CN112950564B - 一种图像检测方法、装置、存储介质及电子设备 - Google Patents
一种图像检测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112950564B CN112950564B CN202110206853.0A CN202110206853A CN112950564B CN 112950564 B CN112950564 B CN 112950564B CN 202110206853 A CN202110206853 A CN 202110206853A CN 112950564 B CN112950564 B CN 112950564B
- Authority
- CN
- China
- Prior art keywords
- image
- unit
- information distribution
- distribution characteristics
- target image
- 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.)
- Active
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
- G06T7/0004—Industrial image inspection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本说明书公开了一种图像检测方法、装置、存储介质及电子设备,对目标图像进行分割,从分割得到的每个单元图像中提取信息分布特征,根据各单元图像的信息分布特征之间的差异为每个单元图像确定出差异权重,并根据各单元图像的差异权重确定目标图像的检测结果。从而能够根据目标图像的各区域信息分布的差异,判断目标图像是否被进行过篡改。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种图像检测方法、装置、存储介质及电子设备。
背景技术
随着照相机、手机等摄影设备的飞速发展,在日常生活中人们能够轻易地通过摄影设备对生活进行记录,并获得图像。甚至可以无需摄影设备,直接通过计算机来生成图像。
通常来说,相对于文字记录,人们更容易对图像产生信赖,例如在对用户的身份信息进行检测时,除了会要求用户输入身份证号,通常还需要进行身份证照片的上传。但随着图像篡改技术的发展,越来越多经过篡改后的图像在对这种信赖进行着破坏,如何检测图像是否被进行过篡改,成为了一个亟待解决的问题。
发明内容
本说明书提供一种图像检测方法、装置、存储介质及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种图像检测方法,包括:
确定待检测的目标图像;
分割所述目标图像,并获得若干单元图像;
针对每个单元图像,提取该单元图像的信息分布特征;
针对每个单元图像的信息分布特征,根据各单元图像的信息分布特征,通过预先训练的检测模型的差异感知层,确定该单元图像的信息分布特征相对于其他单元图像的信息分布特征的差异权重,作为该单元图像的差异权重;
根据各单元图像的差异权重,通过所述检测模型的结果判断层,确定所述目标图像的检测结果。
可选地,分割所述目标图像,并获得若干单元图像,具体包括:
识别所述目标图像中的文本行;
在所述目标图像中,确定识别出的每个文本行所在的区域;
根据每个文本行所在的区域,对所述目标图像进行分割,并获得若干单元图像,其中每个单元图像至少包含一个文本行所在的区域。
可选地,提取该单元图像的信息分布特征,具体包括:
提取该单元图像的灰度直方图和/或该单元图像的错误级别分析ELA直方图。
可选地,提取该单元图像的ELA直方图之前,所述方法还包括:
对该单元图像进行错误级别分析ELA;
提取ELA处理后的该单元图像的ELA直方图。
可选地,根据各单元图像的差异权重,通过所述检测模型的结果判断层,确定所述目标图像的检测结果,具体包括:
针对每个单元图像,以该单元图像的差异权重,对该单元图像的信息分布特征进行差异加权,并获得该单元图像差异加权后的信息分布特征;
根据各单元图像差异加权后的信息分布特征,确定所述目标图像的综合分布特征;
根据所述目标图像的综合分布特征,通过所述检测模型的结果判断层,确定所述目标图像的检测结果。
可选地,确定所述目标图像的检测结果,具体包括:
确定所述目标图像的检测结果为被篡改或未被篡改;和/或,
确定所述目标图像的各单元图像中被篡改的单元图像。
可选地,预先训练检测模型,具体包括:
确定样本图像;
分割所述样本图像,并获得若干单元样本图像;
针对每个单元样本图像,提取该单元样本图像的信息分布特征;
针对每个单元样本图像的信息分布特征,根据各单元样本图像的信息分布特征,通过检测模型的差异感知层,确定该单元样本图像的信息分布特征相对于其他单元样本图像的信息分布特征的差异权重,作为该单元样本图像的差异权重;
根据各单元样本图像的差异权重,通过所述检测模型的结果判断层,确定所述样本图像的检测结果;
以所述样本图像的检测结果与所述样本图像的标注之间的差异最小为目标,调整所述检测模型中的参数。
本说明书提供一种图像检测装置,包括:
图像确定模块,用于确定待检测的目标图像;
图像分割模块,用于分割所述目标图像,并获得若干单元图像;
特征提取模块,用于针对每个单元图像,提取该单元图像的信息分布特征;
权重感知模块,用于针对每个单元图像的信息分布特征,根据各单元图像的信息分布特征,通过预先训练的检测模型的差异感知层,确定该单元图像的信息分布特征相对于其他单元图像的信息分布特征的差异权重,作为该单元图像的差异权重;
结果判断模块,用于根据各单元图像的差异权重,通过所述检测模型的结果判断层,确定所述目标图像的检测结果。
本说明书提供了一种计算机可读存储介质,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上述图像检测方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述图像检测方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的图像检测方法中,通过对目标图像进行分割,从分割得到的每个单元图像中提取信息分布特征,并根据各单元图像的信息分布特征之间的差异为每个单元图像确定出差异权重,通过各单元图像的差异权重确定目标图像的检测结果,能够根据目标图像的各区域信息分布的差异,判断目标图像是否被进行过篡改。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种图像检测方法的流程示意图;
图2A为本说明书中一种振铃效应的示意图,图2B为本说明书中另一种振铃效应的示意图;
图3A为本说明书中一种灰度直方图的示意图,图3B为本说明书中另一种灰度直方图的示意图;
图4为本说明书一种图像分割示意图;
图5为本说明书一种模型训练方法的流程示意图;
图6为本说明书提供的一种图像检测装置的示意图;
图7为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
目前,由于图像篡改技术的局限性,当图像被进行过篡改时,图像中被篡改的区域与未被篡改的区域的信息分布必然存在着差别,因此,可以通过检测图像中噪声特征来判断图像是否被进行过篡改。
图像中的噪声特征是一种重要的特征,使用不同的图像采集设备所拍摄的图像的噪声特征通常具有差别,当对某一基础图像进行篡改时,若篡改所使用的素材是来源于另一图像采集设备所拍摄的图像时,则篡改后的基础图像中被篡改的部分通常会与其他部分具有不同的噪声特征。因此,可以通过检测图像各部分的噪声特征是否一致来判断图像是否被进行过篡改。但当使用基础图像本身所包含的部分对该基础图像进行篡改,或使用拍摄该基础图像的图像采集设备所拍摄的另一图像来对该基础图像进行篡改时,被篡改部分的噪声特征可能并不会与其他部分的噪声特征具有较大差异,这就会导致检测结果的偏差。
本说明书实施例通过检测图像信息分布的差异,来检测目标图像是否被进行过图像篡改,并输出检测结果。
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种图像检测方法的流程示意图,具体包括以下步骤:
S100:确定待检测的目标图像。
本说明书所提供的图像检测方法,可由服务器或终端设备(以下简称终端)来执行,本说明书对此不作限制。为了描述的简洁性,在本说明书的以下部分中以执行主体为服务器为例进行说明。
需要说明的是,在本说明书中所要检测的图像即为目标图像,本说明书对目标图像的来源不作限定。
示例性的,目标图像可以是用户通过终端输入的,在此情形下,终端可以将用户所输入的目标图像发送给服务器,服务器采用如图1所示的图像检测方法对目标图像进行检测,并确定目标图像的检测结果,终端根据目标图像的检测结果向用户进行信息展示,更进一步的,终端向用户所展示的信息可以是检测结果,也可以是根据检测结果所确定出的其他信息。
S102:分割所述目标图像,并获得若干单元图像。
可以理解的,由于本说明书所采用的图像检测方法,是基于同一图像(即目标图像)中各区域在信息分布上的差异来检测目标图像是否被进行过篡改,因此可以在确定出目标图像之后对目标图像进行分割,并将分割目标图像所获得的各单元图像作为差异比较的对象,通过比较各单元图像之间的差异来确定目标图像的检测结果。
在本说明书中,可以采用任一现有方式分割目标图像,例如可以基于图像语义进行分割,再例如可以基于注意力机制进行分割,需要说明的是,分割目标图像所获得的每个单元图像都来自于目标图像,但在本说明书所提供的图像检测方法中,并不限制所有单元图像的并集是否为目标图像,也不限制单元图像两两之间是否重合。
S104:针对每个单元图像,提取该单元图像的信息分布特征。
由于每个单元图像都来源于同一目标图像,因此单元图像的信息分布特征能够反映目标图像是否被篡改。其中,很多类型的信息分布特征都可以反映出目标图像是否被篡改,以下以灰度直方图和ELA直方图为例,来对信息分布特征是如何反映目标图像是否被篡改的进行说明。
当目标图像以有损图像格式进行保存时,会对目标图像进行压缩,并以更小体积的图像文件进行保存。对于未被进行过篡改的目标图像来说,目标图像的整张图像被压缩的次数、每次压缩的压缩级别都相同,因此各单元图像由压缩所带来的影响也处于大致相同的水平。而当目标图像被进行过篡改时,由于包含被篡改区域的单元图像所经历的压缩与其他单元图像并不相同,因此在对各单元图像的受压缩影响的信息分布特征进行量化时,包含被篡改区域的单元图像所量化出的信息分布特征与其他单元图像之间会存在较大差异。
以联合图像专家组(Joint Photographic Experts Group,JPEG)压缩方法为例,对目标图像进行压缩时,会在灰度变化剧烈区域(例如轮廓区域)的邻域出现类吉布斯分布的振荡,即振铃效应。由于被篡改区域并没有经历过与未被篡改区域相同次数、相同压缩等级的压缩,因此通常来说被篡改区域的图像质量相比于未被篡改区域更高,振铃效应也就更不明显。
以目标图像包含文字内容为例,如图2A、2B所示,当对于图2A进行JPEG压缩后,在文字周围产生了如图2B所示的残影。图像的振铃效应能够反映在图像的灰度直方图中,图3A和图3B分别为图2A、2B的灰度直方图的示意图,可以看出,相比于图3A,图3B中像素的灰度值分布更加均匀,尤其在图3A和图3B所圈出的分布区域,图3A灰度直方图中的像素分布数量变化剧烈,几乎呈直角,而图3B灰度直方图中则变化较为平滑,即像素分布相对均匀。
类似的,在每次采用JPEG压缩方法对目标图像进行压缩时,对目标图像的每次重新编码都会增加图像的质量损失,从错误级别分析(Error Level Analysis,ELA)的角度来看,每次压缩都会降低目标图像的潜在错误,导致重新保存后的目标图像处于相对于压缩前的目标图像更低的错误级别。
可以通过对目标图像进行ELA处理的方式来识别目标图像的各区域是否具有同样的错误级别:再次重新压缩并保存重新压缩后的目标图像,根据重新压缩并保存前后的两张目标图像中,每个像素的像素值的差值来确定ELA后的目标图像。当目标图像未被篡改过时,目标图像中的各区域通常会处于相似的错误级别,即ELA处理后的目标图像的各区域具有大致相同的像素值分布,而当目标图像被进行过篡改时,包含被篡改部分的区域,则通常不会与目标图像的其他区域具有大致相同的像素值分布。
目标图像的ELA直方图通常是指进行过ELA处理后的目标图像的像素值直方图,但同理,由于进行过ELA处理后的目标图像的灰度直方图、亮度直方图等也能够表现目标图像各区域的错误级别,因此,也可以将进行过ELA处理后的目标图像的灰度直方图、亮度直方图等作为目标图像的ELA直方图。
由于通过大多数现有的篡改手段所进行的图像篡改,通常都会导致被篡改的区域具有相比于未被篡改的区域更高的图像质量,即振铃效应更不明显,并且ELA后的图像具有较高的像素值分布,因此,可以认为灰度直方图分布越均匀、ELA处理后的具有越高的像素值的图像区域,图像区域中包含被篡改区域的置信度就越大。
通过上述说明可以看出,单元图像的信息分布特征能够反映出目标图像是否被进行过篡改,需要说明的是,虽然以上仅对单元图像的灰度直方图以及ELA直方图是如何反映目标图像是否被进行过篡改作出了说明,但在现有技术中,其他类型的信息分布特征也能够反映出目标图像是否被进行过篡改,例如JPEG量化表,光学镜头的失真等等,可以提取能够反映目标图像是否被进行过篡改的任一现有的信息分布特征,在本说明书的以下部分,承上例以灰度直方图以及ELA直方图为例进行说明,并对所提取的信息分布特征的类型不再赘述。
S106:针对每个单元图像的信息分布特征,根据各单元图像的信息分布特征,通过预先训练的检测模型的差异感知层,确定该单元图像的信息分布特征相对于其他单元图像的信息分布特征的差异权重,作为该单元图像的差异权重。
将所提取出的各单元图像的信息分布特征输入检测模型的差异感知层,差异感知层为每个单元图像,根据该单元图像的信息分布特征相对于其他单元图像的信息分布特征的差异,确定出该单元图像的差异权重。
可以采用任一预先训练的神经网络作为本说明书中的差异感知层,例如多层感知机(multilayer perceptron,MLP),需要说明的是,在本说明书中,针对一个单元图像来说,该单元图像的信息分布特征与其他单元图像的信息分布特征之间的差异越大,为该单元图像所确定出的差异权重也就越大。
S108:根据各单元图像的差异权重,通过所述检测模型的结果判断层,确定所述目标图像的检测结果。
检测模型的结果判断层可以根据所输入的各单元图像的差异权重,输出目标图像的检测结果,其中,目标图像的检测结果可以至少包括目标图像是否被篡改,可以采用任一现有的神经网络作为本说明书中的结果判断层,更进一步的,当所述结果判断层为预先训练的分类器时,所输出的检测结果可以是分类器预先设定的结果类型,以及各结果类型的置信度,举例而言,所述结果类型可以包括目标图像被篡改或未被篡改。
如图1所述,本说明书提供了一种图像检测方法,对目标图像进行分割,从分割得到的每个单元图像中提取信息分布特征,并根据各单元图像的信息分布特征之间的差异为每个单元图像确定出差异权重,通过各单元图像的差异权重确定目标图像的检测结果,能够根据目标图像的各区域信息分布的差异,判断目标图像是否被进行过篡改。
在本说明书提供的图像检测方法中,对目标图像进行分割时,可以选择任一现有的分割方法,本说明书示例性提供两种方法,可以选择以下任一种方法对目标图像进行分割:
第一种,可以按照预设的面积、比例等分割目标图像,例如将目标图像分割为若干等份;
第二种,可以对目标图像进行识别,并根据目标图像的内容进行分割,例如基于图像语义分割,基于图像注意力机制进行分割等。
示例性的,本说明书以下部分以上述第二种方式为例进行说明。
可以根据目标图像中所包含的内容类型,确定出具体的对目标图像的识别以及分割方式,例如,当目标图像所包含的内容为文字内容时,可以采用任一现有的文字识别方式,例如光学字符识别(Optical Character Recognition,OCR),识别目标图像中的文本行,并确定所识别出的每个文本行所在的目标图像的区域,并基于每个文本行所在的区域,将目标图像分割为若干至少包括一个文本行所在的区域的单元图像。
当然,在对目标图像进行分割之后,还可以并不直接的将所分割出的每个图像都作为单元图像,而是根据预先设定的目标文本行,选择所分割出的图像中包含目标文本行的图像作为单元图像。
图4示例出以一种基于目标图像中的文本行对目标图像进行分割,并基于预先设定的目标文本行来确定单元图像的方法。其中,对目标图像进行识别,并获得目标图像中所包含的文本行,包括:品名、品牌和生产日期,当所预先设定的目标文本行为品名和生产日期对应的文本行时,可以分割目标图像,并获得虚线框中的两个分别包含目标文本行“纯牛奶”和“2020/01/01”的单元图像。
在本说明书中,每个单元图像的信息分布特征为同一类型的信息分布特征,具体的,信息分布特征可以仅为一种类型的信息分布特征,例如单独地将灰度直方图或ELA直方图作为信息分布特征,还可以是根据若干类型的信息分布特征所确定出的信息分布特征,例如可以根据每个单元图像的灰度直方图和ELA直方图确定该单元图像的信息分布特征,本说明书对此不作限定。
本领域技术人员可以理解,在确定出各单元图像的差异权重后,可以直接根据各单元图像差异权重,确定出目标图像的检测结果(以下简称直接判断法),也可以在确定出各单元图像的差异权重后,为目标图像确定综合分布特征,并根据综合分布特征确定出目标图像的检测结果(以下简称综合判断法)。
当检测结果中至少包括目标图像为被篡改或未被篡改时,本说明书以下示例性地说明如何分别根据直接判断法、单元分类法和综合判断法来确定所述检测结果。
直接判断法,可以根据各单元图像的差异权重,直接地确定出目标图像的检测结果,例如,可以根据是否存在超过预设的权重阈值的差异权重,确定目标图像的检测结果,当存在超过预设的权重阈值的差异权重时,确定目标图像的检测结果为被篡改,当不存在超过预设的权重阈值的差异权重时,所确定出的目标图像的检测结果为未被篡改。需要说明的是,上述仅示例出了当且仅当不存在超过预设的权重阈值的差异权重时,所确定出的目标图像的检测结果为未被篡改,还可以是当超过预设的权重阈值的差异权重小于预设数量时,确定目标图像的检测结果为未被篡改,当然,凡直接根据各单元图像的差异权重,确定目标图像的检测结果均为本说明书所述的直接判断法,以下不再进行赘述。
单元分类法,可以采用预先训练的分类器作为结果判断层,根据各单元图像的差异权重,针对每个单元图像输出该单元图像的结果类型,所述结果类型可以包括该单元图像被篡改,以及该单元图像未被篡改,更进一步的,还可以输出每个结果类型的置信度。需要说明的是,当所确定出的被篡改的单元图像越多、被确定为被篡改的单元图像所输出的被篡改的置信度越大,目标图像的检测结果为被篡改的置信度也就越大。在本说明书一个实施例中,可以当且仅当所确定出的每个单元图像的结果类型都为未被篡改时,目标图像的检测结果为未被篡改。
综合判断法,可以针对每个单元图像,以该单元图像的差异权重,对该单元图像的信息分布特征进行差异加权,并获得该单元图像差异加权后的信息分布特征,根据各单元图像差异加权后的信息分布特征确定所述目标图像的综合分布特征,例如将差异加权后的各单元图像的信息分布特征的加和,作为目标图像的综合分布特征,并将综合分布特征输入检测模型的结果判断层,所述结果判断层根据综合分布特征确定目标图像的检测结果,其中,结果判断层可以为预先训练的分类器,所述分类器可以根据综合分布特征输出目标图像的结果类型。
此外,为目标图像所确定出的检测结果还可以包括目标图像各单元图像中被篡改的单元图像。
本说明书上述直接判断法和单元分类法中任一均可以确定出目标图像中被篡改的单元图像:
直接判断法,针对每个单元图像,可以直接根据该单元图像的差异权重是否超出预设的权重阈值,来判断该单元图像是否被篡改,并输出被篡改的单元图像作为目标图像的检测结果,需要说明的是,当差异权重超过预设的权重阈值时,判断该差异权重对应的单元图像被篡改。
单元分类法,针对每个单元图像,可以采用预先训练的分类器,根据各单元图像的差异权重,针对每个单元图像输出该单元图像的结果类型,所述结果类型可以包括该单元图像被篡改,以及该单元图像未被篡改,更进一步的,还可以输出每个结果类型的置信度。
本领域技术人员可以理解的是,可以在采用上述三种判断方式中任一来确定检测结果中的目标图像是否被篡改的基础之上,采用直接判断法或单元分类法的任一来输出检测结果中的目标图像中被篡改的单元图像,本说明书对此不作限制。
需要说明的是,检测结果中可以至少包括目标图像是否被篡改,或目标图像中被篡改的单元图像之中任一,也可以同时包括目标图像是否被篡改以及目标图像中被篡改的单元图像,本说明书对此并不限制。当检测结果中仅至少包括目标图像中被篡改的单元图像时,检测结果可以为目标图像中没有被篡改的目标单元。
由于上述步骤S106、步骤S108分别通过检测模型的差异感知层以及结果判断层执行,因此,在使用检测模型对目标图像进行检测之前,为了提高检测的准确性,可以先对检测模型进行训练。当然,在历史上曾经使用过所述检测模型采用上述如图1所示的方法对目标图像进行过检测后,也可以对检测模型进行训练,以提高如图1所示的图像检测方法的准确性。
在对检测模型进行训练之前,可以先构建样本图像集,样本图像集中的每个样本图像可以都对应有标注信息,来说明样本图像事实上的被篡改情况,例如,样本图像是否被篡改过,或者样本图像被篡改的部分。
图5示出了本说明书一种模型的训练方法,包括:
S500:确定待检测的样本图像。
使用样本图像集对检测模型进行训练,可以使用样本图像集中的若干样本图像联合对检测模型进行训练,在进行参数调整的时候以若干样本图像的检测结果和标注之间的差异最小为目标,也可以每次确定出一张样本图像,在调整参数时以该样本图像的检测结果与标注之间的差异最小为目标,本说明书对此不做限制,仅作为示例,以下样本图像为一张样本图像。
S502:分割所述样本图像,并获得若干单元样本图像。
S504:针对每个单元样本图像,提取该单元样本图像的信息分布特征。
S506:针对每个单元样本图像的信息分布特征,根据各单元样本图像的信息分布特征,通过检测模型的差异感知层,确定该单元样本图像的信息分布特征相对于其他单元样本图像的信息分布特征的差异权重,作为该单元样本图像的差异权重。
采用与图1中相同的方法,分割样本图像,获得若干单元样本图像,并为每个单元样本图像确定出差异权重。
S508:根据各单元样本图像的差异权重,通过所述检测模型的结果判断层,确定所述样本图像的检测结果。
S510:以所述样本图像的检测结果与所述样本图像的标注之间的差异最小为目标,调整所述检测模型中的参数。
对于通过直接判断法、单元分类法以及综合判断法所确定出的样本图像的检测结果,可以分别采用不同的方式调整检测模型中的参数。
可以有两种类型的标注,第一种,标注仅包含样本图像在事实上是否被篡改,第二种,标注包括样本图像在事实上是否被篡改以及样本图像被篡改的样本单元。当标注的类型不同时,可以采用不同的方法对检测模型进行训练:
标注类型为第一种时:
当所输出的检测结果中仅包括样本图像是否被篡改,而不包括样本图像被篡改的单元样本图像时,可以直接根据上述任一方式确定样本图像的检测结果(样本图像是否被篡改),并以样本图像的检测结果与标注之间的差异最小为目标调整检测模型中的参数。当所输出的检测结果中还包括样本图像被篡改的样本单元时,可以仅以样本图像检测结果中的样本图像被篡改或未被篡改与标注之间的差异最小为目标调整检测模型的参数,实质上间接地提高了检测结果中所输出的被篡改的单元样本图像的准确性。
标注类型为第二种时:
除了可以以与上述标注类型为第一种相同的方式训练检测结果中仅包括样本图像是否被篡改,而不包括样本图像被篡改的单元样本图像的检测模型,当在采用直接判断法或单元分类法确定样本图像被篡改的单元样本图像时,还可以同时以检测结果与标注中样本图像事实上被篡改或未被篡改,以及样本图像被篡改的单元样本图像之间的差异最小为目标,调整检测模型中所包含的参数。
以上为本说明书示例性提供的图像检测方法,基于同样的思路,本说明书还提供了相应的装置、存储介质和无人驾驶设备。
图6为本说明书实施例提供的一种图像检测装置的结构示意图,所述装置包括:
图像确定模块600,用于确定待检测的目标图像;
图像分割模块602,用于分割所述目标图像,并获得若干单元图像;
特征提取模块604,用于针对每个单元图像,提取该单元图像的信息分布特征;
权重感知模块606,用于针对每个单元图像的信息分布特征,根据各单元图像的信息分布特征,通过预先训练的检测模型的差异感知层,确定该单元图像的信息分布特征相对于其他单元图像的信息分布特征的差异权重,作为该单元图像的差异权重;
结果判断模块608,用于根据各单元图像的差异权重,通过所述检测模型的结果判断层,确定所述目标图像的检测结果。
可选地,所述图像分割模块602具体用于,识别所述目标图像中的文本行;在所述目标图像中,确定识别出的每个文本行所在的区域;根据每个文本行所在的区域,对所述目标图像进行分割,并获得若干单元图像,其中每个单元图像至少包含一个文本行所在的区域。
可选地,所述特征提取模块604具体用于,提取该单元图像的灰度直方图和/或该单元图像的错误级别分析ELA直方图。
可选地,所述特征提取模块604还用于,对该单元图像进行错误级别分析ELA;提取ELA处理后的该单元图像的ELA直方图。
可选地,所述结果判断模块608具体用于,针对每个单元图像,以该单元图像的差异权重,对该单元图像的信息分布特征进行差异加权,并获得该单元图像差异加权后的信息分布特征;根据各单元图像差异加权后的信息分布特征,确定所述目标图像的综合分布特征;根据所述目标图像的综合分布特征,通过所述检测模型的结果判断层,确定所述目标图像的检测结果。
可选地,所述结果判断模块608具体用于,确定所述目标图像的检测结果为被篡改或未被篡改;和/或,确定所述目标图像的各单元图像中被篡改的单元图像。
可选地,所述结果判断模块608具体用于,确定样本图像;分割所述样本图像,并获得若干单元样本图像;针对每个单元样本图像,提取该单元样本图像的信息分布特征;针对每个单元样本图像的信息分布特征,根据各单元样本图像的信息分布特征,通过检测模型的差异感知层,确定该单元样本图像的信息分布特征相对于其他单元样本图像的信息分布特征的差异权重,作为该单元样本图像的差异权重;根据各单元样本图像的差异权重,通过所述检测模型的结果判断层,确定所述样本图像的检测结果;以所述样本图像的检测结果与所述样本图像的标注之间的差异最小为目标,调整所述检测模型中的参数。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的图像检测方法。
本说明书还提供了图7所示的电子设备的示意结构图。如图7所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的图像检测方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
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。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
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。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,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。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (9)
1.一种图像检测方法,其特征在于,包括:
确定待检测的目标图像;
分割所述目标图像,并获得若干单元图像;
针对每个单元图像,提取该单元图像的信息分布特征;
针对每个单元图像的信息分布特征,根据各单元图像的信息分布特征,通过预先训练的检测模型的差异感知层,确定该单元图像的信息分布特征相对于其他单元图像的信息分布特征的差异权重,作为该单元图像的差异权重;
针对每个单元图像,以该单元图像的差异权重,对该单元图像的信息分布特征进行差异加权,并获得该单元图像差异加权后的信息分布特征;
根据各单元图像差异加权后的信息分布特征,确定所述目标图像的综合分布特征;
根据所述目标图像的综合分布特征,通过所述检测模型的结果判断层,确定所述目标图像的检测结果,其中,所述检测结果包括被篡改和未被篡改。
2.如权利要求1所述的方法,其特征在于,分割所述目标图像,并获得若干单元图像,具体包括:
识别所述目标图像中的文本行;
在所述目标图像中,确定识别出的每个文本行所在的区域;
根据每个文本行所在的区域,对所述目标图像进行分割,并获得若干单元图像,其中每个单元图像至少包含一个文本行所在的区域。
3.如权利要求1所述的方法,其特征在于,提取该单元图像的信息分布特征,具体包括:
提取该单元图像的灰度直方图和/或该单元图像的错误级别分析ELA直方图。
4.如权利要求1所述的方法,其特征在于,提取该单元图像的信息分布特征,具体包括:
对该单元图像进行错误级别分析ELA;
提取ELA处理后的该单元图像的ELA直方图。
5.如权利要求1所述的方法,其特征在于,所述检测结果还包括:所述目标图像的各单元图像中被篡改的单元图像。
6.如权利要求1~5任一所述的方法,其特征在于,预先训练检测模型,具体包括:
确定样本图像;
分割所述样本图像,并获得若干单元样本图像;
针对每个单元样本图像,提取该单元样本图像的信息分布特征;
针对每个单元样本图像的信息分布特征,根据各单元样本图像的信息分布特征,通过检测模型的差异感知层,确定该单元样本图像的信息分布特征相对于其他单元样本图像的信息分布特征的差异权重,作为该单元样本图像的差异权重;
根据各单元样本图像的差异权重,通过所述检测模型的结果判断层,确定所述样本图像的检测结果;
以所述样本图像的检测结果与所述样本图像的标注之间的差异最小为目标,调整所述检测模型中的参数。
7.一种图像检测装置,其特征在于,包括:
图像确定模块,用于确定待检测的目标图像;
图像分割模块,用于分割所述目标图像,并获得若干单元图像;
特征提取模块,用于针对每个单元图像,提取该单元图像的信息分布特征;
权重感知模块,用于针对每个单元图像的信息分布特征,根据各单元图像的信息分布特征,通过预先训练的检测模型的差异感知层,确定该单元图像的信息分布特征相对于其他单元图像的信息分布特征的差异权重,作为该单元图像的差异权重;
结果判断模块,用于针对每个单元图像,以该单元图像的差异权重,对该单元图像的信息分布特征进行差异加权,并获得该单元图像差异加权后的信息分布特征;根据各单元图像差异加权后的信息分布特征,确定所述目标图像的综合分布特征;根据所述目标图像的综合分布特征,通过所述检测模型的结果判断层,确定所述目标图像的检测结果,其中,所述检测结果包括被篡改和未被篡改。
8.一种计算机可读存储介质,其特征在于,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上述权利要求1~6任一项所述的方法。
9.一种无人驾驶设备,包括存储器、处理器及存储在存储器上并可在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程序时实现上述权利要求1~6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110206853.0A CN112950564B (zh) | 2021-02-23 | 2021-02-23 | 一种图像检测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110206853.0A CN112950564B (zh) | 2021-02-23 | 2021-02-23 | 一种图像检测方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112950564A CN112950564A (zh) | 2021-06-11 |
CN112950564B true CN112950564B (zh) | 2022-04-01 |
Family
ID=76245978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110206853.0A Active CN112950564B (zh) | 2021-02-23 | 2021-02-23 | 一种图像检测方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950564B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706636A (zh) * | 2021-07-09 | 2021-11-26 | 重庆度小满优扬科技有限公司 | 一种用于篡改图像识别的方法与装置 |
CN114218613A (zh) * | 2021-12-14 | 2022-03-22 | 云从科技集团股份有限公司 | 图像篡改检测方法、装置以及计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846303A (zh) * | 2016-12-30 | 2017-06-13 | 平安科技(深圳)有限公司 | 图像篡改检测方法及装置 |
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 |
CN109886275A (zh) * | 2019-01-16 | 2019-06-14 | 深圳壹账通智能科技有限公司 | 翻拍图像识别方法、装置、计算机设备和存储介质 |
CN111080628A (zh) * | 2019-12-20 | 2020-04-28 | 湖南大学 | 图像篡改检测方法、装置、计算机设备和存储介质 |
CN111583180A (zh) * | 2020-04-03 | 2020-08-25 | 苏宁云计算有限公司 | 一种图像的篡改识别方法、装置、计算机设备及存储介质 |
CN112307824A (zh) * | 2019-07-30 | 2021-02-02 | 深圳怡化电脑股份有限公司 | 识别票据号码区域的篡改的方法、装置、系统及可读介质 |
CN112381775A (zh) * | 2020-11-06 | 2021-02-19 | 厦门市美亚柏科信息股份有限公司 | 一种图像篡改检测方法、终端设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368342B (zh) * | 2020-03-13 | 2022-07-05 | 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 |
-
2021
- 2021-02-23 CN CN202110206853.0A patent/CN112950564B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846303A (zh) * | 2016-12-30 | 2017-06-13 | 平安科技(深圳)有限公司 | 图像篡改检测方法及装置 |
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 |
CN109886275A (zh) * | 2019-01-16 | 2019-06-14 | 深圳壹账通智能科技有限公司 | 翻拍图像识别方法、装置、计算机设备和存储介质 |
CN112307824A (zh) * | 2019-07-30 | 2021-02-02 | 深圳怡化电脑股份有限公司 | 识别票据号码区域的篡改的方法、装置、系统及可读介质 |
CN111080628A (zh) * | 2019-12-20 | 2020-04-28 | 湖南大学 | 图像篡改检测方法、装置、计算机设备和存储介质 |
CN111583180A (zh) * | 2020-04-03 | 2020-08-25 | 苏宁云计算有限公司 | 一种图像的篡改识别方法、装置、计算机设备及存储介质 |
CN112381775A (zh) * | 2020-11-06 | 2021-02-19 | 厦门市美亚柏科信息股份有限公司 | 一种图像篡改检测方法、终端设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
Detection and Localization of Image Forgeries using Resampling Features and Deep Learning;Jason Bunk,et al.;《arXiv》;20170703;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112950564A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325716B (zh) | 屏幕划痕碎裂检测方法及设备 | |
CN112950564B (zh) | 一种图像检测方法、装置、存储介质及电子设备 | |
US20160004935A1 (en) | Image processing apparatus and image processing method which learn dictionary | |
CN113887608B (zh) | 一种模型训练的方法、图像检测的方法及装置 | |
CN111175318A (zh) | 屏幕划痕碎裂检测方法及设备 | |
CN112561907B (zh) | 一种基于双流网络的视频篡改操作检测方法及装置 | |
CN111368944B (zh) | 翻拍图像、证件照识别、模型训练方法、装置及电子设备 | |
US20180197577A1 (en) | Thumbnail generation for video | |
CN112911281A (zh) | 一种视频质量评价方法及装置 | |
CN114283357A (zh) | 一种车辆检测方法、装置、存储介质及电子设备 | |
CN112990172B (zh) | 一种文本识别方法、字符识别方法及装置 | |
CN110942456A (zh) | 篡改图像检测方法、装置、设备及存储介质 | |
CN113436222A (zh) | 图像处理方法、图像处理装置、电子设备及存储介质 | |
CN114998962A (zh) | 一种活体检测以及模型训练方法及装置 | |
CN114037990A (zh) | 一种字符识别方法、装置、设备、介质及产品 | |
CN112287905A (zh) | 车辆损伤识别方法、装置、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 | |
CN113312949B (zh) | 视频数据处理方法、视频数据处理装置和电子设备 | |
CN112614111A (zh) | 一种基于强化学习的视频篡改操作检测方法及装置 | |
CN116664514A (zh) | 数据处理方法、装置及设备 | |
CN116958919A (zh) | 目标检测方法、装置、计算机可读介质及电子设备 | |
CN114926437A (zh) | 一种图像质量评价方法及装置 | |
KR20150103443A (ko) | 멀티클래스 분류 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체 | |
CN111339367B (zh) | 视频处理方法、装置、电子设备及计算机可读存储介质 | |
CN111191591B (zh) | 一种水印检测、视频处理方法和相关设备 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221026 Address after: 100102 Room 01, Floor 3, Room 01, Building 2 to 4, Yard 6, Wangjing East Road, Chaoyang District, Beijing Patentee after: Beijing three cloud computing Co.,Ltd. Patentee after: BEIJING SANKUAI ONLINE TECHNOLOGY Co.,Ltd. Address before: 100080 2106-030, 9 North Fourth Ring Road, Haidian District, Beijing. Patentee before: BEIJING SANKUAI ONLINE TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |