买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆邮电大学申请的专利一种基于CTFNet的欺诈图像检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119580077B 。

龙图腾网通过国家知识产权局官网在2025-10-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411625382.7，技术领域涉及：G06V20/00；该发明授权一种基于CTFNet的欺诈图像检测方法是由许国良;冯小虎设计研发完成，并于2024-11-14向国家知识产权局提交的专利申请。

本一种基于CTFNet的欺诈图像检测方法在说明书摘要公布了：本发明涉及一种基于CTFNet的欺诈图像检测方法，属于欺诈检测技术领域，包括以下步骤：S1：构建欺诈图像训练集和图像相似性测试集；S2：构建CTFNet特征提取网络，分别提取两个数据集空域的局部特征、全局特征和频域高低频特征；S3：分别计算两个数据集特征的余弦相似性，并通过自适应加权融合得到欺诈图像的相似性阈值；S4：将待检测图像输入CTFNet，提取待检测图像空域的局部特征、全局特征和频域高低频特征；S5：计算待检测图像与欺诈图像训练集特征的余弦相似性，并通过自适应加权融合得到待检测图像最佳相似性得分；S6：将待检测图像最佳相似性得分与欺诈图像的相似性阈值进行比较，得到待检测图像的检测结果。

本发明授权一种基于CTFNet的欺诈图像检测方法在权利要求书中公布了：1.一种基于CTFNet的欺诈图像检测方法，其特征在于：包括以下步骤： S1：获取欺诈图像和正常图像，构建欺诈图像训练集和图像相似性测试集； S2：构建CTFNet特征提取网络，将所述欺诈图像训练集和图像相似性测试集输入CTFNet，分别提取其空域的局部特征、全局特征和频域高低频特征；所述CTFNet特征提取网络由CNN网络、Transformer网络、频域融合网络组成；所述CNN网络用于从不同尺度的图像中学习图像空域的局部信息；所述Transformer网络用于捕获图像空域中各个位置间的全局依赖关系；所述频域融合网络用于提取全局特征和局部特征的高低频分量； 频域融合网络使用特征归一化层对全局特征进行特征归一化处理，消除全局特征和局部特征之间的尺度差异，使全局特征维度变为C×H×W； 特征归一化层首先使用一个全连接层将Transformer输出的嵌入维度E转换为C，然后通过下采样K=H×W将Transformer的输出重塑为C×H×W，classtoken在进行特征对齐和融合时被舍弃； 通过离散傅里叶变换将全局特征和局部特征转化到频域，离散傅里叶变换公式如下： 其中，是Transformer或CNN的输出特征，是对应频域中的特征，u和v是频域中的坐标，表示频率的横纵分量； 使用带通滤波器提取频域中CNN特征的高频分量HCNN，使用低通滤波器提取频域中Transformer特征的低频分量LTransformer，带通滤波器和低通滤波器公式如下： 其中，hH为带通滤波器，Dlow和Dhigh为带通滤波器的截止频率，hL为低通滤波器，Dhigh1为低通滤波器截止频率； CNN特征的高频分量HCNN和Transformer特征的低频分量LTransformer计算公式如下： 在频域中应用带通滤波器和低通滤波器后，将CNN的高频特征HCNN和Transformer的低频特征LTransformer组合起来，形成融合特征XFusion： 将欺诈图像训练集与图像相似性测试集输入到CTFNet中，欺诈图像训练集所得局部特征集记为欺诈图像训练集的局部特征F1j，全局特征集记为欺诈图像训练集的全局特征F2j，频域融合特征集记为欺诈图像训练集的频域融合特征F3j；图像相似性测试集所得局部特征集记为图像相似性测试集的局部特征ƒ1t，全局特征集记为图像相似性测试集的全局特征ƒ2t，频域融合特征集记为图像相似性测试集的频域融合特征ƒ3t，其中，j、t分别表示训练集和测试集中图像数量； S3：分别计算欺诈图像训练集和图像相似性测试集特征的余弦相似性，并通过自适应加权融合得到欺诈图像的相似性阈值； 利用余弦相似性衡量两个特征之间的相似程度，余弦相似性公式如下： 其中，i取值1、2、3，表示特征向量和的点积，和表示特征向量和的长度； 由余弦相似性公式，得到欺诈图像训练集局部特征F1j与图像相似性测试集局部特征ƒ1t的特征相似性；图像相似性测试集中每张图像t与欺诈图像训练集中每张图像j都有一个局部特征相似性，取其最大值表示图像相似性测试集图像t与欺诈图像训练集的局部特征最佳特征相似性K1；同理得到图像相似性测试集图像t与欺诈图像训练集的全局特征最佳特征相似性K2、频域融合特征最佳特征相似性K3； 图像相似性测试集中每张图像都与欺诈图像训练集有一个局部特征最佳特征相似性K1、一个全局特征最佳特征相似性K2、一个频域融合特征最佳特征相似性K3，通过自适应加权融合矩阵将K1、K2和K3进行自适应加权融合，得倒图像相似性测试集中每张图像与欺诈图像训练集的最佳相似性得分K，公式如下： K=[a,b,c]*[K1,K2,K3]T=aK1+bK2+cK3 其中，[a,b,c]为自适应加权融合矩阵，权重系数a、b、c根据K1、K2、K3求得，公式如下： a、b、c根据K1、K2、K3的相对值自动分配，基于不同特征的贡献自动分配权重； 将欺诈图像的相似性阈值设置为不同取值，若K大于等于欺诈图像的相似性阈值，则其为欺诈图像，否则为正常图像；分别计算图像相似性测试集中正常图像和欺诈图像的检测准确率，即正常图像被检测为正常图像，欺诈图像被检测为欺诈图像，当正常图像和欺诈图像的检测准确率之和最大时，预设的欺诈图像相似性阈值即为欺诈图像相似性阈值； S4：将待检测图像输入CTFNet，提取待检测图像空域的局部特征、全局特征和频域高低频特征； S5：分别计算待检测图像与欺诈图像训练集特征的余弦相似性，并通过自适应加权融合得到待检测图像最佳相似性得分； S6：将所述待检测图像最佳相似性得分与欺诈图像的相似性阈值进行比较，得到待检测图像的检测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。