CN113486715A - 图像翻拍识别方法、智能终端以及计算机存储介质 - Google Patents
图像翻拍识别方法、智能终端以及计算机存储介质 Download PDFInfo
- Publication number
- CN113486715A CN113486715A CN202110623835.2A CN202110623835A CN113486715A CN 113486715 A CN113486715 A CN 113486715A CN 202110623835 A CN202110623835 A CN 202110623835A CN 113486715 A CN113486715 A CN 113486715A
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- region
- reproduction
- classification
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 116
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000013145 classification model Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 238000009877 rendering Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种图像翻拍识别方法、智能终端以及计算机存储介质，该图像翻拍识别方法包括：S101：采集图像，通过图像获取检测数据集，将检测数据集输入翻拍检测网络训练形成翻拍检测模型；S102：通过翻拍检测模型获取图像的区域检测信息，根据区域检测信息形成分类数据集，将分类数据集输入分类网络训练形成分类模型；S103：通过翻拍检测模型获取输入图像中存在翻拍信息的区域，并利用分类模型对区域进行分类。本发明能够极大提升对翻拍区域定位的准确性同时显著提升图像翻拍识别准确度，并且，利用检测的结果制作分类数据集的方式能通过分类模型高效且准确地纠正检测定位错误问题，提升了翻拍识别的准确性，具备极强的泛化能力。
Description
技术领域
本发明涉及图像识别领域，尤其涉及图像翻拍识别方法、智能终端以及计算机存储介质。
背景技术
图像识别作为图像处理的重要研究方向之一，它指计算机对输入图像序列完成特定矩阵运算得到图像信息的过程。该技术在安防、零售等领域有广泛的应用，如人脸识别，行为识别，商品识别等。上述应用在进行图像识别时均需确保输入图像的真实性(即判断图像是否为翻拍图像以及剔除翻拍图像)，才能避免虚假信息的输入从而提升有效识别准确性。因此，基于图像识别研究方向衍生出新的研究分支——图像翻拍识别，完成图像翻拍识别是解决众多计算机视觉问题首要任务。
现有的图像翻拍识别技术主要通过检测图像中的翻拍信息完成识别，单一检测方法无法同时完成翻拍信息定位及分类识别，其识别结果是基于全局图像对当前翻拍信息进行分类识别且容易受全图特征影响，若图像出现的翻拍特征较少时，分类识别精度将大幅度降低。而且单一检测方法对训练数据需求量大且无法快速对识别结果进行修正，极大增加技术成本。
发明内容
为了克服现有技术的不足，本发明提出一种图像翻拍识别方法、智能终端以及计算机存储介质，通过标注后的翻拍图像进行训练获取翻拍检测模型，利用翻拍检测模型对图像中的翻拍区域、正常区域进行定位，并通过定位后的图像形成分类数据集以训练分类模型，在训练完成后，利用翻拍检测模型、分类模型分别进行区域定位以及区域识别，从而识别翻拍区域，能够极大提升对翻拍区域定位的准确性同时显著提升图像翻拍识别准确度，并且，利用检测的结果制作分类数据集的方式能通过分类模型高效且准确地纠正检测定位错误问题，提升了翻拍识别的准确性，具备极强的泛化能力。
为解决上述问题，本发明采用的一个技术方案为：一种图像翻拍识别方法，所述图像翻拍识别方法包括：S101：采集图像，通过所述图像获取检测数据集，将所述检测数据集输入翻拍检测网络训练形成翻拍检测模型，所述图像包括正常图像、翻拍图像，所述检测数据集包括标注后的翻拍图像，所述翻拍图像的标注包括翻拍区域的区域标注框以及标签；S102：通过所述翻拍检测模型获取所述图像的区域检测信息，根据所述区域检测信息形成分类数据集，将所述分类数据集输入分类网络训练形成分类模型，所述区域检测信息包括所述图像中翻拍区域、正常区域的区域标注框及标签；S103：通过所述翻拍检测模型获取输入图像中存在翻拍信息的区域，并利用所述分类模型对区域进行分类。
进一步地，所述将所述检测数据集输入翻拍检测网络训练形成翻拍检测模型的步骤之前还包括：将所述检测数据集以预设比例分为训练集、验证集、测试集，通过高斯边缘检测算子对所述检测数据集中的图像进行预处理，并将预处理后的所述图像调整为第一预设尺寸。
