图片作弊检测方法、装置、电子设备、存储介质

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种图片作弊检测方法、装置、电子设备、存储介质。

背景技术

目前，图片仍然是OTA(Online Travel Agency，在线旅行社)行业展示商品的最重要的手段，优质的图片有助于更好的突出卖点，并且用户也能有更好的浏览体验。

OTA的多种业务需要展示大量的图片，以酒店图片为例，需要展示房间、餐厅、泳池、会议室等多种不同类别的图片。然而在实际业务中存在将小图放大以次充好，以及单张图片进行变换后重复展示的作弊行为，这将导致图片内容质量差和内容冗余，从而对酒店推荐评分以及展示排序产生影响，使得用户体验差。因此图片作弊检测成为解决这一问题的主要手段。

然而，如何在OTA领域，对图片进行作弊检测，是本领域技术人员亟待解决的技术问题。

发明内容

本发明为了克服上述现有技术存在的缺陷，提供一种图片作弊检测方法、装置、电子设备、存储介质，以实现图片的作弊检测。

根据本发明的一个方面，提供一种图片作弊检测方法，包括：

S110：获取待检测对象的多个图片；

S120：对所述多个图片进行分类，以划分为多个图片组；

S130：对每一图片组，依次选取两个图片作为第一图片和第二图片进行作弊检测：

S131：检测所述第一图片和所述第二图片的关键点获得第一关键点集以及第二关键点集，并对所检测的关键点提取特征向量；

S132：根据第一关键点集以及第二关键点集的各关键点的特征向量，建立第一关键点集以及第二关键点集的关键点集之间的关联关系；

S133：根据所述第一关键点集以及第二关键点集的关键点集之间的关联关系，计算所述第一图片与所述第二图片之间的匹配率；

S134：判断所述第一图片与所述第二图片之间的匹配率是否大于预定阈值；

若步骤S134判断为否，则执行步骤S135：确定所述第一图片和第二图片存在作弊行为；

若步骤S134判断为是，则执行步骤S136：对所述第二图片进行变换，将变换后的图片更新为所述第二图片，并再次执行所述步骤S131至步骤S134。

在本发明的一些实施例中，所述步骤S136包括：对所述第二图片进行变换，将变换后的图片更新为所述第二图片，并再次执行所述步骤S131至步骤S134。

在本发明的一些实施例中，所述步骤S136对所述第二图片进行变换包括：对所述第二图片进行水平镜像翻转。

在本发明的一些实施例中，所述S131：检测所述第一图片和所述第二图片的关键点获得第一关键点集以及第二关键点集，并对所检测的关键点提取特征向量包括：

分别为第一图片和第二图片构建高斯金字塔；

基于FAST算法从第一图片的高斯金字塔上检测M个关键点以及每个关键点基于第一图片的灰度质心的方向角；

基于FAST算法从第二图片的高斯金字塔上检测N个关键点以及每个关键点基于第二图片的灰度质心的方向角；

基于steered BRIEF特征描述算子以及方向角分别对第一图片和第二图片的每一关键点提取特征向量，

其中，M，N为大于0的整数。

在本发明的一些实施例中，所述S132：根据第一关键点集以及第二关键点集的各关键点的特征向量，建立第一关键点集以及第二关键点集的关键点集之间的关联关系包括：

采用FLANN算法对第一关键点集以及第二关键点集的各关键点的特征向量进行匹配，建立第一关键点集以及第二关键点集的关键点集之间的关联关系。

在本发明的一些实施例中，所述S133：根据所述第一关键点集以及第二关键点集的关键点集之间的关联关系，计算所述第一图片与所述第二图片之间的匹配率包括：

获取所述第一关键点集以及第二关键点集的关键点集之间具有关联关系的关键点对的数量作为关键点对数量；

将所述第一关键点集以及所述第二关键点集的关键点数量中较小的关键点数量作为待计算关键点数量；

将所述关键点对数量与所述待计算关键点数量之比作为所述第一图片与所述第二图片之间的匹配率。

在本发明的一些实施例中，若确定所述第一图片和第二图片存在作弊行为，则将所述第一图片和第二图片中图片性能值较低的图片自所述待检测对象的多个图片中删除，并基于删除后的多个图片调整所述待检测对象的排序顺序。

根据本发明的又一方面，还提供一种图片作弊检测装置，包括：

获取模块，用于获取待检测对象的多个图片；

划分模块，用于对所述多个图片进行分类，以划分为多个图片组；

检测模块，用于对每一图片组，依次选取两个图片作为第一图片和第二图片进行作弊检测，所述作弊检测包括：

S131：检测所述第一图片和所述第二图片的关键点获得第一关键点集以及第二关键点集，并对所检测的关键点提取特征向量；

S132：根据第一关键点集以及第二关键点集的各关键点的特征向量，建立第一关键点集以及第二关键点集的关键点集之间的关联关系；

S133：根据所述第一关键点集以及第二关键点集的关键点集之间的关联关系，计算所述第一图片与所述第二图片之间的匹配率；

S134：判断所述第一图片与所述第二图片之间的匹配率是否大于预定阈值；

若步骤S134判断为否，则执行步骤S135：确定所述第一图片和第二图片存在作弊行为；

若步骤S134判断为是，则执行步骤S136：对所述第二图片进行变换，将变换后的图片更新为所述第二图片，并再次执行所述步骤S131至步骤S134。

根据本发明的又一方面，还提供一种电子设备，所述电子设备包括：处理器；存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如上所述图片作弊检测方法的步骤。

根据本发明的又一方面，还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上所述图片作弊检测方法的步骤。

相比现有技术，本发明的优势在于：

本发明提出根据诸如酒店、景点等待检测对象的图片进行分类，然后按类别分组进行两两比对，对每一对图片进行关键点检测、特征向量的提取、特征匹配以及匹配度的计算检测出存在作弊行为的图片对并对作弊图片进行删除，提升展示的图片内容质量。由此，通过基于计算图片相似性的方法实现生产业务中存在的图片作弊行为的检测；同时，利用特征点匹配技术，并对处理流程进行优化，不仅可以检测到简单的缩放和拉升变换等作弊行为，同时剪裁和镜像变换等作弊行为也有很好的效果。进一步地，针对现有的诸如酒店等对象的图片信息存在的重复上传、以次充好的作弊行为，建立算法流程，对通过缩放、拉升、镜像和剪裁等方式的作弊行为进行检测，通过对图片内容进行分类，分组比对，提升比对效率。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1示出了根据本发明实施例的图片作弊检测方法的流程图。

图2示出了根据本发明具体实施例的对所述第二图片进行变换，将变换后的图片更新为所述第二图片的流程图。

图3示出了根据本发明实施例的检测所述第一图片和所述第二图片的关键点获得第一关键点集以及第二关键点集，并对所检测的关键点提取特征向量的流程图。

图4示出了根据本发明实施例的根据所述第一关键点集以及第二关键点集的关键点集之间的关联关系，计算所述第一图片与所述第二图片之间的匹配率的流程图。

图5示出了根据本发明实施例的图片作弊检测装置的模块图。

图6示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。

图7示意性示出本公开示例性实施例中一种电子设备示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

为了解决现有技术的缺陷，实现图片的作弊检测，本发明提供一种图片作弊检测方法、装置、电子设备、存储介质。

首先参见图1，图1示出了根据本发明实施例的图片作弊检测方法的示意图。图片作弊检测方法包括如下步骤：

S110：获取待检测对象的多个图片。

具体而言，待检测对象在OTA领域例如可以是景点、酒店等对象，本发明并非以此为限制。

S120：对所述多个图片进行分类，以划分为多个图片组。

具体而言，可以采用经训练的神经网络模型等机器学习、深度学习方式对多个图片进行分类。以酒店为例，图片可以划分为大堂组、客房组、会议室组等，本发明并非以此为限制。

S130：对每一图片组，依次选取两个图片作为第一图片和第二图片进行作弊检测。

S131：检测所述第一图片和所述第二图片的关键点获得第一关键点集以及第二关键点集，并对所检测的关键点提取特征向量。

S132：根据第一关键点集以及第二关键点集的各关键点的特征向量，建立第一关键点集以及第二关键点集的关键点集之间的关联关系。

S133：根据所述第一关键点集以及第二关键点集的关键点集之间的关联关系，计算所述第一图片与所述第二图片之间的匹配率。

S134：判断所述第一图片与所述第二图片之间的匹配率是否大于预定阈值。

具体而言，预定阈值可以依据需求确定，本发明并不对此进行限定。

若步骤S134判断为否，则执行步骤S135：确定所述第一图片和第二图片存在作弊行为。

若步骤S134判断为是，则执行步骤S136：对所述第二图片进行变换，将变换后的图片更新为所述第二图片，并再次执行所述步骤S131至步骤S134。进一步地，在再次执行所述步骤S131至步骤S134的过程中无需对第一图片进行处理，仅需复用第一图片的特征向量即可。

在本发明提供的图片作弊检测方法中，提出根据诸如酒店、景点等待检测对象的图片进行分类，然后按类别分组进行两两比对，对每一对图片进行关键点检测、特征向量的提取、特征匹配以及匹配度的计算检测出存在作弊行为的图片对并对作弊图片进行删除，提升展示的图片内容质量。由此，通过基于计算图片相似性的方法实现生产业务中存在的图片作弊行为的检测；同时，利用特征点匹配技术，并对处理流程进行优化，不仅可以检测到简单的缩放和拉升变换等作弊行为，同时剪裁和镜像变换等作弊行为也有很好的效果。进一步地，针对现有的诸如酒店等对象的图片信息存在的重复上传、以次充好的作弊行为，建立算法流程，对通过缩放、拉升、镜像和剪裁等方式的作弊行为进行检测，通过对图片内容进行分类，分组比对，提升比对效率。

下面参见图2，图2示出了根据本发明具体实施例的对所述第二图片进行变换，将变换后的图片更新为所述第二图片的流程图。具体而言，在图2中，所述步骤S136包括：

步骤S1361：判断所述第二图片的变换次数是否大于预定次数；

本实施例中，预定次数为1次。

若步骤S1361判断为是，则执行步骤S1362：判断所述第一图片和第二图片不存在作弊行为；

若步骤S1361判断为否，则执行步骤S1363：对所述第二图片进行变换，将变换后的图片更新为所述第二图片，并再次执行所述步骤S131至步骤S134。

其中，对所述第二图片进行变换可以包括如下任意一种变换方式：对所述第二图片进行水平镜像翻转。

在本发明的一个优选例中，图片的拉伸和旋转匹配可以由步骤S131和步骤132来实现，因此，步骤S136的第二图片可以仅包含图片的水平镜像变化。此时，根据水平镜像变化方式，可以将步骤S1361的预定次数设置为1次。由此，减少系统计算量，提高系统检测效率。

下面参见图3，图3示出了根据本发明实施例的检测所述第一图片和所述第二图片的关键点获得第一关键点集以及第二关键点集，并对所检测的关键点提取特征向量的流程图。具体而言，在图3中，所述步骤S131包括：

步骤S1311：分别为第一图片和第二图片按照1/1.2的比例下采样来构建层数为8的高斯金字塔，通过在金字塔上检测多尺度的关键点，进而保证提取特征的缩放鲁棒性；

步骤S1312：基于FAST算法从第一图片的高斯金字塔上检测M个关键点以及每个关键点基于第一图片的灰度质心的方向角。

步骤S1313：基于FAST算法从第二图片的高斯金字塔上检测N个关键点以及每个关键点基于第二图片的灰度质心的方向角。

由此，可以基于FAST算法分别从第一图片IA和第二图片IB的高斯金字塔上检测M和N个关键点，分别表示为第一关键点集XA＝{x

步骤S1314：基于steered BRIEF特征描述算子以及方向角分别对第一图片和第二图片的每一关键点提取特征向量，其中，M，N为大于0的整数。

由此，可以基于steered BRIEF特征描述算子，分别对第一关键点集X

在本发明的一些实施例中，图1所示的步骤S132：根据第一关键点集以及第二关键点集的各关键点的特征向量，建立第一关键点集以及第二关键点集的关键点集之间的关联关系包括：采用FLANN算法对第一关键点集以及第二关键点集的各关键点的特征向量进行匹配，建立第一关键点集以及第二关键点集的关键点集之间的关联关系。

具体而言，可以利用开源库，基于OpenCV的FLANN匹配器，对WA和WB进行快速高效地匹配，得到两个点集X

下面参见图4，图4示出了根据本发明实施例的根据所述第一关键点集以及第二关键点集的关键点集之间的关联关系，计算所述第一图片与所述第二图片之间的匹配率的流程图。在图4中，所述步骤S133包括：

步骤S1331：获取所述第一关键点集以及第二关键点集的关键点集之间具有关联关系的关键点对的数量作为关键点对数量；

步骤S1332：将所述第一关键点集以及所述第二关键点集的关键点数量中较小的关键点数量作为待计算关键点数量；

步骤S1333：将所述关键点对数量与所述待计算关键点数量之比作为所述第一图片与所述第二图片之间的匹配率。

具体而言，可以基于FLANN匹配器的结果，计算两幅图片的相似度量，这里使用匹配率，即匹配成功的点对的数目比两个点集X

MatchRate的取值范围为[0，1]，一般为远小于1的数。K为匹配成功的点对的数目，M和N分别为点集X

进一步地，在本发明的一个具体实现中，当步骤S134判断为是后，可以利用OpenCV的图像处理接口将第二图片IB进行左右镜像翻转得到I

然后，基于FLANN匹配器的结果，计算两幅图像I

MatchRate′的取值范围为[0，1]，一般为远小于1的数。K′为匹配成功的点对的数目，M和N’分别为点集X

进一步地，在本发明的一些实施例中，若确定所述第一图片和第二图片存在作弊行为，则将所述第一图片和第二图片中图片性能值较低(例如分辨率较低、图片尺寸较低、图片中目标对象的清晰度较低中的一个或多个)的图片自所述待检测对象的多个图片中删除，并基于删除后的多个图片调整所述待检测对象的排序顺序。具体而言，在该实施例中，各待检测对象可以至少基于其多个图片的性能值的加权和进行排序。

由此，可以基于开源的图像处理算法技术和自研的待检测对象图片分类模型，实现了一个自动化的检测作弊行为的方法流程。基于图片所属对象以及类别标签分组进行比对，大大减少了运算量，且更利于并行处理。利用图像特征点匹配的方法计算图像相似性，以及流程上的优化，不仅可以检测到简单的缩放和拉升变换，还可以对镜像变换以及存在大幅度剪裁的情况进行识别。应用范围广泛，可大幅度节约运营维护成本，有效提升OTA场景下酒店图片相关业务运营效率。

以上仅仅是示意性地描述本发明的多个实现方式，本发明并非以此为限制。

本发明还提供一种图片作弊检测装置，图5示出了根据本发明实施例的图片作弊检测装置的示意图。图片作弊检测装置200包括获取模块210、划分模块220以及检测模块230。

获取模块210用于获取待检测对象的多个图片。

划分模块220用于对所述多个图片进行分类，以划分为多个图片组。

检测模块230用于对每一图片组，依次选取两个图片作为第一图片和第二图片进行作弊检测，所述作弊检测包括：

S131：检测所述第一图片和所述第二图片的关键点获得第一关键点集以及第二关键点集，并对所检测的关键点提取特征向量；

S132：根据第一关键点集以及第二关键点集的各关键点的特征向量，建立第一关键点集以及第二关键点集的关键点集之间的关联关系；

S133：根据所述第一关键点集以及第二关键点集的关键点集之间的关联关系，计算所述第一图片与所述第二图片之间的匹配率；

S134：判断所述第一图片与所述第二图片之间的匹配率是否大于预定阈值；

若步骤S134判断为否，则执行步骤S135：确定所述第一图片和第二图片存在作弊行为；

若步骤S134判断为是，则执行步骤S136：对所述第二图片进行变换，将变换后的图片更新为所述第二图片，并再次执行所述步骤S131至步骤S134。

在本发明提供的图片作弊检测装置中，提出根据诸如酒店、景点等待检测对象的图片进行分类，然后按类别分组进行两两比对，对每一对图片进行关键点检测、特征向量的提取、特征匹配以及匹配度的计算检测出存在作弊行为的图片对并对作弊图片进行删除，提升展示的图片内容质量。由此，通过基于计算图片相似性的方法实现生产业务中存在的图片作弊行为的检测；同时，利用特征点匹配技术，并对处理流程进行优化，不仅可以检测到简单的缩放和拉升变换等作弊行为，同时剪裁和镜像变换等作弊行为也有很好的效果。进一步地，针对现有的诸如酒店等对象的图片信息存在的重复上传、以次充好的作弊行为，建立算法流程，对通过缩放、拉升、镜像和剪裁等方式的作弊行为进行检测，通过对图片内容进行分类，分组比对，提升比对效率。

图5仅仅是示意性的示出本发明提供的图片作弊检测装置，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的图片作弊检测装置可以由软件、硬件、固件、插件及他们之间的任意组合来实现，本发明并非以此为限。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被例如处理器执行时可以实现上述任意一个实施例中所述图片作弊检测方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述图片作弊检测方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品400，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到租户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在本公开的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述图片作弊检测方法的步骤。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图7来描述根据本发明的这种实施方式的电子设备600。图7显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述图片作弊检测方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1至图3中所示的步骤。

所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得租户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述图片作弊检测方法。

相比现有技术，本发明的优势在于：

本发明提出根据诸如酒店、景点等待检测对象的图片进行分类，然后按类别分组进行两两比对，对每一对图片进行关键点检测、特征向量的提取、特征匹配以及匹配度的计算检测出存在作弊行为的图片对并对作弊图片进行删除，提升展示的图片内容质量。由此，通过基于计算图片相似性的方法实现生产业务中存在的图片作弊行为的检测；同时，利用特征点匹配技术，并对处理流程进行优化，不仅可以检测到简单的缩放和拉升变换等作弊行为，同时剪裁和镜像变换等作弊行为也有很好的效果。进一步地，针对现有的诸如酒店等对象的图片信息存在的重复上传、以次充好的作弊行为，建立算法流程，对通过缩放、拉升、镜像和剪裁等方式的作弊行为进行检测，通过对图片内容进行分类，分组比对，提升比对效率。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。