本发明实施例涉及图像处理技术领域，具体而言，涉及一种图片识别方法、装置及电子设备。
背景技术
随着信息技术的发展，越来越多的办事流程通过互联网进行办理，对于一些需要上传图片资料的业务，可能存在客户提交造假图片资料的情况。为了避免这种情况的发生，需要对客户提交的图片资料进行真假判断和识别。
但是现有对客户提交的图片资料进行识别的方法大多靠人为经验判断，对于造假水平较高的图片，难以实现准确的识别和判断。
技术实现要素：
有鉴于此，本发明提供了一种图片识别方法、装置及电子设备，能够提高对造假图片的识别准确度。
为实现上述目的，本发明实施例提供了一种图片识别方法，所述方法包括：
实时获得待识别图片以及所述待识别图片包括的多个像素点；
针对所述多个像素点中的每个像素点，判断该像素点是否为特征点，若该像素点为特征点，提取该像素点的特征向量，将提取出的各个特征向量进行融合以获得融合特征向量；
将所述融合特征向量输入训练器，其中，所述训练器预存有原始图片融合特征向量；采用所述训练器将所述融合特征向量与所述原始图片融合特征向量进行比对识别，获得相似度比例值；
判断所述相似度比例值是否小于预设相似度界定值，若所述相似度比例值小于所述预设相似度界定值，发送判定所述待识别图片为造假图片的提示，提取出所述融合特征向量中与所述原始图片融合特征向量不匹配的至少一个特征向量，将所述至少一个特征向量对应的像素点在所述待识别图片中标出。
可选地，所述方法还包括：
将所述至少一个特征向量输入所述训练器；
对所述训练器进行二次训练。
可选地，判断该像素点是否为特征点的步骤，包括：
获得该像素点的黑塞矩阵；
将所述黑塞矩阵与盒滤波器进行卷积，获得该像素点的多个黑塞响应值以及该像素点的图片金字塔，其中，所述图片金字塔包括多层，各所述黑塞响应值与各层一一对应；
针对所述图片金字塔中的每层，判断本层对应的黑塞响应值在本层、本层的上一层以及本层的下一层的多个邻域点内是否为最值，若为最值，判定该像素点为特征点。
可选地，所述训练器为卷积神经网络训练器。
可选地，所述方法还包括：
获得修改所述预设相似度界定值的修改指令；
根据所述修改指令对所述预设相似度界定值进行修改。
本发明实施例还提供了一种图片识别装置，包括：
获取模块，用于实时获得待识别图片以及所述待识别图片包括的多个像素点；
特征点判断模块，用于针对所述多个像素点中的每个像素点，判断该像素点是否为特征点，若该像素点为特征点，提取该像素点的特征向量，将提取出的各个特征向量进行融合以获得融合特征向量；
相似度比例值获取模块，将所述融合特征向量输入训练器，其中，所述训练器预存有原始图片融合特征向量；采用所述训练器将所述融合特征向量与所述原始图片融合特征向量进行比对识别，获得相似度比例值；
判断模块，用于判断所述相似度比例值是否小于预设相似度界定值，若所述相似度比例值小于所述预设相似度界定值，发送判定所述待识别图片为造假图片的提示，提取出所述融合特征向量中与所述原始图片融合特征向量不匹配的至少一个特征向量，将所述至少一个特征向量对应的像素点在所述待识别图片中标出。
可选地，所述装置还包括二次训练模块；
所述二次训练模块用于将所述至少一个特征向量输入所述训练器；对所述训练器进行二次训练。
可选地，所述装置还包括修改模块；
所述修改模块用于获得修改所述预设相似度界定值的修改指令，根据所述修改指令对所述预设相似度界定值进行修改。
本发明实施例还提供了一种电子设备，包括存储器、处理器以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计算机程序时实现上述的图片识别方法。
本发明实施例还提供了一种计算机可读存储介质，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在电子设备执行上述的图片识别方法。
本发明实施例提供的图片识别方法、装置及电子设备，通过将待识别图片的融合特征向量与原始图片融合特征向量进行比对获得相似度比例值，根据相似度比例值与预设相似度界定值的大小比较辨识出待识别图片是否为造假图片，提高了对造假图片的识别准确度。
进一步地，本方法还将造假的特征向量对应的区域标出，便于后续的分析。
进一步地，本方法还将造假的特征向量输入训练器，对训练器进行二次训练，实现对训练器的优化，提高后续的识别效率，缩短识别时间。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例所提供的一种电子设备10的方框示意图。
图2为本发明实施例所提供的一种图片识别方法的流程图。
图3为一实施方式中图2所示的步骤s22包括的子步骤的示意图。
图4为本发明实施例所提供的一种图片识别装置20的模块框图。
图标：10-电子设备；11-存储器；12-处理器；13-网络模块；20-图片识别装置；21-获取模块；22-特征点判断模块；23-相似度比例值获取模块；24-判断模块。
具体实施方式
随着信息技术的发展，越来越多的办事流程通过互联网进行办理，对于一些需要上传图片资料的业务，可能存在客户提交造假图片资料的情况。为了避免这种情况的发生，需要对客户提交的图片资料进行真假判断和识别。
经调查发现，现有对客户提交的图片资料进行识别的方法大多靠人为经验判断，对于造假水平较高的图片，难以实现准确的识别和判断。
以上现有技术中的方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案，都应该是发明人在本发明过程中对本发明做出的贡献。
基于上述研究，本发明实施例提供了一种图片识别方法、装置及电子设备，能够提高对造假图片的识别准确度。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
图1示出了本发明实施例所提供的一种电子设备10的方框示意图。本发明实施例中的电子设备10可以为具有数据存储、传输、处理功能的服务端，如图1所示，电子设备10包括：存储器11、处理器12、网络模块13和图片识别装置20。
存储器11、处理器12和网络模块13之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器11中存储有图片识别装置20，所述图片识别装置20包括至少一个可以软件或固件(firmware)的形式储存于所述存储器11中的软件功能模块，所述处理器12通过运行存储在存储器11内的软件程序以及模块，例如本发明实施例中的图片识别装置20，从而执行各种功能应用以及数据处理，即实现本发明实施例中的图片识别方法。
其中，所述存储器11可以是，但不限于，随机存取存储器(randomaccessmemory，ram)，只读存储器(readonlymemory，rom)，可编程只读存储器(programmableread-onlymemory，prom)，可擦除只读存储器(erasableprogrammableread-onlymemory，eprom)，电可擦除只读存储器(electricerasableprogrammableread-onlymemory，eeprom)等。其中，存储器11用于存储程序，所述处理器12在接收到执行指令后，执行所述程序。
所述处理器12可能是一种集成电路芯片，具有数据的处理能力。上述的处理器12可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
网络模块13用于通过网络建立电子设备10与其他通信终端设备之间的通信连接，实现网络信号及数据的收发操作。上述网络信号可包括无线信号或者有线信号。
可以理解，图1所示的结构仅为示意，电子设备10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
本发明实施例还提供一种计算机可读存储介质，所述可读存储介质包括计算机程序。所述计算机程序运行时控制所述可读存储介质所在电子设备10执行下面的图片识别方法。
图2示出了本发明实施例所提供的一种图片识别方法的流程图。所述方法有关的流程所定义的方法步骤应用于电子设备10，可以由所述处理器12实现。下面将对图2所示的具体流程进行详细阐述：
步骤s21，实时获得待识别图片以及所述待识别图片包括的多个像素点。
例如，获得待识别图片p以及待识别图片p中包括的多个像素点x1、x2…xn。
步骤s22，针对多个像素点中的每个像素点，判断该像素点是否为特征点，若该像素点为特征点，提取该像素点的特征向量，将提取出的各个特征向量进行融合以获得融合特征向量。
请结合参阅图3，本实施例中通过步骤s221、步骤s222、步骤s223和步骤s224列举了步骤s22的其中一种实现方式。
步骤s221，获得该像素点的黑塞矩阵。
例如，获得像素点xi的黑塞矩阵，其中，i∈[1,n]∩z。
步骤s222，将黑塞矩阵与盒滤波器进行卷积，获得该像素点的多个黑塞响应值以及该像素点的图片金字塔，其中，图片金字塔包括多层，各黑塞响应值与各层一一对应。
例如，图片金字塔包括10层，每层对应一个黑塞响应值。
步骤s223，针对图片金字塔中的每层，判断本层对应的黑塞响应值在本层、本层的上一层以及本层的下一层的多个邻域点内是否为最值，若为最值，判定该像素点为特征点。
例如，针对图片金字塔的第三层，判断第三层的黑塞响应值在本层、第二层以及第四层的多个邻域点内是否为最大值或最小值，若为最大值或最小值，判定该像素点为特征点。
又例如，本层的邻域点数量可以为八个，第二层的邻域点可以为九个，第四层的邻域点可以为九个。
步骤s224，提取该像素点的特征向量，将提取出的各个特征向量进行融合以获得融合特征向量。
例如，提取xi的特征向量，将提取出的所有特征向量进行融合获得融合特征向量。
步骤s23，将融合特征向量输入训练器，采用训练器将所述融合特征向量与预存的原始图片融合特征向量进行比对识别，获得相似度比例值。
其中，训练器中预存有原始图片融合特征向量以及相似度界定值。
步骤s24，判断相似度比例值是否小于预设相似度界定值，根据判断结果进行相应操作。
例如，若相似度比例值小于预设相似度界定值，发送判定待识别图片为造假图片的提示，提取出融合特征向量中与原始图片融合特征向量不匹配的至少一个特征向量，将至少一个特征向量对应的像素点在待识别图片中标出。
可选地，该方法可以将至少一个特征向量输入训练器，对训练器进行二次训练，如此设置，能够对训练器进行优化，提高后续的识别效率，缩短识别时间，例如，若后续的造假图片的造假区域(特征向量)与训练器存储了的造假特征向量匹配，训练器能够快速识别出后续造假图片的造假区域(特征向量)。
在本实施例中，训练器为卷积神经网络训练器。
可选地，该方法还可以获得修改预设相似度界定值的修改指令，根据修改指令对预设相似度界定值进行修改。如此设置，可以对造假识别的严格程度进行把控。
在上述基础上，如图4所示，本发明实施例提供了一种图片识别装置20，所述图片识别装置20包括：获取模块21、特征点判断模块22、相似度比例值获取模块23和判断模块24。
获取模块21，用于实时获得待识别图片以及所述待识别图片包括的多个像素点。
由于获取模块21和图2中步骤s21的实现原理类似，因此在此不作更多说明。
特征点判断模块22，用于针对所述多个像素点中的每个像素点，判断该像素点是否为特征点，若该像素点为特征点，提取该像素点的特征向量，将提取出的各个特征向量进行融合以获得融合特征向量。
由于特征点判断模块22和图2中步骤s22的实现原理类似，因此在此不作更多说明。
相似度比例值获取模块23，用于将所述融合特征向量输入训练器，其中，所述训练器预存有原始图片融合特征向量；采用所述训练器将所述融合特征向量与所述原始图片融合特征向量进行比对识别，获得相似度比例值。
由于相似度比例值获取模块23和图2中步骤s23的实现原理类似，因此在此不作更多说明。
判断模块24，用于判断所述相似度比例值是否小于预设相似度界定值，若所述相似度比例值小于所述预设相似度界定值，发送判定所述待识别图片为造假图片的提示，提取出所述融合特征向量中与所述原始图片融合特征向量不匹配的至少一个特征向量，将所述至少一个特征向量对应的像素点在所述待识别图片中标出。
由于判断模块24和图2中步骤s24的实现原理类似，因此在此不作更多说明。
可选地，该图片识别装置20还包括二次训练模块和修改模块，其中，二次训练模块用于将所述至少一个特征向量输入所述训练器，对所述训练器进行二次训练。修改模块用于获得修改所述预设相似度界定值的修改指令，根据所述修改指令对所述预设相似度界定值进行修改。
综上，本发明实施例所提供的图片识别方法、装置及电子设备，通过对融合特征向量进行识别，能够提高对造假图片的识别准确度。
进一步地，本方法还将造假的特征向量对应的区域标出，便于后续的分析。
进一步地，本方法还将造假的特征向量输入训练器，对训练器进行二次训练，实现对训练器的优化，提高后续的识别效率，缩短识别时间。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备10，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。