进一步地，所述将所述检测数据集输入翻拍检测网络进行训练形成翻拍检测模型的步骤具体包括：通过翻拍检测网络中不同尺寸的卷积核对图像检测采样得到所述图像在不同纬度的特征，根据所述特征获取所述图像的翻拍区域标注框，并利用所述翻拍区域标注框与所述图像的区域标注框之间的重叠面积训练所述翻拍检测网络。
进一步地，所述利用所述翻拍区域标注框与所述图像的区域标注框之间的重叠面积训练所述翻拍检测网络的步骤具体包括：采用GIoU-Loss损失函数协助翻拍检测网络完成训练，其中，L＝1-GIoU，
LGIoU为GIoU-Loss损失函数，A为翻拍检测网络通过回归得到的翻拍区域标注框，B为图像的区域标注框，IOU是指翻拍区域标注框与区域标注框之间的重叠面积。
进一步地，所述根据所述区域检测信息形成分类数据集的步骤具体包括：根据所述区域检测信息获取翻拍图片、正常图片，将翻拍图片、正常图片以预设占比放入分类数据集，并将所述翻拍图片、正常图片以第一预设比例形成训练集、验证集、测试集，其中，翻拍图片为翻拍区域的标注图像，正常图片为正常区域的标注图像。
进一步地，所述将所述分类数据集输入分类网络训练形成分类模型的步骤之前还包括：对所述训练集、验证集、测试集中的数据进行预处理、缩放以及随机裁剪操作。
进一步地，所述将所述分类数据集输入分类网络训练形成分类模型的步骤具体包括：通过翻拍检测网络中不同尺寸的卷积核对图像检测采样得到所述图像在不同纬度的特征，根据所述特征获取特征向量，通过所述特征向量构建损失函数，并利用反向传播误差更新网络参数。
进一步地，所述损失函数为
其中，xi为输入的特征向量，c为输入特征向量的通道数。
基于相同的发明构思，本发明还提出一种智能终端，所述智能终端包括：处理器、存储器，所述处理器与所述存储器通信连接，所述存储器存储有计算机程序，所述处理器通过所述计算机程序执行如上所述的图像翻拍识别方法。
基于相同的发明构思，本发明还提出一种计算机存储介质，所述计算机存储介质存储有程序数据，所述程序数据被用于执行如上所述的图像翻拍识别方法。
相比现有技术，本发明的有益效果在于：通过标注后的翻拍图像进行训练获取翻拍检测模型，利用翻拍检测模型对图像中的翻拍区域、正常区域进行定位，并通过定位后的图像形成分类数据集以训练分类模型，在训练完成后，利用翻拍检测模型、分类模型分别进行区域定位以及区域识别，从而识别翻拍区域，能够极大提升对翻拍区域定位的准确性同时显著提升图像翻拍识别准确度，并且，利用检测的结果制作分类数据集的方式能通过分类模型高效且准确地纠正检测定位错误问题，提升了翻拍识别的准确性，具备极强的泛化能力。
附图说明
图1为本发明图像翻拍识别方法一实施例的流程图；
图2为本发明图像翻拍识别方法中模型训练一实施例的流程图；
图3为本发明图像翻拍识别方法中翻拍图像识别一实施例的流程图；
图4为本发明翻拍检测网络一实施例的网络结构图；
图5为本发明分类网络一实施例的网络结构图；
图6为本发明智能终端一实施例的结构图；
图7为本发明计算机存储介质一实施例的结构图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
请参阅图1-5，图1为本发明图像翻拍识别方法一实施例的流程图；图2为本发明图像翻拍识别方法中模型训练一实施例的流程图；图3为本发明图像翻拍识别方法中翻拍图像识别一实施例的流程图；图4为本发明翻拍检测网络一实施例的网络结构图；图5为本发明分类网络一实施例的网络结构图。结合图1-5对本发明的图像翻拍识别方法进行详细说明。
在本实施例中，执行图像翻拍识别方法的设备可以为电脑、手机、平板电脑以及其他能够训练翻拍检测模型、分类模型，并通过模型进行翻拍图像识别的智能器件。
在本实施例中，图像翻拍识别方法包括：
S101：采集图像，通过图像获取检测数据集，将检测数据集输入翻拍检测网络进行训练形成翻拍检测模型，图像包括正常图像、翻拍图像，检测数据集包括标注后的翻拍图像，翻拍图像的标注包括翻拍区域的区域标注框以及标签。
在本实施例中，通过人工采集或线上抓取等方式采集正常图像、翻拍图像，其中，正常图像为不存在翻拍区域的图像。并在采集图像后，通过区域标注框标注翻拍图像中翻拍区域的边界，给定该翻拍区域的标签。其中，标签为数字1，在其他实施例中吗，标签也可以为其他数字，还可以为字母、文字、颜色以及其他便于识别标明翻拍区域的信息。
在本实施例中，将检测数据集输入翻拍检测网络训练形成翻拍检测模型的步骤之前还包括：将检测数据集以预设比例分为训练集、验证集、测试集，通过高斯边缘检测算子对检测数据集中的图像进行预处理，并将预处理后的图像调整为第一预设尺寸。其中，通过高斯边缘检测算子增强图像的边缘信息。
在本实施例中，高斯边缘检测算子为
其中，x，y为图像中像素的坐标，σ为参数。
在一个具体的实施例中，预设比例为6∶1∶1，第一预设尺寸为608×608×3，通过尺度变换的方式将检测数据集中的翻拍图像的尺寸变换为第一预设尺寸，并将处理后的图像送入翻拍检测网络。
在本实施例中，翻拍检测网络的卷积模块可以采用resnet(残差连接网络)、densenet(密集连接网络)等特征提取效果好的网络。
将检测数据集输入翻拍检测网络进行训练形成翻拍检测模型的步骤具体包括：通过翻拍检测网络中不同尺寸的卷积核对图像检测采样得到图像在不同纬度的特征，根据特征获取图像的翻拍区域标注框，并利用翻拍区域标注框与图像的区域标注框之间的重叠面积训练翻拍检测网络。其中，通过卷积核对检测数据集中的图像进行下采样得到图像在不同纬度的高层特征。
利用翻拍区域标注框与图像的区域标注框之间的重叠面积训练翻拍检测网络的步骤具体包括：采用GIoU-Loss损失函数协助翻拍检测网络完成训练，其中，L＝1-GIoU，
LGIoU为GIoU-Loss损失函数，A为翻拍检测网络通过回归得到的翻拍区域标注框，B为图像的区域标注框，IOU是指翻拍区域标注框与区域标注框之间的重叠面积。其中，回归是指检测网络通过学习宽和高及目标中心点的方式拟合真实翻拍区域的区域标注框(宽，高，中心点)。
在本实施例中，GIoU-Loss损失函数的计算结果还用于优化调参至翻拍检测模型收敛以及得到图像中的区域为翻拍区域的置信度，即检测模型的权重。
S102：通过翻拍检测模型获取图像的区域检测信息，根据区域检测信息形成分类数据集，将分类数据集输入分类网络训练形成分类模型，区域检测信息包括所述图像中翻拍区域、正常区域的区域标注框及标签。
在本实施例中，通过翻拍检测区域对采集的翻拍图像、正常图像进行翻拍检测，得到图像中为翻拍区域的疑似区域以及正常区域，并生成区域的区域标注框和标签。其中，翻拍区域的标签为1、正常区域的标签为0。在其他实施例中，翻拍区域和正常区域的标签也可以相反，或者为其他数字、字母、文字等能够区别翻拍区域、正常区域的标签。
在本实施例中，根据区域检测信息形成分类数据集的步骤具体包括：根据区域检测信息获取翻拍图片、正常图片，将翻拍图片、正常图片以预设占比放入分类数据集，并将翻拍图片、正常图片以第一预设比例形成训练集、验证集、测试集，其中，翻拍图片为翻拍区域的标注图像，正常图片为正常区域的标注图像，标注图像包括该区域的区域标注框、标签。其中，预设占比为1:1，第一预设比例为6:1:1。将翻拍图片、正常图片分别以6:1:1的比例划分训练集、验证集以及测试集，并将划分后的翻拍图片、正常图片按照其所属的集合类型合并在一起。
在其他实施例中，也可以直接根据分类数据集划分训练接、验证集以及测试集，只需保证训练接、验证集、测试集中的翻拍图片、正常图片保持1:1的比例即可。
将分类数据集输入分类网络训练形成分类模型的步骤之前还包括：对训练集、验证集、测试集中的数据进行预处理、缩放以及随机裁剪操作。其中，随机裁剪的尺寸根据分类网络的网络参数设置。
在一个具体的实施例中，将集合中的图像裁剪为224×224×3的图像。
将分类数据集输入分类网络训练形成分类模型的步骤具体包括：通过翻拍检测网络中不同尺寸的卷积核对图像检测采样得到图像在不同纬度的特征，根据特征获取特征向量，通过特征向量构建损失函数，并利用反向传播误差更新网络参数，直至网络收敛，完成分类模型训练。获取的特征以特征矩阵的形式存在。
在本实施例中，分类网络的卷积核可以采用resnet(残差连接网络)、densenet(密集连接网络)以及其他网络结构。
在本实施例中，损失函数为
其中，xi为输入的特征向量，c为输入特征向量的通道数。
在一个具体的实施例中，特征向量是1024*通道数，通道数取决于图像分类的类别数，通过损失函数得到每个图像相对于各类别(各通道)的置信度，取置信度最大者为该图像的类别标签，从而得到图像的分类识别结果。
S103：通过检测模型获取输入图像中存在翻拍信息的区域，并利用分类模型对区域进行分类。
在本实施例中，分类结果包括正常区域、翻拍区域以及其他区域分类信息。
在一个具体的实施例中，将输入图像缩放为翻拍检测模型规定的尺寸608×608×3。利用翻拍检测模型定位出图像中存在翻拍信息的区域，并将存在翻拍信息的区域对应的图片的尺寸缩放为224×224×3后输入分类模型，并利用softmax损失函数对输入的图像进行分类并输出识别的类别。
本发明具有的有益效果是：
1、提出教师+学生(检测+分类)框架解决图像翻拍识别问题，设计教师+学生(检测+分类)框架能节省技术成本；
2、充分利用翻拍检测模型的结果以训练分类模型，分阶段完成图像翻拍识别，该方法能有效提升图像翻拍识别准确性；
3、教师+学生(检测+分类)框架对实际场景有较强鲁棒性。
基于相同的发明构思，本发明还提出一种智能终端，请参阅图6，图6为本发明智能终端一实施例的结构图，结合图6对本发明的智能终端进行说明。
