CN110895811B - 一种图像篡改检测方法和装置 - Google Patents
一种图像篡改检测方法和装置 Download PDFInfo
- Publication number
- CN110895811B CN110895811B CN201911070050.6A CN201911070050A CN110895811B CN 110895811 B CN110895811 B CN 110895811B CN 201911070050 A CN201911070050 A CN 201911070050A CN 110895811 B CN110895811 B CN 110895811B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- tampered
- aggregation
- detected
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 230000002776 aggregation Effects 0.000 claims abstract description 104
- 238000004220 aggregation Methods 0.000 claims abstract description 104
- 239000013598 vector Substances 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000006243 chemical reaction Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 23
- 230000009467 reduction Effects 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 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
- 238000012795 verification Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像篡改检测方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:根据待检测图像得到相同大小的多个标准图像,并通过特征提取得到多个标准图像的特征向量,对提取到的特征向量聚类,以得到待检测图像的一个或多个聚集区域,分析各聚集区域是否为篡改区域,若有聚集区域为篡改区域,则判定待检测图像为篡改图像。从而具有较高的检测成功率和检测准确率,并克服了现有检测算法复杂的缺陷,时间复杂度低,用户体验好。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种图像篡改检测方法和装置。
背景技术
随着数字技术的快速发展,使用图像处理软件对图像进行修复、润饰和增强甚至篡改操作也变得越来越容易,人们已经越来越难以区分某一图像是原始图像,还是经过数字化技术处理过的图像。而在新闻摄影、司法取证、尤其是保险理赔领域,如果图像进行了恶意篡改,将直接影响对案件的处理结果,造成严重的负面影响。现有图像篡改检测方案是手工提取特征、建立模型、分析特征并分类。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
对图像篡改检测的成功率和准确率较低,且算法复杂。
发明内容
有鉴于此,本发明实施例提供一种图像篡改检测方法和装置,能够提高图像篡改检测的成功率和准确率,并克服了现有检测算法复杂的缺陷,时间复杂度低,用户体验好。
为实现上述目的,根据本发明实施例的一个方面,提供了一种图像篡改检测方法。
一种图像篡改检测方法,包括:根据待检测图像得到相同大小的多个标准图像;对所述多个标准图像进行基础特征提取,得到所述多个标准图像的特征向量;对所述多个标准图像的特征向量聚类,以得到所述待检测图像的一个或多个聚集区域,其中,对应同一聚集区域的所述特征向量的类别相同;分析各所述聚集区域是否为篡改区域,若有所述聚集区域为篡改区域,则判定所述待检测图像为篡改图像。
可选地,根据待检测图像得到相同大小的多个标准图像的步骤,包括:对所述待检测图像进行预处理操作,以得到预处理后的图像,所述预处理操作包括:对所述待检测图像进行颜色空间转换,以及对所述颜色空间转换之后的图像进行降噪处理;将所述预处理后的图像切分为相同大小的所述多个标准图像。
可选地,对于所述多个标准图像中的每个标准图像,所述进行基础特征提取的步骤,包括:利用深度卷积神经网络提取所述标准图像的不同尺度的特征信息;将所述不同尺度的特征信息输入特征融合网络进行处理,其中,所述处理包括上采样处理。
可选地,所述深度卷积神经网络为残差神经网络,所述特征融合网络包括用于进行所述上采样处理的上采样层。
可选地,利用K均值聚类算法对所述多个标准图像的特征向量聚类。
可选地,分析所述聚集区域是否为篡改区域的步骤,包括:判断所述聚集区域对应的所述特征向量的个数是否小于预设的聚类个数;若是,则确定所述聚集区域为篡改区域,否则确定所述聚集区域不是篡改区域。
可选地,通过对所述多个标准图像进行基础特征提取,还得到与每个所述标准图像的特征向量对应的置信度特征;分析所述聚集区域是否为篡改区域的步骤,包括:判断所述聚集区域对应的所述特征向量的个数是否小于预设的聚类个数,若是,则初始化所述聚集区域为待定篡改区域,否则确定所述聚集区域不是篡改区域;在所述聚集区域为所述待定篡改区域的情况下,将所述待定篡改区域的各特征向量对应的所述置信度特征分别与置信度阈值进行比较,并统计其中大于所述置信度阈值的所述置信度特征的数量;判断所述数量是否大于预设的区域阈值,若是,则确定所述待定篡改区域是篡改区域,否则确定所述待定篡改区域不是篡改区域。
根据本发明实施例的另一方面,提供了一种图像篡改检测装置。
一种图像篡改检测装置,包括:图像切分模块,用于根据待检测图像得到相同大小的多个标准图像;特征提取模块,用于对所述多个标准图像进行基础特征提取,得到所述多个标准图像的特征向量;聚类模块,用于对所述多个标准图像的特征向量聚类,以得到所述待检测图像的一个或多个聚集区域,其中,对应同一聚集区域的所述特征向量的类别相同;分析检测模块,用于分析各所述聚集区域是否为篡改区域,若有所述聚集区域为篡改区域,则判定所述待检测图像为篡改图像。
可选地,所述图像切分模块还用于:对所述待检测图像进行预处理操作,以得到预处理后的图像,所述预处理操作包括:对所述待检测图像进行颜色空间转换,以及对所述颜色空间转换之后的图像进行降噪处理;将所述预处理后的图像切分为相同大小的所述多个标准图像。
可选地,所述特征提取模块对于所述多个标准图像中的每个标准图像,进行如下的基础特征提取操作:利用深度卷积神经网络提取所述标准图像的不同尺度的特征信息;将所述不同尺度的特征信息输入特征融合网络进行处理,其中,所述处理包括上采样处理。
可选地,所述深度卷积神经网络为残差神经网络,所述特征融合网络包括用于进行所述上采样处理的上采样层。
可选地,所述聚类模块利用K均值聚类算法对所述多个标准图像的特征向量聚类。
可选地,所述分析检测模块用于对于每一所述聚集区域,执行:判断所述聚集区域对应的所述特征向量的个数是否小于预设的聚类个数;若是,则确定所述聚集区域为篡改区域,否则确定所述聚集区域不是篡改区域。
可选地,通过所述特征提取模块对所述多个标准图像进行基础特征提取,还得到与每个所述标准图像的特征向量对应的置信度特征;所述分析检测模块用于对于每一所述聚集区域,执行:判断所述聚集区域对应的所述特征向量的个数是否小于预设的聚类个数,若是,则初始化所述聚集区域为待定篡改区域,否则确定所述聚集区域不是篡改区域;在所述聚集区域为所述待定篡改区域的情况下,将所述待定篡改区域的各特征向量对应的所述置信度特征分别与置信度阈值进行比较,并统计其中大于所述置信度阈值的所述置信度特征的数量;判断所述数量是否大于预设的区域阈值,若是,则确定所述待定篡改区域是篡改区域,否则确定所述待定篡改区域不是篡改区域。
根据本发明实施例的又一方面,提供了一种电子设备。
一种电子设备,包括:一个或多个处理器;存储器,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时,使得所述一个或多个处理器实现本发明实施例提供的图像篡改检测方法。
根据本发明实施例的又一方面,提供了一种计算机可读介质。
一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例提供的图像篡改检测方法。
上述发明中的一个实施例具有如下优点或有益效果:根据待检测图像得到相同大小的多个标准图像,并进行基础特征提取,对所得到的多个标准图像的特征向量聚类,以得到待检测图像的一个或多个聚集区域,分析各聚集区域是否为篡改区域,若有聚集区域为篡改区域,则判定待检测图像为篡改图像。能够提高图像篡改检测的成功率和准确率,并克服了现有检测算法复杂的缺陷,时间复杂度低,用户体验好。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明第一实施例的图像篡改检测方法的主要步骤示意图;
图2是根据本发明第二实施例的图像篡改检测流程示意图;
图3是根据本发明第三实施例的图像篡改检测流程示意图;
图4是根据本发明一个实施例的特征提取网络构成示意图;
图5是根据本发明第四实施例的图像篡改检测装置的主要模块示意图;
图6是本发明实施例可以应用于其中的示例性***架构图;
图7是适于用来实现本发明实施例的终端设备或服务器的计算机***的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本领域技术技术人员知道,本发明的实施方式可以实现为一种***、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
图1是根据本发明第一实施例的图像篡改检测方法的主要步骤示意图。
如图1所示,本发明一个实施例的图像篡改检测方法主要包括如下的步骤S101至步骤S104。
步骤S101:根据待检测图像得到相同大小的多个标准图像。
待检测图像为输入的原始图像,作为优选实施方式,在将待检测图像进行切分之前首先对待检测图像进行预处理操作。
预处理操作具体可以包括对待检测图像进行颜色空间转换,例如将待检测图像从RGB颜色空间转换到YCbCr颜色空间,还可以包括对颜色空间转换之后的图像进行降噪处理,例如通过滑动均值滤波的方法对图像进行降噪。
然后将上述预处理后的图像切分为相同大小的子图,每个子图称为一个标准图像。或者,将上述预处理后的图像任意切分,并将切分后得到的子图归一化,每一归一化后的子图为一个标准图像。
步骤S102:对该多个标准图像进行基础特征提取,以得到该多个标准图像的特征向量。
可以利用深度卷积神经网络和特征融合网络得到本发明实施例的特征提取网络,以对该多个标准图像进行基础特征提取。将该多个标准图像输入特征提取网络,在特征提取网络中,先由深度卷积神经网络对该多个标准图像分别提取不同尺度的特征,再经特征融合网络进行特征融合处理,从而得到对应该多个标准图像的特征图,特征图包括分别对应各标准图像的特征向量。
其中,本发明实施例的特征融合网络包括上采样层,特征融合处理包括对该多个标准图像的不同尺度的特征进行上采样处理。
本发明实施例不限制深度卷积神经网络的具体类型,例如可以采用Vgg(VisualGeometry Group,视觉几何组)卷积神经网络、ResNet(Residual Neural Network,残差神经网络)等。
步骤S103:对多个标准图像的特征向量聚类,以得到待检测图像的一个或多个聚集区域,其中,对应同一聚集区域的特征向量的类别相同。
可以采用K均值等聚类算法对多个标准图像的特征向量聚类,也可以采用其他聚类算法。
在待检测图像上,如果某一闭合区域对应的各特征向量的类别相同,那么该闭合区域就是一个聚集区域。当对多个标准图像的特征向量聚类得到多个类别的特征向量时,相应地,待检测图像的聚集区域的数量也将为多个。
步骤S104:分析各聚集区域是否为篡改区域,若有聚集区域为篡改区域,则判定待检测图像为篡改图像。
在一个实施例中,可以利用聚集区域对应的特征向量的个数来分析聚集区域是否为篡改区域。具体地,如果特征向量的个数小于预设的聚类个数,则该聚集区域为篡改区域;如果特征向量的个数大于或等于预设的聚类个数,则该聚集区域不是篡改区域。
在另一个实施例中,可以先判断聚集区域对应的特征向量的个数是否小于预设的聚类个数,若是,则初始化聚集区域为待定篡改区域,否则确定聚集区域不是篡改区域;在聚集区域为待定篡改区域的情况下,将待定篡改区域的各特征向量对应的置信度特征分别与置信度阈值进行比较,并统计其中大于置信度阈值的置信度特征的数量;判断该数量是否大于预设的区域阈值,若是,则确定待定篡改区域是篡改区域,否则确定待定篡改区域不是篡改区域。其中,待定篡改区域的各特征向量对应的置信度特征,即:待定篡改区域所包括的各标准图像的特征向量对应的置信度特征,与每个标准图像的特征向量对应的置信度特征是通过对多个标准图像进行基础特征提取而得到的。
本发明实施例的图像篡改检测方法可以适用各业务场景下的图像篡改检测,例如在保险理赔场景下,通过本发明实施例可以将用户提交的核保图像数据(例如车险投保后的交通事故照片)切分为多个标准图像,并通过特征提取网络得到多个标准图像的特征向量,对得到的特征向量聚类,得到核保图像数据的多个聚集区域,对每个聚集区域进行分析以判断核保图像数据是否有被篡改,从而提高了保险理赔中图像篡改检测的成功率和准确率,避免对不在理赔范围内的情况进行赔付或进行超额赔付的情况,有效遏制了恶意骗保情况的出现,降低了保险业务的误赔付率,减少保险公司的经济损失。本领域技术人员可以理解的是,本实施例的图像篡改检测方法用于保险理赔之外的其他业务场景,也可以提高图像篡改检测的成功率和准确率,从而避免了其他业务场景下由于篡改图像而导致的业务误操作,另外,还克服了现有检测算法复杂的缺陷,时间复杂度低,用户体验好。
图2是根据本发明第二实施例的图像篡改检测流程示意图。
如图2所示,以检测身份证图像是否被篡改为例,本发明一个实施例的图像篡改检测流程包括如下的步骤S201至步骤S207。
步骤S201:对读取到的身份证图像进行颜色空间转换。
具体地,将身份证图像从RGB颜色空间转换到YCbCr颜色空间,转换公式如下:
Y=0.257×R+0.564×G+0.098×B+16
Cb=-0.148×R-0.291×G+0.439×B+128
Cr=0.439×R-0.368×G-0.071×B+12
其中R,G,B分别表示RGB颜色空间上不同颜色通道的值。
步骤S202:对颜色空间转换后的身份证图像进行降噪处理。
具体地,采用滑动均值滤波的方法对颜色空间转换后的身份证图像进行降噪处理。令Sxy表示中心点在(x,y)处、大小为m×n的滤波器窗口,均值滤波器用于计算窗口区域的像素均值,然后将计算出的像素均值赋值给窗口中心点处的像素(如以下所示):
其中,YCbCr(x,y)表示颜色空间转换后的身份证图像,F(x,y)表示均值滤波后得到的图像。
步骤S203:将经颜色空间转换和降噪处理后的身份证图像切分为N个大小相同的标准图像。
N可以按照如下规则设定:
其中Px表示图像的宽,Py表示图像的高,上式中和的值分别向上取整。对于本例,Px、Py分别表示经颜色空间转换和降噪处理后的身份证图像的宽和高。经颜色空间转换和降噪处理后的身份证图像的宽和高分别等于步骤S201中原始读取到的身份证图像的宽和高。
步骤S204:通过残差神经网络提取各标准图像的特征信息,得到每一标准图像的不同尺度的特征信息。
步骤S205:对于各标准图像的不同尺度的特征信息,通过上采样的方式提取融合特征,从而得到每个标准图像的特征向量。
步骤S206:利用K均值聚类算法对多个标准图像的特征向量聚类,得到身份证图像的一个或多个聚集区域。
对应同一聚集区域的特征向量的类别相同。
步骤S207:根据各聚集区域对应的特征向量的个数,依次分析各聚集区域是否为篡改区域,若有聚集区域为篡改区域,则判定身份证图像为篡改图像。
对于身份证图像的篡改通常是对图像上的上身份证号码进行篡改。本发明实施例利用身份证图像的各聚集区域对应的特征向量的个数,对聚集区域进行分析,可以准确地检测出身份证图像是否被篡改。具体地,预先设定一个聚类个数T,依次将每个聚集区域对应的特征向量的个数与该聚类个数T相比较,若有聚集区域对应的特征向量的个数小于T,表示该聚集区域已被篡改,则将读取到的身份证图像判定为篡改图像。如果所有聚集区域对应的特征向量均大于或等于T,表示所有聚集区域均未被篡改,则判定读取到的身份证图像不是篡改图像。
聚类个数T的设定规则如下:
T=0.3×N,其中,N表示对经颜色空间转换和降噪处理后的身份证图像切分的标准图像个数,N的设定规则参见上文步骤S203。
通过本实施例的图像篡改检测流程可以准确地识别篡改的身份证图像,从而避免特定业务场景下利用篡改的身份证信息进行违规操作的行为。本领域技术人员也可以参照本实施例的流程实现对其他图像准确地检测是否被局部篡改。
图3是根据本发明第三实施例的图像篡改检测流程示意图。
如图3所示,本发明一个实施例的图像篡改检测流程包括如下的步骤S301至步骤S308。
步骤S301:对读取到的待检测图像进行颜色空间转换。
例如,将待检测图像从RGB颜色空间转换到YCbCr颜色空间,具体转换方法参见上一实施例的介绍,此处不再赘述。
步骤S302:对颜色空间转换后的待检测图像进行降噪处理。
本实施例优选采用滑动均值滤波的方法对颜色空间转换后的待检测图像进行降噪处理,但不限于该降噪方法,还可以采用例如高斯滤波、小波滤波等降噪方法。
步骤S303:将经颜色空间转换和降噪处理后的待检测图像切分为N个大小相同的标准图像。
可以预先设定切分后的图像大小或切分的图像数量N,例如预先设定N的具体数值,或预先设定切分后的标准图像的大小。本实施例以设定标准图像Pi(x,y)为128×128的大小为例,那么根据经颜色空间转换和降噪处理后的待检测图像的宽(Px)和高(Py),即可计算出N的值:
步骤S304:通过残差神经网络提取各标准图像的特征信息,得到每一标准图像的不同尺度的特征信息。
本实施例的残差神经网络优选采用ResNet50网络。
步骤S305:对于各标准图像的不同尺度的特征信息,通过特征融合网络处理,以得到每个标准图像的特征向量以及与每个标准图像的特征向量对应的置信度特征。
对于128×128的大小的标准图像,对应的特征向量的大小为64×128×128。
特征融合网络可以通过上采样的方式提取融合特征,从而得到每个标准图像的特征向量以及各特征向量对应的置信度特征。
置信度特征表征每个特征向量是否被篡改的可能性,置信度越高表示特征向量对应的标准图像被篡改的可能性越大。置信度特征Qpi的公式表示如下:
其中,β,γ分别设为0.65,4.1和ln(0.01),μC和σC分别为标准图像(Pi(x,y))的均值和方差,并将其归一化为(0,1)。从而本发明实施例的置信度特征的取值范围为(0,1)。需要说明的是,β,γ的上述具体数值为经验值,也可以根据需要设置为其他数值。
步骤S306:利用K均值聚类算法对多个标准图像的特征向量聚类,得到待检测图像的一个或多个聚集区域,其中,对应同一聚集区域的特征向量的类别相同。
步骤S307:判断每个聚集区域对应的特征向量的个数是否小于预设的聚类个数,以确定初始的篡改模板图像。
对于任一聚集区域,如果其对应的特征向量的个数小于预设的聚类个数T,则将该聚集区域初始化为待定篡改区域,否则确定该聚集区域为非篡改区域(即不是篡改区域)。
对每个聚集区域对应的特征向量的个数分别与预设的聚类个数T相比较,如果得到的待定篡改区域的数量大等于1,则根据待定篡改区域得到一个初始的篡改模板图像M(x,y),初始的篡改模板图像M(x,y)为待定篡改区域构成的图像。
聚类个数T的设定规则如下:
T=0.3×N,其中,N表示对经颜色空间转换和降噪处理后的待检测图像切分的标准图像个数,N的设定规则参见上文步骤S303。
步骤S308:根据各标准图像的特征向量对应的置信度特征,对初始的篡改模板图像进行校验,以判断待检测图像是否为篡改图像。
对初始的篡改模板图像进行校验,具体包括校验初始的篡改模板图像中的各待定篡改区域是否为篡改区域。校验过程包括:对于初始的篡改模板图像中的每一待定篡改区域,将该待定篡改区域的各特征向量对应的置信度特征分别与置信度阈值τ进行比较,设置一个变量J(x,y)来记录比较结果,例如:
其中,Qpi表示置信度特征,τ表示置信度阈值,τ∈(0,1)。
统计其中大于置信度阈值τ的置信度特征的数量,即统计该待定篡改区域的J(x,y)=1的数量;判断该数量是否大于预设的区域阈值K,若是,则确定该待定篡改区域是篡改区域,否则确定该待定篡改区域不是篡改区域。
如果最终确定初始的篡改模板图像中的待定篡改区域都不是篡改区域,则判定读取到的待检测图像不是篡改图像。如果最终确定初始的篡改模板图像中至少有一个待定篡改区域是篡改区域,则判定读取到的待检测图像是篡改图像。
通过本实施例的上述流程可以准确的判断读取到的待检测图像是否被篡改,由于本实施例在判断每个聚集区域对应的特征向量的个数是否小于预设的聚类个数的基础上,还根据各标准图像的特征向量对应的置信度特征,进行进一步的判断,以最终确定待检测图像是否为篡改图像,对于不同程度的篡改图像,都可以成功的得到准确检测结果,算法设计简单,时间复杂度低,极大地提高了用户的体验。
图4是根据本发明一个实施例的特征提取网络构成示意图。
如图4所示,本发明一个实施例的特征提取网络主要包括ResNet50网络401和特征融合网络402。ResNet50网络401包括卷积层block(块)1,64,/2、block(块)2,128,/2、block(块)3,256,/2、block(块)4,512,/2,用于对由待检测图像按相同大小切分而得到的多个标准图像分别提取不同尺度的特征。特征融合网络402包括上采样层、全连接层、卷积层(图中3×3,32;1×1,32以及类似形式表示的层即为卷积层),图中f1至f4表示ResNet50网络401的输出,h2至h4分别表示一个上采样层、一个全连接层、两个卷积层构成的子结构,例如h2是由上采样层、全连接层、卷积层1×1,128和卷积层3×3,128构成的子结构。经特征融合网络402的各层,对ResNet50网络401输出的不同尺度的特征信息进行特征融合处理,从而得到对应该多个标准图像的特征图和置信图,其中,特征图包括分别对应各标准图像的特征向量,其中每一标准图像对应一个特征向量,置信图包括对应各特征向量的置信度特征。本实施例的特征提取网络可以应用在本发明各实施例的图像篡改检测方法、流程、装置中。
图5是根据本发明第四实施例的图像篡改检测装置的主要模块示意图。
如图5所示,本发明一个实施例的图像篡改检测装置500主要包括:图像切分模块501、特征提取模块502、聚类模块503、分析检测模块504。
图像切分模块501,用于根据待检测图像得到相同大小的多个标准图像。
图像切分模块501具体可以用于:对待检测图像进行预处理操作,以得到预处理后的图像,预处理操作包括:对待检测图像进行颜色空间转换,以及对颜色空间转换之后的图像进行降噪处理;将预处理后的图像切分为相同大小的多个标准图像。
特征提取模块502,用于对多个标准图像进行基础特征提取,得到该多个标准图像的特征向量。
特征提取模块502对于多个标准图像中的每个标准图像,进行如下的基础特征提取操作:利用深度卷积神经网络提取标准图像的不同尺度的特征信息;将提取的不同尺度的特征信息输入特征融合网络进行处理,其中,该处理包括上采样处理,特征融合网络包括用于进行上采样处理的上采样层。
在一个实施例中,深度卷积神经网络可采用残差神经网络。
聚类模块503,用于对该多个标准图像的特征向量聚类,以得到待检测图像的一个或多个聚集区域,其中,对应同一聚集区域的特征向量的类别相同。
在一个实施例中,聚类模块503可以利用K均值聚类算法对多个标准图像的特征向量聚类。
分析检测模块504,用于分析各聚集区域是否为篡改区域,若有聚集区域为篡改区域,则判定待检测图像为篡改图像。
在一个实施例中,分析检测模块504具体可以用于对于每一聚集区域执行:判断聚集区域对应的特征向量的个数是否小于预设的聚类个数;若是,则确定该聚集区域为篡改区域,否则确定该聚集区域不是篡改区域。
在另一个实施例中,分析检测模块504具体可以用于对于每一聚集区域执行:判断聚集区域对应的特征向量的个数是否小于预设的聚类个数,若是,则初始化该聚集区域为待定篡改区域,否则确定该聚集区域不是篡改区域;在聚集区域为待定篡改区域的情况下,将待定篡改区域的各特征向量对应的置信度特征分别与置信度阈值进行比较,并统计其中大于置信度阈值的置信度特征的数量;判断该数量是否大于预设的区域阈值,若是,则确定该待定篡改区域是篡改区域,否则确定该待定篡改区域不是篡改区域。其中,待定篡改区域的各特征向量对应的置信度特征,即:待定篡改区域所包括的各标准图像的特征向量对应的置信度特征,与每个标准图像的特征向量对应的置信度特征是通过对多个标准图像进行基础特征提取而得到的。
本发明实施例的图像篡改检测装置能够提高图像篡改检测的成功率和准确率,并克服了现有检测算法复杂的缺陷,时间复杂度低,用户体验好。
另外,在本发明实施例中图像篡改检测装置的具体实施内容,在上面图像篡改检测方法中已经详细说明了,故在此重复内容不再说明。
图6示出了可以应用本发明实施例的图像篡改检测方法或图像篡改检测装置的示例性***架构600。
如图6所示,***架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604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601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的图像等数据进行分析等处理,并将处理结果(例如通知消息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的图像篡改检测方法一般由服务器605执行,相应地,图像篡改检测装置一般设置于服务器605中。
应该理解,图6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。
下面参考图7,其示出了适于用来实现本申请实施例的终端设备或服务器的计算机***700的结构示意图。图7示出的终端设备或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7所示,计算机***700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有***700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;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707;包括硬盘等的存储部分708;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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,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710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708。
特别地,根据本发明公开的实施例,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,本发明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709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的***中限定的上述功能。
需要说明的是,本发明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。
描述于本发明实施例中所涉及到的模块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:一种处理器包括图像切分模块、特征提取模块、聚类模块、分析检测模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,图像切分模块还可以被描述为“用于根据待检测图像得到相同大小的多个标准图像的模块”。
作为另一方面,本发明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设备中所包含的;也可以是单独存在,而未装配入该设备中。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设备执行时,使得该设备包括:根据待检测图像得到相同大小的多个标准图像;对所述多个标准图像进行基础特征提取,得到所述多个标准图像的特征向量;对所述多个标准图像的特征向量聚类,以得到所述待检测图像的一个或多个聚集区域,其中,对应同一聚集区域的所述特征向量的类别相同;分析各所述聚集区域是否为篡改区域,若有所述聚集区域为篡改区域,则判定所述待检测图像为篡改图像。
根据本发明实施例的技术方案,根据待检测图像得到相同大小的多个标准图像,并通过特征提取得到多个标准图像的特征向量,对提取到的特征向量聚类,以得到待检测图像的一个或多个聚集区域,分析各聚集区域是否为篡改区域,若有聚集区域为篡改区域,则判定待检测图像为篡改图像。从而具有较高的检测成功率和检测准确率,并克服了现有检测算法复杂的缺陷,时间复杂度低,用户体验好。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (9)
1.一种图像篡改检测方法,其特征在于,包括:
根据待检测图像得到相同大小的多个标准图像,其中,对预处理后的待检测图像切分为相同大小的子图,将每个子图作为一个标准图像,或者,将预处理后的待检测图像任意切分,并将切分后得到的子图归一化,每一归一化后的子图作为一个标准图像;
对所述多个标准图像进行基础特征提取,得到所述多个标准图像的特征向量;
对所述多个标准图像的特征向量聚类,以得到所述待检测图像的一个或多个聚集区域,其中,对应同一聚集区域的所述特征向量的类别相同;
分析各所述聚集区域是否为篡改区域,若有所述聚集区域为篡改区域,则判定所述待检测图像为篡改图像;
分析所述聚集区域是否为篡改区域的步骤,包括:判断所述聚集区域对应的所述特征向量的个数是否小于预设的聚类个数;若是,则确定所述聚集区域为篡改区域,否则确定所述聚集区域不是篡改区域。
2.根据权利要求1所述的方法,其特征在于,根据待检测图像得到相同大小的多个标准图像的步骤,包括:
对所述待检测图像进行预处理操作,以得到预处理后的图像,所述预处理操作包括:对所述待检测图像进行颜色空间转换,以及对所述颜色空间转换之后的图像进行降噪处理。
3.根据权利要求1所述的方法,其特征在于,对于所述多个标准图像中的每个标准图像,所述进行基础特征提取的步骤,包括:
利用深度卷积神经网络提取所述标准图像的不同尺度的特征信息;
将所述不同尺度的特征信息输入特征融合网络进行处理,其中,所述处理包括上采样处理。
4.根据权利要求3所述的方法,其特征在于,所述深度卷积神经网络为残差神经网络,所述特征融合网络包括用于进行所述上采样处理的上采样层。
5.根据权利要求1所述的方法,其特征在于,利用K均值聚类算法对所述多个标准图像的特征向量聚类。
6.根据权利要求1所述的方法,其特征在于,通过对所述多个标准图像进行基础特征提取,还得到与每个所述标准图像的特征向量对应的置信度特征;
分析所述聚集区域是否为篡改区域的步骤,包括:
判断所述聚集区域对应的所述特征向量的个数是否小于预设的聚类个数,若是,则初始化所述聚集区域为待定篡改区域,否则确定所述聚集区域不是篡改区域;
在所述聚集区域为所述待定篡改区域的情况下,将所述待定篡改区域的各特征向量对应的所述置信度特征分别与置信度阈值进行比较,并统计其中大于所述置信度阈值的所述置信度特征的数量;判断所述数量是否大于预设的区域阈值,若是,则确定所述待定篡改区域是篡改区域,否则确定所述待定篡改区域不是篡改区域。
7.一种图像篡改检测装置,其特征在于,包括:
图像切分模块,用于根据待检测图像得到相同大小的多个标准图像,其中,对预处理后的待检测图像切分为相同大小的子图,将每个子图作为一个标准图像,或者,将预处理后的待检测图像任意切分,并将切分后得到的子图归一化,每一归一化后的子图作为一个标准图像;
特征提取模块,用于对所述多个标准图像进行基础特征提取,得到所述多个标准图像的特征向量;
聚类模块,用于对所述多个标准图像的特征向量聚类,以得到所述待检测图像的一个或多个聚集区域,其中,对应同一聚集区域的所述特征向量的类别相同;
分析检测模块,用于分析各所述聚集区域是否为篡改区域,若有所述聚集区域为篡改区域,则判定所述待检测图像为篡改图像;
分析检测模块具体用于对于每一聚集区域执行:判断聚集区域对应的特征向量的个数是否小于预设的聚类个数;若是,则确定该聚集区域为篡改区域,否则确定该聚集区域不是篡改区域。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,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时,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911070050.6A CN110895811B (zh) | 2019-11-05 | 2019-11-05 | 一种图像篡改检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911070050.6A CN110895811B (zh) | 2019-11-05 | 2019-11-05 | 一种图像篡改检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110895811A CN110895811A (zh) | 2020-03-20 |
CN110895811B true CN110895811B (zh) | 2023-05-09 |
Family
ID=69787600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911070050.6A Active CN110895811B (zh) | 2019-11-05 | 2019-11-05 | 一种图像篡改检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110895811B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985504B (zh) * | 2020-08-17 | 2021-05-11 | 中国平安人寿保险股份有限公司 | 基于人工智能的翻拍检测方法、装置、设备及介质 |
CN112561907B (zh) * | 2020-12-24 | 2022-11-01 | 南开大学 | 一种基于双流网络的视频篡改操作检测方法及装置 |
CN115205666B (zh) * | 2022-09-16 | 2023-03-07 | 太平金融科技服务(上海)有限公司深圳分公司 | 图像分析方法、装置、服务器、介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846303A (zh) * | 2016-12-30 | 2017-06-13 | 平安科技(深圳)有限公司 | 图像篡改检测方法及装置 |
CN107622489A (zh) * | 2017-10-11 | 2018-01-23 | 广东工业大学 | 一种图像篡改检测方法及装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005040490A (ja) * | 2003-07-25 | 2005-02-17 | Fuji Photo Film Co Ltd | 異常陰影検出方法および装置並びにプログラム |
CN101968813B (zh) * | 2010-10-25 | 2012-05-23 | 华北电力大学 | 一种假冒网页检测方法 |
CN102930493B (zh) * | 2011-08-12 | 2017-08-08 | 索尼公司 | 防篡改的图像处理方法和装置 |
CN103164856B (zh) * | 2013-03-07 | 2014-08-20 | 南京工业大学 | 一种基于稠密sift流的视频复制粘贴盲检测方法 |
CN104537654B (zh) * | 2014-12-19 | 2017-04-12 | 大连理工大学 | 利用半色调点位置失真打印图像篡改取证方法 |
CN105405130B (zh) * | 2015-11-02 | 2019-03-01 | 北京旷视科技有限公司 | 基于聚类的证照图像高光检测方法及装置 |
CN106228557B (zh) * | 2016-07-26 | 2018-11-02 | 浙江捷尚视觉科技股份有限公司 | 基于二次jpeg压缩的图像篡改区域检测方法 |
CN107145887B (zh) * | 2017-03-31 | 2019-10-01 | 天津工业大学 | 一种针对物体删除的缝裁剪图像定位取证方法 |
CN107657259A (zh) * | 2017-09-30 | 2018-02-02 | 平安科技(深圳)有限公司 | 图像篡改检测方法、电子装置及可读存储介质 |
CN109657600B (zh) * | 2018-12-14 | 2024-02-27 | 广东工业大学 | 一种视频区域移除篡改检测方法和装置 |
CN110349136A (zh) * | 2019-06-28 | 2019-10-18 | 厦门大学 | 一种基于深度学习的篡改图像检测方法 |
-
2019
- 2019-11-05 CN CN201911070050.6A patent/CN110895811B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846303A (zh) * | 2016-12-30 | 2017-06-13 | 平安科技(深圳)有限公司 | 图像篡改检测方法及装置 |
CN107622489A (zh) * | 2017-10-11 | 2018-01-23 | 广东工业大学 | 一种图像篡改检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110895811A (zh) | 2020-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110895811B (zh) | 一种图像篡改检测方法和装置 | |
US20150039637A1 (en) | Systems Apparatus and Methods for Determining Computer Apparatus Usage Via Processed Visual Indicia | |
CN108734106B (zh) | 基于对比的快速暴恐视频识别方法 | |
CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
CA3018437C (en) | Optical character recognition utilizing hashed templates | |
CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN114663871A (zh) | 图像识别方法、训练方法、装置、***及存储介质 | |
CN112632952A (zh) | 一种对比文件的方法和装置 | |
CN115861400A (zh) | 目标对象检测方法、训练方法、装置以及电子设备 | |
US9332031B1 (en) | Categorizing accounts based on associated images | |
CN107437088B (zh) | 文件识别方法和装置 | |
CN112967191B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN111145202A (zh) | 模型生成方法、图像处理方法、装置、设备及存储介质 | |
CN113918949A (zh) | 基于多模态融合的诈骗app的识别方法 | |
CN111444364B (zh) | 一种图像检测方法和装置 | |
CN112182520B (zh) | 非法账号的识别方法、装置、可读介质及电子设备 | |
CN116738369A (zh) | 一种流量数据的分类方法、装置、设备及存储介质 | |
CN114724144B (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
CN115546554A (zh) | 敏感图像的识别方法、装置、设备和计算机可读存储介质 | |
CN113344064A (zh) | 事件处理方法和装置 | |
CN111797922B (zh) | 文本图像分类方法及装置 | |
CN114708592B (zh) | 图章密级的判断方法、装置、设备和计算机可读存储介质 | |
CN111881778B (zh) | 文本检测的方法、装置、设备和计算机可读介质 | |
CN113034337B (zh) | 图像检测方法及相关装置 | |
CN110674497B (zh) | 一种恶意程序相似度计算的方法和装置 |
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 |