摩尔纹图片生成方法和装置与流程

1.本公开涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于人脸识别和活体检测等场景。


背景技术：

2.随着人脸识别系统的推广，其安全性能越来越引起人们的关注。活体检测作为人脸识别系统的防火墙，为系统提供了重要的安全保障。人脸翻拍是人脸识别系统常见的攻击手段之一，它一般是由攻击者用摄像头翻拍人脸图像，翻拍图像上会存在摩尔纹。由于翻拍产生的摩尔纹具有形态复杂、纹理多变、数据量较少的特点，使得活体检测对这样带有摩尔纹的翻拍数据的拦截能力明显下降，从而严重影响人脸识别系统的安全性能。


技术实现要素：

3.本公开提供了一种摩尔纹图片生成方法、图像检测模型训练方法、图像检测方法、装置、电子设备、存储介质以及计算机程序产品。
4.根据本公开的一方面，提供了一种摩尔纹图片生成方法，该方法包括：获取摩尔纹模板集；基于摩尔纹模板集中摩尔纹模板，确定摩尔纹组合模板；基于摩尔纹组合模板和样本图像，生成样本摩尔纹图像。
5.根据本公开的一方面，提供了一种图像检测模型训练方法，该方法包括：获取训练样本集，训练样本集包括样本摩尔纹图像、样本图像、样本摩尔纹图像对应的图像标注结果和样本图像对应的图像标注结果，其中，样本摩尔纹图像基于上述摩尔纹图片生成方法获取；利用机器学习方法，将样本摩尔纹图像和样本图像作为输入，将与输入的图像对应的图像标注结果作为期望输出，对初始深度神经网络进行训练，得到图像检测模型。
6.根据本公开的另一方面，提供了一种图像检测方法，该方法包括：获取目标对象对应的待检测图像；将待检测图像输入至图像检测模型，得到待检测图像的检测结果，其中，图像检测模型基于上述图像检测模型训练方法获取。
7.根据本公开的另一方面，提供了一种摩尔纹图片生成装置，该装置包括：获取模块，被配置成获取摩尔纹模板集；确定模块，被配置成基于摩尔纹模板集中摩尔纹模板，确定摩尔纹组合模板；生成模块，被配置成基于摩尔纹组合模板和样本图像，生成样本摩尔纹图像。
8.根据本公开的一方面，提供了一种图像检测模型训练装置，该装置包括：获取模块，被配置成获取训练样本集，训练样本集包括样本摩尔纹图像、样本图像、样本摩尔纹图像对应的图像标注结果和样本图像对应的图像标注结果，其中，样本摩尔纹图像基于上述摩尔纹图片生成方法获取；获取模块，被配置成利用机器学习方法，将样本摩尔纹图像和样本图像作为输入，将与输入的图像对应的图像标注结果作为期望输出，对初始深度神经网络进行训练，得到图像检测模型。
9.根据本公开的另一方面，提供了一种图像检测装置，该装置包括：获取模块，被配
置成获取目标对象对应的待检测图像；生成模块，被配置成将待检测图像输入至图像检测模型，得到待检测图像的检测结果，其中，图像检测模型基于上述图像检测模型训练方法获取。
10.根据本公开的另一方面，提供了一种电子设备，该电子设备包括至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述摩尔纹图片生成方法、图像检测模型训练方法和图像检测方法。
11.根据本公开的另一方面，本技术实施例提供了一种计算机可读介质，其上存储有计算机指令，该计算机指令用于使计算机能够执行上述摩尔纹图片生成方法、图像检测模型训练方法和图像检测方法。
12.根据本公开的另一方面，本技术实施例提供了一种计算机程序产品，其包括计算机程序，计算机程序在被处理器执行时实现上述摩尔纹图片生成方法、图像检测模型训练方法和图像检测方法。
13.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
14.附图用于更好地理解本方案，不构成对本公开的限定。其中：
15.图1是根据本公开的摩尔纹图片生成方法的一个实施例的流程图；
16.图2是根据本公开的摩尔纹图片生成方法的一个应用场景的示意图；
17.图3是根据本公开的获取摩尔纹模板集的一个实施例的流程图；
18.图4是根据本公开的确定摩尔纹组合模板的一个实施例的流程图；
19.图5是根据本公开的图像检测模型训练方法的一个实施例的流程图；
20.图6是根据本公开的图像检测方法的一个实施例的流程图；
21.图7是根据本公开的摩尔纹图片生成装置的一个实施例的结构示意图；
22.图8是根据本公开的图像检测模型训练装置的一个实施例的结构示意图；
23.图9是根据本公开的图像检测装置的一个实施例的结构示意图；
24.图10是用来实现本公开实施例的摩尔纹图片生成方法、图像检测模型训练方法和图像检测方法的电子设备的框图。
具体实施方式
25.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
26.参考图1，图1示出了可以应用于本公开的摩尔纹图片生成方法的实施例的流程示意图100。该摩尔纹图片生成方法包括以下步骤：
27.步骤110，获取摩尔纹模板集。
28.在本实施例中，摩尔纹图片生成方法的执行主体(例如服务器)可以通过本地读取
或者从其他终端设备中获取摩尔纹模板集，该摩尔纹模板集可以包括多个不同的摩尔纹模板，每个摩尔纹模板均具有形态各异的摩尔纹，摩尔纹模板集中的多个摩尔纹模板可以按照预设顺序进行排列，该预设顺序可以是操作人员预先设置的排列顺序，其可以是时间顺序，也可以是各个摩尔纹模板之间的相似度大小，还可以是摩尔纹形态复杂度等，本公开对此不做具体限定。
29.摩尔纹是一种在数码照相机或者扫描仪等设备上，感光元件出现的高频干扰的条纹，是一种会使图片出现彩色的高频率不规则的条纹。摩尔纹因为是不规则的，所以并没有明显的形状规律。在拍摄数字影像时，如果被拍摄的物体中有密纹的纹理，则常常会出现如水波一样的条纹和不正常的色彩，即摩尔纹。或是当物体上的细致图样例如：衣服上的纹路或影像中含有非常靠近的并行线与影像传感器上的感光组件图样相重迭时，可能会产生此现象。
30.步骤120，基于摩尔纹模板集中摩尔纹模板，确定摩尔纹组合模板。
31.在本实施例中，上述执行主体获取到摩尔纹模板集后，对摩尔纹模板集进行分析，可以从摩尔纹模板集中筛选出符合预设条件的摩尔纹模板，该预设条件可以是操作人员预先设置的选取条件，其可以是按照排列顺序选取相邻的多个摩尔纹模板，还可以是对摩尔纹模板集进行间隔采样选取多个摩尔纹模板等，本公开对此不做具体限定。
32.上述执行主体通过多种选取手段获取到摩尔纹模板集中的多个摩尔纹模板后，将获取到的全部摩尔纹模板中对应的摩尔纹进行组合，得到摩尔纹组合模板，该摩尔纹组合模板中的摩尔纹是由多个摩尔纹模板中对应的摩尔纹组合在一起得到的，其融合了多种形态的摩尔纹；上述执行主体还可以将多个摩尔纹模板中任意数量个摩尔纹模板对应的摩尔纹进行组合，得到摩尔纹组合模板，从而可以获取到多个不同的摩尔纹组合模板，每个摩尔纹组合模板均具备不同的、融合后的摩尔纹。
33.作为示例，若摩尔纹模板集中包括摩尔纹模板a、摩尔纹模板b、摩尔纹模板c、摩尔纹模板d、摩尔纹模板f、摩尔纹模板e，上述执行主体对摩尔纹模板集进行采样获取到摩尔纹模板a、摩尔纹模板c和摩尔纹模板f，然后上述执行主体将摩尔纹模板a、摩尔纹模板c和摩尔纹模板f这三种摩尔纹进行组合，得到组合后的摩尔纹，即获取到摩尔纹组合模板；上述执行主体还可以将摩尔纹模板a和摩尔纹模板c进行组合，获取到一种摩尔纹组合模板，或者将摩尔纹模板a和摩尔纹模板f进行组合，获取到另一种摩尔纹组合模板，或者将摩尔纹模板c和摩尔纹模板f进行组合，获取到又一种摩尔纹组合模板。
34.步骤130，基于摩尔纹组合模板和样本图像，生成样本摩尔纹图像。
35.在本实施例中，上述执行主体获取到摩尔纹组合模板后，进一步获取需要转换的样本图像，该样本图像可以是包括目标对象的原始图像。上述执行主体可以根据样本图像的尺寸调整摩尔纹组合模板的尺寸，将调整后的摩尔纹组合模板和样本图像进行贴合，生成样本摩尔纹图像，该样本摩尔纹图像为具有摩尔纹的图像。上述执行主体还可以对样本摩尔纹图像执行数据增广操作、滤镜操作、亮度及色彩调整操作、方向调整操作、压缩操作、畸变操作中的一种或多种操作，以得到更多的、不同的样本摩尔纹图像。
36.上述执行主体可以使用hadamard(hadamard product，哈达玛积)乘积来完成摩尔纹组合模板和样本图像之间的贴合操作，可以为：
37.x
idmoire
＝x
id
⊙
x
m
38.其中，x
id
表示样本图像，x
m
表示摩尔纹组合模板，
⊙
表示hadamard乘积。
39.继续参考图2，图2是根据本实施例的摩尔纹图片生成方法的一个应用场景的示意图。在图2的应用场景中，服务器201从本地存储中读取获取到摩尔纹模板集，该摩尔纹模板集包括多个摩尔纹模板。然后上述执行主体可以基于摩尔纹模板集中多个不同的摩尔纹模板，获取摩尔纹组合模板，该摩尔纹组合模板可以由多个不同的摩尔纹模板进行组合获得。最后上述执行主体可以基于摩尔纹组合模板和样本图像，将样本图像直接输入摩尔纹组合模板，生成样本摩尔纹图像。
40.本公开的实施例提供的摩尔纹图片生成方法，通过获取摩尔纹模板集，然后基于摩尔纹模板集中摩尔纹模板，获取摩尔纹组合模板，最后基于摩尔纹组合模板和样本图像，生成样本摩尔纹图像，基于摩尔纹模板集中摩尔纹模板组合得到摩尔纹组合模板，使得摩尔纹组合模板能够包括多种形态的摩尔纹，提高了摩尔纹组合模板的多样性，同时，直接利用摩尔纹组合模板将样本图像转换为样本摩尔纹图像，可以快速便捷地生成样本摩尔纹图像，不需要人工参与，有效提高了样本摩尔纹图像的获取效率，降低了样本摩尔纹图像的获取成本，并提高了样本摩尔纹图像的多样性，从而能够提高图像检测模型检测图像的准确性和广泛性。
41.参考图3，图3示出了获取摩尔纹模板集的一个实施例的流程图300，即上述步骤110，获取摩尔纹模板集，可以包括以下步骤：
42.步骤310，获取摩尔纹图像集。
43.在本实施例中，上述执行主体可以通过爬虫等手段从网络中获取各种背景色彩单一、形态各异的摩尔纹图像，还可以从其他终端设备接收到各种背景色彩单一、形态各异的摩尔纹图像。上述执行主体可以将获取到的各种背景色彩单一、形态各异的摩尔纹图像，按照获取的时间顺序或者拍摄时间顺序等进行排列，组成摩尔纹图像集。
44.步骤320，对摩尔纹图像集中摩尔纹图像进行图像处理，获取每张摩尔纹图像对应的摩尔纹模板。
45.在本实施例中，上述执行主体获取到摩尔纹图像集后，可以利用图像处理方法分别对摩尔纹图像集中的每张摩尔纹图像进行图像处理，图像处理方法可以包括图像校正、图像滤波、图像灰度化、图像增强等。上述执行主体可以通过各种提取方式分别对处理后的摩尔纹图像进行摩尔纹提取，得到每张处理的摩尔纹图像对应的摩尔纹，并根据每张处理的摩尔纹图像对应的摩尔纹确定出对应的摩尔纹模板。
46.例如，上述执行主体可以将处理的摩尔纹图像输入至摩尔纹模板生成模型中，摩尔纹模板生成模型对输入的摩尔纹图像进行摩尔纹提取和处理，输出与该摩尔纹图像对应的摩尔纹模板，从而上述执行主体可以根据摩尔纹图像集中每张摩尔纹图像和摩尔纹模板生成模型，获取每张摩尔纹图像对应的摩尔纹模板。
47.其中，上述摩尔纹模板生成模型可以基于以下步骤获取：
48.第一步，获取训练样本集，其中，训练样本集中的训练样本包括样本摩尔纹图像和样本摩尔纹图像对应的样本摩尔纹模板。
49.第二步，利用机器学习算法，将样本摩尔纹图像作为输入数据，将与输入的样本摩尔纹图像对应的样本摩尔纹模板作为期望输出数据，对初始深度神经网络进行训练，得到摩尔纹模板生成模型。
50.步骤330，将每张摩尔纹图像对应的摩尔纹模板组成摩尔纹模板集。
51.在本实施例中，上述执行主体获取到每张摩尔纹图像对应的摩尔纹模板后，可以按照摩尔纹图像的排列顺序、时间顺序、各个摩尔纹模板之间的相似度大小、摩尔纹形态复杂度等，将每张摩尔纹图像对应的摩尔纹模板进行排列，组成摩尔纹模板集。
52.在本实现方式中，通过直接从互联网抓取形态各异的摩尔纹图像获取摩尔纹模板集，使得摩尔纹模板集中能够包含相对多样化的摩尔纹模板，避免了人工采集数据的问题，提高了摩尔纹模板的多样性和采集效率。
53.参考图4，图4示出了确定摩尔纹组合模板的一个实施例的流程图400，即上述步骤120，基于摩尔纹模板集中摩尔纹模板，确定摩尔纹组合模板，可以包括以下步骤：
54.步骤410，从摩尔纹模板集中选取预设数量个摩尔纹模板。
55.在本实施例中，上述执行主体获取到摩尔纹模板集后，可以对摩尔纹模板集中的各个摩尔纹模板进行分析，从摩尔纹模板集中选取预设数量个摩尔纹模板，该预设数量为大于一个的数值，可以是2个、3个、4个等等，本公开对此不做具体限定。
56.上述执行主体通过多种选取手段获取到摩尔纹模板集中的多个摩尔纹模板，可以通过按照摩尔纹模板的排列顺序对摩尔纹模板进行选取，每次选取预设数量个摩尔纹模板；或者，可以预先设置采样间隔，利用该采样间隔对摩尔纹模板集中的摩尔纹模板进行采样，获取到预设数量个摩尔纹模板等。
57.作为示例，若预先设置采样间隔为1，预设数量为3，摩尔纹模板集中包括摩尔纹模板a、摩尔纹模板b、摩尔纹模板c、摩尔纹模板d、摩尔纹模板f、摩尔纹模板e，上述执行主体基于采样间隔对摩尔纹模板集进行采样，获取到摩尔纹模板a、摩尔纹模板c和摩尔纹模板f。
58.步骤420，对预设数量个摩尔纹模板进行线性组合，确定摩尔纹组合模板。
59.在本实施例中，上述执行主体获取到预设数量个摩尔纹模板后，可以将预设数量个摩尔纹模板中的摩尔纹进行组合，获取到多个摩尔纹组合的摩尔纹组合模板。上述执行主体可以将预设数量个摩尔纹模板进行线性组合，具体可以通过以下公式：
60.其中，
61.其中，x
m
表示摩尔纹组合模板，λ
i
表示组合系数，表示摩尔纹模板集中第i个待组合的摩尔纹模板，k表示预设数量。
62.在本实现方式中，通过将多个摩尔纹模板进行组合，获取摩尔纹组合模板，使得摩尔纹组合模板能够包括多种形态的摩尔纹，提高了摩尔纹组合模板的多样性，解决了人工采集方案获取得的摩尔纹模式单一、纹理有限的缺点。
63.作为一个可选实现方式，上述摩尔纹图片生成方法还可以包括以下步骤：响应于获取到摩尔纹组合模板，将摩尔纹组合模板添加至摩尔纹模板集。
64.具体地，上述执行主体获取到摩尔纹组合模板后，可以进一步将获取到摩尔纹组合模板再次添加至摩尔纹模板集中。
65.在本实现方式中，通过将摩尔纹组合模板再次添加至摩尔纹模板集中，提高了摩尔纹模板集中摩尔纹模板的多样性，从而提高了摩尔纹组合模板的多样性。
66.参考图5，图5示出了图像检测模型训练方法的一个实施例的流程图500，该图像检
测模型训练方法可以包括以下步骤：
67.步骤510，获取训练样本集。
68.在本实施例中，上述执行主体可以根据上述图1
‑
图4所示的摩尔纹图片生成方法获取样本摩尔纹图像，即可以基于不同的摩尔纹组合模板和样本图像，获取到多个不同的样本摩尔纹图像后，对每张样本摩尔纹图像进行标注，得到每张样本摩尔纹图像的图像标注结果，上述执行主体还可以对样本图像进行标注，得到样本图像的图像标注结果。
69.上述执行主体获取到每张样本摩尔纹图像和每张样本摩尔纹图像的图像标注结果，以及样本图像和样本图像的图像标注结果后，将样本摩尔纹图像、样本图像、样本摩尔纹图像对应的图像标注结果和样本图像对应的图像标注结果作为训练初始深度神经网络时使用的训练样本集。
70.步骤520，利用机器学习方法，将样本摩尔纹图像和样本图像作为输入，将与输入的图像对应的图像标注结果作为期望输出，对初始深度神经网络进行训练，得到图像检测模型。
71.在本实施例中，上述执行主体获取到训练样本集后，获取初始深度神经网络。上述执行主体可以利用机器学习方法，基于训练样本集对初始深度神经网络进行训练，得到图像检测模型。
72.具体地，上述执行主体可以分别将样本摩尔纹图像和样本图像作为输入，经过初始深度神经网络的处理，得到相应的预测信息，上述初始深度神经网络可以是现有的各种神经网络。
73.若预测信息不满足约束条件，则调整初始深度神经网络的网络参数，并再次输入样本摩尔纹图像和样本图像继续进行训练。若预测信息满足约束条件，则模型训练完成，得到图像检测模型。其中，该约束条件可以是预测信息与图像标注结果之间的差值满足预设阈值，该预设阈值可以根据经验预先设定，本公开对此不做具体限定。
74.在本实施例中，通过获取到的样本摩尔纹图像训练初始深度神经网络，得到图像检测模型，提高了样本摩尔纹图像的获取效率，降低了样本摩尔纹图像的获取成本，并提高了样本摩尔纹图像的多样性，从而能够提高图像检测模型检测图像的准确性和广泛性，从而提升模型对摩尔纹翻拍数据的拦截能力，进一步提升了活体检测对于带有摩尔纹的翻拍数据的拦截能力。
75.参考图6，图6示出了图像检测方法的一个实施例的流程图600，该图像检测方法可以包括以下步骤：
76.步骤610，获取目标对象对应的待检测图像。
77.在本实施例中，上述执行主体可以获取目标对象对应的待检测图像，该待检测图像可以是与目标对象对应的目标图像，还可以是基于不同的摩尔纹组合模板和目标图像，获取到不同的摩尔纹图像。
78.步骤620，将待检测图像输入至图像检测模型，得到待检测图像的检测结果。
79.在本实施例中，上述执行主体获取到待检测图像后，可以将该待检测图像输入图像检测模型中，图像检测模型对待检测图像进行处理，输出与该待检测图像对应的检测结果，该检测结果能够表征待检测图像是否为目标对象对应的目标图像。
80.作为示例，若待检测图像为目标图像，图像检测模型对目标图像进行处理后，输出
目标图像对应的、表征待检测图像为目标图像的检测结果。若待检测图像为摩尔纹图像，图像检测模型对摩尔纹图像进行处理后，输出摩尔纹图像对应的、表征待检测图像为摩尔纹图像的检测结果。
81.其中，上述图像检测模型基于上述图像检测模型训练方法获取，即可以基于上述图5中的步骤获取，图像检测模型可以检测多种不同摩尔纹图像和目标图像。
82.在本实施例中，通过图像检测模型检测待检测图像，能够提高待检测图像的检测效率和准确性，能够检测多种摩尔纹图像和目标图像，提高图像检测的多样性和精准度。
83.进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种摩尔纹图片生成装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
84.如图7所示，本实施例的摩尔纹图片生成装置700包括：获取模块710，确定模块720和生成模块730。
85.其中，获取模块710，被配置成获取摩尔纹模板集；
86.确定模块720，被配置成基于摩尔纹模板集中摩尔纹模板，确定摩尔纹组合模板；
87.生成模块730，被配置成基于摩尔纹组合模板和样本图像，生成样本摩尔纹图像。
88.在本实施例的一些可选的方式中，获取模块710，进一步被配置成：获取摩尔纹图像集；对摩尔纹图像集中摩尔纹图像进行图像处理，获取每张摩尔纹图像对应的摩尔纹模板；将每张摩尔纹图像对应的摩尔纹模板组成摩尔纹模板集。
89.在本实施例的一些可选的方式中，确定模块720，进一步被配置成：从摩尔纹模板集中选取预设数量个摩尔纹模板；对预设数量个摩尔纹模板进行线性组合，确定摩尔纹组合模板。
90.在本实施例的一些可选的方式中，该装置还包括：添加模块，被配置成：响应于获取到摩尔纹组合模板，将摩尔纹组合模板添加至摩尔纹模板集。
91.本公开的实施例提供的摩尔纹图片生成装置，通过获取摩尔纹模板集，然后基于摩尔纹模板集中摩尔纹模板，获取摩尔纹组合模板，最后基于摩尔纹组合模板和样本图像，生成样本摩尔纹图像，基于摩尔纹模板集中摩尔纹模板组合得到摩尔纹组合模板，使得摩尔纹组合模板能够包括多种形态的摩尔纹，提高了摩尔纹组合模板的多样性，同时，直接利用摩尔纹组合模板将样本图像转换为样本摩尔纹图像，可以快速便捷地生成样本摩尔纹图像，不需要人工参与，有效提高了样本摩尔纹图像的获取效率，降低了样本摩尔纹图像的获取成本，并提高了样本摩尔纹图像的多样性，从而能够提高图像检测模型检测图像的准确性和广泛性。
92.进一步参考图8，作为对上述各图所示方法的实现，本公开提供了一种图像检测模型训练装置的一个实施例，该装置实施例与图5所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
93.如图8所示，本实施例的图像检测模型训练装置800包括：获取模块810和训练模块820。
94.其中，获取模块810，被配置成获取训练样本集，训练样本集包括样本摩尔纹图像、样本图像、样本摩尔纹图像对应的图像标注结果和样本图像对应的图像标注结果，其中，样本摩尔纹图像基于上述权利要求1
‑
4任意一项所述的方法获取；
95.训练模块820，被配置成利用机器学习方法，将样本摩尔纹图像和样本图像作为输入，将与输入的图像对应的图像标注结果作为期望输出，对初始深度神经网络进行训练，得到图像检测模型。
96.本公开的实施例提供的图像检测模型训练装置，通过获取到的样本摩尔纹图像训练初始深度神经网络，得到图像检测模型，提高了样本摩尔纹图像的获取效率，降低了样本摩尔纹图像的获取成本，并提高了样本摩尔纹图像的多样性，从而能够提高图像检测模型检测图像的准确性和广泛性，从而提升模型对摩尔纹翻拍数据的拦截能力，进一步提升了活体检测对于带有摩尔纹的翻拍数据的拦截能力。
97.进一步参考图9，作为对上述各图所示方法的实现，本公开提供了一种图像检测装置的一个实施例，该装置实施例与图6所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
98.如图9所示，本实施例的图像检测装置900包括：获取模块910和生成模块920。
99.其中，获取模块910，被配置成获取目标对象对应的待检测图像；
100.生成模块920，被配置成将待检测图像输入至图像检测模型，得到待检测图像的检测结果，其中，图像检测模型基于上述权利要求5方法获取。
101.本公开的实施例提供的图像检测装置，通过图像检测模型检测待检测图像，能够提高待检测图像的检测效率和准确性，能够检测多种摩尔纹图像和目标图像，提高图像检测的多样性和精准度。
102.本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
103.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
104.图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
105.如图10所示，电子设备1000包括计算单元1001，其可以根据存储在只读存储器(rom)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(ram)1003中的计算机程序，来执行各种适当的动作和处理。在ram 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、rom 1002以及ram 1003通过总线1004彼此相连。输入/输出(i/o)接口1005也连接至总线1004。
106.电子设备1000中的多个部件连接至i/o接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
107.计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的
人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如摩尔纹图片生成方法、图像检测模型训练方法或图像检测方法。例如，在一些实施例中，摩尔纹图片生成方法、图像检测模型训练方法或图像检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由rom 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到ram 1003并由计算单元1001执行时，可以执行上文描述的摩尔纹图片生成方法、图像检测模型训练方法或图像检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行摩尔纹图片生成方法、图像检测模型训练方法或图像检测方法。
108.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
109.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
110.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd
‑
rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
111.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
112.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算
系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
113.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端
‑
服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
114.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
115.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。