CN114038030A - 图像篡改识别方法、设备及计算机存储介质 - Google Patents

图像篡改识别方法、设备及计算机存储介质 Download PDF

Info

Publication number
CN114038030A
CN114038030A CN202111194313.1A CN202111194313A CN114038030A CN 114038030 A CN114038030 A CN 114038030A CN 202111194313 A CN202111194313 A CN 202111194313A CN 114038030 A CN114038030 A CN 114038030A
Authority
CN
China
Prior art keywords
image
target
detection frame
external expansion
target object
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.)
Pending
Application number
CN202111194313.1A
Other languages
English (en)
Inventor
吴凡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hengrui Chongqing Artificial Intelligence Technology Research Institute Co ltd
Original Assignee
Hengrui Chongqing Artificial Intelligence Technology Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hengrui Chongqing Artificial Intelligence Technology Research Institute Co ltd filed Critical Hengrui Chongqing Artificial Intelligence Technology Research Institute Co ltd
Priority to CN202111194313.1A priority Critical patent/CN114038030A/zh
Publication of CN114038030A publication Critical patent/CN114038030A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请提供一种图像篡改识别方法、设备及计算机存储介质，主要包括检测图像中的目标对象，确定包含目标对象的目标检测框；根据图像中的目标检测框的位置信息，针对目标检测框执行外扩处理，获得目标对象的外扩检测框；识别外扩检测框中的目标图像，获得目标对象被篡改或未被篡改的识别结果。借此，本申请可以精准地识别图像中的目标对象是否被篡改，并具有更强的泛化能力。

Description

图像篡改识别方法、设备及计算机存储介质
技术领域
本申请实施例涉及视频识别技术领域，特别涉及一种云视频方法、设备及计算机存储介质。
背景技术
人脸识别技术在生活中的应用越来越广泛，并已成为个人身份鉴别的重要手段。但伴随着其便捷性与友好性，用户身份被冒充的风险也大大提升。例如一些不法分子可利用包含面部信息的打印纸张、面具，达到伪造他人身份的目的，从而实现对人脸识别***的攻击。
目前，对于这类常见的攻击方式的判别已经纳入到人脸识别***中。然而，随着智能手机拍摄分辨率的提升以及功能强大的图像处理软件的推陈出新，使得图像编辑篡改的门槛越来越低，篡改结果也越来越真实，这也促使了人脸拼接篡改这一新的伪造他人身份的方法的产生。当前，如何判别这种更加真实的伪造他人身份的攻击方式已经成为人脸识别技术的更大挑战。
现有针对人脸拼接篡改的判别方法主要分为两种：
其一为基于人工特征的方法：这类方法首先需要人为地对人脸篡改图像进分析，而后，有针对性的设计出特定的处理流程以及特征提取算子。例如，将图像从RGB空间转换到HSV空间，并分离出三个基色平面分量、再采用SIFT算法完成图像关键点的特征提取，最后通过特征点匹配完成篡改图像的判别。这类算法的缺点是极度依赖人为经验信息，并且由于是有针对性的对当前人脸篡改图像设计的处理方法，当出现新的人脸篡改图像时往往泛化能力较差，因此难以应对实际人脸识别***中不同场景下可能出现的人脸篡改攻击。
其二为基于深度学习的方法：深度学习是目前人工智能领域最新研究趋势之一，它通过构造一个多层的非线性特征提取网络抽象出输入图像的高层次信息，从而实现对图像的自主表达。然而，目前针对图像拼接篡改检测的深度学习方法大多基于目标检测框架改进，如双流Faster RCNN。由于这类方法可同时完成图像拼接篡改的判断和定位，因此包含特征提取网络以及候选区生成网络两个部分，导致了算法架构较为复杂，此外还需要对输入数据同时进行RGB流和噪音流的处理，无论训练和还是测试均较为耗时。而对于人脸识别***，较长的人脸验证时长会极大降低用户的使用体验，同时也会难以满足对实时性要求较高的场景。
有鉴于此，亟需一种泛化能力强且识别时间短的人脸篡改识别技术。
发明内容
鉴于上述问题，本申请提供一种图像篡改识别方法、设备及计算机存储介质，具有泛化能力强，处理效率高的优点。
本申请第一方面提供一种图像篡改识别方法，其包括：检测图像中的目标对象，确定包含所述目标对象的目标检测框；根据所述图像中的所述目标检测框的位置信息，针对所述目标检测框执行外扩处理，获得所述目标对象的外扩检测框；以及识别所述外扩检测框中的目标图像，获得所述目标对象被篡改或未被篡改的识别结果。
本申请第二方面提供一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行上述第一方面所述的方法。
本申请第三方面提供一种图像篡改识别设备，其包括图像检测模块，用于检测图像中的目标对象，确定包含所述目标对象的目标检测框；图像处理模块，用于根据所述图像中的所述目标检测框的位置信息，针对所述目标检测框执行外扩处理，获得所述目标对象的外扩检测框；图像识别模块，识别所述外扩检测框中的目标图像，获得所述目标对象被篡改或未被篡改的识别结果。
综上所述，本申请实施例提供的图像篡改识别方法、设备及计算机存储介质，通过获取图像中目标对象中的目标检测框，并针对目标检测框执行外扩处理，再通过识别外扩检测框中的目标图像，以获得目标对象是否被篡改的识别结果，借此，本申请仅需针对人脸拼接篡改图像进行判别，而无需进行篡改定位，可以简化篡改识别的处理步骤，使得本申请的篡改识别技术能够实现毫秒级别的识别反馈，适合在各类应用场景中使用，亦可提高用户的使用体验。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本申请第一实施例的图像篡改识别方法的流程示意图。
图2为本申请第二实施例的图像篡改识别方法的流程示意图。
图3为本申请第三实施例的图像篡改识别方法的流程示意图。
图4为本申请图像检测模型的结构示意图。
图5为本申请图像检测模型中的各倒置残差块的内部结构示意图。
图6为本申请第五实施例的图像篡改识别设备的架构示意图。
元件标号
600：图像篡改识别设备；602：图像检测模块；604：图像处理模块；606：图像识别模块。
具体实施方式
为了使本领域的人员更好地理解本申请实施例中的技术方案，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，所描述的实施例仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本申请实施例保护的范围。
如上述背景技术部分所述，目前的人脸拼接篡改判别技术存在泛化能力较差，且处理时间较长的缺点，有鉴于此，本申请提供一种图像篡改识别方法、设备及计算机存储介质，可改善背景技术中的种种技术问题，以下将结合各附图详细描述本申请的各实施例。
第一实施例
图1示出了本申请第一实施例的图像篡改识别方法的流程示意图。如图所示，本实施例主要包括以下处理步骤：
步骤S102，检测图像中的目标对象，确定包含目标对象的目标检测框。
可选地，可根据预设人脸检测规则，检测图像中的人脸对象，确定包含人脸对象的目标检测框。
步骤S104，根据图像中的目标检测框的位置信息，针对目标检测框执行外扩处理，获得目标对象的外扩检测框。
可选地，可识别图像中的目标检测框的任一角点的角点位置以及目标检测框的长度和宽度，据以确定目标检测框的位置信息。
例如，可通过人脸检测器针对图像进行人脸检测，获取目标检测框的左上角点在图像中的角点位置以及目标检测框的宽度和高度，并据以确定目标检测框(即人脸对象)的位置信息：(x0,y0,w0,h0)，其中，x0，y0表示目标检测框的左上角点的坐标，w0，h0分别表示目标检测框的宽度信息和高度信息。
可选地，可根据目标检测框的位置信息以及预设外扩倍数，针对目标检测框执行外扩处理，获取外扩检测框。
于本实施例中，外扩检测框与目标检测框的面积比满足预设外扩倍数，其中，目标检测框的目标中心点距离外扩检测框的左边框的最短距离与目标中心点距离外扩检测框的右边框的最短距离为相等，目标中心点距离外扩检测框的上边框的最短距离为目标中心点距离外扩检测框的下边框的最短距离的三倍。
可选地，预设外扩倍数可介于1.4倍至1.8倍之间。
较佳地，预设外扩倍数可设置为1.6倍。
具体地，由于人脸拼接篡改图像的拼接痕迹更集中于整体的头部边缘部分，因此为了更加充分的暴露篡改图像的拼接痕迹，使得后续的特征提取网络能够提取到更为明显的图像拼接特征，本申请针对包含人脸对象的目标检测框执行一步的外扩处理，以将人脸的头部边缘部分完整地纳入后续的识别范围中。
于本实施例中，当预设外扩倍数设置为1.6倍时，则目标检测框的上、下、左、右的外扩倍数可分别设为0.45，0.15，0.3，0.3(如图2所示)，再根据目标检测框的位置信息(x0,y0,w0,h0)以及上述上、下、左、右的外扩倍数，即可获得外扩检测框的位置信息(x1,y1,w1,h1)：
Figure BDA0003302439780000051
步骤S106，识别外扩检测框中的目标图像，获得目标对象被篡改或未被篡改的识别结果。
于本实施例中，可利用包含特征提取网络和分类网络的图像检测模型，识别外扩检测框中的目标图像，获得目标对象被篡改或未被篡改的识别结果。
综上所述，本实施例的图像篡改识别方法通过针对包含目标对象的目标检测执行外扩处理，以基于外扩检测框识别图像中的目标对象是否被篡改，借由上述的外扩处理手段，可使得目标对象的边缘部分充分暴露在识别区域中，使得后续的图像检测模型能够提取到更为明显的图像拼接特征，借以提高图像篡改识别结果的准确性。
第二实施例
图2示出了本申请第二实施例的图像篡改识别方法的处理流程图。其中，本实施例的处理流程可在上述步骤S104之后并在步骤S106之前执行。如图所示，本实施例主要包括以下处理步骤：
步骤S202，基于预设图像尺寸，调整外扩检测框中的目标图像的尺寸，获得目标图像的调整图像。
可选地，可根据图像中的外扩检测框的位置信息，获取包含人脸对象的目标图像。
可选地，可将目标图像统一调整为128*128的图像大小，但并不以此为限，亦可调整为其他的图像大小，可根据实际需求进行任意调整。
步骤S204,基于预设锐化规则、调整图像中的各像素点对应的各灰度值，针对调整图像执行锐化处理，获得调整图像的锐化图像。
可选地，预设锐化规则可表示为：
Figure BDA0003302439780000061
其中，3*3矩阵为锐化核，Iinput表示调整图像中各像素点对应的各灰度值，Ioutput表示锐化图像中各像素点对应的各增强灰度值。
综上所述，本实施例的图像篡改识别方法，通过针对外扩检测框中的目标图像执行大小调整以及锐化处理，可有助于提高后续图像识别结果的准确性。
第三实施例
图3示出了本申请第三实施例的图像篡改识别方法的流程示意图。本实施例主要示出了上述步骤S106的具体实施方案，如图所示，本实施例主要包括以下步骤：
步骤S302，利用图像检测模型的特征提取网络针对目标图像执行特征提取，获取目标图像的图像特征。
可选地，可直接将步骤S104所输出的外扩检测框中的目标图像输入到图像检测模型中进行检测，抑或将步骤S204所输出的经过大小调整以及锐化处理后的目标图像输入至图像检测模型中进行检测。
可选地，如图4所示，本实施例的特征提取网络可包括依次连接的十个倒置残差块，其中，各倒置残差块可依次针对目标图像执行特征提取，输出包含256特征维度的图像特征。
具体的，原始的轻量化网络(例如，MobileNet v2)，一般同于通用场景的图像特征提取，由于通用场景下类间图像特征纹理相差较大，而人脸数据的类间结构的和纹理的差异都相对较小，并且数据量也远远不及通用场景的数据，因此很有可能在训练中产生过拟合的问题。此外，在实际应用中，参数较多的模型往往也会增加推理时间，进而影响用户的使用体验。综合考虑这两个方面的因素，本实施例针对原始的轻量化网络(MobileNet v2)中的倒置残差块(Inverted Residual block)的个数进行压缩，由原始的17个降低为10个，可将特征提取网络所输出的特征维度由原有的1280降低至256，借此，可在确保不影响图像识别准确性的前提下，有效缩短网络推理时间，以提高用户使用体验。
于本实施例中，各倒置残差块的内部结构如图5所示，首先通过一个1*1的卷积层(卷积层后接批量归一化(Batch Normalization)层和ReLu激活层)进行“扩张”，即提升特征图的通道数，其次利用3×3的卷积层进一步提取特征，之后再通过一个不含有Relu激活的1*1的卷积层降低特征通道以实现参数的压缩，最后再将输入特征与1*1卷积的输出进行逐像素的相加，得到输出。
此外，本实施例的特征提取网络除可采用MobileNet v2模型之外，亦可采用EfficientNet系列模型。
步骤S304，利用图像检测模型的分类网络针对图像特征进行分类识别，获得目标对象为真或假的分类结果。
如图4所示，于本实施例中，分类网络包括全局平均池化层、全连接层、Softmax层，其中，全连接层的输入维度即为特征提取网络输出的特征维度，亦即，256特征维度。
步骤S306，若获得目标对象为真的分类结果，则输出目标对象未被篡改的识别结果，若获得目标对象为假的分类结果，则输出目标对象被篡改的识别结果。
综上所述，本实施例通过对原始的特征提取网络进行改进，设计了一个仅包含10各倒置残差块的更加轻量化的特征提取网络，不仅可以提升网络推理速度，亦可更好地满足各类实际场景的应用需求，提高了使用者的使用体验。
第四实施例
本申请第四实施例提供一种计算机存储介质，所述计算机存储介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行第一实施例至第三实施例中任一实施例所述的方法。
第五实施例
图6示出了本申请第五实施例的图像篡改识别设备的架构示意图。如图所示，本实施例的图像篡改识别设备600主要包括图像检测模块602、图像处理模块604、图像识别模块606。
图像检测模块602用于检测图像中的目标对象，确定包含所述目标对象的目标检测框。
可选地，图像检测模块602还包括根据预设人脸检测规则，检测所述图像中的人脸对象，确定包含所述人脸对象的所述目标检测框。
图像处理模块604用于根据所述图像中的所述目标检测框的位置信息，针对所述目标检测框执行外扩处理，获得所述目标对象的外扩检测框。
可选地，图像处理模块604还包括识别所述图像中的所述目标检测框的任一角点的角点位置以及所述目标检测框的长度和宽度，确定所述目标检测框的所述位置信息。
可选地，图像处理模块604还包括根据所述目标检测框的所述位置信息以及预设外扩倍数，针对所述目标检测框执行外扩处理，获取所述外扩检测框；其中，所述外扩检测框与所述目标检测框的面积比满足所述预设外扩倍数，所述目标检测框的目标中心点距离所述外扩检测框的左边框的最短距离与所述目标中心点距离所述外扩检测框的右边框的最短距离为相等，所述目标中心点距离所述外扩检测框的上边框的最短距离为所述目标中心点距离所述外扩检测框的下边框的最短距离的三倍。
可选地，所述预设外扩倍数介于1.4倍至1.8倍之间，较佳地，所述预设外扩倍数为1.6倍。
可选地，图像处理模块604还包括基于预设图像尺寸，调整所述外扩检测框中的所述目标图像的尺寸，获得所述目标图像的调整图像。
可选地，图像处理模块604还包括基于预设锐化规则、所述调整图像中的各像素点对应的各灰度值，针对所述调整图像执行锐化处理，获得所述调整图像的锐化图像；
所述预设锐化规则表示为：
Figure BDA0003302439780000091
其中，所述3*3矩阵为锐化核，所述Iinput表示所述调整图像中各所述像素点对应的各所述灰度值，所述Ioutput表示所述锐化图像中各所述像素点对应的各增强灰度值。
图像识别模块606识别所述外扩检测框中的目标图像，获得所述目标对象被篡改或未被篡改的识别结果。
可选地，图像识别模块606还包括利用图像检测模型的特征提取网络针对所述目标图像执行特征提取，获取所述目标图像的图像特征；利用所述图像检测模型的分类网络针对所述图像特征进行分类识别，获得所述目标对象为真或假的分类结果；以及若获得所述目标对象为真的分类结果，输出所述目标对象未被篡改的识别结果，若获得所述目标对象为假的分类结果，输出所述目标对象被篡改的识别结果。
可选地，所述特征提取网络包括依次连接的十个倒置残差块，各所述倒置残差块依次针对所述目标图像执行特征提取，输出包含256特征维度的所述图像特征。
可选地，所述分类网络包括全局平均池化层、全连接层、Softmax层。
此外，本发明实施例的图像篡改识别设备600还可用于实现前述各图像篡改识别方法实施例中的其他步骤，并具有相应的方法步骤实施例的有益效果，在此不再赘述。
综上所述，本申请各实施例的图像篡改识别方法、设备及计算机存储介质首先锁定图像中的人脸部分，以生成目标检测框，借此，可以避免由于对原始图像缩放产生的脸部图像细节破坏和精度损失的问题。
其次，本申请通过针对目标检测框执行外扩、大小调整以及锐化处理，可以充分暴露头部的边缘部分，以更有利于后续网络的特征提取与判别，能够有效提升判断准确度。
再者，本申请通过一个更轻量的特征提取网络完成对经过预处理的人脸图像的类别判定，相比于原始mobilenet v2和efficientnet系列模型，本申请图像检测模型具有更少的参数量以及更小的计算量，可有效提升模型的推理速度，以满足各类实际场景的应用需求，提升用户的使用体验。
最后应说明的是：以上实施例仅用以说明本申请实施例的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (12)

1.一种图像篡改识别方法，其特征在于，包括：
检测图像中的目标对象，确定包含所述目标对象的目标检测框；
根据所述图像中的所述目标检测框的位置信息，针对所述目标检测框执行外扩处理，获得所述目标对象的外扩检测框；以及
识别所述外扩检测框中的目标图像，获得所述目标对象被篡改或未被篡改的识别结果。
2.根据权利要求1所述的图像篡改识别方法，其特征在于，所述检测图像中的目标对象，确定包含所述目标对象的目标检测框包括：
根据预设人脸检测规则，检测所述图像中的人脸对象，确定包含所述人脸对象的所述目标检测框。
3.根据权利要求2所述的图像篡改识别方法，其特征在于，所述方法还包括：
识别所述图像中的所述目标检测框的任一角点的角点位置以及所述目标检测框的长度和宽度，确定所述目标检测框的所述位置信息。
4.根据权利要求3所述的图像篡改识别方法，其特征在于，所述根据所述图像中的所述目标检测框的位置信息，针对所述目标检测框执行外扩处理，获得所述目标对象的外扩检测框包括：
根据所述目标检测框的所述位置信息以及预设外扩倍数，针对所述目标检测框执行外扩处理，获取所述外扩检测框；
其中，所述外扩检测框与所述目标检测框的面积比满足所述预设外扩倍数，所述目标检测框的目标中心点距离所述外扩检测框的左边框的最短距离与所述目标中心点距离所述外扩检测框的右边框的最短距离为相等，所述目标中心点距离所述外扩检测框的上边框的最短距离为所述目标中心点距离所述外扩检测框的下边框的最短距离的三倍。
5.根据权利要求4所述的图像篡改识别方法，其特征在于，所述预设外扩倍数介于1.4倍至1.8倍之间，较佳地，所述预设外扩倍数为1.6倍。
6.根据权利要求4所述的图像篡改识别方法，其特征在于，所述方法还包括：
基于预设图像尺寸，调整所述外扩检测框中的所述目标图像的尺寸，获得所述目标图像的调整图像。
7.根据权利要求6所述的图像篡改识别方法，其特征在于，所述方法还包括：
基于预设锐化规则、所述调整图像中的各像素点对应的各灰度值，针对所述调整图像执行锐化处理，获得所述调整图像的锐化图像；
所述预设锐化规则表示为：
Figure FDA0003302439770000021
其中，所述3*3矩阵为锐化核，所述Iinput表示所述调整图像中各所述像素点对应的各所述灰度值，所述Ioutput表示所述锐化图像中各所述像素点对应的各增强灰度值。
8.根据权利要求1或7所述的图像篡改识别方法，其特征在于，所述识别所述外扩检测框中的目标图像，获得所述目标对象被篡改或未被篡改的识别结果包括：
利用图像检测模型的特征提取网络针对所述目标图像执行特征提取，获取所述目标图像的图像特征；
利用所述图像检测模型的分类网络针对所述图像特征进行分类识别，获得所述目标对象为真或假的分类结果；以及
若获得所述目标对象为真的分类结果，输出所述目标对象未被篡改的识别结果，若获得所述目标对象为假的分类结果，输出所述目标对象被篡改的识别结果。
9.根据权利要求8所述的图像篡改识别方法，其特征在于，所述特征提取网络包括依次连接的十个倒置残差块，各所述倒置残差块依次针对所述目标图像执行特征提取，输出包含256特征维度的所述图像特征。
10.根据权利要求9所述的图像篡改识别方法，其特征在于，所述分类网络包括全局平均池化层、全连接层、Softmax层。
11.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行权利要求1至10中任一项所述的方法。
12.一种图像篡改识别设备，其特征在于，包括：
图像检测模块，用于检测图像中的目标对象，确定包含所述目标对象的目标检测框；
图像处理模块，用于根据所述图像中的所述目标检测框的位置信息，针对所述目标检测框执行外扩处理，获得所述目标对象的外扩检测框；
图像识别模块，识别所述外扩检测框中的目标图像，获得所述目标对象被篡改或未被篡改的识别结果。
CN202111194313.1A 2021-10-13 2021-10-13 图像篡改识别方法、设备及计算机存储介质 Pending CN114038030A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111194313.1A CN114038030A (zh) 2021-10-13 2021-10-13 图像篡改识别方法、设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111194313.1A CN114038030A (zh) 2021-10-13 2021-10-13 图像篡改识别方法、设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN114038030A true CN114038030A (zh) 2022-02-11

Family

ID=80141280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111194313.1A Pending CN114038030A (zh) 2021-10-13 2021-10-13 图像篡改识别方法、设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN114038030A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114943703A (zh) * 2022-05-24 2022-08-26 闫雪 多分量p图区域分析***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114943703A (zh) * 2022-05-24 2022-08-26 闫雪 多分量p图区域分析***
CN114943703B (zh) * 2022-05-24 2023-09-05 闫雪 多分量p图区域分析***

Similar Documents

Publication Publication Date Title
US11830230B2 (en) Living body detection method based on facial recognition, and electronic device and storage medium
CN110084135B (zh) 人脸识别方法、装置、计算机设备及存储介质
CN112381775B (zh) 一种图像篡改检测方法、终端设备及存储介质
KR101896357B1 (ko) 객체를 검출하는 방법, 디바이스 및 프로그램
KR101781358B1 (ko) 디지털 영상 내의 얼굴 인식을 통한 개인 식별 시스템 및 방법
CN110838119B (zh) 人脸图像质量评估方法、计算机装置及计算机可读存储介质
CN111275685A (zh) 身份证件的翻拍图像识别方法、装置、设备及介质
CN113361495A (zh) 人脸图像相似度的计算方法、装置、设备及存储介质
CN111339897B (zh) 活体识别方法、装置、计算机设备和存储介质
CN112528902B (zh) 一种基于3d人脸模型的视频监控动态人脸识别方法及装置
CN111582155B (zh) 活体检测方法、装置、计算机设备和存储介质
CN116229528A (zh) 一种活体掌静脉检测方法、装置、设备及存储介质
CN111259792A (zh) 基于dwt-lbp-dct特征的人脸活体检测方法
CN112990047B (zh) 一种结合面部角度信息的多姿态人脸验证方法
CN114038030A (zh) 图像篡改识别方法、设备及计算机存储介质
JP2007026308A (ja) 画像処理方法、画像処理装置
CN111723614A (zh) 交通信号灯识别方法及装置
CN113705307A (zh) 图像处理方法、装置、设备及存储介质
Rahman et al. Real-time face-based auto-focus for digital still and cell-phone cameras
JP2010257324A (ja) 画像処理装置、画像処理方法及びプログラム
CN114612798B (zh) 基于Flow模型的卫星图像篡改检测方法
CN116071625B (zh) 深度学习模型的训练方法、目标检测方法及装置
CN115880787A (zh) 一种人脸活体检测方法、***、终端设备及存储介质
CN117392409A (zh) 工服识别方法、装置、设备及计算机可读存储介质
CN117952878A (zh) 图像处理方法、装置、计算机设备及计算机可读存储介质

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