(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210289508.2 (22)申请日 2022.03.23 (71)申请人 贝壳找房网 （北京） 信息技 术有限公 司 地址 101500 北京市密云区经济开发区兴 盛南路8号开发区办公楼501室-1834 (经济开发区集中办公区) (72)发明人 时晓斐　马英楠　 (74)专利代理 机构 北京思源智汇知识产权代理 有限公司 1 1657 专利代理师 郑晓斐 (51)Int.Cl. G06V 40/16(2022.01) G06V 40/40(2022.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 用于识别图像的方法、 装置、 电子 设备、 介质 和程序 (57)摘要 本公开实施例公开了一种用 于识别图像的 方法、 装置、 电子设备、 存储介质和计算机程序产 品， 其中， 方法包括： 将 包含有预设对象的待识别 图像输入预先训练的至少一个深度网络模型， 得 到待识别图像的至少一个置信度， 至少一个深度 网络模型用于提取待识别图像的图像特征、 并基 于提取出的图像特征生成待识别图像的置信度， 图像特征包括傅里叶频谱特征和纹理特征； 基于 至少一个置信度， 确定待识别图像的识别结果， 识别结果表征待识别图像是否为欺诈图像。 可以 基于待识别图像的傅里叶频谱特征和纹理特征 确定待识别图像是否为欺诈图像， 从而提高识别 欺诈图像的准确度。 权利要求书2页 说明书13页 附图6页 CN 114708630 A 2022.07.05 CN 114708630 A 1.一种用于识别图像的方法， 其特 征在于， 包括： 将包含有预设对象的待识别图像输入预先训练的至少一个深度网络模型， 得到所述待 识别图像的至少一个置信度， 所述至少一个深度网络模型用于提取所述待识别图像的图像 特征、 并基于提取出 的图像特征生成所述待识别图像的置信度， 所述图像特征包括傅里叶 频谱特征和纹理特征； 基于所述至少一个置信度， 确定所述待识别图像的识别结果， 所述识别结果表征所述 待识别图像是否为欺诈图像。 2.根据权利要求1所述的方法， 其特征在于， 所述至少一个深度网络模型经由如下步骤 训练得到： 基于已标记置信度标签的真实图像和欺诈图像， 生成样本图像， 构建样本集， 所述真实 图像和欺诈图像中均包 含所述预设对象； 从所述样本集中选取 出第一预设数量的样本图像， 作为训练集； 对所述训练集中的样本图像进行傅里叶变换， 得到所述样本图像的样本傅里叶频谱特 征； 将所述训练集中的样本图像输入预先构建的初始深度网络模型， 提取所述样本图像的 初始特征， 并基于所述初始特 征生成所述样本图像的样本 置信度； 基于所述初始特 征与所述样本傅里叶频谱特 征， 确定傅里叶特 征损失值； 基于所述样本 置信度与所述样本图像的置信度标签， 确定深度特 征损失值； 基于所述傅里叶损失值和所述深度 特征损失值， 确定所述初始深度网络模型的损失函 数值； 基于所述损失函数值， 更新所述初始深度网络模型的参数， 直至所述损失函数收敛， 得 到训练后的深度网络模型。 3.根据权利要求2所述的方法， 其特征在于， 基于已标记置信度标签的真实图像和欺诈 图像， 生成样本图像， 包括： 从所述已标记置信度标签的真实图像和欺诈图像中截取出所述预设对象所在的图像 区域， 得到第一局部图像； 响应于所述第 一局部图像的尺寸大于预设尺寸， 从所述第 一局部图像中截取出多个预 设尺寸大小的第二局部图像， 每个所述第二局部图像中包含部 分所述预设对象， 其中， 所述 预设尺寸 为所述初始深度网络模型输入图像的尺寸； 将所述第二局部图像作为所述样本图像， 将所述第 二局部图像所属的真实图像或欺诈 图像的置信度标签作为所述样本图像的置信度标签。 4.根据权利要求1至3之一所述的方法， 其特征在于， 所述至少一个深度网络模型包括 多个不同类型的深度网络模型； 将待识别图像输入预先训练 的至少一个深度网络模型， 得到所述待识别图像的至少一 个置信度， 包括： 将所述待识别图像分别输入所述多个不同类型的深度网络模型； 所述多个 不同类型的深度网络模型分别提取所述待识别图像的图像特征， 并基于各自提取出的图像 特征生成所述待识别图像的置信度， 得到多个置信度； 基于所述至少一个置信度， 确定所述待识别图像的识别结果， 包括： 融合所述多个置信 度， 得到目标置信度； 基于所述目标置信度， 确定所述待识别图像的识别结果。权　利　要　求　书 1/2 页 2 CN 114708630 A 25.根据权利要求 4所述的方法， 其特 征在于， 所述方法还 包括： 响应于所述目标置信度处于预设数值 区间， 将所述待识别图像输入预先训练 的参考深 度网络模 型， 得到所述待识别图像的参考置信度， 其中， 所述参考深度网络模型用于提取所 述待识别图像的图像特 征、 并基于提取 出的图像特 征生成所述 参考置信度； 基于所述 参考置信度， 确定所述待识别图像的参 考识别结果； 基于所述参考识别结果， 更新所述待识别图像的识别结果， 得到更新后的识别结果； 以 及， 将更新后的识别结果确定为所述待识别图像的识别结果。 6.根据权利要求5所述的方法， 其特征在于， 基于所述参考识别结果， 更新所述待识别 图像的识别结果， 得到更新后的识别结果， 包括： 若所述参考识别结果为第 一预设结果， 将所述待识别图像的识别结果更新为所述第 一 预设结果， 得到所述更新后的识别结果； 若所述参考识别结果为第二预设结果， 融合所述参考置信度与所述目标置信度， 得到 融合后的置信度； 基于所述融合后的置信度， 更新所述待识别图像的识别结果， 得到所述更 新后的识别结果。 7.根据权利要求5或6所述的方法， 其特征在于， 所述参考深度网络模型经由如下步骤 确定： 从所述样本集中选取第二预设数量的样本图像， 构建测试集； 将所述测试集中的样本图像分别输入所述多个不同类型的深度网络模型， 得到所述多 个不同类型的深度网络模型 各自输出的测试置信度； 基于所述多个不同类型的深度网络模型各自输出的测试置信度， 确定所述多个不同类 型的深度网络模型 各自的性能评估参数； 将数值最大的性能评估参数对应的深度网络模型确定为所述 参考深度网络模型。 8.一种用于识别图像的装置， 其特 征在于， 包括： 图像输入单元， 被配置成： 将包含有预设对象的待识别图像输入预先训练的至少一个 深度网络模型， 得到所述待识别图像的至少一个置信度， 所述至少一个深度网络模型用于 提取所述待识别图像的图像特征、 并基于提取出的图像特征生成所述待识别图像的置信 度， 所述图像特 征包括傅里叶频谱特 征和纹理特征； 结果确定单元， 被配置成： 基于所述至少一个置信度， 确定所述待识别图像的识别结 果， 所述识别结果表征 所述待识别图像是否为欺诈图像。 9.一种电子设备， 其特 征在于， 包括： 存储器， 用于存 储计算机程序； 处理器， 用于执行所述存储器 中存储的计算机程序， 且所述计算机程序被执行时， 实现 上述权利要求1 ‑7任一所述的方法。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该计算机程序被 处理器执行时， 实现上述权利要求1 ‑7任一所述的方法。 11.一种计算机程序产品， 包括计算机程序/指令， 其特征在于， 该计算机程序/指令被 处理器执行时实现上述权利要求1 ‑7任一所述的方法。权　利　要　求　书 2/2 页 3 CN 114708630 A 3