【技术实现步骤摘要】
图像的检测方法及装置，神经网络的训练方法及装置
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。
技术介绍
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。
技术实现思路
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：
【技术保护点】
1.一种图像检测方法，其特征在于，包括：/n获取待检测图像；/n基于对所述待检测图像的处理，获得至少两类特征图像；/n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；/n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。/n
【技术特征摘要】
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...
【专利技术属性】
技术研发人员：李斌，张浩鑫，罗瑚，刘永亮，黄继武，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛;KY
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。