CN110456955B - 暴露服饰检测方法、装置、***、设备及存储介质 - Google Patents
暴露服饰检测方法、装置、***、设备及存储介质 Download PDFInfo
- Publication number
- CN110456955B CN110456955B CN201910707485.0A CN201910707485A CN110456955B CN 110456955 B CN110456955 B CN 110456955B CN 201910707485 A CN201910707485 A CN 201910707485A CN 110456955 B CN110456955 B CN 110456955B
- Authority
- CN
- China
- Prior art keywords
- detection
- interface
- picture
- model
- clothing
- 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
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
- G06F3/04817—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance using icons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/04842—Selection of displayed objects or displayed text elements
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种暴露服饰检测方法、装置、***、设备及存储介质。该方法包括:在操作界面上,接收关联指令,关联指令用于将游戏界面中呈现的人物模型与任意一种服饰进行关联;接收第一截取检测指令,第一截取检测指令用于自动截取包含人物模型和服饰叠加后的局部或全部的第一图片,以获取第一图片集合,第一图片集合被提供给图片检测模型以便输出暴露服饰的检测结果。根据本申请实施例提供的技术方案,该方法提高了暴露服饰检测效率。
Description
技术领域
本申请一般涉及图像技术领域,尤其涉及一种暴露服饰检测方法、装置、***、设备及存储介质。
背景技术
游戏中的人物服饰在发布前需要进行检测,以确定是否存在暴露服饰,以免在服饰发布后造成不良影响。
目前,一般通过如下方法进行暴露服饰检测:在客户端上依次点击游戏界面中展示的服饰,以将服饰试穿到人物模型上;对穿有服饰的模型进行截图;将截图输入到第三方检测平台,以输出检测结果。
由上述内容可知,现有技术至少存在如下问题:
第一、依次点击服饰以试穿到人物模型上,费时费力。
第二、使用第三检测平台检测游戏中的暴露服饰,检测准确率较低。
发明内容
鉴于现有技术中暴露服饰检测费时费力且准确率低的问题,本申请提出了一种暴露服饰检测方法、装置、***、设备及存储介质,不仅省时省力,还提高了检测的准确率。
第一方面,本申请实施例提供了一种暴露服饰检测方法,该方法包括:
在操作界面上,接收关联指令,关联指令用于将游戏界面中呈现的人物模型与任意一种服饰进行关联;
接收第一截取检测指令,第一截取检测指令用于自动截取包含人物模型和服饰叠加后的局部或全部的第一图片,以获取第一图片集合,第一图片集合被提供给图片检测模型以便输出暴露服饰的检测结果。
第二方面,本申请实施例提供了又一种暴露服饰检测方法,该方法包括:
接收第一图片集合,第一图片是响应于第一截取检测指令自动截取的,且包含人物模型和服饰叠加后的局部或全部;
利用图片检测模型检测第一图片集合,获取暴露服饰的检测结果,图片检测模型是按照预训练模型构建的。
第三方面,本申请实施例提供了一种暴露服饰检测装置,该装置包括:
第一接收模块,用于在操作界面上,接收关联指令,关联指令用于将游戏界面中呈现的人物模型与任意一种服饰进行关联;
第二接收模块,用于接收第一截取检测指令,第一截取检测指令用于自动截取包含人物模型和服饰叠加后的局部或全部的第一图片,以获取第一图片集合,第一图片集合被提供给图片检测模型以便输出暴露服饰的检测结果。
第四方面,本申请实施例提供了又一种暴露服饰检测装置,该装置包括:
第四接收模块,用于接收第一图片集合,第一图片是响应于第一截取检测指令自动截取的,且包含人物模型和服饰叠加后的局部或全部;
检测模块,用于利用图片检测模型检测第一图片集合,获取暴露服饰的检测结果,图片检测模型是按照预训练模型构建的。
第五方面,本申请实施例提供了一种暴露服饰检测***,该***包括:***包括终端和服务器;
终端包括如第三方面描述的装置;
服务器包括如第四方面描述的装置。
第六方面,本申请实施例提供了一种计算机设备,包括:
一个或者多个处理器;
存储器,用于存储一个或者多个程序;
当一个或者多个程序被一个或者多个处理器执行时,使得一个或者多个处理器执行实现上述第一方面和第二方面的方法。
第七方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序用于实现上述第一方面和第二方面的方法。
本申请实施例提供的暴露服饰检测方法,自动地截取待检测服饰与人物模型叠加的区域,然后将截取的图片提供给服务器,以使得服务器对其截取内容进行检测,并接收服务器返回检测结果;相较于现有技术首先需要人工手动点击人机交互装置,将待检测服饰与人物模型进行叠加,以生成待截取图像,然后通过人机交互装置二次截图的操作,本申请实施例仅需要在开始检测前设置批处理的执行动作,由客户端自动截取待检测的图像,其有效地提高了截图处理的效率,也提高检测效率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,附图仅用于示出优选实施方法的目的,而并不认为是对本申请的限制。另外还需要说明的是,为了便于描述,附图中仅示出了本申请相关的部分而非全部。
图1是根据本申请实施例示出的一种暴露服饰检测方法实施环境架构图;
图2是根据本申请实施例示出的一种暴露服饰检测方法流程图;
图3是根据本申请实施例示出的一种客户端操作界面图;
图4是根据本申请实施例示出的一种游戏商城界面图;
图5是根据本申请实施例示出的一种将人物模型与服饰关联的流程图;
图6是根据本申请实施例示出的一种获取人物模型与服饰相叠加后的图片集的流程图;
图7是根据本申请实施例示出的另一种暴露服饰检测方法流程图;
图8是根据本申请实施例示出的一种按照预训练模型构建图片检测模型的方法流程图;
图9是根据本申请实施例示出的一种暴露服饰检测方法的示意图;
图10是根据本申请实施例示出的一种示出的一种暴露服饰检测模型的检测结果示意图;
图11是根据本申请实施例示出的一种暴露服饰检测装置框图;
图12是根据本申请实施例示出的另一种暴露服饰检测装置框图;
图13是根据本申请实施例示出的一种将人物模型与服饰关联的装置框图;
图14是根据本申请实施例示出的一种获取人物模型与服饰相叠加后的图片集的装置框图;
图15是根据本申请实施例示出的另一种获取人物模型与服饰相叠加后的图片集的装置框图;
图16是根据本申请实施例示出的又一种暴露服饰检测装置框图;
图17是根据本申请实施例示出的一种按照预训练模型构建图片检测模型的装置框图;
图18是根据本申请实施例示出的一种暴露服饰检测***框图:
图19是根据本申请实施例示出的一种计算机***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用于解释本申请相关内容,而非对该申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与申请相关的部分。
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是根据本申请实施例示出的一种暴露服饰检测方法的实施环境架构图。如图1所示,该实施环境架构包括:终端101和服务器102。
其中,终端101可用于安装各种客户端,并通过终端的显示部件展示客户端的界面。比如,安装游戏类客户端,当游戏类客户端启动后,终端101可显示客户端的界面,通过该界面可获取用户输入的信息或指令等,将并且将信息或指令发送至服务器102。
终端101的类型包括但不限于智能手机、平板电脑、电视机、笔记本电脑、台式电脑等,本发明实施例对此不做具体限定。
其中,服务器102可以与终端101进行通信,接收终端101发送的数据、请求等,并依据数据、请求等执行相应操作,之后将操作产生的结果返回给终端101。
服务器102可以是一台服务器,也可以是由多台服务器组成的服务器集群,或者是一个云计算服务中心。
终端101与服务器102通过有线或无线网络进行通信。
图2是根据本申请实施例示出的一种暴露服饰检测方法的流程图。图2所示的方法可以由图1中的终端101执行,如图2所示,该方法包括以下步骤:
步骤201,在操作界面上,接收关联指令,关联指令用于将游戏界面中呈现的人物模型与任意一种服饰进行关联。
其中,操作界面指安装在终端上的游戏客户端的操作界面。进一步的,游戏客户端可以为手游客户端,也可以为端游客户端。进一步地,游戏界面包括手游界面或端游界面。
可选地,操作界面包括至少一个子操作界面。子操作界面与游戏界面的属性相关,用于接收输入的关联指令。
示例性地,操作界面如图3所示,则子操作界面包括图标等级选择接口,人物模型定位接口、服饰展示区域定位接口、截图工具接口、保存图片接口等,其中,图标等级接口包括一个下拉菜单,下拉菜单包括至少两个图标等级。
进一步地,子操作界面包括以下至少一种操作项:
图标等级选择接口用于确定服饰选择范围,在本实施例中用于确定待检测的服饰的范围;
人物模型定位接口用于确定人物模型和服饰的截取范围;
服饰展示区域定位接口用于确定人物模型与服饰的关联顺序。
其中,图标等级可以根据游戏商城界面中包括的图标等级进行确定,比如,游戏商城界面如图4所示,共包括三个等级的图标,分别为一级图标、二级图标和三级图标,则图标等级接口的下拉菜单中也包括一级图标、二级图标和三级图标。其中,三级图标对应的服饰最少,二级图标包括了若干个三级图标,即二级图标包括了若干个三级图标对应的所有服饰,一级图标包括了若干个二级图标,即一级图标包括了若干个二级图标对应的所有服饰。
进一步地,使用图标等级选择接口确定服饰选择范围可以包括:
预先在图标等级接口的下拉菜单中选择需要的图标,使用截图工具截取选择的图标,并保存;当需要确定服饰选择范围时,获取保存的图标,将保存的图标与游戏界面中的图标进行匹配,当在游戏界面中查找到与保存的图标相同的图标时,将查找到的图标对应的服饰确定为要选择的服饰。
示例性地,在本实施例中,进行图标等级选择时,可以根据实际想要检测的服饰进行选择。比如,想要检测如图4所示的12件下身服饰时,首先,在游戏商城界面上依次点击“服饰”、“折扣”、“下身”,将游戏界面停留在如图4所示的界面上;然后,开启端游暴露服饰检测工具,在图标等级的下拉菜单中选择“三级图标”,并点击“截图工具”,此时可以使用截图工具在游戏商城界面中截取“下身”所在区域,并保存截取的图片;即确定了“下身”对应的服饰为选择服饰,也即为本实施例中的待检测服饰。
另外,需要说明的是,上述将保存的图标与游戏界面中的图标进行匹配的过程,可以通过开源计算机视觉库(英文全程:Open Source Computer Vision Library;英文简称:OpenCV)归一化相关匹配法实现。
另外,由于图标中包括有文字,因此,也可以使用光学字符识别(英文全称:Optical Character Recognition,英文简称:OCR)技术进行实现,光学字符识别可以基于Tesseract这一识别引擎完成,并实现对文字的识别。
可选地,使用人物模型定位接口确定人物模型和服饰的截取范围可以包括:
预先在客户端封装如下操作函数:当游戏界面接收到点击操作时,获取被点击的位置处的坐标。
从而,当需要确定人物模型和服饰的截取范围时,在待截取范围的左上角和右下角分别点击一下,以使游戏界面接收输入的两个坐标点;以两个坐标点作为顶点确定长宽范围,将确定的范围确定为截取范围。可选地,截取范围是人物模型和服饰叠加后的局部或全部,比如,截取范围是人物模型的胸部、整个上身、整个下身或人物模型的全部。
另外,需要说明的是,在本步骤中,虽然服饰和人物模型还没有相叠加,但是需要预先确定服饰与人物模型相叠加后的截取范围,以使当服饰与人物模型叠加后,按照本步骤中确定的截取范围进行截取。
可选地,使用游戏界面的服饰展示区域定位接口确定人物模型与服饰关联的顺序包括:
在客户端封装上如所述的操作函数;用户通过鼠标点击服饰展示区域包括的预设个子服饰展示区域,以使游戏界面接收输入的坐标点;将鼠标的点击顺序确定为人物模型与服饰关联的顺序,并将包含坐标点的子服饰展示区域,确定为待检测服饰所在的区域,以便在需要将服饰与人物模型叠加时,从确定的子服饰展示区域获取服饰。
示例性地,仍以图4所示的游戏界面为例,则该游戏界面包括12个子服饰展示区域,分别编号1-12,如果服饰展示区域定位接口接收到坐标位置的顺序为1、2、3、4、5、6、7、8、9、10、11、12,则关联顺序为1、2、3、4、5、6、7、8、9、10、11、12;如果服饰展示区域定位接口接收到坐标位置的顺序为1、5、9、2、6、10、3、7、11、4、8、12,则关联顺序为1、5、9、4、2、6、10、3、7、11、4、8、12。
其中,关联为将通过图标等级确定的服饰与人物模型按照服饰展示区域定位接口确定关联顺序依次建立对应关系。
可选地,参考图5,接收关联指令,关联指令用于将游戏界面中呈现的人物模型与任意一种服饰进行关联,包括以下步骤:
步骤2011,接收图标等级选择接口输入的服饰选择范围。
步骤2012,接收服饰展示区域定位接口输入的关联顺序。
步骤2013,响应于图标等级选择接口和服饰展示区域定位接口输入的内容,将人物模型与服饰选择范围确定的服饰按照服饰展示区域定位接口确定的关联顺序依次关联。
进一步地,服饰选择范围可以通过如下方法确定:接收输入的图标,将图标与游戏商城界面中的图标进行比对,查找与输入图标相同的图标,将查找到的图标对应的服饰确定为服饰选择范围。
示例性地,接收到的服饰选择范围是“下身”这一图标,则确定的服饰选择范围是“下身”这一图标对应的服饰,即为如图4所示的服饰;接收到的关联顺序为1、2、3、4、5、6、7、8、9、10、11、12;则按照该关联顺序依次将各个服饰与人物模型建立对应关系,完成关联。
步骤202,接收第一截取检测指令,第一截取检测指令用于自动截取包含人物模型和服饰叠加后的局部或全部的第一图片,以获取第一图片集合,第一图片集合被提供给图片检测模型以便输出暴露服饰的检测结果。
示例性地,仍为图3所示的操作界面为例,可以理解为图中的“开始检测”按钮为接收第一截取检测指令的按钮。当在操作界面点击该按钮时,表示该按钮作为接收到第一截取检测指令的输入接口。
可选地,参见图6,自动截取包含人物模型和服饰叠加后的局部或全部的第一图片,以获取第一图片集合,可以包括以下步骤:
步骤2021,依次将人物模型与服饰选择范围确定的服饰相叠加,以生成待截取图像。
其中,叠加指将服饰试穿到人物模型上。
进一步的,步骤2021可以为:获取步骤201确定的关联顺序;按照上述关联顺序依次在子服饰展示区域获取待检测服饰,并与人物模型相叠加。这时在游戏界面上就会显示一个穿着待检测服饰的人物模型。
步骤2022,循环按照人物模型定位接口确定的截取范围对待截取图像进行截取,以得到第一图片集合。
对于每一件待检测服饰,当待检测服饰与人物模型叠加后,在叠加后的界面上,都执行一次截取图片的操作,以得到第一图片。
另外,需要说明的是,在服务器上保存有预训练模型,用作暴露服饰检测的预训练模型。在接收到第一截取检测指令时,客户端还会将截取到的第一图片集合发送给服务器,以便服务器对第一图片集合进行检测,然后返回检测结果。当然,也可以在操作界面上设置接收检测结果的输入按钮,示例性地,如图3所示的操作界面,设置了“返回结果”按钮,这时当服务器检测完成后,不会立即将检测结果返回给客户端,而在客户端操作界面接收到要求返回结果的输入时,客户端才向服务器发送返回请求,以请求服务器返回检测结果。当然也可以在服务器检测完成后,立即将检测结果返回给客户端,但是这时客户端并不会显示检测结果,而是在客户端操作界面接收到要求返回结果的输入时,才显示检测结果。
另外,需要说明的是,待检测的服饰可能存在于多个页面中,因此,还需要自动识别游戏界面中的下一页、上一页、最后一页、第一页等按钮。可选地,可以使用OpenCV归一化相关匹配法实现对按钮的识别。
进一步地,使用OpenCV识别按钮的过程可以为:预先在游戏界面中截取待识别按钮图片,作为模版存储在指定的文件夹;在当前页的子服饰展示区域被识别完,需要跳转到下一页时,获取预先存储的按钮模版和当前游戏场景中的界面进行匹配,当游戏场景界面中存在与模版按钮相同的按钮时,返回界面中该相同按钮的坐标位置,并点击该坐标位置,以实现按钮的自动识别。
另外,可以通过如下方法训练暴露服饰检测模型:
步骤一、在操作界面上,接收关联指令,关联指令用于将游戏界面中呈现的人物模型与任意一种服饰进行关联。
步骤二、接收第二截取检测指令,第二截取检测指令用于自动截取包含人物模型和服饰叠加后的局部或全部的第二图片,以获取第二图片集合,第二图片集合被提供给服务器以便对预训练模型进行训练学习以构建图片检测模型。
示例性地,以图3所示的操作界面为例,可以通过“执行脚本”按钮,作为接收第二截取检测指令的输入接口。
可选地,自动截取包含人物模型和服饰叠加后的局部或全部的第二图片,以获取第二图片集合,可以包括以下步骤:
首先,依次将人物模型与服饰选择范围确定的服饰相叠加,以生成待截取图像;
其次,循环按照人物模型定位接口确定的截取范围对待截取图像进行截取,以得到第二图片集合。
另外,需要说明的是,图3所示的操作界面可以基于PyQT开发。PyQt是一个创建图形用户界面的应用程序的工具包,使用PyQt可以将各个功能封装成工具栏、按钮、窗体、滚动条等,并将端游和手游操作界面结合在一起,操作十分简便。
另外,有关上述步骤一和步骤二的其它相关内容与步骤201和步骤202包括的内容相同或相似,在此不做赘述。
另外,需要说明的是,上述暴露服饰检测方法是基于客户端操作界面完成,以减少游戏服饰暴露问题,但是游戏用户并不需要此检测方法,因此该方法主要在游戏中的人物模型服饰发布前,供给开发者或测试者使用,因而在发布游戏应用程序时可以省略该检测方法。
另外,需要说明的是,本申请实施例提供的检测方法,不仅可以用于检测游戏界面,还可以检测其他的与人物模型试穿服装相关的显示界面,还可以对游戏画面和动漫画面的截图进行检测,以确定游戏人物、动漫人物是否穿有暴露服饰。
综上所述,本申请实施例示提供的暴露服饰检测方法,自动地截取待检测服饰与人物模型叠加的区域,然后将截取的图片提供给服务器,以使得服务器对其截取内容进行检测,并接收服务器返回检测结果;相较于现有技术首先需要人工手动点击人机交互装置,将待检测服饰与人物模型进行叠加,以生成待截取图像,然后通过人机交互装置二次截图的操作,本申请实施例仅需要在开始检测前设置批处理的执行动作,由客户端自动截取待检测的图像,其有效地提高了截图处理的效率,也提高检测效率。
另外,本申请实施例示提供的暴露服饰检测方法,使用的检测模型是通过在游戏界面内截取服饰与人物模型相叠加后的图片训练得到的,相较于使用鉴黄软件进行暴露服饰检测,本申请实施例提供的方法提高了检测的准确率。
图7是根据本申请实施例示出的另一种暴露服饰检测方法的流程图。图7所示的方法可以由图1中的服务器102执行,如图7所示,该方法包括以下步骤:
步骤301,接收第一图片集合,第一图片是响应于第一截取检测指令自动截取的,且包含人物模型和服饰叠加后的局部或全部。
其中,第一图片是客户端发送来的。
步骤302,利用图片检测模型检测第一图片集合,获取暴露服饰的检测结果,图片检测模型是按照预训练模型构建的。
可选地,参见图8,按照预训练模型构建图片检测模型包括以下步骤:
步骤3021,接收第二图片集合,第二图片是响应于第二截取检测指令自动截取的,且包含人物模型和服饰叠加后的局部或全部。
可选地,在接收到第二图片集合时,对第二图片集合中的每一张图片进行标记,具体地,标记其为暴露服饰图片,还是非暴露服饰图片。
由于接收到的第二图片集合的数量,可能不足以训练模型,比如,只有5000张,此时需要对第二图片集合进行数据增强处理,以获取更多的图片,得到第三图片集合。
可选地,数据增强方式包括离线数据增强和在线数据增强。
可选地,数据增强时对图片进行的操作可以包括:图片的水平翻转、旋转、缩放或裁剪中的至少一种。
步骤3022,利用第二图片集合对预训练模型进行训练学习以构建图片检测模型。
可选地,步骤3022可以包括以下步骤:
步骤一,将第二图片集合划分成训练子集和验证子集;
步骤二,利用训练子集对预训练模型进行训练学习以构建图片检测模型;
步骤三,利用验证子集对图片检测模型进行验证。
可选地,训练子集的图片多于验证子集的图片,比如,训练子集与验证子集图片的数量的比例为8:2。
另外,当在步骤3021中对第二图片进行了数据增强处理,得到第三图片集时,此时将第三图片集合划分成训练子集和验证子集。
其中,预训练模型为带有部分参数的模型,无需从头开始训练,只需要使用待训练的数据集,在预训练模型上进行模型微调就可以,以提高训练速度。因此,本实施例可以针对性地选择合适的预训练模型,并使用第二图片集训练选择的预训练模型,得到图片检测模型。
可选地,可以从Keras中选择预训练模型。Keras是基于python计算机程序语言编写的深度学习框架,并提供有应用程序编程接口。Keras包括Xception、VGG16、VGG19、ResNet50、InceptionV3等预训练模型。因此,可以从Keras中选择一个合适的预训练模型,并使用第二图片集按照步骤3022包括的方法进行训练即可得到图片检测模型。
可选地,步骤302中的预训练模型为VGG16模型。本申请的数据量小,因此采用简洁实用的VGG16模型,以提高训练效率。
可选地,还可以舍弃VGG16模型顶层的3个全链接网络,使用第二图片集或第三图片集训练顶层的3个全链接网络的参数,以提高暴露服饰检测模型的准确率。
另外,需要说明的是,本实施例相关内容,请参见图2-图6所示的实施例,在此不做赘述。
综上所述,本申请实施例示提供的暴露服饰检测方法,服务器接收的用于训练的图片集,是自动地截取待检测服饰与人物模型叠加的区域,然后将截取的图片提供给服务器;相较于现有技术首先需要人工手动点击人机交互装置,将待检测服饰与人物模型进行叠加,以生成待截取图像,然后通过人机交互装置二次截图的操作,本申请实施例仅需要在开始检测前设置批处理的执行动作,由客户端自动截取待检测的图像,其有效地提高了截图处理的效率,也提高检测效率。
另外,本申请实施例示提供的暴露服饰检测方法,使用的检测模型是通过在游戏界面内截取服饰与人物模型叠加后的图片训练得到的,相较玩过使用鉴黄软件,本申请实施例示提供的暴露服饰检测方法提高了检测的准确率。
图9是根据本申请实施例示出的一种暴露服饰检测方法的示意图。图9所示的方法可以由图1中的终端101和服务器102执行,如图9所示,该方法包括以下步骤:
步骤401,终端接收关联指令,关联指令用于将游戏界面中呈现的人物模型与任意一种服饰进行关联。
具体地,终端通过游戏客户端的操作界面接收关联指令
步骤402,终端接收第一截取检测指令,第一截取检测指令用于自动截取包含人物模型和服饰叠加后的局部或全部的第一图片,以获取第一图片集合。
步骤403,终端将第一图片集发送给服务器。
步骤404,服务器接收第一图片集合。
步骤405,服务器利用图片检测模型检测第一图片集合,获取暴露服饰的检测结果,图片检测模型是按照预训练模型构建的。
步骤406,服务器将暴露服饰的检测结果发送给终端。
步骤407,终端接收暴露服饰的检测结果。
参见图10,示出了本实施例的暴露服饰检测模型的检测结果。由图10可知,本实施例的检测结果的准确率达95%以上。
另外,需要说明的是,本实施例相关内容,请参见图2和图8所示的实施例,在此不做赘述。
综上所述,本申请实施例示提供的暴露服饰检测方法,自动地截取待检测服饰与人物模型叠加的区域,然后将截取的图片提供给服务器,以使得服务器对其截取内容进行检测,并接收服务器返回检测结果;相较于现有技术首先需要人工手动点击人机交互装置,将待检测服饰与人物模型进行叠加,以生成待截取图像,然后通过人机交互装置二次截图的操作,本申请实施例仅需要在开始检测前设置批处理的执行动作,由客户端自动截取待检测的图像,其有效地提高了截图处理的效率,也提高检测效率。
另外,本申请实施例示提供的暴露服饰检测方法,使用的检测模型是通过在游戏界面内截取服饰与人物模型叠加后的图片训练得到的,相较于使用鉴黄软件进行暴露服饰检测,本申请实施例提供的方法提高了检测的准确率。
本说明书中的实施例均采用递进的方式描述,各个实施例子之间的相似部分相互参见。每个步骤下的实施例侧重于该步骤下的具体方法。以上的所描述的实施方案仅仅是示意性的,具体实施例仅是对本申请做举例说明,本申请所属技术领域的技术人员在不脱离本申请实施例所述原理的前提,还可以做出若干改进和润色,这些改进也应视为本申请的保护范围。
图11是根据本申请实施例示出的一种暴露服饰检测装置500框图。如图11所示,该装置包括:
第一接收模块501,用于在操作界面上,接收关联指令,关联指令用于将游戏界面中呈现的人物模型与任意一种服饰进行关联;
第二接收模块502,用于接收第一截取检测指令,第一截取检测指令用于自动截取包含人物模型和服饰叠加后的局部或全部的第一图片,以获取第一图片集合,第一图片集合被提供给图片检测模型以便输出暴露服饰的检测结果。
可选地,参考图12,该装置还包括:
第三接收模块503,用于接收第二截取检测指令,第二截取检测指令用于自动截取包含人物模型和服饰叠加后的局部或全部的第二图片,以获取第二图片集合,第二图片集合用于对预训练模型进行训练学习以构建图片检测模型。
可选地,操作界面包括至少一个子操作界面,子操作界面与游戏界面的属性相关,同时子操作界面包括以下至少一种操作项:
游戏界面的图标等级选择接口,图标等级选择接口用于确定服饰选择范围;
游戏界面的人物模型定位接口,人物模型定位接口用于确定人物模型和服饰的截取范围;
游戏界面的服饰展示区域定位接口,服饰展示区域定位接口用于确定人物模型与服饰的关联顺序。
可选地,参考图13,第一接收模块501,包括:
第一接收单元5011,用于接收图标等级选择接口输入的服饰选择范围;
第二接收单元5012,用于接收服饰展示区域定位接口输入的关联顺序;
关联单元5013,用于响应于图标等级选择接口和服饰展示区域定位接口输入的内容,将人物模型与服饰选择范围确定的服饰按照服饰展示区域定位接口确定的关联顺序依次关联。
可选地,参考图14,第二接收模块502包括:
第一叠加单元5021,用于依次将人物模型与服饰选择范围确定的服饰相叠加,以生成待截取图像;
第一截取单元5022,循环按照人物模型定位接口确定的截取范围对待截取图像进行截取,以得到第一图片集合或第二图片集合。
可选地,参考图15,第三接收模块503包括:
第二叠加单元5031,用于依次将人物模型与服饰选择范围确定的服饰相叠加;
第二截取单元5032,用于在结合后的界面上,循环按照人物模型定位接口确定的截取范围进行截取,以得到第一图片集合或第二图片集合。
可选地,游戏界面包括手游界面或端游界面。
另外,需要说明的是,装置实施例中的相关内容,请参照方法实施例,在此不做赘述。
综上所述,本申请实施例示提供的暴露服饰检测装置,自动地截取待检测服饰与人物模型叠加的区域,然后将截取的图片提供给服务器,以使得服务器对其截取内容进行检测,并接收服务器返回检测结果;相较于现有技术首先需要人工手动点击人机交互装置,将待检测服饰与人物模型进行叠加,以生成待截取图像,然后通过人机交互装置二次截图的操作,本申请实施例仅需要在开始检测前设置批处理的执行动作,由客户端自动截取待检测的图像,其有效地提高了截图处理的效率,也提高检测效率。
另外,本申请实施例示提供的暴露服饰检测装置,使用的检测模型是通过在游戏界面内截取服饰与人物模型叠加后的图片训练得到的,相较于使用鉴黄软件进行暴露服饰检测,本申请实施例提供的过程提高了检测的准确率。
图16是根据本申请实施例示出的一种暴露服饰检测装置600框图。如图16所示,该装置包括:
第四接收模块601,用于接收第一图片集合,第一图片是响应于第一截取检测指令自动截取的,且包含人物模型和服饰叠加后的局部或全部。
检测模块602,用于利用图片检测模型检测第一图片集合,获取暴露服饰的检测结果,图片检测模型是按照预训练模型构建的。
可选地,参考图17,检测模块602包括:
第三接收单元6021,用于接收第二图片集合,第二图片是响应于第二截取检测指令自动截取的,且包含人物模型和服饰叠加后的局部或全部。
构建单元6022,用于利用第二图片集合对预训练模型进行训练学习以构建图片检测模型。
可选地,检测模块602还用于:
对第二图片集合进行数据增强处理,以获取第三图片集合;
将第三图片集合划分成训练子集和验证子集;
同时将利用第二图片集合对预训练模型进行训练学习以构建图片检测模型包括:
利用训练子集对预训练模型进行训练学习以构建图片检测模型;
利用验证子集对图片检测模型进行验证。
可选地,数据增强处理包括:图片的水平翻转、旋转、缩放或裁剪中的至少一种。
可选地,预训练模型为VGG16模型。
另外,需要说明的是,装置实施例中的相关内容,请参照方法实施例,在此不做赘述。
综上所述,本申请实施例示提供的暴露服饰检测装置,服务器接收的用于训练的图片集,是自动地截取待检测服饰与人物模型叠加的区域,然后将截取的图片提供给服务器;相较于现有技术首先需要人工手动点击人机交互装置,将待检测服饰与人物模型进行叠加,以生成待截取图像,然后通过人机交互装置二次截图的操作,本申请实施例仅需要在开始检测前设置批处理的执行动作,由客户端自动截取待检测的图像,其有效地提高了截图处理的效率,也提高检测效率
另外,本申请实施例示提供的暴露服饰检测装置,使用的检测模型是通过在游戏界面内截取服饰与人物模型叠加后的图片训练得到的,相较于使用鉴黄软件,本申请提高了检测的准确率。
图18是根据本申请实施例示出的一种暴露服饰检测***框图。如图18所示,该***包括:终端701和服务器702。
终端包括如图11所示的实施例包括的任意一装置;
服务器包括如图16所示的实施例包括的任意一的装置。
综上所述,本申请实施例示提供的暴露服饰检测***,自动地截取待检测服饰与人物模型叠加的区域,然后将截取的图片提供给服务器,以使得服务器对其截取内容进行检测,并接收服务器返回检测结果;相较于现有技术首先需要人工手动点击人机交互装置,将待检测服饰与人物模型进行叠加,以生成待截取图像,然后通过人机交互装置二次截图的操作,本申请实施例仅需要在开始检测前设置批处理的执行动作,由客户端自动截取待检测的图像,其有效地提高了截图处理的效率,也提高检测效率。
另外,本申请实施例示提供的暴露服饰检测***,使用的检测模型是通过在游戏界面内截取服饰与人物模型叠加后的图片训练得到的,相较使用鉴黄软件,本申请提高了检测的准确率。
图19是根据本申请实施例示出的一种计算机***800的结构示意图,计算机***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RAM803中,还存储有***操作所需的各种程序和数据。CPU801、ROM802以及RAM803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;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,根据本申请的实施例示出的各流程图描述的过程可以被实现为计算机软件程序。例如,本申请的各方法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从网络上被下载和安装,和/或从可拆卸介质被安装。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***中限定的上述功能。
需要说明的是,本申请所示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,上述模块、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,框图或流程图中的每个方框、以及框图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。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。所描述的单元或模块也可以设置在处理器中,例如,可以描述为:一种处理器包括第一接收模块和第二接收模块,或者一种处理器包括第四接收模块和检测模块。其中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
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电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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一个该电子设备执行时,使得该电子设备实现如上述实施例中所述的暴露服饰检测方法。
例如,所述电子设备可以实现如图2中所示的:步骤201,在操作界面上,接收关联指令,关联指令用于将游戏界面中呈现的人物模型与任意一种服饰进行关联。步骤202,接收第一截取检测指令,第一截取检测指令用于自动截取包含人物模型和服饰叠加后的局部或全部的第一图片,以获取第一图片集合,第一图片集合被提供给图片检测模型以便输出暴露服饰的检测结果。又如,所述电子设备可以实现如图7所示的各个步骤:步骤301,接收第一图片集合,第一图片是响应于第一截取检测指令自动截取的,且包含人物模型和服饰叠加后的局部或全部。步骤302,利用图片检测模型检测第一图片集合,获取暴露服饰的检测结果,图片检测模型是按照预训练模型构建的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。
综上所述,本申请实施例提供的暴露服饰检测计算机***或计算机可读介质,自动地截取待检测服饰与人物模型叠加的区域,然后将截取的图片提供给服务器,以使得服务器对其截取内容进行检测,并接收服务器返回检测结果;相较于现有技术首先需要人工手动点击人机交互装置,将待检测服饰与人物模型进行叠加,以生成待截取图像,然后通过人机交互装置二次截图的操作,本申请实施例仅需要在开始检测前设置批处理的执行动作,由客户端自动截取待检测的图像,其有效地提高了截图处理的效率,也提高检测效率。
另外,本申请实施例示提供的暴露服饰检测***,使用的检测模型是通过在游戏界面内截取服饰与人物模型叠加后的图片训练得到的,相较使用鉴黄软件,本申请提高了检测的准确率。
上述仅为本申请较佳实施例及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的申请范围,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申请构思的情况下,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 (15)
1.一种暴露服饰检测方法,其特征在于,所述方法包括:
在操作界面上,接收关联指令,所述关联指令用于将游戏界面中呈现的人物模型与游戏界面的图标等级选择接口确定的任意一种服饰按照服饰展示区域定位接口确定的关联顺序依次进行关联;
接收第一截取检测指令,并响应所述第一截取检测指令,循环按照人物定位接口确定的截取范围对待截取图像进行截取,得到第一图片集合,所述第一图片集合中的第一图片包含所述人物模型和所述服饰叠加后的局部或全部,所述第一图片集合被提供给图片检测模型以便输出暴露服饰的检测结果。
2.根据权利要求1所述的暴露服饰检测方法,其特征在于,在所述接收第一截取检测指令之前,所述方法还包括:
接收第二截取检测指令,所述第二截取检测指令用于自动截取包含人物模型和服饰叠加后的局部或全部的第二图片,以获取第二图片集合,所述第二图片集合用于对预训练模型进行训练学习以构建图片检测模型。
3.根据权利要求2所述的暴露服饰检测方法,其特征在于,所述操作界面包括至少一个子操作界面,所述子操作界面与游戏界面的属性相关,同时所述子操作界面包括以下至少一种操作项:
游戏界面的图标等级选择接口,所述图标等级选择接口用于确定服饰选择范围;
游戏界面的人物模型定位接口,所述人物模型定位接口用于确定人物模型和服饰的截取范围;
游戏界面的服饰展示区域定位接口,所述服饰展示区域定位接口用于确定人物模型与服饰的关联顺序。
4.根据权利要求3所述的暴露服饰检测方法,其特征在于,所述接收关联指令,所述关联指令用于将游戏界面中呈现的人物模型与任意一种服饰进行关联包括:
接收所述图标等级选择接口输入的服饰选择范围;
接收所述服饰展示区域定位接口输入的关联顺序;
响应于所述图标等级选择接口和服饰展示区域定位接口输入的内容,将所述人物模型与所述服饰选择范围确定的服饰按照所述服饰展示区域定位接口确定的关联顺序依次关联。
5.根据权利要求4所述的暴露服饰检测方法,其特征在于,将所述人物模型与所述服饰选择范围确定的服饰按照所述服饰展示区域定位接口确定的关联顺序依次关联之后,响应于所述第一截取检测指令或所述第二截取检测指令,该方法还包括:
依次将所述人物模型与所述服饰选择范围确定的服饰相叠加,以生成待截取图像;
循环按照所述人物模型定位接口确定的所述截取范围对所述待截取图像进行截取,以得到第一图片集合或第二图片集合。
6.根据权利要求1所述的暴露服饰检测方法,其特征在于,所述游戏界面包括手游界面或端游界面。
7.一种暴露服饰检测方法,其特征在于,所述方法包括:
接收第一图片集合,所述第一图片是响应于第一截取检测指令循环按照人物定位接口确定的截取范围对待截取图像自动截取的,且包含人物模型和服饰叠加后的局部或全部,所述人物模型及所述服饰通过游戏操作界面上的服饰展示区域定位接口确定的关联顺序依次进行关联;
利用图片检测模型检测所述第一图片集合,获取暴露服饰的检测结果,所述图片检测模型是按照预训练模型构建的。
8.根据权利要求7所述的暴露服饰检测方法,其特征在于,所述图片检测模型是按照预训练模型构建的,包括以下步骤:
接收第二图片集合,所述第二图片是响应于第二截取检测指令自动截取的,且包含人物模型和服饰叠加后的局部或全部;
利用第二图片集合对预训练模型进行训练学习以构建所述图片检测模型。
9.根据权利要求8所述的暴露服饰检测方法,其特征在于,所述利用第二图片集合对预训练模型进行训练学习以构建所述图片检测模型,包括:
对所述第二图片集合进行数据增强处理,以获取第三图片集合;
将所述第三图片集合划分成训练子集和验证子集;
利用所述训练子集对预训练模型进行训练学习以构建所述图片检测模型;
利用所述验证子集对所述图片检测模型进行验证。
10.根据权利要求9所述的暴露服饰检测方法,其特征在于,所述数据增强处理包括:图片的水平翻转、旋转、缩放或裁剪中的至少一种。
11.一种暴露服饰检测装置,其特征在于,所述装置包括:
第一接收模块,用于在操作界面上,接收关联指令,所述关联指令用于将游戏界面中呈现的人物模型与游戏界面的图标等级选择接口确定的任意一种服饰按照服饰展示区域定位接口确定的关联顺序依次进行关联;
第二接收模块,用于接收第一截取检测指令,并响应所述第一截取检测指令,循环按照人物定位接口确定的截取范围对待截取图像进行截取,得到第一图片集合,所述第一图片集合中的第一图片包含所述人物模型和所述服饰叠加后的局部或全部,所述第一图片集合被提供给图片检测模型以便输出暴露服饰的检测结果。
12.一种暴露服饰检测装置,其特征在于,所述装置包括:
第四接收模块,用于接收第一图片集合,所述第一图片是响应于第一截取检测指令循环按照人物定位接口确定的截取范围对待截取图像自动截取的,且包含人物模型和服饰叠加后的局部或全部,所述人物模型及所述服饰通过游戏操作界面上的服饰展示区域定位接口确定的关联顺序依次进行关联;
检测模块,用于利用图片检测模型检测所述第一图片集合,获取暴露服饰的检测结果,所述图片检测模型是按照预训练模型构建的。
13.一种暴露服饰检测***,其特征在于,所述***包括终端和服务器;
所述终端包括如权利要求11所述的装置;
所述服务器包括如权利12所述的装置。
14.一种计算机设备,其特征在于,所述设备包括:
一个或者多个处理器;
存储器,用于存储一条或者多条程序;
当所述一条或者多条程序被所述一个或者多个处理器执行时,使得所述一个或者多个处理器实现如权利要求1-10任一所述的方法。
15.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序用于:
所述计算机程序被处理器执行时,实现如权利要求1-10任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910707485.0A CN110456955B (zh) | 2019-08-01 | 2019-08-01 | 暴露服饰检测方法、装置、***、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910707485.0A CN110456955B (zh) | 2019-08-01 | 2019-08-01 | 暴露服饰检测方法、装置、***、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110456955A CN110456955A (zh) | 2019-11-15 |
CN110456955B true CN110456955B (zh) | 2022-03-29 |
Family
ID=68484604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910707485.0A Active CN110456955B (zh) | 2019-08-01 | 2019-08-01 | 暴露服饰检测方法、装置、***、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110456955B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679132A (zh) * | 2013-07-15 | 2014-03-26 | 北京工业大学 | 一种敏感图像识别方法及*** |
CN104281833A (zh) * | 2013-07-08 | 2015-01-14 | 深圳市腾讯计算机***有限公司 | 色情图像识别方法和装置 |
CN105488490A (zh) * | 2015-12-23 | 2016-04-13 | 天津天地伟业数码科技有限公司 | 基于视频的审判员着装检测方法 |
CN106228185A (zh) * | 2016-07-20 | 2016-12-14 | 武汉盈力科技有限公司 | 一种基于神经网络的通用图像分类识别***及方法 |
CN108734184A (zh) * | 2017-04-17 | 2018-11-02 | 苏宁云商集团股份有限公司 | 一种对敏感图像进行分析的方法及装置 |
CN109829069A (zh) * | 2018-12-28 | 2019-05-31 | 广州华多网络科技有限公司 | 图像审核处理方法、装置、电子设备及存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8358846B2 (en) * | 2007-11-13 | 2013-01-22 | Symantec Corporation | Scanning images for pornography |
WO2014057356A2 (en) * | 2012-10-12 | 2014-04-17 | Spotify Ab | Systems and methods for multi-context media control and playback |
CN103745226B (zh) * | 2013-12-31 | 2015-03-18 | 国家电网公司 | 一种电力设施作业现场人员着装安全检测方法 |
CN104951393B (zh) * | 2014-03-25 | 2018-03-30 | 中国电信股份有限公司 | 测试方法和测试装置 |
CN105095078A (zh) * | 2015-07-22 | 2015-11-25 | 厦门美图移动科技有限公司 | 一种***自动化测试设备、方法和计算设备 |
CN107149773A (zh) * | 2017-05-31 | 2017-09-12 | 合肥视尔文化创意有限公司 | 一种应用于游戏的自由换装方法 |
CN109597907A (zh) * | 2017-12-07 | 2019-04-09 | 深圳市商汤科技有限公司 | 服饰管理方法和装置、电子设备、存储介质 |
CN108229559B (zh) * | 2017-12-29 | 2021-05-18 | 深圳市商汤科技有限公司 | 服饰检测方法、装置、电子设备、程序和介质 |
CN108491866B (zh) * | 2018-03-06 | 2022-09-13 | 平安科技(深圳)有限公司 | ***鉴定方法、电子装置及可读存储介质 |
CN108564138A (zh) * | 2018-05-08 | 2018-09-21 | 广州优视网络科技有限公司 | 色情应用检测方法、装置、计算机可读存储介质和服务器 |
-
2019
- 2019-08-01 CN CN201910707485.0A patent/CN110456955B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281833A (zh) * | 2013-07-08 | 2015-01-14 | 深圳市腾讯计算机***有限公司 | 色情图像识别方法和装置 |
WO2015003606A1 (en) * | 2013-07-08 | 2015-01-15 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for recognizing pornographic image |
CN103679132A (zh) * | 2013-07-15 | 2014-03-26 | 北京工业大学 | 一种敏感图像识别方法及*** |
CN105488490A (zh) * | 2015-12-23 | 2016-04-13 | 天津天地伟业数码科技有限公司 | 基于视频的审判员着装检测方法 |
CN106228185A (zh) * | 2016-07-20 | 2016-12-14 | 武汉盈力科技有限公司 | 一种基于神经网络的通用图像分类识别***及方法 |
CN108734184A (zh) * | 2017-04-17 | 2018-11-02 | 苏宁云商集团股份有限公司 | 一种对敏感图像进行分析的方法及装置 |
CN109829069A (zh) * | 2018-12-28 | 2019-05-31 | 广州华多网络科技有限公司 | 图像审核处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110456955A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107845113B (zh) | 目标元素定位方法、装置以及用户界面测试方法、装置 | |
CN103377119B (zh) | 一种非标准控件自动化测试方法和装置 | |
US10685256B2 (en) | Object recognition state indicators | |
JP2017513090A (ja) | オブジェクト検索方法および装置 | |
CN111240669B (zh) | 界面生成方法、装置、电子设备及计算机存储介质 | |
CN112612690B (zh) | 一种用户界面信息处理方法、装置、电子设备及存储介质 | |
CN108805799B (zh) | 全景图像合成装置、方法及计算机可读存储介质 | |
EP4224338A1 (en) | Data labeling method, apparatus, and system, device, and storage medium | |
US20230005171A1 (en) | Visual positioning method, related apparatus and computer program product | |
CN107193465B (zh) | 一种触控页面展示方法及*** | |
CN106919260B (zh) | 网页操作方法和装置 | |
CN112835807B (zh) | 界面识别方法、装置、电子设备和存储介质 | |
US20180336243A1 (en) | Image Search Method, Apparatus and Storage Medium | |
CN112667212A (zh) | 埋点数据可视化方法、装置、终端和存储介质 | |
CN110456955B (zh) | 暴露服饰检测方法、装置、***、设备及存储介质 | |
CN115546219B (zh) | 检测板式生成方法、板卡缺陷检测方法、装置及产品 | |
CN111107264A (zh) | 图像处理方法、装置、存储介质以及终端 | |
CN107491778B (zh) | 一种基于定位图像的智能设备屏幕提取方法和*** | |
CN112231023A (zh) | 一种信息显示方法、装置、设备及存储介质 | |
CN115017922A (zh) | 图片翻译的方法、装置、电子设备及可读存储介质 | |
CN111324244B (zh) | 用于切换图片显示类型的方法和装置 | |
CN112380134A (zh) | 一种基于图像识别的WebUI自动化测试方法 | |
KR20170047605A (ko) | 솔루션의 테스트 자동화 시스템 및 방법 | |
CN110879738A (zh) | 一种操作步骤的展示方法、装置及电子设备 | |
CN111736748A (zh) | 基于地图信息的数据处理方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |