[发明专利]一种拼接图像识别方法、计算机可读存储介质及电子设备

说明书

本发明涉及图像处理技术领域，具体提供一种拼接图像识别方法、计算机可读存储介质及电子设备，旨在解决现有拼接图像识别准确性差的问题。为此目的，本发明的拼接图像识别方法包括：采用结合边缘预测模型训练得到的拼接图像识别模型对待识别图像进行识别，得到识别结果；在训练过程，基于样本识别结果确定待训练的拼接图像识别模型的损失以及基于边缘预测结果确定边缘预测模型的弱监督损失，基于待训练的拼接图像识别模型的损失和弱监督损失对待训练的拼接图像识别模型和边缘预测模型进行迭代训练，得到拼接图像识别模型。该方式减少了训练过程中对标注信息的依赖，允许更多的数据加入到训练，从而有利于优化网络性能，提高拼接图像识别精确度。

技术领域

本发明涉及图像处理技术领域，具体提供一种拼接图像识别方法、计算机可读存储介质及电子设备。

背景技术

随着技术的快速发展，出现了越来越多功能强大的图像编辑软件，这些图像编辑软件可以实现通过拼接图像得到修改后的图像。然而在一些基于图像进行识别或认证的场景中，需要保证输入图像的真实性，因此，如何识别由拼接形成的图像也成为图像处理技术领域比较重要的问题之一。

相关技术中，卷积神经网络(Convolutional Neural Networks,CNN)以其能够自主提取图像潜在特征的优势，已成为拼接图像识别方法采用的主流网络模型。基于CNN进行拼接图像识别的难点在于如何更有效的挖掘图像的拼接信息，目前的方法大致可以分为两类：

第一类，基于多尺度特征融合的识别方法。这类方法将CNN不同层的特征结合起来以弥补仅使用顶层特征进行识别的局限性。该方法中虽然通过结合底层特征能够保留一些图像中的边缘角点信息，但是其采用的标准的卷积操作不能有效提取隐蔽的拼接痕迹，并且由于需要额外的分支来完成不同尺度特征的融合过程，网络的参数量也会增加，从而影响推理速度。

第二类，基于拼接边缘强监督的识别方法。这类方法需要在网络训练过程中提供真实的拼接边缘标注信息，作为强监督信息来指导网络学习。然而在实际场景下，很难获取到拼接图像实际的拼接边缘，并且人工标注的代价也很高，因此会导致大量的数据不能被纳入训练，用于训练的数据少，得到的训练好的模型可适用范围和精确度相对较差。

发明内容

本发明旨在解决上述技术问题，即，解决现有拼接图像识别准确性差的问题。

在第一方面，本发明提供一种拼接图像识别方法，其包括：

将待识别图像输入拼接图像识别模型，得到识别结果；其中，结合边缘预测模型通过以下步骤训练得到所述拼接图像识别模型：

利用待训练的拼接图像识别模型，得到训练图像样本的样本识别结果；

利用所述边缘预测模型得到所述训练图像样本的边缘预测结果；

基于所述样本识别结果确定所述待训练的拼接图像识别模型的损失，以及，基于所述边缘预测结果确定所述边缘预测模型的弱监督损失；

根据所述待训练的拼接图像识别模型的损失和所述弱监督损失对所述待训练的拼接图像识别模型和所述边缘预测模型进行迭代训练，得到所述拼接图像识别模型。

在一些实施例中，所述边缘预测结果为边缘预测二值图，所述基于所述边缘预测结果确定所述边缘预测模型的弱监督损失，包括：

基于所述边缘预测二值图中每个像素值与非边缘像素值的差值绝对值，确定未拼接图像弱监督损失；

和/或，

根据边缘像素值和所述边缘预测二值图对应的最大池化结果的差值，确定拼接图像弱监督损失。

在一些实施例中，所述待训练的拼接图像识别模型包括二分类网络，所述待训练的拼接图像识别模型的损失包括二分类交叉熵损失。