一种基于人工智能的水印识别方法和识别系统与流程

1.本发明涉及文档视觉识别领域，具体涉及一种基于人工智能的水印识别方法和识别系统。


背景技术：

2.文档或者图像在互联网传播极时，由于快速和便携，越来越多的个人和组织选择给自己的图像或者文档嵌入水印信息，如在图像部分区域打上商标或网址的水印，在文档的背景打上商标或者“草稿”的水印，以此保护图像或者文档的所有权。因此，在使用或者传播图像或者文档前，需要对图像或者文档进行审核，识别图像或者文档中是否含有水印信息，避免出现误用和侵权的行为。随着互联网的飞速发展，图像或者文档提供方每天都会利用用户上传或者爬虫下载等诸多途径获取大量图像或者文档信息，数量已远远超过人工审核的限度。因此，利用计算机自动审核图像或者文档，识别出其中是否含有水印成为了迫切的需求。
3.水印信息在图像或者文档中的视觉显著性很低，具有面积小，颜色浅，透明度高等特点，带水印图像或者文档与未带水印图像或者文档之间的差异往往很小，区分度较低。现阶段，鲜有有效的水印识别技术，实现带水印图像或者文档的准确识别。


技术实现要素：

4.本技术提供一种基于人工智能的水印识别方法和识别系统，实现带水印图像或者文档的准确识别。
5.采取的技术方案如下：
6.本发明提供一种基于人工智能的水印识别方法，包括：
7.获取待识别目标图像；
8.对所述待识别目标图像进行特征提取，得到多个目标特征信息；
9.基于数据流神经网络分类器，对所述多个目标特征信息进行识别，判断待识别目标图像是否为带水印图像；
10.其中，所述数据流神经网络分类器利用多张带水印图像和多张无水印图像训练获取。
11.优选地，所述方法之前还包括：
12.对待识别目标进行格式转换，转换为图像格式，得到待识别目标图像。
13.优选地，所述方法之前还包括：
14.建立数据流神经网络分类器。
15.优选地，建立数据流神经网络分类器，包括：
16.生成图像训练数据；所述图像训练数据包括多张带水印图像和多张无水印图像；
17.采用所述图像训练数据通过数据流神经网络模型建立数据流神经网络分类器。
18.优选地，生成图像训练数据包括：
19.获取多张带水印图像；
20.对每张所述带水印图像进行特征提取，获取带水印图像训练数据；
21.获取多张无水印图像；
22.对每张所述无水印图像进行特征提取，获取无水印图像训练数据；
23.将每个所述带水印图像训练数据和每个所述无水印图像训练数据作为图像训练数据。
24.优选地，所述方法之后还包括：
25.当所述待识别目标图像为带水印图像时，利用第一标记对所述待识别目标图像进行标记；
26.当所述待识别目标图像为无水印图像时，利用第二标记对所述待识别目标图像进行标记。
27.优选地，所述方法之后还包括：
28.提示用户是否对所述待识别目标图像进行水印编辑。
29.优选地，对所述待识别目标图像进行水印编辑包括：
30.去掉带水印图像中的水印或者在无水印图像中添加水印。
31.本发明还提供一种基于人工智能的水印识别系统，包括：
32.截取模块，获取待识别目标图像；
33.特征提取模块，设置为对所述待识别目标图像进行特征提取，得到多个目标特征信息；
34.检测模块，设置为基于数据流神经网络分类器，对所述多个目标特征信息进行识别，判断待识别目标图像是否为带水印图像；
35.其中，所述数据流神经网络分类器利用多张带水印图像和多张无水印图像训练获取。
36.优选地，所述的系统还包括：
37.训练模块，设置为生成图像训练数据；所述图像训练数据包括多张带水印图像和多张无水印图像；采用所述图像训练数据通过数据流神经网络模型建立数据流神经网络分类器。
38.优选地，所述的系统还包括：
39.标记模块，设置为当所述待识别目标图像为带水印图像时，利用第一标记对所述待识别目标图像进行标记；当所述待识别目标图像为无水印图像时，利用第二标记对所述待识别目标图像进行标记。
40.本技术和现有技术相比，具有如下有益效果：
41.与现有技术相比，本发明采用tensorflow这一网络神经模型来对文档或者图像进行检测，对文档内的部分或者所有页面进行检测，以页为单位，将每一页转换成图像(如果图像格式则无需此步骤)，输入训练好的神经网络分类器中，返回的结果为1则表示含有水印，返回的结果为0则表示没有水印，识别结束可以提示用户是否需要编辑水印。本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
42.图1为本发明实施例的基于人工智能的水印识别方法的流程图；
43.图2为本发明实施例的基于人工智能的水印识别系统的结构示意图。
具体实施方式
44.下面将结合附图及实施例对本技术的技术方案进行更详细的说明。
45.需要说明的是，如果不冲突，本技术实施例以及实施例中的各个特征可以相互结合，均在本技术的保护范围之内。另外，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
46.如图1所示，本发明实施例提供一种基于人工智能的水印识别方法，包括：
47.s101、获取待识别目标图像；
48.s102、所述图像训练数据包括多张带水印图像和多张无水印图像；
49.s103、基于数据流神经网络分类器，对所述多个目标特征信息进行识别，判断待识别目标图像是否为带水印图像；
50.其中，所述数据流神经网络分类器利用多张带水印图像和多张无水印图像训练获取。
51.本发明实施例中，所述方法之前还包括：
52.对待识别目标进行格式转换，转换为图像格式，得到待识别目标图像。
53.本发明实施例中，所述方法之前还包括：
54.建立数据流神经网络分类器。
55.本发明实施例中，建立数据流神经网络分类器，包括：
56.生成图像训练数据；所述图像训练数据包括多张带水印图像和多张无水印图像；
57.采用所述图像训练数据通过数据流神经网络模型建立数据流神经网络分类器。
58.本发明实施例中，生成图像训练数据包括：
59.获取多张带水印图像；
60.对每张所述带水印图像进行特征提取，获取带水印图像训练数据；
61.获取多张无水印图像；
62.对每张所述无水印图像进行特征提取，获取无水印图像训练数据；
63.将每个所述带水印图像训练数据和每个所述无水印图像训练数据作为图像训练数据。
64.本发明实施例采用tensorflow这一神经网络模型来对文档进行检测，网络模型训练时，将文档导出成图片，没有水印的标记为0，有水印的标记为1，将每一张图片及其标记输入到神经网络模型，对其进行训练。
65.本发明实施例中，所述方法之后还包括：
66.当所述待识别目标图像为带水印图像时，利用第一标记对所述待识别目标图像进行标记；
67.当所述待识别目标图像为无水印图像时，利用第二标记对所述待识别目标图像进行标记。
68.本发明实施例中，所述方法之后还包括：
69.提示用户是否对所述待识别目标图像进行水印编辑。
70.本发明实施例中，对所述待识别目标图像进行水印编辑包括：
71.去掉带水印图像中的水印或者在无水印图像中添加水印。
72.本发明实施例中，采用tensorflow这一网络神经模型来对文档或者图像进行检测，对文档内的部分或者所有页面进行检测，以页为单位，将每一页转换成图像(如果图像格式则无需此步骤)，输入训练好的神经网络分类器中，返回的结果为1则表示含有水印，返回的结果为0则表示没有水印，识别结束可以提示用户是否需要编辑水印。
73.如图2所示，本发明实施例还提供一种基于人工智能的水印识别系统，包括：
74.截取模块100，获取待识别目标图像；
75.特征提取模块200，设置为对所述待识别目标图像进行特征提取，得到多个目标特征信息；
76.检测模块300，设置为基于数据流神经网络分类器，对所述多个目标特征信息进行识别，判断待识别目标图像是否为带水印图像；
77.其中，所述数据流神经网络分类器利用多张带水印图像和多张无水印图像训练获取。
78.本发明实施例所述的系统，还包括：
79.训练模块，设置为生成图像训练数据；所述图像训练数据包括多张带水印图像和多张无水印图像；采用所述图像训练数据通过数据流神经网络模型建立数据流神经网络分类器。
80.本发明实施例所述的系统，其特征在于：还包括：
81.标记模块，设置为当所述待识别目标图像为带水印图像时，利用第一标记对所述待识别目标图像进行标记；当所述待识别目标图像为无水印图像时，利用第二标记对所述待识别目标图像进行标记。
82.虽然本发明所揭示的实施方式如上，但其内容只是为了便于理解本发明的技术方案而采用的实施方式，并非用于限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭示的核心技术方案的前提下，可以在实施的形式和细节上做任何修改与变化，但本发明所限定的保护范围，仍须以所附的权利要求书限定的范围为准。