一种图片翻拍识别方法、系统、装置及存储介质与流程

计算;推算;计数设备的制造及其应用技术1.本发明涉及计算机视觉技术领域，尤其是一种图片翻拍识别方法、系统、装置及存储介质。背景技术：2.在零售快消领域的数据核查中，为保障数据可靠性，需要对获取的图片数据进行翻拍检测，以防止相关作弊行为。现有的翻拍检测技术一般是通过检测翻拍图片的摩尔纹等信息来判断图片是否为翻拍，但是翻拍图片的种类繁多，当翻拍的屏幕的分辨率足够高或者先使用纸张彩色打印后翻拍时，翻拍图片的摩尔纹信息缺失，此时会导致翻拍图片无法被准确识别检测，从而影响数据的真实性。技术实现要素：3.本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。4.为此，本发明实施例的一个目的在于提供一种图片翻拍识别方法，该方法提高了图片翻拍识别的准确度。5.本发明实施例的另一个目的在于提供一种图片翻拍识别系统。6.为了达到上述技术目的，本发明实施例所采取的技术方案包括：7.一方面，本发明实施例提供了一种图片翻拍识别方法，包括以下步骤：8.获取第一图片样本，确定所述第一图片样本的三维姿态信息，并根据所述三维姿态信息对所述第一图片样本进行标注得到训练样本集；9.将所述训练样本集输入到预先构建的多分支卷积神经网络中进行训练，得到训练好的图片翻拍识别模型；10.获取待识别图片，将所述待识别图片输入到所述图片翻拍识别模型，根据识别结果确定所述待识别图片是否为翻拍图片；11.其中，所述多分支卷积神经网络包括前置卷积层、姿态识别分支网络以及翻拍识别分支网络，所述前置卷积层用于对输入图片进行特征提取，所述姿态识别分支网络用于根据提取的图片特征识别输入图片的三维姿态，所述翻拍识别分支网络用于根据提取的图片特征和识别得到的三维姿态识别输入图片是否为翻拍图片。12.进一步地，在本发明的一个实施例中，所述三维姿态信息为所述第一图片样本中前景物体的三维姿态角度，所述确定所述第一图片样本的三维姿态信息这一步骤，其具体包括：13.确定所述第一图片样本的前景图像，所述前景图像为所述前景物体所在的图像区域；14.确定所述前景图像的多个关键特征区域，并提取所述关键特征区域中的特征像素点；15.根据所述特征像素点的位置关系进行姿态估计，得到所述前景物体的三维姿态角度。16.进一步地，在本发明的一个实施例中，所述根据所述三维姿态信息对所述第一图片样本进行标注得到训练样本集这一步骤，其具体包括：17.根据所述三维姿态信息确定所述第一图片样本的第一标签；18.根据所述第一图片样本是否翻拍确定所述第一图片样本的第二标签；19.根据所述第一图片样本、所述第一标签以及所述第二标签构建训练样本集。20.进一步地，在本发明的一个实施例中，所述将所述训练样本集输入到预先构建的多分支卷积神经网络中进行训练这一步骤，其具体包括：21.将所述训练样本集输入到所述前置卷积层，通过所述前置卷积层对所述第一图片样本进行特征提取得到第一特征子图；22.将所述第一特征子图输入到所述姿态识别分支网络进行姿态识别，并根据姿态识别结果和所述第一标签确定第一损失值，进而根据所述第一损失值通过反向传播算法更新所述前置卷积层和所述姿态识别分支网络的参数；23.将所述第一特征子图和姿态识别结果输入到所述翻拍识别分支网络进行翻拍识别，并根据翻拍识别结果和所述第二标签确定第二损失值，进而根据所述第二损失值通过反向传播算法更新所述前置卷积层和所述翻拍识别分支网络的参数。24.进一步地，在本发明的一个实施例中，所述姿态识别分支网络的训练和所述翻拍识别分支网络的训练交替迭代进行，所述将所述训练样本集输入到预先构建的多分支卷积神经网络中进行训练这一步骤，还包括以下步骤：25.当所述第一损失值达到预设第一阈值，且所述第二损失值达到预设的第二阈值，停止训练。26.