CN113435485A - 图片检测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开公开了图片检测方法、装置、电子设备及存储介质，涉及计算机技术领域。具体实现方案为：通过获取待检测图片，输入至卷积神经网络CNN模型，在待检测图片与第一样品图片的相似度小于第一预设值且大于第二预设值的情况下，将待检测图片标记为待二次检测图片；将待二次检测图片输入至编辑距离检测模型，在待二次检测图片与第二样本图片的编辑距离小于第三预设值的情况下，判定待二次检测图片与第二样本图片为相同图片。由此，利用CNN模型对待检测图片进行一次识别确认，编辑距离模型对标记的待二次检测图片进行二次识别确认，使得图片检测具有很好的识别鲁棒性，能够进一步提高检测识别图片的准确率。

Description

图片检测方法、装置、电子设备及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种图片检测方法和装置、电子设备及存储介质。

背景技术

随着互联网技术和多媒体技术的高速发展，互联网中的图片呈现井喷式爆发增长，在海量的图片中不乏夹杂着一些包含不良内容的图片，对图片存储网站带来很大风控风险；因此，如何准确有效的识别这些包含不良内容的图片并进行相应的处理尤为重要。

相关技术中，采用基于人工审核的方式，识别此类图片，但是人力成本过高，一个训练有素的审核人员平均审核图片每天约几千张，在当前海量的图片场景下难以实施，而且还存在漏检和误检的情况。

发明内容

本公开提供了一种图片检测方法、装置、电子设备及存储介质。

根据本公开的一方面，提供一种图片检测方法，包括：获取待检测图片；将所述待检测图片输入至卷积神经网络CNN模型，与相似向量检索库中的第一样本图片进行对比；在所述待检测图片与所述第一样品图片的相似度小于第一预设值且大于第二预设值的情况下，将所述待检测图片标记为待二次检测图片；将所述待二次检测图片输入至编辑距离检测模型，与哈希Hash检索库中的第二样本图片进行对比；在所述待二次检测图片与所述第二样本图片的编辑距离小于第三预设值的情况下，判定所述待二次检测图片与所述第二样本图片为相同图片。由此，利用CNN模型对待检测图片进行一次识别确认，编辑距离模型对标记的待二次检测图片进行二次识别确认，使得图片检测具有很好的识别鲁棒性，能够进一步提高检测识别图片的准确率。

根据本公开的第二方面，提供了一种图片检测装置，包括：检测图片获取单元、CNN模型处理单元、第一判定单元、编辑距离模型处理单元和第二判定单元。

其中，检测图片获取单元，用于获取待检测图片；CNN模型处理单元，用于将所述待检测图片输入至卷积神经网络CNN模型，与相似向量检索库中的第一样本图片进行对比；第一判定单元，用于在所述待检测图片与所述第一样品图片的相似度小于第一预设值且大于第二预设值的情况下，将所述待检测图片标记为待二次检测图片；编辑距离模型处理单元，用于将所述待二次检测图片输入至编辑距离检测模型，与哈希Hash检索库中的第二样本图片进行对比；第二判定单元，用于在所述待二次检测图片与所述第二样本图片的编辑距离小于第三预设值的情况下，判定所述待二次检测图片与所述第二样本图片为相同图片。

根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述第一方面中任一项所述的方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行所述第一方面中任一项所述的方法。

根据本公开的第五方面，提出了一种计算机程序产品，其特征在于，当所述计算机程序产品中的指令处理器执行时实现如上述第一方面中任一项所述的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本申请第一实施例的示意图；

图2是根据本申请第二实施例的示意图；

图3是根据本申请第二实施例的另一示意图；

图4是根据本申请第一实施例的另一示意图；

图5是根据本申请第三实施例的示意图；

图6是根据本申请第四实施例的示意图；

图7是根据本申请第四实施例的另一示意图；

图8是根据本申请第三实施例的另一示意图；

图9是用来实现本公开实施例的图片检测方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。

本公开提供一种图片检测方法，图1是根据本公开第一实施例的示意图。

如图1所示，该方法包括：

S1：获取待检测图片。

本公开实施例中，待检测图片可以是用户直接上传的图片，或者需要审核图片的一个或多个第三方应用通过接入端口上传的图片。且可以理解的是，待检测图片可以是一张或多张，可以是获取一张待检测图片，也可以是获取多张待检测图片，本公开实施例对此并不做具体限制。

S2：将待检测图片输入至卷积神经网络CNN模型，与相似向量检索库中的第一样本图片进行对比。

本公开实施例中，将待检测图片输入至卷积神经网络CNN模型，与相似向量检索库中的第一样本图片进行对比，其中，相似向量检索库中包括多个样本图片，第一样本图片可以为相似向量检索库中的样本图片中的任一个，可以分别将相似向量检索库中的样本图片作为第一样本图片与待检测图片进行对比。

S3：在待检测图片与第一样品图片的相似度小于第一预设值且大于第二预设值的情况下，将待检测图片标记为待二次检测图片。

其中，第一预设值和第二预设值的取值可以根据需要进行任意设置，本公开实施例对此不做具体限制。

可以理解的是，第一预设值和第二预设值的取值设置得越高，则说明待检测图片与第一样品图片的需要有较高的相似度，反之，第一预设值和第二预设值的取值越低，则说明设置的待检测图片与第一样品图片的可以具有较低的相似度。

本公开实施例中，待检测图片与第一样本图片的相似度小于第一预设值且大于第二预设值，则意味着待检测图片与第一样本图片具有一定的相似性，但是相似性不高，此时，本公开实施例中并不是将相似性不高的待检测图片作为与第一样本图片的不同图片而不识别出来，而是将其进行标记为待二次检测图片，进而被标记的待检测图片可以继续后续步骤的处理。

S4：将待二次检测图片输入至编辑距离检测模型，与哈希Hash检索库中的第二样本图片进行对比。

本公开实施例中，将待二次检测图片输入至海明距离检测模型，与Hash检索库中的第二样本图片进行对比，其中，Hash检索库中包括多个样本图片，第二样本图片可以为Hash检索库中的样本图片中的任一个，可以分别将Hash检索库中的样本图片作为第二样本图片与待检测图片进行对比。

S5：在待二次检测图片与第二样本图片的编辑距离小于第三预设值的情况下，判定待二次检测图片与第二样本图片为相同图片。

其中，第三预设值可以视具体情况而进行任意设置，可以理解的是，第三预设值设置得越低，也即待二次检测图片与第二样本图片的编辑距离越小，则说明待二次检测图片与第二样本图片越相似，反之，第三预设值设置得越高，也即待二次检测图片与第二样本图片的编辑距离越大，则说明待二次检测图片与第二样本图片差异越大。

本公开实施例提供的图片检测方法，通过获取待检测图片；将待检测图片输入至卷积神经网络CNN模型，与相似向量检索库中的第一样本图片进行对比；在待检测图片与第一样品图片的相似度小于第一预设值且大于第二预设值的情况下，将待检测图片标记为待二次检测图片；将待二次检测图片输入至编辑距离检测模型，与哈希Hash检索库中的第二样本图片进行对比；在待二次检测图片与第二样本图片的编辑距离小于第三预设值的情况下，判定待二次检测图片与第二样本图片为相同图片。由此，利用CNN模型对待检测图片进行一次识别确认，编辑距离模型对标记的待二次检测图片进行二次识别确认，使得图片检测具有很好的识别鲁棒性，能够进一步提高检测识别图片的准确率。

图2为本公开第二实施例的示意图。

如图2所示，本公开实施例提供的图片检测方法，包括：

S10：获取待检测图片。

本公开实施例中S10的描述说明可以参见上述实施例中的S1中的描述，此处不再赘述。

S20：将待检测图片输入至CNN模型，获取待检测图片的特征向量，与相似向量检索库中的第一样本图片的特征向量进行对比。

其中，CNN模型的结构包括：输入层、卷积层、激励层、池化层、全连接层和输出层等。输入层用于待检测图片数据的输入，可以理解的是，对于获取的待检测图片，是由红绿蓝(RGB)叠加而成的彩色图片。卷积层使用卷积核进行特征提取和特征映射；激励层增加非线性映射；池化层进行下采样，对特征图稀疏处理，减少数据运算量；全连接层通常在CNN的尾部进行重新拟合，减少特征信息的损失；输出层用于输出结果，得到待检测图片的特征向量。

当然CNN模型的结构中还可以使用一些其他的功能层:归一化层在CNN模型中对特征的归一化；切分层对某些图片数据进行分区域的单独学习；融合层对独立进行特征学习的分支进行融合。

本公开实施例中，将待检测图片输入至CNN模型，生成待检测图片的特征向量，与相似向量检索库中的第一样本图片的特征向量进行对比，由于CNN模型提取图片特征具有很强的泛化能力，在图片进行旋转、格式转换、缩放、部分剪切、增加水印、增加文字、连拍等情况下，都能很好的识别，因此，采用CNN模型进行图片检测识别能够使图片检测具备一定的泛化能力。

本公开实施例中，相似向量检索库中存储了多个样本图片的特征向量，包括第一样本图片的特征向量，在获得待检测图片的特征向量之后，与相似向量检索库中的样本图片的特征向量进行对比。

S30：在待检测图片与第一样品图片的相似度小于第一预设值且大于第二预设值的情况下，将待检测图片标记为待二次检测图片。

本公开实施例中S30的描述说明可以参见上述实施例中的S3中的描述，此处不再赘述。

在一些实施例中，本公开实施例中在待检测图片与第一样品图片的相似度大于第一预设值的情况下，判定待检测图片与第一样品图片为相同图片。

其中，第一预设值的取值可以根据需要进行设置，可以理解的是，第一预设值的取值设置得越高，则说明待检测图片需要与第一样品图片的相似度也越高才能够作为与第一样本图片为相同图片被识别出来，反之，第一预设值的取值设置得越低，则说明待检测图片与第一样品图片的相似度不高也能够作为与第一样本图片为相同图片被识别出来。

但是，第一预设值的取值并不是越高越好，当取值较高的情况下，则需要待检测图片与第一样本图片非常相似才能够作为与第一样本图片为相同图片被识别出来，然而，如果将第一样本图片进行旋转，或者添加水印等简单变换，再重新作为待检测图片与第一样本图片进行对比，在第一预设值取值较高的情况下，也无法作为与第一样本图片为相同图片被识别出来，这就会导致识别准确度不高。可以理解的是，第一预设值的取值也并不是越低越好，第一预设值的取值越低，则会导致与第一样本图片差异较大的待检测图片也作为与第一样本图片为相同图片被识别出来，从而识别出原本不需要识别出的图片，也会导致识别不准确。

同样的，第二预设值的取值与第一预设值的取值具有相同的效果，基于此，设置合适的第一预设值和第二预设值的取值，能够提高待检测图片检测的准确率。

请继续参见图2，本公开实施例中，在S30之后执行S40。

S40：将待二次检测图片输入至基于离散余弦变换和质量度量的感知算法PDQ模型，生成待二次检测图片的哈希Hash串，与哈希Hash检索库中的第二样本图片的Hash串进行对比。

本公开实施例中，将待二次检测图片输入至基于离散余弦变换和质量度量的感知算法PDQ模型，生成待二次检测图片的哈希Hash串，与哈希Hash检索库中的第二样本图片的Hash串进行对比。

如图3所示，本公开实施例中S40包括如下子步骤：

S41：调整所述待二次检测图片的尺寸。

示例性地，缩小待二次检测图片的尺寸，例如：调整为512*512大小的图片。

S42：将调整后的待二次检测图片转换成亮度色彩空间YUV颜色空间，得到亮度图片。

可以理解的是，获取的待检测图片的格式为彩色图片，为红绿蓝RGB叠加而成的，本公开实施例中，将RGB彩色图片格式的待二次检测图片转换成亮度色彩空间YUV颜色空间，得到亮度图片。

S43：利用两层帐篷卷积滤波器，将亮度图片划分成多个子图片。

示例性地，利用两层帐篷卷积滤波器，将512*512大小的亮度图片划分成多个64*64大小的子图片。

S44：在子图片下采样中，计算二维离散余弦变换DCT，得到子图片对应的多个子块。

示例性地，在64*64大小的子图片下采样中，计算二维离散余弦变换DCT，得到64*64大小的子图片对应的多个16*16大小的子块。

S45：计算多个子块对应的变换空间中的多个元素的中位数。

示例性地，计算多个16*16大小的多个子块对应的变换空间中的多个元素的中位数。中位数是按顺序排列的一组多个子块对应的变换空间中的多个元素中居于中间位置的数，可以通过把所有子块对应的变换空间中的多个元素进行高低排序后找出正中间的一个作为中位数，如果子块对应的变换空间中的多个元素为偶数个，通常取最中间的两个数值的平均数作为中位数。

S46：根据子块对应的变换空间中的元素和中位数，生成待二次检测图片的Hash串。

示例性地，本公开实施例中根据16*16大小的子块对应的变换空间中的元素和中位数，生成样本图片的Hash串，具体的，对于每一个16*16大小的子块对应的变换空间中的元素大于中位数，则发出1，反之发出0，得到256位的Hash串，也即待二次检测图片的Hash串。

本公开实施例中，Hash检索库中存储了多个样本图片的Hash串，第二样本图片的Hash串可以为Hash检索库中的多个样本图片的任一个样本图片的Hash串，可以分别将Hash检索库中的样本图片的Hash串作为第二样本图片的Hash串与待二次检测图片的Hash串进行对比。

本公开实施例中，通过将待二次检测图片输入至基于离散余弦变换和质量度量的感知算法PDQ模型，生成待二次检测图片的哈希Hash串，与哈希Hash检索库中的第二样本图片的Hash串进行对比，由于PDQ模型具有一定的泛化能力，对于图片核心特征不够明显的图片却有很好得识别鲁棒性，因此，采用PDQ模型进行图片检测识别能够使图片检测具有较高的识别鲁棒性，并且，PDQ模型提取速度快，小幅度的剪切、增加文字、水印等也能够很好得识别，能够补齐CNN模型的误识别的短板。

请继续参见图2，S50：在待二次检测图片与第二样本图片的海明距离小于第三预设值的情况下，判定待二次检测图片与第二样本图片为相同图片。

本公开实施例中，在获得待二次检测图片的Hash串之后，与Hash检索库中的第二样本图片的Hash串进行对比，计算二者之间的海明距离。

具体的，在待二次检测图片与第二样本图片的海明距离小于第三预设值的情况下，判定待二次检测图片与第二样本图片为相同图片，相反，在待二次检测图片与第二样本图片的海明距离大于第三预设值的情况下，判定待二次检测图片与第二样本图片为不相同图片。

其中，第三预设值可以视具体情况而进行设置，可以理解的是，第三预设值设置得越低，也即待二次检测图片与第二样本图片的海明距离越小，则说明待二次检测图片与第二样本图片越相似，反之，第三预设值设置得越高，也即待二次检测图片与第二样本图片的海明距离越大，则说明待二次检测图片与第二样本图片差异越大。

同样的，与第一预设值和第二预设值的取值具有类似的效果，第三预设值的取值也并不是越低越好，第三预设值的取值越低，也即待二次检测图片与第二样本图片的海明距离越小，则说明待二次检测图片与第二样本图片的海明距离也越小才能够将待二次检测图片作为与第二样本图片为相同图片被识别出来，可以预见的是，如果将第二样本图片进行旋转，或者添加水印等简单变换，再重新作为待二次检测图片与第二样本图片进行对比，在第三预设值取值较低的情况下，也无法作为与第二样本图片为相同图片被识别出来，这就会导致识别准确度不高。可以理解的是，第三预设值的取值并不是越高越好，第三预设值的取值越高，则会导致与第二样本图片差异较大的待二次检测图片也作为与第二样本图片为相同图片被识别出来，从而识别出原本不需要识别出的图片，也会导致识别不准确。

基于此，设置合适的第三预设值的取值，能够提高待检测图片检测的准确率。

如图4所示，本公开实施例中提供的图片检测方法，在S1：获取待检测图片之前，还包括：

S100：获取多个样本图片。

本公开实施例中，样本图片可以是人工或者机器进行收集的。且可以理解的是，样本图片可以是一张或多张，可以是获取一张样本图片，也可以是获取多张样本图片，本公开实施例对此并不做具体限制。

S200：将样本图片输入至CNN模型，获取样本图片的特征向量，进行存储生成相似向量检索库。

本公开实施例中S300的描述说明可以参见上述实施例中的S2和S20中的部分描述，其中，将待检测图片输入至CNN模型，生成待检测图片的特征向量的相关步骤，可以同样应用于，将样本图片输入至CNN模型，生成样本图片的特征向量，本公开对此处不再赘述。

本公开实施例中，在生成样本图片的特征向量之后，对样本图片的特征向量进行存储，生成相似向量检索库。

S300：将样本图片输入至编辑距离模型，获取样本图片的Hash串，进行存储生成Hash检索库。

本公开实施例中S300的描述说明可以参见上述实施例中的S4和S40中的部分描述，其中，将待二次检测图片输入至编辑距离模型的相关步骤，可以同样应用于，将样本图片输入至编辑距离模型；将待二次检测图片输入至PDQ模型，生成待二次检测图片的Hash串的相关步骤，可以同样应用于，将样本图片输入至PDQ模型，生成样本图片的Hash串，本公开对此处不再赘述。

本公开实施例中，在生成样本图片的Hash串之后，对样本图片的Hash串进行存储，生成Hash检索库。

本公开实施例中提供的图片检测方法，通过CNN模型提取待检测图片的特征向量进行一次检测识别，再通过PDQ模型进行二次确认，使得本公开实施例中提供的图片检测方法，同时具备CNN模型的泛化能力，和PDQ模型的较高的检测识别鲁棒性。

图5为本公开第三实施例的示意图。

如图5所示，本公开第三实施例还提供一种图片检测装置10，其中，该图片检测装置10包括：检测图片获取单元11、CNN模型处理单元12、第一判定单元13、编辑距离模型处理单元14和第二判定单元15。

检测图片获取单元11用于获取待检测图片。

CNN模型处理单元12用于将待检测图片输入至卷积神经网络CNN模型，与相似向量检索库中的第一样本图片进行对比。

第一判定单元13用于在待检测图片与第一样品图片的相似度小于第一预设值且大于第二预设值的情况下，将待检测图片标记为待二次检测图片。

编辑距离模型处理单元14用于将待二次检测图片输入至编辑距离检测模型，与哈希Hash检索库中的第二样本图片进行对比。

第二判定单元15用于在待二次检测图片与第二样本图片的编辑距离小于第三预设值的情况下，判定待二次检测图片与第二样本图片为相同图片。

本公开实施例提供的图片检测装置10，通过检测图片获取单元11获取待检测图片；CNN模型处理单元12将待检测图片输入至卷积神经网络CNN模型，与相似向量检索库中的第一样本图片进行对比；第一判定单元13在待检测图片与第一样品图片的相似度小于第一预设值且大于第二预设值的情况下，将待检测图片标记为待二次检测图片；编辑距离模型处理单元14将待二次检测图片输入至编辑距离检测模型，与哈希Hash检索库中的第二样本图片进行对比；第二判定单元15在待二次检测图片与第二样本图片的编辑距离小于第三预设值的情况下，判定待二次检测图片与第二样本图片为相同图片。由此，利用CNN模型对待检测图片进行一次识别确认，编辑距离模型对标记的待二次检测图片进行二次识别确认，使得图像检测具有很好的识别鲁棒性，能够进一步提供检测识别图片的准确率。

图6是根据本公开第四实施例的示意图。

如图6所示，本公开实施例提供的一种图片检测装置20。

本公开实施例中提供的图片检测装置20，包括：检测图片获取单元21、CNN模型处理单元22、第一判定单元23、PDQ模型处理单元24和第二判定单元25。

检测图片获取单元21用于获取待检测图片。

CNN模型处理单元22用于将待检测图片输入至CNN模型，获取待检测图片的特征向量，与相似向量检索库中的第一样本图片的特征向量进行对比。

第一判定单元23用于在待检测图片与第一样品图片的相似度小于第一预设值且大于第二预设值的情况下，将待检测图片标记为待二次检测图片；还用于在待检测图片与第一样品图片的相似度大于第一预设值的情况下，判定待检测图片与第一样品图片为相同图片。

PDQ模型处理单元24用于将待二次检测图片输入至基于离散余弦变换和质量度量的感知算法PDQ模型，生成待二次检测图片的哈希Hash串，与哈希Hash检索库中的第二样本图片的Hash串进行对比。

如图7所示，在一些实施例中，PDQ模型处理单元24，包括：尺寸调节单元241、图片转换单元242、滤波处理单元243、DCT处理单元244、中位数获取单元245和Hash串获取单元246。

尺寸调节单元241用于调整待二次检测图片的尺寸。

图片转换单元242用于将调整后的待二次检测图片转换成亮度色彩空间YUV颜色空间，得到亮度图片。

滤波处理单元243用于利用两层帐篷卷积滤波器，将亮度图片划分成多个子图片。

DCT处理单元244用于在子图片下采样中，计算二维离散余弦变换DCT，得到子图片对应的多个子块。

中位数获取单元245用于计算多个子块对应的变换空间中的多个元素的中位数。

Hash串获取单元246用于根据子块对应的变换空间中的元素和中位数，生成待二次检测图片的Hash串。

请继续参见图6，本公开第四实施例中，第二判定单元25用于在待二次检测图片与第二样本图片的海明距离小于第三预设值的情况下，判定待二次检测图片与第二样本图片为相同图片。

如图8所示，本公开时实施例中图片检测装置10，还包括：样品图片获取单元100、相似向量检索库生成单元200和Hash检索库生成单元300。

样品图片获取单元100用于获取多个样本图片。

相似向量检索库生成单元200用于将样本图片输入至CNN模型，获取样本图片的特征向量，进行存储生成相似向量检索库。

Hash检索库生成单元300用于将样本图片输入至编辑距离检测模型，获取样本图片的Hash串，进行存储生成Hash检索库。

可以理解的是，本实施例附图6中的一种图片检测装置20与上述实施例中的一种图片检测装置10，检测图片获取单元21、第一判定单元23和第二判定单元25与上述实施例中的检测图片获取单元11、第一判定单元13和第二判定单元15可以具有相同的功能和结构。

需要说明的是，前述对图片检测方法的解释说明也适用于本实施例的图片检测装置，此处不再赘述。

本公开实施例中提供的图片检测方法，通过CNN模型提取待检测图片的特征向量进行一次检测识别，再通过PDQ模型进行二次确认，使得本公开实施例中提供的图片检测方法，同时具备CNN模型的泛化能力，和PDQ模型的较高的检测识别鲁棒性。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图9是用来实现本公开实施例的图片检测方法的电子设备的框图。

电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图9所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如，图片检测方法。

例如，在一些实施例中，图片检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM503并由计算单元501执行时，可以执行上文描述的图片检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图片检测方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的图片检测方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网及区块链网络。

计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式***的服务器，或者是结合了区块链的服务器。

除非上下文另有要求，否则，在整个说明书和权利要求书中，术语“包括被解释为开放、包含的意思，即为“包含，但不限于”。在说明书的描述中，术语“一些实施例”、“示例性实施例”、“示例”等旨在表明与该实施例或示例相关的特定特征、结构、材料或特性包括在本公开的至少一个实施例或示例中。上述术语的示意性表示不一定是指同一实施例或示例。此外，所述的特定特征、结构、材料或特点可以以任何适当方式包括在任何一个或多个实施例或示例中。

除非另有说明，“多个”的含义是两个或两个以上。术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。

本文中“用于”的使用意味着开放和包容性的语言，其不排除适用于或被配置为执行额外任务或步骤的设备。

另外，“基于”的使用意味着开放和包容性，因为“基于”一个或多个所述条件或值的过程、步骤、计算或其他动作在实践中可以基于额外条件或超出所述的值。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种图片检测方法，包括：

获取待检测图片；

将所述待检测图片输入至卷积神经网络CNN模型，与相似向量检索库中的第一样本图片进行对比；

在所述待检测图片与所述第一样品图片的相似度小于第一预设值且大于第二预设值的情况下，将所述待检测图片标记为待二次检测图片；

将所述待二次检测图片输入至编辑距离检测模型，与哈希Hash检索库中的第二样本图片进行对比；

在所述待二次检测图片与所述第二样本图片的编辑距离小于第三预设值的情况下，判定所述待二次检测图片与所述第二样本图片为相同图片。

2.根据权利要求1所述的方法，其中，所述将所述待检测图片输入至卷积神经网络CNN模型，与相似向量检索库中的第一样本图片进行对比，包括：

将所述待检测图片输入至所述CNN模型，获取所述待检测图片的特征向量，与相似向量检索库中的所述第一样本图片的特征向量进行对比。

3.根据权利要求1或2所述的方法，其中，还包括：

在所述待检测图片与所述第一样品图片的相似度大于第一预设值的情况下，判定所述待检测图片与所述第一样品图片为相同图片。

4.根据权利要求1所述的方法，其中，所述将所述待二次检测图片输入至编辑距离检测模型，与哈希Hash检索库中的第二样本图片进行对比，包括：

将所述待二次检测图片输入至基于离散余弦变换和质量度量的感知算法PDQ模型，生成所述待二次检测图片的哈希Hash串，与哈希Hash检索库中的第二样本图片的Hash串进行对比。

5.根据权利要求4所述的方法，其中，所述将所述待二次检测图片输入至基于离散余弦变换和质量度量的感知算法PDQ模型，生成所述待二次检测图片的哈希Hash串，包括：

调整所述待二次检测图片的尺寸；

将调整后的所述待二次检测图片转换成亮度色彩空间YUV颜色空间，得到亮度图片；

利用两层帐篷卷积滤波器，将所述亮度图片划分成多个子图片；

在所述子图片下采样中，计算二维离散余弦变换DCT，得到所述子图片对应的多个子块；

计算多个所述子块对应的变换空间中的多个元素的中位数；

根据所述子块对应的变换空间中的元素和所述中位数，生成所述待二次检测图片的Hash串。

6.根据权利要求4所述的方法，其中，所述在所述待二次检测图片与所述第二样本图片的编辑距离小于第三预设值的情况下，判定所述待二次检测图片与所述第二样本图片为相同图片，包括：

在所述待二次检测图片与所述第二样本图片的海明距离小于第三预设值的情况下，判定所述待二次检测图片与所述第二样本图片为相同图片。

7.根据权利要求1所述的方法，其中，在所述获取待检测图片之前，所述方法，还包括：

获取多个样本图片；

将所述样本图片输入至所述CNN模型，获取所述样本图片的特征向量，进行存储生成所述相似向量检索库；

将所述样本图片输入至所述编辑距离模型，获取样本图片的Hash串，进行存储生成所述Hash检索库。

8.一种图片检测装置，包括：

检测图片获取单元，用于获取待检测图片；

CNN模型处理单元，用于将所述待检测图片输入至卷积神经网络CNN模型，与相似向量检索库中的第一样本图片进行对比；

第一判定单元，用于在所述待检测图片与所述第一样品图片的相似度小于第一预设值且大于第二预设值的情况下，将所述待检测图片标记为待二次检测图片；

编辑距离模型处理单元，用于将所述待二次检测图片输入至编辑距离检测模型，与哈希Hash检索库中的第二样本图片进行对比；

第二判定单元，用于在所述待二次检测图片与所述第二样本图片的编辑距离小于第三预设值的情况下，判定所述待二次检测图片与所述第二样本图片为相同图片。

9.根据权利要求8所述的装置，其中，所述CNN模型处理单元，还用于将所述待检测图片输入至所述CNN模型，获取所述待检测图片的特征向量，与相似向量检索库中的所述第一样本图片的特征向量进行对比。

10.根据权利要求8或9所述的装置，其中，所述第一判定单元，还用于在所述待检测图片与所述第一样品图片的相似度大于第一预设值的情况下，判定所述待检测图片与所述第一样品图片为相同图片。

11.根据权利要求8所述的装置，其中，所述编辑距离模型处理单元，包括：

PDQ模型处理单元，用于将所述待二次检测图片输入至基于离散余弦变换和质量度量的感知算法PDQ模型，生成所述待二次检测图片的哈希Hash串，与哈希Hash检索库中的第二样本图片的Hash串进行对比。

12.根据权利要求11所述的装置，其中，所述PDQ模型处理单元，包括：

尺寸调节单元，用于调整所述待二次检测图片的尺寸；

图片转换单元，用于将调整后的所述待二次检测图片转换成亮度色彩空间YUV颜色空间，得到亮度图片；

滤波处理单元，用于利用两层帐篷卷积滤波器，将所述亮度图片划分成多个子图片；

DCT处理单元，用于在所述子图片下采样中，计算二维离散余弦变换DCT，得到所述子图片对应的多个子块；

中位数获取单元，用于计算多个所述子块对应的变换空间中的多个元素的中位数；

Hash串获取单元，用于根据所述子块对应的变换空间中的元素和所述中位数，生成所述待二次检测图片的Hash串。

13.根据权利要求11所述的装置，其中，所述第二判定单元，还用于在所述待二次检测图片与所述第二样本图片的海明距离小于第三预设值的情况下，判定所述待二次检测图片与所述第二样本图片为相同图片。

14.根据权利要求8所述的装置，其中，所述装置，还包括：

样品图片获取单元，用于获取多个样本图片；

相似向量检索库生成单元，用于将所述样本图片输入至所述CNN模型，获取所述样本图片的特征向量，进行存储生成所述相似向量检索库；

Hash检索库生成单元，用于将所述样本图片输入至所述编辑距离检测模型，获取样本图片的Hash串，进行存储生成所述Hash检索库。

15.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1至7中任一项所述的方法。

17.一种计算机程序产品，其特征在于，当所述计算机程序产品中的指令处理器执行时实现如权利要求1至7中任一所述的方法。

Images