[go: up one dir, main page]

CN116912874A - 未成年人识别方法、服务器、电子设备及存储介质 - Google Patents

未成年人识别方法、服务器、电子设备及存储介质 Download PDF

Info

Publication number
CN116912874A
CN116912874A CN202211325569.6A CN202211325569A CN116912874A CN 116912874 A CN116912874 A CN 116912874A CN 202211325569 A CN202211325569 A CN 202211325569A CN 116912874 A CN116912874 A CN 116912874A
Authority
CN
China
Prior art keywords
user
identification
picture
minor
result
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211325569.6A
Other languages
English (en)
Inventor
张译友
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing So Young Wanwei Technology Consulting Co Ltd
Original Assignee
Beijing So Young Wanwei Technology Consulting Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing So Young Wanwei Technology Consulting Co Ltd filed Critical Beijing So Young Wanwei Technology Consulting Co Ltd
Priority to CN202211325569.6A priority Critical patent/CN116912874A/zh
Publication of CN116912874A publication Critical patent/CN116912874A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种未成年人识别方法、服务器、电子设备及存储介质。该方法包括：获取用户上传的用户图片；通过第一识别模块对所述用户图片进行第一方式识别，得到是否识别为未成年人的第一识别结果；通过第二识别模块对所述用户图片进行第二方式识别，得到是否识别为未成年人的第二识别结果；根据所述第一识别结果和所述第二识别结果进行运算，根据运算结果与识别阈值的比较，输出是否识别为未成年人的最终识别结果。本申请提供的方案，能结合不同识别方式进行综合判断，提高识别的准确性。

Description

未成年人识别方法、服务器、电子设备及存储介质
技术领域
本申请涉及移动互联网技术领域，尤其涉及一种未成年人识别方法、服务器、电子设备及存储介质。
背景技术
目前，未成年人上网相关的信息安全防控问题愈加重要。
相关技术中，一般可以通过人脸识别来识别是否为未成年人。例如，服务器接收到用户上传的人脸图片后，对人脸图片进行识别，利用相关未成年人的人脸模型识别出是否为未成年人，然后根据识别结果进行相应的业务处理。
但是，相关技术识别未成年人的方法，识别方式单一，准确性有待提高。
发明内容
为解决或部分解决相关技术中存在的问题，本申请提供一种未成年人识别方法、服务器、电子设备及存储介质，能结合不同识别方式进行综合判断，提高识别的准确性。
本申请第一方面提供一种未成年人识别方法，包括：
获取用户上传的用户图片；
通过第一识别模块对所述用户图片进行第一方式识别，得到是否识别为未成年人的第一识别结果；
通过第二识别模块对所述用户图片进行第二方式识别，得到是否识别为未成年人的第二识别结果；
根据所述第一识别结果和所述第二识别结果进行运算，根据运算结果与识别阈值的比较，输出是否识别为未成年人的最终识别结果。
在一实施方式中，所述通过第一识别模块对所述用户图片进行第一方式识别，得到是否识别为未成年人的第一识别结果，包括：
在第一识别模块中，将所述用户图片传输到卷积神经网络进行处理，得到所述用户图片的正态分布值；
根据所述正态分布值与预设卷积神经网络模型中的分布阈值的比较，得到是否识别为未成年人的第一识别结果，其中所述预设卷积神经网络模型根据未成年人图片和成年人图片进行训练得到。
在一实施方式中，所述将所述用户图片传输到卷积神经网络进行处理之前，还包括：
对所述用户图片进行校正和合规审核；
在通过合规审核后，对所述用户图片进行数据增强处理。
在一实施方式中，所述通过第二识别模块对所述用户图片进行第二方式识别，得到是否识别为未成年人的第二识别结果，包括：
在第二识别模块中，将所述用户图片进行向量化处理，得到所述用户图片的图片向量；
根据所述用户图片的图片向量与预设向量库中的图片向量的比较，得到是否识别为未成年人的第二识别结果，其中所述预设向量库中的图片向量根据未成年人图片和成年人图片进行向量转化得到。
在一实施方式中，所述将所述用户图片进行向量化处理之前，还包括：
对所述用户图片进行校正和合规审核。
在一实施方式中，根据所述第一识别结果和所述第二识别结果进行运算，根据运算结果与识别阈值的比较，输出是否识别为未成年人的最终识别结果，包括：
根据所述第一识别结果和所述第二识别结果进行加权运算；
根据加权运算结果与识别阈值的比较，输出是否识别为未成年人的最终识别结果。
在一实施方式中，所述第一识别结果具有第一加权系数，所述第二识别结果具有第二加权系数；
所述第一加权系数与所述第二加权系数之间的大小关系根据训练数据量确定。
本申请第二方面提供一种服务器，包括：
图片获取模块，用于获取用户上传的用户图片；
第一识别模块，用于对所述用户图片进行第一方式识别，得到是否识别为未成年人的第一识别结果；
第二识别模块，用于对所述用户图片进行第二方式识别，得到是否识别为未成年人的第二识别结果；
综合运算模块，用于根据所述第一识别结果和所述第二识别结果进行运算，根据运算结果与识别阈值的比较，输出是否识别为未成年人的最终识别结果。
本申请第三方面提供一种电子设备，包括：
处理器；以及
存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
本申请第四方面提供一种计算机可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果：
本申请的技术方案，通过第一识别模块对所述用户图片进行第一方式识别，得到是否识别为未成年人的第一识别结果；通过第二识别模块对所述用户图片进行第二方式识别，得到是否识别为未成年人的第二识别结果；然后，根据所述第一识别结果和所述第二识别结果进行运算，根据运算结果与识别阈值的比较，最终输出是否识别为未成年人的最终识别结果。通过上述处理，不再利用单一方式进行识别，而是利用两种不同方式识别，然后结合两种不同方式的识别结果再综合分析，可以充分利用不同识别方式各自的优点，提高识别的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细地描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
图1是本申请实施例示出的未成年人识别方法的流程示意图；
图2是本申请另一实施例示出的未成年人识别方法的流程示意图；
图3是本申请实施例示出的未成年人识别方法的应用框架示意图；
图4是本申请实施例示出的服务器的结构示意图；
图5是本申请实施例示出的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
相关技术识别未成年人的方法，识别方式单一，导致识别准确性较低。本申请的方案，设置了至少两种识别方式，通过第一识别模块对所述用户图片进行第一方式识别，通过第二识别模块对所述用户图片进行第二方式识别，这样就不再利用单一方式进行识别，而是利用两种不同方式识别；然后结合两种识别方式的识别结果进行综合运算，根据运算结果与识别阈值的比较，最终输出是否识别为未成年人的最终识别结果；通过结合两种不同方式的识别结果再综合分析，可以充分利用不同识别方式各自的优点，提高识别的准确性。
以下结合附图详细描述本申请实施例的技术方案。
图1是本申请实施例示出的未成年人识别方法的流程示意图。
参见图1，该方法可以应用于服务器，包括：
S101、获取用户上传的用户图片。
服务器接收用户上传的用户图片，该用户图片例如可以是头像图片、脸部图片或半身图片等。
S102、通过第一识别模块对用户图片进行第一方式识别，得到是否识别为未成年人的第一识别结果。
其中，在第一识别模块中，将用户图片传输到卷积神经网络进行处理，得到用户图片的正态分布值；
根据正态分布值与预设卷积神经网络模型中的分布阈值的比较，得到是否识别为未成年人的第一识别结果，其中预设卷积神经网络模型根据未成年人图片和成年人图片进行训练得到。
S103、通过第二识别模块对用户图片进行第二方式识别，得到是否识别为未成年人的第二识别结果。
其中，在第二识别模块中，将用户图片进行向量化处理，得到用户图片的图片向量；
根据用户图片的图片向量与预设向量库中的图片向量的比较，得到是否识别为未成年人的第二识别结果，其中预设向量库中的图片向量根据未成年人图片和成年人图片进行向量转化得到。
S104、根据第一识别结果和第二识别结果进行运算，根据运算结果与识别阈值的比较，输出是否识别为未成年人的最终识别结果。
其中，根据第一识别结果和第二识别结果进行加权运算；根据加权运算结果与识别阈值的比较，输出是否识别为未成年人的最终识别结果。
其中，第一识别结果具有第一加权系数，第二识别结果具有第二加权系数；第一加权系数与第二加权系数之间的大小关系根据训练数据量确定。
从该实施例可以看出，本申请的技术方案，通过第一识别模块对用户图片进行第一方式识别，得到是否识别为未成年人的第一识别结果；通过第二识别模块对用户图片进行第二方式识别，得到是否识别为未成年人的第二识别结果；然后，根据第一识别结果和第二识别结果进行运算，根据运算结果与识别阈值的比较，最终输出是否识别为未成年人的最终识别结果。通过上述处理，不再利用单一方式进行识别，而是利用两种不同方式识别，然后结合两种不同方式的识别结果再综合分析，可以充分利用不同识别方式各自的优点，提高识别的准确性。
图2是本申请另一实施例示出的未成年人识别方法的流程示意图，图3是本申请实施例示出的未成年人识别方法的应用框架示意图。
本申请实施例将识别未成年人的识别检测方案分为两种识别检测，其中一识别检测方式是通过深度学习检测模块进行识别检测，另一识别检测方式是通过规则检测模块进行识别检测，然后结合不同识别结果进行综合判断，得到最终的识别结果，提高识别的准确性。该实施例以第一识别模块为深度学习检测模块，第二识别模块为规则检测模块为例说明但不局限于此。
参见图2和图3，该方法可以包括：
S201、服务器获取用户上传的用户图片，分别进入S202和S205。
服务器接收用户上传的用户图片，该用户图片例如可以是头像图片、脸部图片或半身图片等。
S202、在服务器的深度学习检测模块中，对用户图片进行校正和合规审核。
将用户图片输入服务器的深度学习检测模块，深度学习检测模块根据图片的偏移角度进行图片校正，同时调用相关合规审核模块进行合规检测，根据检测结果去除违规图片、敏感图片等。
例如，用户图片如果有偏移角度，可以利用图片处理技术将图片的偏移角度进行校正。或者，根据图像不同失真情况，进行灰度校正等。灰度校正包括灰度级校正、灰度变换、直方图修正等。灰度级校正是针对图片成像不均匀如曝光不均匀，使图片半边暗半边亮，对图片逐点进行不同程度的灰度级校正,目的是使整幅图片灰度均匀。灰度变换是针对图片某一部分或整幅图片曝光不足使用灰度变换，其目的是增强图片灰度对比度。直方图修正能够使图片具有所需要的灰度分布，从而有选择地突出所需要的图片特征。
调用相关合规审核模块进行合规检测时，可以检测用户图片的敏感区域与人脸特征库中的敏感人脸之间的相似度；如果所述相似度小于预设阈值，则可以确定用户图片不是敏感人脸，用户图片合规；如果相似度大于或等于预设阈值，则确定用户图片是敏感人脸，用户图片不合规。
S203、在通过合规审核后，对用户图片进行数据增强处理。
其中，为了方便卷积神经网络进行处理，可以将用户图片进行多种方式的数据增强处理，例如进行仿射变换，随机裁剪等。
数据增强，是从现有的训练样本中生成更多的训练数据，其方法是可以对图片的局部特征或者全局特征进行一定的随机选取变换来增加样本。增强后的图片与原图片是强相关的，只是多了不同维度和深度的修剪处理。其目标是，模型在训练过程中相较于原始数据，可以学习到同一类别更多的场景变化。
例如，在卷积神经网络中，因为全连接层的关系，输入图像的大小需是固定的，因此需要将图片尺寸大小进行统一预处理。
图片的数据增强处理包括任意缩放、角度翻转、任意旋转、随机裁剪、任意移位、仿射变换等。仿射变换是指图片可以通过一系列的几何变换来实现平移、旋转等多种操作。该变换能够保持图片的平直性和平行性。平直性是指图片经过仿射变换后，直线仍然是直线；平行性是指图片在完成仿射变换后，平行线仍然是平行线。
S204、将进行数据增强处理后的用户图片传输到卷积神经网络进行处理，得到用户图片的正态分布值，根据正态分布值与预设卷积神经网络模型中的分布阈值的比较，得到是否识别为未成年人的深度学习检测模块的识别结果，进入S207。
卷积神经网络(CNN，Convolutional Neural Networks)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络”。
其中，卷积神经网络例如可以是Efficientnet-b0网络但不局限于此。Efficientnet是基于网络深度、宽度和输入分辨率三个维度的缩放来寻找最优模型。EfficientNet模型的基准结构称作Efficientnet-b0。Efficientnet-b0包括16个移动翻转瓶颈卷积模块，2个卷积层，1个全局平均池化层和1个分类层。
