水印的检测方法、装置、存储介质以及电子设备与流程

本申请涉及神经网络技术领域，尤其涉及一种水印的检测方法、装置、存储介质以及电子设备。

背景技术：

现有技术中，许多网页上的视频、拍摄软件所录制的视频上会带有水印。当需要对这类视频进行水印去除、水印过滤等处理时，就需要对视频中的水印位置进行检测，以实现水印去除、水印过滤等操作。

现有的水印检测方法中，通常通过采用了大量水印图片样本训练出来的神经网络模型，对视频中的图像的水印位置进行检测识别。但这种水印检测方法所需的样本数量较大，训练成本较高，训练过程也较为繁琐。且现有的水印检测方法中采用的神经网络模型较为复杂，运算速度也较慢，不能够快速检测识别视频中的水印。

技术实现要素：

基于上述现有技术的缺点，本申请提供一种水印的检测方法、装置、存储介质以及电子设备，以简化神经网络的模型训练过程，提高神经网络模型运算识别出水印位置的速度。

本申请第一方面公开了一种水印的检测方法，包括：

获取图像序列；其中，所述图像序列包括多个拍摄时间连续的图像；

利用所述图像序列中的每一个图像的像素点的灰度梯度，对所述图像序列中图像存在的水印区域进行定位，得到所述水印区域的第一位置信息；

根据目标图像中处于所述水印区域的第一位置信息指代区域内的像素点的灰度梯度，对卷积神经网络中的卷积核的参数进行设置，其中，所述目标图像为所述图像序列中的一个图像；

利用参数设置后的所述卷积神经网络，对所述图像序列中的图像存在的水印区域进行定位，得到所述水印区域的第二位置信息；

利用所述水印区域的第一位置信息和所述水印区域的第二位置信息，确定出所述水印区域的最终位置信息。

可选地，在上述水印的检测方法中，所述根据目标图像中处于所述水印区域的第一位置信息指代区域内的像素点的灰度梯度，对卷积神经网络中的卷积核的参数进行设置，包括：

针对卷积神经网络中的卷积核的每一个参数，将所述参数设置为匹配位置的像素点的灰度梯度；其中，所述卷积核中的一个参数，与所述目标图像处于所述水印区域的第一位置信息指代区域内等同位置的像素点，属于位置匹配；所述卷积核的参数量与所述目标图像处于所述水印区域的第一位置信息指代区域内的像素点个数一致。

可选地，在上述水印的检测方法中，所述利用参数设置后的所述卷积神经网络，对所述图像序列中的图像存在的水印区域进行定位，得到所述水印区域的第二位置信息，包括：

将所述图像序列的图像输入至参数设置后的所述卷积神经网络中，通过参数设置后的卷积核分别对所述图像序列的图像中的每一个像素点计算特征相似度，得到所述图像序列的图像中的每一个像素点对应的特征相似度；

将特征相似度最大的像素点所在的位置，确定为所述水印区域的第二位置信息指代区域的中心位置，并将所述水印区域的第一位置信息指代区域的尺寸确定为所述水印区域的第二位置信息指代区域的尺寸；

根据确定出的所述水印区域的第二位置信息指代区域的中心位置、以及所述水印区域的第二位置信息指代区域的尺寸，确定出所述水印区域的第二位置信息。

可选地，在上述水印的检测方法中，所述利用所述图像序列中的每一个图像的像素点的灰度梯度，对所述图像序列中图像存在的水印区域进行定位，得到所述水印区域的第一位置信息，包括：

针对所述图像序列的一个图像中的每一个像素点，对所述像素点在所述图像序列的每一个图像中的灰度梯度求取平均值，得到所述像素点的平均灰度梯度；

对每一个所述像素点的平均灰度梯度进行归一化处理，分别得到每一个所述像素点的归一化处理后的平均灰度梯度；

筛选出满足所述归一化处理后的平均灰度梯度大于或等于平均值阈值的像素点；

利用筛选出的像素点，得到所述水印区域的第一位置信息。

可选地，在上述水印的检测方法中，所述利用所述水印区域的第一位置信息和所述水印区域的第二位置信息，确定出所述水印区域的最终位置信息，包括：

利用所述水印区域的第一位置信息指代区域的中心位置、以及所述水印区域的第二位置信息指代区域的中心位置，确定出所述水印区域的最终位置信息指代区域的中心位置，并将所述水印区域的最终位置信息指代区域的尺寸设置为所述水印区域的第一位置信息指代区域的尺寸；

根据所述水印区域的最终位置信息指代区域的中心位置、以及所述水印区域的最终位置信息指代区域的尺寸，确定出所述水印区域的最终位置信息。

可选地，在上述水印的检测方法中，还包括：

分别将所述图像序列的每一个图像输入至图像要素检测模型中，标记出每一个图像中的每一个图像要素所在的位置；其中，所述图像要素检测模型通过多个未标记图像要素的图像、以及各自对应的已标记图像要素的图像对神经网络模型进行训练得到；

其中，所述利用所述水印区域的第一位置信息和所述水印区域的第二位置信息，确定出所述水印区域的最终位置信息之后，还包括：

针对每一个图像中的每一个图像要素，若所述图像要素所在的位置处于所述图像中的所述最终位置信息指定区域内，则滤除对所述图像要素的标记。

本申请第二方面公开了一种水印的检测装置，包括：

获取单元，用于获取图像序列；其中，所述图像序列包括多个拍摄时间连续的图像；

第一定位单元，用于利用所述图像序列中的每一个图像的像素点的灰度梯度，对所述图像序列中图像存在的水印区域进行定位，得到所述水印区域的第一位置信息；

设置单元，用于根据目标图像中处于所述水印区域的第一位置信息指代区域内的像素点的灰度梯度，对卷积神经网络中的卷积核的参数进行设置，其中，所述目标图像为所述图像序列中的一个图像；

第二定位单元，用于利用参数设置后的所述卷积神经网络，对所述图像序列中的图像存在的水印区域进行定位，得到所述水印区域的第二位置信息；

确定单元，用于利用所述水印区域的第一位置信息和所述水印区域的第二位置信息，确定出所述水印区域的最终位置信息。

可选地，在上述水印的检测装置中，所述设置单元，包括：

设置子单元，用于针对卷积神经网络中的卷积核的每一个参数，将所述参数设置为匹配位置的像素点的灰度梯度；其中，所述卷积核中的一个参数，与所述目标图像处于所述水印区域的第一位置信息指代区域内等同位置的像素点，属于位置匹配；所述卷积核的参数量与所述目标图像处于所述水印区域的第一位置信息指代区域内的像素点个数一致。

可选地，在上述水印的检测装置中，所述第二定位单元，包括：

第一计算子单元，用于将所述图像序列的图像输入至参数设置后的所述卷积神经网络中，通过参数设置后的卷积核分别对所述图像序列的图像中的每一个像素点计算特征相似度，得到所述图像序列的图像中的每一个像素点对应的特征相似度；

第一确定子单元，用于将特征相似度最大的像素点所在的位置，确定为所述水印区域的第二位置信息指代区域的中心位置，并将所述水印区域的第一位置信息指代区域的尺寸确定为所述水印区域的第二位置信息指代区域的尺寸；

第二确定子单元，用于根据确定出的所述水印区域的第二位置信息指代区域的中心位置、以及所述水印区域的第二位置信息指代区域的尺寸，确定出所述水印区域的第二位置信息。

可选地，在上述水印的检测装置中，所述第一定位单元，包括：

第二计算子单元，用于针对所述图像序列的一个图像中的每一个像素点，对所述像素点在所述图像序列的每一个图像中的灰度梯度求取平均值，得到所述像素点的平均灰度梯度；

归一化子单元，用于对每一个所述像素点的平均灰度梯度进行归一化处理，分别得到每一个所述像素点的归一化处理后的平均灰度梯度；

筛选子单元单元，用于筛选出满足所述归一化处理后的平均灰度梯度大于或等于平均值阈值的像素点；

第三确定子单元，用于利用筛选出的像素点，得到所述水印区域的第一位置信息。

可选地，在上述水印的检测装置中，所述确定单元，包括：

第四确定子单元，用于利用所述水印区域的第一位置信息指代区域的中心位置、以及所述水印区域的第二位置信息指代区域的中心位置，确定出所述水印区域的最终位置信息指代区域的中心位置，并将所述水印区域的最终位置信息指代区域的尺寸设置为所述水印区域的第一位置信息指代区域的尺寸；

第五确定子单元，用于根据所述水印区域的最终位置信息指代区域的中心位置、以及所述水印区域的最终位置信息指代区域的尺寸，确定出所述水印区域的最终位置信息。

可选地，在上述水印的检测装置中，还包括：

标记单元，用于分别将所述图像序列的每一个图像输入至图像要素检测模型中，标记出每一个图像中的每一个图像要素所在的位置；其中，所述图像要素检测模型通过多个未标记图像要素的图像、以及各自对应的已标记图像要素的图像对神经网络模型进行训练得到；

其中，所述水印的检测装置，还包括：

滤除单元，用于针对每一个图像中的每一个图像要素，若所述图像要素所在的位置处于所述图像中的所述最终位置信息指定区域内，则滤除对所述图像要素的标记。

本申请第三方面公开了一种计算机存储介质，用于存储程序，所述程序被执行时，用于实现如上述第一方面任意一项所述的水印的检测方法。

本申请第四方面公开了一种电子设备，包括存储器和处理器；其中，所述存储器用于存储程序；所述处理器用于执行所述程序，所述程序被执行时，具体用于实现如上述第一方面任意一项所述的水印的检测方法。

本申请第五方面提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面的各种可选实现方式中提供的水印的检测方法。

从上述技术方案可以看出，本申请实施例提出的水印的检测方法中，通过图像序列中的每一个图像的像素点的灰度梯度，对图像序列中图像存在的水印区域进行定位，得到水印区域的第一位置信息。然后根据目标图像中处于水印区域的第一位置信息指代区域内的像素点的灰度梯度，对卷积神经网络中的卷积核的参数进行设置，然后利用参数设置后的卷积神经网络，对图像序列中的图像存在的水印区域进行定位，得到水印区域的第二位置信息。最后利用水印区域的第一位置信息和水印区域的第二位置信息，确定出水印区域的最终位置信息。由于本申请实施例中根据目标图像的处于水印区域的第一位置信息指代区域内的像素点的灰度梯度，对卷积神经网络中的卷积核的参数进行了设置，因此本申请中使用到的卷积神经网络不需要经过训练，且结构较为简单，可快速计算得到水印区域的第二位置信息，进而能利用水印区域的第一位置信息和水印区域的第二位置信息，确定出水印区域的最终位置信息。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提出的一种水印的检测方法的流程示意图；

图2为本申请实施例提出的一种确定出水印区域的第一位置信息的方法的流程示意图；

图3a为一个图像序列中的一个图像的灰度梯度示意图；

图3b为一个图像序列中的另一个图像的灰度梯度示意图；

图3c为一个图像序列中的又一个图像的灰度梯度示意图；

图3d为一个图像序列中的图像的平均灰度梯度示意图；

图4为本申请实施例提出的一种通过参数设置后的卷积核确定出水印区域的过程的示意图；

图5为本申请实施例提出的一种确定出水印区域的第二位置信息的方法的流程示意图；

图6为本申请实施例提出的一种确定出水印区域的最终位置信息的方法的流程示意图；

图7为本申请实施例提出的一种通过第一位置信息和第二位置信息确定出水印区域的最终位置信息的示意图；

图8为本申请实施例提出的一种过滤误检的图像要素的标记的示意图；

图9为本申请实施例提出的一种水印的检测装置的结构示意图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。

参阅图1，本申请实施例公开了一种水印的检测方法，具体包括以下步骤：

s101、获取图像序列。

其中，图像序列包括多个拍摄时间连续的图像。例如使用摄像头连拍的多张图像所构成的图像序列，又例如一个视频在某个时间段内连续的多张视频帧所构成的图像序列等。由于图像序列中的所有图像是拍摄时间连续的多个图像，因此若图像序列中的图像存在水印，则图像序列中每一个图像的水印在图像中的位置均是相同的。例如，图像序列中的某一个图像的水印在图像的左上角区域，那么图像序列中其他图像的水印也在图像中的左上角区域。

需要说明的是，获取图像序列可以是获取图像序列中的每一张图像，还可以是获取图像序列中的每一张图像的所对应的图像信息，图像信息可以是像素点的像素值、像素点的位置信息等等。

s102、利用图像序列中的每一个图像的像素点的灰度梯度，对图像序列中图像存在的水印区域进行定位，得到水印区域的第一位置信息。

如果把图像看成二维离散函数，灰度梯度其实就是这个二维离散函数的求导，用差分代替微分，求取图像的灰度梯度。图像的灰度梯度可以理解成是图像的灰度变化率，往往图像中的边缘位置的灰度梯度会较大。常用的一些灰度梯度模板有：罗伯茨梯度、索贝尔梯度、普鲁伊特梯度、拉普拉斯梯度。灰度梯度可以用于检测图像的边缘，图像边缘的灰度梯度的值会较于非图像边缘的灰度梯度的值大。

由于图像序列中的每一个图像的水印区域的位置实际上是不变的，因此每一个图像在水印区域中的像素点的灰度梯度也会是不变，或者变化较小的。且水印区域属于图像的边缘，因此水印区域处的像素点的灰度梯度的值也会较其他处的像素点的灰度梯度值大。因此，水印区域处的像素点具有灰度梯度值大，且在不同图像中的灰度梯度值变化较小的特点。

根据图像序列中的图像在水印区域处的像素点的灰度梯度的特征，即可利用图像序列中的每一个图像的像素点的灰度梯度，对图像序列中图像存在的水印区域进行定位，得到水印区域的第一位置信息。需要说明的是，水印区域的第一位置信息包括了水印区域中的多个像素点的位置信息，通过水印区域的第一位置信息，可以确定出水印区域在图像中的第一位置。

具体地，利用图像序列中的每一个图像的像素点的灰度梯度，确定出在图像序列的每一个图像中灰度梯度的变化较小、且在每一个图像中灰度梯度的值均较大的像素点的位置信息。其中，确定出的像素点的位置信息包含于水印区域的第一位置信息中。

可选地，参阅图2，在本申请一具体实施例中，执行步骤s102的一种实施方式，包括：

s201、针对图像序列的一个图像中的每一个像素点，对像素点在图像序列的每一个图像中的灰度梯度求取平均值，得到像素点的平均灰度梯度。

具体地，任意选取出图像序列的一个图像，然后针对该图像中的每一个像素点，对像素点在图像序列中的灰度梯度求取平均值，得到像素点的平均灰度梯度。举例说明，某一个图像序列中包括有图像a、图像b以及图像c。任意选取出图像序列中的一个图像，例如图像a，然后对图像a中每一个像素点在每一个图像中的灰度梯度求取平均值，得到每一个像素点的平均灰度梯度。例如，针对图像a左上角位置处的像素点a，将图像a中左上角位置的像素点a的灰度梯度、以及图像b中左上角位置的像素点a的灰度梯度以及图像c中左上角位置的像素点a的灰度梯度求取平均值，得到像素点a的平均灰度梯度。

可选地，执行步骤s201的过程中，针对图像序列的一个图像中的每一个像素点，将该像素点在图像序列的每一个图像中的灰度梯度代入至第一公式中，得到像素点的平均灰度梯度。

其中，第一公式为：其中，(x，y)表示图像序列的一个图像中的一个像素点的坐标，表示坐标为(x，y)处的像素点的平均灰度梯度，n为图像序列中的图像总数，gradi(x，y)表示第i个图像中位于坐标(x，y)处的像素点的灰度梯度。

由于图像序列中每一个图像的水印区域是不变的，因此水印区域处的像素点在不同图像中的像素点灰度梯度变化较小或者不变，且灰度梯度的值也会较大。因此经过平均值计算后所得到的处于水印区域处的像素点的平均灰度梯度是会较大的，而不处于水印区域处的像素点由于在不同图像中的灰度梯度是不同的，即有大有小，因此经过平均值计算后，不处于水印区域处的像素点的灰度梯度就会较小。

举例说明，图3a、图3b以及图3c是属于同一个图像序列中的3个图像的灰度梯度图，其中，灰度梯度越大的像素点位置处的颜色越浅，灰度梯度越小的像素点位置处的颜色越深。通过比较图3a、图3b以及图3c可知，左上角部分的水印区域的像素点在图3a、图3b以及图3c中的颜色深浅度一致，而其他位置的像素点在图3a、图3b以及图3c中的颜色深浅度是互不相同的。且图3a、图3b以及图3c左上角部分水印区域的颜色均较浅，及灰度梯度值较大。执行步骤s201的过程中，任意选取出一个图像，例如图3a，针对图3a中的每一个像素点，对像素点在图像序列的每一个图像中的灰度梯度求取平均值，得到像素点的平均灰度梯度。如图3d所示，通过颜色的深浅度来表示平均灰度梯度的大小，颜色越浅则平均灰度梯度越大，颜色越深则平均灰度梯度越小。因此能够从图3d中明显看出，水印区域部分的平均灰度梯度相较于其他像素点的平均灰度梯度要大。

s202、对每一个像素点的平均灰度梯度进行归一化处理，分别得到每一个像素点的归一化处理后的平均灰度梯度。

将步骤s201所得到的每一个像素点的平均灰度梯度进行归一化处理，将每一个像素点的平均灰度梯度转化为一个对应的处于0至1范围内的值。具体地，将步骤s201中所得到的像素点的平均灰度梯度中的最大值按照比例缩小或放大为1，其他像素点的平均灰度梯度也按照该比例进行转换，实现归一化。

s203、筛选出满足归一化处理后的平均灰度梯度大于或等于平均值阈值的像素点。

由于步骤s202中对每一个像素点的平均灰度梯度进行了归一化处理，因此可以采用固定的平均值阈值，从所有像素点中筛选出平均灰度梯度较大(即归一化处理后的平均灰度梯度大于或等于平均值阈值)的像素点。由于水印区域处的像素点归一化处理后的平均灰度梯度会相较于其他像素点更大，因此可以通过设置一个合适的平均值阈值，将处于水印区域处的像素点筛选出来。例如，可以将平均值阈值设为0.8，筛选出归一化处理后的平均灰度梯度大于或等于0.8的像素点。步骤s203所筛选出的像素点可以认为是通过像素点的灰度梯度所定位出来的属于水印区域内的像素点。

s204、利用筛选出的像素点，得到水印区域的第一位置信息。

筛选出的像素点认为是确定出来的属于图像序列中的图像的水印区域的像素点，因此通过筛选出的像素点的位置信息，可以确定出水印区域的第一位置。具体地，根据筛选出的像素点的位置信息，可以划定出水印区域的范围，将划定出的水印区域的范围的位置信息作为得到的水印区域的第一位置信息。

s103、根据目标图像中处于水印区域的第一位置信息指代区域内的像素点的灰度梯度，对卷积神经网络中的卷积核的参数进行设置。

其中，目标图像为图像序列中的一个图像。具体地，可以任意选取出图像序列中的一个图像作为目标图像。然后依据目标图像中处于水印区域的第一位置信息指代区域内的像素点的灰度梯度，对卷积神经网络中的卷积核参数进行设置，以使得卷积核具有了图像序列中的图像的水印区域处的灰度梯度特征。进而能够利用该卷积核定位出图像序列中的图像的水印区域。

可选地，在本申请一具体实施例中，执行步骤s103的一种实施方式，包括：

针对卷积神经网络中的卷积核的每一个参数，将参数设置为匹配位置的像素点的灰度梯度。

其中，卷积核中的一个参数，与目标图像处于水印区域的第一位置信息指代区域内等同位置的像素点，属于位置匹配。卷积核的参数量与目标图像处于水印区域的第一位置信息指代区域内的像素点个数一致。例如，如果水印区域第一位置信息的像素点个数为w×h×3，其中，w×h是单通道情况下水印区域的像素个数，而一般来说图像通道数为3，因此水印区域的第一位置信息指代区域内的像素点个数为w×h×3，卷积核的参数量也为w×h×3。而位置匹配，指的是，如果目标图像在水印区域的第一位置信息指代区域内的某个通道的像素点的个数为3×3，分布呈3行3列的形式，那么卷积核也存在3×3个对应的参数。具体地，目标图像在第一行第一列处的像素点，与对应卷积核在第一行第一列的参数属于位置匹配，将卷积核在第一行第一列的参数设置为目标图像在第一行第一列处的像素点的灰度梯度。同样的，其他卷积核中的参数的设置方式也相同，此处不再赘述。

现有技术中，使用神经网络模型去定位水印区域时，需要预先使用大量的水印图像对神经网络模型进行序列，在训练过程中卷积核不断提取图像中的特征并不断调整参数，以训练得到最终能够精准定位出水印区域的卷积核。现有的方案中，在训练神经网络过程中，所使用到的进行训练的水印图像非常多，训练过程较为繁琐，且训练出来的卷积核非常的复杂，提取的特征较多，最终使用训练好的神经网络模型进行水印区域的定位时，运算时间较长。

而本申请实施例中，由于预先从步骤s102中识别出了水印区域的第一位置信息，进而能够提取出水印区域第一位置信息指代区域内的像素点的灰度梯度，来设置卷积神经网络中的卷积核，使得卷积核不需要经过训练即可获取到了水印区域部分的灰度梯度的特征，简化了卷积神经网络的训练过程。此外，本申请实施例中的卷积神经网络模型中的卷积核只使用到了图像的灰度梯度部分的特征，而没有涉及图像的其他特征，结构较为简单，能够在保证准确定位的条件下快速定位出水印区域。

本申请实施例提出的水印的检测方法，可以应用到计算机视觉技术中的图像处理、图像识别、图像语义理解、视频处理、视频语义理解、视频内容/行为识别等技术。计算机视觉技术是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。当计算机视觉技术的相关应用中需要对带有水印的图像、视频等进行识别、语义理解、处理等操作时，即可通过本申请实施例所提出的水印的检测方法快速准确的定位出水印的位置，进而实现对水印进行过滤、去除等操作，消除水印在计算机视觉技术应用中对图像、视频的识别干扰。

s104、利用参数设置后的卷积神经网络，对图像序列中的图像存在的水印区域进行定位，得到水印区域的第二位置信息。

由于参数设置后的卷积神经网络中的卷积核是具有水印区域部分的图像的灰度梯度特征的，因此可以使用该卷积神经网络对图像序列中的图像进行定位。

又因为图像序列中的每一个图像的水印区域的位置都是一致的，所以可以选择只对图像序列中的其中一个图像进行定位，得到水印区域的第二位置信息。可选地，由于步骤s103中使用到的是目标图像的灰度梯度对卷积核进行设置，因此在执行步骤s104时，可以选择对目标图像进行定位，进而能够得到更为精准的水印区域的第二位置信息。举例说明，参阅图4，某一个图像序列包括有图像401、图像402、以及图像403。选择使用图像401、图像402、以及图像403中的图像403在水印区域的第一位置信息指代区域内的像素点的灰度梯度，对卷积神经网络中的卷积核的参数进行设置，得到参数设置后的卷积核404。然后使用参数设置后的卷积核对图像403进行定位后，输出了图像403中的水印区域405的位置信息作为输出结果。

可选地，还可以选择对图像序列中的多个图像分别进行定位，综合得到水印区域的第二位置信息。即将图像序列中的多个图像输入至参数设置后的卷积神经网络中，通过参数设置后的卷积核分别对图像序列中的多个图像进行水印区域的定位，然后再通过每一个图像所定位出的水印区域综合确定出水印区域的第二位置信息。还可以在执行步骤s103时，对多个卷积核的参数分别进行设置，一个卷积核与图像序列中的一个图像相对应，即执行步骤s103时使用与卷积核对应的图像在水印区域的第一位置信息指代区域内的像素点的灰度梯度，对该卷积核进行设置。然后在执行步骤s104时，可以将与卷积核相对应得的图像输入至对应的卷积核所在的卷积神经网络中，定位出该图像的水印区域。然后分别将得到的每一个图像中的水印区域的位置信息综合计算，确定出水印区域的第二位置信息。

可选地，参阅图5，在本申请一具体实施例中，执行步骤s104的一种实施方式，包括：

s501、将图像序列的图像输入至参数设置后的卷积神经网络中，通过参数设置后的卷积核分别对图像序列的图像中的每一个像素点计算特征相似度，得到图像序列的图像中的每一个像素点对应的特征相似度。

具体地，针对图像序列的图像中的每一个像素点，将该像素点的灰度梯度、以及参数设置后的卷积神经网络中的参数，计算得到该像素点对应的特征相似度。特征相似度用于说明像素点的灰度梯度与卷积核参数中的参数所设置的灰度梯度之间的相似程度。

s502、将特征相似度最大的像素点所在的位置，确定为水印区域的第二位置信息指代区域的中心位置，并将水印区域的第一位置信息指代区域的尺寸确定为水印区域的第二位置信息指代区域的尺寸。

特征相似度的值最大的像素点所在的位置，是最可能属于水印区域的位置，因此可以将特征相似度最大的像素点所在的位置，确定为水印区域的第二位置信息指代区域的中心位置。然后将步骤s102所得到的水印区域的第一位置信息指代区域的尺寸确定为水印区域的第二位置信息指代区域的尺寸。例如，将步骤s102所得到的水印区域的第一位置信息指代区域的长和宽，确定为水印区域的第二位置信息指代区域的长和宽。

s503、根据确定出的水印区域的第二位置信息指代区域的中心位置、以及水印区域的第二位置信息指代区域的尺寸，确定出水印区域的第二位置信息。

由于第二位置信息指代区域的中心位置、以及尺寸均已知，进而能够确定出水印区域在图像中的位置，即确定出了水印区域的第二位置信息。

s105、利用水印区域的第一位置信息和水印区域的第二位置信息，确定出水印区域的最终位置信息。

需要说明的是，水印区域的第一位置信息和水印区域的位置信息均是对图像序列中的图像的水印区域进行定位后所得到的位置信息，但不同的是，水印区域的第一位置信息是利用图像的灰度梯度得到的，而水印区域的第二位置信息则是使用参数设置后的卷积神经网络所得到的。由于采用的定位方式不同，因此得到的水印区域的第一位置信息和水印区域的第二位置信息不一定是完全相同的，进而可以执行步骤s105，融合两种不同的水印区域定位方式所得到的结果的优势，得到更为准确的水印区域的最终位置信息。

具体地，可以是融合第一位置信息和第二位置信息指代区域的共同部分，作为水印区域的最终位置信息指代区域，还可以是将第一位置信息和第二位置信息再次进行运算，确定出最终位置信息。

可选地，参阅图6，在本申请一具体实施例中，执行步骤s105的一种实施方式，包括：

s601、利用水印区域的第一位置信息指代区域的中心位置、以及水印区域的第二位置信息指代区域的中心位置，确定出水印区域的最终位置信息指代区域的中心位置，并将水印区域的最终位置信息指代区域的尺寸设置为水印区域的第一位置信息指代区域的尺寸。

利用水印区域的第一位置信息指代区域的中心位置以及水印区域的第二位置信息指代区域的中心位置，确定出水印区域的最终位置信息指代区域的中心位置。即融合了两种不同定位方式所定位出的水印区域的中心位置，确定出更为准确的水印区域的最终位置信息指代区域的中心位置。而水印区域的最终位置信息指代区域的尺寸设置为与水印区域的第一位置信息指代区域的尺寸一致。

具体地，参阅图7，水印区域的第一位置信息指代区域为区域701，区域701的中心位置在a点处，而水印区域的第二位置信息的指代区域为区域703，区域703的中心位置在b点处，进而可以根据a点与b点的坐标确定出t点，让t点作为水印区域的最终位置信息指代区域的中心位置。具体的，将a点和b点的坐标代入至第二公式中，求得t点的坐标，其中，第二公式为：t点的坐标t(x，y)＝α×a(x，y)+(1-α)×b(x，y)。其中，a(x，y)为a点的坐标，即第一位置信息指代区域的中心位置坐标，b(x，y)为b点的坐标，即第二位置信息指代区域的中心位置坐标。α为权重因子，如果认为使用灰度梯度定位水印区域的准确度更高，可以加大α的值，即加大a点坐标的权重，如果认为参数设置后的卷积神经网络的准确度更高，则可以减小α的值，即增加b点坐标的权重。

s602、根据水印区域的最终位置信息指代区域的中心位置、以及水印区域的最终位置信息指代区域的尺寸，确定出水印区域的最终位置信息。

由于水印区域的最终位置信息以及水印区域的最终位置信息指代区域的尺寸均已经确定，进而能够确定出水印区域的最终位置信息。具体地，参阅图7，确定出t点坐标后，设置最终位置信息指代区域的尺寸与区域701一致，进而得到区域702，区域702的位置信息即为水印区域的最终位置信息。

可选地，在本申请一具体实施例中，执行步骤s101之后，还包括：

分别将图像序列的每一个图像输入至图像要素检测模型中，标记出每一个图像中的每一个图像要素所在的位置。其中，图像要素检测模型通过多个未标记图像要素的图像、以及各自对应的已标记图像要素的图像对神经网络模型进行训练得到。执行步骤s105之后，还包括：

针对每一个图像中的每一个图像要素，若图像要素所在的位置处于图像中的最终位置信息指定区域内，则滤除对图像要素的标记。

图像要素指的是对于用户而言有用的信息。例如在车载拍照设备采集地图数据图像的应用场景中，图像要素就是限速牌，电子眼等有用的物理点信息。又例如在人脸识别应用场景中，图像要素就是人脸。

使用多个未标记图像要素的图像、以及各自对应的已标记图像要素的图像对神经网络模型进行训练得到的图像要素检测模型，能够标记出图像中的图像要素所在的位置。将步骤s101中所获取的图像序列的每一个图像输入至图像要素检测模型中，分别标记出每一个图像中的每一个图像要素所在的位置。例如，在车载拍照设备采集地图数据图像的应用场景中，经过图像要素检测模型标记后，限速牌802被模型标记出来，而由于图像存在水印区域801，因此容易使得图像要素检测模型误标记出区域803，即受水印干扰，模型误标记出803区域为图像要素所在的区域。

因此，执行步骤s105之后，需要对标记出的每一个图像要素进行判断，看标记出的图像要素是否在图像中的水印区域的最终位置信息指代区域内。即通过步骤s105得到水印区域的最终位置信息，检测最终位置信息指代区域内是否有被图像要素检测模型标记。如果有图像要素所在的位置处于图像中的最终位置信息指定区域内，则确定出该图像要素是误检，进而对该图像要素的标记进行滤除，即取消对该图像要素的标记。例如图8所示，图像要素检测模型所标记出的区域803位于水印区域内，因此可对区域803进行滤除。通过步骤s105精准快速的定位出的水印区域的最终位置信息，可以在对图像要素进行检测的应用场景中，降低由于水印所造成的图像要素误检的概率，且快速得到准确的图像要素的标记。

本申请实施例提出的水印的检测方法中，通过图像序列中的每一个图像的像素点的灰度梯度，对图像序列中图像存在的水印区域进行定位，得到水印区域的第一位置信息。然后根据目标图像中处于水印区域的第一位置信息指代区域内的像素点的灰度梯度，对卷积神经网络中的卷积核的参数进行设置，然后利用参数设置后的卷积神经网络，对图像序列中的图像存在的水印区域进行定位，得到水印区域的第二位置信息。最后利用水印区域的第一位置信息和水印区域的第二位置信息，确定出水印区域的最终位置信息。由于本申请实施例中根据目标图像的处于水印区域的第一位置信息指代区域内的像素点的灰度梯度，对卷积神经网络中的卷积核的参数进行了设置，因此本申请中使用到的卷积神经网络不需要经过训练，且结构较为简单，可快速计算得到水印区域的第二位置信息，进而能利用水印区域的第一位置信息和水印区域的第二位置信息，确定出水印区域的最终位置信息。

参阅图9，基于上述本申请实施例提出的水印的检测方法，本申请实施例对应公开了一种水印的检测装置，包括：获取单元901、第一定位单元902、设置单元903、第二定位单元904以及确定单元905。

获取单元901，用于获取图像序列。其中，图像序列包括多个拍摄时间连续的图像。

第一定位单元902，用于利用图像序列中的每一个图像的像素点的灰度梯度，对图像序列中图像存在的水印区域进行定位，得到水印区域的第一位置信息。

可选地，在本申请一具体实施例中，第一定位单元902，包括：第二计算子单元、归一化子单元、筛选子单元单元以及第三确定子单元。

第二计算子单元，用于针对图像序列的一个图像中的每一个像素点，对像素点在图像序列的每一个图像中的灰度梯度求取平均值，得到像素点的平均灰度梯度。

归一化子单元，用于对每一个像素点的平均灰度梯度进行归一化处理，分别得到每一个像素点的归一化处理后的平均灰度梯度。

筛选子单元单元，用于筛选出满足归一化处理后的平均灰度梯度大于或等于平均值阈值的像素点。

第三确定子单元，用于利用筛选出的像素点，得到水印区域的第一位置信息。

设置单元903，用于根据目标图像中处于水印区域的第一位置信息指代区域内的像素点的灰度梯度，对卷积神经网络中的卷积核的参数进行设置，其中，目标图像为图像序列中的一个图像。

可选地，在本申请一具体实施例中，设置单元903，包括：

设置子单元，用于针对卷积神经网络中的卷积核的每一个参数，将参数设置为匹配位置的像素点的灰度梯度。其中，卷积核中的一个参数，与目标图像处于水印区域的第一位置信息指代区域内等同位置的像素点，属于位置匹配，卷积核的参数量与目标图像处于水印区域的第一位置信息指代区域内的像素点个数一致。

第二定位单元904，用于利用参数设置后的卷积神经网络，对图像序列中的图像存在的水印区域进行定位，得到水印区域的第二位置信息。

可选地，在本申请一具体实施例中，第二定位单元904，包括：第一计算子单元、第一确定子单元以及第二确定子单元。

第一计算子单元，用于将图像序列的图像输入至参数设置后的卷积神经网络中，通过参数设置后的卷积核分别对图像序列的图像中的每一个像素点计算特征相似度，得到图像序列的图像中的每一个像素点对应的特征相似度。

第一确定子单元，用于将特征相似度最大的像素点所在的位置，确定为水印区域的第二位置信息指代区域的中心位置，并将水印区域的第一位置信息指代区域的尺寸确定为水印区域的第二位置信息指代区域的尺寸。

第二确定子单元，用于根据确定出的水印区域的第二位置信息指代区域的中心位置、以及水印区域的第二位置信息指代区域的尺寸，确定出水印区域的第二位置信息。

确定单元905，用于利用水印区域的第一位置信息和水印区域的第二位置信息，确定出水印区域的最终位置信息。

可选地，在本申请一具体实施例中，确定单元905，包括：

第四确定子单元，用于利用水印区域的第一位置信息指代区域的中心位置、以及水印区域的第二位置信息指代区域的中心位置，确定出水印区域的最终位置信息指代区域的中心位置，并将水印区域的最终位置信息指代区域的尺寸设置为水印区域的第一位置信息指代区域的尺寸。

第五确定子单元，用于根据水印区域的最终位置信息指代区域的中心位置、以及水印区域的最终位置信息指代区域的尺寸，确定出水印区域的最终位置信息。

可选地，在本申请一具体实施例中，还包括：

标记单元，用于分别将图像序列的每一个图像输入至图像要素检测模型中，标记出每一个图像中的每一个图像要素所在的位置。其中，图像要素检测模型通过多个未标记图像要素的图像、以及各自对应的已标记图像要素的图像对神经网络模型进行训练得到，其中，水印的检测装置，还包括：滤除单元，用于针对每一个图像中的每一个图像要素，若图像要素所在的位置处于图像中的最终位置信息指定区域内，则滤除对图像要素的标记。

上述本申请实施例公开的水印的检测装置中的具体的原理和执行过程，与上述本申请实施例公开的水印的检测方法相同，可参见上述本申请实施例公开的水印的检测方法中相应的部分，这里不再进行赘述。

本申请实施例提出的水印的检测装置中，第一定位单元902通过图像序列中的每一个图像的像素点的灰度梯度，对图像序列中图像存在的水印区域进行定位，得到水印区域的第一位置信息。然后设置单元903根据目标图像中处于水印区域的第一位置信息指代区域内的像素点的灰度梯度，对卷积神经网络中的卷积核的参数进行设置，然后第二定位单元904利用参数设置后的卷积神经网络，对图像序列中的图像存在的水印区域进行定位，得到水印区域的第二位置信息。最后确定单元905利用水印区域的第一位置信息和水印区域的第二位置信息，确定出水印区域的最终位置信息。由于本申请实施例中设置单元903根据目标图像的处于水印区域的第一位置信息指代区域内的像素点的灰度梯度，对卷积神经网络中的卷积核的参数进行了设置，因此本申请中使用到的卷积神经网络不需要经过训练，且结构较为简单，可快速计算得到水印区域的第二位置信息，进而能利用水印区域的第一位置信息和水印区域的第二位置信息，确定出水印区域的最终位置信息。

本申请实施例还提供一种计算机存储介质，用于存储程序，程序被执行时，具体用于实现本申请任一实施例所述的水印的检测方法。

本申请实施例还提供一种电子设备，该电子设备包括存储器和处理器。

其中，存储器用于存储计算机程序，处理器用于执行上述计算机程序，具体用于实现本申请任一实施例所提供的水印的检测方法。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。