CN113111888B - 一种图片判别方法及装置 - Google Patents
一种图片判别方法及装置 Download PDFInfo
- Publication number
- CN113111888B CN113111888B CN202110406250.5A CN202110406250A CN113111888B CN 113111888 B CN113111888 B CN 113111888B CN 202110406250 A CN202110406250 A CN 202110406250A CN 113111888 B CN113111888 B CN 113111888B
- Authority
- CN
- China
- Prior art keywords
- picture
- pictures
- classified
- clear large
- database
- 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
- 238000012850 discrimination method Methods 0.000 title claims description 3
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims description 26
- 238000013145 classification model Methods 0.000 claims description 24
- 230000001537 neural effect Effects 0.000 claims description 17
- 230000001902 propagating effect Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 23
- 239000013598 vector Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图片判别方法及装置,所述方法包括:先获取一张待判别图片,并按照预设尺寸,将所述待判别图片切分为尺寸相同的N张待分类图片。然后分别对所述N张待分类图片进行识别,获得各所述待分类图片的图片类别;其中,所述图片类别包括:翻拍小图和模糊小图,最后根据各所述待分类图片的图片类别,统计所述N张待分类图片的类别数量,并根据所述类别数量,确定所述待判别图片的图片类型;其中,所述图片类型包括:翻拍大图、清晰大图和模糊大图。采用本发明实施例能提高判别图片类型的准确性。
Description
技术领域
本发明涉及图片检测识别技术领域,尤其涉及一种图片判别方法及装置。
背景技术
目前,很多业务场景,例如:部分售后服务、零售稽查业务等,需要相关服务人员到现场服务并拍照取证上传系统。但是部分服务人员没有现场拍照上传,而是翻拍以前的照片上传。他们正常的翻拍模式包括:对着电脑/手机等屏幕拍摄、对着打印出来的图片拍摄等。所有需要对被翻拍的图片进行识别,以保证服务人员按照要求到现场拍照取证并上传。
现有的图像识别技术基本通过识别图片中的摩尔纹,图片中的电脑/手机等设备边框,以及图片中的水印来判断该图片是否为翻拍图片。但是经过进一步研究摩尔纹产生的差拍原理,能够得到:当不对焦相机拍照时,可以拍摄出模糊、没有摩尔纹的图片;或者当相机的空间频率和屏幕的空间频率相差很大或者没有差别时,可以拍摄出清晰不带有摩尔纹的图片。针对电脑/手机等设备边框的识别技术,服务人员可以通过拉进相机和屏幕距离,从而拍摄出没有边框的图片。此外,服务人员可以翻拍没有上传系统的图片,便能实现图片无水印的情况。随着服务人员的翻拍手段越来越好,翻拍技术越来越高,现有的翻拍识别方案很难识别出质量较高的翻拍图片。
发明内容
本发明实施例提供一种图片判别方法及装置,能够提高判别图片类型的准确性。
本申请实施例的第一方面提供了一种图片判别方法,包括:
获取一张待判别图片,并按照预设尺寸,将待判别图片切分为尺寸相同的N张待分类图片;其中,N为大于1的正整数;
分别对N张待分类图片进行识别,获得各待分类图片的图片类别;其中,图片类别包括:翻拍小图和模糊小图;
根据各待分类图片的图片类别,统计N张待分类图片的类别数量,并根据类别数量,确定待判别图片的图片类型;其中,图片类型包括:翻拍大图、清晰大图和模糊大图。
