CN116109878B - 一种图像翻拍识别方法、系统、装置及存储介质 - Google Patents
一种图像翻拍识别方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN116109878B CN116109878B CN202310372634.9A CN202310372634A CN116109878B CN 116109878 B CN116109878 B CN 116109878B CN 202310372634 A CN202310372634 A CN 202310372634A CN 116109878 B CN116109878 B CN 116109878B
- Authority
- CN
- China
- Prior art keywords
- image
- network
- identified
- moire
- sub
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003379 elimination reaction Methods 0.000 claims abstract description 36
- 230000008030 elimination Effects 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- JEJGUIDNYBAPGN-UHFFFAOYSA-N methylenedioxydimethylamphetamine Chemical compound CN(C)C(C)CC1=CC=C2OCOC2=C1 JEJGUIDNYBAPGN-UHFFFAOYSA-N 0.000 claims description 3
- 238000012549 training Methods 0.000 description 36
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Facsimiles In General (AREA)
Abstract
本发明提出一种图像翻拍识别方法、系统、装置及存储介质。图像翻拍识别方法包括步骤:(1)对待识别图像进行摩尔纹消除处理,得到第一图像;所述第一图像与所述待识别图像的尺寸相等;(2)计算所述第一图像与所述待识别图像的像素差分矩阵,作为第二图像;(3)将所述第二图像输入预先构建好的二分类网络模型,得到所述待识别图像是否为翻拍图像的预测结果。本发明提出的技术方案适用性广、调试容易、运行速度快,可部署于服务端、客户端和电子设备,从而广泛适用于各种商业场景。
Description
技术领域
本发明涉及计算机视觉领域,具体涉及一种图像翻拍识别方法、系统、装置及存储介质。
背景技术
翻拍图片是指照片的拍摄对象并非真实场景,而是来自显示器、手机屏幕等电子设备的二次场景;摩尔纹是指在拍照过程中,当拍摄设备的感光元件像素的空间排布频率与拍摄对象中纹路的空间频率接近时,在拍摄图片上产生的不规则花纹。由于摩尔纹广泛存在且不可避免,因此行业内广泛采用摩尔纹特征进行翻拍识别。然而,当前的主流识别方案存在以下问题:一是适用范围比较狭窄,如一些技术方案往往基于金融票据、身份证类图片或带有光斑投影的照片的特定特征,因而只能用于识别相应领域或包含相应特征的图片;二是融合了过于复杂的特征,如多尺度特征、灰度特征、角点特征等,最终增加了方案的调试难度和运行耗时,部署实现难度较高。
发明内容
发明目的:本发明旨在克服以上技术问题,提出一种适用性广、调试容易、运行速度快的图像翻拍识别方法、系统、装置及存储介质。
发明内容:为实现上述目的,本发明提出以下技术方案:
第一方面,本发明提出一种图像翻拍识别方法,包括步骤:
(1)对待识别图像进行摩尔纹消除处理,得到第一图像;所述第一图像与所述待识别图像的尺寸相等;
(2)计算所述第一图像与所述待识别图像的像素差分矩阵,作为第二图像;
(3)将所述第二图像输入预先构建好的二分类网络模型,得到所述待识别图像是否为翻拍图像的预测结果。
作为所述翻拍识别方式的一种可选实施方式,所述二分类网络模型被配置为用于识别所述第二图像中是否存在摩尔纹特征,若存在摩尔纹特征,则输出表征所述待识别图像为翻拍图像的预测结果;若不存在摩尔纹特征,则输出表征所述待识别图像为非翻拍图像的预测结果。
作为所述翻拍识别方式的一种可选实施方式,所述步骤(1)中,通过预先构建的摩尔纹消除网络实现对所述待识别图像的摩尔纹消除处理;所述摩尔纹消除网络的实现方法包括:MopNet网络、MDDM网络、ESDNet网络或去噪卷积算子。
作为所述翻拍识别方式的一种可选实施方式,所述二分类网络模型通过卷积申请网络或支持向量机实现。
第二方面,本发明提出一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序能够被处理器读取并执行,以完成所述的图像翻拍识别方法。
第三方面,本发明提出一种图像翻拍识别系统,包括摩尔纹消除子网络模块、差分计算模块和二分类子网络模块;
所述摩尔纹消除子网络模块被配置为用于对输入的待识别图像进行摩尔纹消除处理,并输出消除摩尔纹之后的第一图像;所述第一图像与所述待识别图像的尺寸相等;
所述差分计算模块被配置为用于对所述待识别图像和所述第一图像进行差分计算,输出像素差分矩阵作为第二图像;
所述二分类子网络模块被配置为用于基于所述第二图像识别所述待识别图像是否为翻拍图像,并输出识别结果。
作为所述图像翻拍识别系统的一种可选实施方式,所述摩尔纹消除子网络模块采用MopNet网络实现,包括摩尔纹特征识别分支网络、边缘检测分支网络和图像重建分支网络;
所述摩尔纹特征识别分支网络由2个VGG19分类网络构成,对待识别图像中的摩尔纹纹路的频率、颜色、形状属性进行识别,输出三组二分类预测概率值;
所述边缘检测分支网络由1个Sobel算子和1个编解码器串联构成,用于对所述待识别图像提取RGB三个颜色通道的Sobel边缘特征,重建三个颜色通道的边缘特征;
所述图像重建分支网络由1个编解码器、1个SE模块和3个卷积层构成,用于基于所述待识别图像、所述三组二分类预测概率值和所述三个颜色通道的边缘特征,重建得到消除摩尔纹之后的第一图像。
作为所述图像翻拍识别系统的一种可选实施方式,所述二分类子网络模块采用ResNet18网络实现,包括依次串联的堆叠的卷积层、全局平均池化层和全连接层;
所述堆叠的卷积层将所述第二图像依次送入一个7*7的卷积核、一个池化层和16组Conv+BN+Relu层进行处理,得到512通道特征图;
所述全局平均池化层将所述512通道特征图的尺寸归一到512*1*1,得到512维的向量;
所述全连接层通过一个512*2的矩阵对所述512维的特征向量做二分类,生成翻拍预测概率。
第四方面,本发明提出一种翻拍识别装置,该装置包括至少一个处理器和至少一个存储器;所述存储器用于存储至少一个计算机程序,所述计算机程序能够被所述处理器读取并执行,以完成所述的图像翻拍识别方法。
有益效果:与现有技术相比,本发明具有以下优势:
本发明通过对消除摩尔纹之后的图像和原始图像做差分计算,提取原始图像中的摩尔纹特征,进而通过二分类网络模型对摩尔纹特征进行识别,即可实现翻拍图像识别,对于待识别的图像本身没有限制,适用范围较广。
本发明仅需要提取摩尔纹特征作为翻拍图像识别依据,训练mopnet算法时依赖的低级视觉特征仅有Sobel特征,这是一种最简单的边缘特征。在本发明所述技术方案实现过程中无需调参,计算速度很快且易于部署实现。
附图说明
图1为实施例涉及的图像翻拍识别方法流程图;
图2为实施例涉及的图像翻拍识别系统结构图;
图3为实施例涉及的摩尔纹消除子网络模块结构图;
图4为实施例涉及的二分类子网络模块结构图;
图5为实施例涉及的摩尔纹消除子网络训练流程图;
图6为实施例涉及的二分类子网络训练流程图;
图7为实施例涉及的图像翻拍识别系统的部署结构图;
图8为实施例涉及的图像翻拍识别装置结构图。
实施方式
下面将结合附图和具体实施例对本发明作更进一步的说明。但应当理解的是,本发明可以以各种形式实施,以下在附图中出示并且在下文中描述的一些示例性和非限制性实施例,并不意图将本发明限制于所说明的具体实施例。
应当理解的是,在技术上可行的情况下,以上针对不同实施例所列举的技术特征可以相互组合,从而形成本发明范围内的另外的实施例。此外,本发明所述的特定示例和实施例是非限制性的,并且可以对以上所阐述的结构、步骤、顺序做出相应修改而不脱离本发明的保护范围。
本实施例旨在基于翻拍图像的摩尔纹特征,提出一种适用范围广、易于部署实现且识别准确率高的图像翻拍识别方法、系统、装置及存储介质。
请参考图1,本实施例提出一种图像翻拍识别方法,其流程包括以下步骤:
S101、对待识别图像进行摩尔纹消除处理,得到第一图像。
在对待识别图像进行摩尔纹消除处理时,可选取主流的摩尔纹消除算法,例如MopNet(Moire pattern Removal Neural Network)、MDDM(Multi-scale Dynamic FeatureEncoding Network for Image Demoireing)和ESDNet(Efficient and Scale-RobustImage Demoireing Neural Network)等,这些算法可处理不同尺寸的图片,其范围最小到边长256像素、最大可达4K分辨率。此外,常用的去噪卷积算子(如高斯模糊、中值模糊)作为一种高频滤波器,也可作为简陋的摩尔纹消除算法应用在本实施例中,对待识别图像进行摩尔纹消除处理。
在本实施例中,记待识别图像为,消除摩尔纹之后的第一图像为/>,/>与的尺寸大小均一致。
S102、对第一图像与待识别图像进行差分计算,得到第二图像。
第二图像的计算公式为:,由计算公式可知,第二图像实际上是第一图像/>与待识别图像/>的像素差分矩阵,理想状况下,该差分矩阵中只包含摩尔纹特征。
S103、将第二图像输入预先训练好的二分类网络模型,得到待识别图像是否为翻拍图像的识别结果。
二分类网络模型被配置为用于识别所述第二图像中是否存在摩尔纹特征,若存在摩尔纹特征,则输出表征所述待识别图像为翻拍图像的预测结果;若不存在摩尔纹特征,则输出表征所述待识别图像为非翻拍图像的预测结果。
理想情况下,步骤S101中应当只修改待识别图像的摩尔纹特征,不修改语义特征。即待识别图像与第一图像/>的每个像素应当完全一致,亦即:差分矩阵/>中所有元素均为0。在此理想情况下,二分类模型只需要判断差分矩阵是否包含非0的元素就能以100%的准确率快速预测原图是否翻拍。可选用当前各种能够实现该目的的神经网络模型来作为本实施例中的二分类模型,比如CNN(卷积神经网络,包括VGG、ResNet等)或支持向量机等分类算法。
本实施例还提出一种图像翻拍识别系统,请参考图2,图2示意性地给出了本实施例所述图像翻拍识别系统的一种结构图。该系统主要包括三部分:(1)摩尔纹消除子网络模块,(2)差分计算模块,(3)二分类子网络模块。
(1)摩尔纹消除子网络模块
摩尔纹消除子网络模块用于对输入的待识别图像进行摩尔纹消除处理,并输出消除摩尔纹之后的第一图像/>。
请参考图3,图3示意性地给出摩尔纹消除子网络模块的一种结构图。图3中所示的摩尔纹消除子网络模块采用MopNet网络实现,MopNet由三个分支组成,分别为:摩尔纹特征识别分支网络、边缘检测分支网络和图像重建分支网络。
第一个分支,摩尔纹特征识别分支网络,由2个VGG19分类网络构成,对待识别图像中的摩尔纹纹路的频率(高/低)、颜色(单/彩)、形状(曲/直)三个方面的属性进行识别,输出三组二分类预测概率值。
第二个分支,边缘检测分支网络,由1个Sobel算子和1个编解码器串联构成,基于待识别图像和RGB三个颜色通道的Sobel边缘特征,重建三个颜色通道的边缘特征。也就是说,边缘检测分支网络的输入为待识别图像/>,输出为3个与X的长宽一致的单通道边缘特征图。
第三个分支,图像重建分支网络,由1个编解码器、1个SE模块和3个卷积层构成,基于待识别图像和由前两个分支生成的特征,最终重建得到消除摩尔纹之后与/>的长宽一致RGB图片/>。
(2)差分计算模块
差分计算模块用于对待识别图像和第一图像/>进行差分计算,得到差分矩阵/>。
(3)二分类子网络模块
二分类子网络模块用于判断待识别图像是否为翻拍图像,其输入为差分矩阵,输出为翻拍概率预测值。
请参考图4,图4示意性地给出二分类子网络模块的一种结构图。图4中所示的二分类子网络模块采用ResNet18网络实现,ResNet18由三部分串联组成:堆叠的卷积层、全局平均池化层、全连接层。
堆叠的卷积层,差分矩阵输入后,依次通过一个7*7的卷积核、一个池化层和16组Conv+BN+Relu(卷积层+批标准化层+激活层)的处理,成为512通道的特征图。
全局平均池化层,将堆叠的卷积层输出的512通道特征图的尺寸归一到512*1*1,成为512维的向量。
全连接层,是一个512*2的矩阵,对上述512维的特征向量做二分类,生成翻拍预测概率。
整个图像翻拍识别系统的训练过程如下:
步骤a、构建训练数据集。
采集内容相同的一对真实图片和翻拍图片作为一组训练样本;采集若干组不同场景的训练样本,构成训练集一,用于训练摩尔纹消除子网络。完成摩尔纹消除子网络模块训练之后,将翻拍图片输入摩尔纹消除子网络,得到消除摩尔纹后的图片,对二者的像素做减法获得正样本,也就是差分矩阵/>;同理输入真实图片,获得负样本;正负样本共同组成训练集二,用于训练二分类子网络/>。
步骤b、使用训练集一训练摩尔纹消除子网络,使用训练集二训练二分类子网络/>。
请参考图5,图5给出了摩尔纹消除子网络的训练过程。对于摩尔纹消除子网络/>,使用训练集一及对应的二分类标签训练第一分支的两个分类网络;使用训练集一及对应的Sobel特征训练第二分支的编解码器;将上述两个训练模型和第三分支合并,基于微调(fine-tuning)参数联合训练得到三个分支的最终参数。
请参考图6,图6给出了二分类子网络的训练过程。对于二分类子网络/>,使用训练集二中的样本及对应的正负标签,训练二分类的ResNet18。
训练完成后,即可实现一种适用性广、调试容易、运行速度快的图像翻拍识别系统,用于处理图像采集设备拍摄的图片或本地图像。该系统可以部署到服务器供远程设备上传并回调结果,也可以应用程序的形式部署到手机端供离线识别本地图片,还可以部署到包含处理器、总线、存储系统的PC(个人电脑)、嵌入式系统等可编程电子设备上以满足特定场景的使用。
请参考图7,图7示意性地给出图像翻拍识别系统的一种部署方式。图7中,整个图像翻拍识别系统分为在线客户端、离线客户端和服务端,在线客户端和离线客户端分别与服务端交互。在线客户端用于采集待识别图片并上传给服务端。服务端部署有摩尔纹消除子网络、分类子网络、相应的用于完成两个子网络训练的计算机程序,服务端在接收到在线客户端上传的待识别图像之后,进行基于本实施例所述图像翻拍识别方法的识别过程,并将待识别图像是否为翻拍图像的预测结果反馈给在线客户端。
摩尔纹消除子网络和分类子网络还可以部署在离线客户端中,离线客户端可通过服务端部署的用于完成摩尔纹消除子网络训练和分类子网络训练的计算机程序完成摩尔纹消除子网络和分类子网络的训练,并通过训练好的摩尔纹消除子网络和二分类子网络实现本实施例所述的图像翻拍识别方法,对采集的待识别图像进行翻拍识别。
本实施例还提出一种计算机可读存储介质,例如包括程序代码的存储器,上述程序代码可由处理器执行以完成上述实施例中的摩尔纹消除子网络训练方法、分类子网络训练方法和图像翻拍识别方法。例如,该计算机可读存储介质可以是只读存储器(Read-OnlyMemory ,ROM)、随机存取存储器(Random Access Memory,RAM)、只读光盘(Compact DiscRead-Only Memory,CDROM)、磁带、软盘和光数据存储设备等。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括一条或多条程序代码,该程序代码存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该程序代码,处理器执行该程序代码,以完成上述实施例中提供的摩尔纹消除子网络训练方法、分类子网络训练方法和图像翻拍识别方法的实现步骤。
本公开实施例还提出一种翻拍识别装置,其结构请参考图8,包括处理器和存储器。存储器存储有计算机程序,而处理器执行所述计算机程序,以实现本公开实施例所述的摩尔纹消除子网络训练方法、分类子网络训练方法和图像翻拍识别方法。
具体来说,存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本申请实施例中的摩尔纹消除子网络模块、分类子网络模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,可以实现本公开实施例中的摩尔纹消除子网络训练方法、分类子网络训练方法和图像翻拍识别方法。存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、硬件芯片或者其任意组合;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(ApplicationSpecificIntegratedCircut,ASIC)、可编程逻辑器件(programmable logic device,PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device,CPLD),现场可编程逻辑门阵列(field-programmable gate array,FPGA),通用阵列逻辑(genericarray logic,GAL)或其任意组合。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种图像翻拍识别方法,其特征在于,包括步骤:
(1)对待识别图像进行摩尔纹消除处理,得到第一图像;所述第一图像与所述待识别图像的尺寸相等;
(2)计算所述第一图像与所述待识别图像的像素差分矩阵,作为第二图像;
(3)将所述第二图像输入预先构建好的二分类网络模型,得到所述待识别图像是否为翻拍图像的预测结果;所述二分类网络模型采用ResNet18网络实现,包括依次串联的堆叠的卷积层、全局平均池化层和全连接层;
所述堆叠的卷积层将所述第二图像依次送入一个7*7的卷积核、一个池化层和16组Conv+BN+Relu层进行处理,得到512通道特征图;
所述全局平均池化层将所述512通道特征图的尺寸归一到512*1*1,得到512维的向量;
所述全连接层通过一个512*2的矩阵对所述512维的特征向量做二分类,生成翻拍预测概率。
2.根据权利要求1所述的图像翻拍识别方法,其特征在于,所述步骤(1)中,通过预先构建的摩尔纹消除网络实现对所述待识别图像的摩尔纹消除处理;所述摩尔纹消除网络的实现方法包括:
MopNet网络、MDDM网络、ESDNet网络或去噪卷积算子。
3.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,所述计算机程序能够被处理器读取并执行,以完成权利要求1或权利要求2所述的图像翻拍识别方法。
4.一种图像翻拍识别系统,其特征在于,包括摩尔纹消除子网络模块、差分计算模块和二分类子网络模块;
所述摩尔纹消除子网络模块被配置为用于对输入的待识别图像进行摩尔纹消除处理,并输出消除摩尔纹之后的第一图像;所述第一图像与所述待识别图像的尺寸相等;
所述差分计算模块被配置为用于对所述待识别图像和所述第一图像进行差分计算,输出像素差分矩阵作为第二图像;
所述二分类子网络模块被配置为用于基于所述第二图像识别所述待识别图像是否为翻拍图像,并输出识别结果;所述二分类子网络模块采用ResNet18网络实现,包括依次串联的堆叠的卷积层、全局平均池化层和全连接层;所述堆叠的卷积层将所述第二图像依次送入一个7*7的卷积核、一个池化层和16组Conv+BN+Relu层进行处理,得到512通道特征图;所述全局平均池化层将所述512通道特征图的尺寸归一到512*1*1,得到512维的向量;所述全连接层通过一个512*2的矩阵对所述512维的特征向量做二分类,生成翻拍预测概率。
5.根据权利要求4所述的图像翻拍识别系统,其特征在于,所述摩尔纹消除子网络模块采用MopNet网络实现,包括摩尔纹特征识别分支网络、边缘检测分支网络和图像重建分支网络;
所述摩尔纹特征识别分支网络由2个VGG19分类网络构成,对待识别图像中的摩尔纹纹路的频率、颜色、形状属性进行识别,输出三组二分类预测概率值;
所述边缘检测分支网络由1个Sobel算子和1个编解码器串联构成,用于对所述待识别图像提取RGB三个颜色通道的Sobel边缘特征,重建三个颜色通道的边缘特征;
所述图像重建分支网络由1个编解码器、1个SE模块和3个卷积层构成,用于基于所述待识别图像、所述三组二分类预测概率值和所述三个颜色通道的边缘特征,重建得到消除摩尔纹之后的第一图像。
6.一种翻拍识别装置,其特征在于,包括至少一个处理器和至少一个存储器;所述存储器用于存储至少一个计算机程序,所述计算机程序能够被所述处理器读取并执行,以完成权利要求1或权利要求2任意一项所述的图像翻拍识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310372634.9A CN116109878B (zh) | 2023-04-10 | 2023-04-10 | 一种图像翻拍识别方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310372634.9A CN116109878B (zh) | 2023-04-10 | 2023-04-10 | 一种图像翻拍识别方法、系统、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116109878A CN116109878A (zh) | 2023-05-12 |
CN116109878B true CN116109878B (zh) | 2023-09-08 |
Family
ID=86265831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310372634.9A Active CN116109878B (zh) | 2023-04-10 | 2023-04-10 | 一种图像翻拍识别方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109878B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117830314B (zh) * | 2024-03-05 | 2024-05-03 | 深圳前海量子云码科技有限公司 | 微观编码图像翻拍检测方法、装置、移动终端及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558794A (zh) * | 2018-10-17 | 2019-04-02 | 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 |
CN110059700A (zh) * | 2019-03-18 | 2019-07-26 | 深圳神目信息技术有限公司 | 图像摩尔纹识别方法、装置、计算机设备及存储介质 |
JP2021009543A (ja) * | 2019-07-01 | 2021-01-28 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びプログラム |
CN115272223A (zh) * | 2022-07-26 | 2022-11-01 | 中山大学 | 基于深度学习的图像翻拍自动检测技术 |
-
2023
- 2023-04-10 CN CN202310372634.9A patent/CN116109878B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558794A (zh) * | 2018-10-17 | 2019-04-02 | 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 |
CN110059700A (zh) * | 2019-03-18 | 2019-07-26 | 深圳神目信息技术有限公司 | 图像摩尔纹识别方法、装置、计算机设备及存储介质 |
JP2021009543A (ja) * | 2019-07-01 | 2021-01-28 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びプログラム |
CN115272223A (zh) * | 2022-07-26 | 2022-11-01 | 中山大学 | 基于深度学习的图像翻拍自动检测技术 |
Also Published As
Publication number | Publication date |
---|---|
CN116109878A (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325954B (zh) | 图像分割方法、装置及电子设备 | |
Pan et al. | Learning dual convolutional neural networks for low-level vision | |
Bianco et al. | On the use of deep learning for blind image quality assessment | |
Alireza Golestaneh et al. | Spatially-varying blur detection based on multiscale fused and sorted transform coefficients of gradient magnitudes | |
KR102113911B1 (ko) | 생체 인식 인증을 위한 특징 추출 및 정합과 템플릿 갱신 | |
KR102095443B1 (ko) | 구조텐서를 이용한 딥러닝 기반의 영상 개선 방법 및 장치 | |
CN110443775B (zh) | 基于卷积神经网络的离散小波变换域多聚焦图像融合方法 | |
CN116109878B (zh) | 一种图像翻拍识别方法、系统、装置及存储介质 | |
CN117496019B (zh) | 一种驱动静态图像的图像动画处理方法及系统 | |
CN113807237A (zh) | 活体检测模型的训练、活体检测方法、计算机设备及介质 | |
CN116309562B (zh) | 一种板卡缺陷识别方法及系统 | |
CN113658050A (zh) | 一种图像的去噪方法、去噪装置、移动终端及存储介质 | |
CN115689947A (zh) | 一种图像锐化的方法、系统、电子装置和存储介质 | |
Van Noord et al. | Light-weight pixel context encoders for image inpainting | |
CN114926348B (zh) | 一种去除低照度视频噪声的装置和方法 | |
CN115937121A (zh) | 基于多维度特征融合的无参考图像质量评价方法及系统 | |
Liu et al. | Guided image deblurring by deep multi-modal image fusion | |
CN113239738B (zh) | 一种图像的模糊检测方法及模糊检测装置 | |
RU2405200C2 (ru) | Способ и устройство быстрого фильтрования шума цифровых изображений | |
CN111986176B (zh) | 一种裂纹图像识别方法、系统、终端及可读存储介质 | |
CN112087556B (zh) | 一种暗光成像方法、装置、可读存储介质及终端设备 | |
Manchanda et al. | An improved multifocus image fusion algorithm using deep learning and adaptive fuzzy filter | |
Khan et al. | Detection of blur and non-blur regions using frequency-based multi-level fusion transformation and classification via KNN matting | |
Tiwari et al. | Blur Classification Using Wavelet Transform and Feed Forward Neural Network | |
CN113255472B (zh) | 一种基于随机嵌入稳定性的人脸质量评价方法及系统 |
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 |