将进行数据增强处理后的用户图片传输到Efficientnet-b0网络进行处理，得到用户图片的正态分布值，根据正态分布值与预设卷积神经网络模型中的分布阈值的比较，也即根据正态分布判断，得到是否识别为未成年人的深度学习检测模块的识别结果。
正态分布，也称“常态分布”，又名高斯分布，是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。正态曲线呈钟型，两头低，中间高，左右对称因其曲线呈钟形，因此人们又经常称之为钟形曲线。
其中，预设卷积神经网络模型根据未成年人图片和成年人图片进行训练得到。在卷积神经网络中，输入大量的未成年人图片和成年人图片进行训练，可以得到卷积神经网络模型，该卷积神经网络模型包含各种图片的正态分布值，其中设定区间范围内的正态分布值是对应未成年人图片的正态分布值。
因此，将得到的用户图片的正态分布值与预设卷积神经网络模型中的分布阈值进行比较，如果属于设定区间范围内，则可以识别为未成年人的识别结果，该识别结果可以采用数值表示。
S205、在服务器的规则检测模块中，对用户图片进行校正和合规审核。
用户图片输入服务器的规则检测模块，规则检测模块根据图片的偏移角度进行图片校正，同时调用相关合规审核模块进行合规检测，根据检测结果去除违规图片、敏感图片等。
图片校正和合规审核的内容可以参见S203中的描述，此处不再赘述。
S206、将用户图片进行向量化处理，得到用户图片的图片向量；根据用户图片的图片向量与预设向量库中的图片向量的比较，得到是否识别为未成年人的规则检测模块的识别结果，进入S207。
规则检测模块将获取到的用户图片进行向量化转化，得到用户图片的图片向量，其中每一张图片都是一个空间向量，因此每一张用户图片对应一个图片向量。
图片的向量化表示，即通过多维向量空间中的一点来表示一个图的特征，方便使用机器学习的方法对其进行分类操作。
将得到用户图片的图片向量导入预设向量库即向量化数据库，根据用户图片的图片向量与预设向量库中的图片向量的比较。
其中，预设向量库即向量化数据库中可以包括以下至少一项或其组合：
1)由成年人图片构成的图片向量；
2)由背景类图片构成的图片向量，该图片向量视为成年人的图片向量；
3)由成年人与未成年人图片构成的图片向量，该图片向量视为未成年的图片向量；
4)由未成年人图片构成的图片向量，该图片向量视为未成年的图片向量。
其中，预设向量库中的图片向量根据未成年人图片和成年人图片进行向量转化得到。预先输入大量的未成年人图片和成年人图片进行向量化处理，可以得到预设向量库，该预设向量库包含各种图片的图片向量。
根据用户图片的图片向量与预设向量库中的图片向量的比较，例如，将用户图片的图片向量与向预设向量库中的图片向量依次进行余弦相似度对比，对比结果最小的值为识别为未成年人的规则检测模块的识别结果，该识别结果可以采用数值表示。
其中，余弦相似度衡量的是空间向量的夹角，体现在方向上的差异。余弦值越接近1，夹角越接近0度，两个向量越相似，称为“余弦相似性”。余弦相似度取值范围是[-1，1]；方向相同的向量间的相似度是1。
S207、根据深度学习检测模块的识别结果和规则检测模块的识别结果进行加权运算，根据加权运算结果与识别阈值的比较，输出是否识别为未成年人的最终识别结果。
其中，在深度学习检测模块的识别结果和规则检测模块的识别结果之前可以分别设置加权系数，例如深度学习检测模块的识别结果具有第一加权系数，规则检测模块的识别结果具有第二加权系数；第一加权系数与第二加权系数之间的大小关系根据训练数据量确定。
例如，可以对深度学习检测模块和规则检测模块的真实训练数据量进行加权判断，如果其中一个检测模块的训练数据量较大，则加权系数即权重可以较大，例如设为0.6；如果其中一个检测模块的训练数据量较小，则加权系数即权重可以较小，例如设置为0.4。
将深度学习检测模块的识别结果和规则检测模块的识别结果结合，例如进行加权运算，根据加权运算结果与识别阈值的比较，输出是否识别为未成年人的最终识别结果。
例如，识别阈值可以是设为大于0.5，例如设为0.7但不局限于此。如果将深度学习检测模块的识别结果和规则检测模块的识别结果进行加权运算的加权运算结果大于0.7，则可以输出对于用户图片识别为未成年人的识别结果，如果小于或等于0.7，输出识别为不是未成年人的识别结果或识别为成年人的识别结果。
输出最终识别结果时，可以是输出json(JavaScript Object Notation，JS对象简谱，是一种轻量级的数据交换格式)格式的最终识别结果，将json格式的最终识别结果返回前端，完成未成年人图片的审核。
本申请实施例方案，将人工智能与传统规则相结合，例如将深度学习检测模块和规则检测模块相结合，不再利用单一方式进行识别，而是利用两种不同方式识别，然后结合两种不同方式的识别结果再综合分析，从而使得识别结果更加接近真实效果。本申请实例将深度学习检测结果与规则检测结果相互结合的方法作为审核未成年人的识别方法，可以提高识别准确性。
与前述应用功能实现方法实施例相对应，本申请还提供了一种服务器、电子设备及相应的实施例。
图4是本申请实施例示出的服务器的结构示意图。
参见图4，一种服务器40，包括：图片获取模块41、第一识别模块42、第二识别模块43、综合运算模块44。
图片获取模块41，用于获取用户上传的用户图片。
第一识别模块42，用于对用户图片进行第一方式识别，得到是否识别为未成年人的第一识别结果。其中，在第一识别模块42中，将用户图片传输到卷积神经网络进行处理，得到用户图片的正态分布值；根据正态分布值与预设卷积神经网络模型中的分布阈值的比较，得到是否识别为未成年人的第一识别结果，其中预设卷积神经网络模型根据未成年人图片和成年人图片进行训练得到。
第二识别模块43，用于对用户图片进行第二方式识别，得到是否识别为未成年人的第二识别结果。其中，在第二识别模块43中，将用户图片进行向量化处理，得到用户图片的图片向量；根据用户图片的图片向量与预设向量库中的图片向量的比较，得到是否识别为未成年人的第二识别结果，其中预设向量库中的图片向量根据未成年人图片和成年人图片进行向量转化得到
综合运算模块44，用于根据第一识别结果和第二识别结果进行运算，根据运算结果与识别阈值的比较，输出是否识别为未成年人的最终识别结果。其中，综合运算模块44根据第一识别结果和第二识别结果进行加权运算；根据加权运算结果与识别阈值的比较，输出是否识别为未成年人的最终识别结果。其中，第一识别结果具有第一加权系数，第二识别结果具有第二加权系数；第一加权系数与第二加权系数之间的大小关系根据训练数据量确定。
其中，第一识别模块可以为深度学习检测模块，第二识别模块可以为规则检测模块但不局限于此。
例如，可以对深度学习检测模块和规则检测模块的真实训练数据量进行加权判断，如果其中一个检测模块的训练数据量较大，则加权系数即权重可以较大，例如设为0.6；如果其中一个检测模块的训练数据量较小，则加权系数即权重可以较小，例如设置为0.4。
例如，识别阈值可以是设为大于0.5，例如设为0.7但不局限于此。如果将深度学习检测模块的识别结果和规则检测模块的识别结果进行加权运算的加权运算结果大于0.7，则可以输出对于用户图片识别为未成年人的识别结果，如果小于或等于0.7，输出识别为不是未成年人的识别结果或识别为成年人的识别结果。
本申请提供的服务器，通过第一识别模块对用户图片进行第一方式识别，得到是否识别为未成年人的第一识别结果；通过第二识别模块对用户图片进行第二方式识别，得到是否识别为未成年人的第二识别结果；然后，根据第一识别结果和第二识别结果进行运算，根据运算结果与识别阈值的比较，最终输出是否识别为未成年人的最终识别结果。通过上述处理，不再利用单一方式进行识别，而是利用两种不同方式识别，然后结合两种不同方式的识别结果再综合分析，可以充分利用不同识别方式各自的优点，提高识别的准确性。
关于上述实施例中的装置，其中各个模块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，此处将不再做详细阐述说明。
图5是本申请实施例示出的电子设备的结构示意图。该电子设备例如可以是服务器但不局限于此。
参见图5，电子设备1000包括存储器1010和处理器1020。
处理器1020可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
存储器1010可以包括各种类型的存储单元，例如系统内存、只读存储器(ROM)和永久存储装置。其中，ROM可以存储处理器1020或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器1010可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(例如DRAM，SRAM，SDRAM，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器1010可以包括可读和/或写的可移除的存储设备，例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM，双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等)、磁性软盘等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器1010上存储有可执行代码，当可执行代码被处理器1020处理时，可以使处理器1020执行上文述及的方法中的部分或全部。
此外，根据本申请的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者，本申请还可以实施为一种计算机可读存储介质(或非暂时性机器可读存储介质或机器可读存储介质)，其上存储有可执行代码(或计算机程序或计算机指令代码)，当可执行代码(或计算机程序或计算机指令代码)被电子设备(或服务器等)的处理器执行时，使处理器执行根据本申请的上述方法的各个步骤的部分或全部。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种未成年人识别方法，其特征在于，包括：
获取用户上传的用户图片；
通过第一识别模块对所述用户图片进行第一方式识别，得到是否识别为未成年人的第一识别结果；
通过第二识别模块对所述用户图片进行第二方式识别，得到是否识别为未成年人的第二识别结果；
根据所述第一识别结果和所述第二识别结果进行运算，根据运算结果与识别阈值的比较，输出是否识别为未成年人的最终识别结果。
2.根据权利要求1所述的方法，其特征在于，所述通过第一识别模块对所述用户图片进行第一方式识别，得到是否识别为未成年人的第一识别结果，包括：
在第一识别模块中，将所述用户图片传输到卷积神经网络进行处理，得到所述用户图片的正态分布值；
根据所述正态分布值与预设卷积神经网络模型中的分布阈值的比较，得到是否识别为未成年人的第一识别结果，其中所述预设卷积神经网络模型根据未成年人图片和成年人图片进行训练得到。
3.根据权利要求2所述的方法，其特征在于，所述将所述用户图片传输到卷积神经网络进行处理之前，还包括：
对所述用户图片进行校正和合规审核；
在通过合规审核后，对所述用户图片进行数据增强处理。
4.根据权利要求1所述的方法，其特征在于，所述通过第二识别模块对所述用户图片进行第二方式识别，得到是否识别为未成年人的第二识别结果，包括：
在第二识别模块中，将所述用户图片进行向量化处理，得到所述用户图片的图片向量；
根据所述用户图片的图片向量与预设向量库中的图片向量的比较，得到是否识别为未成年人的第二识别结果，其中所述预设向量库中的图片向量根据未成年人图片和成年人图片进行向量转化得到。
5.根据权利要求4所述的方法，其特征在于，所述将所述用户图片进行向量化处理之前，还包括：
对所述用户图片进行校正和合规审核。
6.根据权利要求1至5任一项所述的方法，其特征在于，根据所述第一识别结果和所述第二识别结果进行运算，根据运算结果与识别阈值的比较，输出是否识别为未成年人的最终识别结果，包括：
根据所述第一识别结果和所述第二识别结果进行加权运算；
根据加权运算结果与识别阈值的比较，输出是否识别为未成年人的最终识别结果。
7.根据权利要求6所述的方法，其特征在于：
所述第一识别结果具有第一加权系数，所述第二识别结果具有第二加权系数；
所述第一加权系数与所述第二加权系数之间的大小关系根据训练数据量确定。
8.一种服务器，其特征在于，包括：
图片获取模块，用于获取用户上传的用户图片；
第一识别模块，用于对所述用户图片进行第一方式识别，得到是否识别为未成年人的第一识别结果；
第二识别模块，用于对所述用户图片进行第二方式识别，得到是否识别为未成年人的第二识别结果；
综合运算模块，用于根据所述第一识别结果和所述第二识别结果进行运算，根据运算结果与识别阈值的比较，输出是否识别为未成年人的最终识别结果。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1-7中任一项所述的方法。
CN202211325569.6A 2022-10-27 2022-10-27 未成年人识别方法、服务器、电子设备及存储介质 Pending CN116912874A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211325569.6A CN116912874A (zh) 2022-10-27 2022-10-27 未成年人识别方法、服务器、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211325569.6A CN116912874A (zh) 2022-10-27 2022-10-27 未成年人识别方法、服务器、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116912874A true CN116912874A (zh) 2023-10-20

Family

ID=88363433

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211325569.6A Pending CN116912874A (zh) 2022-10-27 2022-10-27 未成年人识别方法、服务器、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116912874A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700843A (zh) * 2015-02-05 2015-06-10 海信集团有限公司 一种年龄识别的方法及装置
CN111815331A (zh) * 2020-09-04 2020-10-23 支付宝(杭州)信息技术有限公司 一种未成年人支付行为的识别方法和装置
CN114491288A (zh) * 2021-12-31 2022-05-13 广州歌神信息科技有限公司 群体类型识别方法、电子设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700843A (zh) * 2015-02-05 2015-06-10 海信集团有限公司 一种年龄识别的方法及装置
CN111815331A (zh) * 2020-09-04 2020-10-23 支付宝(杭州)信息技术有限公司 一种未成年人支付行为的识别方法和装置
CN114491288A (zh) * 2021-12-31 2022-05-13 广州歌神信息科技有限公司 群体类型识别方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111241958B (zh) 一种基于残差-胶囊网络的视频图像鉴别方法
Jha et al. Neutrosophic image segmentation with dice coefficients
CN110569756B (zh) 人脸识别模型构建方法、识别方法、设备和存储介质
Oyallon et al. An analysis of the SURF method
WO2021137946A1 (en) Forgery detection of face image
US11893497B2 (en) Method and apparatus for acquiring feature data from low-bit image
CN108345827B (zh) 识别文档方向的方法、系统和神经网络
WO2017166586A1 (zh) 基于卷积神经网络的图片鉴别方法、系统和电子设备
CN110555340B (zh) 神经网络计算方法和系统及相应的双神经网络实现
CN114743148A (zh) 多尺度特征融合篡改视频检测方法、系统、介质和设备
CN113723352B (zh) 一种文本检测方法、系统、存储介质及电子设备
Chen et al. Image splicing localization using residual image and residual-based fully convolutional network
TWI803243B (zh) 圖像擴增方法、電腦設備及儲存介質
CN111753729B (zh) 一种假脸检测方法、装置、电子设备及存储介质
CN111259792A (zh) 基于dwt-lbp-dct特征的人脸活体检测方法
Richards et al. Deep fake face detection using convolutional neural networks
CN115631112A (zh) 一种基于深度学习的建筑轮廓矫正方法及装置
CN113971671B (zh) 实例分割方法、装置、电子设备及存储介质
CN111340139B (zh) 一种图像内容复杂度的判别方法及装置
CN116912874A (zh) 未成年人识别方法、服务器、电子设备及存储介质
Alsandi Image splicing detection scheme using surf and mean-LBP based morphological operations
CN117197086A (zh) 图像检测方法、装置、计算机设备和存储介质
CN116071804A (zh) 人脸识别的方法、装置和电子设备
CN114445868A (zh) 一种基于敏感特征加噪的深度学习模型去偏方法及其装置
CN115170929A (zh) 数据处理方法、图像处理系统的训练方法及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination