CN111144425A - 检测拍屏图片的方法、装置、电子设备及存储介质 - Google Patents
检测拍屏图片的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111144425A CN111144425A CN201911376496.1A CN201911376496A CN111144425A CN 111144425 A CN111144425 A CN 111144425A CN 201911376496 A CN201911376496 A CN 201911376496A CN 111144425 A CN111144425 A CN 111144425A
- Authority
- CN
- China
- Prior art keywords
- picture
- sample
- moire
- probability
- target picture
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000000605 extraction Methods 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims description 76
- 238000012545 processing Methods 0.000 claims description 57
- 238000013527 convolutional neural network Methods 0.000 claims description 35
- 238000010606 normalization Methods 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012550 audit Methods 0.000 abstract description 12
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000013507 mapping Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000007787 solid Substances 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
- G06V10/40—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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了检测拍屏图片的方法、装置、电子设备及存储介质,该方法首先从从待检测图片中获取目标区域对应的目标图片,然后,一方面从目标图片中提取边缘特征,得到边缘特征提取结果,另一方面利用预先训练的概率预测模型预测目标图片包含摩尔纹特征的概率,最后结合边缘特征提取结果目标图片包含摩尔纹特征的概率,综合分析目标图片是否为拍屏图片。该方法在图片审核场景,尤其是房产证图片审核场景的应用中,具有特征稳定、分类精度高、鲁棒性高的优点,还能有效节省审核成本。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种检测拍屏图片的方法、装置、电子设备及存储介质。
背景技术
随着网络及信息技术的发展,在涉及资料审核的应用领域,由用户将待审核资料上传至网络,再通过智能检测技术对待审核资料进行在线审核,从而取代人工审核。
多数应用场景中,基于审核方的要求,用户上传的待审核图片应当为使用摄像装置拍摄实物所得到的图片。因此,在识别待审核图片的内容之前,检测待审核图片是否为用户使用摄像装置拍摄点亮的电子图片所得到的拍屏图片,成为必要的审核环节。如果待审核图片是拍屏图片,则无需执行后续图片识别流程。例如,如58同城等用于发布房源信息的平台,需要对用户上传的房产证图片是否为拍屏图片进行检测。
现有技术通过提取图像的角点特征判断图片是否为拍屏图片。然而,该方法对于如房产证图片等角点繁多、特征丰富的图片,具有较低的识别精度。
发明内容
本申请提供一种检测拍屏图片的方法、装置、电子设备及存储介质,以解决现有技术通过提取图像的角点特征判断图片是否为拍屏图片时精度较低的问题。
第一方面,本申请提供一种检测拍屏图片的方法,所述方法包括:
从待检测图片中获取目标图片,所述目标图片为所述待检测图片中目标区域对应的图片;
从所述目标图片中提取边缘特征,得到边缘特征提取结果;
利用预先训练的概率预测模型预测所述目标图片包含摩尔纹特征的概率;
根据所述边缘特征提取结果和所述目标图片包含摩尔纹特征的概率,判定所述目标图片是否为拍屏图片。
进一步,所述从待检测图片中获取目标图片,包括:
利用预先训练的坐标提取模型对所述待检测图片进行处理,确定所述目标区域在所述待检测图片中的位置坐标信息;
根据所述位置坐标信息对所述待检测图片进行透视变换处理,得到所述目标区域对应的目标图片。
进一步,所述从目标图片中提取边缘特征,得到边缘特征提取结果,包括:
对所述目标图片进行滤波处理,以消除所述目标图片中的噪声信息;
对滤波后的所述目标图片进行锐化处理;
从锐化后的所述目标图片中提取边缘特征点,得到所述目标图片对应的边缘化二值图,所述边缘化二值图包括若干尺寸相同的统计区块,所述边缘特征点分布在一个或者多个所述统计区块中。
进一步,所述利用预先训练的概率预测模型预测所述目标图片包含摩尔纹特征的概率,包括:
将所述目标图片裁剪成至少一张子图片;
对所述至少一张子图片进行尺寸归一化处理和像素值归一化处理,得到至少一张输入图片;
将所述至少一张输入图片逐一输入至所述概率预测模型中,输出所述输入图片包含摩尔纹特征的概率;
根据每张所述输入图片包含摩尔纹特征的概率,确定所述目标图片包含摩尔纹特征的概率。
进一步,所述根据所述边缘特征提取结果和所述目标图片包含摩尔纹特征的概率,判定所述目标图片是否为拍屏图片,包括:
判断所述边缘特征提取结果是否满足第一预设条件,或者,判断所述目标图片包含摩尔纹特征的概率是否满足第一预设阈值;
如果所述边缘特征提取结果满足第一预设条件,或者,所述目标图片包含摩尔纹特征的概率满足第一预设阈值,则判定所述目标图片是拍屏图片。
进一步,所述根据所述边缘特征提取结果和所述目标图片包含摩尔纹特征的概率,判定所述目标图片是否为拍屏图片,包括:
判断是否所述边缘特征提取结果满足第二预设条件且所述目标图片包含摩尔纹特征的概率满足第二预设阈值;
如果所述边缘特征提取结果满足第二预设条件且所述目标图片包含摩尔纹特征的概率满足第二预设阈值,则判定所述目标图片是拍屏图片。进一步,所述方法按照下述步骤对所述概率预测模型进行训练:
获取训练样本集,所述训练样本集包括样本图片和所述样本图片对应的类别标签,所述类别标签为表征所述样本图片包含摩尔纹特征的第一类别标签或者表征所述样本图片不包含摩尔纹特征的第二类别标签;
使用所述训练样本集对卷积神经网络模型进行训练;
当所述卷积神经网络模型满足预设条件时,停止训练,得到所述概率预测模型。
进一步,所述获取样本训练集,包括:
获取至少一张原始图片,所述原始图片的至少部分区域包含摩尔纹特征;
将所述原始图片裁剪成至少一张样本图片;
根据所述样本图片是否包含摩尔纹对所述样本图片进行分类;
对所述样本图片进行尺寸归一化处理和像素值归一化处理;
将包含摩尔纹的样本图片标注为第一类别并添加到样本训练集中,将不包含摩尔纹的样本图片标注为第二类别并添加到所述样本训练集中。
第二方面,本申请还提供一种检测拍屏图片的装置,所述装置包括:
获取模块,用于从待检测图片中获取目标图片,所述目标图片为所述待检测图片中目标区域对应的图片;
边缘特征提取模块,用于从所述目标图片中提取边缘特征,得到边缘特征提取结果;
概率预测模块,用于利用预先训练的概率预测模型预测所述目标图片包含摩尔纹特征的概率;
确定模块,用于根据所述边缘特征提取结果和所述目标图片包含摩尔纹特征的概率,判定所述目标图片是否为拍屏图片。
进一步,所述获取模块,包括:
位置确定单元,用于利用预先训练的坐标提取模型对所述待检测图片进行处理,确定所述目标区域在所述待检测图片中的位置坐标信息;
透视变换单元,用于根据所述位置坐标信息对所述待检测图片进行透视变换处理,得到所述目标区域对应的目标图片。
进一步,所述边缘特征提取模块,包括:
滤波单元,用于对所述目标图片进行滤波处理,以消除所述目标图片中的噪声信息;
锐化单元,用于对滤波后的所述目标图片进行锐化处理;
提取单元,用于从锐化后的所述目标图片中提取边缘特征点,得到所述目标图片对应的边缘化二值图,所述边缘化二值图包括若干尺寸相同的统计区块,所述边缘特征点分布在一个或者多个所述统计区块中。
进一步,所述概率预测模块,包括:
裁剪单元,用于将所述目标图片裁剪成至少一张子图片;
预处理单元,用于对所述至少一张子图片进行尺寸归一化处理和像素值归一化处理,得到至少一张输入图片;
预测单元,用于将所述至少一张输入图片逐一输入至所述概率预测模型中,输出所述输入图片包含摩尔纹特征的概率;
确定单元,用于根据每张所述输入图片包含摩尔纹特征的概率,确定所述目标图片包含摩尔纹特征的概率。
进一步,所述确定模块,包括:
第一判断单元,用于判断所述边缘特征提取结果是否满足第一预设条件;
第二判断单元,用于判断所述目标图片包含摩尔纹特征的概率是否满足第一预设阈值;
确定单元,用于如果所述边缘特征提取结果满足第一预设条件,或者,所述目标图片包含摩尔纹特征的概率满足第一预设阈值,则判定所述目标图片是拍屏图片。
进一步,所述确定模块,包括:
第三判断单元,用于判断是否所述边缘特征提取结果满足第二预设条件;
第四判断单元,用于判断所述目标图片包含摩尔纹特征的概率满足第二预设阈值;
所述确定单元,还用于如果所述边缘特征提取结果满足第二预设条件且所述目标图片包含摩尔纹特征的概率满足第二预设阈值,则判定所述目标图片是拍屏图片。
进一步,所述装置还包括:训练模块,对所述概率预测模型进行训练;所述训练模块,包括:
样本获取单元,用于获取训练样本集,所述训练样本集包括样本图片和所述样本图片对应的类别标签,所述类别标签为表征所述样本图片包含摩尔纹特征的第一类别标签或者表征所述样本图片不包含摩尔纹特征的第二类别标签;
训练单元,用于使用所述训练样本集对卷积神经网络模型进行训练;
测试单元,用于所述卷积神经网络模型满足预设条件时,停止训练,得到所述概率预测模型。
进一步,所述样本获取单元,具体用于:
获取至少一张原始图片,所述原始图片的至少部分区域包含摩尔纹特征;
将所述原始图片裁剪成至少一张样本图片;
根据所述样本图片是否包含摩尔纹对所述样本图片进行分类;
对所述样本图片进行尺寸归一化处理和像素值归一化处理;
将包含摩尔纹的样本图片标注为第一类别并添加到样本训练集中,将不包含摩尔纹的样本图片标注为第二类别并添加到所述样本训练集中。
第三方面,本申请还提供一种电子设备,包括:
存储器,用于存储程序指令;
处理器,用于调用并执行所述存储器中的程序指令,以实现第一方面任一项所述的方法。
第四方面,本申请还提供一种存储介质,其特征在于,所述存储介质中存储有计算机程序,当第二方面任一项所述的装置的至少一个处理器执行所述计算机程序时,所述装置执行第一方面任一项所述的方法。
由以上技术方案可知,本申请提供一种检测拍屏图片的方法、装置、电子设备及存储介质,该方法首先从从待检测图片中获取目标区域对应的目标图片,然后,一方面从目标图片中提取边缘特征,得到边缘特征提取结果,另一方面利用预先训练的概率预测模型预测目标图片包含摩尔纹特征的概率,最后结合边缘特征提取结果目标图片包含摩尔纹特征的概率,综合分析目标图片是否为拍屏图片。该方法在图片审核场景,尤其是房产证图片审核场景的应用中,具有特征稳定、分类精度高、鲁棒性高的优点,还能有效节省审核成本。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请示例性示出的摩尔纹示意图;
图2为本申请根据一示例性实施例示出的检测拍屏图片的方法流程图;
图3为本申请根据一示例性实施例示出的待检测图片示意图;
图4为本申请根据另一示例性实施例示出的检测拍屏图片的方法流程图;
图5为本申请根据一示例性实施例示出的检测拍屏图片的装置框图;
图6为本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,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。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
为便于理解本申请的方案,以下先对卷积神经网络和摩尔纹的概念作简要介绍。
在机器学***面,平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性。此外,由于一个映射面上的神经元共享权值,因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层,这种特有的两次特征提取结构减小了特征分辨率。
CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形,该部分功能主要由池化层实现。由于CNN的特征检测层通过训练数据进行学习,所以在使用CNN时,避免了显式的特征抽取,而隐式地从训练数据中进行学习;再者由于同一特征映射面上的神经元权值相同,所以网络可以并行学习,这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构,使其布局更接近于实际的生物神经网络,权值共享降低了网络的复杂性,特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络,其中二维卷积神经网络常应用于图像类文本的识别。
如图1所示,摩尔纹是一种在数码照相机或者扫描仪等设备上,感光元件出现的高频干扰的条纹,是一种会使图片出现彩色的高频率不规则的条纹,由于拍屏图片是使用摄像装置拍摄点亮的电子图片所得到的图片,因此拍屏图片的至少一部分区域具有摩尔纹。
在图片审核场景中,为了检测出图片是否为拍屏图片,现有技术通过提取图像的角点特征判断图片是否为拍屏图片,对于如房产证图片等角点繁多、特征丰富的图片,图片上的角点特征易于摩尔纹特征产生混淆,因此导致该方法对拍屏图片的检测精度较低。
为了提高检测拍屏图片的精确度,本申请实施例提供一种检测拍屏图片的方法,该方法在图片审核场景,尤其是房产证图片审核场景的应用中,具有特征稳定、分类精度高、鲁棒性高的优点,还能有效节省审核成本。
图2为本申请根据一示例性实施例示出的检测拍屏图片的方法流程图,如图2所示,该方法可以包括:
步骤100,从待检测图片中获取目标图片,所述目标图片为所述待检测图片中目标区域对应的图片。
以房产证图片审核场景为例,待检测图片为用户使用拍摄装置对房产证实物进行拍摄得到的非拍屏图片,或者为用户使用拍摄装置对电子屏幕上显示的房产证进行拍摄得到的拍屏图片。
待检测图片包含目标区域,如上述示例中的房产证图像区域。而根据拍摄距离的不同,如图3所示,待检测图片中可能还会包含并非目标区域的冗余区域。为了去除掉待检测图片中可能包含的冗余区域,通过步骤100,从从待检测图片中获取目标区域对应的目标图片。
具体实现时,首先利用预先训练的坐标提取模型对所述待检测图片进行处理,确定所述目标区域在所述待检测图片中的位置坐标信息;其中,坐标提取模型可以为如卷积神经网络模型的人工神经网络模型。使用大量标注好的训练样本对初始化的人工神经网络模型进行训练,可以得到用于提取待检测图片中目标区域的位置坐标信息的坐标提取模型。
然后根据所述位置坐标信息对所述待检测图片进行透视变换处理,得到包含所述目标区域的目标图片。
步骤200,从所述目标图片中提取边缘特征,得到边缘特征提取结果。
本实施例利用拍屏图片具有摩尔纹而边缘特征丰富的性质,通过步骤200从目标图片中提取边缘特征,以根据边缘特征提取结果判断目标图片是否为拍屏图片。
为了便于边缘特征的提取,可以首先对目标图片进行滤波处理,以消除目标图片中的噪声信息;再对滤波后的目标图片进行锐化处理;最后从锐化后的目标图片中提取边缘特征点,得到目标图片对应的边缘化二值图。另外,为了方便统计边缘特征点在边缘化二值图中的分布情况,可以将该边缘化二值图均匀分割成若干统计区块,并分别统计每个统计区块中边缘特征点的数量,作为目标图片的边缘特征提取结果。
由步骤200可知,本申请利用拍屏图片具有摩尔纹而边缘特征丰富的性质,从目标图片中提取边缘特征,以根据边缘特征提取结果判断目标图片是否为拍屏图片。
步骤300,利用预先训练的概率预测模型预测所述目标图片包含摩尔纹特征的概率。
本实施例利用拍屏图片具有摩尔纹的特征,通过预先训练的概率预测模型预测所述目标图片包含摩尔纹特征的概率,来确定目标图片是否为拍屏图片。
作为一种可能的实现方式,可以按照图4所示步骤对所述概率预测模型进行训练:
步骤310,获取训练样本集,所述训练样本集包括样本图片和所述样本图片对应的类别标签,所述类别标签为表征所述样本图片包含摩尔纹特征的第一类别标签或者表征所述样本图片不包含摩尔纹特征的第二类别标签。
训练样本集由一定数量的样本图片构成,每张样本图片对应一个类别标签,该类别标签用于表征样本图片所属的类别,样本图片所属的类别可以为第一类别或者第二类别,第一类别的图片为包含摩尔纹特征的图片,第二类别的图片为不包含摩尔纹特征的图片。
具体实现时,首先获取至少一张原始图片,该原始图片的至少部分区域包含摩尔纹特征,具体的,由于拍屏图片中一部分区域包含摩尔纹特征,一部分区域不包含摩尔纹特征,因此可获取拍屏图片作为原始图片。然后对原始图片进行随机裁剪成,进而可以得到至少一张样本图片,所得到的样本图片中,部分或者全部的样本图片具有摩尔纹特征,而其余样本图片则不具有摩尔纹特征。然后根据样本图片是否包含摩尔纹对所述样本图片进行分类,将包含摩尔纹的样本图片标注为第一类别并添加到样本训练集中,将不包含摩尔纹的样本图片标注为第二类表并添加到样本训练集中。
另外,为了降低计算量,在根据样本图片是否包含摩尔纹对所述样本图片进行分类之后,本申请方法还包括:对样本图片进行尺寸归一化处理和像素值归一化处理,以使每张样本图片的尺寸一致,像素值分布在(0,1)之间。相应的,将经尺寸归一化处理和像素值归一化处理的样本图片添加到样本训练集中。
步骤320,使用所述训练样本集对卷积神经网络模型进行训练。
训练输入包括样本图片数据和样本图片对应的类别标签数据。将训练样本集中的样本图片数据和对应的类别标签数据输入到卷积神经网络模型中进行处理,卷积神经网络模则输出对样本图片类别的预测结果。而卷积神经网络模型对输入数据的处理过程,实际上是根据卷积算法对输入数据进行处理。
卷积神经网络模型涉及模型参数,训练目的即是通过优化模型参数,使卷积神经网络模型输出的预测结果与样本图片对应的类别标签无限的接近。具体实现时,可将卷积神经网络模型的实际输出结果与对应的类别标签数据代入到预先设定好的损失函数中计算损失值,进而可以根据损失值确定卷积神经网络模型的迭代更新方向和更新量,从而不断优化模型的更新参数。其中,损失函数可以根据神经网络模型的类型和任务,属于已有技术,在此不再赘述。
需要说明的是,训练开始时,卷积神经网络模型的模型参数为初始化的模型参数。
步骤330,当所述卷积神经网络模型满足预设条件时,停止训练,得到所述概率预测模型。
本实施例中,当卷积神经网络模型满足预设条件时,停止训练,得到概率预测模型。例如,使用预设测试样本集对卷积神经网络模型进行测试,计算模型的准确率,当其准确率满足预设阈值时,则停止训练,得到概率预测模型。
训练得到概率预测模型后,即可将概率预测模型应用于预测目标图片包含摩尔纹特征的概率。
具体实现时,首先将目标图片随机裁剪成至少一张子图片,然后对所述至少一张子图片进行尺寸归一化处理和像素值归一化处理,得到至少一张输入图片。其中,通过尺寸归一化处理可以将输入图片的尺寸处理为与样本图片的尺寸一致,通过像素值归一化使输入图片的像素值分布在(0,1)范围内,降低计算量。
可以理解的是,如果待检测图片是拍屏图片,那么由目标图片裁剪得到的输入图片中将有至少一张是包含摩尔纹特征的图片,如果待检测图片不是拍屏图片,那么由目标图片裁剪得到的每一张输入图片都会是不包含摩尔纹特征的图片。
为此,在步骤300中,将所述至少一张输入图片逐一输入至所述概率预测模型中,输出所述输入图片包含摩尔纹特征的概率,并根据每张所述输入图片包含摩尔纹特征的概率,确定所述目标图片包含摩尔纹特征的概率。
需要说明的是,根据每张输入图片包含摩尔纹特征的概率,确定目标图片包含摩尔纹特征的概率的方式,本申请不予限定。例如,可以每张输入图片包含摩尔纹特征的概率的平均值作为目标图片包含摩尔纹特征的概率,也可以以多张输入图片所分别对应的概率中的最高值,作为目标图片包含摩尔纹特征的概率。
综上所述,步骤300包括训练阶段和预测阶段,在训练阶段,首先获取训练样本集,该训练样本集包括样本图片和样本图片对应的类别标签,该类别标签为表征样本图片包含摩尔纹特征的第一类别标签或者表征样本图片不包含摩尔纹特征的第二类别标签;然后使用训练样本集对卷积神经网络模型进行训练,得到概率预测模型;在预测阶段,首先获取待检测图片,将待检测图片处理成至少一张输入图片;然后利用概率预测模型对输入图片进行处理,输出输入图片包含摩尔纹特征的概率。步骤300利用拍屏图片包含摩尔纹的特性,基于深度学习原理训练得到概率预测模型,并将该概率预测模型应用于根据图片是否包含摩尔纹特征来检测该图片是否为拍屏图片。
步骤400,特征提取结果和所述目标图片包含摩尔纹特征的概率,判定所述目标图片是否为拍屏图片。
在一种可能的实现方式中,判断边缘特征提取结果是否满足第一预设条件。例如,针对每个统计区块,判断分布在该统计区块的边缘特征点数量是否高于第一预设条件中规定的数量,再判断边缘特征点数量高于第一预设数量的统计区块的数量是否满足第一预设条件中规定的数量,如果边缘特征点数量高于第一预设数量的统计区块的数量满足第一预设条件中规定的数量,说明目标图片边缘特征丰富,包含摩尔纹特征,即该目标图片是拍屏图片。
在另一种可能的实现方式中,判断目标图片包含摩尔纹特征的概率是否满足第一预设阈值;如果满足,则确定该目标图片包含摩尔纹特征,因此为拍屏图片。
在另一种可能的实现方式中,判断是否边缘特征提取结果满足第二预设条件且目标图片包含摩尔纹特征的概率满足第二预设阈值;如果边缘特征提取结果满足第二预设条件且目标图片包含摩尔纹特征的概率满足第二预设阈值,则判定目标图片是拍屏图片。其中,判断边缘特征提取结果是否满足第二预设条件的方式与判断边缘特征提取结果是否满足第一预设条件的方式类似,此处不予赘述。
相应地,如果边缘特征提取结果不满足第一预设条件,并且目标图片包含摩尔纹特征的概率不满足第一预设阈值,并且边缘特征提取结果不满足第二预设条件且目标图片包含摩尔纹特征的概率不满足第二预设阈值,则判定目标图片不包含摩尔纹特征,因此不是拍屏图片。
由以上实施例可知,本申请提供一种检测拍屏图片的方法,该方法首先从从待检测图片中获取目标区域对应的目标图片,然后,一方面从目标图片中提取边缘特征,得到边缘特征提取结果,另一方面利用预先训练的概率预测模型预测目标图片包含摩尔纹特征的概率,最后结合边缘特征提取结果目标图片包含摩尔纹特征的概率,综合分析目标图片是否为拍屏图片。该方法在图片审核场景,尤其是房产证图片审核场景的应用中,具有特征稳定、分类精度高、鲁棒性高的优点,还能有效节省审核成本。
根据以上实施例提供的检测拍屏图片的方法,本申请实施例还提供一种检测拍屏图片的装置,如图5所示,该装置可以包括:
获取模块510,用于从待检测图片中获取目标图片,所述目标图片为所述待检测图片中目标区域对应的图片;
边缘特征提取模块520,用于从所述目标图片中提取边缘特征,得到边缘特征提取结果;
概率预测模块530,用于利用预先训练的概率预测模型预测所述目标图片包含摩尔纹特征的概率;
确定模块540,用于根据所述边缘特征提取结果和所述目标图片包含摩尔纹特征的概率,判定所述目标图片是否为拍屏图片。
进一步,所述获取模块,包括:位置确定单元,用于利用预先训练的坐标提取模型对所述待检测图片进行处理,确定所述目标区域在所述待检测图片中的位置坐标信息;透视变换单元,用于根据所述位置坐标信息对所述待检测图片进行透视变换处理,得到所述目标区域对应的目标图片。
进一步,所述边缘特征提取模块,包括:滤波单元,用于对所述目标图片进行滤波处理,以消除所述目标图片中的噪声信息;锐化单元,用于对滤波后的所述目标图片进行锐化处理;提取单元,用于从锐化后的所述目标图片中提取边缘特征点,得到所述目标图片对应的边缘化二值图,所述边缘化二值图包括若干尺寸相同的统计区块,所述边缘特征点分布在一个或者多个所述统计区块中。
进一步,所述概率预测模块,包括:裁剪单元,用于将所述目标图片裁剪成至少一张子图片;预处理单元,用于对所述至少一张子图片进行尺寸归一化处理和像素值归一化处理,得到至少一张输入图片;预测单元,用于将所述至少一张输入图片逐一输入至所述概率预测模型中,输出所述输入图片包含摩尔纹特征的概率;确定单元,用于根据每张所述输入图片包含摩尔纹特征的概率,确定所述目标图片包含摩尔纹特征的概率。
进一步,所述确定模块,包括:第一判断单元,用于判断所述边缘特征提取结果是否满足第一预设条件;第二判断单元,用于判断所述目标图片包含摩尔纹特征的概率是否满足第一预设阈值;确定单元,用于如果所述边缘特征提取结果满足第一预设条件,或者,所述目标图片包含摩尔纹特征的概率满足第一预设阈值,则判定所述目标图片是拍屏图片。
进一步,所述确定模块,包括:第三判断单元,用于判断是否所述边缘特征提取结果满足第二预设条件;第四判断单元,用于判断所述目标图片包含摩尔纹特征的概率满足第二预设阈值;所述确定单元,还用于如果所述边缘特征提取结果满足第二预设条件且所述目标图片包含摩尔纹特征的概率满足第二预设阈值,则判定所述目标图片是拍屏图片。
进一步,所述装置还包括:训练模块,对所述概率预测模型进行训练;所述训练模块,包括:样本获取单元,用于获取训练样本集,所述训练样本集包括样本图片和所述样本图片对应的类别标签,所述类别标签为表征所述样本图片包含摩尔纹特征的第一类别标签或者表征所述样本图片不包含摩尔纹特征的第二类别标签;训练单元,用于使用所述训练样本集对卷积神经网络模型进行训练;测试单元,用于所述卷积神经网络模型满足预设条件时,停止训练,得到所述概率预测模型。
进一步,所述样本获取单元,具体用于:获取至少一张原始图片,所述原始图片的至少部分区域包含摩尔纹特征;将所述原始图片裁剪成至少一张样本图片;根据所述样本图片是否包含摩尔纹对所述样本图片进行分类;对所述样本图片进行尺寸归一化处理和像素值归一化处理;将包含摩尔纹的样本图片标注为第一类别并添加到样本训练集中,将不包含摩尔纹的样本图片标注为第二类别并添加到所述样本训练集中。
图6为本申请实施例提供的电子设备的硬件结构示意图。如图6所示,该电子设备,可以包括:存储器601,用于存储程序指令;处理器602,用于调用并执行所述存储器中的程序指令,以实现上述检测拍屏图片的方法。
本实施例中,处理器和存储器可通过总线或其他方式连接。处理器可以是通用处理器,例如中央处理器、数字信号处理器、专用集成电路,或者被配置成实施本发明实施例的一个或多个集成电路。存储器可以包括易失性存储器,例如随机存取存储器;存储器也可以包括非易失性存储器,例如只读存储器、快闪存储器、硬盘或固态硬盘。
具体实现中,本发明还提供一种计算机存储介质,其中,该计算机存储介质可存储有计算程序,当检测拍屏图片的装置的至少一个处理器执行所述计算机程序时,检测拍屏图片的装置执行本申请检测拍屏图片的方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文:read-only memory,简称:ROM)或随机存储记忆体(英文:random access memory,简称:RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于装置、电子设备及存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (18)
1.一种检测拍屏图片的方法,其特征在于,所述方法包括:
从待检测图片中获取目标图片,所述目标图片为所述待检测图片中目标区域对应的图片;
从所述目标图片中提取边缘特征,得到边缘特征提取结果;
利用预先训练的概率预测模型预测所述目标图片包含摩尔纹特征的概率;
根据所述边缘特征提取结果和所述目标图片包含摩尔纹特征的概率,判定所述目标图片是否为拍屏图片。
2.根据权利要求1所述的方法,所述从待检测图片中获取目标图片,包括:
利用预先训练的坐标提取模型对所述待检测图片进行处理,确定所述目标区域在所述待检测图片中的位置坐标信息;
根据所述位置坐标信息对所述待检测图片进行透视变换处理,得到所述目标区域对应的目标图片。
3.根据权利要求1所述的方法,其特征在于,所述从目标图片中提取边缘特征,得到边缘特征提取结果,包括:
对所述目标图片进行滤波处理,以消除所述目标图片中的噪声信息;
对滤波后的所述目标图片进行锐化处理;
从锐化后的所述目标图片中提取边缘特征点,得到所述目标图片对应的边缘化二值图,所述边缘化二值图包括若干尺寸相同的统计区块,所述边缘特征点分布在一个或者多个所述统计区块中。
4.根据权利要求1所述的方法,其特征在于,所述利用预先训练的概率预测模型预测所述目标图片包含摩尔纹特征的概率,包括:
将所述目标图片裁剪成至少一张子图片;
对所述至少一张子图片进行尺寸归一化处理和像素值归一化处理,得到至少一张输入图片;
将所述至少一张输入图片逐一输入至所述概率预测模型中,输出所述输入图片包含摩尔纹特征的概率;
根据每张所述输入图片包含摩尔纹特征的概率,确定所述目标图片包含摩尔纹特征的概率。
5.根据权利要求1所述的方法,其特征在于,所述根据所述边缘特征提取结果和所述目标图片包含摩尔纹特征的概率,判定所述目标图片是否为拍屏图片,包括:
判断所述边缘特征提取结果是否满足第一预设条件,或者,判断所述目标图片包含摩尔纹特征的概率是否满足第一预设阈值;
如果所述边缘特征提取结果满足第一预设条件,或者,所述目标图片包含摩尔纹特征的概率满足第一预设阈值,则判定所述目标图片是拍屏图片。
6.根据权利要求5所述的方法,其特征在于,所述根据所述边缘特征提取结果和所述目标图片包含摩尔纹特征的概率,判定所述目标图片是否为拍屏图片,包括:
判断是否所述边缘特征提取结果满足第二预设条件且所述目标图片包含摩尔纹特征的概率满足第二预设阈值;
如果所述边缘特征提取结果满足第二预设条件且所述目标图片包含摩尔纹特征的概率满足第二预设阈值,则判定所述目标图片是拍屏图片。
7.根据权利要求1所述的方法,其特征在于,所述方法按照下述步骤对所述概率预测模型进行训练:
获取训练样本集,所述训练样本集包括样本图片和所述样本图片对应的类别标签,所述类别标签为表征所述样本图片包含摩尔纹特征的第一类别标签或者表征所述样本图片不包含摩尔纹特征的第二类别标签;
使用所述训练样本集对卷积神经网络模型进行训练;
当所述卷积神经网络模型满足预设条件时,停止训练,得到所述概率预测模型。
8.根据权利要求7所述的方法,其特征在于,所述获取样本训练集,包括:
获取至少一张原始图片,所述原始图片的至少部分区域包含摩尔纹特征;
将所述原始图片裁剪成至少一张样本图片;
根据所述样本图片是否包含摩尔纹对所述样本图片进行分类;
对所述样本图片进行尺寸归一化处理和像素值归一化处理;
将包含摩尔纹的样本图片标注为第一类别并添加到样本训练集中,将不包含摩尔纹的样本图片标注为第二类别并添加到所述样本训练集中。
9.一种检测拍屏图片的装置,其特征在于,所述装置包括:
获取模块,用于从待检测图片中获取目标图片,所述目标图片为所述待检测图片中目标区域对应的图片;
边缘特征提取模块,用于从所述目标图片中提取边缘特征,得到边缘特征提取结果;
概率预测模块,用于利用预先训练的概率预测模型预测所述目标图片包含摩尔纹特征的概率;
确定模块,用于根据所述边缘特征提取结果和所述目标图片包含摩尔纹特征的概率,判定所述目标图片是否为拍屏图片。
10.根据权利要求9所述的装置,所述获取模块,包括:
位置确定单元,用于利用预先训练的坐标提取模型对所述待检测图片进行处理,确定所述目标区域在所述待检测图片中的位置坐标信息;
透视变换单元,用于根据所述位置坐标信息对所述待检测图片进行透视变换处理,得到所述目标区域对应的目标图片。
11.根据权利要求9所述的装置,其特征在于,所述边缘特征提取模块,包括:
滤波单元,用于对所述目标图片进行滤波处理,以消除所述目标图片中的噪声信息;
锐化单元,用于对滤波后的所述目标图片进行锐化处理;
提取单元,用于从锐化后的所述目标图片中提取边缘特征点,得到所述目标图片对应的边缘化二值图,所述边缘化二值图包括若干尺寸相同的统计区块,所述边缘特征点分布在一个或者多个所述统计区块中。
12.根据权利要求9所述的装置,其特征在于,所述概率预测模块,包括:
裁剪单元,用于将所述目标图片裁剪成至少一张子图片;
预处理单元,用于对所述至少一张子图片进行尺寸归一化处理和像素值归一化处理,得到至少一张输入图片;
预测单元,用于将所述至少一张输入图片逐一输入至所述概率预测模型中,输出所述输入图片包含摩尔纹特征的概率;
确定单元,用于根据每张所述输入图片包含摩尔纹特征的概率,确定所述目标图片包含摩尔纹特征的概率。
13.根据权利要求9所述的装置,其特征在于,所述确定模块,包括:
第一判断单元,用于判断所述边缘特征提取结果是否满足第一预设条件;
第二判断单元,用于判断所述目标图片包含摩尔纹特征的概率是否满足第一预设阈值;
确定单元,用于如果所述边缘特征提取结果满足第一预设条件,或者,所述目标图片包含摩尔纹特征的概率满足第一预设阈值,则判定所述目标图片是拍屏图片。
14.根据权利要求13所述的装置,其特征在于,所述确定模块,包括:
第三判断单元,用于判断是否所述边缘特征提取结果满足第二预设条件;
第四判断单元,用于判断所述目标图片包含摩尔纹特征的概率满足第二预设阈值;
所述确定单元,还用于如果所述边缘特征提取结果满足第二预设条件且所述目标图片包含摩尔纹特征的概率满足第二预设阈值,则判定所述目标图片是拍屏图片。
15.根据权利要求9所述的装置,其特征在于,所述装置还包括:训练模块,对所述概率预测模型进行训练;所述训练模块,包括:
样本获取单元,用于获取训练样本集,所述训练样本集包括样本图片和所述样本图片对应的类别标签,所述类别标签为表征所述样本图片包含摩尔纹特征的第一类别标签或者表征所述样本图片不包含摩尔纹特征的第二类别标签;
训练单元,用于使用所述训练样本集对卷积神经网络模型进行训练;
测试单元,用于所述卷积神经网络模型满足预设条件时,停止训练,得到所述概率预测模型。
16.根据权利要求15所述的装置,其特征在于,所述样本获取单元,具体用于:
获取至少一张原始图片,所述原始图片的至少部分区域包含摩尔纹特征;
将所述原始图片裁剪成至少一张样本图片;
根据所述样本图片是否包含摩尔纹对所述样本图片进行分类;
对所述样本图片进行尺寸归一化处理和像素值归一化处理;
将包含摩尔纹的样本图片标注为第一类别并添加到样本训练集中,将不包含摩尔纹的样本图片标注为第二类别并添加到所述样本训练集中。
17.一种电子设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用并执行所述存储器中的程序指令,以实现权利要求1-8任一项所述的方法。
18.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,当权利要求9-16任一项所述的装置的至少一个处理器执行所述计算机程序时,所述装置执行权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911376496.1A CN111144425B (zh) | 2019-12-27 | 2019-12-27 | 检测拍屏图片的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911376496.1A CN111144425B (zh) | 2019-12-27 | 2019-12-27 | 检测拍屏图片的方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111144425A true CN111144425A (zh) | 2020-05-12 |
CN111144425B CN111144425B (zh) | 2024-02-23 |
Family
ID=70520995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911376496.1A Active CN111144425B (zh) | 2019-12-27 | 2019-12-27 | 检测拍屏图片的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144425B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233614A (zh) * | 2020-11-03 | 2021-01-15 | 卡莱特(深圳)云科技有限公司 | 图像摩尔纹消除方法、装置及led显示屏校正方法 |
CN113362300A (zh) * | 2021-06-03 | 2021-09-07 | 豪威科技(武汉)有限公司 | 训练、检测、聚焦方法及拍摄装置 |
CN113743459A (zh) * | 2021-07-29 | 2021-12-03 | 深圳云天励飞技术股份有限公司 | 目标检测方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106936964A (zh) * | 2016-12-14 | 2017-07-07 | 浙江大学 | 一种基于霍夫变换模板匹配的手机屏幕角点检测方法 |
CN107704857A (zh) * | 2017-09-25 | 2018-02-16 | 北京邮电大学 | 一种端到端的轻量级车牌识别方法及装置 |
CN108734057A (zh) * | 2017-04-18 | 2018-11-02 | 北京旷视科技有限公司 | 活体检测的方法、装置及计算机存储介质 |
CN108921823A (zh) * | 2018-06-08 | 2018-11-30 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
CN109670430A (zh) * | 2018-12-11 | 2019-04-23 | 浙江大学 | 一种基于深度学习的多分类器融合的人脸活体识别方法 |
CN109858381A (zh) * | 2019-01-04 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 活体检测方法、装置、计算机设备和存储介质 |
CN110059700A (zh) * | 2019-03-18 | 2019-07-26 | 深圳神目信息技术有限公司 | 图像摩尔纹识别方法、装置、计算机设备及存储介质 |
CN110348511A (zh) * | 2019-07-08 | 2019-10-18 | 创新奇智(青岛)科技有限公司 | 一种图片翻拍检测方法、***及电子设备 |
-
2019
- 2019-12-27 CN CN201911376496.1A patent/CN111144425B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106936964A (zh) * | 2016-12-14 | 2017-07-07 | 浙江大学 | 一种基于霍夫变换模板匹配的手机屏幕角点检测方法 |
CN108734057A (zh) * | 2017-04-18 | 2018-11-02 | 北京旷视科技有限公司 | 活体检测的方法、装置及计算机存储介质 |
CN107704857A (zh) * | 2017-09-25 | 2018-02-16 | 北京邮电大学 | 一种端到端的轻量级车牌识别方法及装置 |
CN108921823A (zh) * | 2018-06-08 | 2018-11-30 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
CN109670430A (zh) * | 2018-12-11 | 2019-04-23 | 浙江大学 | 一种基于深度学习的多分类器融合的人脸活体识别方法 |
CN109858381A (zh) * | 2019-01-04 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 活体检测方法、装置、计算机设备和存储介质 |
CN110059700A (zh) * | 2019-03-18 | 2019-07-26 | 深圳神目信息技术有限公司 | 图像摩尔纹识别方法、装置、计算机设备及存储介质 |
CN110348511A (zh) * | 2019-07-08 | 2019-10-18 | 创新奇智(青岛)科技有限公司 | 一种图片翻拍检测方法、***及电子设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233614A (zh) * | 2020-11-03 | 2021-01-15 | 卡莱特(深圳)云科技有限公司 | 图像摩尔纹消除方法、装置及led显示屏校正方法 |
CN112233614B (zh) * | 2020-11-03 | 2021-09-17 | 卡莱特云科技股份有限公司 | 图像摩尔纹消除方法、装置及led显示屏校正方法 |
CN113362300A (zh) * | 2021-06-03 | 2021-09-07 | 豪威科技(武汉)有限公司 | 训练、检测、聚焦方法及拍摄装置 |
CN113743459A (zh) * | 2021-07-29 | 2021-12-03 | 深圳云天励飞技术股份有限公司 | 目标检测方法、装置、电子设备及存储介质 |
CN113743459B (zh) * | 2021-07-29 | 2024-04-02 | 深圳云天励飞技术股份有限公司 | 目标检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111144425B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161349B (zh) | 物体姿态估计方法、装置与设备 | |
CN109165538B (zh) | 基于深度神经网络的条形码检测方法及装置 | |
CN110619618A (zh) | 一种表面缺陷检测方法、装置及电子设备 | |
Fernandes et al. | Pavement pathologies classification using graph-based features | |
CN112329702B (zh) | 一种快速人脸密度预测和人脸检测方法、装置、电子设备及存储介质 | |
CN111144425B (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
CN110148117B (zh) | 基于电力图像的电力设备缺陷识别方法、装置与存储介质 | |
CN114820465A (zh) | 点云检测模型训练方法、装置、电子设备及存储介质 | |
CN110782413A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN111179270A (zh) | 基于注意力机制的图像共分割方法和装置 | |
Wu et al. | Superpixel-based image noise variance estimation with local statistical assessment | |
CN112116568A (zh) | 一种图像质量评价方法、装置及存储介质 | |
Feng et al. | A novel saliency detection method for wild animal monitoring images with WMSN | |
CN113255433A (zh) | 模型训练方法、装置和计算机存储介质 | |
CN117558011B (zh) | 基于自一致性矩阵和多尺度损失的图像文本篡改检测方法 | |
CN112204957A (zh) | 白平衡处理方法和设备、可移动平台、相机 | |
CN116805387B (zh) | 基于知识蒸馏的模型训练方法、质检方法和相关设备 | |
CN113947613A (zh) | 目标区域检测方法、装置、设备及存储介质 | |
CN115797314B (zh) | 零件表面缺陷检测方法、***、设备及存储介质 | |
CN111179245A (zh) | 图像质量检测方法、装置、电子设备和存储介质 | |
Tiwari et al. | A blind blur detection scheme using statistical features of phase congruency and gradient magnitude | |
CN111178398A (zh) | 检测身份证图像信息篡改的方法、***、存储介质及装置 | |
CN114820755A (zh) | 一种深度图估计方法及*** | |
Lyu | Research on subway pedestrian detection algorithm based on big data cleaning technology | |
CN113034432A (zh) | 一种产品缺陷检测方法、***、装置及存储介质 |
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 |