【技术实现步骤摘要】
本说明书一个或多个实施例涉及图像检测，尤其涉及一种图像检测方法及相关设备。
技术介绍
1、生成式人工智能(ai-generated content，aigc)，是一类能够根据给定的输入或指令生成各类内容的人工智能技术，例如可以生成文本、图像、音频和视频等，给人们的生活和工作带来便利。但是，通过aigc技术生成的各类ai图像，例如人脸图像和证件图像等，有时会被恶意使用在各类应用程序的身份认证过程中，以图假冒真实的用户进行身份认证，严重危害用户的利益和网络安全。
2、并且，随着aigc技术的快速发展，通过aigc技术生成的人脸图像和证件图像等更加难以被识别出来，因此，如何提高图像检测的正确率是亟待解决的问题。
技术实现思路
1、有鉴于此，本说明书一个或多个实施例提供一种图像检测方法及相关设备。
2、第一方面，本说明书提供了一种图像检测方法，所述方法包括：
3、获取待检测的目标图像；
4、从所述目标图像中分别提取预设的多种类型的图像特征，并基于提取到的所述多种类型的图像特征对所述目标图像进行图像检测，以得到第一检测结果；以及，
5、从所述目标图像包含的多个图像区域中分别提取图像特征，并基于提取到的与所述多个图像区域对应的图像特征对所述目标图像进行图像检测，以得到第二检测结果；
6、响应于所述第一检测结果和所述第二检测结果中的至少一个检测结果指示所述目标图像未通过图像检测，确定所述目标图像未通过图像检测。
8、获取单元，用于获取待检测的目标图像；
9、多类型特征提取单元，用于从所述目标图像中分别提取预设的多种类型的图像特征，并基于提取到的所述多种类型的图像特征对所述目标图像进行图像检测，以得到第一检测结果；
10、多区域特征提取单元，用于从所述目标图像包含的多个图像区域中分别提取图像特征，并基于提取到的与所述多个图像区域对应的图像特征对所述目标图像进行图像检测，以得到第二检测结果；
11、图像检测单元，用于响应于所述第一检测结果和所述第二检测结果中的至少一个检测结果指示所述目标图像未通过图像检测，确定所述目标图像未通过图像检测。
12、相应地，本说明书还提供了一种电子设备，包括：存储器和处理器；所述存储器上存储有可由所述处理器运行的计算机程序/指令；所述处理器运行所述计算机程序/指令时，执行上述第一方面所述的图像检测方法。
13、相应地，本说明书还提供了一种计算机可读存储介质，其上存储有计算机程序/指令，所述计算机程序/指令被处理器运行时，执行如上述第一方面所述的图像检测方法。
14、相应地，本说明书还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序/指令，所述计算机程序/指令被处理器执行时，执行如上述第一方面所述的图像检测方法。
15、综上所述，本申请可以先获取待检测的目标图像，然后从该目标图像中分别提取预设的多种类型的图像特征，并基于提取到的多种类型的图像特征对该目标图像进行图像检测，以得到第一检测结果。此外，还可以从该目标图像包含的多个图像区域中分别提取图像特征，并基于提取到的与该多个图像区域对应的图像特征对该目标图像进行图像检测，以得到第二检测结果。进一步地，响应于上述第一检测结果和第二检测结果中的至少一个检测结果指示该目标图像未通过图像检测，则可以确定该目标图像未通过图像检测。如此，本申请通过两种不同的图像检测方式分别对待检测的目标图像进行了图像检测，其中一种是基于从目标图像中提取出的多种不同类型的图像特征进行图像检测，另一种是基于从目标图像的多个不同图像区域中提取出的图像特征进行图像检测。结合上述两种图像检测方式的检测结果，只要其中至少一个检测结果指示目标图像未通过图像检测，就可以确定该目标图像未通过图像检测，从而极大程度上提升了图像检测的强度和正确率。
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，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述目标图像为包含用户证件的证件图像，所述图像检测包括对所述目标图像包含的用户证件进行防伪检测；
3.根据权利要求2所述的方法，其特征在于，所述从所述目标图像中分别提取预设的多种类型的图像特征，并基于提取到的所述多种类型的图像特征对所述目标图像进行图像检测，包括：
4.根据权利要求3所述的方法，其特征在于，所述多种类型的图像特征包括所述目标图像的差分特征；所述第一模型包括中心差分卷积网络；所述从所述目标图像中分别提取预设的多种类型的图像特征，包括：
5.根据权利要求3所述的方法，其特征在于，所述多种类型的图像特征包括所述目标图像的频域特征；所述第一模型包括离散余弦变换网络；所述从所述目标图像中分别提取预设的多种类型的图像特征，包括：
6.根据权利要求3所述的方法，其特征在于，所述多种类型的图像特征包括基于特征分布混合EFDMix的增强特征，所述第一模型包括EFDMix网络；所述从所述目标图像中分别提取预设的多种类型的图像特征，包括
7.根据权利要求3所述的方法，其特征在于，所述第一模型包括二分类网络；所述基于提取到的所述多种类型的图像特征对所述目标图像进行图像检测，包括：
8.根据权利要求7所述的方法，其特征在于，所述二分类网络在训练过程中采用的损失函数包括二分类交叉熵损失函数和单中心约束OCCL损失函数；其中，所述OCCL损失函数用于将所述二分类网络的训练样本集中的样本标签为真实证件的训练样本在特征空间中进行聚集。
9.根据权利要求2所述的方法，其特征在于，所述从所述目标图像包含的多个图像区域中分别提取图像特征，并基于提取到的与所述多个图像区域对应的图像特征对所述目标图像进行图像检测，包括：
10.根据权利要求9所述的方法，其特征在于，
11.根据权利要求10所述的方法，其特征在于，所述第二模型包括ViT模型和SAM模型；所述从所述目标图像包含的多个图像区域中分别提取图像特征，包括：
12.根据权利要求11所述的方法，其特征在于，所述第二模型还包括对象检测器；所述将所述全图特征输入至所述SAM模型中，由所述SAM模型对所述全图特征进行分割，包括：
13.根据权利要求9所述的方法，其特征在于，所述基于提取到的与所述多个图像区域对应的图像特征对所述目标图像进行图像检测，包括：
14.根据权利要求13所述的方法，其特征在于，所述基于比对结果，确定所述目标图像包含的用户证件是否为伪造证件，包括：
15.根据权利要求14所述的方法，其特征在于，所述若所述第二融合特征与所述伪造证件特征库中包含的多个特征中的任一特征的相似度大于预设阈值，则确定所述目标图像包含的用户证件为伪造证件，包括：
16.一种图像检测装置，其特征在于，所述装置包括：
17.一种电子设备，其特征在于，包括：存储器和处理器；所述存储器上存储有可由所述处理器运行的计算机程序/指令；所述处理器运行所述计算机程序/指令时，执行如权利要求1至15任意一项所述的方法。
18.一种计算机可读存储介质，其特征在于，其上存储有计算机程序/指令，所述计算机程序/指令被处理器执行时实现如权利要求1至15任意一项所述的方法。
19.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如权利要求1至15任意一项所述的方法。
...【技术特征摘要】
1.一种图像检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述目标图像为包含用户证件的证件图像，所述图像检测包括对所述目标图像包含的用户证件进行防伪检测；
3.根据权利要求2所述的方法，其特征在于，所述从所述目标图像中分别提取预设的多种类型的图像特征，并基于提取到的所述多种类型的图像特征对所述目标图像进行图像检测，包括：
4.根据权利要求3所述的方法，其特征在于，所述多种类型的图像特征包括所述目标图像的差分特征；所述第一模型包括中心差分卷积网络；所述从所述目标图像中分别提取预设的多种类型的图像特征，包括：
5.根据权利要求3所述的方法，其特征在于，所述多种类型的图像特征包括所述目标图像的频域特征；所述第一模型包括离散余弦变换网络；所述从所述目标图像中分别提取预设的多种类型的图像特征，包括：
6.根据权利要求3所述的方法，其特征在于，所述多种类型的图像特征包括基于特征分布混合efdmix的增强特征，所述第一模型包括efdmix网络；所述从所述目标图像中分别提取预设的多种类型的图像特征，包括：
7.根据权利要求3所述的方法，其特征在于，所述第一模型包括二分类网络；所述基于提取到的所述多种类型的图像特征对所述目标图像进行图像检测，包括：
8.根据权利要求7所述的方法，其特征在于，所述二分类网络在训练过程中采用的损失函数包括二分类交叉熵损失函数和单中心约束occl损失函数；其中，所述occl损失函数用于将所述二分类网络的训练样本集中的样本标签为真实证件的训练样本在特征空间中进行聚集。
9.根据权利要求2所述的方法，其特征在于，所述从所述目标图像包含的多个图像区域中分别提取图像特征，并基于提取...
【专利技术属性】
技术研发人员：陈志军，姚伟斌，
申请(专利权)人：蚂蚁区块链科技上海有限公司，
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。