【技术实现步骤摘要】
本公开涉及图像处理，尤其涉及一种图像检测方法及相关设备。
技术介绍
1、随着信息化程度越来越高，越来越多的应用场景需要通过拍照来对商品、人脸、证件等进行图像识别。目前，可使用手机、相机等摄像设备对屏幕照片翻拍来实现对数字图像的伪造、掩盖、修改，因此需要对被识别的图像的真实可靠性进行判断。
2、目前，可采用深度学习等人工智能算法对屏幕翻拍图像进行检测。然而，在这些翻拍检测方法中，一般基于纹理特征、边缘特征进行检测，且需要获得大量符合实际应用场景的数据对模型进行训练。这种检测方法难以应用于各种不同的实际场景中，迁移性较差且检测精度不高。
技术实现思路
1、有鉴于此，本公开的目的在于提出一种图像检测方法及相关设备。
2、基于上述目的，本公开提供了一种图像检测方法，包括：
3、对待检测图像进行特征提取得到第一类特征，所述第一类特征包括颜色特征、噪声特征、边缘特征和滤波特征中至少一种；
4、调用预先训练的端到端模型中的深度残差网络层对所述第一类特征进行特征缩减得到第一类特征的抽象特征；
5、对所述待检测图像进行特征提取得到第二类特征，所述第二类特征用于表征图像的语义空间特征且所述第二类特征的语义空间特征多于所述第一类特征；
6、通过所述端到端模型中的第一全连接网络层对所述第一类特征的抽象特征和所述第二类特征进行维度调整组合得到第三特征；
7、调用所述端到端模型中的第二全连接网络层基于所述第三特征对所述待检测图
8、可选的，所述对待检测图像进行特征提取得到第一类特征，包括：
9、从所述待检测图像中获取红绿蓝rgb三通道特征作为所述待检测图像的颜色特征；
10、对所述待检测图像进行滤波处理，基于滤波处理后的图像特征和所述红绿蓝rgb三通道特征确定所述待检测图像的噪声特征；
11、对所述待检测图像进行灰度变换得到灰度图，从所述灰度图中提取所述待检测图像的边缘特征；
12、对所述待检测图像进行滤波处理得到所述待检测图像的滤波特征。
13、可选的，所述对所述待检测图像进行特征提取得到第二类特征，包括：
14、从所述待检测图像中获取纹理特征；
15、将所述待检测图像从红绿蓝rgb色彩空间转换为六角锥体模型hsv色彩空间；
16、从所述待检测图像、转换后的所述待检测图像中提取红绿蓝rgb通道的一二三阶矩特征、六角锥体模型hsv通道的一二三阶矩特征和对比度特征；
17、将所述纹理特征、所述红绿蓝rgb通道的一二三阶矩特征、所述六角锥体模型hsv通道的一二三阶矩特征和所述对比度特征中的至少一个确定为所述第二类特征。
18、可选的，所述调用预先训练的端到端模型中的深度残差网络层对所述第一类特征进行特征缩减得到第一类特征的抽象特征，包括：
19、调用预先训练的端到端模型中的深度残差网络层，所述深度残差网络层包括多个级联的卷积层，且多个所述卷积层中至少两个所述卷积层的卷积核的步长不同；
20、将所述第一类特征输入所述深度残差网络层，获得所述深度残差网络层对所述第一类特征进行卷积处理所得的抽象特征。
21、可选的，所述深度残差网络层包括多个级联的卷积层：靠近所述深度残差网络层的输入通道的所述卷积层的卷积核的尺寸为5-9，卷积核的步长大于等于3；远离所述深度残差网络层的输入通道的所述卷积层的卷积核的尺寸为1或3，卷积核的步长为1或2。
22、可选的，所述通过所述端到端模型中的第一全连接网络层对所述第一类特征的抽象特征和所述第二类特征进行维度调整组合得到第三特征，包括：
23、调用所述第一全链接网络层对所述第一类特征的抽象特征进行升维，对所属第二类特征进行降维，将经过所述升维和所述降维处理后的特征进行顺序拼接，将拼接后的特征作为所述第三特征。
24、本公开还提供了一种图像检测装置，包括：
25、第一特征提取单元，被配置为：对待检测图像进行特征提取得到第一类特征，所述第一类特征包括颜色特征、噪声特征、边缘特征和滤波特征中至少一种；
26、特征缩减单元，被配置为：调用预先训练的端到端模型中的深度残差网络层对所述第一类特征进行特征缩减得到第一类特征的抽象特征；
27、第二特征提取单元，被配置为：对所述待检测图像进行特征提取得到第二类特征，所述第二类特征用于表征图像的语义空间特征且所述第二类特征的语义空间特征多于所述第一类特征；
28、维度调整组合单元，被配置为：通过所述端到端模型中的第一全连接网络层对所述第一类特征的抽象特征和所述第二类特征进行维度调整组合得到第三特征；
29、分类单元，被配置为：调用所述端到端模型中的第二全连接网络层基于所述第三特征对所述待检测图像进行分类得到分类结果，所述分类结果用于表征所述待检测图像是否为屏幕翻拍图像。
30、本公开还提供了一种电子设备，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，所述处理器执行所述程序时实现如上述任一项所述的方法。
31、本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述任一项所述的方法。
32、本公开还提供了一种计算机程序产品，所述计算机程序产品包括存储有指令的计算机可读存储介质，其特征在于，所述指令在被执行时使得计算设备的至少一个中央处理器单元执行上述任一项所述的方法。
33、从上面所述可以看出，本公开提供的图像检测方法及相关设备，通过对待检测图像进行多尺度的特征提取，从而获得第一类特征和第二类特征，通过预先训练的端到端模型中的深度残差网络层对第一类特征进行特征缩减，从而获得维度小于第一类特征的抽象特征，从而可以平衡端到端模型的输入特征的维度，避免第二类特征因维度过低在检测过程中被端到端模型忽略；之后，通过端到端模型中的第一全连接网络层将第一类特征的抽象特征与第二类特征进行维度调整组合，进一步对特征数据的维度进行平衡，从而获得维度平衡的第三特征，再将第三特征输入端到端模型中的第二全连接网络层进行分类，基于分类结果确定待检测图像是否为屏幕翻拍图像；该检测方法无需大量符合实际应用场景的数据对端到端模型进行预先训练，易于应用于各种不同的实际场景中，迁移性较好，且检测准确度更高。
本文档来自技高网...【技术保护点】
1.一种图像检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对待检测图像进行特征提取得到第一类特征，包括：
3.根据权利要求1所述的方法，其特征在于，所述对所述待检测图像进行特征提取得到第二类特征，包括：
4.根据权利要求1所述的方法，其特征在于，所述调用预先训练的端到端模型中的深度残差网络层对所述第一类特征进行特征缩减得到第一类特征的抽象特征，包括：
5.根据权利要求4所述的方法，其特征在于，所述深度残差网络层包括多个级联的卷积层：
6.根据权利要求1所述的方法，其特征在于，所述通过所述端到端模型中的第一全连接网络层对所述第一类特征的抽象特征和所述第二类特征进行维度调整组合得到第三特征，包括：
7.一种图像检测装置，其特征在于，包括：
8.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述的方法。
9.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存
10.一种计算机程序产品，所述计算机程序产品包括存储有指令的计算机可读存储介质，其特征在于，所述指令在被执行时使得计算设备的至少一个中央处理器单元执行根据权利要求1至6中任一项所述的方法。
...【技术特征摘要】
1.一种图像检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对待检测图像进行特征提取得到第一类特征，包括：
3.根据权利要求1所述的方法，其特征在于，所述对所述待检测图像进行特征提取得到第二类特征，包括：
4.根据权利要求1所述的方法，其特征在于，所述调用预先训练的端到端模型中的深度残差网络层对所述第一类特征进行特征缩减得到第一类特征的抽象特征，包括：
5.根据权利要求4所述的方法，其特征在于，所述深度残差网络层包括多个级联的卷积层：
6.根据权利要求1所述的方法，其特征在于，所述通过所述端到端模型中的第一全连接网络层对所述第一类特征的抽象特征和所述...
【专利技术属性】
技术研发人员：孙纬地，郭烽，苏晓东，
申请(专利权)人：北京火山引擎科技有限公司，
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。