. 109, TIYU West Road, Tianhe District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU XUANWU WIRELESS TECHNOLOGY Co.,Ltd. Country or region before: China |