CN113780041A - 虚假图片识别方法及装置、计算机可存储介质 - Google Patents

虚假图片识别方法及装置、计算机可存储介质 Download PDF

Info

Publication number
CN113780041A
CN113780041A CN202010863553.5A CN202010863553A CN113780041A CN 113780041 A CN113780041 A CN 113780041A CN 202010863553 A CN202010863553 A CN 202010863553A CN 113780041 A CN113780041 A CN 113780041A
Authority
CN
China
Prior art keywords
picture
face
article
recognized
false
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
Application number
CN202010863553.5A
Other languages
English (en)
Inventor
左鑫孟
赖荣凤
梅涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN202010863553.5A priority Critical patent/CN113780041A/zh
Publication of CN113780041A publication Critical patent/CN113780041A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及虚假图片识别方法及装置、计算机可存储介质，涉及计算机技术领域。虚假图片识别方法包括：获取与物品对应的至少一张待识别图片；对每张待识别图片中的人脸进行人脸检测，得到所述每张待识别图片的人脸特征信息；识别所述每张待识别图片，得到所述物品的物品类别信息；根据所述人脸特征信息和所述物品的物品类别信息，确定所述每张待识别图片是否为虚假图片，所述虚假图片表示与所述每张待识别图片对应的物品与该待识别图片的人脸之间没有关联关系。根据本公开，可以提高虚假图片识别的准确性和灵活性。

Description

虚假图片识别方法及装置、计算机可存储介质
技术领域
本公开涉及计算机技术领域，特别涉及虚假图片识别方法及装置、计算机可存储介质。
背景技术
随着电子商务的发展和网上购物的普及，网上购买服装、配饰和首饰成为很多人的购物选择。很多商家或企业为了提高在售商品的销量，通常会邀请一些知名人物进行代言。但是，在众多商家或企业中经常会存在一些不良商家或企业为减少代言成本而利用没有代言其产品的知名人物的肖像来误导买家进行消费，侵犯该知名人物的肖像权。
相关技术中，通过构建包括大量虚假代言图片的虚假图片数据库，通过将待识别图片与虚假图片数据库中的虚假代言图片进行匹配操作，判断待识别图片是否为虚假代言图片。
发明内容
发明人认为：相关技术中，虚假图片数据库中的虚假代言图片数量有限，无法涵盖所有的虚假代言图片，在虚假代言图片发生变化时，无法准确判断待识别图片是否为虚假代言图片，且灵活性较差。
针对上述技术问题，本公开提出了一种解决方案，可以提高虚假图片识别的准确性和灵活性。
根据本公开的第一方面，提供了一种虚假图片识别方法，包括：获取与物品对应的至少一张待识别图片；对每张待识别图片中的人脸进行人脸检测，得到所述每张待识别图片的人脸特征信息；识别所述每张待识别图片，得到所述物品的物品类别信息；根据所述人脸特征信息和所述物品的物品类别信息，确定所述每张待识别图片是否为虚假图片，所述虚假图片表示与所述每张待识别图片对应的物品与该待识别图片的人脸之间没有关联关系。
在一些实施例中，确定所述每张待识别图片是否为虚假图片包括：根据人脸特征信息与物品标识之间的对应关系，确定与所述每张待识别图片的人脸特征信息对应的至少一个物品标识，所述物品标识用于标识一个物品；根据物品类别信息与物品标识之间的对应关系，确定与所述物品的物品类别信息对应的至少一个物品标识；在与所述物品的物品类别信息对应的至少一个物品标识和与所述每张待识别图片的人脸特征信息对应的至少一个物品标识的交集为空的情况下，确定所述每张待识别图片为虚假图片。
在一些实施例中，虚假图片识别方法，还包括：根据人脸特征信息与身份标识之间的对应关系、以及身份标识与物品标识之间的对应关系，确定所述人脸特征信息与物品标识之间的对应关系，所述身份标识用于标识一个人脸。
在一些实施例中，虚假图片识别方法，还包括：获取多个指定人脸的人脸特征信息；根据所述多个指定人脸的身份标识，确定所述人脸特征信息与身份标识之间的对应关系。
在一些实施例中，获取多个指定人脸的人脸特征信息包括：利用特征提取器，对包括所述多个指定人脸的多张图片进行特征提取，得到所述多个指定人脸的初始人脸特征信息；对所述初始人脸特征信息进行量化处理，确定所述多个指定人脸的人脸特征信息。
在一些实施例中，对每张待识别图片中的人脸进行人脸检测，得到所述每张待识别图片的人脸特征信息包括：对每张待识别图片中的人脸进行人脸检测，得到每张待识别图片中的人脸的初始人脸特征信息；对所述每张待识别图片中的人脸的初始人脸特征信息进行量化处理，确定所述每张待识别图片的人脸特征信息。
在一些实施例中，虚假图片识别方法，还包括：对于每个指定人脸，根据与所述每个指定人脸相关联的至少一个物品的物品标识，确定所述身份标识与物品标识之间的对应关系。
在一些实施例中，虚假图片识别方法，还包括：利用神经网络模型，对多张物品图片进行特征提取，得到与每张物品图片对应的物品类别信息；根据与所述多张物品图片对应的物品标识，确定所述物品类别信息与物品标识之间的对应关系。
在一些实施例中，对每张待识别图片中的人脸进行人脸检测包括：对每张待识别图片中的人脸面积最大的人脸进行人脸检测。
根据本公开第二方面，提供了一种虚假图片识别装置，包括：获取模块，被配置为获取与物品对应的至少一张待识别图片；人脸检测模块，被配置为对每张待识别图片中的人脸进行人脸检测，得到所述每张待识别图片的人脸特征信息；识别模块，被配置为识别所述每张待识别图片，得到所述物品的物品类别信息；确定模块，被配置为根据所述人脸特征信息和所述物品的物品类别信息，确定所述每张待识别图片是否为虚假图片，所述虚假图片表示与所述每张待识别图片对应的物品与该待识别图片的人脸之间没有关联关系。
根据本公开第三方面，提供了一种虚假图片识别装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令，执行上述任一实施例所述的虚假图片识别方法。
根据本公开的第四方面，提供了一种计算机可存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述任一实施例所述的虚假图片识别方法。
在上述实施例中，可以提高虚假图片识别的准确性和灵活性。
附图说明
构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
图1是示出根据本公开一些实施例的虚假图片识别方法的流程图；
图2是示出根据本公开一些实施例的确定每张待识别图片是否为虚假图片的流程图；
图3是示出根据本公开一些实施例的虚假图片识别装置的框图；
图4是示出根据本公开另一些实施例的虚假图片识别装置的框图；
图5是示出用于实现本公开一些实施例的计算机系统的框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
图1是示出根据本公开一些实施例的虚假图片识别方法的流程图。
如图1所示，虚假图片识别方法包括步骤S110-步骤S140。
在步骤S110中，获取与物品对应的至少一张待识别图片。例如，物品为商家在售商品或产品。待识别图片为商家在售商品或产品的相关图片(宣传图片或展示图片等)。
在步骤S120中，对每张待识别图片中的人脸进行人脸检测，得到每张待识别图片的人脸特征信息。
在一些实施例中，对每张待识别图片中的人脸进行人脸检测，得到每张待识别图片中的人脸的初始人脸特征信息；并对每张待识别图片中的人脸的初始人脸特征信息进行量化处理，确定每张待识别图片的人脸特征信息。
例如，利用PQ(Product Quantization，乘积量化)算法，对初始人脸特征信息进行量化处理。在上述实施例中，通过量化处理可以降低人脸特征信息的维数，从而可以提高虚假图片的识别效率。
在一些实施例中，可以对每张待识别图片中的人脸面积最大的人脸进行人脸检测。
在一些实施例中，可以利用神经网络模型对每张待识别图片中的人脸进行人脸识别(对人脸进行人脸检测)，得到初始人脸特征信息。
在上述实施例中，人脸特征信息或初始人脸特征信息可以用特征向量表示。
在待识别图片中不存在人脸的情况下，将该待识别图片丢弃，无需检测待识别图片是否为虚假图片。
在步骤S130中，识别每张待识别图片，得到物品的物品类别信息。以物品为商家的在售商品或产品为例，物品类别信息为品牌信息。
在一些实施例中，可以利用神经网络模型对每张待识别图片进行识别，得到物品的物品类别信息。例如，该神经网络模型通过大量的带标签的图片进行训练得到。
在上述实施例中，物品类别信息可以用特征向量表示。
在步骤S140中，根据人脸特征信息和物品的物品类别信息，确定每张待识别图片是否为虚假图片。虚假图片表示与每张待识别图片对应的物品与该待识别图片的人脸之间没有关联关系。
例如，通过如2图所示的方式实现步骤S140。
图2是示出根据本公开一些实施例的确定每张待识别图片是否为虚假图片的流程图。
如图2所示，确定每张待识别图片是否为虚假图片包括步骤S141-步骤S143。
在步骤S141中，根据人脸特征信息与物品标识之间的对应关系，确定与每张待识别图片的人脸特征信息对应的至少一个物品标识。物品标识用于标识一个物品。
在一些实施例中，可以根据人脸特征信息与身份标识之间的对应关系、以及身份标识与物品标识之间的对应关系，确定人脸特征信息与物品标识之间的对应关系。身份标识用于标识一个人脸。
例如，通过如下的方式确定上述实施例中的人脸特征信息与身份标识之间的对应关系。
首先，获取多个指定人脸的人脸特征信息。
在一些实施例中，利用特征提取器，对包括多个指定人脸的多张图片进行特征提取，得到多个指定人脸的初始人脸特征信息；并对初始人脸特征信息进行量化处理，确定多个指定人脸的人脸特征信息。
例如，多个指定人脸为特定数据库中存储的多个知名人物(代言人)的人脸。在一些实施例中，可以根据知名人物的增加或者减少更新特定数据库。
然后，根据多个指定人脸的身份标识，确定人脸特征信息与身份标识之间的对应关系。即，每个指定人脸对应一个身份标识，并具有唯一的人脸特征信息，从而可以建立人脸特征信息与身份标识之间的对应关系。例如，可以构建包括人脸特征信息与身份标识之间的对应关系的人脸匹配数据库。人脸匹配数据库也可以存储明星的身份标识和该明星的人脸特征信息。人脸匹配数据库用于匹配搜索与待识别图片的人脸特征信息对应的身份标识。
在一些实施例中，对于每个指定人脸，根据与每个指定人脸相关联的至少一个物品的物品标识，确定身份标识与物品标识之间的对应关系。例如，从预先存储的包括指定人脸与物品标识的关联关系的数据库中，可以确定与每个指定人脸相关联的至少一个物品标识。而每个指定人脸对应一个身份标识，从而可以建立身份标识与物品标识之间的对应关系。一个身份标识可以对应一个或多个物品标识，即一个身份标识的人可以代言每个品牌下的一个或多个产品或商品。
例如，可以构建包括身份标识与物品标识之间的对应关系的物品标识匹配数据库。物品标识匹配数据库也可以存储明星代言产品信息表，包括明星的身份标识和该明星代言的产品标识。物品标识匹配数据库用于匹配搜索与待识别图片的人脸特征信息对应的身份标识所对应的物品标识。
在步骤S142中，根据物品类别信息与物品标识之间的对应关系，确定与物品的物品类别信息对应的至少一个物品标识。例如，物品类别信息为物品的品牌信息。根据品牌信息与物品标识之间的对应关系，例如可以构建品牌数据库。品牌数据库用于匹配搜索与待识别图片对应的物品类别信息所对应的物品标识。
在一些实施例中，可以利用神经网络模型，对多张物品图片进行特征提取，得到与每张物品图片对应的物品类别信息；并根据与多张物品图片对应的物品标识，确定物品类别信息与物品标识之间的对应关系。例如，每张物品图片对应一个物品，每个物品具有一个物品标识。
在步骤S143中，在与物品的物品类别信息对应的至少一个物品标识和与每张待识别图片的人脸特征信息对应的至少一个物品标识的交集为空的情况下，确定每张待识别图片为虚假图片。例如，在与待识别图片的品牌信息对应的至少一个物品标识与人脸特征信息的至少一个物品标识的交集为空，说明具有该人脸特征信息的明星没有代言相应的产品。
在与物品的物品类别信息对应的至少一个物品标识和与每张待识别图片的人脸特征信息对应的至少一个物品标识的交集不为空的情况下，确定每张待识别图片不是虚假图片。
在上述实施例中，通过对待识别图片进行人脸检测得到人脸特征信息，并识别待识别图片得到物品的物品类别信息，从而根据人脸特征信息和物品类别信息来判断待识别图片是否为虚假图片，可以提高虚假图片识别的准确性和灵活性。该方法应用到电商平台场景下，可以精准、高效地判断商品中是否存在商品虚假代言的情况。
图3是示出根据本公开一些实施例的虚假图片识别装置的框图。
如图3所示，虚假图片识别装置3包括获取模块31、人脸检测模块32、识别模块33和确定模块34。
获取模块31被配置为获取与物品对应的至少一张待识别图片，例如执行如图1所示的步骤S110。
人脸检测模块32被配置为对每张待识别图片中的人脸进行人脸检测，得到每张待识别图片的人脸特征信息，例如执行如图1所示的步骤S120。
识别模块33被配置为识别每张待识别图片，得到物品的物品类别信息，例如执行如图1所示的步骤S130。
确定模块34被配置为根据人脸特征信息和物品的物品类别信息，确定每张待识别图片是否为虚假图片，虚假图片表示与每张待识别图片对应的物品与该待识别图片的人脸之间没有关联关系，例如执行如图1所示的步骤S140。
在一些实施例中，确定模块34还包括第一确定单元、第二确定单元和第三确定单元。
第一确定单元被配置为根据人脸特征信息与物品标识之间的对应关系，确定与每张待识别图片的人脸特征信息对应的至少一个物品标识，例如执行如图2所示的步骤S141。物品标识用于标识一个物品。
第二确定单元被配置为根据物品类别信息与物品标识之间的对应关系，确定与物品的物品类别信息对应的至少一个物品标识，例如执行如图2所示的步骤S142。
第三确定单元被配置为在与物品的物品类别信息对应的至少一个物品标识和与每张待识别图片的人脸特征信息对应的至少一个物品标识的交集为空的情况下，确定每张待识别图片为虚假图片，例如执行如图2所示的步骤S143。
图4是示出根据本公开另一些实施例的虚假图片识别装置的框图。
如图4所示，虚假图片识别装置4包括存储器41；以及耦接至该存储器41的处理器42。存储器41用于存储执行虚假图片识别方法对应实施例的指令。处理器42被配置为基于存储在存储器41中的指令，执行本公开中任意一些实施例中的虚假图片识别方法。
图5是示出用于实现本公开一些实施例的计算机系统的框图。
如图5所示，计算机系统50可以通用计算设备的形式表现。计算机系统50包括存储器510、处理器520和连接不同系统组件的总线500。
存储器510例如可以包括系统存储器、非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。系统存储器可以包括易失性存储介质，例如随机存取存储器(RAM)和/或高速缓存存储器。非易失性存储介质例如存储有执行虚假图片识别方法中的至少一种的对应实施例的指令。非易失性存储介质包括但不限于磁盘存储器、光学存储器、闪存等。
处理器520可以用通用处理器、数字信号处理器(DSP)、应用专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑设备、分立门或晶体管等分立硬件组件方式来实现。相应地，诸如判断模块和确定模块的每个模块，可以通过中央处理器(CPU)运行存储器中执行相应步骤的指令来实现，也可以通过执行相应步骤的专用电路来实现。
总线500可以使用多种总线结构中的任意总线结构。例如，总线结构包括但不限于工业标准体系结构(ISA)总线、微通道体系结构(MCA)总线、外围组件互连(PCI)总线。
计算机系统50还可以包括输入输出接口530、网络接口540、存储接口550等。这些接口530、540、550以及存储器510和处理器520之间可以通过总线500连接。输入输出接口530可以为显示器、鼠标、键盘等输入输出设备提供连接接口。网络接口540为各种联网设备提供连接接口。存储接口550为软盘、U盘、SD卡等外部存储设备提供连接接口。
这里，参照根据本公开实施例的方法、装置和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个框以及各框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可提供到通用计算机、专用计算机或其他可编程装置的处理器，以产生一个机器，使得通过处理器执行指令产生实现在流程图和/或框图中一个或多个框中指定的功能的装置。
这些计算机可读程序指令也可存储在计算机可读存储器中，这些指令使得计算机以特定方式工作，从而产生一个制造品，包括实现在流程图和/或框图中一个或多个框中指定的功能的指令。
本公开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。
通过上述实施例中的虚假图片识别方法及装置、计算机可存储介质，可以提高虚假图片识别的准确性和灵活性。
至此，已经详细描述了根据本公开的虚假图片识别方法及装置、计算机可存储介质。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

