(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 202210755296.2 (22)申请日 2022.06.30 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市钱塘新区白杨 街道2号大街1 158号 (72)发明人 程行坤　 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于区块链的数字图像的存证系统及其存 证方法 (57)摘要 本申请涉及区块链的领域， 其具体地 公开了 一种基于区块链的数字图像的存证系统及其存 证方法， 其通过基于深度学习的卷积神经网络模 型来对待存证的服装设计版式的数字图像进行 局部和全局的隐含特征提取， 并基于特征融合技 术来对所述数字图像的局部隐含关联特征和全 局的高维关联特征进行特征融合， 以更准确地对 于所述待存证的服装设计版式的数字图像进行 抄袭风险预警。 这样， 在将数字图像上传至区块 链结构之前， 对待存储的数字图像进行抄袭风险 预警， 以优化用户使用区块链存证系统的服务体 验。 权利要求书3页 说明书15页 附图6页 CN 115375980 A 2022.11.22 CN 115375980 A 1.一种基于区块链的数字图像的存证系统， 其特 征在于， 包括： 待存证数据获取模块， 用于获取待存证的服装设计版式的数字图像； 局部特征提取模块， 用于将所述待存证的服装设计版式的数字图像通过作为特征提取 器的第一卷积神经网络以得到高维关联局部特 征图； 全局特征提取模块， 用于将所述高维关联局部特征图通过非局部神经网络以得到全局 关联特征图； 降维模块， 用于将所述高维关联局部特征图和所述全局关联特征图展开为特征向量以 得到第一特 征向量和第二特 征向量； 特征分布融合模块， 用于 融合所述第 一特征向量和所述第 二特征向量以得到分类特征 向量； 抄袭风险诊断模块， 用于将所述分类特征向量通过分类器以得到分类结果， 所述分类 结果用于表示待存证的服装设计版式是否存在 抄袭风险； 风险提示模块， 用于响应于所述分类结果为待存证的服装设计版式存在抄袭风险， 生 成抄袭风险提 示； 以及 存证模块， 用于响应于所述分类结果为待存证的服装设计版式不存在抄袭风险， 将所 述待存证的服装设计版式的数字图像存 储于区块链 架构的存 储区块中。 2.根据权利要求1所述的基于区块链的数字图像的存证系统， 其中， 所述局部特征提取 模块， 包括： 浅层特征提取单元， 用于从所述第一卷积神经网络的第M层提取浅层特征图， 其中， M大 于等于4且小于等于 6； 深层特征提取单元， 用于从所述第一卷积神经网络的第N层提取深层特征图， 其中， N/M 大于等于10且小于等于15； 以及 融合单元， 用于 融合所述浅层特征图和所述深层特征图以得到所述高维关联局部特征 图。 3.根据权利要求2所述的基于区块链的数字图像的存证系统， 其中， 所述全局特征提取 模块， 包括： 点卷积单元， 用于将所述高维关联局部特征图分别输入所述非局部神经网络的第 一点 卷积层、 第二 点卷积层和第三 点卷积层以得到第一特 征图、 第二特 征图和第三特 征图； 第一融合单元， 用于计算所述第 一特征图和所述第 二特征图的按位置加权和以得到中 间融合特 征图； 归一化单元， 用于将所述中间融合特征图输入Softmax函数以对所述中间融合特征图 中各个位置的特 征值进行归一 化以得到归一 化中间融合特 征图； 第二融合单元， 用于计算所述归一化中间融合特征图和所述第 三特征图的按位置加权 和以得到再融合特 征图； 全局感知单元， 用于将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合 特征图中各个位置的特 征值间的相似性以得到全局感知特 征图； 通道数调整单元， 用于将所述全局感知特征图通过所述非局部神经网络的第四点卷积 层以得到通道调整全局感知特 征图； 以及 第三融合单元， 用于计算所述通道调整全局感知特征图和所述高维关联局部特征图的权　利　要　求　书 1/3 页 2 CN 115375980 A 2按位置加权和以得到所述全局关联 特征图。 4.根据权利要求3所述的基于区块链的数字 图像的存证系统， 其中， 所述降维模块， 进 一步用于将所述高维关联局部特征图和所述全局关联特征图中各个特征矩阵按照行向量 进行划分并将所 得到的行向量进行排列以得到所述第一特 征向量和所述第二特 征向量。 5.根据权利要求4所述的基于区块链的数字图像的存证系统， 其中， 所述特征分布融合 模块， 包括： 向量差分单元， 用于计算所述第 一特征向量和所述第 二特征向量之间的按位置差分以 得到差分特征向量； 向量加和单元， 用于计算所述第 一特征向量和所述第 二特征向量之间的按位置相加以 得到加和特征向量； 对数运算单元， 用于计算所述加和特征向量中各个位置的特征值的对数函数值以得到 对数加和特征向量； 特征值计算单 元， 用于计算所述差分特 征向量的一范 数作为分层深度特性 值； 关联矩阵单元， 用于计算所述第 一特征向量的转置向量与所述第 二特征向量的向量乘 积以得到全场景 单应关联矩阵； 深度感知单元， 用于计算所述全场景单应关联矩阵的Frobenius范数作为深度感知特 征值； 以及 对齐融合单元， 用于以所述分层深度 特性值作为加权系数且以所述深度感知特征值作 为偏置值对所述对数加 和特征向量进行处 理以得到所述分类特 征向量。 6.根据权利要求5所述的基于区块链的数字图像的存证系统， 其中， 所述对齐融合单 元， 进一步用于： 以所述分层深度特性值作为加权系 数且以所述深度感知特征值作为偏置 值以如下公式对所述对数加 和特征向量进行处 理以得到所述分类特 征向量； 其中， 所述公式为： 其中V1表示所述第一特征向量， V2表示所述第二特征向量， V3表示所述分类特征向量， | |·||1表示向量的一范数， 且|| ·||F表示矩阵的Frobenius范数， 和 分别表示按位置 减法和加法， 且⊙表示按位置点乘。 7.根据权利要求6所述的基于区块链的数字图像的存证系统， 其中， 所述抄袭风险诊断 模块， 进一步用于： 使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述 分类结果， 其中， 所述公式为： softmax{(Wn,Bn):…:(W1,B1)|X}， 其中， W1到Wn为权重矩阵， B1 到Bn为偏置向量， X为所述分类特 征向量。 8.一种基于区块链的数字图像的存证系统的存证方法， 其特 征在于， 包括： 获取待存证的服装设计版式的数字图像； 将所述待存证的服装设计版式的数字图像通过作为特征提取器的第一卷积神经网络 以得到高维关联局部特 征图； 将所述高维关联局部特 征图通过非局部神经网络以得到全局关联 特征图； 将所述高维关联局部特征图和所述全局关联特征图展开为特征向量以得到第一特征 向量和第二特 征向量；权　利　要　求　书 2/3 页 3 CN 115375980 A 3