在本实施例中，智能终端包括：处理器、存储器，处理器与存储器通信连接，存储器存储有计算机程序，处理器通过计算机程序执行如上述实施例所述的图像翻拍识别方法。
基于相同的发明构思，本发明还提出一种计算机存储介质，请参阅图7，图7为本发明计算机存储介质一实施例的结构图。
在本实施例中，计算机存储介质存储有程序数据，该程序数据被用于执行如上述实施例所述的图像翻拍识别方法。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其他的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
所述集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的程序数据可存储于一计算机可读存储介质中，该计算机程序在被执行时，可实现上述各个方法实施例的步骤。其中，所述程序数据包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种图像翻拍识别方法，其特征在于，所述图像翻拍识别方法包括：
S101：采集图像，通过所述图像获取检测数据集，将所述检测数据集输入翻拍检测网络训练形成翻拍检测模型，所述图像包括正常图像、翻拍图像，所述检测数据集包括标注后的翻拍图像，所述翻拍图像的标注包括翻拍区域的区域标注框以及标签；
S102：通过所述翻拍检测模型获取所述图像的区域检测信息，根据所述区域检测信息形成分类数据集，将所述分类数据集输入分类网络训练形成分类模型，所述区域检测信息包括所述图像中翻拍区域、正常区域的区域标注框及标签；
S103：通过所述翻拍检测模型获取输入图像中存在翻拍信息的区域，并利用所述分类模型对区域进行分类。
2.如权利要求1所述的图像翻拍识别方法，其特征在于，所述将所述检测数据集输入翻拍检测网络训练形成翻拍检测模型的步骤之前还包括：
将所述检测数据集以预设比例分为训练集、验证集、测试集，通过高斯边缘检测算子对所述检测数据集中的图像进行预处理，并将预处理后的所述图像调整为第一预设尺寸。
3.如权利要求1所述的图像翻拍识别方法，其特征在于，所述将所述检测数据集输入翻拍检测网络进行训练形成翻拍检测模型的步骤具体包括：
通过翻拍检测网络中不同尺寸的卷积核对图像检测采样得到所述图像在不同纬度的特征，根据所述特征获取所述图像的翻拍区域标注框，并利用所述翻拍区域标注框与所述图像的区域标注框之间的重叠面积训练所述翻拍检测网络。
4.如权利要求3所述的图像翻拍识别方法，其特征在于，所述利用所述翻拍区域标注框与所述图像的区域标注框之间的重叠面积训练所述翻拍检测网络的步骤具体包括：
采用GIoU-Loss损失函数协助翻拍检测网络完成训练，其中，L＝1-GIoU，
LGIoU为GIoU-Loss损失函数，A为翻拍检测网络通过回归得到的翻拍区域标注框，B为图像的区域标注框，IOU是指翻拍区域标注框与区域标注框之间的重叠面积。
5.如权利要求1所述的图像翻拍识别方法，其特征在于，所述根据所述区域检测信息形成分类数据集的步骤具体包括：
根据所述区域检测信息获取翻拍图片、正常图片，将翻拍图片、正常图片以预设占比放入分类数据集，并将所述翻拍图片、正常图片以第一预设比例形成训练集、验证集、测试集，其中，翻拍图片为翻拍区域的标注图像，正常图片为正常区域的标注图像。
6.如权利要求5所述的图像翻拍识别方法，其特征在于，所述将所述分类数据集输入分类网络训练形成分类模型的步骤之前还包括：
对所述训练集、验证集、测试集中的数据进行预处理、缩放以及随机裁剪操作。
7.如权利要求1所述的图像翻拍识别方法，其特征在于，所述将所述分类数据集输入分类网络训练形成分类模型的步骤具体包括：
通过翻拍检测网络中不同尺寸的卷积核对图像检测采样得到所述图像在不同纬度的特征，根据所述特征获取特征向量，通过所述特征向量构建损失函数，并利用反向传播误差更新网络参数。
8.如权利要求7所述的图像翻拍识别方法，其特征在于，所述损失函数为
其中，xi为输入的特征向量，c为输入特征向量的通道数。
9.一种智能终端，其特征在于，所述智能终端包括：处理器、存储器，所述处理器与所述存储器通信连接，所述存储器存储有计算机程序，所述处理器通过所述计算机程序执行如权利要求1-8任一项所述的图像翻拍识别方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有程序数据，所述程序数据被用于执行如权利要求1-8任一项所述的图像翻拍识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110623835.2A CN113486715A (zh) | 2021-06-04 | 2021-06-04 | 图像翻拍识别方法、智能终端以及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110623835.2A CN113486715A (zh) | 2021-06-04 | 2021-06-04 | 图像翻拍识别方法、智能终端以及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113486715A true CN113486715A (zh) | 2021-10-08 |
Family
ID=77934213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110623835.2A Pending CN113486715A (zh) | 2021-06-04 | 2021-06-04 | 图像翻拍识别方法、智能终端以及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113486715A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116168038A (zh) * | 2023-04-26 | 2023-05-26 | 创新奇智(青岛)科技有限公司 | 一种图像翻拍检测的方法、装置、电子设备及存储介质 |
| CN116229148A (zh) * | 2023-01-03 | 2023-06-06 | 中南大学 | 一种基于自监督对比学习的屏幕翻拍翻录鲁棒检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150278583A1 (en) * | 2012-11-06 | 2015-10-01 | Sony Computer Entertainment Inc., | Information processor |
| WO2017024963A1 (zh) * | 2015-08-11 | 2017-02-16 | 阿里巴巴集团控股有限公司 | 图像识别方法、度量学习方法、图像来源识别方法及装置 |
| US20170177929A1 (en) * | 2015-12-21 | 2017-06-22 | Intel Corporation | Crowd gesture recognition |
| CN110647912A (zh) * | 2019-08-15 | 2020-01-03 | 深圳久凌软件技术有限公司 | 细粒度图像识别方法、装置、计算机设备及存储介质 |
| CN110717450A (zh) * | 2019-10-09 | 2020-01-21 | 深圳大学 | 自动识别原始文档的翻拍图像的训练方法和检测方法 |
| CN111860160A (zh) * | 2020-06-16 | 2020-10-30 | 北京华电天仁电力控制技术有限公司 | 一种室内检测口罩佩戴的方法 |
| CN112257709A (zh) * | 2020-10-23 | 2021-01-22 | 北京云杉世界信息技术有限公司 | 一种招牌照片审核方法、装置、电子设备及可读存储介质 |
| CN112650875A (zh) * | 2020-12-22 | 2021-04-13 | 深圳壹账通智能科技有限公司 | 房产图片验证方法、装置、计算机设备及存储介质 |
-
2021
- 2021-06-04 CN CN202110623835.2A patent/CN113486715A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150278583A1 (en) * | 2012-11-06 | 2015-10-01 | Sony Computer Entertainment Inc., | Information processor |
| WO2017024963A1 (zh) * | 2015-08-11 | 2017-02-16 | 阿里巴巴集团控股有限公司 | 图像识别方法、度量学习方法、图像来源识别方法及装置 |
| US20170177929A1 (en) * | 2015-12-21 | 2017-06-22 | Intel Corporation | Crowd gesture recognition |
| CN110647912A (zh) * | 2019-08-15 | 2020-01-03 | 深圳久凌软件技术有限公司 | 细粒度图像识别方法、装置、计算机设备及存储介质 |
| CN110717450A (zh) * | 2019-10-09 | 2020-01-21 | 深圳大学 | 自动识别原始文档的翻拍图像的训练方法和检测方法 |
| CN111860160A (zh) * | 2020-06-16 | 2020-10-30 | 北京华电天仁电力控制技术有限公司 | 一种室内检测口罩佩戴的方法 |
| CN112257709A (zh) * | 2020-10-23 | 2021-01-22 | 北京云杉世界信息技术有限公司 | 一种招牌照片审核方法、装置、电子设备及可读存储介质 |
| CN112650875A (zh) * | 2020-12-22 | 2021-04-13 | 深圳壹账通智能科技有限公司 | 房产图片验证方法、装置、计算机设备及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116229148A (zh) * | 2023-01-03 | 2023-06-06 | 中南大学 | 一种基于自监督对比学习的屏幕翻拍翻录鲁棒检测方法 |
| CN116229148B (zh) * | 2023-01-03 | 2023-10-03 | 中南大学 | 一种基于自监督对比学习的屏幕翻拍翻录鲁棒检测方法 |
| CN116168038A (zh) * | 2023-04-26 | 2023-05-26 | 创新奇智(青岛)科技有限公司 | 一种图像翻拍检测的方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112381775B (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
| KR102138082B1 (ko) | 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법, 시스템, 기기 및 판독 가능 저장매체 | |
| CN111369545B (zh) | 边缘缺陷检测方法、装置、模型、设备及可读存储介质 | |
| US8885048B2 (en) | Computer vision and radio frequency identification technology based book enrolment management apparatus | |
| JP7246104B2 (ja) | テキスト行識別に基づくナンバープレート識別方法 | |
| CN113963147B (zh) | 一种基于语义分割的关键信息提取方法及系统 | |
| CN107766864B (zh) | 提取特征的方法和装置、物体识别的方法和装置 | |
| CN113486715A (zh) | 图像翻拍识别方法、智能终端以及计算机存储介质 | |
| CN113490947A (zh) | 检测模型训练方法、装置、检测模型使用方法及存储介质 | |
| Niloy et al. | CFL-Net: image forgery localization using contrastive learning | |
| CN111027526A (zh) | 一种提高车辆目标检测识别检测效率的方法 | |
| CN112001200A (zh) | 识别码识别方法、装置、设备、存储介质和系统 | |
| CN112380978A (zh) | 基于关键点定位的多人脸检测方法、系统及存储介质 | |
| CN111325107A (zh) | 检测模型训练方法、装置、电子设备和可读存储介质 | |
| CN112560584A (zh) | 一种人脸检测方法及装置、存储介质、终端 | |
| CN113111880A (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
| CN112232336A (zh) | 一种证件识别方法、装置、设备及存储介质 | |
| CN113269752A (zh) | 一种图像检测方法、装置终端设备及存储介质 | |
| CN111178398B (zh) | 检测身份证图像信息篡改的方法、系统、存储介质及装置 | |
| CN112287905A (zh) | 车辆损伤识别方法、装置、设备及存储介质 | |
| CN112686122A (zh) | 人体及影子的检测方法、装置、电子设备、存储介质 | |
| CN114927236A (zh) | 一种面向多重目标图像的检测方法及系统 | |
| CN114299509A (zh) | 一种获取信息的方法、装置、设备及介质 | |
| CN111753722B (zh) | 一种基于特征点类型的指纹识别方法及装置 | |
| CN111414889B (zh) | 基于文字识别的财务报表识别方法及装置 |
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 |