CN111415323A - 图像的检测方法及装置，神经网络的训练方法及装置 - Google Patents

Abstract

本申请公开一种图像检测方法和装置，以及一种神经网络模型的训练方法和装置，以及计算机存储介质和电子设备；其中所述图像检测方法包括：获取待检测图像；基于对所述待检测图像的处理，获得至少两类特征图像；将所述至少两类特征图像的信息输入到至少具有两个通路的神经网络中进行识别，获得识别分类结果；根据所述识别分类结果，确定所述待检测图像是否属于双重压缩图像；从使得卷积神经网络模型在检测图像时具有较高的准确性，以及较强的抵抗反取证能力。

Description

图像的检测方法及装置，神经网络的训练方法及装置

技术领域

本申请涉及机器学习领域，具体涉及一种图像的检测方法及装置。本申请 同时涉及一种神经网络的训练方法及装置，以及本申请还涉及一种计算机存储 介质和电子设备。

背景技术

由于能够在减少大量冗余信息的同时保持图像较好的视觉效果，图像压缩 技术被广泛应用。

然而随着互联网的不断发展，图像作为信息的一种有效存储和传播媒介在 带来便捷的同时，也存在着巨大的安全隐患。因为对图像进行篡改后可以压缩 成新的图像，该篡改的内容并不容易识别。通常而言，经历篡改的图像一般会 经历双重压缩的图像，因此，双重压缩的图像检测在图像取证中具有重要意义， 因为它能揭示出存储格式为JPEG图像是否经过篡改并有可能定位出篡改的区 域。

发明内容

本申请提供一种图像的检测方法及装置，以解决现有技术中检测结果不准 确的问题。本申请另外提供神经网络的训练方法及装置，以及计算机存储介质 和电子设备。

本申请提供一种图像检测方法，包括：

获取待检测图像；

基于对所述待检测图像的处理，获得至少两类特征图像；

将所述至少两类特征图像的信息输入到至少具有两个通路的神经网络中进 行识别，获得识别分类结果；

根据所述识别分类结果，确定所述待检测图像是否属于双重压缩图像。

在一些实施例中，所述基于对所述待检测图像的处理，获得至少两类特征 图像，包括：

对所述待检测图像进行分割，获得至少两类特征图像。

在一些实施例中，所述对所述待检测图像进行分割，获得至少两类特征图 像，包括：

对所述获取的待检测图像的像素矩阵进行划分，获得图像分块；

选取所述图像分块中心位置邻近区域的像素和选取所述图像分块分割交叉 位置邻近区域的像素；

将图像分块中心位置邻近区域的像素，按照待检测图像分块划分顺序排列 组合获得块内特征图像；

将图像分块分割交叉位置邻近区域的像素，按照待检测图像分块划分顺序 排列组合获得块间特征图像；

将所述块内特征图像和块间特征图像确定为获得的至少两类特征图像。

在一些实施例中，所述对所述获取的待检测图像进行划分，获得图像分块， 包括：

对待检测图像按照从左到右，从上到下的顺序进行划分，获得图像分块。

在一些实施例中，将所述至少两类特征图像的信息输入到至少具有两个通 路的神经网络中进行识别，获得识别分类结果，包括：

将所述块内特征图像输入至与所述神经网络中的块内通路的卷积群，确定 所述块内特征图像的图像特征；

将所述块间特征图像输入至与所述神经网络中的块间通路的卷积群，确定 所述块间特征图像的图像特征；

将所述块内特征图像的图像特征和所述块间特征图像的图像特征分别输入 至块内通路末端的降维层和块间通路末端的降维层，确定块内特征图像的主要 图像特征和块间特征图像的主要图像特征；

将所述块内特征图像的主要图像特征和所述块间特征图像的主要图像特征 进行合并，获得待检测图像的特征向量；

将所述特征向量输送至所述神经网络的全连接层，确定待检测图像的识别 分类结果。

在一些实施例中，还包括：

在确定所述块内特征图像的图像特征和所述块间特征图像的图像特征之 前，分别对所述块内特征图像和块间特征图像进行滤波处理，获得滤波后的块 内特征图像和块间特征图像。

在一些实施例中，所述将所述块内特征图像输入至与所述神经网络中的块 内通路的卷积群，确定所述块内特征图像的图像特征，包括：

将所述块内特征图像输入至与所述神经网络中的块内通路的卷积群进行卷 积处理，获得处理后的块内特征图像；

将处理后的块内特征图像输入至池化层进行处理，获得所述块内特征图像 的图像特征；

所述将所述块间特征图像输入至与所述神经网络中的块间通路的卷积群， 提取所述块间特征图像的图像特征，包括：

将所述块间特征图像输入至与所述神经网络中的块间通路的卷积群进行卷 积处理，获得处理后的块间特征图像；

将处理后的块间特征图像输入至池化层进行处理，获得所述块间特征图像 的图像特征；

其中，所述块内通路的卷积群至少为两个，所述块内通路的池化层位于所 述块内通路的卷积群之间；所述块间通路的卷积群至少为两个，所述块间通路 的池化层位于所述块间通路的卷积群之间。

在一些实施例中，将所述块内特征图像的图像特征和所述块间特征图像的 图像特征分别输入至块内通路末端的降维层和块间通路末端的降维层，确定块 内特征图像的主要图像特征和块间特征图像的主要图像特征，包括：

对所述块内通路中的块内特征图像的图像特征进行池化处理，获得池化后 的块内特征图像；

对池化后的块内特征图像进行卷积处理，获得块内特征图像的主要图像特 征；

对所述块间通路中的块间特征图像的图像特征进行卷积处理，获得卷积后 的块间特征图像；

对卷积后的块间特征图像进行池化处理，获得块间特征图像的主要图像特 征。

在一些实施例中，将所述块内特征图像的主要图像特征和所述块间特征图 像的主要图像特征进行合并，获得待检测图像的特征向量，包括：

将所述块内特征图像的主要图像特征和块间特征图像的主要图像特征分别 转换为一维特征向量，获得块内一维特征向量和块间一维特征向量；

将所述块内一维特征向量和所述块间一维特征向量，分别按照相对应的块 内通路和块间通路的结构顺序进行合并，获得待检测图像的特征向量。

在一些实施例中，所述根据识别分类结果，确定所述获取的待检测图像是 否属于双重压缩图像，包括：

将所述确定待检测图像的识别分类结果的单压缩分类概率值与双压缩分类 概率值进行比较，若所述双压缩分类概率值大于所述单压缩分类概率值，则将 所述获取的待检测图像确定为双重压缩图像。

在一些实施例中，还包括：

对所述获取的待检测图像进行归一化预处理，获得归一化处理后的待检测 图像；

所述基于对所述待检测图像的处理，获得至少两类特征图像，包括：

根据获得的归一化处理后的所述待检测图像进行分割，获得至少两类特征 图像。

在一些实施例中，所述至少具有两个通路的神经网络为卷积神经网络。

本申请还提供一种图像检测装置，包括：

获取单元，用于获取待检测图像；

处理单元，用于基于对所述待检测图像的处理，获得至少两类特征图像；

分类识别单元，用于将所述至少两类特征图像的信息输入到至少具有两个 通路的神经网络中进行识别，获得识别分类结果；

确定单元，用于根据所述识别分类结果，确定所述待检测图像是否属于双 重压缩图像信息。

本申请还提供一种神经网络模型的训练方法，包括：

获取训练样本图像；

基于对所述训练样本图像的处理，获得至少两类训练样本特征图像；

将所述至少两类训练样本特征图像输入到至少具有两个通路的神经网络中 进行识别，获得识别分类结果；

根据所述识别分类结果确定所述神经网络的权重；

根据确定的神经网络的权重对所述神经网络的权重进行更新，获得训练后 的神经网络模型。

在一些实施例中，所述基于对训练样本图像的处理，获得至少两类训练样 本特征图像信息，包括：

对所述训练样本图像进行分割，获得至少两类特征图像。

在一些实施例中，所述对所述训练样本图像进行分割，获得至少两类特征 图像，包括：

对获取的所述训练样本图像的像素矩阵进行划分，获得训练样本图像分块；

选取所述训练样本图像分块中心位置邻近区域的像素和选取所述训练样本 图像分块分割交叉位置邻近区域的像素；

将训练样本图像分块中心位置邻近区域的像素，按照训练样本图像分块划 分顺序排列组合获得块内训练样本特征图像；

将训练样本图像分块分割交叉位置邻近区域的像素，按照训练样本图像分 块划分顺序排列组合获得块间训练样本特征图像；

所述块内训练样本特征图像和块间训练样本特征图像为获得的至少两类训 练样本特征图像。

在一些实施例中，所述对所述获取的训练样本图像进行划分，获得训练样 本图像分块，包括：

对训练样本图像按照从左到右，从上到下的顺序进行划分，获得训练样本 图像分块。

在一些实施例中，将所述至少两类训练样本特征图像的信息输入到至少具 有两个通路的神经网络中进行识别，获得识别分类结果，包括：

将所述块内训练样本特征图像输入至与所述神经网络中的块内通路的卷积 群，确定所述块内训练样本特征图像的图像特征；

将所述块间训练样本特征图像输入至与所述神经网络中的块间通路的卷积 群，确定所述块间训练样本特征图像的图像特征；

将所述块内训练样本特征图像的图像特征和所述块间训练样本特征图像的 图像特征分别输入至块内通路末端的降维层和块间通路末端的降维层，确定块 内训练样本特征图像的主要图像特征和块间训练样本特征图像的主要图像特 征；

将所述块内训练样本特征图像的主要图像特征和所述块间训练样本特征图 像的主要图像特征进行合并，获得训练样本图像的特征向量；

将所述特征向量输送至所述神经网络的全连接层，确定训练样本图像的识 别分类结果。

在一些实施例中，还包括：

在确定所述块内训练样本特征图像的图像特征和所述块间训练样本特征图 像的图像特征之前，分别对所述块内训练样本特征图像和块间训练样本特征图 像进行滤波处理，获得滤波后的块内训练样本特征图像和块间训练样本特征图 像。

在一些实施例中，所述将所述块内训练样本特征图像输入至与所述神经网 络中的块内通路的卷积群，确定所述块内训练样本特征图像的图像特征，包括：

将所述块内训练样本特征图像输入至与所述神经网络中的块内通路的卷积 群进行卷积处理，获得处理后的块内训练样本特征图像；

将处理后的块内训练样本特征图像输入至池化层进行处理，获得所述块内 训练样本特征图像的图像特征；

所述将所述块间训练样本特征图像输入至与所述神经网络中的块间通路的 卷积群，提取所述块间训练样本特征图像的图像特征，包括：

将所述块间训练样本特征图像输入至与所述神经网络中的块间通路的卷积 群进行卷积处理，获得处理后的块间训练样本特征图像；

将处理后的块间训练样本特征图像输入至池化层进行处理，获得所述块间 训练样本特征图像的图像特征；

其中，所述块内通路的卷积群至少为两个，所述块内通路的池化层位于所 述块内通路的卷积群之间；所述块间通路的卷积群至少为两个，所述块间通路 的池化层位于所述块间通路的卷积群之间。

在一些实施例中，所述将所述块内训练样本特征图像的图像特征和所述块 间训练样本特征图像的图像特征分别输入至块内通路末端的降维层和块间通路 末端的降维层，确定块内训练样本特征图像的主要图像特征和块间训练样本特 征图像的主要图像特征，包括：

对所述块内通路中的块内训练样本特征图像的图像特征进行池化处理，获 得池化后的块内训练样本特征图像；

对池化后的块内训练样本特征图像进行卷积处理，获得块内训练样本特征 图像的主要图像特征；

对所述块间通路中的块间训练样本特征图像的图像特征进行卷积处理，获 得卷积后的块间训练样本特征图像；

对卷积后的块间训练样本特征图像进行池化处理，获得块间训练样本特征 图像的主要图像特征。

在一些实施例中，所述将所述块内训练样本特征图像的主要图像特征和所 述块间训练样本特征图像的主要图像特征进行合并，获得训练样本图像的特征 向量，包括：

将所述块内训练样本特征图像的主要图像特征和块间训练样本特征图像的 主要图像特征分别转换为一维特征向量，获得块内一维特征向量和块间一维特 征向量；

将所述块内一维特征向量和所述块间一维特征向量，分别按照相对应的块 内通路和块间通路的结构顺序进行合并，获得训练样本图像的特征向量。

在一些实施例中，还包括：

对所述获取的训练样本图像进行归一化预处理，获得归一化处理后的训练 样本图像；

所述基于对所述训练样本图像的处理，获得至少两类训练样本特征图像， 包括：

根据获得的归一化处理后的所述训练样本图像进行分割，获得至少两类训 练样本特征图像。

在一些实施例中，所述根据分类结果确定所述神经网络的权重，包括：

根据分类结果作为分类标签值与训练样本图像的真实标签值进行计算，获 得损失值；

将损失值确定为所述神经网络的权重。

在一些实施例中，所述根据确定的神经网络的权重对所述神经网络的权重 进行更新，获得训练后的神经网络模型，包括：

采用方向传播的方式，将确定的神经网络的权重作为新权重对神经网络的 旧权重进行更新，获得训练后的具有双通路的神经网络模型。

本申请还提供一种神经网络模型的训练装置，包括：

获取单元，用于获取训练样本图像；

处理单元，用于基于对所述训练样本图像的处理，获得至少两类训练样本 特征图像；

识别单元，用于将所述至少两类训练样本特征图像的信息输入到至少具有 两个通路的神经网络中进行识别，获得识别分类结果；

确定单元，用于根据识别分类结果确定所述神经网络的权重；

更新单元，用于根据确定的神经网络的权重对所述神经网络的权重进行更 新，获得训练后的神经网络模型。

本申请还提供一种计算机存储介质，用于存储网络平台产生数据，以及对 应所述网络平台产生数据进行处理的程序；

所述程序在被所述处理器读取执行时，执行如下操作：

获取待检测图像；

基于对所述待检测图像的处理，获得至少两类特征图像；

将所述至少两类特征图像的信息输入到至少具有两个通路的神经网络中进 行识别，获得识别分类结果；

根据所述识别分类结果，确定所述待检测图像是否属于双重压缩图像。

本申请还提供一种电子设备，包括：

处理器；

存储器，用于存储对网络平台产生数据进行处理的程序，所述程序在被所 述处理器读取执行时，执行如下操作：

获取待检测图像；

基于对所述待检测图像的处理，获得至少两类特征图像；

将所述至少两类特征图像的信息输入到至少具有两个通路的神经网络中进 行识别，获得识别分类结果；

根据所述识别分类结果，确定所述待检测图像是否属于双重压缩图像。

与现有技术相比，本申请具有以下优点:

根据基于对所述待检测图像的处理获得至少两类特征图像，将两类特征图 像分别输入到至少具有两个通路的神经网络中进行识别，获得识别分类结果， 根据所述识别分类结果，确定所述待检测图像是否属于双重压缩图像，从而能 够挖掘处两类特征图像的像素特征，将有利于识别JPEG双次压缩的特征，更好 地抵抗反取证对双重压缩图像的压缩痕迹的隐藏或去除而对卷积神经网络的攻 击。

另外，通过对分割后获得的至少两类特征图像进行滤波处理，进一步提高 双重压缩图像的识别准确率以及抗反取证能力。

同上述，本申请提供神经网络模型的训练方法，基于对获取的训练样本图 像的处理，获得至少两类训练样本特征图像，之后将所述至少两类训练样本特 征图像输入到至少具有两个通路的神经网络中进行识别，获得识别分类结果， 根据所述识别分类结果确定所述卷积神经网络的权重，根据确定的卷积神经网 络的权重对所述卷积神经网络的权重进行更新(即迭代训练过程)，获得训练后 的卷积神经网络模型，从使得卷积神经网络模型在检测图像时具有较高的准确 性，以及较强的抵抗反取证能力。

附图说明

图1是现有技术三的神经网络的结构示意图；

图2是现有技术四神经网络中涉及的空域神经网络的结构示意图；。

图3是现有技术四中神经网络中频域神经网络和空域神经网络结合后的卷 积神经网络结构示意图；

图4是本申请提供的一种图像检测方法实施例的流程图；

图5是本申请提供的一种图像检测方法中对待检测图像进行分割实施例的 结构示意图；

图6是本申请提供的一种图像检测方法中对待检测图像进行分割后的视觉 效果示意图；

图7是本申请提供的一种图像检测方法中用于检测图像的卷积神经网络的 结构示意图；

图8是本申请提供的一种图像检测方法中用于检测图像的卷积神经网络中 卷积块的结构示意图；

图9是本申请提供的一种图像检测方法中针对输入至卷积块中的图像特征 数据进行卷积操作的示意图；

图10是本申请提供的一种图像检测装置实施例的结构示意图；

图11是本申请提供的一种卷积神经模型的训练方法实施例的流程图；

图12是本申请提供的一种卷积神经网络模型的训练装置实施例的结构示意 图；

图13是双重JPEG压缩过程中嵌入反取证技术的常见场景示意图；

图14是对采用反取证方式处理的图像采用图1的检测效果示意图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请 能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背 本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。

本申请中使用的术语是仅仅出于对特定实施例描述的目的，而非旨在限制 本申请。在本申请中和所附权利要求书中所使用的描述方式例如：“一种”、“第 一”、和“第二”等，并非对数量上的限定或先后顺序上的限定，而是用来将同 一类型的信息彼此区分。

对于双重JPEG压缩图像的检测，可以通过如下几种方式进行：

1、基于首字母特征的双重JPEG图像压缩检测方法

该现有技术通过本福德法则(Benford’s Law)提出的一种自然界出现的数 据规律，即在自然界产生的数字里，其首字母(1～9)出现的概率会随着首字母 本身数值的增大而减小，实现双重JPEG图像压缩的检测，如下公式所示。

单次压缩的JPEG图像的DCT系数服从本福德法则(Benford’s Law)，而经 历双重JPEG压缩的图像其DCT系数则不服从。基于这个发现，提出了一种简 单而有效的、基于首字母特征(MBFDF)提取方法，用来检测双重JPEG压缩。

该方法具体分为三个步骤：

1)首先，按zig-zag顺序选取前20个交流系数子带。子带(sub-band)是 指图像所有分块中位置代号都相同的数值串联起来的一维向量；

2)然后，对于每个子带，提取首字母特征，即计算数字1～9作为首字母在 这个子带里出现的频率，每个子带因此有一个9维的子特征；

3)最后，将这20个子特征合并成一个180维的特征向量，送到FLD(Fisher LinearDiscriminant)分类器中训练与测试，得到双重JPEG压缩图像的检测结果。

2、基于统计直方图的双重JPEG图像压缩检测方法

该方法是使用直方图统计方法去检测双重JPEG压缩检测，同样简单而有 效，主要也分为三个步骤：

1)首提取zig-zag顺序的前9个子带，统计每个子带中数值0～15出现的次 数，即x＝{hi，j(0)，hi，j(1)，…hi，j(15)}，(i，j)表示空域坐标索引；

2)然后，将特征x做归一化处理，统计数值0～15各自在所有这16个数值 中出现的频次，即x′＝{hi，j(0)，hi，j(1)，…hi，j(15)}/Ci，j，Ci，j为这 16个数值出现的总频次数；

3)最后，将个子带中的x′合并起来，得到一个144维的特征向量，送到支 持向量机(SVM：(Support Vector Machine)中训练与测试，得到双重JPEG压 缩图像的检测结果。

3、基于频域的卷积神经网络的双重JPEG图像压缩检测方法

该方法以JPEG图像的DCT系数直方图为输入，建立基于频域的一维卷积 神经网络，其结构如图1所示。该方法的卷积神经网络主要分为三部分，分别 输入、卷积模块和全连接层，具体检测过程如下：

(1)输入：对每条DCT交流系数子带，提取数值范围[-5，5]内的直方图， 则每条子带产生的子特征有11维。取zig-zag顺序中前9条交流系数子带的子特 征，得到整个网络的输入，即维度为99×1的一维特征向量；

(2)卷积模块：该网络具有两个卷积模块，每个卷积模块由一个一维卷积 层和一个一维最大值池化层组成，用于生成100个特征图。其中，卷积核的大 小为3×1，卷积步长为1；池化核的大小为3×1，卷积步长为2。此外，该网络 在每一层的连接中都使用ReLU激活函数，并且不使用任何正则化操作；

(3)全连接层：该网络具有三个全连接层，神经元的个数分别为1000、1000 和2。在第二个全连接层，使用一个Softmax函数(归一化指标函数，见下述公 式(1.2))用于计算每一类别的概率。假设输出的总类别数为C，第m个神经元的 输出为am，则每一类别的概率为：

4、基于结合域的卷积神经网络的双重JPEG图像压缩检测方法

该方法提出分别基于频域和空域的结合域卷积神经网络。对于频域神经网 络(frequency-domain CNN)采用的是一维卷积神经网络，与以往的一维卷积神 经网络的区别在于：首先，输入的直方图数值范围从[-5，5]扩展到[-50，50]， 换言之，频域网络的输入维度变成909×1；其次，在全连接层加入ReLU激活 函数和使用随机丢弃(Drop Out)方式。对于空域神经网络(spatial-domain CNN) 采用的是二维卷积神经网络，如图2所示，该空域神经网络同样主要分为三部 分，分别是输入、卷积模块和全连接层：

(1)输入：空域部分的神经网络处理的对象是，尺寸为64×64的三通道 彩色图像。首先将JPEG图像解压缩到空域，然后取全幅图像的像素值矩阵(归 一化到0～1范围)作为输入，因此输入数据的维度为64×64×3；

(2)卷积模块：共有4个卷积模块，每个卷积模块由一个二维卷积层和一 个ReLU激活函数组成，其卷积核大小为3×3，输出特征图个数分别为32、32、 64和64。其中，在第二、四个卷积模块中，还使用了池化核大小为2×2的最 大值池化层和ReLU激活函数。

(3)全连接层：该网络具有两个全连接层，神经元的个数分别为256和9。 第一个全连接层使用ReLU激活函数和随机丢弃(Drop Out)方式来使得学习特 征更加稳健，第二个全连接层则同样使用Softmax函数用来分类。

最后，分别在频域和空域的网络中，取第一个全连接层的输出作为合并特 征，构成一个基于结合域的卷积神经网络(multi-domain CNN)，如图3所示。

检测试验显示，在基于结合域的卷积神经网络的双重JPEG图像压缩检测方 法中，上述的三个神经网络的性能排序为：空域网络(SD-CNN)<频域网络 (FD-CNN)<结合域网络(MD-CNN)。

以上四种检测方法都是基于频域DCT系数直方图特征进双重JPEG压缩的 检测，并且在检测中取得了成功。但是，在通过引入反取证技术针对频域DCT 系数直方图特征进行攻击时，会导致上述四种检测方法检测的准确率。

基于上述内容，本申请提供的图像的检测方法以神经网络为检测的载体， 对获取的待检测图像进行监测，获知待检测图像是否为经过双重压缩的图像。

请参考图4所示，图4示出本申请提供的一种图像检测方法实施例的流程 图，该方法包括：

步骤S401：获取待检测图像。

所述步骤S401中获取待检测图像可以是获取需要进行识别是否为双重压缩 的图像，该图像可以是静态的单独存储的JPEG图像，也可以是通过将动态图像 存储JPEG格式的JPEG图像，也可以是对动态视频或动态图像等数据信息截取 的JPEG图像。

所谓JPEG是Joint Photographic Experts Group(联合图像专家组)的缩写，文件后辍名为“.jpg”或“.jpeg”，是最常用的图像文件格式，由一个软件开发联 合会组织制定，是一种有损压缩格式，能够将图像压缩在很小的储存空间。

在本实施例中，基于检测目标的考虑，即：检测出待检测图像是否为双压 缩JPEG图像还是单压缩JPEG图像，因此，所述步骤S101中获取的待检测图 像可以是经过压缩处理的图像，当然，获取的待检测图像虽然目的是为了检测 是否为双压缩图像，实际上，获取的待检测图像的范围并不限于双压缩JPEG图 像或单压缩JPEG图像。

步骤S402：基于对所述待检测图像的处理，获得至少两类特征图像。

在本实施例中，所述基于对所述待检测图像的处理，获得至少两类特征图 像具体实现过程可以是，对所述待检测图像进行分割，获得至少两类特征图像。 换言之，在获得至少两类特征图像时，对所述待检测图像的处理可以包括对待 检测图像的分割处理，在其他实施例中还可以包括：根据待检测图像中图像内 容的提取，图像内容可以包括图像颜色、图像轮廓等图像要素。

在本实施例中，以分割方式为图像处理的方式进行说明，因此所述步骤S402 的具体实现过程可以包括如下步骤：

步骤S402-a：对所述获取的待检测图像的像素矩阵进行划分，获得图像分 块。

请参考图5所示，图5示出本申请提供的一种图像检测方法中对待检测图 像进行分割实施例的结构示意图。

通常对JPEG图像压缩和解压过程中均是以8×8的分块处理，因此，在所 述步骤S402-a中可以通过对待检测图像采用8×8的形式进行划分，但不排除其 他形式的划分，该种8×8的划分进行举例说明。在本实施例中，划分的方式可 以对待检测图像按照从左到右，从上到下的顺序进行划分。

如果待检测图像的像素矩阵为32×32，则以8×8的形式划分的分块为如图 5中用黑色粗实线划分开，即共分为16个分块，该16个分块即为图像分块。需 要说明的是，此处以像素矩阵为32×32的待检测图像进行说明，为便于清楚的 了解本申请的技术方案并非用来限制待检测图像的大小，待检测图像的像素矩 阵也可以256×256或者其他。

步骤S402-b：选取所述图像分块中心位置邻近区域的像素和选取所述图像 分块分割交叉位置邻近区域的像素。

如图5所示，对于上述步骤S402-a中采用的8×8的分块举例，那么，选取 所述图像分块中心位置邻近区域的像素，则为以8×8分块的中心为中心点，选 取4×4的像素，如图5中的斜线状方格所示；以及，选取所述图像分块分割交 叉位置邻近区域的像素，则为以分块分割交叉位置为中心点，选取邻近4×4的 像素，如图5中的点状方格所示。

步骤S402-c：将图像分块中心位置邻近区域的像素，按照待检测图像分块 划分顺序排列组合获得块内(Intra-Block)特征图像。

所述步骤S402-c是指将如图5中所示的斜线状方格按照分块的划分顺序排 列组合形成一个新的二维像素矩阵，将该新的二维像素矩阵确定为块内特征图 像。沿用步骤S402-a中的分块举例可以获知，所述二维像素矩阵确定为块内特 征图像的图像尺寸为16×16。

步骤S402-d：将图像分块分割交叉位置邻近区域的像素，按照待检测图像 分块划分顺序排列组合获得块间(Inter-Block)特征图像。

所述步骤S402-c是指将如图5中所示的点状方格按照分块的划分顺序排列 组合形成一个新的二维像素矩阵，将该新的二维像素矩阵确定为块间特征图像。 沿用步骤S402-a中的分块举例可以获知，所述二维像素矩阵确定为块间特征图 像的图像尺寸为12×12。

通过所述步骤S402-c和步骤S402-d可知，在对待检测图像进行划分时，选 取所述图像分块分割交叉位置邻近区域的像素必然要少于选取所述图像分块中 心位置邻近区域的像素，因此，排列组合后获得块内特征图像尺寸也要比块间 特征图像尺寸大。

为更好的直观的了解步骤S402-c将图像分块中心位置邻近区域的像素，按 照待检测图像分块划分顺序排列组合获得块内特征图像，和步骤S402-d将图像 分块分割交叉位置邻近区域的像素，按照待检测图像分块划分顺序排列组合获 得块间特征图像，请参考图6所示，图6示出本申请提供的一种图像检测方法 中对待检测图像进行分割后的视觉效果示意图，其中，中间为待检测图像的原 图，尺寸为256×256；左边为块内特征图像128×128，右边为块间特征图像124 ×124。

步骤S402-e：将所述块内特征图像和块间特征图像确定为获得的至少两类 特征图像。

基于上述对所述待检测图像的划分结果，需要将划分后的获得块内特征图 像和块间特征图像输入至卷积神经网络中进行识别，因此，进入步骤S403。

步骤S403：将所述至少两类特征图像的信息输入到至少具有两个通路的神 经网络中进行识别，获得识别分类结果；

首先，需要说明的是，神经网络(neural network)是一种运算模型，由大 量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函 数，称为激活函数(activation function)。

神经网络包括：BP(Back Propagation)神经网络、径向基函数(RBF-Radial BasisFunction)神经网络、感知器神经网络、线性神经网络、自组织神经网络、 反馈神经网络、卷积神经网络(CNN-Con volutional neural network)等。在本实 施例中，主要以卷积神经网络为例进行图像检测方法的说明。

对于所述步骤S403的具体实现过程可以包括五个步骤，下面分别依次说明：

步骤S403-a：将所述块内特征图像输入至与所述卷积神经网络中的块内通 路的卷积群，确定所述块内特征图像的图像特征；

步骤S403-b：将所述块间特征图像输入至与所述卷积神经网络中的块间通 路的卷积群，确定所述块间特征图像的图像特征。

上述步骤S403-a和步骤S403-b分别是对块内通路的卷积和块间通路的卷积 进行的说明。在本实施例中，如图7所示，图7示出本申请提供的一种图像检 测方法中用于检测图像的卷积神经网络的结构示意图；用于检测图像卷积神经 网络包括块内通路和块间通路，二者均包括：卷积层、降维层、合并层以及全 连接层。基于上述步骤的实现过程，首先，对用于检测图像的卷积神经网络中 的卷积层的结构进行说明。

本实施例中提到的卷积神经网络是基于空域进行图像的检测，且至少具有 两个通路。所谓空域(spatial domain)是指由图像像素组成的空间，即：基于步 骤S401和步骤S402中获得至少两类特征图像的数据信息均为特征图像的像素。 所谓两个通路是分别对应块内特征图像和块间特征图像进行卷积操作(或是检 测操作)，因此，两个通路可以称之为块内通路和块间通路，所述块内通路对应 块内特征图像进行卷积，所述块间通路对应块间特征图像进行卷积。

基于在所述步骤S402-c中提供实例(图6)，输入到块内通路的块内特征图 尺寸为128×128×1，输入到块间通路的块间特征图尺寸为124×124×1，其中， 卷积层可以包括多个卷积群，在本实施例中块内通路和块间通路均包括四个卷 积群，每个卷积群中包括至少两个尺寸为3×3的卷积块，输出的特征图像的数 量为32，因为，本实施例中是以32个卷积核为举例说明，因此每个卷积核输出 一个特征图像，共输出的特征图像的数量为32个。

需要说明的是，卷积群的数量并不限于本实施例中提供的数量，其数量可 以根据实际待检测图像的大小进行确定。同样的，每个卷积群中的卷积块的数 量也可以通过实际待检测图像的大小进行确定。

结合图7参考图8所示，图8是本申请提供的一种图像检测方法中用于检 测图像的卷积神经网络中卷积块的结构示意图，每个卷积块中包括子卷积层、 批归一化层和激活函数层。为降低计算复杂度以及为了在内存效率和内存容量 之间寻找最佳平衡，卷积神经网络把输入至块内通路的块内特征图像的数据和 输入至块间通路中的块间特征图像的数据，按小批次(mini-batch)或者称为迷 你批次进行划分，确定检测的块内特征图像数目和块间特征图像数据，根据小 批次进行划分的目的在于，当输入的块内特征图像的数据和输入的块间特征图 像的数据不能一次性通过神经网络进行检测的时候(即输入的特征图像的数据 较大)，可以将输入的特征图像的数据分成几个批次进行检测。

可以理解的是，当输入的特征图像的数据较为小，也可以采用全批次。

在卷积块中对小批次处理后的特征图像的数据进行卷积，之后对卷积处理 后获得特征图像进行批归一化处理，批归一化处理的目的在于：使得对块内特 征图像进行小批次划分处理后的块内特征图像的数据和原输入的块内特征图像 的数据保持相同分布，同样的，使得对块间特征图像进行小批次划分处理后的 块间特征图像的数据和原输入的块间特征图像的数据保持相同分布，批归一化 处理过程为学习公式组(5.1)中的比例参数γ和偏置参数β：

上述公式中，x_i和

是小批次输入数据的原值和经过批归一化处理后的值， μ和σ²分别表示一个小批次数据的均值和方差，y_i为该小批次在批归一化处理层 的输出值。此外，∈是一个预设的小数值常数，以防止分母为零。在检测过程中， 假设输入数据被划分为R个小批次，则第r个小批次数据的均值和方差按照下述 公式组的方式更新：

其中，ρ是一个保持相邻批次更新平衡的动量。

在本实施例中，每个卷积群中的卷积块的子卷积层操作使用“补零卷积” 的方式，即输出的特征图像与输入的数据保持相同的尺寸。批归一化操作使用 公式(5.1)和公式(5.2)进行更新操作，即：某个神经元对应的原始的激活x 通过减去mini-Batch内m个实例获得的m个激活x求得的均值并除以求得的方 差来进行转换，进而能够保证特征图像保持着原待检测图像同样的像素分布特 点。

对于卷积块中批归一化处理的特征图像或者直接对卷积后的特征图像，通 过激活函数层获得特征图像的有效特征。在一些实施例中，当给定输入数据I和 卷积核K，使用二维卷积操作产生特征图(Feature Map)F，如公式(5.3)所示：

其中，

代表的是信息科学中的卷积操作，W和H分别代表卷积核K(输 入图像特征数据)尺寸的宽和高，m、n表示当前计算的是F(m，n)的值，u、 v表示求和过程中的序号，b_c表示卷积操作中的偏置。

请参考图9所示，图9是针对输入至卷积块中的图像特征数据进行卷积操 作的示意图。

其中，卷积核K为3×3，即：

则W＝3，H＝3；

输入图像特征数据：

的过程为：

将卷积核K翻转180°，得到K’；将翻转后的K’的中心对准I(2，2)，然 后对应元素相乘后相加，此时，W＝3，H＝3；u＝2，v＝2；m，n取值范围为从0 到2。那么F＝(2，2)＝1×1+0×1+1×1+0×0+1×1+0×1+1×0+0×0+1×1＝4；将卷积 和平滑移动，此时W，H不变，m，n取值范围不变，u＝2，v＝3。使用卷积核K’ 依次对I的元素重复上述F(2，2)的计算，获得F(2，3)，之后重复平滑移 动卷积核并进行卷积，获得最终的F值。

为了在错综复杂的数据中更有效地学习到深层次的图像特征，因此，采用 非线性映射函数，也就是激活函数。激活函数的使用加入了非线性因素，提高 神经网络对图像检测方法的表达能力，解决线性模型所不能解决的问题。在神 经网络中，常用激活函数有Sigmoid、TanH、ReLU、leaky ReLU以及ELU等等。 根据不同输入数据的特性，分别采用TanH和ReLU作为激活函数能更好地从 稀疏数据x^sp中学习到有效或者是说关键的图像特征，所述TanH和ReLU激活 函数可以分别采用下述公式(5.4)和(5.5)：

上述公式(5.5)中，当x^sp>0，说明图像特征的参数对梯度更新参与较大， 当x^sp≤0时(其他)，则说明部分神经元输出为零或小于零，进而能够得到网络 的稀疏性，减小图像特征的参数之间的相互依存关系，避免过拟合。

如图8所示，在本实施例中，所述块内通路和块间通路可以分别包括四个 卷积群，由于卷积群不具有降维能力，因此在每个卷积群之间通过池化层进行 连接，进而降低输出特征图像的尺寸(或者是像素值)，下面分别对块内通路的 结构和块间通路的结构进行说明。

块内通路的结构：

块内通络中的第一卷积群卷积处理后将获得的尺寸大小为124×124×32块 内特征图像输入至第一池化层；所述第一池化层对124×124×32的块内特征图 像处理后，将获得的尺寸大小为62×62×32块内特征图像输入至第二卷积群； 第二卷积群对输入62×62×32块内特征图像进行卷积处理，将获得的58×58 ×32块内特征图像输入至第二池化层；第二池化层对输入58×58×32块内特征 图像进行池化处理后，将获得的尺寸为29×29×32块内特征图像输入至第三卷 积群；第三卷积群对输入的29×29×32块内特征图像进行卷积处理后，将获得 的尺寸为25×25×32块内特征图像输入至第三池化层；第三池化层对输入的25 ×25×32块内特征图像进行池化处理后，将获得的尺寸为13×13×32块内特征图像输入至第四卷积群；第四卷积群对输入的13×13×32块内特征图像进行卷 积处理后，将获得的尺寸9×9×32块内特征图像输入至第四池化层，第四池化 层对输入的9×9×32块内特征图像进行池化，获得5×5×32块内特征图像； 为更进一步的降位，可以将获得的5×5×32块内特征图像输入至第四池化层之 后的末端卷积层进行卷积处理，获得4×4×32块内特征图像。

块间通路的结构：

块间通络中的第一卷积群卷积处理后将获得的尺寸大小为122×122×32块 间特征图像输入至第一池化层；所述第一池化层对122×122×32的块间特征图 像处理后，将获得的尺寸大小为60×60×32块间特征图像输入至第二卷积群； 第二卷积群对输入60×60×32块间特征图像进行卷积处理，将获得的56×56 ×32块间特征图像输入至第二池化层；第二池化层对输入56×56×32块间特征 图像进行池化处理后，将获得的尺寸为28×28×32块间特征图像输入至第三卷 积群；第三卷积群对输入的28×28×32块间特征图像进行卷积处理后，将获得 的尺寸为24×24×32块间特征图像输入至第三池化层；第三池化层对输入的24 ×24×32块间特征图像进行池化处理后，将获得的尺寸为12×12×32块间特征图像输入至第四卷积群；第四卷积群对输入的12×12×32块间特征图像进行卷 积处理后，将获得的尺寸8×8×32块间特征图像输入至末端卷积层，所述末端 卷积层对输入的8×8×32块间特征图像进行卷积后，获得7×7×32块间特征 图像；为使块间通路和块内通路输出的特征图像尺寸相同，可以进一步采用降 维操作，即可以将7×7×32块间特征图像输入至位于末端卷积层之后的下采样 层进行处理，获得4×4×32。

基于上述对至少具有两个通路的卷积神经网络结构的卷积层介绍可以了解 到，块内通路和块间通路分别通过相对应的卷积群进行卷积处理，输出了块内 特征图像的图像特征和块间特征图像的图像特征。那么，在获得所述块内特征 图像的图像特征和所述块间特征图像的图像特征后，需要分别对块内特征图像 的图像特征和所述块间特征图像的图像特征进行降维操作，以便提取块内特征 图像的主要图像特征和所述块间特征图像的主要特征，以及避免过拟合，因此， 进入步骤S403-c。

步骤S403-c：将所述块内特征图像的图像特征和所述块间特征图像的图像 特征分别输入至块内通路末端的降维层和块间通路末端的降维层，确定块内特 征图像的主要图像特征和块间特征图像的主要图像特征。

该步骤的具体实现过程同样结合图7中卷积神经网络中的降维层结构进行 说明。

对块内通路末端的降维层的结构进行说明：

所述块内通路末端的降维层包括：降维池化层和降维卷积层，设置在卷积 层的末端，即第四卷积群的尾部；具体降维过程包括：

对所述块内通路中卷积层输出的块内特征图像的图像特征进行池化处理， 获得池化后的块内特征图像；

对池化后的块内特征图像进行卷积处理，获得块内特征图像的主要图像特 征；

在本实施例中，关于池化层的操作选用的是最大池化，因为，空域像素值 经过归一化处理后值域为[0，1]，相邻位置的像素值差异并不大，因此使用最大 值池化的方式更为合理。池化的过程可以包括：

分别确定对应的块内池化层的池化窗口尺寸；

根据池化窗口尺寸覆盖的图像特征值的最大值，确定块内池化层的池化窗 口表征值；

将块内池化层的所有池化窗口表征值进行组合获得池化后的块内特征图像 的图像特征。

其中，在本实施例中池化层的池化窗口尺寸为3×3，步长为2。

在获得池化后的块内特征图像的图像特征，进一步进行卷积处理，即将池 化后的块内特征图像的图像特征输入至降维层中的末端卷积子层中进行卷积处 理，末端卷积子层采用2×2的卷积核对池化后的块内特征图像的图像特征进行 卷积，获得块内特征图像的主要图像特征。

沿用上述步骤S403中的举例，最大池化层处理后的块内特征图像尺寸大小 为5×5×32，卷积后的块内特征图像的主要图像特征尺寸大小为4×4×32。

对块间通路末端的降维层的结构进行说明：

所述块间通路末端的降维层包括：降维卷积层和降维池化层，设置在卷积 层的末端，即第四卷积群的尾部；所述块间通路末端的降维层与块内通路末端 的降维层不同之处在于：降维卷积层和降维池化层的顺序不同；所述块间通路 末端的降维层中的降维卷积层位于降维池化层之前，块内通路末端的降维层则 相反，具体所述块间通路末端的降维层的降维过程包括：

对所述块间通路中的块间特征图像的图像特征进行卷积处理，获得卷积后 的块间特征图像；

对卷积后的块间特征图像进行池化处理，获得块间特征图像的主要图像特 征。

其中卷积处理中采用的卷积核尺寸大小与块内通路末端的降维层的卷积核 大小相同。

沿用上述步骤S403中的举例，卷积后的块间特征图像尺寸大小为7×7×32 最大池化层处理后的块间特征图像的主要图像特征尺寸大小为4×4×32。需要 说明的是，在块内通路末端的降维层中的卷积子层和块间通路末端的降维层中 的卷积子层中采用的均为有效卷积方式，即不采用补零卷积(不再特征图边缘 处补零操作)，块内通路末端的降维层和块间通路末端的降维层能够使得块内通 路和块间通路输出的块内特征图像的主要图像特征和块间特征图像的主要图像 特征保持同样数量和同样尺寸的特征图像。

在本实施例中，对于块间通路和块内通路中的降维卷积层均采用有效卷积， 即：不采用补零操作(不在特征图像边缘处进行补零操作)。

基于上述内容，获得了两个通路中的主要图像特征，接下来需要将两个通 路中的主要图像特征进行合并获得一个一维的特征图像的向量，因此，进入步 骤S403-d，该步骤体现在图7卷积神经网络结构中合并层。

步骤S403-d：将所述块内特征图像的主要图像特征和所述块间特征图像的 主要图像特征进行合并，获得待检测图像的特征向量；

所述步骤S403-d的具体实现过程，经过上述步骤S403-c可以获得两个像素 数量(32)相同的主要图像特征，且块内通路中获得主要图像特征和块间通路 中获得主要图像特征具有相同的尺寸(4×4)。

首先，需要将所述块内特征图像的主要图像特征和块间特征图像的主要图 像特征分别转换为一维特征向量，获得块内一维特征向量和块间一维特征向量；

之后，将所述块内一维特征向量和所述块间一维特征向量，分别按照相对 应的块内通路和块间通路的结构顺序进行合并，获得待检测图像本图像的特征 向量。

沿用上例，两个通路中主要图像特征的二维特征向量为4×4×32，转换后 为一维特征向量512×1，之后再将一维特征向量按照通路结构的顺序依次合并， 从而得到维度为1024×1的特征向量；所述通路结构可以是先获得块内通路中 的主要图像特征的一维特征向量，之后获得块间通络中主要图像特征的一维特 征向量，之后将二者合并，那么合并后的1204×1特征向量的前512×1为块内 通路的主要图像特征的一维特征向量，后512×1为块间通路的主要图像特征的 一维特征向量；当然也可以先获得块间通路中的主要图像特征的一维特征向量， 之后获得块内通络中主要图像特征的一维特征向量，相应的，合并后的1204×1 特征向量的前512×1为块间通路的主要图像特征的一维特征向量，后512×1为块内通路的主要图像特征的一维特征向量。

步骤S403-e：将所述特征向量输送至所述卷积神经网络的全连接层，确定 待检测图像的识别分类结果。

所述步骤S403-e的具体实现过程可以结合图7中关于卷积神经网络中全连 接层的结构进行说明。

所述步骤S403-e的全连接层目的在于根据输入图像特征的一维特征向量进 行识别分类，即将合并后的一维特征向量1024×1输送到全连接层视为第一层 全连接层神经元的输出，与全连接层第二层的30个神经元进行密集连接，得到 全连接层第二层神经元的输出。将全连接层第二层神经元与第三层2个神经元 (即分类的类别数)密集连接，同时使用Softmax函数计算每个类别的概率，即 得到分类结果。

所述第二层神经元的输出可以通过下述方式获得，令

表示第l层网络中的 第s个神经元的输出，第l+1层网络中的第t个神经元的输出

用公式表示为：

其中，

和

表示神经元的权重和偏置量，它们会随着每次训练迭代而更 新。此外，f(·)表示激活函数。在神经网络中，常用激活函数有Sigmoid、TanH、 ReLU等等。

需要说明的是，所谓神经元可以理解为输入图像特征中矩阵像素(也可以 称为矩阵元素)的个数；全连接层中每层网络中的神经元个数可以根据已训练 完成的压缩样本训练数据中的矩阵像素确定。

以上是对步骤S403的过程说明，为了抵抗引入反取证方式造成双重识别准 确率下降的问题以及增强空域内的像素的显示，本申请提供的图像检测方法进 一步包括：

在确定所述块内特征图像的图像特征和所述块间特征图像的图像特征之 前，分别对所述块内特征图像和块间特征图像进行滤波处理，获得滤波后的块 内特征图像和块间特征图像。

滤波处理可以通过差分滤波器实现，因此，如图7所示，在本实施例中提 供的卷积神经网络的块内通路和块间通路中分别还包括差分滤波层，也可以称 为是块内差分滤波层和块间差分滤波层。所述块内差分滤波层位于块内通路的 初始端，所述块间差分滤波层位于块间通路的初始端。

采用“补零卷积”方式的卷积操作，即用2个大小为2×2的卷积核分别对各 自的特征图进行卷积，这2个卷积核的参数如公式(5.7)所示：

所述差分滤波层能够增强分割后的块内特征图像和块间特征图像的信噪 比，进而增强JPEG压缩后留在空域中的信息和反取证留下的痕迹，有利于提高 检测双重压缩图像的检测准确率。

步骤S404：根据所述识别分类结果，确定所述待检测图像是否属于双重压 缩图像。

所述步骤S404的具体实现过程是，根据所述步骤S403-e中通过Softmax分 类器对合并后的一维特征向量和全连接层中各个网络层中神经元之间的连接关 系进行计算，获得的分类结果，该分类结果可以是一个二维向量(x，y)，x+y＝1； 在本实施例中，x代表网络输入的待检测图像是双重压缩图像的概率，y代表网 络输入的待检测图像是单次压缩图像的概率，或者，也可以理解为，合并后的 一维特征向量和全连接层的网络层的一维向量特征之间的差异，来确定待检测 图像是否属于双重压缩，差异可以是一个二维向量因此，所述步骤S404的确定 过程可以包括：

将所述确定待检测图像的识别分类结果的单压缩分类概率值与双压缩分类 概率值进行比较，若所述双压缩分类概率值(双压缩分类差异)大于所述单压 缩分类概率值(单压缩分类差异)，则将所述获取的待检测图像确定为双重压缩 图像信息；反之，则为单压缩图像。

基于上述内容，在基于获得的待检测图像的处理之前还可以包括：

对所述获取的待检测图像进行归一化预处理，获得归一化处理后的待检测 图像；

所述基于对所述待检测图像的处理，获得至少两类特征图像，包括：

根据获得的归一化处理后的所述待检测图像进行分割，获得至少两类特征 图像。

根据输入待检测图像为灰度图像IS，像素值范围为[0，255]，可以采用如下 公式对待检测图像进行归一化预处理：

IS＝IS/255

以上是对本申请提供的一种图像检测方法实施例的说明。与前述提供的一 种图像检测方法实施例相对应，本申请还公开一种图像检测装置实施例，请参 看图10，由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关 之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。

如图10所示，图10示出本申请提供的一种图像检测装置实施例的结构示 意图，该装置包括：

获取单元901，用于获取待检测图像。

处理单元902，用于基于对所述待检测图像的处理，获得至少两类特征图像。

所述处理单元902具体用于对所述待检测图像进行分割，获得至少两类特 征图像，可以包括：

划分子单元，用于对所述获取的待检测图像的像素矩阵进行划分，获得图 像分块；

选取子单元，用于选取所述划分子单元中所述图像分块中心位置邻近区域 的像素和选取所述图像分块分割交叉位置邻近区域的像素；

块内获得子单元，用于将所述图像分块中心位置邻近区域的像素，按照待 检测图像分块划分顺序排列组合获得块内特征图像；

块间获得子单元，用于将所述图像分块分割交叉位置邻近区域的像素，按 照待检测图像分块划分顺序排列组合获得块间特征图像。

类型确定子单元，用于将所述块内特征图像和块间特征图像确定为获得的 至少两类特征图像。

分类识别单元903，用于将所述至少两类特征图像的信息输入到至少具有两 个通路的神经网络中进行识别，获得识别分类结果；

所述分类识别单元903可以包括：

块内图像特征确定子单元，用于将所述块内特征图像输入至与所述卷积神 经网络中的块内通路的卷积群，确定所述块内特征图像的图像特征；

块间图像特征确定子单元，用于将所述块间特征图像输入至与所述卷积神 经网络中的块间通路的卷积群，确定所述块间特征图像的图像特征；

主要图像特征确定子单元，用于将所述块内特征图像的图像特征和所述块 间特征图像的图像特征分别输入至块内通路末端的降维层和块间通路末端的降 维层，确定块内特征图像的主要图像特征和块间特征图像的主要图像特征；

特征向量获得子单元，用于将所述块内特征图像的主要图像特征和所述块 间特征图像的主要图像特征进行合并，获得待检测图像的特征向量；

分类结果确定子单元，用于将所述特征向量输送至所述卷积神经网络的全 连接层，确定待检测图像的识别分类结果。

以上仅为概括性说明，具体过程请参考图像检测方法的说明，此处不再一 一赘述。

可以理解的是，为了抵抗引入反取证方式造成双重识别准确率下降的问题 以及增强空域内的像素的显示，本申请提供的图像装置方法进一步包括：

滤波单元，用于在确定所述块内特征图像的图像特征和所述块间特征图像 的图像特征之前，分别对所述块内特征图像和块间特征图像进行滤波处理，获 得滤波后的块内特征图像和块间特征图像。

滤波处理可以通过差分滤波器实现，因此，如图7所示，在本实施例中提 供的卷积神经网络的块内通路和块间通路中分别还包括差分滤波层，也可以称 为是块内差分滤波层和块间差分滤波层。所述块内差分滤波层位于块内通路的 初始端，所述块间差分滤波层位于块间通路的初始端。

所述差分滤波层能够增强分割后的块内特征图像和块间特征图像的信噪 比，进而增强JPEG压缩后留在空域中的信息和反取证留下的痕迹，有利于提高 检测双重压缩图像的检测准确率。

确定单元904，用于根据所述识别分类结果，确定所述待检测图像是否属于 双重压缩图像信息。

所述确定单元904可以包括：

比较确定子单元，用于将所述确定待检测图像的识别分类结果的单压缩分 类概率值与双压缩分类概率值进行比较，若所述双压缩分类概率值大于所述单 压缩分类概率值，则将所述获取的待检测图像确定为双重压缩图像信息。

进一步，本申请提供的图像检测装置还可以包括：

预处理单元，用于对所述获取的待检测图像进行归一化预处理，获得预处 理后的待检测图像。

所述获取单元901具体用于根据获得的预处理后的所述待检测图像进行分 割，获得至少两类特征图像。

以上是对本申请提供的一种图像检测装置实施例的介绍，基于上述内容， 本申请还提供一种神经网络模型的训练方法，请参考图11所示，图11示出本 申请提供的一种神经模型的训练方法实施例的流程图，该训练方法包括：

步骤S1001：获取训练样本图像。

所述步骤S1001中获取训练样本图像可以是获取已经确定为双重压缩的图 像和/或单次压缩的图像，该图像可以是静态的单独存储的JPEG图像，也可以 是通过将动态图像存储JPEG格式的JPEG图像，也可以是对动态视频或动态图 像等数据信息截取的JPEG图像。

所谓JPEG是Joint Photographic Experts Group(联合图像专家组)的缩写，文件后辍名为“.jpg”或“.jpeg”，是最常用的图像文件格式，由一个软件开发联 合会组织制定，是一种有损压缩格式，能够将图像压缩在很小的储存空间。

步骤S1002：基于对所述训练样本图像的处理，获得至少两类训练样本特征 图像。

所述步骤S1002的具体实现过程可以是对所述训练样本图像进行分割，获 得至少两类特征图像。具体分割过程可以参考上述图像检测方法中步骤S402的 说明，此处不再赘述。

步骤S1003：将所述至少两类训练样本特征图像的信息输入到至少具有两个 通路的神经网络中进行识别，获得识别分类结果。

同样的，关于所述步骤S1003的具体实现过程可以参考上述图像检测方法 中步骤S403的说明，此处也不再赘述。

步骤S1004：根据所述识别分类结果确定所述卷积神经网络的权重；

所述步骤S1004的具体实现过程可以包括：

步骤S1004-a：根据分类结果作为分类标签值与训练样本图像的真实标签值 进行计算，获得损失值；

步骤S1004-b：将损失值确定为所述卷积神经网络的权重。

其中所述步骤S1004-a可以通过下述公式计算：

其中，P_n是计算得到一个实际的输出概率结果，q_n是期待的输出结果(即 真实标签)，w表示网络的权重。

步骤S1005：根据确定的卷积神经网络的权重对所述卷积神经网络的权重进 行更新，获得训练后的卷积神经网络模型。

所述步骤S1005具体实现过程可以是通过反向传播的方式对网络权重进行 更新，例如：给定学习率α，则在第t次训练迭代中的网络权重为：

上述公式中，

指对损失值L_(w)关于网络权重w求导。

以上是对本申请提供的一种卷积神经网络模型的训练方法实施例的说明。 与前述提供的一种卷积神经网络模型的训练方法实施例相对应，本申请还公开 一种卷积神经网络模型的训练装置实施例，请参看图12，由于装置实施例基本 相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说 明即可。下述描述的装置实施例仅仅是示意性的。

获取单元1101，用于获取训练样本图像；

处理单元1102，用于基于对所述训练样本图像的处理，获得至少两类训练 样本特征图像；

识别单元1103，用于将所述至少两类训练样本特征图像的信息输入到至少 具有两个通路的神经网络中进行识别，获得识别分类结果；

确定单元1104，用于根据识别分类结果确定所述卷积神经网络的权重；

更新单元1105，用于根据确定的卷积神经网络的权重对所述卷积神经网络 的权重进行更新，获得训练后的卷积神经网络模型。

以上提供的图像检测方法和训练方法中，通过卷积神经网络中的分割层， 将待检测的JPEG图像分割为8×8的分块，之后在8×8的分块中选取分块中心 的像素作为4×4的块内(Intra-Block)特征图像，选取8×8的分块中交叉位置 处(即：每四个相邻的JPEG图像像素)的4×4的块间(Inter-Block)特征图像。 这两种特征图像分别作为卷积神经网络中两路卷积结构的输入，检测学习深层 次的图像特征。本申请中涉及的两个通路的卷积神经网络结合JPEG压缩的特 性，能够挖掘块间特征图像和块内特征图像的像素特征，将有利于识别JPEG双 次压缩的特征，更好地抵抗反取证对双重压缩图像的压缩痕迹的隐藏或去除而 对卷积神经网络的攻击。

另外，通过块内差分滤波器和块间差分滤波器增强图像信噪比，增强了JPEG 压缩留在空域内的信息和反取证操作留下来的痕迹，从而有利于更好的检测双 次JPEG压缩和检测反取证操作。

基于上述内容，本申请还提供的一种计算机存储介质，用于存储网络平台 产生数据，以及对应所述网络平台产生数据进行处理的程序；

所述程序在被所述处理器读取执行时，执行如下操作：

获取待检测图像；

基于对所述待检测图像的处理，获得至少两类特征图像；

将所述至少两类特征图像的信息输入到至少具有两个通路的神经网络中进 行识别，获得识别分类结果；

根据所述识别分类结果，确定所述待检测图像是否属于双重压缩图像。

本申请还提供一种电子设备，包括：

处理器；

存储器，用于存储对网络平台产生数据进行处理的程序，所述程序在被所 述处理器读取执行时，执行如下操作：

获取待检测图像；

基于对所述待检测图像的处理，获得至少两类特征图像；

将所述至少两类特征图像的信息输入到至少具有两个通路的神经网络中进 行识别，获得识别分类结果；

根据所述识别分类结果，确定所述待检测图像是否属于双重压缩图像。

为验证本申请中涉及的两个通路的双通路卷积神经网络(SB-CNN)检测双 次JPEG和反取证操作的有效性，与相关的检测方案进行对比，以便更加深入的 了解本申请的技术效果。

实验主要包括对双重JPEG压缩的检测和嵌入反取证技术的双重JPEG压缩 检测两方面；通过使用深度学***台，使用型号 为NVidiaTesla-P100的GPU计算卡完成实验；采用广泛使用的图像库BOSSBase v1.01作为实验图像来源，该图像库包含了10000张存储格式为未压缩PGM的 灰度图像。

1、双重JPEG压缩检测

本节实验将仍旧选取4个具有代表性的压缩质量因子组合作为实验对象来 衡量网络的性能，即(QF1，QF2)＝(70，75)，(80，75)，(85，70)，(85， 90)。选取的原则为：压缩质量中等偏上，同时具有QF1>QF2和QF1<QF2两种 情况，还具有同样的QF1或QF2跟不同的QF2和QF1组合两种情况。

表1展示在上述压缩质量因子组合里本申请提供的两个通路的卷积神经网 络(SB-CNN)与其他对比方法关于双重JPEG压缩检测的性能。其中，DFSD 为基于首字母特征的方法，DAH为基于统计直方图的方法，DFD-CNN和 DMD-CNN分别为基于频域和双域的神经网络方法。表1中每个压缩质量因子组 合中检测正确率最高的数值用加粗的方式表示。

表1：双重JPEG压缩检测正确率(％)对比表

(QF1，QF2)	(70，75)	(80，75)	(85，70)	(85，90)
					DFSD	99.22	99.36	97.70	99.98
DAH	98.73	99.02	98.99	99.91
					DFD-CNN	98.74	99.00	97.36	99.96
DMD-CNN	95.78	99.04	98.54	99.99
					DSB-CNN	98.70	97.58	99.49	99.82

由上表可以做出如下小结：

DSB-CNN的性能处于中等偏上的水平，而表1中所有的检测正确率大部分 大于97％甚至接近100％，因此也说明大多数方法都具备较强且相近的能力，检 测正确率再有所提升的空间极其有限。

2、嵌入反取证技术的双重JPEG压缩检测

分别测试本申请提供的两个通路的卷积神经网络(SB-CNN)对于嵌入不同 种类反取证技术的双重JPEG压缩图像的检测性能，并且将其与传统人为特征方 法进行对比。选取的对比方法包括基于首字母特征的方法DFSD和基于统计直方 图的方法DAH。

(1)反取证技术应用场景分类

SB-CNN具有检测受过反取证技术攻击的双重JPEG压缩图像的能力，先具 体划分针对的反取证技术场景，覆盖当前常规使用的图像反取证技术。

反取证技术研究JPEG压缩图像中DCT系数的分布，通过将该分布拟合成 未压缩图像的DCT系数分布，来提供阻碍取证。随后根据JPEG图像的块效应， 提出一种综合性的反取证方法。基于不可检测性和反取证性能方面寻求最优的 平衡，提出一个四步消除JPEG压缩痕迹的方法。以上方法的主要特征都需要首 先对DCT系数进行重新拟合，然后再对空域进行修补，抹除JPEG图像的压缩 痕迹。如图13所示，图13是双重JPEG压缩过程中嵌入反取证技术的常见场景 示意图。

根据图13提供的场景对应产生的图像分别用JPEG(1)A、JPEG(2)B0 等表示，具体为：

(1)JPEG(1)A：一次JPEG压缩图像，量化质量因子为QF；

(2)JPEG(2)B0：自然双重JPEG压缩图像，第一、二次量化质量因子 分别为QF1和QF2；

(3)JPEG(2)B1：反取证双重JPEG压缩图像，在JPEG解压缩回空域 的数据时加入对空域的攻击生成，这些攻击包括对比度增强、图像尺寸的缩放、 中值滤波等；

(4)JPEG(2)B2：反取证双重JPEG压缩图像，在JPEG图像的DCT系 数上实施反取证操作，然后再解压缩回空域。这类反取证方法以为代表；

(5)JPEG(2)B3：反取证双重JPEG压缩图像，分别在一次压缩JPEG 图像的DCT域和JPEG解压缩图像的空域实施反取证操作。

(2)空域反取证图像：

首先，对仅在JPEG解压缩图像空域实施反取证操作的双重JPEG压缩图像， 即图13中的第三类图像JPGB1进行检测。以压缩质量因子组合(QF1，QF2)＝ (70，75)为例，用以下常用的方法生成攻击图像：

①对比度增强(Contrast Enhancement)，亮度参数分别为(0.5，0.6，...，1.4，1.0除外)；

②中值滤波(Median Filtering)，滤波窗口大小为s＝3×3，2×2，高斯白噪 声的方差为v＝2，3；

③图像尺寸缩放(Resize)后再返回原尺寸：缩放比例为(0.7，0.8，...，1.3， 1.0除外)；

④图像尺寸缩放后，不返回原尺寸：缩放比例为(1.1，1.2，1.3，1.4)。以上 图像全部使用MATLAB软件生成，所使用的命令依次为“imjust”，“medfilt”， “imresize”，而这些命令的使用时间点，在于图13中第三类JPGB1生成过程的 “空域反取证”字样处所对应的过程。

请参考图14所示，图14对采用反取证方式处理的图像采用图1的检测效 果示意图。其中为便于表示，图像种类用英文检测加上参数来表示，举例说明 如下：

②“CE_0.5”表示使用亮度参数为0.5的增强对比度操作；

②“MFG_s3v2”表示中值滤波的窗口大小3×3、噪声方法为2；

③“RSR_0.8”表示图像缩放比例为0.8，且返回原尺寸；

④“RSC_1.2”表示图像放大比例为1.2，且不返回原尺寸；

⑤“S/D”表示自然双重JPEG压缩图像。

此外，检测方法分别为DFSD、DAH及本申请中的DSB-CNN。

由图14可以观察到，一开始三种检测方法对自然双重JPEG压缩(S/D)的 检测精确度都接近100％，而实施了空域反取证技术后，三种检测方法都呈现大 体相似的下降趋势，但下降的幅度则差异较大。其中，蓝色圆块曲线代表的首 字母特征方法和黑色方块代表的统计直方图的方法都具有较大的下降幅度，而 本网络(红色三角块曲线)则体现了较高的检测精确率和稳定性，基本保持在 更高的精确率状态，再例如图像种类“CE_1.4”和“RSC_1.1”的检测上，本申请的 双通路卷积神经网络的精确度提高11％～33％，显示出较强的抵抗空域反取证技 术的能力。

(3)综合性反取证图像：

前述空域反取证图像在第二次JPEG压缩前在空域实施反取证操作，只能掩 盖一些空域的块效应特性，而没有根据JPEG图像的特性进行压缩痕迹的移除。 而在综合性反取证技术中，分别针对JPEG图像的DCT域或同时针对DCT域和 空域，在建立数学模型的基础上，较为精确地弥补压缩图像与未压缩图像之间 的系数分布差距。

表2给出了同样三种方法对这些嵌入了综合性反取证技术的双重JPEG压缩 检测性能，其中，AStamm、AFan、ASingh分别为反取证方法。由该表2可以 看出，在多数情况下，基于传统人为特征的方法在对抗反取证技术的检测中都 表现出不佳的性能，这是由于它们基于JPEG图像DCT系数的特点，而这些特 点都被反取证方法在一定程度上抹去了。而本申请的双通路卷积神经网络 SB-CNN能够在稳定地保持较高的检测率(结果全部在90％以上)，有些情况的 检测正确率甚至比人为特征方法提高了45％，可以说明基于JPEG图像空域特性 而设计的SB-CNN具有对双重JPEG压缩有较好的检测性能，能够很好的抵抗 反取证技术的攻击。

表2：嵌入反取证技术的双重JPEG压缩检测正确率(％)对比表

以上为本申请提供图像检测方法于现有技术检测方法性能的分析，由上述 内容可以看出，本申请提供的图像检测方法以及涉及的双通路卷积神经网络相 比现有技术不论是在正常图像的检测还是经过反取证操作的图像，检测准确性 较高且性能也较好。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出 接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。 内存是计算机可读介质的示例。

1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由 任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程 序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其 他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存 储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁 盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设 备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒 体(transitory media)，如调制的数据信号和载波。

2、本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机 程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件 和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计 算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本 领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改， 因此本申请的保护范围应当以本申请权利要求所界定的范围为准。

Claims (28)

1.一种图像检测方法，其特征在于，包括：

获取待检测图像；

基于对所述待检测图像的处理，获得至少两类特征图像；

将所述至少两类特征图像的信息输入到至少具有两个通路的神经网络中进行识别，获得识别分类结果；

根据所述识别分类结果，确定所述待检测图像是否属于双重压缩图像。

2.根据权利要求1所述的图像检测方法，其特征在于，所述基于对所述待检测图像的处理，获得至少两类特征图像，包括：

对所述待检测图像进行分割，获得至少两类特征图像。

3.根据权利要求2所述的图像检测方法，其特征在于，所述对所述待检测图像进行分割，获得至少两类特征图像，包括：

对所述获取的待检测图像的像素矩阵进行划分，获得图像分块；

选取所述图像分块中心位置邻近区域的像素和选取所述图像分块分割交叉位置邻近区域的像素；

将图像分块中心位置邻近区域的像素，按照待检测图像分块划分顺序排列组合获得块内特征图像；

将图像分块分割交叉位置邻近区域的像素，按照待检测图像分块划分顺序排列组合获得块间特征图像；

将所述块内特征图像和块间特征图像确定为获得的至少两类特征图像。

4.根据权利要求3所述的图像检测方法，其特征在于，所述对所述获取的待检测图像进行划分，获得图像分块，包括：

对待检测图像按照从左到右，从上到下的顺序进行划分，获得图像分块。

5.根据权利要求3所述的图像检测方法，其特征在于，将所述至少两类特征图像的信息输入到至少具有两个通路的神经网络中进行识别，获得识别分类结果，包括：

将所述块内特征图像输入至与所述神经网络中的块内通路的卷积群，确定所述块内特征图像的图像特征；

将所述块间特征图像输入至与所述神经网络中的块间通路的卷积群，确定所述块间特征图像的图像特征；

将所述块内特征图像的图像特征和所述块间特征图像的图像特征分别输入至块内通路末端的降维层和块间通路末端的降维层，确定块内特征图像的主要图像特征和块间特征图像的主要图像特征；

将所述块内特征图像的主要图像特征和所述块间特征图像的主要图像特征进行合并，获得待检测图像的特征向量；

将所述特征向量输送至所述神经网络的全连接层，确定待检测图像的识别分类结果。

6.根据权利要求5所述的图像检测方法，其特征在于，还包括：

在确定所述块内特征图像的图像特征和所述块间特征图像的图像特征之前，分别对所述块内特征图像和块间特征图像进行滤波处理，获得滤波后的块内特征图像和块间特征图像。

7.根据权利要求5所述的图像检测方法，其特征在于，所述将所述块内特征图像输入至与所述神经网络中的块内通路的卷积群，确定所述块内特征图像的图像特征，包括：

将所述块内特征图像输入至与所述神经网络中的块内通路的卷积群进行卷积处理，获得处理后的块内特征图像；

将处理后的块内特征图像输入至池化层进行处理，获得所述块内特征图像的图像特征；

所述将所述块间特征图像输入至与所述神经网络中的块间通路的卷积群，提取所述块间特征图像的图像特征，包括：

将所述块间特征图像输入至与所述神经网络中的块间通路的卷积群进行卷积处理，获得处理后的块间特征图像；

将处理后的块间特征图像输入至池化层进行处理，获得所述块间特征图像的图像特征；

其中，所述块内通路的卷积群至少为两个，所述块内通路的池化层位于所述块内通路的卷积群之间；所述块间通路的卷积群至少为两个，所述块间通路的池化层位于所述块间通路的卷积群之间。

8.根据权利要求5所述的图像的检测方法，其特征在于，将所述块内特征图像的图像特征和所述块间特征图像的图像特征分别输入至块内通路末端的降维层和块间通路末端的降维层，确定块内特征图像的主要图像特征和块间特征图像的主要图像特征，包括：

对所述块内通路中的块内特征图像的图像特征进行池化处理，获得池化后的块内特征图像；

对池化后的块内特征图像进行卷积处理，获得块内特征图像的主要图像特征；

对所述块间通路中的块间特征图像的图像特征进行卷积处理，获得卷积后的块间特征图像；

对卷积后的块间特征图像进行池化处理，获得块间特征图像的主要图像特征。

9.根据权利要求5所述的图像检测方法，其特征在于，将所述块内特征图像的主要图像特征和所述块间特征图像的主要图像特征进行合并，获得待检测图像的特征向量，包括：

将所述块内特征图像的主要图像特征和块间特征图像的主要图像特征分别转换为一维特征向量，获得块内一维特征向量和块间一维特征向量；

将所述块内一维特征向量和所述块间一维特征向量，分别按照相对应的块内通路和块间通路的结构顺序进行合并，获得待检测图像的特征向量。

10.根据权利要求1所述的图像检测方法，其特征在于，所述根据识别分类结果，确定所述获取的待检测图像是否属于双重压缩图像，包括：

将所述确定待检测图像的识别分类结果的单压缩分类概率值与双压缩分类概率值进行比较，若所述双压缩分类概率值大于所述单压缩分类概率值，则将所述获取的待检测图像确定为双重压缩图像。

11.根据权利要求1所述的图像检测方法，其特征在于，还包括：

对所述获取的待检测图像进行归一化预处理，获得归一化处理后的待检测图像；

所述基于对所述待检测图像的处理，获得至少两类特征图像，包括：

根据获得的归一化处理后的所述待检测图像进行分割，获得至少两类特征图像。

12.根据权利要求1所述的图像检测方法，其特征在于，所述至少具有两个通路的神经网络为卷积神经网络。

13.一种图像检测装置，其特征在于，包括：

获取单元，用于获取待检测图像；

处理单元，用于基于对所述待检测图像的处理，获得至少两类特征图像；

分类识别单元，用于将所述至少两类特征图像的信息输入到至少具有两个通路的神经网络中进行识别，获得识别分类结果；

确定单元，用于根据所述识别分类结果，确定所述待检测图像是否属于双重压缩图像信息。

14.一种神经网络模型的训练方法，其特征在于，包括：

获取训练样本图像；

基于对所述训练样本图像的处理，获得至少两类训练样本特征图像；

将所述至少两类训练样本特征图像输入到至少具有两个通路的神经网络中进行识别，获得识别分类结果；

根据所述识别分类结果确定所述神经网络的权重；

根据确定的神经网络的权重对所述神经网络的权重进行更新，获得训练后的神经网络模型。

15.根据权利要求14所述的神经网络模型的训练方法，其特征在于，所述基于对训练样本图像的处理，获得至少两类训练样本特征图像信息，包括：

对所述训练样本图像进行分割，获得至少两类特征图像。

16.根据权利要求15所述的神经网络模型的训练方法，其特征在于，所述对所述训练样本图像进行分割，获得至少两类特征图像，包括：

对获取的所述训练样本图像的像素矩阵进行划分，获得训练样本图像分块；

选取所述训练样本图像分块中心位置邻近区域的像素和选取所述训练样本图像分块分割交叉位置邻近区域的像素；

将训练样本图像分块中心位置邻近区域的像素，按照训练样本图像分块划分顺序排列组合获得块内训练样本特征图像；

将训练样本图像分块分割交叉位置邻近区域的像素，按照训练样本图像分块划分顺序排列组合获得块间训练样本特征图像；

所述块内训练样本特征图像和块间训练样本特征图像为获得的至少两类训练样本特征图像。

17.根据权利要求16所述的神经网络模型的训练方法，其特征在于，所述对所述获取的训练样本图像进行划分，获得训练样本图像分块，包括：

对训练样本图像按照从左到右，从上到下的顺序进行划分，获得训练样本图像分块。

18.根据权利要求17所述的神经网络模型的训练方法，其特征在于，将所述至少两类训练样本特征图像的信息输入到至少具有两个通路的神经网络中进行识别，获得识别分类结果，包括：

将所述块内训练样本特征图像输入至与所述神经网络中的块内通路的卷积群，确定所述块内训练样本特征图像的图像特征；

将所述块间训练样本特征图像输入至与所述神经网络中的块间通路的卷积群，确定所述块间训练样本特征图像的图像特征；

将所述块内训练样本特征图像的图像特征和所述块间训练样本特征图像的图像特征分别输入至块内通路末端的降维层和块间通路末端的降维层，确定块内训练样本特征图像的主要图像特征和块间训练样本特征图像的主要图像特征；

将所述块内训练样本特征图像的主要图像特征和所述块间训练样本特征图像的主要图像特征进行合并，获得训练样本图像的特征向量；

将所述特征向量输送至所述神经网络的全连接层，确定训练样本图像的识别分类结果。

19.根据权利要求18所述的神经网络模型的训练方法，其特征在于，还包括：

在确定所述块内训练样本特征图像的图像特征和所述块间训练样本特征图像的图像特征之前，分别对所述块内训练样本特征图像和块间训练样本特征图像进行滤波处理，获得滤波后的块内训练样本特征图像和块间训练样本特征图像。

20.根据权利要求18所述的神经网络模型的训练方法，其特征在于，所述将所述块内训练样本特征图像输入至与所述神经网络中的块内通路的卷积群，确定所述块内训练样本特征图像的图像特征，包括：

将所述块内训练样本特征图像输入至与所述神经网络中的块内通路的卷积群进行卷积处理，获得处理后的块内训练样本特征图像；

将处理后的块内训练样本特征图像输入至池化层进行处理，获得所述块内训练样本特征图像的图像特征；

所述将所述块间训练样本特征图像输入至与所述神经网络中的块间通路的卷积群，提取所述块间训练样本特征图像的图像特征，包括：

将所述块间训练样本特征图像输入至与所述神经网络中的块间通路的卷积群进行卷积处理，获得处理后的块间训练样本特征图像；

将处理后的块间训练样本特征图像输入至池化层进行处理，获得所述块间训练样本特征图像的图像特征；

其中，所述块内通路的卷积群至少为两个，所述块内通路的池化层位于所述块内通路的卷积群之间；所述块间通路的卷积群至少为两个，所述块间通路的池化层位于所述块间通路的卷积群之间。

21.根据权利要求18所述的神经网络模型的训练方法，其特征在于，所述将所述块内训练样本特征图像的图像特征和所述块间训练样本特征图像的图像特征分别输入至块内通路末端的降维层和块间通路末端的降维层，确定块内训练样本特征图像的主要图像特征和块间训练样本特征图像的主要图像特征，包括：

对所述块内通路中的块内训练样本特征图像的图像特征进行池化处理，获得池化后的块内训练样本特征图像；

对池化后的块内训练样本特征图像进行卷积处理，获得块内训练样本特征图像的主要图像特征；

对所述块间通路中的块间训练样本特征图像的图像特征进行卷积处理，获得卷积后的块间训练样本特征图像；

对卷积后的块间训练样本特征图像进行池化处理，获得块间训练样本特征图像的主要图像特征。

22.根据权利要求18所述的神经网络模型的训练方法，其特征在于，所述将所述块内训练样本特征图像的主要图像特征和所述块间训练样本特征图像的主要图像特征进行合并，获得训练样本图像的特征向量，包括：

将所述块内训练样本特征图像的主要图像特征和块间训练样本特征图像的主要图像特征分别转换为一维特征向量，获得块内一维特征向量和块间一维特征向量；

将所述块内一维特征向量和所述块间一维特征向量，分别按照相对应的块内通路和块间通路的结构顺序进行合并，获得训练样本图像的特征向量。

23.根据权利要求14所述的神经网络模型的训练方法，其特征在于，还包括：

对所述获取的训练样本图像进行归一化预处理，获得归一化处理后的训练样本图像；

所述基于对所述训练样本图像的处理，获得至少两类训练样本特征图像，包括：

根据获得的归一化处理后的所述训练样本图像进行分割，获得至少两类训练样本特征图像。

24.根据权利要求14所述的神经网络模型的训练方法，其特征在于，所述根据分类结果确定所述神经网络的权重，包括：

根据分类结果作为分类标签值与训练样本图像的真实标签值进行计算，获得损失值；

将损失值确定为所述神经网络的权重。

25.根据权利要求14或24所述的神经网络模型的训练方法，其特征在于，所述根据确定的神经网络的权重对所述神经网络的权重进行更新，获得训练后的神经网络模型，包括：

采用方向传播的方式，将确定的神经网络的权重作为新权重对神经网络的旧权重进行更新，获得训练后的具有双通路的神经网络模型。

26.一种神经网络模型的训练装置，其特征在于，包括：

获取单元，用于获取训练样本图像；

处理单元，用于基于对所述训练样本图像的处理，获得至少两类训练样本特征图像；

识别单元，用于将所述至少两类训练样本特征图像的信息输入到至少具有两个通路的神经网络中进行识别，获得识别分类结果；

确定单元，用于根据识别分类结果确定所述神经网络的权重；

更新单元，用于根据确定的神经网络的权重对所述神经网络的权重进行更新，获得训练后的神经网络模型。

27.一种计算机存储介质，用于存储网络平台产生数据，以及对应所述网络平台产生数据进行处理的程序；

所述程序在被所述处理器读取执行时，执行如下操作：

获取待检测图像；

基于对所述待检测图像的处理，获得至少两类特征图像；

将所述至少两类特征图像的信息输入到至少具有两个通路的神经网络中进行识别，获得识别分类结果；

根据所述识别分类结果，确定所述待检测图像是否属于双重压缩图像。

28.一种电子设备，包括：

处理器；

存储器，用于存储对网络平台产生数据进行处理的程序，所述程序在被所述处理器读取执行时，执行如下操作：

获取待检测图像；

基于对所述待检测图像的处理，获得至少两类特征图像；

将所述至少两类特征图像的信息输入到至少具有两个通路的神经网络中进行识别，获得识别分类结果；

根据所述识别分类结果，确定所述待检测图像是否属于双重压缩图像。

Images