图片水印识别方法、装置、设备及计算机可读存储介质制造方法及图纸

本发明专利技术涉及图像检测技术领域，公开了一种图片水印识别方法、装置、设备及计算机可读存储介质，图片水印识别方法包括：对现有图片库进行数据增强，得到样本图片库；通过样本图片库中的图片，基于迭代训练的方式对预置卷积神经网络模型进行训练，得到目标卷积神经网络模型，其中，目标卷积神经网络模型包含inception网络以及预测层，预测层为FPN结构；将待识别图片输入目标卷积神经网络模型，通过inception网络提取待识别图片的特征信息；根据预测层和特征信息，识别待识别图片中的水印，得到待识别图片的水印识别结果。通过本发明专利技术，对原SSD网络结构进行了优化，根据优化得到的目标神经网络模型，进行图片水印识别，识别准确率可大大提高。

Image Watermarking Recognition Method, Device, Equipment and Computer Readable Storage Media

The invention relates to the field of image detection technology, and discloses a method, device, device and computer readable storage medium for image watermarking recognition. The method of image watermarking recognition includes: data enhancement of the existing image database to obtain the sample image database; training the pre-convolution neural network model based on the iteration training method through the pictures in the sample image database to obtain the eye. Scalar convolution neural network model, in which the target convolution neural network model includes inception network and prediction layer, and the prediction layer is FPN structure; the image to be recognized is input into the target convolution neural network model, and the feature information of the image to be recognized is extracted through inception network; according to the prediction layer and feature information, the watermarking in the image to be recognized is identified, and the watermarking of the image to be recognized is obtained. Recognition results. Through the invention, the original SSD network structure is optimized, and the image watermarking recognition is carried out according to the optimized target neural network model, and the recognition accuracy can be greatly improved.

【技术实现步骤摘要】
图片水印识别方法、装置、设备及计算机可读存储介质
本专利技术涉及图像检测
，尤其涉及图片水印识别方法、装置、设备及计算机可读存储介质。
技术介绍
图像包含了丰富且直观的信息，当前在互联网的社交、购物等领域，都需要大量的图像来给用户传递信息。由于互联网信息的传播极为快速和便携，越来越多的个人和组织选择给自身拥有的图像嵌入水印信息，如在图像部分区域打上商标或网址的水印，以此保护图像信息的所有权。因此，图像信息的提供方在使用图像前，需要对图像进行审核，识别图像中是否含有水印信息，避免出现误用和侵权的行为。一方面，随着互联网的飞速发展，图像提供方每天都会利用用户上传、爬虫下载等诸多途径获取大量图像信息，数量已远远超过人工审核的限度。另一方面，水印信息在图像中的视觉显著性很低，具有面积小，颜色浅，透明度高等特点，带水印图像与未带水印图像之间的差异往往很小，区分度较低。因此，通过人工审核的方式，难以实现对带水印图片的准确识别。
技术实现思路
本专利技术的主要目的在于提供一种图片水印识别方法、装置、设备及计算机可读存储介质，旨在解决现有技术中通过人工审核的方式，难以实现对带水印图片的准确识别的技术问题。为实现上述目的，本专利技术提供一种图片水印识别方法，所述图片水印识别方法包括以下步骤：对现有图片库进行数据增强，得到样本图片库；通过样本图片库中的图片，基于迭代训练的方式对预置卷积神经网络模型进行训练，得到目标卷积神经网络模型，其中，所述目标卷积神经网络模型包含inception网络以及预测层，所述预测层为FPN结构；将待识别图片输入所述目标卷积神经网络模型，通过所述inception网络提取所述待识别图片的特征信息；根据所述预测层和所述特征信息，识别所述待识别图片中的水印，得到所述待识别图片的水印识别结果。可选的，所述对现有图片库进行数据增强，得到样本图片库的步骤包括：对现有图片库中原始图片的水印进行调整，得到新增图片；基于原始图片以及新增图片，得到样本图片库。可选的，所述预置卷积神经网络模型包含inception网络以及预测层，所述预测层为FPN结构，所述通过样本图片库中的图片，基于迭代训练的方式对预置卷积神经网络模型进行训练，得到目标卷积神经网络模型的步骤包括：对样本图片库中的图片进行预处理，得到训练图片，所述训练图片的数量至少为两张；将每张训练图片输入预置卷积神经网络模型，通过所述inception网络提取每张训练图片的特征信息；根据所述预测层和每张训练图片的特征信息，识别每张训练图片中的水印，得到每张训练图片的水印识别结果；将每张训练图片的水印识别结果与各自对应的原始标注信息进行对比，得到每张训练图片对应的相似度，对得到的相似度进行求平均值计算，得到map值；检测所述map值是否满足精度需求；若所述map值满足精度需求，则以所述预置卷积神经网络模型作为目标卷积神经网络模型；若所述map值不满足精度需求，则对所述预置卷积神经网络模型进行参数调整，得到新的卷积神经网络模型；将所述新的卷积神经网络模型作为预置卷积神经网络模型，并执行所述将每张训练图片输入预置卷积神经网络模型，通过所述inception网络提取每张训练图片的特征信息的步骤。可选的，所述对样本图片库中的图片进行预处理，得到训练图片的步骤包括：将样本图片库中图片的图片格式调整为预置图片格式，得到训练图片。可选的，所述根据所述预测层和所述特征信息，识别所述待识别图片中的水印，得到所述待识别图片的水印识别结果的步骤之后，还包括：若根据所述水印识别结果，确定所述待识别图片为不带水印图片，则将所述待识别图片存储至待用图片库中。可选的，所述根据所述预测层和所述特征信息，识别所述待识别图片中的水印，得到所述待识别图片的水印识别结果的步骤之后，还包括：若根据所述水印识别结果，确定所述待识别图片为带水印图片；确定所述待识别图片的所属权利人，并向所述待识别图片的所属权利人发送授权申请。可选的，所述确定所述待识别图片的所属权利人，并向所述待识别图片的所属权利人发送授权申请的步骤包括：根据所述水印识别结果，获取所述待识别图片中的水印；根据所述水印，确定所述待识别图片的所属权利人；检测预置联络信息记录表中，是否存在所述待识别图片的所属权利人对应的目标联络信息；若存在所述所属权利人对应的目标联络信息，则基于所述目标联络信息，向所述待识别图片的所属权利人发送授权申请。此外，为实现上述目的，本专利技术还提供一种图片水印识别装置，所述图片水印识别装置包括：数据增强模块，用于对现有图片库进行数据增强，得到样本图片库；训练模块，用于通过样本图片库中的图片，基于迭代训练的方式对预置卷积神经网络模型进行训练，得到目标卷积神经网络模型，其中，所述目标卷积神经网络模型包含inception网络以及预测层，所述预测层为FPN结构；特征信息提取模块，用于将待识别图片输入所述目标卷积神经网络模型，通过所述inception网络提取所述待识别图片的特征信息；识别模块，用于根据所述预测层和所述特征信息，识别所述待识别图片中的水印，得到所述待识别图片的水印识别结果。此外，为实现上述目的，本专利技术还提供一种图片水印识别设备，所述图片水印识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图片水印识别程序，所述图片水印识别程序被所述处理器执行时实现如上所述的图片水印识别方法的步骤。此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有图片水印识别程序，所述图片水印识别程序被处理器执行时实现如上所述的图片水印识别方法的步骤。本专利技术中，对现有图片库进行数据增强，得到样本图片库；通过样本图片库中的图片，基于迭代训练的方式对预置卷积神经网络模型进行训练，得到目标卷积神经网络模型，其中，所述目标卷积神经网络模型包含inception网络以及预测层，所述预测层为FPN结构；将待识别图片输入所述目标卷积神经网络模型，通过所述inception网络提取所述待识别图片的特征信息；根据所述预测层和所述特征信息，识别所述待识别图片中的水印，得到所述待识别图片的水印识别结果。通过本专利技术，对原SSD网络结构进行了优化，根据优化得到的目标神经网络模型，进行图片水印识别，识别准确率可大大提高。附图说明图1为本专利技术实施例方案涉及的硬件运行环境的图片水印识别设备结构示意图；图2为本专利技术图片水印识别方法第一实施例的流程示意图；图3为现有技术中SSD网络结构示意图；图4为本专利技术图片水印识别方法一实施例中预置卷积神经网络模型的结构示意图；图5为原SSD网络的预测层的结构示意图；图6为本专利技术图片水印识别方法第一实施例中预测层的结构示意图；图7为本专利技术图片水印识别装置第一实施例的功能模块示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，图1为本专利技术实施例方案涉及的硬件运行环境的图片水印识别设备结构示意图。本专利技术实施例图片水印识别设备可以是PC、便携计算机、服务器等具有数据处理功能终端设备。如图1所示，该图片水印识别设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1本文档来自技高网...

【技术保护点】
1.一种图片水印识别方法，其特征在于，所述图片水印识别方法包括以下步骤：对现有图片库进行数据增强，得到样本图片库；通过样本图片库中的图片，基于迭代训练的方式对预置卷积神经网络模型进行训练，得到目标卷积神经网络模型，其中，所述目标卷积神经网络模型包含inception网络以及预测层，所述预测层为FPN结构；将待识别图片输入所述目标卷积神经网络模型，通过所述inception网络提取所述待识别图片的特征信息；根据所述预测层和所述特征信息，识别所述待识别图片中的水印，得到所述待识别图片的水印识别结果。

【技术特征摘要】
1.一种图片水印识别方法，其特征在于，所述图片水印识别方法包括以下步骤：对现有图片库进行数据增强，得到样本图片库；通过样本图片库中的图片，基于迭代训练的方式对预置卷积神经网络模型进行训练，得到目标卷积神经网络模型，其中，所述目标卷积神经网络模型包含inception网络以及预测层，所述预测层为FPN结构；将待识别图片输入所述目标卷积神经网络模型，通过所述inception网络提取所述待识别图片的特征信息；根据所述预测层和所述特征信息，识别所述待识别图片中的水印，得到所述待识别图片的水印识别结果。2.如权利要求1所述的图片水印识别方法，其特征在于，所述对现有图片库进行数据增强，得到样本图片库的步骤包括：对现有图片库中原始图片的水印进行调整，得到新增图片；基于原始图片以及新增图片，得到样本图片库。3.如权利要求1所述的图片水印识别方法，其特征在于，所述预置卷积神经网络模型包含inception网络以及预测层，所述预测层为FPN结构，所述通过样本图片库中的图片，基于迭代训练的方式对预置卷积神经网络模型进行训练，得到目标卷积神经网络模型的步骤包括：对样本图片库中的图片进行预处理，得到训练图片，所述训练图片的数量至少为两张；将每张训练图片输入预置卷积神经网络模型，通过所述inception网络提取每张训练图片的特征信息；根据所述预测层和每张训练图片的特征信息，识别每张训练图片中的水印，得到每张训练图片的水印识别结果；将每张训练图片的水印识别结果与各自对应的原始标注信息进行对比，得到每张训练图片对应的相似度，对得到的相似度进行求平均值计算，得到map值；检测所述map值是否满足精度需求；若所述map值满足精度需求，则以所述预置卷积神经网络模型作为目标卷积神经网络模型；若所述map值不满足精度需求，则对所述预置卷积神经网络模型进行参数调整，得到新的卷积神经网络模型；将所述新的卷积神经网络模型作为预置卷积神经网络模型，并执行所述将每张训练图片输入预置卷积神经网络模型，通过所述inception网络提取每张训练图片的特征信息的步骤。4.如权利要求3所述的图片水印识别方法，其特征在于，所述对样本图片库中的图片进行预处理，得到训练图片的步骤包括：将样本图片库中图片的图片格式调整为预置图片格式，得到训练图片。5.如权利要求1所述的图片水...

【专利技术属性】
技术研发人员：陈万慧，董宇康，简杰生，付倩，汪伟，王云敏，钱城，田丽珍，苏雪婷，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44