在第一方面的一种可能的实现方式中,根据各待分类图片的图片类别,统计N张待分类图片的类别数量,并根据类别数量,确定待判别图片的图片类型,具体为:
根据各待分类图片的图片类别,统计得到翻拍小图的第一数量和模糊小图的第二数量;
当第一数量大于等于第一预设值时,确定待判别图片的图片类型为翻拍大图;
当第一数量小于第一预设值、第二数量大于等于第二预设值时,确定待判别图片的图片类型为模糊大图;
当第一数量小于第一预设值时、且第二数量小于第二预设值时,确定待判别图片的图片类型为清晰大图。
在第一方面的一种可能的实现方式中,确定待判别图片的图片类型为清晰大图后,还包括:
获取清晰大图的图片特征,并将清晰大图的图片特征与图片数据库中所有图片的图片特征与一一进行特征匹配;
若图片数据库中存在与清晰大图匹配成功的图片,确定清晰大图为图片数据库重复图片;
若图片数据库中不存在与清晰大图匹配成功的图片,确定清晰大图不为图片数据库重复图片。
在第一方面的一种可能的实现方式中,分别对N张待分类图片进行识别,获得各待分类图片的图片类别,具体为:
将N张待分类图片输入图片分类模型,以使图片分类模型对N张待分类图片进行识别,得到各待分类图片的图片类别。
在第一方面的一种可能的实现方式中,获取清晰大图的图片特征,具体为:
将清晰大图输入图片特征提取模型,以使图片特征提取模型对清晰大图进行特征提取,从而获得清晰大图的图片特征。
在第一方面的一种可能的实现方式中,图片分类模型的训练包括:
从图片数据库中获取多张第一图片,标注各第一图片的图片类别;其中,图片类别包括:翻拍小图和模糊小图;
将各标注过的第一图片切分后输入卷积神经网络-图片分类模型;
根据卷积神经网络-图片分类模型的输出,计算误差,反向传播误差,更新网络参数,直至网络收敛,图片分类模型的训练完成。
在第一方面的一种可能的实现方式中,图片特征提取模型的训练包括:
从图片数据库中获取多张第三图片,根据各第三图片的特征对图片数据库的图片进行搜索并标注,得到各第三图片的正样本、负样本和目标图片;
将各第三图片的正样本、负样本和目标图片输入卷积神经网络-图片特征提取模型;
根据卷积神经网络-图片特征提取模型的输出,计算误差,反向传播误差,更新网络参数,直至网络收敛,图片特征提取模型的训练完成。
本申请实施例的第二方面提供了一种图片判别装置,包括:获取模块、识别模块和判别模块;
其中,获取模块用于获取一张待判别图片,并按照预设尺寸,将待判别图片切分为尺寸相同的N张待分类图片;其中,N为大于1的正整数;
识别模块用于分别对N张待分类图片进行识别,获得各待分类图片的图片类别;其中,图片类别包括:翻拍小图和模糊小图;
判别模块用于根据各待分类图片的图片类别,统计N张待分类图片的类别数量,并根据类别数量,确定待判别图片的图片类型;其中,图片类型包括:翻拍大图、清晰大图和模糊大图。
在第二方面的一种可能的实现方式中,根据各待分类图片的图片类别,统计N张待分类图片的类别数量,并根据类别数量,确定待判别图片的图片类型,具体为:
根据各待分类图片的图片类别,统计得到翻拍小图的第一数量和模糊小图的第二数量;
当第一数量大于等于第一预设值时,确定待判别图片的图片类型为翻拍大图;
当第一数量小于第一预设值、第二数量大于等于第二预设值时,确定待判别图片的图片类型为模糊大图;
当第一数量小于第一预设值时、且第二数量小于第二预设值时,确定待判别图片的图片类型为清晰大图。
在第二方面的一种可能的实现方式中,确定待判别图片的图片类型为清晰大图后,还包括:
获取清晰大图的图片特征,并将清晰大图的图片特征与图片数据库中所有图片的图片特征与一一进行特征匹配;
若图片数据库中存在与清晰大图匹配成功的图片,确定清晰大图为图片数据库重复图片;
若图片数据库中不存在与清晰大图匹配成功的图片,确定清晰大图不为图片数据库重复图片。
相比于现有技术,本发明实施例提供的一种图片判别方法及装置,本发明实施例的判别方法,先获取一张待判别图片,并按照预设尺寸,将所述待判别图片切分为尺寸相同的N张待分类图片。然后分别对所述N张待分类图片进行识别,获得各所述待分类图片的图片类别;其中,所述图片类别包括:翻拍小图和模糊小图,最后根据各所述待分类图片的图片类别,统计所述N张待分类图片的类别数量,并根据所述类别数量,确定所述待判别图片的图片类型;其中,所述图片类型包括:翻拍大图、清晰大图和模糊大图。上述方法能够提高判别图片类型的准确性。
附图说明
图1是本发明一实施例提供的一种图片判别方法的流程示意图;
图2是本发明一实施例提供的图片分类模型训练方法的流程示意图;
图3是本发明一实施例提供的图片特征提取模型训练方法的流程示意图;
图4是本发明一实施例提供的一种图片判别装置的结构示意图。
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。
参照图1,图1是本发明一实施例提供的一种图片判别方法的流程示意图,包括:
S101:获取一张待判别图片,并按照预设尺寸,将待判别图片切分为尺寸相同的N张待分类图片。
其中,N为大于1的正整数。
S102:分别对N张待分类图片进行识别,获得各待分类图片的图片类别。
其中,所述图片类别包括:翻拍小图和模糊小图。
在本实施例中,将所述N张待分类图片输入图片分类模型,以使所述图片分类模型对所述N张待分类图片进行识别,得到各所述待分类图片的图片类别。
S103:根据各待分类图片的图片类别,统计N张待分类图片的类别数量,并根据类别数量,确定待判别图片的图片类型。
其中,所述图片类型包括:翻拍大图、清晰大图和模糊大图。
在本实施例中,根据各待分类图片的图片类别,统计N张待分类图片的类别数量,并根据类别数量,确定待判别图片的图片类型,具体为:
根据各所述待分类图片的图片类别,统计得到所述翻拍小图的第一数量和所述模糊小图的第二数量;
当所述第一数量大于等于第一预设值时,确定所述待判别图片的图片类型为翻拍大图;
当所述第一数量小于第一预设值、所述第二数量大于等于第二预设值时,确定所述待判别图片的图片类型为模糊大图;
当所述第一数量小于第一预设值时、且所述第二数量小于第二预设值时,确定所述待判别图片的图片类型为清晰大图。
在本实施例中,确定所述待判别图片的图片类型为清晰大图后,获取所述清晰大图的图片特征,并将所述清晰大图的图片特征与图片数据库中所有图片的图片特征与一一进行特征匹配;若所述图片数据库中存在与所述清晰大图匹配成功的图片,确定所述清晰大图为图片数据库重复图片;若所述图片数据库中不存在与所述清晰大图匹配成功的图片,确定所述清晰大图不为图片数据库重复图片。
具体地,将所述清晰大图的图片特征与图片数据库中所有图片的图片特征与一一进行特征匹配,得到多个相应的特征匹配度;
当所述多个特征匹配度中的其中一个或多个大于预设阈值时,则所述图片数据库中存在与所述清晰大图匹配成功的图片,确定所述清晰大图为图片数据库重复图片;
当所述多个特征匹配度均小于预设阈值时,则所述图片数据库中不存在与所述清晰大图匹配成功的图片,确定所述清晰大图不为图片数据库重复图片。
在一具体实施例中,所述获取所述清晰大图的图片特征,具体为:
将所述清晰大图输入图片特征提取模型,以使所述图片特征提取模型对所述清晰大图进行特征提取,从而获得所述清晰大图的图片特征。
为了进一步说明图片分类模型的训练过程,请参照图2,图2是本发明一实施例提供的图片分类模型训练方法的流程示意图,包括:
S201:从图片数据库中获取多张第一图片,标注各第一图片的图片类别,得到各标注后的第一图片。
其中,图片类别包括:翻拍小图和模糊小图。
S202:将各标注过的第一图片切分后输入卷积神经网络-图片分类模型。
具体地,先将各第一图片切分成N个448*448尺寸的小图,然后将N个小图输入卷积神经网络-图片分类模型中。其中,N为大于1的正整数。
S203:根据卷积神经网络-图片分类模型的输出,计算误差,反向传播误差,更新网络参数,直至网络收敛,图片分类模型的训练完成。
具体地,先将N个小图输入卷积神经网络-图片分类模型后,所述卷积神经网络-图片分类模型输出N个3维向量;然后通过softmax对各个3维向量归一化后与图片标签计算交叉熵损失函数,得到误差,计算公式如下:
其中,P(xi)代表第i张图片的标注,q(xi)代表第i张图片经过softmax归一化后的输出值,loss交叉熵的值为所述误差。
最后反向传播误差,更新卷积神经网络参数,直至卷积神经网络收敛,图片分类模型的训练完成。
为了进一步说明图片特征提取模型的训练过程,请参照图3,图3是本发明一实施例提供的图片特征提取模型训练方法的流程示意图,包括:
S301:从图片数据库中获取多张第三图片,根据各第三图片的特征对图片数据库的图片进行搜索并标注,得到各第三图片的正样本、负样本和目标图片。
其中,所述目标图片为所述第三图片本身,所述正样本为所述图片数据库中与所述第三图片重复的图片,所述负样本为所述图片数据库中与所述第三图片不重复的图片。
S302:将各第三图片的正样本、负样本和目标图片输入卷积神经网络-图片特征提取模型。
S303:根据卷积神经网络-图片特征提取模型的输出,计算误差,反向传播误差,更新网络参数,直至网络收敛,图片特征提取模型的训练完成。
具体地,将各所述第三图片的正样本、负样本和目标图片输入卷积神经网络-图片特征提取模型后,所述卷积神经网络-图片特征提取模型输出得到N组维度2048维度的特征向量;每组包含3个所述特征向量,分别是<正样本特征、目标图片特征、负样本特征>。
根据正样本特征和目标图片特征计算第一损失函数值,缩小两个向量之间的距离,计算公式如下:
其中,target i代表目标图片特征中每个元素值,negtive i代表负样本图片特征中每个元素值,loss1代表所述第一损失函数值。
根据负样本特征和目标图片特征计算第二损失函数值,放大两个向量之间的距离,计算公式如下:
其中,target i代表目标图片特征中每个元素值,negtive i代表负样本图片特征中每个元素值,loss2代表所述第二损失函数值,α代表一个距离阈值。
根据所述第一损失函数值loss1和所述第二损失函数值loss2计算最终误差,计算公式如下:
L1loss=loss1+loss2
其中,L1loss为所述误差。
最后反向传播所述误差,更新卷积神经网络参数,直至卷积神经网络收敛,所述图片特征提取模型的训练完成。
为了进一步说明图片判别装置,请参照图4,图4是本发明一实施例提供的一种图片判别装置的结构示意图,包括:获取模块401、识别模块402和判别模块403。
其中,所述获取模块401用于获取一张待判别图片,并按照预设尺寸,将所述待判别图片切分为尺寸相同的N张待分类图片;其中,N为大于1的正整数;
所述识别模块402用于分别对所述N张待分类图片进行识别,获得各所述待分类图片的图片类别;其中,所述图片类别包括:翻拍小图和模糊小图;
所述判别模块403用于根据各所述待分类图片的图片类别,统计所述N张待分类图片的类别数量,并根据所述类别数量,确定所述待判别图片的图片类型;其中,所述图片类型包括:翻拍大图、清晰大图和模糊大图。
在本实施例中,所述根据各所述待分类图片的图片类别,统计所述N张待分类图片的类别数量,并根据所述类别数量,确定所述待判别图片的图片类型,具体为:
根据各所述待分类图片的图片类别,统计得到所述翻拍小图的第一数量和所述模糊小图的第二数量;
当所述第一数量大于等于第一预设值时,确定所述待判别图片的图片类型为翻拍大图;
当所述第一数量小于第一预设值、所述第二数量大于等于第二预设值时,确定所述待判别图片的图片类型为模糊大图;
当所述第一数量小于第一预设值时、且所述第二数量小于第二预设值时,确定所述待判别图片的图片类型为清晰大图。
在一具体实施例中,确定所述待判别图片的图片类型为清晰大图后,还包括:
获取所述清晰大图的图片特征,并将所述清晰大图的图片特征与图片数据库中所有图片的图片特征与一一进行特征匹配;
若所述图片数据库中存在与所述清晰大图匹配成功的图片,确定所述清晰大图为图片数据库重复图片;
若所述图片数据库中不存在与所述清晰大图匹配成功的图片,确定所述清晰大图不为图片数据库重复图片。
本发明实施例先通过获取模块401获取一张待判别图片,并按照预设尺寸,将所述待判别图片切分为尺寸相同的N张待分类图片,然后通过识别模块402分别对所述N张待分类图片进行识别,获得各所述待分类图片的图片类别;其中,所述图片类别包括:翻拍小图和模糊小图,接着通过判别模块403用于根据各所述待分类图片的图片类别,统计所述N张待分类图片的类别数量,并根据所述类别数量,确定所述待判别图片的图片类型;其中,所述图片类型包括:翻拍大图、清晰大图和模糊大图。
本发明实施例将待判别图片切分后进行识别,能够对待判别图片的每个区域进行详细识别,能够提高判别图片类型的准确性。此外,本发明实施例不仅可以准确识别出带有摩尔纹,水印和电脑/手机边框等翻拍痕迹的图片;而且可以通过对比拍摄图片和图片数据库中图片特征,通过判断是否为重复图片来判断该拍摄图片是否为翻拍图片,提升了对翻拍图片的识别效果,从而及时提示服务人员重新拍照,帮助他们规范拍照行为,从而进一步提升企业内部的业务水平和效率。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (6)
1.一种图片判别方法,其特征在于,包括:
获取一张待判别图片,并按照预设尺寸,将所述待判别图片切分为尺寸相同的N张待分类图片;其中,N为大于1的正整数;
分别对所述N张待分类图片进行识别,获得各所述待分类图片的图片类别;其中,所述图片类别包括:翻拍小图和模糊小图;
根据各所述待分类图片的图片类别,统计得到所述翻拍小图的第一数量和所述模糊小图的第二数量;当所述第一数量大于等于第一预设值时,确定所述待判别图片的图片类型为翻拍大图;当所述第一数量小于第一预设值、且所述第二数量大于等于第二预设值时,确定所述待判别图片的图片类型为模糊大图;当所述第一数量小于第一预设值、且所述第二数量小于第二预设值时,确定所述待判别图片的图片类型为清晰大图;
当确定所述待判别图片的图片类型为清晰大图时,获取所述清晰大图的图片特征,并将所述清晰大图的图片特征与图片数据库中所有图片的图片特征一一进行特征匹配;若所述图片数据库中存在与所述清晰大图匹配成功的图片,确定所述清晰大图为图片数据库重复图片;若所述图片数据库中不存在与所述清晰大图匹配成功的图片,确定所述清晰大图不为所述图片数据库重复图片;其中,当所述清晰大图为所述图片数据库重复图片时,确定所述清晰大图为翻拍图片;当所述清晰大图不为所述图片数据库重复图片时,则确定所述清晰大图不为翻拍图片。
2.根据权利要求1所述的一种图片判别方法,其特征在于,所述分别对所述N张待分类图片进行识别,获得各所述待分类图片的图片类别,具体为:
将所述N张待分类图片输入图片分类模型,以使所述图片分类模型对所述N张待分类图片进行识别,得到各所述待分类图片的图片类别。
3.根据权利要求2所述的一种图片判别方法,其特征在于,所述获取所述清晰大图的图片特征,具体为:
将所述清晰大图输入图片特征提取模型,以使所述图片特征提取模型对所述清晰大图进行特征提取,从而获得所述清晰大图的图片特征。
4.根据权利要求2所述的一种图片判别方法,其特征在于,所述图片分类模型的训练包括:
从所述图片数据库中获取多张第一图片,标注各所述第一图片的图片类别;其中,所述图片类别包括:所述翻拍小图和所述模糊小图;
将各标注过的第一图片切分后输入卷积神经网络-图片分类模型;
根据所述卷积神经网络-图片分类模型的输出,计算误差,反向传播所述误差,更新网络参数,直至网络收敛,所述图片分类模型的训练完成。
5.根据权利要求3所述的一种图片判别方法,其特征在于,所述图片特征提取模型的训练包括:
从所述图片数据库中获取多张第三图片,根据各所述第三图片的特征对所述图片数据库的图片进行搜索并标注,得到各所述第三图片的正样本、负样本和目标图片;
将各所述第三图片的正样本、负样本和目标图片输入卷积神经网络-图片特征提取模型;
根据所述卷积神经网络-图片特征提取模型的输出,计算误差,反向传播所述误差,更新网络参数,直至网络收敛,所述图片特征提取模型的训练完成。
6.一种图片判别装置,其特征在于,包括:获取模块、识别模块和判别模块;
其中,所述获取模块用于获取一张待判别图片,并按照预设尺寸,将所述待判别图片切分为尺寸相同的N张待分类图片;其中,N为大于1的正整数;
所述识别模块用于分别对所述N张待分类图片进行识别,获得各所述待分类图片的图片类别;其中,所述图片类别包括:翻拍小图和模糊小图;
所述判别模块用于根据各所述待分类图片的图片类别,统计得到所述翻拍小图的第一数量和所述模糊小图的第二数量;当所述第一数量大于等于第一预设值时,确定所述待判别图片的图片类型为翻拍大图;当所述第一数量小于第一预设值、且所述第二数量大于等于第二预设值时,确定所述待判别图片的图片类型为模糊大图;当所述第一数量小于第一预设值、且所述第二数量小于第二预设值时,确定所述待判别图片的图片类型为清晰大图;
当确定所述待判别图片的图片类型为清晰大图时,获取所述清晰大图的图片特征,并将所述清晰大图的图片特征与图片数据库中所有图片的图片特征一一进行特征匹配;若所述图片数据库中存在与所述清晰大图匹配成功的图片,确定所述清晰大图为图片数据库重复图片;若所述图片数据库中不存在与所述清晰大图匹配成功的图片,确定所述清晰大图不为所述图片数据库重复图片;其中,当所述清晰大图为所述图片数据库重复图片时,确定所述清晰大图为翻拍图片;当所述清晰大图不为所述图片数据库重复图片时,则确定所述清晰大图不为翻拍图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110406250.5A CN113111888B (zh) | 2021-04-15 | 2021-04-15 | 一种图片判别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110406250.5A CN113111888B (zh) | 2021-04-15 | 2021-04-15 | 一种图片判别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111888A CN113111888A (zh) | 2021-07-13 |
CN113111888B true CN113111888B (zh) | 2024-04-26 |
Family
ID=76717412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110406250.5A Active CN113111888B (zh) | 2021-04-15 | 2021-04-15 | 一种图片判别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111888B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958795A (zh) * | 2023-06-30 | 2023-10-27 | 北京房多多信息技术有限公司 | 翻拍图像的识别方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106445939A (zh) * | 2015-08-06 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 图像检索、获取图像信息及图像识别方法、装置及系统 |
CN107958067A (zh) * | 2017-12-05 | 2018-04-24 | 焦点科技股份有限公司 | 一种基于无标注自动特征提取的大规模电商图片检索系统 |
KR20180074556A (ko) * | 2016-12-23 | 2018-07-03 | 삼성전자주식회사 | 얼굴검출 방법 및 그 장치 |
CN108268904A (zh) * | 2018-03-01 | 2018-07-10 | 中国银行股份有限公司 | 一种图片识别方法、装置及电子设备 |
WO2020077866A1 (zh) * | 2018-10-17 | 2020-04-23 | 平安科技(深圳)有限公司 | 基于摩尔纹的图像识别方法、装置、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 |
CN111932510A (zh) * | 2020-08-03 | 2020-11-13 | 深圳回收宝科技有限公司 | 一种图像清晰度的确定方法及装置 |
CN112492293A (zh) * | 2019-08-22 | 2021-03-12 | 北京奇虎科技有限公司 | 图像模糊诊断方法、装置及安防中控设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10776671B2 (en) * | 2018-05-25 | 2020-09-15 | Adobe Inc. | Joint blur map estimation and blur desirability classification from an image |
-
2021
- 2021-04-15 CN CN202110406250.5A patent/CN113111888B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106445939A (zh) * | 2015-08-06 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 图像检索、获取图像信息及图像识别方法、装置及系统 |
KR20180074556A (ko) * | 2016-12-23 | 2018-07-03 | 삼성전자주식회사 | 얼굴검출 방법 및 그 장치 |
CN107958067A (zh) * | 2017-12-05 | 2018-04-24 | 焦点科技股份有限公司 | 一种基于无标注自动特征提取的大规模电商图片检索系统 |
CN108268904A (zh) * | 2018-03-01 | 2018-07-10 | 中国银行股份有限公司 | 一种图片识别方法、装置及电子设备 |
WO2020077866A1 (zh) * | 2018-10-17 | 2020-04-23 | 平安科技(深圳)有限公司 | 基于摩尔纹的图像识别方法、装置、设备和存储介质 |
CN112492293A (zh) * | 2019-08-22 | 2021-03-12 | 北京奇虎科技有限公司 | 图像模糊诊断方法、装置及安防中控设备 |
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 |
CN111932510A (zh) * | 2020-08-03 | 2020-11-13 | 深圳回收宝科技有限公司 | 一种图像清晰度的确定方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于图像的掌纹活体检测方法研究;李晓明;《中国优秀硕士学位论文全文数据库》;第5.4-5.5节 * |
Also Published As
Publication number | Publication date |
---|---|
CN113111888A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960211B (zh) | 一种多目标人体姿态检测方法以及系统 | |
US8867828B2 (en) | Text region detection system and method | |
CN111950723B (zh) | 神经网络模型训练方法、图像处理方法、装置及终端设备 | |
CN112997190A (zh) | 车牌识别方法、装置及电子设备 | |
CN115062186B (zh) | 一种视频内容检索方法、装置、设备以及存储介质 | |
CN111259891A (zh) | 一种自然场景下身份证识别方法、装置、设备和介质 | |
CN113111888B (zh) | 一种图片判别方法及装置 | |
CN116543261A (zh) | 用于图像识别的模型训练方法、图像识别方法设备及介质 | |
CN104966109A (zh) | 医疗化验单图像分类方法及装置 | |
CN110569764A (zh) | 一种基于卷积神经网络的手机型号识别方法 | |
CN116704490B (zh) | 车牌识别方法、装置和计算机设备 | |
CN113159029A (zh) | 一种图片中局部信息精准抓取的方法和系统 | |
CN116958795A (zh) | 翻拍图像的识别方法、装置、电子设备及存储介质 | |
CN112507155B (zh) | 一种信息处理方法 | |
CN114821596A (zh) | 文本识别方法、装置、电子设备和介质 | |
US20220405527A1 (en) | Target Detection Methods, Apparatuses, Electronic Devices and Computer-Readable Storage Media | |
CN114373081A (zh) | 图像处理方法及装置、电子设备及存储介质 | |
CN108399411B (zh) | 一种多摄像头识别方法及装置 | |
CN112861800B (zh) | 基于改进的Faster R-CNN模型的快递识别方法 | |
CN116452878B (zh) | 一种基于深度学习算法与双目视觉的考勤方法及系统 | |
CN111985483B (zh) | 一种拍屏文件图片检测方法、装置及存储介质 | |
CN116013091B (zh) | 基于车流量大数据的隧道监控系统与分析方法 | |
CN110321884B (zh) | 编号识别的方法及装置 | |
CN116503805A (zh) | 考场监控方法、电子设备及存储介质 | |
WO2023047173A1 (en) | Methods and apparatuses for classifying game props and training neural network |
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 |