CN114519689A - 图像篡改检测方法、装置、设备及计算机可读存储介质 - Google Patents

图像篡改检测方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN114519689A
CN114519689A CN202011292363.9A CN202011292363A CN114519689A CN 114519689 A CN114519689 A CN 114519689A CN 202011292363 A CN202011292363 A CN 202011292363A CN 114519689 A CN114519689 A CN 114519689A
Authority
CN
China
Prior art keywords
picture
tampered
detected
interval
pictures
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
CN202011292363.9A
Other languages
English (en)
Inventor
王金金
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.)
China Mobile Communications Group Co Ltd
China Mobile Communications Ltd Research Institute
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Communications Ltd Research Institute
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 China Mobile Communications Group Co Ltd, China Mobile Communications Ltd Research Institute filed Critical China Mobile Communications Group Co Ltd
Priority to CN202011292363.9A priority Critical patent/CN114519689A/zh
Publication of CN114519689A publication Critical patent/CN114519689A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像篡改检测方法、装置、设备及计算机可读存储介质，涉及图像分析检测技技术领域，以解决现有图像篡改检测方法计算量较大问题。该方法包括：获取N张待检测图片，其中，N为正整数；基于所述N张待检测图片的目标属性信息，对所述N张待检测图片进行筛选，得到疑似篡改图片；利用篡改检测模型对所述疑似篡改图片进行检测，输出检测结果，其中，所述检测结果用于指示所述疑似篡改图片是否被篡改和篡改区域中的至少之一。本发明实施例通过预先对待检测图片进行筛选，确定其中的疑似篡改图片，使得后续只需对疑似篡改图片作进一步检测即可，进而能够减少模型检测算法的计算量，节省系统资源。

Description

图像篡改检测方法、装置、设备及计算机可读存储介质
技术领域
本发明涉及图像分析检测技术领域，尤其涉及一种图像篡改检测方法、装置、设备及计算机可读存储介质。
背景技术
图像篡改检测旨在挖掘数字图像的恶意处理，例如删除、添加、复制、截取图像中的对象。目前，篡改图像的检测方法主要分为两种：传统方法和基于深度学习的方法。传统方法主要提取篡改区域和真实区域之间的特征差异，以达到检测和定位篡改的目的，但这些方法往往只能检测出某一个类别的篡改，并且提取的特征不能全面有效地表示篡改区域与真实区域之间的差异；深度学习方法通过使用大样本训练模型，自动提取物体特征，相对传统方法能够更加全面的检测多种篡改方式。
在某些场景中，由于产生的待检测图片数量较多，例如，现网中每月都会产生大量的电表读数图片，如果对每张图片都使用深度学习的方式进行检测，会导致计算量非常大。
发明内容
本发明实施例提供一种图像篡改检测方法、装置、设备及计算机可读存储介质，以解决现有图像篡改检测方法计算量较大的问题。
第一方面，本发明实施例提供了一种图像篡改检测方法，包括：
获取N张待检测图片，其中，N为正整数；
基于所述N张待检测图片的目标属性信息，对所述N张待检测图片进行筛选，得到疑似篡改图片；
利用篡改检测模型对所述疑似篡改图片进行检测，输出检测结果，其中，所述检测结果用于指示所述疑似篡改图片是否被篡改和篡改区域中的至少之一。
可选的，所述基于所述N张待检测图片的目标属性信息，对所述N张待检测图片进行筛选，得到疑似篡改图片，包括：
分别提取所述N张待检测图片中每张待检测图片的目标属性信息；
依据所述每张待检测图片的目标属性信息中的软件相关字段，确定疑似篡改图片。
可选的，所述目标属性信息包括可交换图像文件格式Exif信息和编码信息；
所述依据所述每张待检测图片的目标属性信息中的软件相关字段，确定疑似篡改图片，包括：
将编码信息中包含第一预设字段，且Exif信息中不包含第二预设字段的待检测图片确定为疑似篡改图片，其中，所述第一预设字段为表示图片编辑软件的字段，所述第二预设字段为表示图片查看软件的字段。
可选的，所述利用篡改检测模型对所述疑似篡改图片进行检测，输出检测结果之前，所述方法还包括：
从所述疑似篡改图片中提取目标区域图像；
所述利用篡改检测模型对所述疑似篡改图片进行检测，输出检测结果，包括：
利用篡改检测模型对所述目标区域图像进行检测，输出检测结果。
可选的，所述篡改检测模型为改进的双流快速区域卷积神经网络Faster R-CNN，所述改进的双流Faster R-CNN中的区域生成网络RPN层的锚尺寸是通过对训练图片集中的标注框进行聚类后计算每个簇中心的框大小和长宽比确定的，其中，所述标注框为对篡改区域的标注框，所述训练图片集与所述待检测图片为同类型的图片。
可选的，所述RPN层在训练过程中的正负样本比例大于1；
其中，正负样本的选取规则包括：将所述训练图片集中的候选锚框与对应标注框的交并比IOU值按从大至小的顺序进行排序，将IOU值排序在第一区间的候选锚框作为正样本，将IOU值排序在第二区间的候选锚框作为负样本，所述第一区间的范围大于所述第二区间的范围，且所述第一区间为排序靠前的区间，所述第二区间为排序靠后的区间，所述候选锚框为所述训练图片集的锚框中与对应标注框的距离最近的k个锚框，k为大于1的整数。
可选的，所述正负样本的选取规则还包括：将IOU值排序在第三区间的候选锚框舍弃，所述第三区间为排序介于所述第一区间与所述第二区间之间的区间。
第二方面，本发明实施例还提供一种图像篡改检测装置，包括：
获取模块，用于获取N张待检测图片，其中，N为正整数；
筛选模块，用于基于所述N张待检测图片的目标属性信息，对所述N张待检测图片进行筛选，得到疑似篡改图片；
检测模块，用于利用篡改检测模型对所述疑似篡改图片进行检测，输出检测结果，其中，所述检测结果用于指示所述疑似篡改图片是否被篡改和篡改区域中的至少之一。
可选的，所述筛选模块包括：
提取单元，用于分别提取所述N张待检测图片中每张待检测图片的目标属性信息；
确定单元，用于依据所述每张待检测图片的目标属性信息中的软件相关字段，确定疑似篡改图片。
可选的，所述目标属性信息包括可交换图像文件格式Exif信息和编码信息；
所述确定单元用于将编码信息中包含第一预设字段，且Exif信息中不包含第二预设字段的待检测图片确定为疑似篡改图片，其中，所述第一预设字段为表示图片编辑软件的字段，所述第二预设字段为表示图片查看软件的字段。
可选的，所述图像篡改检测装置还包括：
提取模块，用于从所述疑似篡改图片中提取目标区域图像；
所述检测模块用于利用篡改检测模型对所述目标区域图像进行检测，输出检测结果。
可选的，所述篡改检测模型为改进的双流快速区域卷积神经网络Faster R-CNN，所述改进的双流Faster R-CNN中的区域生成网络RPN层的锚尺寸是通过对训练图片集中的标注框进行聚类后计算每个簇中心的框大小和长宽比确定的，其中，所述标注框为对篡改区域的标注框，所述训练图片集与所述待检测图片为同类型的图片。
可选的，所述RPN层在训练过程中的正负样本比例大于1；
其中，正负样本的选取规则包括：将所述训练图片集中的候选锚框与对应标注框的交并比IOU值按从大至小的顺序进行排序，将IOU值排序在第一区间的候选锚框作为正样本，将IOU值排序在第二区间的候选锚框作为负样本，所述第一区间的范围大于所述第二区间的范围，且所述第一区间为排序靠前的区间，所述第二区间为排序靠后的区间，所述候选锚框为所述训练图片集的锚框中与对应标注框的距离最近的k个锚框，k为大于1的整数。
可选的，所述正负样本的选取规则还包括：将IOU值排序在第三区间的候选锚框舍弃，所述第三区间为排序介于所述第一区间与所述第二区间之间的区间。
第三方面，本发明实施例还提供一种图像篡改检测设备，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，其特征在于，所述处理器，用于读取存储器中的程序实现如上所述的图像篡改检测方法中的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的图像篡改检测方法中的步骤。
在本发明实施例中，获取N张待检测图片，其中，N为正整数；基于所述N张待检测图片的目标属性信息，对所述N张待检测图片进行筛选，得到疑似篡改图片；利用篡改检测模型对所述疑似篡改图片进行检测，输出检测结果，其中，所述检测结果用于指示所述疑似篡改图片是否被篡改和篡改区域中的至少之一。这样，通过预先对待检测图片进行筛选，确定其中的疑似篡改图片，使得后续只需对疑似篡改图片作进一步检测即可，进而能够减少模型检测算法的计算量，节省系统资源。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例描述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例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的图像篡改检测方法的流程图；
图2是本发明实施例提供的改进的双流Faster R-CNN的网络框架示意图；
图3是本发明实施例提供的图像篡改检测流程示意图；
图4是本发明实施例提供的图像篡改检测装置的结构图；
图5是本发明实施例提供的图像篡改检测设备的结构图。
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。
参见图1，图1是本发明实施例提供的图像篡改检测方法的流程图，如图1所示，包括以下步骤：
步骤101、获取N张待检测图片，其中，N为正整数。
上述N张待检测图片可以是任意场景中需要进行篡改检测的图片集，例如，对于现网中每月产生的大量电表读数图片，需要检测图片中的电表读数是否被篡改。故上述获取N张待检测图片可以是获取某应用场景中所有需要进行篡改检测的图片，N可以是根据实际需求而定的任意正整数。
步骤102、基于所述N张待检测图片的目标属性信息，对所述N张待检测图片进行筛选，得到疑似篡改图片。
上述目标属性信息可以是图片属性信息中指示有软件相关字段的属性信息，使得可通过图片的目标属性信息，获得存储该图片的软件信息，进而可基于该软件信息帮助判断该图片是否被编辑过，如果被编辑过，则表示该图片存在被篡改的可能。因为用户在篡改图片中使用的图片编辑软件通常会被记载在图片的目标属性信息中，故可以基于此来初步判断图片是否疑似篡改。
例如，图片的可交换图像文件格式(Exchangeable image file format，Exif)信息或编码信息中通常会包括软件相关字段，以指示图片曾使用的软件，故所述目标属性信息可以是Exif信息和/或编码信息。
该步骤中，可以基于所述N张待检测图片的目标属性信息，对所述N张待检测图片进行筛选，具体可以是通过分析各待检测图片的目标属性信息，来确定各待检测图片是否被一些图片编辑软件编辑过，进而将被编辑过的图片筛选出来作为疑似篡改图片，以对疑似篡改图片作进一步图像篡改检测，而对于其他非疑似篡改图片，则无需进行后续的图像篡改检测。
这样，通过预先对所述N张待检测图片进行筛选，可避免对每一张待检测图片均使用篡改检测模型进行检测所带来的巨大计算量，尤其是对于待检测图片数量众多的应用场景，能够取得更为明显的效果。
可选的，所述步骤102包括：
分别提取所述N张待检测图片中每张待检测图片的目标属性信息；
依据所述每张待检测图片的目标属性信息中的软件相关字段，确定疑似篡改图片。
即对于所述N张待检测图片中的任一张待检测图片，可以先提取其目标属性信息，获得其目标属性信息中的软件相关字段，再依据该软件相关字段，确定该待检测图片是否疑似篡改，若是，则可将该待检测图片确定为疑似篡改图片，以对疑似篡改图片作进一步图像篡改检测，否则可确定该待检测图片未被篡改，无需对其进行后续的图像篡改检测。
这样，采用依据待检测图片的目标属性信息中的软件相关字段，来确定疑似篡改图片的方式，既易于实现，且具备较高的准确性。
进一步的，所述目标属性信息包括可交换图像文件格式Exif信息和编码信息；
所述依据所述每张待检测图片的目标属性信息中的软件相关字段，确定疑似篡改图片，包括：
将编码信息中包含第一预设字段，且Exif信息中不包含第二预设字段的待检测图片确定为疑似篡改图片，其中，所述第一预设字段为表示图片编辑软件的字段，所述第二预设字段为表示图片查看软件的字段。
即一种实施方式中，对于每一张待检测图片，可以提取其Exif信息以及编码信息，结合这两种信息中的软件相关字段，来更为准确地判定待检测图片是否为疑似篡改图片。
其中，Exif信息通常包括图片格式、大小、镜头参数、拍摄时间、拍摄坐标、Software等字段，编码信息通常也包括图片格式、大小、软件等字段，其中图片的编码信息和图片的Exif信息中的Software字段是判别图片是否被篡改的关键字段。且在图片使用某些特定软件编辑过的情况下，图片的编码信息中的软件字段与Exif信息中的Software字段会指示相同的软件名，例如“meitu”，在这种情况下，可以只检测其一即可；而在图片使用另一些特定软件查看的情况下，图片的编码信息中的软件字段所指示的软件关键词，例如“adobe”，可能与被某些特定软件编辑过的图片编码信息中的软件关键词相同，此时便需要借助图片的Exif信息中的Software字段作进一步区分，例如，Exif信息中的Software字段值为“viewer”，表示该图片使用的图片查看器，而非图片编辑软件。
鉴于以上分析，疑似篡改图片的筛选规则可以是，将编码信息中包含第一预设字段，但Exif信息中不包含第二预设字段的待检测图片确定为疑似篡改图片，其中，所述第一预设字段为表示图片编辑软件的字段，具体可以将常用的图片编辑软件在图片编码信息中存储的字段值确定，例如，可以是“meitu”、“adobe”等字段，所述第二预设字段为表示图片查看软件的字段，具体可以将常用的图片查看软件在图片Exif信息中存储的字段值确定，例如，可以是“viewer”等字段。
另外，考虑到Exif信息较容易修改，而编码信息中的字段难以删除，在筛选时可以优先检测待检测图片的编码信息中的软件字段，看其是否包含第一预设字段，在是的情况下，再进一步检测该待检测图片的Exif信息中的Software字段，看其是否不包含第二预设字段，在是的情况下，确定该待检测图片为疑似篡改图片。即在筛选阶段，图片编码信息的检测优先级可以高于图片Exif信息中的Software字段，这样，可以进一步减少筛选中的运算量，提高处理效率。
需说明的是，为了提高筛选效率，可以根据以上筛选流程设计相应的初筛模块，来完成对待检测图片的初步筛选，这样，在进行图片篡改检测时，可以先将需要检测的N张待检测图片输入至所述初筛模块，通过所述初筛模块对所述N张待检测图片进行过滤筛选，输出其中的疑似篡改图片。还需说明的是，所述疑似篡改图片可以统指所述N张待检测图片中的所有疑似篡改图片，即本发明实施例并不限定疑似篡改图片的数量。
步骤103、利用篡改检测模型对所述疑似篡改图片进行检测，输出检测结果，其中，所述检测结果用于指示所述疑似篡改图片是否被篡改和篡改区域中的至少之一。
上述篡改检测模型可以是预先训练好的用于图像篡改检测的模型，即所述篡改检测模型可以是预先利用大量训练样本(包括篡改样本和未篡改样本)对某种深度学习网络等进行训练得到的模型，例如，所述篡改检测模型可以是对卷积神经网络(ConvolutionalNeural Networks，CNN)、区域卷积神经网络(Region-CNN，R-CNN)或快速区域卷积神经网络(Faster R-CNN)等进行训练得到的模型。且所述篡改检测模型可以是仅用于检测图片是否被篡改的模型，即能够输出图片的分类标签(如“篡改”或“未篡改”)，也可以是仅用于检测图片中的篡改区域的模型，即能够输出图片中用于指示具体篡改区域的标注框，所述篡改检测模型还可以是既能检测图片是否被篡改，又能进一步指示图片中的篡改区域的模型，即能够输出图片中用于指示具体篡改区域的标注框和用于指示标注框中对象的分类标签。
故该步骤中，在确定疑似篡改图片后，可以将所述疑似篡改图片输入至所述篡改检测模型，通过所述篡改检测模型对所述疑似篡改图片进行检测，进而输出用于指示所述疑似篡改图片是否被篡改和/或篡改区域的检测结果，即所述检测结果可以包括篡改区域的标注框和分类标签中的至少一种。
这样，通过利用所述篡改检测模型对所述疑似篡改图片进行检测，可以快速输出相应的检测结果，且通过模型检测输出的检测结果通常具备较高的可信度。
可选的，所述步骤103之前，所述方法还包括：
从所述疑似篡改图片中提取目标区域图像；
所述步骤103包括：
利用篡改检测模型对所述目标区域图像进行检测，输出检测结果。
一种实施方式中，为了提高对小目标(即比较小的篡改区域)的检测精度，可以在利用模型检测前对所述疑似篡改图片进行预处理，具体可以是对所述疑似篡改图片进行目标区域图像的提取，将提取的所述目标区域图像作为模型检测对象，即可以将提取的所述目标区域图像输入所述篡改检测模型进行篡改检测即可，以提高篡改区域在整张图片中的占比，相对降低负样本的数量，进而达到提高对小目标的检测精度的目的。
其中，所述目标区域图像可以是所述疑似篡改图片中的特定对象图像，在实际应用中，可以根据检测需求，确定需要检测的目标区域图像。
例如，对于电表读数图片，通常只需对其中的数字部分进行篡改检测，而数字部分又仅占电表读数图片的很小一部分，尤其是当其中只有一个数字被篡改时，相关技术中的检测模型对这种小目标的检测精度较低，因此本发明实施例中，为了提高检测精度，可以在模型检测前对疑似篡改的电表读数图片进行数字部分图像的提取，再利用篡改检测模型对提取的数字部分图像进行检测即可。
上述从所述疑似篡改图片中提取目标区域图像，可以是识别所述疑似篡改图片中的目标区域图像，并从所述疑似篡改图片中裁剪出所述目标区域图像。且为了保证快速准确地提取出目标区域图像，可以使用目标检测模型来实现，例如，Faster-RCNN、只看一次(You Only Look Once，YOLO)、单目标多盒检测(Single Shot MultiBox Detector，SSD)等，这样，只需将所述疑似篡改图片输入所述目标检测模型，通过所述目标检测模型对所述疑似篡改图片进行特征提取和匹配，定位出目标对象区域，如电表数字区域，进而将该区域中的图像进行提取即可。
可选的，所述篡改检测模型为改进的双流快速区域卷积神经网络Faster R-CNN，所述改进的双流Faster R-CNN中的区域生成网络(Region Proposal Network，RPN)层的锚尺寸是通过对训练图片集中的标注框进行聚类后计算每个簇中心的框大小和长宽比确定的，其中，所述标注框为对篡改区域的标注框，所述训练图片集与所述待检测图片为同类型的图片。
其中，为了保证模型检测精度，可以选择高精度的网络作为训练模型，例如，双流快速区域卷积神经网络Faster R-CNN。
即一种实施方式中，为了使篡改检测模型能够适配不同应用场景中的待检测图片，保证模型检测精度，可以采用改进的双流Faster R-CNN作为本发明实施例中的篡改检测模型。其中，双流分别RGB流和噪声流，RGB流主要目的是从RGB图像输入中提取特征，从而发现如强烈对比差异，非自然的篡改边界等之类的篡改特征(tampering artifacts)；噪声流主要利用噪声特征去发现真实区域和篡改区域之间的噪声不一致性；之后通过融合这两个流的特征，以便进一步结合这两种模态的空间信息，输出篡改区域数据。
上述改进的双流Faster R-CNN是在双流Faster R-CNN的基础上进行了改进，使其更加适合于对实际需要检测的目标类型的图片进行篡改检测。具体可以是根据实际检测需求中待检测图片的类型特征，对所述双流Faster R-CNN中的RPN层的锚尺寸进行适应修改，使得通过改进的双流Faster R-CNN能够更为精准地定位出图片中的篡改区域，即能更为准确地对篡改区域进行标注。
相关技术中，双流Faster R-CNN中RPN层的锚anchor共包括9个，大小分别为128×128、256×256和512×512，长宽比分别为1:1、1:2、2:1，然而，该anchor尺寸并不能适用于一些小目标检测场景中的待检测图片(如电表读数图片)，因此，可以对所述双流Faster R-CNN中RPN层的anchor机制进行改进。具体地，可以通过对预先获取的标注好篡改区域的训练图片集中的所有标注框进行聚类，如使用K均值(K-Means)聚类算法进行聚类，然后确定聚类后每个分组中的簇中心的框大小和长宽比，依据这些框大小和长宽比来确定所述改进的双流Faster R-CNN中RPN层的anchor尺寸。
例如，通过大量电表读数图片中的数字篡改部分的标注框进行K-Means聚类，计算每个簇中心的框大小和长宽比，从而选定所述改进的双流Faster R-CNN中RPN层的anchor共包括16个，大小分别为16×16、80×80、144×144和200×200，长宽比分别为0.6、1、1.6和5。
需说明的是，在采用预先对疑似篡改图片进行目标区域图像提取的处理方式的情况下，该实施方式中，所述训练图片集也可以是从原先完整的样本图片中提取的目标区域图像作为训练图片集，以保证通过聚类确定的anchor尺寸与所述改进的双流Faster R-CNN的输入数据是适配的。
进一步的，所述RPN层在训练过程中的正负样本比例大于1；
其中，正负样本的选取规则包括：将所述训练图片集中的候选锚框与对应标注框的交并比(Intersection over Union，IOU)值按从大至小的顺序进行排序，将IOU值排序在第一区间的候选锚框作为正样本，将IOU值排序在第二区间的候选锚框作为负样本，所述第一区间的范围大于所述第二区间的范围，且所述第一区间为排序靠前的区间，所述第二区间为排序靠后的区间，所述候选锚框为所述训练图片集的锚框中与对应标注框的距离最近的k个锚框，k为大于1的整数。
即一种实施方式中，可以通过提高模型训练过程中的正负样本比例，来进一步改进所述双流Faster R-CNN，使其更多地学习到正样本特征即篡改特征，降低误检(falsepositive)率，也就是说，通过在训练过程中增大正样本比例，可保证训练得到的所述改进的双流Faster R-CNN的模型参数具备更高精度，能够对图片中的篡改特征进行更为精准的识别定位。
相关技术中，在所述双流Faster R-CNN的模型训练阶段，RPN层的训练方式是通过计算锚框(anchor box)与真实框(即标注框)之间的IOU，将大于阈值0.7的作为正样本(即前景)，将小于阈值0.3的作为负样本(即背景)，并且设定正样本和负样本的数量比例为1:1，总样本数为256个。但在实际应用中，固定阈值的设定使得正样本数量在大部分情况下小于128个，为了使样本总数为256个，负样本数量需大于128个，这导致在训练中大部分情况下负样本数量远大于正样本数量，进而导致RPN网络更多的学习到了负样本的特征，最终检测的误检个数较多。
为了解决上述因固定阈值的设定所带来的系列问题，该实施方式中提出通过引入自适应动态阈值的方式来选择正负样本，以提高正负样本比例，降低最终检测的误检率。
具体地，可以在训练阶段，对于所述训练图片集中的训练图片中的每个标注框，将与其距离最近的k个锚框(anchor box)作为候选锚框加入候选样本集合，其中，所述距离可以是L2距离(即欧式距离)，k的取值可以是根据实际情况或实际需求进行相应设定；然后，对于所述候选样本集合中的每个候选锚框，可以计算其与对应标注框的IOU值，从而得到所述候选样本集合中每个候选锚框与对应标注框的IOU值。
接着，可以将这些IOU值按从大至小的顺序进行排序，并按排序后的IOU值分布来选取正负样本，为了提高正样本数量，可以将IOU值靠前的多数IOU值对应的候选锚框放入正样本集合，将IOU值靠后的少数IOU值对应的候选锚框放入负样本集合，具体地，可以将IOU值排序在第一区间的候选锚框作为正样本放入正样本集合，将IOU值排序在第二区间的候选锚框作为负样本放入负样本集合，所述第一区间和所述第二区间可以根据正负样本数量需求设定，且所述第一区间为排序最为靠前且包括IOU值数量较多的区间，所述第二区间为排序最为靠后且包括IOU值数量较少的区间，以提高正负样本比例。其中，本发明实施例中的正样本为存在篡改的样本，即正样本可以是分类标签为“篡改”的样本，本发明实施例中的负样本为不存在篡改的样本，即负样本可以是分类标签为“未篡改”的样本。
为更方便地选取正负样本，可以按IOU值排序将这些IOU值划分为多个区间，可以等比例划分，也可以不等比例划分，例如，等比例划分为4个区间，分别为前25％区间、25％至50％区间、50％至75％区间和75％至100％区间，以100个排序后的IOU值为例，前25％区间即为排序前25个IOU值，25％至50％区间即为排序第25至50个IOU值，50％至75％区间即为排序第50至75个IOU值，75％至100％区间即为排序第75至100个IOU值，或者也可以不等比例划分为3个区间，分别为前50％区间、50％至75％区间和75％至100％区间，具体划分区间可以根据实际需求而定。
以划分前25％区间、25％至50％区间、50％至75％区间和75％至100％区间为例，可以将这4个区间分别标记为0～3区间，对于IOU值在0区间和1区间(即前25％区间和25％至50％区间)的候选锚框，说明其与标注框的重叠区域较多，可以放入正样本集合；对于IOU值在4区间(即75％至100％区间)的候选锚框，说明其与标注框的重叠区域较少或没有，可以放入负样本集合。也就是说，所述第一区间可以为前25％区间和25％至50％区间，所述第二区间可以为75％至100％区间。
进一步的，所述正负样本的选取规则还包括：将IOU值排序在第三区间的候选锚框舍弃，所述第三区间为排序介于所述第一区间与所述第二区间之间的区间。
即对于IOU值排序在第三区间，即介于所述第一区间与所述第二区间之间的区间的候选锚框，由于其IOU值不大也不小，作为正样本或负样本都没有很高的参考意义，故可以舍弃，不作为训练样本使用。
例如，对于IOU值在3区间(即50％至75％区间)的候选锚框，即使其与标注框有重叠区域，但重叠区域较少，这部分候选锚框作为正样本或负样本的质量都不高，故可以舍弃。
这样，通过按照上述实施方式来选取正负样本，可以在训练过程中提高正样本比例，降低负样本比例，使训练模型更多的学习到正样本的特征，进而提高模型的检测精度。且经验证，所述k的取值对于模型性能具有鲁棒性。
下面结合图2所示的改进的双流Faster R-CNN的网络框架图，对所述改进的双流Faster R-CNN的工作流程进行说明：
如图2所示，所述改进的双流Faster R-CNN包括RGB流和噪声流两个检测通道，其中，RGB流是采用单独的Faster R-CNN网络，用于边框回归(bounding box regression)和分类操作(manipulation classification)，RGB流输入通过卷积层网络提取特征，然后输入RPN层，生成较为准确的候选框区域；噪声流主要分析图像中的局部噪声特征，RGB流输入通过隐写分析富模型(Steganalysis Rich Model，SRM)过滤层生成噪声特征，然后输入与RGB流相同的卷积层网络提取特征，并与RGB流共享相同的区域提议(region proposal)，该区域提议来自仅使用RGB特征作为输入的RPN层网络；接着，通过感兴趣区域池化(Regionof interest pooling，RoI pooling)层从RGB流和噪声流中选择空间特征，通过RGB RoI特征生成预测边界框(bbx_pred)；然后，通过双线性池化(Bilinear pooling)层组合两个流的空间共线性特征；最后可通过一个全连接层和一个softmax层传递结果，产生预测标签(cls_pred)，并且判断预测区域是否被篡改。
下面以对电表读数图片的篡改检测为例，结合图3，对本发明实施例的一种具体实施流程进行举例说明：
如图3所示，首先，可以将所有的电表读数图片输入至初筛模块，由初筛模块依据各图片的Exif信息及编码信息中的软件相关字段，筛选出疑似篡改图片；
然后，将疑似篡改图片输入至电表数字提取模块，电表数字提取模块通过卷积神经网络提取特征并匹配，定位出电表数字部分，并提取出电表数字部分图片，将其作为篡改检测模块的输入；
篡改检测模块在电表数字区域图像上提取RGB流特征和噪声流特征，RGB流通过卷积层网络提取特征，然后输入RPN层，生成较为准确的候选框区域；RPN层得到候选框后，噪声流提取的特征与RGB流共享相同的区域提议；接着RoI pooling层从RGB流和噪声流选择空间特征，通过RGB RoI特征生成预测边界框；然后通过bilinear pooling层组合两个流的空间共线性特征；最后，通过一个全连接层和一个softmax层传递结果，产生预测标签并且判断预测区域是否被篡改；所述预测边界框和预测标签作为检测结果输出。
另外，还需说明的是，考虑到训练样本的有效标注会直接影响训练模型的效果，因此，为提高训练样本的质量，提升模型的精度，可以采用如下标注方法与规则来对训练样本(以电表读数图片为例)进行有效标注：
1)通过分析图片各区域的压缩率并计算其误差水平(Error Level Analysis，ELA)来确定篡改区域。只进行一次采样获得的原始图片，各区域的ELA值应该是相似的，如果出现一块区域的ELA值显著异于图片其它部分，那么这一块区域很可能是后期修改过的，利用这一原理可以将训练图片进行压缩，计算其误差水平，然后将其可视化，将ELA值显著异于图片其它部分的区域标记为篡改区域；
2)数字与上下文露出的数字部分不符区域。例如，显示的数字为8，上面的数字应该是7，但是露出来的却不是数字7的尾部，所以数字8是篡改区域；
3)其它能够明显看出来的篡改。如数字边界与其它数字边界锐利度不一致、数字倾斜度不一致、颜色不一致、数字分辨率与背景分辨率不一致、数字大小明显不一致、数字高低明显不一致等。
本发明实施例采用以上实施方式，通过将基于元数据(metadata)信息(如图片的Exif信息、编码信息)提取的规则过滤法和深度学习算法相结合，可相比现有技术带来多方面的优点。首先，使用规则过滤法从大量的电表读数图片中筛选出疑似篡改图片，减少了后续深度学习算法的计算量；其次，对电表读数图片进行预处理，将电表读数图片的数字部分裁剪出来输入模型，使得篡改区域在整张图片中所占的比例提高，相对地降低了负样本的数量；第三，使用聚类算法计算出适配电表读数图片的anchor大小和长宽比例；第四，动态阈值的使用提高了训练阶段正负样本的比例，使得模型更好的学习到图片的篡改特征。这四个方面，极大地提高了大数据量场景下检测电表读数图片的数字篡改区域的性能，使得最后检测的篡改区域精度提高，误检率降低。
本发明实施例的图像篡改检测方法，获取N张待检测图片，其中，N为正整数；基于所述N张待检测图片的目标属性信息，对所述N张待检测图片进行筛选，得到疑似篡改图片；利用篡改检测模型对所述疑似篡改图片进行检测，输出检测结果，其中，所述检测结果用于指示所述疑似篡改图片是否被篡改和篡改区域中的至少之一。这样，通过预先对待检测图片进行筛选，确定其中的疑似篡改图片，使得后续只需对疑似篡改图片作进一步检测即可，进而能够减少模型检测算法的计算量，节省系统资源。
本发明实施例还提供了一种图像篡改检测装置。参见图4，图4是本发明实施例提供的图像篡改检测装置的结构图。由于图像篡改检测装置解决问题的原理与本发明实施例中图像篡改检测方法相似，因此该图像篡改检测装置的实施可以参见方法的实施，重复之处不再赘述。
如图4所示，图像篡改检测装置400包括：
获取模块401，用于获取N张待检测图片，其中，N为正整数；
筛选模块402，用于基于所述N张待检测图片的目标属性信息，对所述N张待检测图片进行筛选，得到疑似篡改图片；
检测模块403，用于利用篡改检测模型对所述疑似篡改图片进行检测，输出检测结果，其中，所述检测结果用于指示所述疑似篡改图片是否被篡改和篡改区域中的至少之一。
可选的，筛选模块402包括：
提取单元，用于分别提取所述N张待检测图片中每张待检测图片的目标属性信息；
确定单元，用于依据所述每张待检测图片的目标属性信息中的软件相关字段，确定疑似篡改图片。
可选的，所述目标属性信息包括可交换图像文件格式Exif信息和编码信息；
所述确定单元用于将编码信息中包含第一预设字段，且Exif信息中不包含第二预设字段的待检测图片确定为疑似篡改图片，其中，所述第一预设字段为表示图片编辑软件的字段，所述第二预设字段为表示图片查看软件的字段。
可选的，图像篡改检测装置400还包括：
提取模块，用于从所述疑似篡改图片中提取目标区域图像；
检测模块403用于利用篡改检测模型对所述目标区域图像进行检测，输出检测结果。
可选的，所述篡改检测模型为改进的双流快速区域卷积神经网络Faster R-CNN，所述改进的双流Faster R-CNN中的区域生成网络RPN层的锚尺寸是通过对训练图片集中的标注框进行聚类后计算每个簇中心的框大小和长宽比确定的，其中，所述标注框为对篡改区域的标注框，所述训练图片集与所述待检测图片为同类型的图片。
可选的，所述RPN层在训练过程中的正负样本比例大于1；
其中，正负样本的选取规则包括：将所述训练图片集中的候选锚框与对应标注框的交并比IOU值按从大至小的顺序进行排序，将IOU值排序在第一区间的候选锚框作为正样本，将IOU值排序在第二区间的候选锚框作为负样本，所述第一区间的范围大于所述第二区间的范围，且所述第一区间为排序靠前的区间，所述第二区间为排序靠后的区间，所述候选锚框为所述训练图片集的锚框中与对应标注框的距离最近的k个锚框，k为大于1的整数。
可选的，所述正负样本的选取规则还包括：将IOU值排序在第三区间的候选锚框舍弃，所述第三区间为排序介于所述第一区间与所述第二区间之间的区间。
本发明实施例提供的图像篡改检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
本发明实施例的图像篡改检测装置400，获取N张待检测图片，其中，N为正整数；基于所述N张待检测图片的目标属性信息，对所述N张待检测图片进行筛选，得到疑似篡改图片；利用篡改检测模型对所述疑似篡改图片进行检测，输出检测结果，其中，所述检测结果用于指示所述疑似篡改图片是否被篡改和篡改区域中的至少之一。这样，通过预先对待检测图片进行筛选，确定其中的疑似篡改图片，使得后续只需对疑似篡改图片作进一步检测即可，进而能够减少模型检测算法的计算量，节省系统资源。
本发明实施例还提供了一种图像篡改检测设备。由于图像篡改检测设备解决问题的原理与本发明实施例中图像篡改检测设备方法相似，因此该图像篡改检测设备的实施可以参见方法的实施，重复之处不再赘述。如图5所示，本发明实施例的图像篡改检测设备，包括：
处理器500，用于读取存储器520中的程序，执行下列过程：
获取N张待检测图片，其中，N为正整数；
基于所述N张待检测图片的目标属性信息，对所述N张待检测图片进行筛选，得到疑似篡改图片；
利用篡改检测模型对所述疑似篡改图片进行检测，输出检测结果，其中，所述检测结果用于指示所述疑似篡改图片是否被篡改和篡改区域中的至少之一。
其中，在图5中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器500代表的一个或多个处理器和存储器520代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机510可以是多个元件，即包括发送机和收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器500负责管理总线架构和通常的处理，存储器520可以存储处理器500在执行操作时所使用的数据。
可选的，处理器500还用于读取所述计算机程序，执行如下步骤：
分别提取所述N张待检测图片中每张待检测图片的目标属性信息；
依据所述每张待检测图片的目标属性信息中的软件相关字段，确定疑似篡改图片。
可选的，所述目标属性信息包括可交换图像文件格式Exif信息和编码信息；
处理器500还用于读取所述计算机程序，执行如下步骤：
将编码信息中包含第一预设字段，且Exif信息中不包含第二预设字段的待检测图片确定为疑似篡改图片，其中，所述第一预设字段为表示图片编辑软件的字段，所述第二预设字段为表示图片查看软件的字段。
可选的，处理器500还用于读取所述计算机程序，执行如下步骤：
从所述疑似篡改图片中提取目标区域图像；
利用篡改检测模型对所述目标区域图像进行检测，输出检测结果。
可选的，所述篡改检测模型为改进的双流快速区域卷积神经网络Faster R-CNN，所述改进的双流Faster R-CNN中的区域生成网络RPN层的锚尺寸是通过对训练图片集中的标注框进行聚类后计算每个簇中心的框大小和长宽比确定的，其中，所述标注框为对篡改区域的标注框，所述训练图片集与所述待检测图片为同类型的图片。
可选的，所述RPN层在训练过程中的正负样本比例大于1；
其中，正负样本的选取规则包括：将所述训练图片集中的候选锚框与对应标注框的交并比IOU值按从大至小的顺序进行排序，将IOU值排序在第一区间的候选锚框作为正样本，将IOU值排序在第二区间的候选锚框作为负样本，所述第一区间的范围大于所述第二区间的范围，且所述第一区间为排序靠前的区间，所述第二区间为排序靠后的区间，所述候选锚框为所述训练图片集的锚框中与对应标注框的距离最近的k个锚框，k为大于1的整数。
可选的，所述正负样本的选取规则还包括：将IOU值排序在第三区间的候选锚框舍弃，所述第三区间为排序介于所述第一区间与所述第二区间之间的区间。
本发明实施例提供的图像篡改检测设备，可以执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
此外，本发明实施例的计算机可读存储介质，用于存储计算机程序，所述计算机程序可被处理器执行实现以下步骤：
获取N张待检测图片，其中，N为正整数；
基于所述N张待检测图片的目标属性信息，对所述N张待检测图片进行筛选，得到疑似篡改图片；
利用篡改检测模型对所述疑似篡改图片进行检测，输出检测结果，其中，所述检测结果用于指示所述疑似篡改图片是否被篡改和篡改区域中的至少之一。
可选的，所述基于所述N张待检测图片的目标属性信息，对所述N张待检测图片进行筛选，得到疑似篡改图片，包括：
分别提取所述N张待检测图片中每张待检测图片的目标属性信息；
依据所述每张待检测图片的目标属性信息中的软件相关字段，确定疑似篡改图片。
可选的，所述目标属性信息包括可交换图像文件格式Exif信息和编码信息；
所述依据所述每张待检测图片的目标属性信息中的软件相关字段，确定疑似篡改图片，包括：
将编码信息中包含第一预设字段，且Exif信息中不包含第二预设字段的待检测图片确定为疑似篡改图片，其中，所述第一预设字段为表示图片编辑软件的字段，所述第二预设字段为表示图片查看软件的字段。
可选的，所述利用篡改检测模型对所述疑似篡改图片进行检测，输出检测结果之前，所述方法还包括：
从所述疑似篡改图片中提取目标区域图像；
所述利用篡改检测模型对所述疑似篡改图片进行检测，输出检测结果，包括：
利用篡改检测模型对所述目标区域图像进行检测，输出检测结果。
可选的，所述篡改检测模型为改进的双流快速区域卷积神经网络Faster R-CNN，所述改进的双流Faster R-CNN中的区域生成网络RPN层的锚尺寸是通过对训练图片集中的标注框进行聚类后计算每个簇中心的框大小和长宽比确定的，其中，所述标注框为对篡改区域的标注框，所述训练图片集与所述待检测图片为同类型的图片。
可选的，所述RPN层在训练过程中的正负样本比例大于1；
其中，正负样本的选取规则包括：将所述训练图片集中的候选锚框与对应标注框的交并比IOU值按从大至小的顺序进行排序，将IOU值排序在第一区间的候选锚框作为正样本，将IOU值排序在第二区间的候选锚框作为负样本，所述第一区间的范围大于所述第二区间的范围，且所述第一区间为排序靠前的区间，所述第二区间为排序靠后的区间，所述候选锚框为所述训练图片集的锚框中与对应标注框的距离最近的k个锚框，k为大于1的整数。
可选的，所述正负样本的选取规则还包括：将IOU值排序在第三区间的候选锚框舍弃，所述第三区间为排序介于所述第一区间与所述第二区间之间的区间。
在本申请所提供的几个实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述收发方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种图像篡改检测方法，其特征在于，包括：
获取N张待检测图片，其中，N为正整数；
基于所述N张待检测图片的目标属性信息，对所述N张待检测图片进行筛选，得到疑似篡改图片；
利用篡改检测模型对所述疑似篡改图片进行检测，输出检测结果，其中，所述检测结果用于指示所述疑似篡改图片是否被篡改和篡改区域中的至少之一。
2.根据权利要求1所述的方法，其特征在于，所述基于所述N张待检测图片的目标属性信息，对所述N张待检测图片进行筛选，得到疑似篡改图片，包括：
分别提取所述N张待检测图片中每张待检测图片的目标属性信息；
依据所述每张待检测图片的目标属性信息中的软件相关字段，确定疑似篡改图片。
3.根据权利要求2所述的方法，其特征在于，所述目标属性信息包括可交换图像文件格式Exif信息和编码信息；
所述依据所述每张待检测图片的目标属性信息中的软件相关字段，确定疑似篡改图片，包括：
将编码信息中包含第一预设字段，且Exif信息中不包含第二预设字段的待检测图片确定为疑似篡改图片，其中，所述第一预设字段为表示图片编辑软件的字段，所述第二预设字段为表示图片查看软件的字段。
4.根据权利要求1所述的方法，其特征在于，所述利用篡改检测模型对所述疑似篡改图片进行检测，输出检测结果之前，所述方法还包括：
从所述疑似篡改图片中提取目标区域图像；
所述利用篡改检测模型对所述疑似篡改图片进行检测，输出检测结果，包括：
利用篡改检测模型对所述目标区域图像进行检测，输出检测结果。
5.根据权利要求1所述的方法，其特征在于，所述篡改检测模型为改进的双流快速区域卷积神经网络Faster R-CNN，所述改进的双流Faster R-CNN中的区域生成网络RPN层的锚尺寸是通过对训练图片集中的标注框进行聚类后计算每个簇中心的框大小和长宽比确定的，其中，所述标注框为对篡改区域的标注框，所述训练图片集与所述待检测图片为同类型的图片。
6.根据权利要求5所述的方法，其特征在于，所述RPN层在训练过程中的正负样本比例大于1；
其中，正负样本的选取规则包括：将所述训练图片集中的候选锚框与对应标注框的交并比IOU值按从大至小的顺序进行排序，将IOU值排序在第一区间的候选锚框作为正样本，将IOU值排序在第二区间的候选锚框作为负样本，所述第一区间的范围大于所述第二区间的范围，且所述第一区间为排序靠前的区间，所述第二区间为排序靠后的区间，所述候选锚框为所述训练图片集的锚框中与对应标注框的距离最近的k个锚框，k为大于1的整数。
7.根据权利要求6所述的方法，其特征在于，所述正负样本的选取规则还包括：将IOU值排序在第三区间的候选锚框舍弃，所述第三区间为排序介于所述第一区间与所述第二区间之间的区间。
8.一种图像篡改检测装置，其特征在于，包括：
获取模块，用于获取N张待检测图片，其中，N为正整数；
筛选模块，用于基于所述N张待检测图片的目标属性信息，对所述N张待检测图片进行筛选，得到疑似篡改图片；
检测模块，用于利用篡改检测模型对所述疑似篡改图片进行检测，输出检测结果，其中，所述检测结果用于指示所述疑似篡改图片是否被篡改和篡改区域中的至少之一。
9.一种图像篡改检测设备，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，其特征在于，所述处理器，用于读取存储器中的程序实现如权利要求1至7中任一项所述的方法中的步骤。
10.一种计算机可读存储介质，用于存储计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的图像篡改检测方法中的步骤。
CN202011292363.9A 2020-11-18 2020-11-18 图像篡改检测方法、装置、设备及计算机可读存储介质 Pending CN114519689A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011292363.9A CN114519689A (zh) 2020-11-18 2020-11-18 图像篡改检测方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011292363.9A CN114519689A (zh) 2020-11-18 2020-11-18 图像篡改检测方法、装置、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN114519689A true CN114519689A (zh) 2022-05-20

Family

ID=81595182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011292363.9A Pending CN114519689A (zh) 2020-11-18 2020-11-18 图像篡改检测方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN114519689A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953453A (zh) * 2023-03-03 2023-04-11 国网吉林省电力有限公司信息通信公司 基于图像错位分析和北斗卫星的变电站地质形变监测方法
CN117407562A (zh) * 2023-12-13 2024-01-16 杭州海康威视数字技术股份有限公司 一种图像识别方法、系统及电子设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953453A (zh) * 2023-03-03 2023-04-11 国网吉林省电力有限公司信息通信公司 基于图像错位分析和北斗卫星的变电站地质形变监测方法
CN115953453B (zh) * 2023-03-03 2023-08-15 国网吉林省电力有限公司信息通信公司 基于图像错位分析和北斗卫星的变电站地质形变监测方法
CN117407562A (zh) * 2023-12-13 2024-01-16 杭州海康威视数字技术股份有限公司 一种图像识别方法、系统及电子设备
CN117407562B (zh) * 2023-12-13 2024-04-05 杭州海康威视数字技术股份有限公司 一种图像识别方法、系统及电子设备

Similar Documents

Publication Publication Date Title
CN109151501A (zh) 一种视频关键帧提取方法、装置、终端设备及存储介质
CN102968637B (zh) 一种复杂背景图像文字分割方法
CN111583180B (zh) 一种图像的篡改识别方法、装置、计算机设备及存储介质
CN110942456B (zh) 篡改图像检测方法、装置、设备及存储介质
CN113673607A (zh) 图像标注模型的训练及图像标注的方法及装置
CN112528058B (zh) 基于图像属性主动学习的细粒度图像分类方法
CN114519689A (zh) 图像篡改检测方法、装置、设备及计算机可读存储介质
Li et al. Robust median filtering detection based on the difference of frequency residuals
CN115909280A (zh) 基于多头注意力机制的交通标志识别算法
CN116052090A (zh) 图像质量评估方法、模型训练方法、装置、设备及介质
CN113743378B (zh) 一种基于视频的火情监测方法和装置
CN116071557A (zh) 一种长尾目标检测方法、计算机可读存储介质及驾驶设备
CN113065559B (zh) 图像比对方法、装置、电子设备及存储介质
Julliand et al. Automated image splicing detection from noise estimation in raw images
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
CN117351505A (zh) 信息码的识别方法、装置、设备及存储介质
Ciuntu et al. Real-time traffic sign detection and classification using machine learning and optical character recognition
CN112560925A (zh) 一种复杂场景目标检测数据集构建方法及系统
CN116824488A (zh) 一种基于迁移学习的目标检测方法
JP2004538555A (ja) デジタル画像を分類する方法
CN115908344A (zh) 一种基于MLCT-YOLO的Micro LED芯片缺陷检测方法
CN105354833A (zh) 一种阴影检测的方法和装置
CN112991419B (zh) 视差数据生成方法、装置、计算机设备及存储介质
Muratov et al. Saliency detection as a support for image forensics
CN113706636A (zh) 一种用于篡改图像识别的方法与装置

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