CN108734185B - 图像校验方法和装置 - Google Patents
图像校验方法和装置 Download PDFInfo
- Publication number
- CN108734185B CN108734185B CN201710252662.1A CN201710252662A CN108734185B CN 108734185 B CN108734185 B CN 108734185B CN 201710252662 A CN201710252662 A CN 201710252662A CN 108734185 B CN108734185 B CN 108734185B
- Authority
- CN
- China
- Prior art keywords
- image
- preset
- verified
- difference
- features
- 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
- 238000012795 verification Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims description 71
- 238000012549 training Methods 0.000 claims description 43
- 239000000284 extract Substances 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (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)
Abstract
本申请公开了图像校验方法和装置。该方法的一具体实施方式包括:接收待校验图像,并提取与该待校验图像相匹配的预置图像;分别从该待校验图像和该预置图像中提取特征,并基于所分别提取的特征,生成该待校验图像与该预置图像的差异特征;基于该差异特征,确定该待校验图像与该预置图像中的差异区域以确定该差异区域的相似度;基于该相似度与预设的相似度阈值的比较,确定该待校验图像是否通过校验。该实施方式提高了图像校验的准确性和图像校验的效率。
Description
技术领域
本申请涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及图像校验方法和装置。
背景技术
随着计算机技术的发展,图像处理、识别等技术得到了越来越多的应用。在多种场景下,需要将图像进行校验。例如,在电子商务领域,通常需要确定产品实物的图像是否和上传的图像一致;在图像侵权判断的场景下,通常需要对进行图像的比对以确定图像是否侵权。
现有的图像校验方法通常是直接将两张图像进行全局特征比对,或将图像切分为多个小图逐一进行全局特征比对。然而,直接进行全局特征比对的方式无法区分图像中局部的较细微的差异(例如呈现有图书上下册封面的图片等),导致图像校验的准确性较低;基于图像切分进行比对的方式效率较低。
发明内容
本申请实施例的目的在于提出一种改进的图像校验方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请实施例提供了一种图像校验方法,该方法包括:接收待校验图像,并提取与待校验图像相匹配的预置图像;分别从待校验图像和预置图像中提取特征,并基于所分别提取的特征,生成待校验图像与预置图像的差异特征;基于差异特征,确定待校验图像与预置图像中的差异区域以确定差异区域的相似度;基于相似度与预设的相似度阈值的比较,确定待校验图像是否通过校验。
在一些实施例中,分别从待校验图像和预置图像中提取特征,包括:分别将待校验图像和预置图像输入至预先训练的第一深度神经网络,其中,第一深度神经网络用于提取图像的特征;将第一深度神经网络输出的、与待校验图像对应的特征矩阵确定为待校验图像的特征,并将第一深度神经网络输出的、与预置图像对应的特征矩阵确定为待校验图像的特征。
在一些实施例中,基于分别所提取的特征,生成待校验图像与预置图像的差异特征,包括:将待校验图像的特征与预置图像的特征的差的平方确定为待校验图像与预置图像的差异特征。
在一些实施例中,基于差异特征,确定待校验图像与预置图像中的差异区域以确定差异区域的相似度,包括:将差异特征输入至预先训练的第二深度神经网络,得到待校验图像与预置图像中的差异区域的坐标信息,其中,第二深度神经网络用于表征多个图像的差异特征与多个图像的差异区域的坐标信息的对应关系;确定坐标信息所指示的、待校验图像与预置图像中的差异区域的相似度。
在一些实施例中,基于相似度与预设的相似度阈值的比较,确定待校验图像是否通过校验,包括:响应于确定相似度大于预设的相似度阈值,确定待校验图像通过校验;响应于确定相似度不大于相似度阈值,确定待校验图像未通过校验。
在一些实施例中,该方法还包括:响应于确定待校验图像未通过校验,推送差异区域坐标信息和差异区域坐标信息所指示的差异区域的图像。
在一些实施例中,该方法还包括建立第二深度神经网络的步骤,包括:提取预设的训练样本,其中,训练样本包含第一图像、第二图像、第一图像和第二图像的差异区域的预设坐标信息;分别从第一图像和第二图像中提取特征,并基于分别从第一图像和第二图像中所提取的特征,确定第一图像和第二图像的样本差异特征;利于机器学习方法,将样本差异特征作为输入并将预设坐标信息作为输出,训练得到第二深度神经网络。
在一些实施例中,该方法还包括生成训练样本的步骤,包括:将预设的、满足预设条件的样本图像确定为指定图像,提取指定图像和预设的、与指定图像相对应的实拍图像;选取指定图像和实拍图像中的任一图像作为目标图像,将未选取的图像确定为第二图像;随机地从目标图像中提取矩形区域,并将所提取的矩形区域进行预处理;将预处理后的矩形区域随机粘贴于目标图像中,并将粘贴后的目标图像确定为第一图像;获取矩形区域位于第一图像中的坐标信息,将所获取的坐标信息确定为第一图像和第二图像的差异区域的预设坐标信息,以生成由第一图像、第二图像和所确定的预设坐标信息构成的训练样本。
第二方面,本申请实施例提供了一种图像校验装置,该装置包括:接收单元,配置用于接收待校验图像,并提取与待校验图像相匹配的预置图像;第一提取单元,配置用于分别从待校验图像和预置图像中提取特征,并基于所分别提取的特征,生成待校验图像与预置图像的差异特征;第一确定单元,配置用于基于差异特征,确定待校验图像与预置图像中的差异区域以确定差异区域的相似度;第二确定单元,配置用于基于相似度与预设的相似度阈值的比较,确定待校验图像是否通过校验。
在一些实施例中,第一提取单元包括:第一输入模块,配置用于分别将待校验图像和预置图像输入至预先训练的第一深度神经网络,其中,第一深度神经网络用于提取图像的特征;第一确定模块,配置用于将第一深度神经网络输出的、与待校验图像对应的特征矩阵确定为待校验图像的特征,并将第一深度神经网络输出的、与预置图像对应的特征矩阵确定为待校验图像的特征。
在一些实施例中,第一提取单元还包括:第二确定模块,配置用于将待校验图像的特征与预置图像的特征的差的平方确定为待校验图像与预置图像的差异特征。
在一些实施例中,第一确定单元包括:第二输入模块,配置用于将差异特征输入至预先训练的第二深度神经网络,得到待校验图像与预置图像中的差异区域的坐标信息,其中,第二深度神经网络用于表征多个图像的差异特征与多个图像的差异区域的坐标信息的对应关系;第三确定模块,配置用于确定坐标信息所指示的、待校验图像与预置图像中的差异区域的相似度。
在一些实施例中,第二确定单元包括:第四确定模块,配置用于响应于确定相似度大于预设的相似度阈值,确定待校验图像通过校验;第五确定模块,配置用于响应于确定相似度不大于相似度阈值,确定待校验图像未通过校验。
在一些实施例中,装置还包括:推送单元,配置用于响应于确定待校验图像未通过校验,推送差异区域坐标信息和差异区域坐标信息所指示的差异区域的图像。
在一些实施例中,装置包括:第一获取单元,配置用于提取预设的训练样本,其中,训练样本包含第一图像、第二图像、第一图像和第二图像的差异区域的预设坐标信息;第二提取单元,配置用于分别从第一图像和第二图像中提取特征,并基于分别从第一图像和第二图像中所提取的特征,确定第一图像和第二图像的样本差异特征;训练单元,配置用于利于机器学习装置,将样本差异特征作为输入并将预设坐标信息作为输出,训练得到第二深度神经网络。
在一些实施例中,装置还包括:第二获取单元,配置用于将预设的、满足预设条件的样本图像确定为指定图像,提取指定图像和预设的、与指定图像相对应的实拍图像;选取单元,配置用于选取指定图像和实拍图像中的任一图像作为目标图像,将未选取的图像确定为第二图像;第三提取单元,配置用于随机地从目标图像中提取矩形区域,并将所提取的矩形区域进行预处理;粘贴单元,配置用于将预处理后的矩形区域随机粘贴于目标图像中,并将粘贴后的目标图像确定为第一图像;生成单元,配置用于获取矩形区域位于第一图像中的坐标信息,将所获取的坐标信息确定为第一图像和第二图像的差异区域的预设坐标信息,以生成由第一图像、第二图像和所确定的预设坐标信息构成的训练样本。
本申请实施例提供的图像校验方法和装置,通过从接收到的待校验图像和与待校验图像相匹配的预置图像中提取特征,以便生成待校验图像和预置图像的差异特征,而后基于差异特征确定待校验图像和预置图像的差异区域的相似度,最后基于相似度与预设的相似度阈值的比较,确定待校验图像是否通过校验,从而可以识别出待校验图像和预置图像中的细微差异,提高了图像校验的准确性,同时,基于差异特征确定差异区域的方式,不需要将图像切分为多个小图逐一对比,提高了图像校验的效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的图像校验方法的一个实施例的流程图;
图3是根据本申请的图像校验方法的一个应用场景的示意图;
图4是根据本申请的图像校验方法的又一个实施例的流程图;
图5是根据本申请的训练样本生成方法的一个实施例的流程图;
图6是根据本申请的第二深度神经网络建立方法的一个实施例的流程图;
图7是根据本申请的图像校验装置的一个实施例的结构示意图;
图8是适于用来实现本申请实施例的服务器的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的图像校验方法或图像校验装置的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如摄像类应用、购物类应用等。
终端设备101、102、103可以是具有摄像功能并且支持网络通信的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、智能摄像装置等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103所发送的图像提供校验服务的图像校验服务器。图像校验服务可以对接收到的图像进行特征提取、相似度计算等处理,并生成处理结果(例如用于指示图像是否通过校验的校验结果)。
需要说明的是,本申请实施例所提供的图像校验方法一般由服务器105执行,相应地,图像校验装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的图像校验方法的一个实施例的流程200。所述的图像校验方法,包括以下步骤:
步骤201,接收待校验图像,并提取与待校验图像相匹配的预置图像。
在本实施例中,图像校验方法运行于其上的电子设备(例如图1所示的服务器105)可以存储有多个预置图像,其中,每一个预置图像可以带有图像标识。实践中,上述图像标识可以是任意字符(例如数字、字母、符号等)组成的字符串。上述电子设备可以通过有线连接方式或者无线连接方式从客户端(例如图1所示的终端设备101、102、103)接收待校验图像,其中,上述待校验图像也可以带有图像标识。上述电子设备在接受到上述待校验图像之后,可以将上述待校验图像所带有的图像标识确定为目标图像标识,并将带有上述目标图像标识的预置图像确定为与上述待校验图像相匹配的预置图像。作为示例,上述待校验图像可以是待发货或待入库的某个物品的实拍照片,上述预置图像可以是上述电子设备预先存储的该物品的官方图片或者用户上传的该物品的正面展示图等,上述图像标识可以是用于指示和区分该物品的各种字符串(例如物品名称、物品编号等)。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202,分别从待校验图像和预置图像中提取特征,并基于所分别提取的特征,生成待校验图像与预置图像的差异特征。
在本实施例中,上述电子设备可以利用各种图像特征提取方法(例如傅里叶变换法、小波变换法、最小二乘法、边界方向直方图法等)分别从上述待校验图像和所提取的上述预置图像中提取特征,并利用各种特征处理方法(例如逐一对比、数值计算等)对所分别提取的特征进行处理,生成待校验图像与预置图像的差异特征。其中,图像的特征和不同图像之间的差异特征可以是用于对图像的基本要素进行表征的各种信息(例如颜色、纹理、形状、空间关系等),图像的特征和不同图像之间的差异特征可以用各种方式表征(例如向量、矩阵等等)。需要说明的是,上述图像特征提取方法是目前广泛研究和应用的公知技术,在此不再赘述。
在本实施例的一些可选的实现方式中,上述电子设备可以基于预设的各种方法计算方法确定上述待校验图像与上述预置图像的差异特征。例如,可以将上述待校验图像的特征与上述预置图像的特征的差确定为上述待校验图像与上述预置图像的差异特征,也可以将上述待校验图像的特征与上述预置图像的特征的差的绝对值确定为上述待校验图像与上述预置图像的差异特征。
在本实施例的一些可选的实现方式中,上述电子设备可以将上述待校验图像的特征与上述预置图像的特征的差的平方确定为上述待校验图像与上述预置图像的差异特征等。作为示例,从上述待校验图像中提取的特征可以以第一特征向量[1,2,3]表征,从上述预置图像图提取的特征可以以第二特征[2,2,2]表征。上述电子设备可以首先将上述第一特征向量与上述第二特征向量进行相减运算,得到向量[-1,0,1];而后,计算上述向量[-1,0,1]的平方,得到以向量[1,0,1]表征的差异特征。
步骤203,基于差异特征,确定待校验图像与预置图像中的差异区域以确定差异区域的相似度。
在本实施例中,上述电子设备可以首先基于步骤202得到的差异特征,确定上述待校验图像与上述预置图像中的差异区域。具体的,上述电子设备可以基于各种预先训练的、用于表征图像的差异特征和差异区域的对应关系的模型,确定上述待校验图像和预置图像中的差异区域。此处,上述差异区域可以是矩形的边界框,上述边界框的位置和尺寸可以用边界框的各个顶点的坐标来表征。实践中,上述模型可以是各种类型的模型,例如,可以是二维表、预设的特征计算公式等等。之后,上述电子设备可以利用各种相似度计算方法确定该差异区域的相似度。例如,可以利用余弦相似度算法、欧式距离算法、杰卡德相似性度量方法等等确定该差异区域的相似度。需要说明的是,上述相似度计算方法方法是目前广泛研究和应用的公知技术,在此不再赘述。
步骤204,基于相似度与预设的相似度阈值的比较,确定待校验图像是否通过校验。
在本实施例中,上述电子设备中可以预先存储有预设的相似度阈值。上述电子设备可以基于步骤203所得到的相似度和该相似度阈值的比较,确定上述待校验图像是否通过校验。
在本实施例的一些可选的实现方式中,响应于确定上述相似度大于预设的相似度阈值,上述电子设备可以确定上述待校验图像通过校验。
在本实施例的一些可选的实现方式中,响应于确定上述相似度不大于上述相似度阈值,上述电子设备可以确定上述待校验图像未通过校验。
继续参见图3,图3是根据本实施例的图像校验方法的应用场景的一个示意图。在图3的应用场景中,服务器301首先接收到待校验图像302,并提取到与上述待校验图像302带有同一图像标识的预置图像303。而后,上述服务器301从上述待校验图像302中提取特征304,并从上述预置图像303中提取特征305后,得到差异特征306。之后,上述服务器301基于上述差异特征306确定出上述待校验图像302与上述预置图像303的差异区域的相似度307。最后,上述服务器301基于所确定的差异区域的相似度307与预设的相似度阈值的比较,确定待校验图像302是否通过校验。
本申请的上述实施例提供的方法通过从接收到的待校验图像和与待校验图像相匹配的预置图像中提取特征,以便生成待校验图像和预置图像的差异特征,而后基于差异特征确定待校验图像和预置图像的差异区域的相似度,最后基于相似度与预设的相似度阈值的比较,确定待校验图像是否通过校验,从而可以识别出待校验图像和预置图像中的细微差异,提高了图像校验的准确性,同时,基于差异特征确定差异区域的方式,不需要将图像切分为多个小图逐一对比,提高了图像校验的效率。
进一步参考图4,其示出了图像校验方法的又一个实施例的流程400。该图像校验方法的流程400,包括以下步骤:
步骤401,接收待校验图像,并提取与待校验图像相匹配的预置图像。
在本实施例中,图像校验方法运行于其上的电子设备(例如图1所示的服务器105)可以存储有多个预置图像,其中,每一个预置图像可以带有图像标识。上述电子设备可以接收待校验图像,将上述待校验图像所带有的图像标识确定为目标图像标识,并将带有上述目标图像标识的预置图像确定为与上述待校验图像相匹配的预置图像。
步骤402,分别将待校验图像和预置图像输入至预先训练的第一深度神经网络。
在本实施例中,上述电子设备可以存储有预先训练的第一深度神经网络,其中,上述第一深度神经网络可以用于提取图像的特征。实践中,上述第一深度神经网络可以是基于已知的卷积神经网络结构(例如ZF-net结构、CaffeNet结构、VGG-net结构等)而预先训练并建立的神经网络。上述第一深度神经网络可以包含多个卷积层和激励层,且在上述多个卷基层的某些卷基层(例如第一个卷积层、第二个卷基层等)之后可以依次连接有局部响应归一化(Local Response Normalization,LRN)层与池化层。在将图像输入至上述第一深度神经网络之后,可以得到上述第一深度神经网络输出的、与该图像对应的特征矩阵。
在本实施例中,上述电子设备可以分别将上述待校验图像和上述预置图像输入至上述第一深度神经网络,第一深度神经网络输出的、与待校验图像对应的特征矩阵确定为待校验图像的特征和与预置图像对应的特征矩阵确定为待校验图像的特征。
步骤403,将第一深度神经网络输出的、与待校验图像对应的特征矩阵确定为待校验图像的特征,并将第一深度神经网络输出的、与预置图像对应的特征矩阵确定为待校验图像的特征。
在本实施例中,上述电子设备可以将上述第一深度神经网络输出的、与上述待校验图像对应的特征矩阵确定为上述待校验图像的特征,并将上述第一深度神经网络输出的、与上述预置图像对应的特征矩阵确定为上述待校验图像的特征。
步骤404,将待校验图像的特征与预置图像的特征的差的平方确定为待校验图像与预置图像的差异特征。
在本实施例中,上述电子设备可以将上述待校验图像的特征与上述预置图像的特征的差的平方确定为上述待校验图像与上述预置图像的差异特征。
步骤405,将差异特征输入至预先训练的第二深度神经网络,得到待校验图像与预置图像中的差异区域的坐标信息。
在本实施例中,上述电子设备可以将上述差异特征输入至预先训练的第二深度神经网络,得到上述待校验图像与上述预置图像中的差异区域的坐标信息,其中,上述第二深度神经网络可以用于表征多个图像的差异特征与上述多个图像的差异区域的坐标信息的对应关系。实践中,上述第二深度神经网络可以基于预设的训练样本和已知的深度神经网络结构(例如Faster R-CNN(Regions with Convolutional neural network,基于区域的卷积神经网络)结构等)预先训练而成。上述Faster-RCNN结构通常用于检测,且该结构通常可以包含区域生成网络(Region Proposal Network,RPN)和另一种深度神经网络(例如Fast R-CNN)。此处,上述区域神经网络可以用于确定上述待校验图像与上述预置图像中的粗选差异区域的坐标信息,上述另一种深度神经网络可以用于对该粗选差异区域进行进一步处理,得到上述待校验图像与上述预置图像中的差异区域的坐标信息。
在本实施例中,上述电子设备中可以预先存储有大量的样本图像和与每一个样本图像相对应的实拍图像。作为示例,上述样本图像可以是物品的官方图片或者正面展示图,对于所存储的每一个样本图像,与该样本图像对应的实拍图像可以是与该样本图像无差异的实拍图像、也可以是与该样本图像存在局部差异的实拍图像。对于所存储的每一个样本图像,若与该样本图像对应的实拍图像是与该样本图像存在局部差异的实拍图像,则上述电子设备中还可以预先存储有该样本图像和该实拍图像的差异区域的坐标信息。实践中,上述差异区域可以是以矩形表示的区域。上述电子设备可以将该样本图像或该实拍图像的左上角的顶点确定为原点,并存储上述差异区域的坐上角顶点的坐标和右下角顶点的坐标。需要说明的是,对于所存储的每一个样本图像,该样本图像和与该样本图像对应的实拍图像可以预先经过对齐处理后进行存储的,因而该样本图像和与该样本图像的尺寸和像素是相同的。实践中,可以依次基于图片矩形轮廓提取、SIFT(Scale-Invariant FeatureTransform,尺度不变特征变换)特征提取、随机抽样一致性算法(Random SampleConsensus,RANSAC)、仿射变换等步骤,实现样本图像与对应的实拍图像的对齐处理。此处,实现对齐处理的方法是目前广泛研究和应用的公知技术,在此不再赘述。
在本实施例中,上述电子设备可以基于所存储的样本图像和实拍图像,利用各种方式(例如人工标注等)生成用于训练上述第二深度神经网络的训练样本。此外,上述电子设备可以利用各种方式,基于所生成的训练样本建立上述第二深度神经网络。
对于步骤405中所述的训练样本的生成方式,可以参照图5。图5给出了根据本申请的训练样本生成方法的一个实施例的流程图。在图5中,该训练样本生成方法500可以包括以下步骤:
步骤501,将预设的、满足预设条件的样本图像确定为指定图像,提取指定图像和预设的、与指定图像相对应的实拍图像。
在本实施例中,上述电子设备中可以从所存储的多个样本图像中提取满足预设条件的样本图像,并将所提取的样本图像确定为指定图像,并获取预先存储在上述电子设备中的、与上述指定图像相对应的实拍图像。其中,上述预设条件可以是样本图像和与之对应的实拍图像无差异。
步骤502,选取指定图像和实拍图像中的任一图像作为目标图像,将未选取的图像确定为第二图像。
在本实施例中,上述电子设备可以将所提取的上述指定图像和上述实拍图像中的任一图像作为目标图像,将未选取的图像确定为第二图像。例如,可以将所提取的上述指定图像确定为目标图像,将所提取的上述实拍图像确定为第二图像;或者,可以将所提取的上述实拍图像确定为目标图像,将所提取的上述指定图像确定为第二图像。
步骤503,随机地从目标图像中提取矩形区域,并将所提取的矩形区域进行预处理。
在本实施例中,上述电子设备可以随机地从上述目标图像中提取矩形区域,并利用各种图像处理方式将所提取的矩形区域进行预处理。作为示例,对所提取的矩形区域进行预处理可以是对该矩形区域进行缩放(例如按照0.8至1.2倍缩放),也可以对该矩形区域的边缘进行渐变的半透明化处理等。
步骤504,将预处理后的矩形区域随机粘贴于目标图像中,并将粘贴后的目标图像确定为第一图像。
在本实施例中,上述电子设备可以将预处理后的该矩形区域随机地粘贴于上述目标图像中,并将粘贴后的上述目标图像确定为第一图像。
步骤505,获取矩形区域位于第一图像中的坐标信息,将所获取的坐标信息确定为第一图像和第二图像的差异区域的预设坐标信息,以生成由第一图像、第二图像和所确定的预设坐标信息构成的训练样本。
在本实施例中,上述电子设备可以首先获取上述矩形区域位于上述第一图像中的坐标信息,其中,所获取的坐标信息可以包含该矩形区域的左上角顶点和右下角顶点的坐标。之后,可以将所获取的坐标信息确定为上述第一图像和上述第二图像的差异区域的预设坐标信息,并生成由上述第一图像、上述第二图像和上述预设差异区域坐标信息构成的训练样本。
需要说明的是,对于所存储的每一个与对应的实拍图像存在局部差异的样本图像,上述电子设备可以将该样本图像确定为第一图像,将与该样本图像对应的实拍图像确定为第二图像,将预先存储的、该样本图像和该实拍图像的差异区域的坐标信息确定为预设差异区域坐标信息,并生成训练样本。
需要指出的是,上述电子设备可以生成任意数量的训练样本,并将所生成的训练样本作为预设的训练样本存储在本地或与上述电子设备相连接的另一服务器。
对于步骤405中所述的第二深度神经网络的建立方式,可以参照图6。图6给出了根据本申请的第二深度神经网络建立方法的一个实施例的流程图。该第二深度神经网络建立方法600可以包括以下步骤:
步骤601,提取预设的训练样本。
在本实施例中,上述电子设备可以提取预先生成并存储的训练样本,上述训练样本包含第一图像、第二图像、第一图像和第二图像的差异区域的预设坐标信息。
步骤602,分别从第一图像和第二图像中提取特征,并基于分别从第一图像和第二图像中所提取的特征,确定第一图像和第二图像的样本差异特征。
在本实施例中,上述电子设备可以利用上述第一深度神经网络分别从第一图像和第二图像中提取特征,并基于分别从第一图像和第二图像中所提取的特征,确定第一图像和第二图像的样本差异特征。
步骤603,利于机器学习方法,将样本差异特征作为输入并将预设坐标信息作为输出,训练得到第二深度神经网络。
在本实施例中,上述电子设备可以首先建立已知的深度神经网络结构(例如Faster R-CNN结构)。之后,可以利用机器学习方法,将步骤602得到的样本差异特征作为输入、将训练样本中的预设坐标信息作为输出,训练得到第二深度神经网络。
继续参见图4中的流程,在得到待校验图像与预置图像中的差异区域的坐标信息之后,上述电子设备可以继续执行以下步骤。
步骤406,确定坐标信息所指示的、待校验图像与预置图像中的差异区域的相似度。
在本实施例中,在得到上述待校验图像与上述预置图像中的差异区域的坐标信息之后,上述电子设备可以确定上述坐标信息所指示的、上述待校验图像与上述预置图像中的差异区域的欧氏距离,并将该欧式距离确定为该差异区域相似度。需要说明的是,上述欧式距离计算方法是目前广泛研究和应用的公知技术,在此不再赘述。
步骤407,基于相似度与预设的相似度阈值的比较,确定待校验图像是否通过校验。
在本实施例中,上述电子设备中可以预先存储有预设的相似度阈值。上述电子设备可以基于所得到的相似度和该相似度阈值的比较,确定上述待校验图像是否通过校验。具体的,响应于确定上述相似度大于预设的相似度阈值,上述电子设备可以确定上述待校验图像通过校验;响应于确定上述相似度不大于上述相似度阈值,上述电子设备可以确定上述待校验图像未通过校验。
在本实施例中,响应于确定上述待校验图像未通过校验,上述电子设备还可以推送上述差异区域坐标信息和上述差异区域坐标信息所指示的差异区域的图像。
从图4中可以看出,与图2对应的实施例相比,本实施例中的图像校验方法的流程400突出了对利用第一深度神经网络、第二深度神经网络进行图像处理的步骤。由此,本实施例描述的方案可以进一步提高图像校验的准确性和图像校验的效率。
进一步参考图7,作为对上述各图所示方法的实现,本申请提供了一种图像校验装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例所述的图像校验装置700包括:接收单元701,配置用于接收待校验图像,并提取与上述待校验图像相匹配的预置图像;第一提取单元702,配置用于分别从上述待校验图像和上述预置图像中提取特征,并基于所分别提取的特征,生成上述待校验图像与上述预置图像的差异特征;第一确定单元703,配置用于基于上述差异特征,确定上述待校验图像与上述预置图像中的差异区域以确定上述差异区域的相似度;第二确定单元704,配置用于基于上述相似度与预设的相似度阈值的比较,确定上述待校验图像是否通过校验。
在本实施例中,上述图像校验装置700可以存储有多个预置图像,其中,每一个预置图像可以带有图像标识。上述接收单元701可以接收待校验图像,将上述待校验图像所带有的图像标识确定为目标图像标识,并将带有上述目标图像标识的预置图像确定为与上述待校验图像相匹配的预置图像。
在本实施例的一些可选的实现方式中,上述提取单元701可以包括第一输入模块和第一确定模块(图中未示出)。其中,上述第一输入模块可以配置用于分别将上述待校验图像和上述预置图像输入至预先训练的第一深度神经网络,其中,上述第一深度神经网络用于提取图像的特征。上述第一确定模块可以配置用于将上述第一深度神经网络输出的、与上述待校验图像对应的特征矩阵确定为上述待校验图像的特征,并将上述第一深度神经网络输出的、与上述预置图像对应的特征矩阵确定为上述待校验图像的特征。
在本实施例的一些可选的实现方式中,上述第一提取单元701还可以包括第二确定模块(图中未示出)。其中,上述第二确定模块可以配置用于将上述待校验图像的特征与上述预置图像的特征的差的平方确定为上述待校验图像与上述预置图像的差异特征。
在本实施例中,上述第一提取单元702可以利用各种图像特征提取方法分别从上述待校验图像和所提取的上述预置图像中提取特征,并基于对所分别提取的特征,利用各种特征处理方法生成待校验图像与预置图像的差异特征。
在本实施例中,上述第一确定单元703可以首先基于上述差异特征,确定上述待校验图像与上述预置图像中的差异区域。具体的,上述第一确定单元703可以基于各种预先训练的、用于表征图像的差异特征和差异区域的对应关系的模型,确定上述待校验图像和预置图像中的差异区域。之后,可以利用各种相似度计算方法确定该差异区域的相似度。
在本实施例的一些可选的实现方式中,上述第一确定单元703可以包括第二输入模块和第三确定模块(图中未示出)。其中,上述第二输入模块可以配置用于将上述差异特征输入至预先训练的第二深度神经网络,得到上述待校验图像与上述预置图像中的差异区域的坐标信息,其中,上述第二深度神经网络用于表征多个图像的差异特征与上述多个图像的差异区域的坐标信息的对应关系。上述第三确定模块可以配置用于确定上述坐标信息所指示的、上述待校验图像与上述预置图像中的差异区域的相似度。
在本实施例中,上述第二确定单元704可以基于上述相似度和预设的相似度阈值的比较,确定上述待校验图像是否通过校验。
在本实施例的一些可选的实现方式中,上述第二确定单元704可以包括第四确定模块和第五确定模块(图中未示出)。其中,上述第四确定模块可以配置用于响应于确定上述相似度大于预设的相似度阈值,确定上述待校验图像通过校验。上述第五确定模块可以,配置用于响应于确定上述相似度不大于上述相似度阈值,确定上述待校验图像未通过校验。
在本实施例的一些可选的实现方式中,上述图像校验装置700还可以包括推送单元(图中未示出)。其中,上述推送单元可以配置用于响应于确定上述待校验图像未通过校验,推送上述差异区域坐标信息和上述差异区域坐标信息所指示的差异区域的图像。
在本实施例的一些可选的实现方式中,上述图像校验装置700还可以包括第一获取单元、第二提取单元和训练单元(图中未示出)。其中,上述第一获取单元可以配置用于提取预设的训练样本,其中,上述训练样本包含第一图像、第二图像、上述第一图像和上述第二图像的差异区域的预设坐标信息。上述第二提取单元可以配置用于分别从上述第一图像和上述第二图像中提取特征,并基于分别从上述第一图像和第二图像中所提取的特征,确定上述第一图像和上述第二图像的样本差异特征。上述训练单元可以配置用于利于机器学习装置,将上述样本差异特征作为输入并将上述预设坐标信息作为输出,训练得到第二深度神经网络。
在本实施例的一些可选的实现方式中,上述图像校验装置700还可以包括第二获取单元、选取单元、第三提取单元、粘贴单元和生成单元(图中未示出)。其中,上述第二获取单元可以配置用于将预设的、满足预设条件的样本图像确定为指定图像,提取上述指定图像和预设的、与上述指定图像相对应的实拍图像。上述选取单元可以配置用于选取上述指定图像和上述实拍图像中的任一图像作为目标图像,将未选取的图像确定为第二图像。上述提取单元可以配置用于随机地从上述目标图像中提取矩形区域,并将所提取的矩形区域进行预处理。上述粘贴单元可以配置用于将预处理后的上述矩形区域随机粘贴于上述目标图像中,并将粘贴后的上述目标图像确定为第一图像。上述生成单元可以配置用于获取上述矩形区域位于上述第一图像中的坐标信息,将所获取的坐标信息确定为上述第一图像和上述第二图像的差异区域的预设坐标信息,以生成由上述第一图像、上述第二图像和所确定的预设坐标信息构成的训练样本。
本申请的上述实施例提供的装置,通过第一提取单元702从接收单元701接收到的待校验图像和与待校验图像相匹配的预置图像中提取特征,以便生成待校验图像和预置图像的差异特征,而后第一确定单元703基于差异特征确定待校验图像和预置图像的差异区域的相似度,最后第二确定单元703基于相似度与预设的相似度阈值的比较,确定待校验图像是否通过校验,从而可以识别出待校验图像和预置图像中的细微差异,提高了图像校验的准确性,同时,基于差异特征确定差异区域的方式,不需要将图像切分为多个小图逐一对比,提高了图像校验的效率。
下面参考图8,其示出了适于用来实现本申请实施例的服务器的计算机***800的结构示意图。图8示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,计算机***800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有***800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括接收单元、第一提取单元、第一确定单元和第二确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,接收单元还可以被描述为“接收待检验图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:接收待校验图像,并提取与该待校验图像相匹配的预置图像;分别从该待校验图像和该预置图像中提取特征,并基于所分别提取的特征,生成该待校验图像与该预置图像的差异特征;基于该差异特征,确定该待校验图像与该预置图像中的差异区域以确定该差异区域的相似度;基于该相似度与预设的相似度阈值的比较,确定该待校验图像是否通过校验。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种图像校验方法,其特征在于,所述方法包括:
接收待校验图像,并提取与所述待校验图像相匹配的预置图像;
分别从所述待校验图像和所述预置图像中提取特征,并基于所分别提取的特征,生成所述待校验图像与所述预置图像的差异特征;
基于所述差异特征,确定所述待校验图像与所述预置图像中的差异区域以确定所述差异区域的相似度;
基于所述相似度与预设的相似度阈值的比较,确定所述待校验图像是否通过校验;其中,
所述基于所述差异特征,确定所述待校验图像与所述预置图像中的差异区域以确定所述差异区域的相似度,包括:
将所述差异特征输入至预先训练的第二深度神经网络,得到所述待校验图像与所述预置图像中的差异区域的坐标信息,其中,所述第二深度神经网络用于表征多个图像的差异特征与所述多个图像的差异区域的坐标信息的对应关系;
确定所述坐标信息所指示的、所述待校验图像与所述预置图像中的差异区域的相似度。
2.根据权利要求1所述的图像校验方法,其特征在于,所述分别从所述待校验图像和所述预置图像中提取特征,包括:
分别将所述待校验图像和所述预置图像输入至预先训练的第一深度神经网络,其中,所述第一深度神经网络用于提取图像的特征;
将所述第一深度神经网络输出的、与所述待校验图像对应的特征矩阵确定为所述待校验图像的特征,并将所述第一深度神经网络输出的、与所述预置图像对应的特征矩阵确定为所述待校验图像的特征。
3.根据权利要求2所述的图像校验方法,其特征在于,所述基于分别所提取的特征,生成所述待校验图像与所述预置图像的差异特征,包括:
将所述待校验图像的特征与所述预置图像的特征的差的平方确定为所述待校验图像与所述预置图像的差异特征。
4.根据权利要求1所述的图像校验方法,其特征在于,所述基于所述相似度与预设的相似度阈值的比较,确定所述待校验图像是否通过校验,包括:
响应于确定所述相似度大于预设的相似度阈值,确定所述待校验图像通过校验;
响应于确定所述相似度不大于所述相似度阈值,确定所述待校验图像未通过校验。
5.根据权利要求4所述的图像校验方法,其特征在于,所述方法还包括:
响应于确定所述待校验图像未通过校验,推送所述差异区域坐标信息和所述差异区域坐标信息所指示的差异区域的图像。
6.根据权利要求1所述的图像校验方法,其特征在于,所述方法还包括建立第二深度神经网络的步骤,包括:
提取预设的训练样本,其中,所述训练样本包含第一图像、第二图像、所述第一图像和所述第二图像的差异区域的预设坐标信息;
分别从所述第一图像和所述第二图像中提取特征,并基于分别从所述第一图像和第二图像中所提取的特征,确定所述第一图像和所述第二图像的样本差异特征;
利于机器学习方法,将所述样本差异特征作为输入并将所述预设坐标信息作为输出,训练得到第二深度神经网络。
7.根据权利要求6所述的图像校验方法,其特征在于,所述方法还包括生成训练样本的步骤,包括:
将预设的、满足预设条件的样本图像确定为指定图像,提取所述指定图像和预设的、与所述指定图像相对应的实拍图像;
选取所述指定图像和所述实拍图像中的任一图像作为目标图像,将未选取的图像确定为第二图像;
随机地从所述目标图像中提取矩形区域,并将所提取的矩形区域进行预处理;
将预处理后的所述矩形区域随机粘贴于所述目标图像中,并将粘贴后的所述目标图像确定为第一图像;
获取所述矩形区域位于所述第一图像中的坐标信息,将所获取的坐标信息确定为所述第一图像和所述第二图像的差异区域的预设坐标信息,以生成由所述第一图像、所述第二图像和所确定的预设坐标信息构成的训练样本。
8.一种图像校验装置,其特征在于,所述装置包括:
接收单元,配置用于接收待校验图像,并提取与所述待校验图像相匹配的预置图像;
第一提取单元,配置用于分别从所述待校验图像和所述预置图像中提取特征,并基于所分别提取的特征,生成所述待校验图像与所述预置图像的差异特征;
第一确定单元,配置用于基于所述差异特征,确定所述待校验图像与所述预置图像中的差异区域以确定所述差异区域的相似度;
第二确定单元,配置用于基于所述相似度与预设的相似度阈值的比较,确定所述待校验图像是否通过校验;
所述第一确定单元包括:
第二输入模块,配置用于将所述差异特征输入至预先训练的第二深度神经网络,得到所述待校验图像与所述预置图像中的差异区域的坐标信息,其中,所述第二深度神经网络用于表征多个图像的差异特征与所述多个图像的差异区域的坐标信息的对应关系;
第三确定模块,配置用于确定所述坐标信息所指示的、所述待校验图像与所述预置图像中的差异区域的相似度。
9.根据权利要求8所述的图像校验装置,其特征在于,所述第一提取单元包括:
第一输入模块,配置用于分别将所述待校验图像和所述预置图像输入至预先训练的第一深度神经网络,其中,所述第一深度神经网络用于提取图像的特征;
第一确定模块,配置用于将所述第一深度神经网络输出的、与所述待校验图像对应的特征矩阵确定为所述待校验图像的特征,并将所述第一深度神经网络输出的、与所述预置图像对应的特征矩阵确定为所述待校验图像的特征。
10.根据权利要求9所述的图像校验装置,其特征在于,所述第一提取单元还包括:
第二确定模块,配置用于将所述待校验图像的特征与所述预置图像的特征的差的平方确定为所述待校验图像与所述预置图像的差异特征。
11.根据权利要求8所述的图像校验装置,其特征在于,所述第二确定单元包括:
第四确定模块,配置用于响应于确定所述相似度大于预设的相似度阈值,确定所述待校验图像通过校验;
第五确定模块,配置用于响应于确定所述相似度不大于所述相似度阈值,确定所述待校验图像未通过校验。
12.根据权利要求11所述的图像校验装置,其特征在于,所述装置还包括:
推送单元,配置用于响应于确定所述待校验图像未通过校验,推送所述差异区域坐标信息和所述差异区域坐标信息所指示的差异区域的图像。
13.根据权利要求8所述的图像校验装置,其特征在于,所述装置包括:
第一获取单元,配置用于提取预设的训练样本,其中,所述训练样本包含第一图像、第二图像、所述第一图像和所述第二图像的差异区域的预设坐标信息;
第二提取单元,配置用于分别从所述第一图像和所述第二图像中提取特征,并基于分别从所述第一图像和第二图像中所提取的特征,确定所述第一图像和所述第二图像的样本差异特征;
训练单元,配置用于利于机器学习装置,将所述样本差异特征作为输入并将所述预设坐标信息作为输出,训练得到第二深度神经网络。
14.根据权利要求13所述的图像校验装置,其特征在于,所述装置还包括:
第二获取单元,配置用于将预设的、满足预设条件的样本图像确定为指定图像,提取所述指定图像和预设的、与所述指定图像相对应的实拍图像;
选取单元,配置用于选取所述指定图像和所述实拍图像中的任一图像作为目标图像,将未选取的图像确定为第二图像;
第三提取单元,配置用于随机地从所述目标图像中提取矩形区域,并将所提取的矩形区域进行预处理;
粘贴单元,配置用于将预处理后的所述矩形区域随机粘贴于所述目标图像中,并将粘贴后的所述目标图像确定为第一图像;
生成单元,配置用于获取所述矩形区域位于所述第一图像中的坐标信息,将所获取的坐标信息确定为所述第一图像和所述第二图像的差异区域的预设坐标信息,以生成由所述第一图像、所述第二图像和所确定的预设坐标信息构成的训练样本。
15.一种服务器,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
16.一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,该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710252662.1A CN108734185B (zh) | 2017-04-18 | 2017-04-18 | 图像校验方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710252662.1A CN108734185B (zh) | 2017-04-18 | 2017-04-18 | 图像校验方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734185A CN108734185A (zh) | 2018-11-02 |
CN108734185B true CN108734185B (zh) | 2022-01-04 |
Family
ID=63924084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710252662.1A Active CN108734185B (zh) | 2017-04-18 | 2017-04-18 | 图像校验方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734185B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210511A (zh) * | 2019-04-19 | 2019-09-06 | 哈尔滨工业大学 | 一种基于余弦测度的改进pca-sift图像配准方法 |
CN110765831B (zh) * | 2019-06-13 | 2020-09-22 | 深圳市思拓通信***有限公司 | 一种基于特种车的驾驶员信息识别*** |
CN112241649A (zh) * | 2019-07-16 | 2021-01-19 | 浙江宇视科技有限公司 | 一种目标识别方法及装置 |
CN112836554A (zh) * | 2019-11-25 | 2021-05-25 | 广东博智林机器人有限公司 | 图像校验模型的构建方法、图像校验方法和装置 |
CN111126384A (zh) * | 2019-12-12 | 2020-05-08 | 创新奇智(青岛)科技有限公司 | 基于特征融合的商品分类***及分类方法 |
CN111680596B (zh) * | 2020-05-29 | 2023-10-13 | 北京百度网讯科技有限公司 | 基于深度学习的定位真值校验方法、装置、设备及介质 |
CN111913873A (zh) * | 2020-06-17 | 2020-11-10 | 浙江数链科技有限公司 | 图片校验方法、装置、***和计算机可读存储介质 |
CN112215812B (zh) * | 2020-09-30 | 2023-12-19 | 大方众智创意广告(珠海)有限公司 | 图像检测方法、装置、电子设备及可读存储介质 |
CN113449655A (zh) * | 2021-06-30 | 2021-09-28 | 东莞市小精灵教育软件有限公司 | 封面图像的识别方法、装置、存储介质及识别设备 |
CN113822859B (zh) * | 2021-08-25 | 2024-02-27 | 日立楼宇技术(广州)有限公司 | 基于图像识别的物品检测方法、***、装置和存储介质 |
CN114359933B (zh) * | 2021-11-18 | 2022-09-20 | 珠海读书郎软件科技有限公司 | 一种封面图像的识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957325A (zh) * | 2010-10-14 | 2011-01-26 | 山东鲁能智能技术有限公司 | 基于变电站巡检机器人变电站设备外观异常识别方法 |
CN104809732A (zh) * | 2015-05-07 | 2015-07-29 | 山东鲁能智能技术有限公司 | 一种基于图像比对的电力设备外观异常检测方法 |
CN105303565A (zh) * | 2015-09-30 | 2016-02-03 | 广州超音速自动化科技股份有限公司 | 产品外观的logo检测方法 |
CN105825228A (zh) * | 2016-03-14 | 2016-08-03 | 百度在线网络技术(北京)有限公司 | 图像识别方法及装置 |
CN106127780A (zh) * | 2016-06-28 | 2016-11-16 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4891712B2 (ja) * | 2006-09-05 | 2012-03-07 | 株式会社日立ハイテクノロジーズ | 類似度分布を利用したテンプレートマッチング方法を用いた検査装置 |
-
2017
- 2017-04-18 CN CN201710252662.1A patent/CN108734185B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957325A (zh) * | 2010-10-14 | 2011-01-26 | 山东鲁能智能技术有限公司 | 基于变电站巡检机器人变电站设备外观异常识别方法 |
CN104809732A (zh) * | 2015-05-07 | 2015-07-29 | 山东鲁能智能技术有限公司 | 一种基于图像比对的电力设备外观异常检测方法 |
CN105303565A (zh) * | 2015-09-30 | 2016-02-03 | 广州超音速自动化科技股份有限公司 | 产品外观的logo检测方法 |
CN105825228A (zh) * | 2016-03-14 | 2016-08-03 | 百度在线网络技术(北京)有限公司 | 图像识别方法及装置 |
CN106127780A (zh) * | 2016-06-28 | 2016-11-16 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108734185A (zh) | 2018-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734185B (zh) | 图像校验方法和装置 | |
CN109508681B (zh) | 生成人体关键点检测模型的方法和装置 | |
CN108509915B (zh) | 人脸识别模型的生成方法和装置 | |
US11244435B2 (en) | Method and apparatus for generating vehicle damage information | |
CN108898186B (zh) | 用于提取图像的方法和装置 | |
CN109961009B (zh) | 基于深度学习的行人检测方法、***、装置及存储介质 | |
US20220114750A1 (en) | Map constructing method, positioning method and wireless communication terminal | |
CN108256479B (zh) | 人脸跟踪方法和装置 | |
CN108073910B (zh) | 用于生成人脸特征的方法和装置 | |
Zhu et al. | Concrete column recognition in images and videos | |
CN109815843B (zh) | 图像处理方法及相关产品 | |
CN106203242B (zh) | 一种相似图像识别方法及设备 | |
WO2019011249A1 (zh) | 一种图像中物体姿态的确定方法、装置、设备及存储介质 | |
CN108229418B (zh) | 人体关键点检测方法和装置、电子设备、存储介质和程序 | |
CN108416902A (zh) | 基于差异识别的实时物体识别方法和装置 | |
WO2019149186A1 (zh) | 用于生成信息的方法和装置 | |
CN107220652B (zh) | 用于处理图片的方法和装置 | |
CN109583389B (zh) | 绘本识别方法及装置 | |
CN107347125B (zh) | 视频图像的处理方法、装置和终端设备 | |
CN108229375B (zh) | 用于检测人脸图像的方法和装置 | |
CN111862205A (zh) | 一种视觉定位方法、装置、设备及存储介质 | |
CN109886223B (zh) | 人脸识别方法、底库录入方法、装置及电子设备 | |
CN108388889B (zh) | 用于分析人脸图像的方法和装置 | |
Lakshmi et al. | Image registration techniques based on the scale invariant feature transform | |
CN108597034B (zh) | 用于生成信息的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |