本申请实施例提供了一种图像篡改检测方法和装置，其中，所述方法包括：待检测的图像输入至网络模型中，输出篡改检测结果；网络模型基于比例重新分配后的正样本图像和负样本图像训练所得，比例重新分配后的正样本图像在训练样本图像中所占的权重，大于比例重新分配后的负样本图像在训练样本图像中所占的权重。上述网络模型并非直接利用正样本图像和负样本图像训练所得，而是对正样本图像和负样本图像各自在训练样本图像中的比例进行重新分配，以保证比例重新分配后的正样本图像的权重大于负样本图像的权重，提升了网络模型的训练效率，利用网络模型对待检测的图像进行篡改检测，避免了篡改后的图像用于保险骗保、发布虚假消息、作伪证等。作伪证等。作伪证等。
【技术实现步骤摘要】
一种图像篡改检测方法和装置
[0001]本申请涉及计算机
，特别是涉及一种图像篡改检测方法和装置。
技术介绍
[0002]随着功能强大的图像编辑软件的普及，即使用户没有任何图像处理背景知识，也可以轻易地对数字图像进行篡改，而且篡改后的图像不会留下明显的视觉痕迹。
[0003]在许多业务场景下，篡改后的图像容易被用于保险骗保、发布虚假消息、作伪证等，因此，对图像进行篡改检测是亟待解决的一个技术问题。
技术实现思路
[0004]鉴于上述问题，提出了本申请实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种图像篡改检测方法和装置。
[0005]为了解决上述问题，根据本申请实施例的第一方面，公开了一种图像篡改检测方法，包括：获取待检测的图像；将所述待检测的图像输入至训练完毕的网络模型中，输出所述待检测的图像的篡改检测结果；其中，所述网络模型基于比例重新分配后的正样本图像和负样本图像训练所得，所述比例重新分配后的正样本图像在训练样本图像中所占的权重，大于所述比例重新分配后的负样本图像在所述训练样本图像中所占的权重。
[0006]可选地，所述正样本图像和所述负样本图像通过如下方式进行比例重新分配：获取所述正样本图像在预设的损失函数中的第一平衡因子，和所述负样本图像在所述损失函数中第二平衡因子，所述第一平衡因子与所述第二平衡因子之和为预设的数量阈值；提高所述第一平衡因子的数值，所述第一平衡因子提高后的数值大于所述第二平衡因子的数值。
[0007]可选地，所述网络模型通过如下方式进行训练：对所述训练样本图像中的被篡改图像和未篡改图像分别进行裁剪操作得到裁剪后的样本图像；对所述裁剪后的样本图像进行压缩操作。
[0008]可选地，所述对所述训练样本图像中的被篡改图像和未篡改图像分别进行裁剪操作得到裁剪后的样本图像，包括：获取所述被篡改图像的最长边的长度；当所述被篡改图像的最长边的长度满足预设条件时，对所述被篡改图像和所述未篡改图像分别进行裁剪操作得到裁剪后的样本图像。
[0009]可选地，所述当所述被篡改图像的最长边的长度满足预设条件时，对所述被篡改图像和所述未篡改图像分别进行裁剪操作得到裁剪后的样本图像，包括：当所述被篡改图像的最长边的长度满足所述预设条件时，生成裁剪后的样本图像的最长边的长度；根据所述裁剪后的样本图像的最长边的长度，对所述被篡改图像和所述未篡改图像分别进行裁剪操作得到裁剪后的样本图像；其中，所述预设条件为m＞n*g/x，m表示所述被篡改图像的最长边的长度，n表示所述网络模型可处理的图像的最长边的长度，g表示所述被篡改图像中篡改区域的最长边的长度，x表示所述网络模型输出的图像相对于输入的图像被缩放的倍
数；m
’
<＝n*g/x，m
’
表示所述裁剪后的样本图像的最长边的长度。
[0010]可选地，所述对所述裁剪后的样本图像进行压缩操作，包括：按照所述裁剪后的样本图像的质量因子对所述裁剪后的样本图像进行压缩操作。
[0011]可选地，所述网络模型通过如下方式进行训练：将压缩操作后的所述训练样本图像中，预设的检测框与篡改区域的重叠面积大于或等于预设面积阈值的被篡改图像作为所述正样本图像；将压缩操作后的所述训练样本图像中的被篡改图像中，除所述正样本图像之外的被篡改图像，和压缩操作后的所述训练样本图像中的未篡改图像作为所述负样本图像。
[0012]根据本申请实施例的第二方面，还公开了一种图像篡改检测装置，其特征在于，包括：获取模块，被配置成获取待检测的图像；检测模块，被配置成将所述待检测的图像输入至训练完毕的网络模型中，输出所述待检测的图像的篡改检测结果；其中，所述网络模型基于比例重新分配后的正样本图像和负样本图像训练所得，所述比例重新分配后的正样本图像在训练样本图像中所占的权重，大于所述比例重新分配后的负样本图像在所述训练样本图像中所占的权重。
[0013]可选地，所述装置还包括：比例重新分配模块，被配置成获取所述正样本图像在预设的损失函数中的第一平衡因子，和所述负样本图像在所述损失函数中第二平衡因子，所述第一平衡因子与所述第二平衡因子之和为预设的数量阈值；提高所述第一平衡因子的数值，所述第一平衡因子提高后的数值大于所述第二平衡因子的数值。
[0014]可选地，所述装置还包括：预处理模块，包括：裁剪模块，被配置成对所述训练样本图像中的被篡改图像和未篡改图像分别进行裁剪操作得到裁剪后的样本图像；压缩模块，被配置成对所述裁剪后的样本图像进行压缩操作。
[0015]可选地，所述裁剪模块，被配置成获取所述被篡改图像的最长边的长度；当所述被篡改图像的最长边的长度满足预设条件时，对所述被篡改图像和所述未篡改图像分别进行裁剪操作得到裁剪后的样本图像。
[0016]可选地，所述裁剪模块，被配置成当所述被篡改图像的最长边的长度满足所述预设条件时，生成裁剪后的样本图像的最长边的长度；根据所述裁剪后的样本图像的最长边的长度，对所述被篡改图像和所述未篡改图像分别进行裁剪操作得到裁剪后的样本图像；其中，所述预设条件为m＞n*g/x，m表示所述被篡改图像的最长边的长度，n表示所述网络模型可处理的图像的最长边的长度，g表示所述被篡改图像中篡改区域的最长边的长度，x表示所述网络模型输出的图像相对于输入的图像被缩放的倍数；m
’
<＝n*g/x，m
’
表示所述裁剪后的样本图像的最长边的长度。
[0017]可选地，所述压缩模块，被配置成按照所述裁剪后的样本图像的质量因子对所述裁剪后的样本图像进行压缩操作。
[0018]可选地，所述装置还包括：正样本提取模块，被配置成将压缩操作后的所述训练样本图像中，预设的检测框与篡改区域的重叠面积大于或等于预设面积阈值的被篡改图像作为所述正样本图像；负样本提取模块，被配置成将压缩操作后的所述训练样本图像中的被篡改图像中，除所述正样本图像之外的被篡改图像，和压缩操作后的所述训练样本图像中的未篡改图像作为所述负样本图像。
[0019]本申请实施例包括以下优点：
[0020]本申请实施例提供了一种图像篡改检测方案，可以将待检测的图像输入至训练完毕的网络模型中，输出待检测的图像的篡改检测结果。本申请实施例训练上述用于对待检测的图像进行篡改检测的网络模型，在网络模型的训练过程中，可以对训练样本图像进行预处理，从预处理后的训练样本图像中提取出正样本图像和负样本图像，然后，对正样本图像和负样本图像重新分配比例，再根据比例重新分配后的正样本图像和负样本图像对网络模型进行训练。上述网络模型并非直接利用训练样本图像中的正样本图像和负样本图像训练所得，而是对训练样本图像中的正样本图像和负样本图像各自在训练样本图像中的比例进行重新分配，以保证比例重新分配后的正样本图像的权重大于负样本图像的权重，进而提升网络模型的训练效率，而且，利用训练完毕的网络模型对待检测的图像进行篡改检测，避免了篡改后的图像用于保险骗保、发布虚本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像篡改检测方法，其特征在于，包括：获取待检测的图像；将所述待检测的图像输入至训练完毕的网络模型中，输出所述待检测的图像的篡改检测结果；其中，所述网络模型基于比例重新分配后的正样本图像和负样本图像训练所得，所述比例重新分配后的正样本图像在训练样本图像中所占的权重，大于所述比例重新分配后的负样本图像在所述训练样本图像中所占的权重。2.根据权利要求1所述的方法，其特征在于，所述正样本图像和所述负样本图像通过如下方式进行比例重新分配：获取所述正样本图像在预设的损失函数中的第一平衡因子，和所述负样本图像在所述损失函数中第二平衡因子，所述第一平衡因子与所述第二平衡因子之和为预设的数量阈值；提高所述第一平衡因子的数值，所述第一平衡因子提高后的数值大于所述第二平衡因子的数值。3.根据权利要求1所述的方法，其特征在于，所述网络模型通过如下方式进行训练：对所述训练样本图像中的被篡改图像和未篡改图像分别进行裁剪操作得到裁剪后的样本图像；对所述裁剪后的样本图像进行压缩操作。4.根据权利要求3所述的方法，其特征在于，所述对所述训练样本图像中的被篡改图像和未篡改图像分别进行裁剪操作得到裁剪后的样本图像，包括：获取所述被篡改图像的最长边的长度；当所述被篡改图像的最长边的长度满足预设条件时，对所述被篡改图像和所述未篡改图像分别进行裁剪操作得到裁剪后的样本图像。5.根据权利要求4所述的方法，其特征在于，所述当所述被篡改图像的最长边的长度满足预设条件时，对所述被篡改图像和所述未篡改图像分别进行裁剪操作得到裁剪后的样本图像，包括：当所述被篡改图像的最长边的长度满足所述预设条件时，生成裁剪后的样本图像的最长边的长度；根据所述裁剪后的样本图像的最长边的长度，对所述被篡改图像和所述未篡改图像分别进行裁剪操作得到裁剪后的样本图像；其中，所述预设条件为m＞n*g/x...
【专利技术属性】
技术研发人员：刘昊岳，马文伟，肖杨，刘设伟，
申请(专利权)人：泰康在线财产保险股份有限公司，
类型：发明
国别省市：
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。