CN116168038B - 一种图像翻拍检测的方法、装置、电子设备及存储介质 - Google Patents
一种图像翻拍检测的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116168038B CN116168038B CN202310458382.1A CN202310458382A CN116168038B CN 116168038 B CN116168038 B CN 116168038B CN 202310458382 A CN202310458382 A CN 202310458382A CN 116168038 B CN116168038 B CN 116168038B
- Authority
- CN
- China
- Prior art keywords
- image
- determining
- target image
- detection
- flip
- 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
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
- 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
- G06V10/70—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
-
- 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]
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请属于图像处理技术领域,公开了一种图像翻拍检测的方法、装置、电子设备及存储介质,该方法包括,获取待检测的目标图像;采用翻拍检测模型,对目标图像进行检测,获得目标图像中的翻拍特征区域及其对应的特征类型、面积占比以及置信度;翻拍检测模型是基于深度学习构建的;根据翻拍特征区域的特征类型、面积占比以及置信度,确定目标图像的翻拍检测结果。这样,可以通过面积占比以及置信度确定翻拍检测结果,提高了翻拍检测的准确度。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种图像翻拍检测的方法、装置、电子设备及存储介质。
背景技术
在一些应用场景中,通常需要对图像翻拍进行检测,以判断该图像是否为对另一个图像翻拍后获得的。
现有技术下,通常采用离散余弦变换等方式,获得翻拍图像特征,进而根据翻拍图像特征确定翻拍检测结果。
但是,采用这种方式,图像翻拍检测的准确度较差。
发明内容
本申请实施例的目的在于提供一种图像翻拍检测的方法、装置、电子设备及存储介质,用以提高图像翻拍检测的准确度。
一方面,提供一种图像翻拍检测的方法,包括:
获取待检测的目标图像;
采用翻拍检测模型,对目标图像进行检测,获得目标图像中的翻拍特征区域及其对应的特征类型、面积占比以及置信度;翻拍检测模型是基于深度学习构建的;
根据翻拍特征区域的特征类型、面积占比以及置信度,确定目标图像的翻拍检测结果。
一种实施方式中,特征类型包括以下类型中的至少一种:摩尔纹、屏幕边框以及异常反光。
一种实施方式中,根据翻拍特征区域的特征类型、面积占比以及置信度,确定目标图像的翻拍检测结果,包括:
若确定翻拍特征区域为至少一个,则针对至少一个翻拍区域中的目标翻拍区域,获取目标翻拍的特征类型对应的翻拍条件;目标翻拍区域为至少一个翻拍区域中的任一翻拍区域;
若确定目标翻拍区域的面积占比以及置信度符合翻拍条件,则确定目标图像为翻拍图像;
若确定至少一个翻拍区域均不符合翻拍条件,则确定目标图像不为翻拍图像。
一种实施方式中,若确定目标翻拍区域的面积占比以及置信度符合翻拍条件,则确定目标图像为翻拍图像,包括:
若确定面积占比高于第一占比阈值,则确定目标图像为翻拍图像;
若确定置信度高于第一置信度阈值,则确定目标图像为翻拍图像;
若确定面积占比高于第二占比阈值,且置信度高于第二置信度阈值,则确定目标图像为翻拍图像。
一种实施方式中,方法还包括:
若确定翻拍检测模型为多个不同模型,则根据各翻拍检测模型分别对应的翻拍检测结果,确定翻拍检测结果为翻拍图像的翻拍次数,以及翻拍检测结果为非翻拍图像的非翻拍次数;
根据翻拍次数和非翻拍次数,确定综合翻拍检测结果。
一方面,提供一种图像翻拍检测的装置,包括:
获取单元,用于获取待检测的目标图像;
检测单元,用于采用翻拍检测模型,对目标图像进行检测,获得目标图像中的翻拍特征区域及其对应的特征类型、面积占比以及置信度;翻拍检测模型是基于深度学习构建的;
确定单元,用于根据翻拍特征区域的特征类型、面积占比以及置信度,确定目标图像的翻拍检测结果。
一种实施方式中,特征类型包括以下类型中的至少一种:摩尔纹、屏幕边框以及异常反光。
一种实施方式中,确定单元用于:
若确定翻拍特征区域为至少一个,则针对至少一个翻拍区域中的目标翻拍区域,获取目标翻拍的特征类型对应的翻拍条件;目标翻拍区域为至少一个翻拍区域中的任一翻拍区域;
若确定目标翻拍区域的面积占比以及置信度符合翻拍条件,则确定目标图像为翻拍图像;
若确定至少一个翻拍区域均不符合翻拍条件,则确定目标图像不为翻拍图像。
一种实施方式中,确定单元用于:
若确定面积占比高于第一占比阈值,则确定目标图像为翻拍图像;
若确定置信度高于第一置信度阈值,则确定目标图像为翻拍图像;
若确定面积占比高于第二占比阈值,且置信度高于第二置信度阈值,则确定目标图像为翻拍图像。
一种实施方式中,确定单元还用于:
若确定翻拍检测模型为多个不同模型,则根据各翻拍检测模型分别对应的翻拍检测结果,确定翻拍检测结果为翻拍图像的翻拍次数,以及翻拍检测结果为非翻拍图像的非翻拍次数;
根据翻拍次数和非翻拍次数,确定综合翻拍检测结果。
一方面,提供了一种电子设备,包括处理器以及存储器,存储器存储有计算机可读取指令,当计算机可读取指令由处理器执行时,运行如上述任一种图像翻拍检测的各种可选实现方式中提供的方法的步骤。
一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时运行如上述任一种图像翻拍检测的各种可选实现方式中提供的方法的步骤。
一方面,提供了一种计算机程序产品,计算机程序产品在计算机上运行时,使得计算机执行如上述任一种图像翻拍检测的各种可选实现方式中提供的方法的步骤。
本申请实施例提供的一种图像翻拍检测的方法、装置、电子设备及存储介质中,获取待检测的目标图像;采用翻拍检测模型,对目标图像进行检测,获得目标图像中的翻拍特征区域及其对应的特征类型、面积占比以及置信度;翻拍检测模型是基于深度学习构建的;根据翻拍特征区域的特征类型、面积占比以及置信度,确定目标图像的翻拍检测结果。这样,可以通过面积占比以及置信度确定翻拍检测结果,提高了翻拍检测的准确度。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种图像翻拍检测的方法的流程图;
图2为本申请实施例提供的一种翻拍检测模型的训练方法的流程图;
图3为本申请实施例提供的一种图像翻拍检测的装置的结构框图;
图4为本申请实施方式中一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
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定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
首先对本申请实施例中涉及的部分用语进行说明,以便于本领域技术人员理解。
终端设备:可以是移动终端、固定终端或便携式终端,例如移动手机、站点、单元、设备、多媒体计算机、多媒体平板、互联网节点、通信器、台式计算机、膝上型计算机、笔记本计算机、上网本计算机、平板计算机、个人通信系统设备、个人导航设备、个人数字助理、音频/视频播放器、数码相机/摄像机、定位设备、电视接收器、无线电广播接收器、电子书设备、游戏设备或者其任意组合,包括这些设备的配件和外设或者其任意组合。还可预见到的是,终端设备能够支持任意类型的针对用户的接口(例如可穿戴设备)等。
服务器:可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务以及大数据和人工智能平台等基础云计算服务的云服务器。
为了在对图像进行翻拍检测时,可以提高图像翻拍检测的准确度,本申请实施例提供了一种图像翻拍检测的方法、装置、电子设备及存储介质。
参阅图1所示,为本申请实施例提供的一种图像翻拍检测的方法的流程图,该方法的具体实施流程如下:
步骤100:获取待检测的目标图像(如,商品图像)。步骤101:采用翻拍检测模型,对目标图像进行检测,获得目标图像中的翻拍特征区域及其对应的特征类型、面积占比以及置信度;翻拍检测模型是基于深度学习构建的;步骤102:根据翻拍特征区域的特征类型、面积占比以及置信度,确定目标图像的翻拍检测结果。
需要说明的是,翻拍特征的特征类型包括以下类型中的至少一种:摩尔纹、屏幕边框以及异常反光。
其中,摩尔纹是在翻拍过程中引入的彩虹色干涉条纹,通常容易在图片的浅色或亮部区域产生,可以作为重要翻拍依据之一,屏幕边框为电子设备的边框,是翻拍图片中经常出现的特征。这是由于在翻拍时,拍摄者往往希望把图像翻拍完整以最大化利用图片信息,因此,可以会把电脑显示器边框或者手机边缘等翻拍进照片中。异常反光是由于显示屏幕的镜面特性导致的光斑或者反射影像。这是由于在对屏幕显示的图片进行翻拍时,如果拍摄者周围有光源或比较明亮,则可能会在翻拍图片中产生光斑或者反射影像,这也是进行翻拍判定的重要依据。
实际应用中,翻拍特征的特征类型可以根据实际应用场景进行设置,还可以包含其他特征,在此不作限制。
在执行步骤101之前,对进行模型训练,获得训练好的翻拍检测模型。下面结合图2对模型训练过程进行说明。参阅图2所示,为本申请实施例提供的一种翻拍检测模型的训练方法的流程图,该方法的具体实施流程如下:
步骤201:选取翻拍特征的特征类型。
具体的,根据用户指令,从各特征类型中选取用于模型训练的特征类型。
步骤202:构建翻拍检测初始模型。
可选的,可以基于语义分割(UNet)网络以及基于卷积神经网络的目标检测(Region-Convolutional Neural Network,RCNN)等构建翻拍检测初始模型。
步骤203:构建训练数据集合。
具体的,训练数据集合包括多个图片样本及其对应的标签。
一种实施方式中,将图片样本中的翻拍特征区域进行多边形紧密环绕标注,生成标签(mask)。
步骤204:根据训练数据集合,对翻拍检测初始模型进行训练,获得训练好的翻拍检测模型。
一种实施方式中,将训练数据集合输入翻拍检测初始模型,进行有监督的学习训练,获得模型参数收敛后的翻拍检测模型。
为准确对翻拍特征进行识别,步骤101的实现过程可以包括:
通过翻拍检测模型对目标图像中的每一像素点进行分类,确定各像素点的特征类别,并根据各像素点的特征类别,获得翻拍特征区域,以及对应的置信度和面积占比。
需要说明的是,翻拍特征区域的数量可以为零,也可以为至少一个,若翻拍特征区域的数量可以为零,则获得目标图像为非翻拍图像的翻拍检测结果,并停止翻拍检测流程。
其中,一个翻拍特征区域对应的面积占比为:该翻拍特征区域的面积与目标图像的总面积的比值。
这样,就可以获得各翻拍特征区域及其对应的置信度和面积占比,以便可以在后续步骤中,结合置信度和面积占比,判断目标图像是否为翻拍图像。
为了可以提高翻拍检测结果的准确度,步骤102的实现过程可以包括:
S1021:若确定翻拍特征区域为至少一个,则针对至少一个翻拍区域中的目标翻拍区域,获取目标翻拍的特征类型对应的翻拍条件。
其中,目标翻拍区域为至少一个翻拍区域中的任一翻拍区域。
实际应用中,翻拍条件可以根据实际应用场景进行设置,在此不作限制。
S1022:若确定目标翻拍区域的面积占比以及置信度符合翻拍条件,则确定目标图像为翻拍图像。
为了可以进一步提高翻拍检测结果的准确度,步骤1022的实现过程可以采用以下任一方式:
方式一:若确定面积占比高于第一占比阈值(如,0.6),则确定目标图像为翻拍图像。
方式二:若确定置信度高于第一置信度阈值(0.7),则确定目标图像为翻拍图像。
方式三:若确定面积占比高于第二占比阈值,且置信度高于第二置信度阈值,则确定目标图像为翻拍图像。
实际应用中,第一占比阈值和第二置信度阈值可以根据实际应用场景进行设置,在此不作限制。
这样,翻拍特征分别对应置信度和面积占比两个度量。每类翻拍特征的面积占比和置信度均是翻拍与否的关键判定因素,从而可以通过各类翻拍特征对应的第一占比阈值和第一置信度阈值,进行逻辑判断,获得图片翻拍与否的最终结果。例如,屏幕边框只有高于某个面积占比阈值(如,0.2)时才认为该翻拍区域有效,这是由于面积占比过小时,人工也无法判定其是否为屏幕边框,进而容易产生误判。
S1023:若确定至少一个翻拍区域均不符合翻拍条件,则确定目标图像不为翻拍图像。
为了可以进一步的翻拍检测结果的准确度,还可以结合多个不同的翻拍检测模型确定综合翻拍检测结果。一种实施方式中,步骤102的实现过程还可以包括以下步骤:
若确定翻拍检测模型为多个不同模型,则根据各翻拍检测模型分别对应的翻拍检测结果,确定翻拍检测结果为翻拍图像的翻拍次数,以及翻拍检测结果为非翻拍图像的非翻拍次数;根据翻拍次数和非翻拍次数,确定综合翻拍检测结果。
一种实施方式中,确定翻拍次数与非翻拍次数之间的差值,若该差值高于翻拍阈值(如,0),则确定综合翻拍检测结果为翻拍,否则,为非翻拍。
其中,翻拍阈值可以为自然数或者正整数,例如,翻拍阈值为2。
这样,就可以结合翻拍区域的面积占比以及置信度,初步判断图像是否为翻拍图像,然后,通过各模型初始的翻拍检测结果进行投票计算,获得最终的综合翻拍检测结果,进行提高了翻拍检测结果。
基于同一发明构思,本申请实施例中还提供了一种图像翻拍检测的装置,由于上述装置及设备解决问题的原理与一种图像翻拍检测的方法相似,因此,上述装置的实施可以参见方法的实施,重复之处不再赘述。
如图3所示,其为本申请实施例提供的一种图像翻拍检测的装置的结构框图,包括:
获取单元301,用于获取待检测的目标图像;
检测单元302,用于采用翻拍检测模型,对目标图像进行检测,获得目标图像中的翻拍特征区域及其对应的特征类型、面积占比以及置信度;翻拍检测模型是基于深度学习构建的;
确定单元303,用于根据翻拍特征区域的特征类型、面积占比以及置信度,确定目标图像的翻拍检测结果。
一种实施方式中,特征类型包括以下类型中的至少一种:摩尔纹、屏幕边框以及异常反光。
一种实施方式中,确定单元303用于:
若确定翻拍特征区域为至少一个,则针对至少一个翻拍区域中的目标翻拍区域,获取目标翻拍的特征类型对应的翻拍条件;目标翻拍区域为至少一个翻拍区域中的任一翻拍区域;
若确定目标翻拍区域的面积占比以及置信度符合翻拍条件,则确定目标图像为翻拍图像;
若确定至少一个翻拍区域均不符合翻拍条件,则确定目标图像不为翻拍图像。
一种实施方式中,确定单元303用于:
若确定面积占比高于第一占比阈值,则确定目标图像为翻拍图像;
若确定置信度高于第一置信度阈值,则确定目标图像为翻拍图像;
若确定面积占比高于第二占比阈值,且置信度高于第二置信度阈值,则确定目标图像为翻拍图像。
一种实施方式中,确定单元303还用于:
若确定翻拍检测模型为多个不同模型,则根据各翻拍检测模型分别对应的翻拍检测结果,确定翻拍检测结果为翻拍图像的翻拍次数,以及翻拍检测结果为非翻拍图像的非翻拍次数;
根据翻拍次数和非翻拍次数,确定综合翻拍检测结果。
本申请实施例提供的一种图像翻拍检测的方法、装置、电子设备及存储介质中,获取待检测的目标图像;采用翻拍检测模型,对目标图像进行检测,获得目标图像中的翻拍特征区域及其对应的特征类型、面积占比以及置信度;翻拍检测模型是基于深度学习构建的;根据翻拍特征区域的特征类型、面积占比以及置信度,确定目标图像的翻拍检测结果。这样,可以通过面积占比以及置信度确定翻拍检测结果,提高了翻拍检测的准确度。
图4示出了一种电子设备的结构示意图。参阅图4所示,电子设备4000包括:处理器4010以及存储器4020,可选的,还可以包括电源4030、显示单元4040、输入单元4050。
处理器4010是电子设备4000的控制中心,利用各种接口和线路连接各个部件,通过运行或执行存储在存储器4020内的软件程序和/或数据,执行电子设备4000的各种功能,从而对电子设备4000进行整体监控。
本申请实施例中,处理器4010调用存储器4020中存储的计算机程序时执行上述实施例中的各个步骤。
可选的,处理器4010可包括一个或多个处理单元;优选的,处理器4010可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器4010中。在一些实施例中,处理器、存储器、可以在单一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
存储器4020可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、各种应用等;存储数据区可存储根据电子设备4000的使用所创建的数据等。此外,存储器4020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、或其他易失性固态存储器件等。
电子设备4000还包括给各个部件供电的电源4030(比如电池),电源可以通过电源管理系统与处理器4010逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗等功能。
显示单元4040可用于显示由用户输入的信息或提供给用户的信息以及电子设备4000的各种菜单等,本发明实施例中主要用于显示电子设备4000中各应用的显示界面以及显示界面中显示的文本、图片等对象。显示单元4040可以包括显示面板4041。显示面板4041可以采用液晶显示屏(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置。
输入单元4050可用于接收用户输入的数字或字符等信息。输入单元4050可包括触控面板4051以及其他输入设备4052。其中,触控面板4051,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触摸笔等任何适合的物体或附件在触控面板4051上或在触控面板4051附近的操作)。
具体的,触控面板4051可以检测用户的触摸操作,并检测触摸操作带来的信号,将这些信号转换成触点坐标,发送给处理器4010,并接收处理器4010发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板4051。其他输入设备4052可以包括但不限于物理键盘、功能键(比如音量控制按键、开关机按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
当然,触控面板4051可覆盖显示面板4041,当触控面板4051检测到在其上或附近的触摸操作后,传送给处理器4010以确定触摸事件的类型,随后处理器4010根据触摸事件的类型在显示面板4041上提供相应的视觉输出。虽然在图4中,触控面板4051与显示面板4041是作为两个独立的部件来实现电子设备4000的输入和输出功能,但是在某些实施例中,可以将触控面板4051与显示面板4041集成而实现电子设备4000的输入和输出功能。
电子设备4000还可包括一个或多个传感器,例如压力传感器、重力加速度传感器、接近光传感器等。当然,根据具体应用中的需要,上述电子设备4000还可以包括摄像头等其它部件,由于这些部件不是本申请实施例中重点使用的部件,因此,在图4中没有示出,且不再详述。
本领域技术人员可以理解,图4仅仅是电子设备的举例,并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件。
本申请实施例中,一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时,使得通信设备可以执行上述实施例中的各个步骤。
为了描述的方便,以上各部分按照功能划分为各模块(或单元)分别描述。当然,在实施本申请时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (12)
1.一种图像翻拍检测的方法,其特征在于,包括:
获取待检测的目标图像;
采用翻拍检测模型,对所述目标图像进行检测,获得所述目标图像中的翻拍特征区域及其对应的特征类型、面积占比以及置信度;所述翻拍检测模型是基于深度学习构建的;
根据所述翻拍特征区域的特征类型、面积占比以及置信度,确定所述目标图像的翻拍检测结果;
其中:
所述采用翻拍检测模型,对所述目标图像进行检测,获得所述目标图像中的翻拍特征区域及其对应的特征类型、面积占比以及置信度,包括:
选取翻拍特征的特征类型;构建翻拍检测初始模型;构建训练数据集合;根据训练数据集合,对翻拍检测初始模型进行训练,获得训练好的翻拍检测模型;通过翻拍检测模型对目标图像中的每一像素点进行分类,确定各像素点的特征类别,并根据各像素点的特征类别,获得翻拍特征区域,以及对应的置信度和面积占比。
2.如权利要求1所述的方法,其特征在于,所述特征类型包括以下类型中的至少一种:摩尔纹、屏幕边框以及异常反光。
3.如权利要求1所述的方法,其特征在于,所述根据所述翻拍特征区域的特征类型、面积占比以及置信度,确定所述目标图像的翻拍检测结果,包括:
若确定所述翻拍特征区域为至少一个,则针对至少一个翻拍区域中的目标翻拍区域,获取所述目标翻拍的特征类型对应的翻拍条件;所述目标翻拍区域为所述至少一个翻拍区域中的任一翻拍区域;
若确定所述目标翻拍区域的面积占比以及置信度符合所述翻拍条件,则确定所述目标图像为翻拍图像;
若确定所述至少一个翻拍区域均不符合所述翻拍条件,则确定所述目标图像不为翻拍图像。
4.如权利要求3所述的方法,其特征在于,所述若确定所述目标翻拍区域的面积占比以及置信度符合所述翻拍条件,则确定所述目标图像为翻拍图像,包括:
若确定所述面积占比高于第一占比阈值,则确定所述目标图像为翻拍图像;
若确定所述置信度高于第一置信度阈值,则确定所述目标图像为翻拍图像;
若确定所述面积占比高于第二占比阈值,且所述置信度高于第二置信度阈值,则确定所述目标图像为翻拍图像。
5.如权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
若确定所述翻拍检测模型为多个不同模型,则根据各翻拍检测模型分别对应的翻拍检测结果,确定翻拍检测结果为翻拍图像的翻拍次数,以及翻拍检测结果为非翻拍图像的非翻拍次数;
根据所述翻拍次数和所述非翻拍次数,确定综合翻拍检测结果。
6.一种图像翻拍检测的装置,其特征在于,包括:
获取单元,用于获取待检测的目标图像;
检测单元,用于采用翻拍检测模型,对所述目标图像进行检测,获得所述目标图像中的翻拍特征区域及其对应的特征类型、面积占比以及置信度;所述翻拍检测模型是基于深度学习构建的;
确定单元,用于根据所述翻拍特征区域的特征类型、面积占比以及置信度,确定所述目标图像的翻拍检测结果;
其中:
所述检测单元,具体用于:
选取翻拍特征的特征类型;构建翻拍检测初始模型;构建训练数据集合;根据训练数据集合,对翻拍检测初始模型进行训练,获得训练好的翻拍检测模型;通过翻拍检测模型对目标图像中的每一像素点进行分类,确定各像素点的特征类别,并根据各像素点的特征类别,获得翻拍特征区域,以及对应的置信度和面积占比。
7.如权利要求6所述的装置,其特征在于,所述特征类型包括以下类型中的至少一种:摩尔纹、屏幕边框以及异常反光。
8.如权利要求6所述的装置,其特征在于,所述确定单元用于:
若确定所述翻拍特征区域为至少一个,则针对至少一个翻拍区域中的目标翻拍区域,获取所述目标翻拍的特征类型对应的翻拍条件;所述目标翻拍区域为所述至少一个翻拍区域中的任一翻拍区域;
若确定所述目标翻拍区域的面积占比以及置信度符合所述翻拍条件,则确定所述目标图像为翻拍图像;
若确定所述至少一个翻拍区域均不符合所述翻拍条件,则确定所述目标图像不为翻拍图像。
9.如权利要求8所述的装置,其特征在于,所述确定单元用于:
若确定所述面积占比高于第一占比阈值,则确定所述目标图像为翻拍图像;
若确定所述置信度高于第一置信度阈值,则确定所述目标图像为翻拍图像;
若确定所述面积占比高于第二占比阈值,且所述置信度高于第二置信度阈值,则确定所述目标图像为翻拍图像。
10.如权利要求6-9任一项所述的装置,其特征在于,所述确定单元还用于:
若确定所述翻拍检测模型为多个不同模型,则根据各翻拍检测模型分别对应的翻拍检测结果,确定翻拍检测结果为翻拍图像的翻拍次数,以及翻拍检测结果为非翻拍图像的非翻拍次数;
根据所述翻拍次数和所述非翻拍次数,确定综合翻拍检测结果。
11.一种电子设备,其特征在于,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-5任一所述方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求1-5任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310458382.1A CN116168038B (zh) | 2023-04-26 | 2023-04-26 | 一种图像翻拍检测的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310458382.1A CN116168038B (zh) | 2023-04-26 | 2023-04-26 | 一种图像翻拍检测的方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116168038A CN116168038A (zh) | 2023-05-26 |
CN116168038B true CN116168038B (zh) | 2023-06-30 |
Family
ID=86420424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310458382.1A Active CN116168038B (zh) | 2023-04-26 | 2023-04-26 | 一种图像翻拍检测的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116168038B (zh) |
Families Citing this family (2)
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 |
CN117333762B (zh) * | 2023-12-02 | 2024-03-15 | 深圳爱莫科技有限公司 | 一种基于多特征融合的图像翻拍识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021068142A1 (zh) * | 2019-10-09 | 2021-04-15 | 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 |
CN113033530A (zh) * | 2021-05-31 | 2021-06-25 | 成都新希望金融信息有限公司 | 证件翻拍检测方法、装置、电子设备及可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113486715A (zh) * | 2021-06-04 | 2021-10-08 | 广州图匠数据科技有限公司 | 图像翻拍识别方法、智能终端以及计算机存储介质 |
CN113920434A (zh) * | 2021-10-27 | 2022-01-11 | 珠海丹德图像技术有限公司 | 一种基于目标的图像翻拍检测方法、装置及介质 |
-
2023
- 2023-04-26 CN CN202310458382.1A patent/CN116168038B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021068142A1 (zh) * | 2019-10-09 | 2021-04-15 | 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 |
CN113033530A (zh) * | 2021-05-31 | 2021-06-25 | 成都新希望金融信息有限公司 | 证件翻拍检测方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116168038A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11367273B2 (en) | Detecting objects using a weakly supervised model | |
CN116168038B (zh) | 一种图像翻拍检测的方法、装置、电子设备及存储介质 | |
CN111476306B (zh) | 基于人工智能的物体检测方法、装置、设备及存储介质 | |
CN108229322A (zh) | 基于视频的人脸识别方法、装置、电子设备及存储介质 | |
CN113870083A (zh) | 政策匹配的方法、装置、系统、电子设备及可读存储介质 | |
CN111598149B (zh) | 一种基于注意力机制的回环检测方法 | |
CN107765853A (zh) | 应用关闭方法、装置、存储介质及电子设备 | |
CN112668577A (zh) | 大尺度图像中目标物体的检测方法、终端及装置 | |
CN107818160A (zh) | 表情标签更新和实现表情获取的方法、设备及系统 | |
CN114758054A (zh) | 光斑添加方法、装置、设备及存储介质 | |
CN108052506A (zh) | 自然语言处理方法、装置、存储介质及电子设备 | |
CN108537149A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
WO2023216745A1 (zh) | 一种表格重建的方法及电子设备 | |
CN109444905B (zh) | 一种基于激光的动态物体检测方法、装置及终端设备 | |
CN111552829A (zh) | 用于分析图像素材的方法和装置 | |
CN108984097B (zh) | 触控操作方法、装置、存储介质及电子设备 | |
CN112417197B (zh) | 一种排序方法、装置、机器可读介质及设备 | |
CN113922998A (zh) | 一种漏洞风险评估方法、装置、电子设备及可读存储介质 | |
CN114415889A (zh) | 图标管理方法、装置、设备和存储介质 | |
CN107831896B (zh) | 音频信息播放方法、装置、存储介质及电子设备 | |
CN113706506B (zh) | 一种装配状态检测的方法、装置、电子设备及存储介质 | |
CN113705722B (zh) | 一种操作系统版本识别的方法、装置、设备和介质 | |
CN115147856B (zh) | 一种表格信息提取的方法及电子设备 | |
CN116206161A (zh) | 一种水位线测量的方法、装置、电子设备及存储介质 | |
CN116148268A (zh) | 瑕疵检测的方法、装置、电子设备及计算机可读存储介质 |
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 |