CN114240843A - 图像检测方法、装置以及电子设备 - Google Patents

图像检测方法、装置以及电子设备 Download PDF

Info

Publication number
CN114240843A
CN114240843A CN202111384260.XA CN202111384260A CN114240843A CN 114240843 A CN114240843 A CN 114240843A CN 202111384260 A CN202111384260 A CN 202111384260A CN 114240843 A CN114240843 A CN 114240843A
Authority
CN
China
Prior art keywords
image
denoising
ith
target
model
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
CN202111384260.XA
Other languages
English (en)
Inventor
何思枫
钱烽
马环宇
张晓博
杨磊
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.)
Alipay Hangzhou Information Technology Co Ltd
Luoyang Sunrui Special Equipment Co Ltd
Original Assignee
Alipay Hangzhou Information Technology 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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202111384260.XA priority Critical patent/CN114240843A/zh
Publication of CN114240843A publication Critical patent/CN114240843A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本说明书实施例提供一种图像检测方法、图像检测装置以及电子设备，该方法包括：对于待检测的目标图像，通过去噪模型对该目标图像进行去噪处理得到目标去噪图像，其中，去噪模型能够实现实例级别的指纹提取，可以有效区分来自相同型号的不同摄像部件的图像。进一步地，根据目标图像和目标去噪图像确定目标差值噪声，以及计算目标差值噪声和摄像部件指纹数据之间的相似度，其中，摄像部件指纹数据也是基于上述去噪模型确定的。

Description

图像检测方法、装置以及电子设备
技术领域
本说明书涉及图像处理技术领域，尤其涉及一种图像检测方法、图像检测装置以及电子设备。
背景技术
在涉及到通过摄像部件进行图像采集的场景中，如：实物监测、调查取证、人脸核验等，所采集图像数据的可信度是极为关键的。因此保证摄像头图像或者视频数据的高度可信，才能够将相关图像或视频运用至相关处理或调查研究中。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本说明书的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本说明书的目的在于提供一种图像检测方法、图像检测装置以及电子设备，至少在一定程度上提升了对图像检测精准度。
本说明书的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本说明书的实践而习得。
根据本说明书的一个方面，提供一种图像检测方法，该方法包括：获取目标图像；通过去噪模型对上述目标图像进行去噪处理得到目标去噪图像，其中，上述去噪模型分别对第一图像和第二图像进行去噪处理得到第一去噪图像和第二去噪图像，且上述第一去噪图像和上述第二去噪图像的相似度小于第一预设值，上述第一图像和上述第二图像分别来自设置有相同型号的摄像部件的不同设备；根据上述目标图像和上述目标去噪图像确定目标差值噪声；以及，计算上述目标差值噪声和指纹数据库中第k指纹数据之间的相似度，其中，上述指纹数据库中包含L个摄像部件的指纹数据，且上述指纹数据基于上述去噪模型确定，k取值为1至L中的每一个整数且包含1和L，L为正整数。
根据本说明书的另一个方面，提供一种图像检测装置，该装置包括：图像获取模块、图像去噪模块、噪声数据确定模块，以及图像检测模块。
其中，上述图像获取模块，用于获取目标图像；上述图像去噪模块，用于通过去噪模型对上述目标图像进行去噪处理得到目标去噪图像，其中，上述去噪模型分别对第一图像和第二图像进行去噪处理得到第一去噪图像和第二去噪图像，且上述第一去噪图像和上述第二去噪图像的相似度小于第一预设值，上述第一图像和上述第二图像分别来自设置有相同型号的摄像部件的不同设备；上述噪声数据确定模块，用于根据上述目标图像和上述目标去噪图像确定目标差值噪声；以及，上述图像检测模块，用于计算上述目标差值噪声和指纹数据库中第k指纹数据之间的相似度，其中，上述指纹数据库中包含L个摄像部件的指纹数据，且上述指纹数据基于上述去噪模型确定，k取值为1至L中的每一个整数且包含1和L，L为正整数。
根据本说明书的再一个方面，提供一种电子设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上述实施例中的图像检测方法。
本说明书的实施例所提供的图像检测方法与装置以及电子设备，具备以下技术效果：
本说明书示例性的实施例提供的方案中，去噪模型能够实现实例级别的指纹提取，对来自不同设备且相同型号摄像部件的图像进行去噪处理之后可以得到不同的去噪图像，也就是说即使来自相同型号摄像部件的图像，也能够利用该去噪模型进行有效区分，从而实现实例级别的去噪处理。若是去噪模型只能区分来自不同型号的摄像部件的图像的去噪模型，则不能达到本方案具备的检测精度。具体地，一方面，基于上述去噪模型对目标图像进行去噪处理，可以得到精度较高的差值噪声，从而有利于提升检测准确度；另一方面，基于上述去噪模型确定多摄像部件分别对应的指纹数据得到指纹数据库，鉴于上述去噪模型能够实现实例级别的去噪处理，因此能够有效提取各个摄像部件的指纹数据，且不同摄像部件的指纹数据之间相似度低，有利于提升与目标图像的检测精准度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的图像检测方案的***构架示意图。
图2为本说明书一实施例提供的图像检测方法的流程示意图。
图3为本说明书另一实施例提供的图像检测方法的流程示意图。
图4为本说明书一实施例提供的去噪模型的训练方法的流程示意图。
图5为本说明书另一实施例提供的去噪模型的训练方法的流程示意图。
图6为本说明书一实施例提供的指纹数据库的确定方法的流程示意图。
图7为本说明书另一实施例提供的指纹数据库的确定方法的流程示意图。
图8为本说明书一实施例提供的图像检测装置的结构示意图。
图9为本说明书另一实施例提供的图像检测装置的结构示意图。
图10为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合附图对本说明书实施例方式作进一步地详细描述。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本说明书将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本说明书的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本说明书的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本说明书的各方面变得模糊。
此外，附图仅为本说明书的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在涉及到通过摄像部件进行图像采集的场景中，如：实物监测、调查取证、人脸核验等，需保证所采集图像数据的可信度，从而才能够将相关图像或视频运用至相关处理或调查研究中。本说明书实施例提供了一种具有较高辨别精准度的图像检测方式，可以通过检测目标图像的差值噪声与指纹数据库中的指纹数据之间的相似度确定目标图像来自于哪个摄像部件。进一步地，在一些可能的应用场景中，若需要判断目标图像是否由某些摄像部件中的任意一个摄像部件产生，也即预先可以知道指纹数据库中包含哪些摄像部件的指纹数据，若检测结果表明目标图像来自于指纹数据库中的任意一个摄像部件，则可确定目标图像的可信度。
通过本说明书实施例的方案用于保证从硬件(摄像部件)到数据(图像或者视频)过程是可信的(如，图像S来自摄像部件X)，从而说明图像是可信的。具体的，本说明书实施例提出：由于图像中的一些由摄像部件传感器硬件产生的微弱噪点信号，通过本说明书实施例提取将这些噪点信号，从而产生由图像数据到摄像部件之间的关联信息，进一步地，通过确定这些噪点信号与相关摄像部件的指纹数据之间的相似度来确定该图像是由该摄像部件所生成。
其中，摄像头的指纹数据(也称硬件指纹数据)是由摄像部件传感器硬件加工的不均匀性产生的，在由该摄像部件产生的图像中显示为微弱噪点信号。而基于摄像部件传感器加工时的不理想性确定为该摄像部件的指纹数据，用于对不同摄像部件进行认证和区分。
可见，不同型号的摄像部件的指纹数据是不同的。需要说明的是，相同型号的摄像部件若被安装于不同的设备中，其分别对应的指纹数据并不相同，也就是说相同型号的不同摄像部件，对应的指纹数据不同。然而，能够实现类别级别(category-level)的指纹提取的去噪模型，只能区分来自不同型号的摄像部件的图像，而不能区分来自设置在不同设备中但属相同型号的摄像部件的图像，从而导致对图像检测精准度较低。
示例性的，图1为本说明书实施例提供的图像检测方案的***构架示意图。
如图1所示，***架构100可以包括终端110、网络120以及服务端130。其中，终端110、网络120以及服务端130之间通过网络120连接。
示例性的，终端110可以是包含摄像部件的手机、电脑、平板等，也可以是具有摄像功能的摄像头等监测设备，如，摄像头。对于安装有摄像部件的终端110在出厂之前还可以获取其指纹数据(将在下述实施例中具体介绍)。网络120可以是能够在终端110和服务器130之间提供通信链路的各种连接类型的通信介质，例如可以是有线通信链路、无线通信链路或者光纤电缆等等，本说明书在此不做限制。服务器130可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、以及大数据和人工智能平台等基础云计算服务的云服务器。
其中，服务器130可以用于对去噪模型的训练(将在下述实施例中具体介绍)，还可以存储训练后的去噪模型，从而可以接收终端110发送来的目标图像，并通过去噪模型确定目标图像的差值噪声，以及还可以用于确定关于不同摄像部件的指纹数据库(将在下述实施例中具体介绍)。
可以理解的是，终端110也可以存储训练后的去噪模型，从而，终端110可以不利用网络120将目标图像发送至服务器130，而是直接通过自身存储的去噪模型对目标图像进行去噪处理得到相应的差值噪声。另外，上述指纹数据库也可以存储于终端110，从而，终端110可以不利用网络120将目标图像的差值噪声发送至服务器130，而是直接通过自身存储的指纹数据库，来计算目标图像的差值噪声与相关指纹数据的相似度，以确定对目标图像可信度。
可见，本公开实施例所提供的图像检测方法可以由服务器130中的任何一个节点执行。相应地，图像检测装置设置于服务器130中。另外，本公开实施例所提供的图像检测方法也可以由终端110执行，相应的，图像检测装置也可以设置于相应的终端110中，本示例性实施例中对此不做特殊限定。
以下先通过图2至图7对本说明书提供的图像检测方法实施例进行详细阐述：
示例性的，图2为本说明书实施例提供的图像检测方法的流程示意图。参考图2，该实施例所示方法包括：S210-S240。
在S210中，获取目标图像。
示例性的，本实施例中目标图像为任一待检测的图像，例如参考图3中的目标图像31。通过本实施例提供的图像检测方案来确定该目标图像由哪个摄像部件拍摄。从而可以根据该目标图像的来源(由哪个摄像部件拍摄)来确定该图像的可信度。
在示例性的实施例中，上述目标图像采用未加工格式(RAW)的图像。由于RAW格式的图像为CMOS或者CCD图像感应器将捕捉到的光源信号转化为数字信号的原始数据，而非经图像压缩处理之后的格式(如，JPG格式等)，以保证图像安全性。具体的，如社交网络中较为流行的JPG等格式的压缩处理后的图像，其所携带的指纹信息与对应的RAW格式图像的指纹信息并不相同，而未经压缩处理的RAW格式图像中所携带的指纹数据能够反映对应摄像部件的指纹信息。从而本方案采用RAW格式的目标图像，能够有效防止攻击者利用社交网络图片实现图像造假，进而有效提升了图像安全性，进而实现摄像头数据的设备可信，有利于保证数据在后续应用中的可信度。
在S220中，通过去噪模型对目标图像进行去噪处理得到目标去噪图像，其中，去噪模型对第一图像和第二图像分别进行去噪处理得到第一去噪图像和第二去噪图像，且第一去噪图像和第二去噪图像的相似度小于第一预设值，第一图像和第二图像分别来自设置有相同型号的摄像部件的不同设备。以及，在S230中，根据目标图像和目标去噪图像确定目标差值噪声。
示例性的，参考图3，去噪模型(Denoiser)310能够实现实例级别(instancelevel)的指纹提取，进而能够对图像实现实例级别的去噪处理。从而对来自不同设备且相同型号摄像部件的图像进行去噪处理之后可以得到不同的去噪图像，即使来自相同型号摄像部件的图像，也能够利用该去噪模型进行有效区分。若是仅能够实现类别级别(category-level)的指纹提取的去噪模型(只能区分来自不同型号的摄像部件的图像的去噪模型)，则不能达到本方案具备的检测精度。
需要说明的是，关于上述实例级别去噪模型310的训练过程，将在图4以及图5所对应的实施例中进行详细介绍。
本实施例中，参考图3，基于上述去噪模型310对目标图像31进行指纹提取，得到目标去噪图像32。进一步地，结合目标图像31和目标去噪图像32得到目标差值噪声33。基于本技术方案提供的去噪模型进行去噪处理，可以得到精度较高的差值噪声，从而有利于提升检测准确度。
在S240中，计算目标差值噪声和指纹数据库中第k指纹数据之间的相似度，其中，指纹数据库中包含L个摄像部件的指纹数据，且指纹数据基于去噪模型确定，k取值为1至L中的每一个整数且包含1和L，L为正整数。
示例性的，针对L个摄像部件中的每个摄像部件(第k个，k取值为1至L中的每一个整数且包含1和L)，将来自第k摄像部件的M帧图像34输入装置上述实例级别的去噪模型310，基于该去噪模型310来确定关于上述L个摄像部件的指纹数据库320。需要说明的是，关于通过上述实例级别去噪模型310确定上述指纹数据库320的过程，将在图6以及图7所对应的实施例中进行详细介绍。
可见本实施例中，基于上述去噪模型确定多摄像部件分别对应的指纹数据得到指纹数据库，鉴于上述去噪模型能够实现实例级别的去噪处理，因此能够有效提取各个摄像部件的指纹数据，且不同摄像部件的指纹数据之间相似度低，有利于提升与目标图像的检测精准度。
在示例性的实施例中，若上述目标差值噪声与上述第k指纹数据之间的相似度大于第四预设值，则确定上述目标图像由上述第k指纹数据对应的摄像部件拍摄。若上述目标差值噪声与上述第k指纹数据之间的相似度不大于第四预设值，则确定上述目标图像并非由上述第k指纹数据对应的摄像部件拍摄。其中，上述第四预设值根据实际情况设置。
以下通过图4和图5对上述实例级别去噪模型310的训练的实施例进行详细介绍。关于执行训练上述实例级别去噪模型的服务器可以是区别于执行如2所示方法的服务器。参考图4，该图所示实施例包括：S410和S420。
在S410中，获取N组样本(N个三元组)，第i组样本包括第i锚图像，与第i锚图像来自同一设备的同一摄像部件的第i正类图像，以及与锚图像来不同摄像部件的第i负类图像，N为正整数，i取值为1至N中的每一个整数且包含1和N。
本实施例中，为了实现通过去噪模型实现实例级别地获取指纹数据，获取关于图像的N组训练样本。其中，第i(i取值为1至N中的每一个整数且包含1和N)组样本包括第i锚图像Ianchori，与第i锚图像来自同一设备的同一摄像部件的第i正类图像Ipositivei，以及与锚图像来不同摄像部件的第i负类图像Inegativei。
在S420中，将第i组样本机器学习模型，并通过度量学习的方式训练机器学习模型得到去噪模型，其中，第i锚图像经过去噪模型处理后得到第i锚差值噪声，第i正类图像经过机器学习模型处理后得到第i正类差值噪声，第i负类图像经过机器学习模型处理后得到第i负类差值噪声，第i锚差值噪声与第i正类差值噪声之间的相似度大于第二预设值，且第i锚差值噪声与第i负类差值噪声之间的相似度小于第三预设值。
参考图5，将第i组训练样本中的第i锚图像Ianchori、第i正类图像Ipositivei以及第i负类图像Inegativei分别输入三个参数共享的Denoiser，分别经过三个Denoiser之后输出对应的差值噪声(第i锚图像Ianchori对应的第i锚差值噪声、第i正类图像Ipositivei对应的第i正类差值噪声，以及，第i负类图像Inegativei对应的第i负类差值噪声)。进一步地，利用度量学习挖掘训练数据之间的距离关系，训练的权值共享的三个Denoiser网络。示例性的，利用损失函数Triplet Loss，拉近每组训练样本中Ianchori的差值噪声和Ipositivei的差值噪声的相似度，拉远Ianchori的差值噪声和Inegativei的差值噪声的相似度。示例性的，第i锚差值噪声与第i正类差值噪声之间的相似度大于第二预设值，且第i差值噪声与第i负类差值噪声之间的相似度小于第三预设值。其中，第二预设值与第三预设值可以根据实际需要设置。
在示例性的实施例中，还可以利用孪生网络挖掘正例和负例的差值噪声信号的差异性，或者其他度量学习损失函数包括但不限于contrastive loss等。
在示例性的实施例中，还可以获取测试样本对训练过程中的去噪模型进行测试，在去噪模型达到预设评价指标后用于目标图像的去噪处理和/或用于指纹数据库的确定。其中，上述评价指标可以指：准确率、精确率、召回率以及ROC曲线等。
通过图4和图5所对应实施例确定的去噪模型，能够实现实例级别的指纹提取，对来自不同设备且相同型号摄像部件的图像进行去噪处理之后可以得到不同的去噪图像，也就是说即使来自相同型号摄像部件的图像，也能够利用该去噪模型进行有效区分，从而实现实例级别的去噪处理；若是只能区分来自不同型号的摄像部件的图像的去噪模型，则具备本方案提供的去噪模型使同一型号的不同摄像部件上依然具有比较好的区分度的技术效果。
本说明书实施例中，一方面，基于上述去噪模型对目标图像进行去噪处理，可以得到精度较高的差值噪声，从而有利于提升检测准确度(如上述图4和图5所对应的实施例)。另一方面，基于上述去噪模型确定多摄像部件分别对应的指纹数据得到指纹数据库，鉴于上述去噪模型能够实现实例级别的去噪处理，因此能够有效提取各个摄像部件的指纹数据，且不同摄像部件的指纹数据之间相似度低，有利于提升与目标图像的检测精准度(如下述图6和图7所对应的实施例)。
以下通过图6和图7详细介绍通过上述实例级别去噪模型310确定上述指纹数据库320的实施例。具体地，图6示出了获取任一摄像部件(第k摄像部件)的指纹数据(第k指纹数据)的过程。参考图6，该图所示实施例包括：S610-S640。
在S610中，获取来自第k摄像部件的M帧图像，M为大于1的整数。
在示例性的实施例中，用于确定摄像部件k的指纹数据的M帧的图像来自于摄像部件k，且M帧图像的格式不做限定。本实施例中，采用第k摄像部件的RAW格式的数据来确定该摄像部件的指纹数据。参考图7，第k摄像部件的M帧未加工图像具体可以表示为:RAW图像#1、RAW图像#2、……RAW图像#M。需要说明的是，上述M帧图像也可以是来自第k摄像部件的其他格式的图像。
示例性的，上述每帧图像可以利用表示为：
I＝I_id+I_id×γ+e
其中，I为第k摄像部件传感器输出的RAW格式的图像，I_id为理想情况下第k摄像部件传感器输出的无噪声图像，γ为第k摄像部件的指纹数据，e为其他的噪声数据。
在S620中，将第j帧图像输入去噪模型，得到第j去噪图像，j取值为1至M中的每一个整数且包含1和M。以及，在S630中，根据第j图像与第j去噪图像确定第j差值噪声，得到关于M帧未加工图像的M个差值噪声。
仍以未加工图像为例，参考图7，将第k摄像部件的M帧未加工图像(如图7表示为：RAW图像#1、RAW图像#2、……RAW图像#M)中的RAW图像#1输入上述去噪模型Denoiser，得到去噪图像#1，进一步地，根据RAW图像#1和去噪图像#1得到关于RAW图像#1的差值噪声(可以记作“差值噪声#1”)。依次类推，可以得到第k摄像部件的M帧未加工图像分别对应的差值噪声。
在S640中，对M个差值噪声进行统计计算，得到关于第k摄像部件的第k指纹数据。
在示例性的实施例中，第j差值噪声包括上述第k指纹数据和关于上述第j帧未加工图像的其余噪声数据，且M帧未加工图像对应的M个其余噪声数据符合高斯分布。即，假设通过去噪模型Denoiser可以获取的理想去噪图像为I_dj，则可以由此获取差值噪声为：
r＝I-I_dj＝I×γ+e'
其中，e'归入了除了γ之外的所有其他的噪音，且其余噪声数据e'一般符合高斯分布，即均值为0。
因此，根据来自第k摄像部件的上述M帧图像和上述M个差值噪声进行极大似然估计(如下式)，可以得到关于第k摄像部件的第k指纹数据：
Figure BDA0003362613340000111
其中，rj表示第j差值噪声，Ij表示第j帧图像。
由于k取值为1至L中的每一个整数且包含1和L，可以根据图6所示实施例确定包含L个摄像部件的指纹数据的指纹数据库320。
示例性的，关于执行获取摄像部件的指纹数据的服务器可以是区别于执行如2所示方法的服务器。示例性的，在手机等设置有摄像部件的终端出厂之前，可以通过上述方式批量地获取各个终端对应的指纹数据。还可以在终端出厂之后，获取终端产生的多帧图像(如，可以是RAW格式图像)，并根据上述方法确定该终端的指纹数据。
继续参考图2以及图3，在S240中计算目标差值噪声33和指纹数据库320中任一指纹数据之间的相似度35。示例性的，若指纹数据库320中的第k指纹数据与上述目标差值噪声33之间的相似度大于第四预设值，说明上述目标图像31是由第k指纹数据对应的摄像部件产生的。在一些可能的应用场景中，若需要判断目标图像是否由某些摄像部件中的任意一个摄像部件产生，也即预先可以知道指纹数据库中包含哪些摄像部件的指纹数据。若经检测可确定目标图像31由该指纹数据库中的第k指纹数据对应的摄像部件产生，则可确定目标图像31具备设备可信度，则可以进一步地将目标图像31应用为区块链数据，进而保证了数据的可信上链。
示例性的，在上述可能的应用场景中，若指纹数据库320中的任一指纹数据与上述目标差值噪声33之间的相似度均不大于第四预设值，说明上述目标图像31并非由上述指纹库对应的任一摄像部件产生的，说明上述目标图像31并不具备设备可信度，则可以进一步地将目标图像31进行标记处理或将上述目标图像舍弃。
本说明书实施例能够有效防止社交网络收集用户照片提取指纹后攻击***，并且在去噪图像获取的过程中，生成instance-level的图像三元组，利用度量学习的方式得到一个较好的去噪算法，从而使我们的设备可信算法在同一型号的不同摄像头上依然具有较高的区分度。本说明书实施例可以确保摄像头图像或者视频数据来自特定的摄像部件。进一步地，将可信数据进行上区块链的操作保证，由于区块链的不可篡改性，由此便可以实现从设备采集到数据处理的全链路可信。而本技术方案可以保证上链数据是可信的，因此保证了链上数据的源头可信。
需要注意的是，上述附图仅是根据本说明书示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本说明书装置实施例，可以用于执行本说明书方法实施例。对于本说明书装置实施例中未披露的细节，请参照本说明书方法实施例。
其中，图8示出了可以应用本说明书一实施例的图像检测装置的结构示意图。请参见图8，该图所示的图像检测装置可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分，还可以作为独立的模块集成于服务器上，还可以作为独立的模块集成于电子设备中。
本说明书实施例中的图像检测装置800，包括：图像获取模块810、图像去噪模块820、噪声数据确定模块830，以及图像检测模块840。
其中，上述图像获取模块810，用于获取目标图像；上述图像去噪模块820，用于通过去噪模型对上述目标图像进行去噪处理得到目标去噪图像，其中，上述去噪模型分别对第一图像和第二图像进行去噪处理得到第一去噪图像和第二去噪图像，且上述第一去噪图像和上述第二去噪图像的相似度小于第一预设值，上述第一图像和上述第二图像分别来自设置有相同型号的摄像部件的不同设备；上述噪声数据确定模块830，用于根据上述目标图像和上述目标去噪图像确定目标差值噪声；以及，上述图像检测模块840，用于计算上述目标差值噪声和指纹数据库中第k指纹数据之间的相似度，其中，上述指纹数据库中包含L个摄像部件的指纹数据，且上述指纹数据基于上述去噪模型确定，k取值为1至L中的每一个整数且包含1和L，L为正整数。
在示例性的实施例中，图9示意性示出了根据本说明书另一示例性的实施例中图像检测装置的结构图。请参见图9：
在示例性的实施例中，基于前述方案，上述目标图像为由摄像部件产生的未经过压缩处理过的未加工图像。
在示例性的实施例中，基于前述方案，上述图像检测装置800还包括：样本获取模块850和模型训练模块860。
其中，上述样本获取模块850用于在上述图像去噪模块820通过去噪模型对上述目标图像进行去噪处理得到目标去噪图像之前，获取N组样本，第i组样本包括第i锚图像，与上述第i锚图像来自同一设备的同一摄像部件的第i正类图像，以及与上述锚图像来不同摄像部件的第i负类图像，N为正整数，i取值为1至N中的每一个整数且包含1和N；以及，上述模型训练模块860用于将上述第i组样本中的锚图像分别输入机器学习模型，并通过度量学习的方式训练上述机器学习模型得到上述去噪模型，其中，上述第i锚图像经过上述去噪模型处理后得到第i去噪图像，上述与第i正类图像经过上述机器学习模型处理后得到第i正类去噪图像，上述第i负类图像经过上述机器学习模型处理后得到第i负类去噪图像，上述第i去噪图像与上述第i正类去噪图像之间的相似度大于第二预设值，且上述第i去噪图像与第i负类去噪图像之间的相似度小于第三预设值。
在示例性的实施例中，基于前述方案，上述模型训练模块860具体用于将上述第i组样本中的第i锚图像、第i正类图像及第i负类图像分别输入参数共享的三个机器学习模型中，并通过度量学习的方式同步训练上述三个机器学习模型，得到上述去噪模型。
在示例性的实施例中，基于前述方案，上述N组样本中的图像锚图像和正类图像均为由摄像部件产生的未经过压缩处理过的未加工图像。
在示例性的实施例中，基于前述方案，上述图像检测装置800还包括：指纹数据确定模块870。
其中，上述指纹数据确定模块870用于：
在上述图像获取模块810获取目标图像之前，获取来自第k摄像部件的M帧图像，M为大于1的整数；将第j帧图像输入上述去噪模型，得到第j去噪图像，j取值为1至M中的每一个整数且包含1和M；根据上述第j帧图像与上述第j去噪图像确定第j差值噪声，得到关于上述M帧图像的M个差值噪声；以及，对上述M个差值噪声进行统计计算，得到关于上述第k摄像部件的第k指纹数据。
在示例性的实施例中，基于前述方案，上述指纹数据确定模块870具体用于：根据上述M帧图像和上述M个差值噪声进行极大似然估计，得到关于上述第k摄像部件的第k指纹数据。
在示例性的实施例中，基于前述方案，上述图像检测装置800还包括：摄像部件确定模块880。
其中，上述摄像部件确定模块880用于：在上述图像检测模块840计算上述目标差值噪声和指纹数据库中第k指纹数据之间的相似度之后，若上述目标差值噪声与第k指纹数据之间的相似度大于第四预设值，则确定上述目标图像由上述第k指纹数据对应的摄像部件拍摄。
需要说明的是，上述实施例提供的图像检测装置在执行图像检测方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
另外，上述实施例提供的图像检测装置与图像检测方法实施例属于同一构思，因此对于本说明书装置实施例中未披露的细节，请参照本说明书上述的图像检测方法的实施例，这里不再赘述。
上述本说明书实施例序号仅仅为了描述，不代表实施例的优劣。
本说明书实施例还提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一实施例方法的步骤。
图10示意性示出了根据本说明书一示例性的实施例中电子设备的结构图。请参见图10所示，电子设备1000包括有：处理器1001和存储器1002。
本说明书实施例中，处理器1001为计算机***的控制中心，可以是实体机的处理器，也可以是虚拟机的处理器。处理器1001可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1001可以采用数字信号处理(DigitalSignalProcessing，DSP)、现场可编程门阵列(Field－ProgrammableGateArray，FPGA)、可编程逻辑阵列(ProgrammableLogicArray，PLA)中的至少一种硬件形式来实现。处理器1001也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。
在本说明书实施例中，上述处理器1001具体用于：
获取目标图像；通过去噪模型对上述目标图像进行去噪处理得到目标去噪图像，其中，上述去噪模型分别对第一图像和第二图像进行去噪处理得到第一去噪图像和第二去噪图像，且上述第一去噪图像和上述第二去噪图像的相似度小于第一预设值，上述第一图像和上述第二图像分别来自设置有相同型号的摄像部件的不同设备；根据上述目标图像和上述目标去噪图像确定目标差值噪声；计算上述目标差值噪声和指纹数据库中第k指纹数据之间的相似度，其中，上述指纹数据库中包含L个摄像部件的指纹数据，且上述指纹数据基于上述去噪模型确定，k取值为1至L中的每一个整数且包含1和L，L为正整数。
进一步地，上述目标图像为由摄像部件产生的未经过压缩处理过的未加工图像。
进一步地，处理器1001还用于：获取N组样本，第i组样本包括第i锚图像，与上述第i锚图像来自同一设备的同一摄像部件的第i正类图像，以及与上述锚图像来不同摄像部件的第i负类图像，N为正整数，i取值为1至N中的每一个整数且包含1和N；通过上述N组样本中的锚图像分别输入机器学习模型，并通过度量学习的方式训练上述机器学习模型得到上述去噪模型，其中，上述第i锚图像经过上述机器学习模型处理后得到第i锚差值噪声，上述第i正类图像经过上述机器学习模型处理后得到第i正类差值噪声，上述第i负类图像经过上述机器学习模型处理后得到第i负类差值噪声，上述第i锚差值噪声与上述第i正类差值噪声之间的相似度大于第二预设值，且上述第i差值噪声与第i负类差值噪声之间的相似度小于第三预设值。
进一步地，上述将上述第i组样本输入机器学习模型，并通过度量学习的方式训练上述机器学习模型得到上述去噪模型，处理器1001具体用于：将上述第i组样本中的第i锚图像、第i正类图像及第i负类图像分别输入参数共享的三个机器学习模型中，并通过度量学习的方式同步训练上述三个机器学习模型，得到上述去噪模型。
进一步地，处理器1001还用于：获取来自第k摄像部件的M帧图像，M为大于1的整数；将第j帧图像输入上述去噪模型，得到第j去噪图像，j取值为1至M中的每一个整数且包含1和M；根据上述第j帧图像与上述第j去噪图像确定第j差值噪声，得到关于上述M帧图像的M个差值噪声；对上述M个差值噪声进行统计计算，得到关于上述第k摄像部件的第k指纹数据。
进一步地，上述对上述M个差值噪声进行统计计算，得到关于上述第k摄像部件的第k指纹数据，处理器1001具体用于：根据上述M帧图像和上述M个差值噪声进行极大似然估计，得到关于上述第k摄像部件的第k指纹数据。
进一步地，处理器1001还用于：在上述计算上述目标差值噪声和指纹数据库中第k指纹数据之间的相似度之后，若上述目标差值噪声与第k指纹数据之间的相似度大于第四预设值，则确定上述目标图像由上述第k指纹数据对应的摄像部件拍摄。
存储器1002可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1002还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在本说明书的一些实施例中，存储器1002中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器1001所执行以实现本说明书实施例中的方法。
一些实施例中，电子设备1000还包括有：***设备接口1003和至少一个***设备。处理器1001、存储器1002和***设备接口1003之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口1003相连。具体地，***设备包括：显示屏1004、摄像头1005和音频电路1006中的至少一种。
***设备接口1003可被用于将输入/输出(Input/Output，I/O)相关的至少一个***设备连接到处理器1001和存储器1002。在本说明书的一些实施例中，处理器1001、存储器1002和***设备接口1003被集成在同一芯片或电路板上；在本说明书的一些其他实施例中，处理器1001、存储器1002和***设备接口1003中的任意一个或两个可以在单独的芯片或电路板上实现。本说明书实施例对此不作具体限定。
显示屏1004用于显示用户界面(UserInterface，UI)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1004是触摸显示屏时，显示屏1004还具有采集在显示屏1004的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1001进行处理。此时，显示屏1004还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在本说明书的一些实施例中，显示屏1004可以为一个，设置电子设备1000的前面板；在本说明书的另一些实施例中，显示屏1004可以为至少两个，分别设置在电子设备1000的不同表面或呈折叠设计；在本说明书的再一些实施例中，显示屏1004可以是柔性显示屏，设置在电子设备1000的弯曲表面上或折叠面上。甚至，显示屏1004还可以设置成非矩形的不规则图形，也即异形屏。显示屏1004可以采用液晶显示屏(Liquid CrystalDisplay，LCD)、有机发光二极管(OrganicLight-EmittingDiode，OLED)等材质制备。
摄像头1005用于采集图像或视频。可选地，摄像头1005包括前置摄像头和后置摄像头。通常，前置摄像头设置在电子设备的前面板，后置摄像头设置在电子设备的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及虚拟现实(VirtualReality，VR)拍摄功能或者其它融合拍摄功能。在本说明书的一些实施例中，摄像头1005还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路1006可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1001进行处理。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在电子设备1000的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。
电源1007用于为电子设备1000中的各个组件进行供电。电源1007可以是交流电、直流电、一次性电池或可充电电池。当电源1007包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
本说明书实施例中示出的电子设备结构框图并不构成对电子设备1000的限定，电子设备1000可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
在本说明书的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本说明书中的具体含义。此外，在本说明书的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
需要注意的是，上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述，仅为本说明书的具体实施方式，但本说明书的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本说明书揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本说明书的保护范围之内。因此，依本说明书权利要求所作的等同变化，仍属本说明书所涵盖的范围。

Claims (15)

1.一种图像检测方法，其中，所述方法包括：
获取目标图像；
通过去噪模型对所述目标图像进行去噪处理得到目标去噪图像，其中，所述去噪模型分别对第一图像和第二图像进行去噪处理得到第一去噪图像和第二去噪图像，且所述第一去噪图像和所述第二去噪图像的相似度小于第一预设值，所述第一图像和所述第二图像分别来自设置有相同型号的摄像部件的不同设备；
根据所述目标图像和所述目标去噪图像确定目标差值噪声；
计算所述目标差值噪声和指纹数据库中第k指纹数据之间的相似度，其中，所述指纹数据库中包含L个摄像部件的指纹数据，且所述指纹数据基于所述去噪模型确定，k取值为1至L中的每一个整数且包含1和L，L为正整数。
2.根据权利要求1所述的方法，其中，所述目标图像为由摄像部件产生的未经过压缩处理过的未加工图像。
3.根据权利要求1所述的方法，其中，在所述通过去噪模型对所述目标图像进行去噪处理得到目标去噪图像之前，所述方法还包括：
获取N组样本，第i组样本包括第i锚图像，与所述第i锚图像来自同一设备的同一摄像部件的第i正类图像，以及与所述锚图像来不同摄像部件的第i负类图像，N为正整数，i取值为1至N中的每一个整数且包含1和N；
将所述第i组样本输入机器学习模型，并通过度量学习的方式训练所述机器学习模型得到所述去噪模型，其中，所述第i锚图像经过所述机器学习模型处理后得到第i锚差值噪声，所述第i正类图像经过所述机器学习模型处理后得到第i正类差值噪声，所述第i负类图像经过所述机器学习模型处理后得到第i负类差值噪声，所述第i锚差值噪声与所述第i正类差值噪声之间的相似度大于第二预设值，且所述第i差值噪声与第i负类差值噪声之间的相似度小于第三预设值。
4.根据权利要求3所述的方法，其中，所述将所述第i组样本输入机器学习模型，并通过度量学习的方式训练所述机器学习模型得到所述去噪模型，包括：
将所述第i组样本中的第i锚图像、第i正类图像及第i负类图像分别输入参数共享的三个机器学习模型中，并通过度量学习的方式同步训练所述三个机器学习模型，得到所述去噪模型。
5.根据权利要求1至4中任意一项所述的方法，其中，在所述获取目标图像之前，所述方法还包括：
获取来自第k摄像部件的M帧图像，M为大于1的整数；
将第j帧图像输入所述去噪模型，得到第j去噪图像，j取值为1至M中的每一个整数且包含1和M；
根据所述第j帧图像与所述第j去噪图像确定第j差值噪声，得到关于所述M帧图像的M个差值噪声；
对所述M个差值噪声进行统计计算，得到关于所述第k摄像部件的第k指纹数据。
6.根据权利要求5所述的方法，其中，所述对所述M个差值噪声进行统计计算，得到关于所述第k摄像部件的第k指纹数据，包括：
根据所述M帧图像和所述M个差值噪声进行极大似然估计，得到关于所述第k摄像部件的第k指纹数据。
7.根据权利要求1所述的方法，其中，在所述计算所述目标差值噪声和指纹数据库中第k指纹数据之间的相似度之后，所述方法还包括：
若所述目标差值噪声与所述第k指纹数据之间的相似度大于第四预设值，则确定所述目标图像由所述第k指纹数据对应的摄像部件拍摄。
8.一种图像检测装置，其中，所述装置包括：
图像获取模块，用于获取目标图像；
图像去噪模块，用于通过去噪模型对所述目标图像进行去噪处理得到目标去噪图像，其中，所述去噪模型分别对第一图像和第二图像进行去噪处理得到第一去噪图像和第二去噪图像，且所述第一去噪图像和所述第二去噪图像的相似度小于第一预设值，所述第一图像和所述第二图像分别来自设置有相同型号的摄像部件的不同设备；
噪声数据确定模块，用于根据所述目标图像和所述目标去噪图像确定目标差值噪声；
图像检测模块，用于计算所述目标差值噪声和指纹数据库中第k指纹数据之间的相似度，其中，所述指纹数据库中包含L个摄像部件的指纹数据，且所述指纹数据基于所述去噪模型确定，k取值为1至L中的每一个整数且包含1和L，L为正整数。
9.根据权利要求8所述的装置，其中，所述目标图像为由摄像部件产生的未经过压缩处理过的未加工图像。
10.根据权利要求8所述的装置，其中，所述装置还包括：
样本获取模块，用于在所述图像去噪模块通过去噪模型对所述目标图像进行去噪处理得到目标去噪图像之前，获取N组样本，第i组样本包括第i锚图像，与所述第i锚图像来自同一设备的同一摄像部件的第i正类图像，以及与所述锚图像来不同摄像部件的第i负类图像，N为正整数，i取值为1至N中的每一个整数且包含1和N；
模型训练模块，用于将所述第i组样本输入机器学习模型，并通过度量学习的方式训练所述机器学习模型得到所述去噪模型，其中，所述第i锚图像经过所述去噪模型处理后得到第i去噪图像，所述与第i正类图像经过所述机器学习模型处理后得到第i正类去噪图像，所述第i负类图像经过所述机器学习模型处理后得到第i负类去噪图像，所述第i去噪图像与所述第i正类去噪图像之间的相似度大于第二预设值，且所述第i去噪图像与第i负类去噪图像之间的相似度小于第三预设值。
11.根据权利要求10所述的装置，所述模型训练模块具体用于：
将所述第i组样本中的第i锚图像、第i正类图像及第i负类图像分别输入参数共享的三个机器学习模型中，并通过度量学习的方式同步训练所述三个机器学习模型，得到所述去噪模型。
12.根据权利要求8至11中任意一项所述的装置，其中，所述装置还包括：指纹数据确定模块；
其中，所述指纹数据确定模块用于：在所述图像获取模块获取目标图像之前，获取来自第k摄像部件的M帧图像，M为大于1的整数；将第j帧图像输入所述去噪模型，得到第j去噪图像，j取值为1至M中的每一个整数且包含1和M；根据所述第j帧图像与所述第j去噪图像确定第j差值噪声，得到关于所述M帧图像的M个差值噪声；以及，对所述M个差值噪声进行统计计算，得到关于所述第k摄像部件的第k指纹数据。
13.根据权利要求12所述的装置，其中，所述指纹数据确定模块具体用于：根据所述M帧图像和所述M个差值噪声进行极大似然估计，得到关于所述第k摄像部件的第k指纹数据。
14.根据权利要求8所述的装置，其中，所述装置还包括：摄像部件确定模块；
所述摄像部件确定模块用于：在所述图像检测模块计算所述目标差值噪声和指纹数据库中第k指纹数据之间的相似度之后，若所述目标差值噪声与所述第k指纹数据之间的相似度大于第四预设值，则确定所述目标图像由所述第k指纹数据对应的摄像部件拍摄。
15.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的图像检测方法。
CN202111384260.XA 2021-11-18 2021-11-18 图像检测方法、装置以及电子设备 Pending CN114240843A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111384260.XA CN114240843A (zh) 2021-11-18 2021-11-18 图像检测方法、装置以及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111384260.XA CN114240843A (zh) 2021-11-18 2021-11-18 图像检测方法、装置以及电子设备

Publications (1)

Publication Number Publication Date
CN114240843A true CN114240843A (zh) 2022-03-25

Family

ID=80750309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111384260.XA Pending CN114240843A (zh) 2021-11-18 2021-11-18 图像检测方法、装置以及电子设备

Country Status (1)

Country Link
CN (1) CN114240843A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115439451A (zh) * 2022-09-09 2022-12-06 哈尔滨市科佳通用机电股份有限公司 一种铁路货车转向架弹簧托板的去噪检测方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014163597A2 (en) * 2013-04-05 2014-10-09 Uludağ Üni̇versi̇tesi̇ Tto Anonymization system and method for digital images
WO2015145091A1 (fr) * 2014-03-28 2015-10-01 Universite De Technologie De Troyes Système d'identification d'un modèle d'appareil photographique associe a une image compressée au format jpeg, procédé, utilisations et applications associes
US9525866B1 (en) * 2016-04-18 2016-12-20 The United States Of America As Represented By The Director, National Security Agency Building a digital camera fingerprint from cropped or corrupted images
CN108154080A (zh) * 2017-11-27 2018-06-12 北京交通大学 一种视频设备快速溯源的方法
CN109034230A (zh) * 2018-07-17 2018-12-18 厦门大学 一种基于深度学习的单幅图像相机溯源方法
CN111553848A (zh) * 2020-03-20 2020-08-18 西安电子科技大学 监控视频溯源处理方法、***、存储介质、视频监控终端
CN111598787A (zh) * 2020-04-01 2020-08-28 西安电子科技大学 生物雷达图像去噪方法、装置、电子设备及其存储介质
CN112767360A (zh) * 2021-01-21 2021-05-07 湖南大学 一种基于感光器件噪声指纹的溯源***
CN113344791A (zh) * 2021-07-05 2021-09-03 中山大学 基于空洞卷积和特征融合的双目超分辨率图像检测方法、***及介质
CN113343863A (zh) * 2021-06-11 2021-09-03 北京邮电大学 融合表征网络模型训练方法、指纹表征方法及其设备
CN113537407A (zh) * 2021-08-31 2021-10-22 平安医疗健康管理股份有限公司 基于机器学习的图像数据评价处理方法及装置
CN113537088A (zh) * 2021-07-20 2021-10-22 杭州人云数字科技有限公司 基于小样本学习的数字图像传感器硬件指纹匹配方法与***
CN113609954A (zh) * 2021-07-30 2021-11-05 西安交通大学 一种基于深度学习的社交网络图像源识别方法及***

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014163597A2 (en) * 2013-04-05 2014-10-09 Uludağ Üni̇versi̇tesi̇ Tto Anonymization system and method for digital images
WO2015145091A1 (fr) * 2014-03-28 2015-10-01 Universite De Technologie De Troyes Système d'identification d'un modèle d'appareil photographique associe a une image compressée au format jpeg, procédé, utilisations et applications associes
US9525866B1 (en) * 2016-04-18 2016-12-20 The United States Of America As Represented By The Director, National Security Agency Building a digital camera fingerprint from cropped or corrupted images
CN108154080A (zh) * 2017-11-27 2018-06-12 北京交通大学 一种视频设备快速溯源的方法
CN109034230A (zh) * 2018-07-17 2018-12-18 厦门大学 一种基于深度学习的单幅图像相机溯源方法
CN111553848A (zh) * 2020-03-20 2020-08-18 西安电子科技大学 监控视频溯源处理方法、***、存储介质、视频监控终端
CN111598787A (zh) * 2020-04-01 2020-08-28 西安电子科技大学 生物雷达图像去噪方法、装置、电子设备及其存储介质
CN112767360A (zh) * 2021-01-21 2021-05-07 湖南大学 一种基于感光器件噪声指纹的溯源***
CN113343863A (zh) * 2021-06-11 2021-09-03 北京邮电大学 融合表征网络模型训练方法、指纹表征方法及其设备
CN113344791A (zh) * 2021-07-05 2021-09-03 中山大学 基于空洞卷积和特征融合的双目超分辨率图像检测方法、***及介质
CN113537088A (zh) * 2021-07-20 2021-10-22 杭州人云数字科技有限公司 基于小样本学习的数字图像传感器硬件指纹匹配方法与***
CN113609954A (zh) * 2021-07-30 2021-11-05 西安交通大学 一种基于深度学习的社交网络图像源识别方法及***
CN113537407A (zh) * 2021-08-31 2021-10-22 平安医疗健康管理股份有限公司 基于机器学习的图像数据评价处理方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
肖延辉;田华伟;张永胜;: "结合深度迭代缩放卷积神经网络的PRNU提取算法", 信号处理, no. 09, 25 September 2020 (2020-09-25) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115439451A (zh) * 2022-09-09 2022-12-06 哈尔滨市科佳通用机电股份有限公司 一种铁路货车转向架弹簧托板的去噪检测方法

Similar Documents

Publication Publication Date Title
CN109086709B (zh) 特征提取模型训练方法、装置及存储介质
CN111079576B (zh) 活体检测方法、装置、设备及存储介质
CN111914812B (zh) 图像处理模型训练方法、装置、设备及存储介质
CN112215802B (zh) 一种皮肤检测方法和电子设备
CN111368811B (zh) 活体检测方法、装置、设备及存储介质
CN113706414B (zh) 视频优化模型的训练方法和电子设备
US9912846B2 (en) Obtaining calibration data of a camera
CN111444826A (zh) 视频检测方法、装置、存储介质及计算机设备
CN111325699A (zh) 图像修复方法和图像修复模型的训练方法
CN114387548A (zh) 视频及活体检测方法、***、设备、存储介质及程序产品
CN114240843A (zh) 图像检测方法、装置以及电子设备
CN114429495A (zh) 一种三维场景的重建方法和电子设备
CN114827442B (zh) 生成图像的方法和电子设备
CN107944024B (zh) 一种确定音频文件的方法和装置
CN110717441B (zh) 视频目标检测方法、装置、设备及介质
CN113591526A (zh) 人脸活体检测方法、装置、设备及计算机可读存储介质
CN113570510A (zh) 图像处理方法、装置、设备及存储介质
CN112818979A (zh) 文本识别方法、装置、设备及存储介质
CN108804996B (zh) 人脸验证方法、装置、计算机设备及存储介质
CN116342940A (zh) 图像审批方法、装置、介质及设备
CN116206175A (zh) 场景分析模型的预训练方法、确定方法、设备及产品
CN114996515A (zh) 视频特征提取模型的训练方法、文本生成方法及装置
CN114511082A (zh) 特征提取模型的训练方法、图像处理方法、装置及设备
CN115546248A (zh) 事件数据处理方法、装置和***
CN113240602A (zh) 图像去雾方法及装置、计算机可读介质和电子设备

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220706

Address after: 310000 801-11 section B, 8th floor, 556 Xixi Road, Xihu District, Hangzhou City, Zhejiang Province

Applicant after: Alipay (Hangzhou) Information Technology Co.,Ltd.

Applicant after: LUOYANG SUNRUI SPECIAL EQUIPMENT Co.,Ltd.

Address before: 310000 801-11 section B, 8th floor, 556 Xixi Road, Xihu District, Hangzhou City, Zhejiang Province

Applicant before: Alipay (Hangzhou) Information Technology Co.,Ltd.