图片处理方法、装置及电子设备与流程

1.本技术实施例涉及计算机处理技术领域，尤其涉及一种图片处理方法、装置及电子设备。


背景技术：

2.为满足用户的拉货需求，货运网约车应运而生。用户通过自身终端设备上运行的用户端应用程序向货运网约车服务平台发布订单，货运网约车服务平台根据订单的信息向司机的终端设备推送订单，司机通过自身终端设备上运行的司机端应用程序接单。
3.目前，货运网约车服务平台会要求入驻的司机在车辆上粘贴宣传货运网约车服务平台的宣传资料，以及为了规范化管理，定期要求司机向货运网约车服务平台上传包括宣传资料的车辆图片，并采用人工方式审核车辆图片是否包括宣传资料。
4.实际应用中，有些司机并不在其车辆上粘贴宣传资料。为了通过货运网约车服务平台的审核，这些司机通过图片合成方式合成一张包括宣传资料的车辆图片，并上传给货运网约车服务平台进行审核。但是，人工方式难以发现合成的车辆图片，导致审核结果不够准确，且审核效率低下。


技术实现要素：

5.本技术实施例提供一种图片处理方法、装置及电子设备，用以提高了对车辆是否粘贴宣传资料的审核结果准确度。
6.第一方面，本技术实施例中提供了一种图片处理方法，包括：
7.获取司机上传的待审核图片；
8.将所述待审核图片分割成包括车辆的车辆图片和不包括所述车辆的环境图片；
9.分别识别所述车辆图片的光影特征和所述环境图片的光影特征；
10.若所述车辆图片的光影特征和所述环境图片的光影特征不相同，确定所述待审核图片为合成图片。
11.第二方面，本技术实施例中提供了一种图片处理装置，包括：
12.获取模块，用于获取司机端上传的待审核图片；
13.处理模块，用于将所述待审核图片分割成包括车辆的车辆图片和不包括所述车辆的环境图片；分别识别所述车辆图片的光影特征和所述环境图片的光影特征；若所述车辆图片的光影特征和所述环境图片的光影特征不相同，确定所述待审核图片为合成图片。
14.第三方面，本技术实施例中提供了一种电子设备，包括：处理组件以及存储组件；
15.所述存储组件存储一条或多条计算机指令；所述一条或多条计算机指令用以被所述处理组件调用执行，实现上述的图片处理方法。
16.本技术实施例中，针对审核车辆是否粘贴有宣传资料的应用场景，对于司机上传的待审核图片，通过识别待审核图片中车辆图片和环境图片的光影特征是否一致，来自动识别待审核图片是否被合成篡改过。与人工审核相比，提高了对车辆是否粘贴宣传资料的
审核结果准确度，审核效率也更高。
17.本技术的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
18.为了更清楚地说明本技术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一简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，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，还可以根据这些附图获得其他的附图。
19.图1示出了本技术实施例提供的图片处理方法所适用的一种应用场景的示意图；
20.图2示出了本技术实施例提供的一种图片处理方法的流程图；
21.图3示出了本技术实施例提供的另一种图片处理方法的流程图；
22.图4示出了本技术实施例提供的一种图片处理装置的结构示意图；
23.图5示出了本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
24.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
25.在本技术的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
26.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域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，都属于本技术保护的范围。
27.图1示出了本技术实施例提供的图片处理方法所适用的一种应用场景的示意图。如图1所示，该应用场景中包括：终端设备101、服务器102和车辆103。可选地，终端设备101可以通过有线网络、或者无线网络与服务器102进行交互。例如，有线网络可以包括同轴电缆、双绞线和光纤等，无线网络可以是2g网络、3g网络、4g网络或者5g网络、无线保真(wireless fidelity，简称wifi)网络等。本技术对交互的具体类型或者具体形式并不做限定，只要其能够实现服务器102和终端设备101交互的功能即可。需要说明的是，图1中的终端设备101、服务器102和车辆103的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备101、服务器102和车辆103。
28.其中，车辆103可以是在货运网约车服务平台注册的任意货运车辆。
29.其中，终端设备101为具有人机交互功能和拍摄功能的设备，例如，智能手机、平板电脑、笔记本电脑、智能音箱、智能语音交互设备、以及智能手表等，但并不局限于此。
30.其中，服务器102可以为货运网约车服务平台对应的服务端，用于对车辆进行管
理。服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。
31.在审核车辆是否粘贴有宣传资料的应用场景中，司机打开终端设备101上运行的司机端应用程序，开启拍摄功能以利用终端设备上的摄像头拍摄处于真实环境中的车辆，并触发图片上传上传以向服务器发送所拍摄的图片(也即发送待审核图片)，服务器102获得待审核图片之后，服务器102可以利用本技术提供的图片处理方法审核待审核图片是否为合成图片。
32.可以理解，上述应用场景仅是一个示例，并不能构成对本技术实施例提供的图片审核方法的方案的限制。
33.下面，通过具体实施例对本技术所示的技术方案进行详细说明。需要说明的是，下面几个具体实施例可以相互结合，对于相同或相似的内容，在不同的实施例中不再进行重复说明。
34.图2示出了本技术实施例提供的一种图片处理方法的流程图，该方法可以应用于图1所示的服务器中。参见图2，该图片审核方法可以包括以下步骤：
35.步骤201、获取司机上传的待审核图片。
36.其中，待审核图片中包括粘贴有宣传资料的车辆。
37.具体的，通过摄像头对真实环境中的车辆进行拍摄，以获取包括粘贴有宣传资料的车辆的待审核图片。该摄像头可以是司机持有的终端设备中的摄像头，可以是其他设备的摄像头，本技术对此并不限定。其中，其他设备可与司机持有的终端设备进行通信，并向司机的终端设备发送待审核图片。
38.在货运网约车服务平台要求上传包括粘贴有宣传资料的车辆的图片的情形下，司机可以通过运行在司机持有的终端设备上的司机端应用程序，向服务器上传待审核图片。
39.步骤202、将待审核图片分割成包括车辆的车辆图片和不包括车辆的环境图片。
40.实际应用中，车辆和车辆所在的真实环境都处于相同的光源环境下，对车辆在真实环境中进行图像采集得到的采集图像，该采集图像中的车辆图片和环境图片的光影特征理论上是一致。
41.目前，图像篡改技术越来越先进，使得作弊者可以数据图像进行任意修改。例如，作弊者可以利用现有的图片编辑软件将车辆图片和环境图片进行合成处理，得到伪造的待审核图片。由于两幅图像或多幅图像间的合成篡改会改变自然图像的光源一致性，使得合成图片中的光影特征不协调。在合成图片时，作弊者可能没有注意到车辆图片和环境图片之间的光影特征不协调，或者，作弊者光影处理水平有限，无法合成光影特征协调的待审核图片，进而使得司机向货运网约车服务平台上传光影特征不协调的待审核图片。
42.因此，服务器为了识别待审核图片是否为伪造的合成图片，首先将司机上传的待审核图片进行图像分割，以分割出包括车辆的车辆图片和不包括车辆的环境图片。其中，可以采用现有的基于阈值的分割方法、基于区域的分割方法或基于边缘的分割方法等图像分割方法对待审核图片进行分割。关于图像分隔方法可以参见相关技术，在此不再赘述。
43.步骤203、分别识别车辆图片的光影特征和环境图片的光影特征。
44.其中，光影特征可以包括但不限于以下至少一种：图片亮度、光源方向、光照强度。
45.其中，图片亮度也即图片的明暗程度；光源方向是指照射车辆所在的真实环境的光源的方向；光照强度也即照射车辆所在的真实环境的光源的强度信息。
46.应理解，未经篡改的图片中各个部分的明暗程度(也即图片亮度)相当；光源方向相同，光照强度相当。合成篡改的图片常常会使得图片中各个部分的明暗程度不一致，光源方向不一致或者光照强度不一致。
47.实际应用中，服务器可以利用现有的光影分析方法识别图片的光影特征。当然，为了提高光影特征识别的准确度，可以训练一个专门用于分析图片光影特征的光影识别模型，利用光影识别模型识别图片的光影特征。
48.示例性的，光影识别模型的训练方式为：获取样本图像集，样本图像集中任一样本图像标注有自身的光影特征；对样本图像集进行训练，得到光影识别模型；识别模型用于识别图片的光影特征。
49.其中，光影识别模型的模型结构例如包括但并限于卷积神经网络(convolutional neural networks，cnn)、循环神经网络(recurrent neural networks，rnn)、长短期记忆网络(long short
‑
term memory，lstm)。
50.在训练光影识别模型时，获取样本图像及样本图像标注的光影特征；利用样本图像及所标注的光影特征训练光影识别模型。具体的，首先，收集包括大量的样本图像的样本图像集；对任一样本图像的光影特征进行标注。依次将样本图像集中的任一样本图像作为待训练的神经网络的输入参数，以及将该样本图像的标注结果作为待训练的神经网络的期望输出结果，不断地训练神经网络，直至神经网络的损失函数收敛，以完成光影识别模型的训练。其中，损失函数可以是任意的损失函数。优先地，为了提高模型的预测准确性，损失函数可以为交叉熵代价函数。有关训练神经网络的更多技术详见相关技术。
51.步骤204、若车辆图片的光影特征和环境图片的光影特征不相同，确定待审核图片为合成图片。
52.若识别出车辆图片的光影特征和环境图片的光影特征不相同，则待审核图片被合成篡改的概率较大，确定待审核图片为合成图片。反之，若识别出车辆图片的光影特征和环境图片的光影特征相同，则待审核图片被合成篡改的概率较小，确定待审核图片为未经合成篡改的原始图片。
53.实际应用中，可以灵活设置识别车辆图片部分的光影特征和环境图片部分的光影特征是否相同的约束条件。例如，车辆图片部分和环境图片部分两者之间有一个或多个光影特征不相同时，便输出第二识别结果为车辆图片部分的光影特征和环境图片部分的光影特征不相同。又如，车辆图片部分和环境图片部分两者之间有一个或多个光影特征相同时，便输出第二识别结果为车辆图片部分的光影特征和环境图片部分的光影特征相同。
54.本技术实施例中，针对审核车辆是否粘贴有宣传资料的应用场景，对于司机上传的待审核图片，通过识别待审核图片中车辆图片和环境图片的光影特征是否一致，来自动识别待审核图片是否被合成篡改过。与人工审核相比，提高了对车辆是否粘贴宣传资料的审核结果准确度，审核效率也更高。
55.在上述实施例的基础上，确定待审核图片为合成图片之后，还可以将待审核图片推送给审核端，以供审核端通知审核人员审核待审核图片。
56.实际应用中，在自动识别出待审核图片为合成图片之后，为了进一步地提高审核结果的准确度，引入人工审核方式，再次对待审核图片进行复审。
57.在上述实施例的基础上，确定待审核图片为合成图片之后，还可以向司机推送审核结果及作弊惩罚规则。
58.具体而言，向司机的终端设备推送审核结果及作弊惩罚规则，以使司机获知相应的审核结果及作弊惩罚规则。
59.应理解，向司机推送审核结果可以推断审核结果的透明化，使得司机可以及时获知自己是否违反了货运网约车服务平台的针对粘贴宣传资料的反作弊的规定。向司机推送作弊惩罚规则，可以提升司机遵守相关规定的思想意识，也有利于货运网约车服务平台管理司机队伍。
60.图3示出了本技术实施例提供的另一种图片处理方法的流程图，该图片处理方法由服务器来执行。在上述实施例的基础上，本技术实施例增加了在审核图片过程中考虑待审核图片的拍摄属性信息这一因素，以进一步提高对车辆是否粘贴宣传资料的审核结果准确度和审核效率。
61.参见图3，该图片审核方法可以包括以下步骤：
62.301、获取司机上传的待审核图片。
63.关于本实施例的步骤301的具体实现方式和技术效果可以参照上述实施例中步骤201的记载，此处不再赘述。
64.302、根据待审核图片的拍摄属性信息，识别待审核图片是否为疑似合成图片，若判断结果为是，执行步骤303。
65.本技术实施例中，为了进一步提高对车辆是否粘贴宣传资料的审核结果准确度和审核效率，首先根据待审核图片的拍摄属性信息，识别待审核图片是否为疑似合成图片，在识别出待审核图片为疑似合成图片，再利用待审核图片的光影特征识别待审核图片是否为合成图片。当然，若根据待审核图片的拍摄属性信息识别出待审核图片不是疑似合成图片，则可以结束图片审核流程，避免资源浪费。
66.其中，拍摄属性信息包括但不限于以下至少一种：图片拍摄时间、相机设备生产厂家标识、相机设备型号标识、图片源数据中是否包括表征图片合成软件的软件标识。
67.其中，拍摄属性信息可以从由图像采集装置对车辆进行图像采集过程中所记录的exif(exchangeable image file，可交换图像文件)的)信息中获取。
68.实际应用中，可以采用一个或多个拍摄属性信息来判断待审核图片是否为疑似合成图片。当然，拍摄属性信息的数量越多，越能准确识别待审核图片是否为疑似合成图片。
69.在一可实现方式中，根据待审核图片的拍摄属性信息，识别待审核图片是否为疑似合成图片，包括以下至少一种方式：若图片拍摄时间与待审核图片的上传时间不一致，识别待审核图片为疑似合成图片；若相机设备生产厂家标识在相机设备生产厂家黑名单中，识别待审核图片为疑似合成图片；若相机设备型号标识在相机设备型号黑名单中，识别待审核图片为疑似合成图片；若图片源数据中包括表征图片合成软件的软件标识，识别待审核图片为疑似合成图片。
70.其中，相机设备生产厂家黑名单中的相机设备生产厂家指的是出现合成图片比较多的相机设备生产厂家，相机设备生产厂家黑名单可以通过对大量的合成图片对应的相机
设备生产厂家进行数据挖掘得到的。
71.其中，相机设备型号黑名单中的相机设备型号指的是出现合成图片比较多的相机设备型号，相机设备型号黑名单可以通过对大量的合成图片对应的相机设备型号进行数据挖掘得到的。
72.其中，一般来说，对原始图片进行篡改得到的合成图片，图片源数据中会携带表征图片合成软件的软件标识。以合成软件为adobe photoshop为例，图片源数据中会携带adobe photoshop。
73.303、将待审核图片分割成包括车辆的车辆图片和不包括车辆的环境图片。
74.关于本实施例的步骤303的具体实现方式和技术效果可以参照上述实施例中步骤202的记载，此处不再赘述。
75.304、分别识别车辆图片的光影特征和环境图片的光影特征。
76.关于本实施例的步骤304的具体实现方式和技术效果可以参照上述实施例中步骤203的记载，此处不再赘述。
77.305、若车辆图片的光影特征和环境图片的光影特征不一致，确定待审核图片为合成图片。
78.关于本实施例的步骤305的具体实现方式和技术效果可以参照上述实施例中步骤204的记载，此处不再赘述。
79.本技术实施例中，针对审核车辆是否粘贴有宣传资料的应用场景，对于司机上传的待审核图片，基于待审核图片的拍摄属性信息和光影特征来自动识别待审核图片是否被合成篡改过。与人工审核相比，提高了对车辆是否粘贴宣传资料的审核结果准确度，审核效率也更高。
80.图4示出了本技术实施例提供的一种图片处理装置的结构示意图。参见图4，该图片处理装置可以包括获取模块401和处理模块402。
81.获取模块401，用于获取司机上传的待审核图片；
82.处理模块402，用于将待审核图片分割成包括车辆的车辆图片和不包括车辆的环境图片；分别识别车辆图片的光影特征和环境图片的光影特征；若车辆图片的光影特征和环境图片的光影特征不相同，确定待审核图片为合成图片。
83.可选的，光影特征包括以下至少一种：图片亮度、光源方向、光照强度。
84.可选的，处理模块402分别识别车辆图片的光影特征和环境图片的光影特征具体是：
85.将车辆图片和环境图片分别输入至训练好的光影识别模型中，以分别识别车辆图片的光影特征和环境图片的光影特征。
86.可选的，光影识别模型的训练方式为：
87.获取样本图像及样本图像标注的光影特征；
88.利用样本图像及所标注的光影特征训练光影识别模型。
89.可选的，将待审核图片分割成包括车辆的车辆图片和不包括车辆的环境图片之前，处理模块402还用于：
90.根据待审核图片的拍摄属性信息，识别待审核图片是否为疑似合成图片；
91.若待审核图片为疑似合成图片，执行将待审核图片分割成包括车辆的车辆图片和
不包括车辆的环境图片的步骤。
92.可选的，拍摄属性信息包括以下至少一种：图片拍摄时间、相机设备生产厂家标识、相机设备型号标识、图片源数据中是否包括表征图片合成软件的软件标识；
93.处理模块402根据待审核图片的拍摄属性信息，识别待审核图片是否为疑似合成图片具体是：
94.若图片拍摄时间与待审核图片的上传时间不一致，识别待审核图片为疑似合成图片；或者，
95.若相机设备生产厂家标识在相机设备生产厂家黑名单中，识别待审核图片为疑似合成图片；或者，
96.若相机设备型号标识在相机设备型号黑名单中，识别待审核图片为疑似合成图片；或者，
97.若图片源数据中包括表征图片合成软件的软件标识，识别待审核图片为疑似合成图片；
98.可选的，确定待审核图片为合成图片之后，处理模块402还用于：
99.将待审核图片推送给审核端，以供审核端通知审核人员审核待审核图片。
100.可选的，确定待审核图片为合成图片之后，处理模块402还用于：
101.向司机端推送审核提示信息，审核提示信息中包括审核结果及作弊惩罚规则。
102.图4的图片处理装置可以执行图2至图3所示实施例的图片处理方法，其实现原理和技术效果不再赘述。对于上述实施例中的图片处理装置其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
103.在一个可能的设计中，图4所示实施例的图片处理装置可以实现为电子设备，如图5所示，该电子设备可以包括存储组件501以及处理组件502；
104.存储组件501存储一条或多条计算机指令，其中，一条或多条计算机指令供处理组件502调用执行，实现上述图片处理方法。具体的，获取司机上传的待审核图片；将待审核图片分割成包括车辆的车辆图片和不包括车辆的环境图片；分别识别车辆图片的光影特征和环境图片的光影特征；若车辆图片的光影特征和环境图片的光影特征不相同，确定待审核图片为合成图片。
105.其中，处理组件502可以包括一个或多个处理器来执行计算机指令，以完成上述的方法中的全部或部分步骤。当然处理组件也可以为一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
106.存储组件501被配置为存储各种类型的数据以支持在终端的操作。存储组件可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
107.当然，电子设备还可以包括显示组件，显示组件可以为电子发光(el)元件、液晶显示器或具有类似结构的微型显示器、或者视网膜可直接显示或类似的激光扫描式显示器。
108.当然，电子设备必然还可以包括其他部件，例如输入/输出接口、通信组件等。
109.输入/输出接口为处理组件和外围接口模块之间提供接口，上述外围接口模块可
以是输出设备、输入设备等。
110.通信组件被配置为便于电子设备和其他设备之间有线或无线方式的通信等。
111.其中，该电子设备可以为物理设备或者云计算平台提供的弹性计算主机等，此时电子设备即可以是指云服务器，上述处理组件、存储组件等可以是从云计算平台租用或购买的基础服务器资源。
112.本技术实施例还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被计算机执行时可以实现上述图2至图3所示实施例的图片处理方法。
113.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
114.以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
115.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
116.最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。