Claims (12)

1.一种虚假图片识别方法，包括：
获取与物品对应的至少一张待识别图片；
对每张待识别图片中的人脸进行人脸检测，得到所述每张待识别图片的人脸特征信息；
识别所述每张待识别图片，得到所述物品的物品类别信息；
根据所述人脸特征信息和所述物品的物品类别信息，确定所述每张待识别图片是否为虚假图片，所述虚假图片表示与所述每张待识别图片对应的物品与该待识别图片的人脸之间没有关联关系。
2.根据权利要求1所述的虚假图片识别方法，其中，确定所述每张待识别图片是否为虚假图片包括：
根据人脸特征信息与物品标识之间的对应关系，确定与所述每张待识别图片的人脸特征信息对应的至少一个物品标识，所述物品标识用于标识一个物品；
根据物品类别信息与物品标识之间的对应关系，确定与所述物品的物品类别信息对应的至少一个物品标识；
在与所述物品的物品类别信息对应的至少一个物品标识和与所述每张待识别图片的人脸特征信息对应的至少一个物品标识的交集为空的情况下，确定所述每张待识别图片为虚假图片。
3.根据权利要求2所述的虚假图片识别方法，还包括：
根据人脸特征信息与身份标识之间的对应关系、以及身份标识与物品标识之间的对应关系，确定所述人脸特征信息与物品标识之间的对应关系，所述身份标识用于标识一个人脸。
4.根据权利要求3所述的虚假图片识别方法，还包括：
获取多个指定人脸的人脸特征信息；
根据所述多个指定人脸的身份标识，确定所述人脸特征信息与身份标识之间的对应关系。
5.根据权利要求4所述的虚假图片识别方法，其中，获取多个指定人脸的人脸特征信息包括：
利用特征提取器，对包括所述多个指定人脸的多张图片进行特征提取，得到所述多个指定人脸的初始人脸特征信息；
对所述初始人脸特征信息进行量化处理，确定所述多个指定人脸的人脸特征信息。
6.根据权利要求5所述的虚假图片识别方法，其中，对每张待识别图片中的人脸进行人脸检测，得到所述每张待识别图片的人脸特征信息包括：
对每张待识别图片中的人脸进行人脸检测，得到每张待识别图片中的人脸的初始人脸特征信息；
对所述每张待识别图片中的人脸的初始人脸特征信息进行量化处理，确定所述每张待识别图片的人脸特征信息。
7.根据权利要求4所述的虚假图片识别方法，还包括：
对于每个指定人脸，根据与所述每个指定人脸相关联的至少一个物品的物品标识，确定所述身份标识与物品标识之间的对应关系。
8.根据权利要求2所述的虚假图片识别方法，还包括：
利用神经网络模型，对多张物品图片进行特征提取，得到与每张物品图片对应的物品类别信息；
根据与所述多张物品图片对应的物品标识，确定所述物品类别信息与物品标识之间的对应关系。
9.根据权利要求1所述的虚假图片识别方法，其中，对每张待识别图片中的人脸进行人脸检测包括：
对每张待识别图片中的人脸面积最大的人脸进行人脸检测。
10.一种虚假图片识别装置，包括：
获取模块，被配置为获取与物品对应的至少一张待识别图片；
人脸检测模块，被配置为对每张待识别图片中的人脸进行人脸检测，得到所述每张待识别图片的人脸特征信息；
识别模块，被配置为识别所述每张待识别图片，得到所述物品的物品类别信息；
确定模块，被配置为根据所述人脸特征信息和所述物品的物品类别信息，确定所述每张待识别图片是否为虚假图片，所述虚假图片表示与所述每张待识别图片对应的物品与该待识别图片的人脸之间没有关联关系。
11.一种虚假图片识别装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令，执行如权利要求1至9任一项所述的虚假图片识别方法。
12.一种计算机可存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现如权利要求1至9任一项所述的虚假图片识别方法。
CN202010863553.5A 2020-08-25 2020-08-25 虚假图片识别方法及装置、计算机可存储介质 Pending CN113780041A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010863553.5A CN113780041A (zh) 2020-08-25 2020-08-25 虚假图片识别方法及装置、计算机可存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010863553.5A CN113780041A (zh) 2020-08-25 2020-08-25 虚假图片识别方法及装置、计算机可存储介质

Publications (1)

Publication Number Publication Date
CN113780041A true CN113780041A (zh) 2021-12-10

Family

ID=78835231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010863553.5A Pending CN113780041A (zh) 2020-08-25 2020-08-25 虚假图片识别方法及装置、计算机可存储介质

Country Status (1)

Country Link
CN (1) CN113780041A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103458300A (zh) * 2013-08-28 2013-12-18 天津三星电子有限公司 电视机虚假广告提示方法及系统
CN107403159A (zh) * 2017-07-28 2017-11-28 北京中航安通科技有限公司 一种目标物品关联、核验及票务核验方法及其装置
US20190188729A1 (en) * 2017-12-18 2019-06-20 Beijing Jingdong Shangke Information Technology Co., Ltd. System and method for detecting counterfeit product based on deep learning
CN110309388A (zh) * 2018-03-09 2019-10-08 阿里巴巴集团控股有限公司 数据对象信息违法风险识别方法、装置以及计算机系统
US20190354744A1 (en) * 2018-05-17 2019-11-21 Accenture Global Solutions Limited Detection of counterfeit items based on machine learning and analysis of visual and textual data
CN111461102A (zh) * 2020-04-22 2020-07-28 艾科芯（深圳）智能科技有限公司 防伪识别方法、装置、设备终端和可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103458300A (zh) * 2013-08-28 2013-12-18 天津三星电子有限公司 电视机虚假广告提示方法及系统
CN107403159A (zh) * 2017-07-28 2017-11-28 北京中航安通科技有限公司 一种目标物品关联、核验及票务核验方法及其装置
US20190188729A1 (en) * 2017-12-18 2019-06-20 Beijing Jingdong Shangke Information Technology Co., Ltd. System and method for detecting counterfeit product based on deep learning
CN110309388A (zh) * 2018-03-09 2019-10-08 阿里巴巴集团控股有限公司 数据对象信息违法风险识别方法、装置以及计算机系统
US20190354744A1 (en) * 2018-05-17 2019-11-21 Accenture Global Solutions Limited Detection of counterfeit items based on machine learning and analysis of visual and textual data
CN111461102A (zh) * 2020-04-22 2020-07-28 艾科芯（深圳）智能科技有限公司 防伪识别方法、装置、设备终端和可读存储介质

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
WO2019148729A1 (zh) 奢侈品辨别方法、电子装置及存储介质
CN112529663B (zh) 商品推荐方法、装置、终端设备及存储介质
WO2016004330A1 (en) Interactive content generation
CN111738120B (zh) 人物识别方法、装置、电子设备及存储介质
CN108875727B (zh) 图文标识的检测方法及装置、存储介质、处理器
CN112330383A (zh) 用于基于可视元素的物品推荐的设备及方法
US9892437B2 (en) Digitization of a catalog of retail products
CN111382635B (zh) 一种商品类别识别方法、装置及电子设备
CN111461164B (zh) 样本数据集的扩容方法及模型的训练方法
CN110955659B (zh) 处理数据表的方法及系统
WO2019096222A1 (zh) 一种基于身份识别和商品识别的无人售货方法和设备
TW201909036A (zh) 基於神經網路的人臉影像多維度情感判別系統及方法
CN111784372A (zh) 门店商品推荐方法及设备
US11562364B2 (en) Information processing system, customer identification apparatus, and information processing method
CN112529040A (zh) 模型生成的方法、装置、电子设备及介质
CN117078358A (zh) 基于语音识别的元宇宙电商平台系统智能构建方法及系统
CN108764232B (zh) 标签位置获取方法及装置
WO2019092782A1 (ja) 情報処理装置、制御方法、及びプログラム
CN111275071B (zh) 预测模型训练、预测方法、装置及电子设备
CN113780041A (zh) 虚假图片识别方法及装置、计算机可存储介质
Muchtar et al. Moving pedestrian localization and detection with guided filtering
CN109284384B (zh) 文本分析方法、装置、电子设备及可读存储介质
CN107146147B (zh) 信息处理方法和装置
CN110019700B (zh) 数据处理方法和设备

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