进一步地，在本发明的一个实施例中，所述第一损失值通过下式计算得到：[0027][0028]其中，l1表示第一损失值，n表示第一图片样本的数量，euleri表示第i个第一图片样本的第一标签，ei表示第i个第一图片样本的姿态识别结果。[0029]进一步地，在本发明的一个实施例中，所述第二损失值通过下式计算得到：[0030][0031]其中，l2表示第二损失值，n表示第一图片样本的数量，yi表示第i个第一图片样本的第二标签，当第i个第一图片样本为翻拍时yi＝1，当第i个第一图片样本不为翻拍时yi＝0，pi表示第i个第一图片样本预测为翻拍的概率。[0032]另一方面，本发明实施例提供了一种图片翻拍识别系统，包括：[0033]训练样本集确定模块，用于获取第一图片样本，确定所述第一图片样本的三维姿态信息，并根据所述三维姿态信息对所述第一图片样本进行标注得到训练样本集；[0034]多分支卷积神经网络训练模块，用于将所述训练样本集输入到预先构建的多分支卷积神经网络中进行训练，得到训练好的图片翻拍识别模型；[0035]模型识别模块，用于获取待识别图片，将所述待识别图片输入到所述图片翻拍识别模型，根据识别结果确定所述待识别图片是否为翻拍图片；[0036]其中，所述多分支卷积神经网络包括前置卷积层、姿态识别分支网络以及翻拍识别分支网络，所述前置卷积层用于对输入图片进行特征提取，所述姿态识别分支网络用于根据提取的图片特征识别输入图片的三维姿态，所述翻拍识别分支网络用于根据提取的图片特征和识别得到的三维姿态识别输入图片是否为翻拍图片。[0037]另一方面，本发明实施例提供了一种图片翻拍识别装置，包括：[0038]至少一个处理器；[0039]至少一个存储器，用于存储至少一个程序；[0040]当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的一种图片翻拍识别方法。[0041]另一方面，本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行上述的一种图片翻拍识别方法。[0042]本发明的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到：[0043]本发明实施例先获取图片样本并根据三维姿态信息进行标注得到训练样本集，然后将训练样本集输入到预先构建的多分支卷积神经网络中，通过姿态识别分支网络和翻拍识别分支网络的联合训练来更新前置卷积层和各分支网络的网络参数，得到训练好的图片翻拍识别模型，从而可以利用该图片翻拍识别模型对待识别图片进行翻拍识别。本发明实施例通过姿态识别分支网络和翻拍识别分支网络的联合训练来更新前置卷积层和各分支网络的网络参数，由于姿态识别分支网络的训练可以对前置卷积层进行优化，从而可以增强提取出的图片特征的特征表达能力，进而提高了图片翻拍识别的准确率；由于翻拍识别分支网络的训练同时考虑了提取的图片特征和识别得到三维姿态，进一步提高了图片翻拍识别的准确率。附图说明[0044]为了更清楚地说明本发明实施例中的技术方案，下面对本发明实施例中所需要使用的附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。[0045]图1为本发明实施例提供的一种图片翻拍识别方法的步骤流程图；[0046]图2为本发明实施例提供的一种图片翻拍识别系统的结构框图；[0047]图3为本发明实施例提供的一种图片翻拍识别装置的结构框图。具体实施方式[0048]下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。[0049]在本发明的描述中，多个的含义是两个或两个以上，如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。[0050]参照图1，本发明实施例提供了一种图片翻拍识别方法，具体包括以下步骤：[0051]s101、获取第一图片样本，确定第一图片样本的三维姿态信息，并根据三维姿态信息对第一图片样本进行标注得到训练样本集。[0052]具体地，在实际生活场景中，对比翻拍图片和实际拍摄的图片可以发现：翻拍一般对着电脑、手机屏幕或者打印纸张等平面进行拍摄，这样得到的翻拍图片的三维姿态信息(如物体的欧拉角)与真实图片相比存在异常，图片也缺乏立体感。因此，本发明实施例在对图片样本进行标注时，先确定图片样本的三维姿态信息，根据三维姿态信息对图片样本进行标注，并在后续模型训练的过程中同时进行三维姿态信息的拟合和图片翻拍的识别。[0053]进一步作为可选的实施方式，三维姿态信息为第一图片样本中前景物体的三维姿态角度，确定第一图片样本的三维姿态信息这一步骤，其具体包括：[0054]a1、确定第一图片样本的前景图像，前景图像为前景物体所在的图像区域；[0055]a2、确定前景图像的多个关键特征区域，并提取关键特征区域中的特征像素点；[0056]a3、根据特征像素点的位置关系进行姿态估计，得到前景物体的三维姿态角度。[0057]具体地，以零售快消领域的数据核查为例，前景图像可以是货架所在的图像区域，关键特征区域可以是货架的拐角处和分层处等区域，对这些区域进行特征像素点的提取，然后根据实际的货架的几何结构关系和特征像素点的位置关系进行姿态估计，即可得到货架的三维姿态角度，包括俯仰角、偏航角以及滚转角。[0058]进一步作为可选的实施方式，根据三维姿态信息对第一图片样本进行标注得到训练样本集这一步骤，其具体包括：[0059]b1、根据三维姿态信息确定第一图片样本的第一标签；[0060]b2、根据第一图片样本是否翻拍确定第一图片样本的第二标签；[0061]b3、根据第一图片样本、第一标签以及第二标签构建训练样本集。[0062]具体地，第一标签可记为(pitch，yaw，roll)，其中，pitch表示俯仰角，yaw表示偏航角，roll表示滚转角；第二标签可记为1或者0，其中，1表示对应的图片样本为翻拍图片，0表示对应的图片样本为实拍图片。图片是否翻拍可以根据图片来源确定，也通过人工判断进行标注。以第一标签和第二标签作为第一图片样本的标签数据构建训练样本，从而形成训练样本集。[0063]在一些可选的实施例中，第一标签和第二标签可以合并为一个多维度标签，如(1，pitch，yaw，roll)。[0064]s102、将训练样本集输入到预先构建的多分支卷积神经网络中进行训练，得到训练好的图片翻拍识别模型。[0065]其中，多分支卷积神经网络包括前置卷积层、姿态识别分支网络以及翻拍识别分支网络，前置卷积层用于对输入图片进行特征提取，姿态识别分支网络用于根据提取的图片特征识别输入图片的三维姿态，翻拍识别分支网络用于根据提取的图片特征和识别得到的三维姿态识别输入图片是否为翻拍图片。[0066]具体地，本发明实施例提出一种多分支卷积神经网络，包括前置卷积层、姿态识别分支网络以及翻拍识别分支网络，其中，姿态识别分支网络用于拟合图片样本的三维姿态信息，翻拍识别分支网络用于区别图片样本是否为翻拍图片，两个分支网络共用多分支卷积神经网络的前置卷积层，姿态识别分支网络的训练能够优化前置卷积层的参数，从而影响前置卷积层的图片特征提取，增强提取出的图片特征的特征表达能力，进而加强了翻拍识别分支网络的学习过程，提高了图片翻拍识别的准确率。[0067]进一步作为可选的实施方式，将训练样本集输入到预先构建的多分支卷积神经网络中进行训练这一步骤，其具体包括：[0068]c1、将训练样本集输入到前置卷积层，通过前置卷积层对第一图片样本进行特征提取得到第一特征子图；[0069]c2、将第一特征子图输入到姿态识别分支网络进行姿态识别，并根据姿态识别结果和第一标签确定第一损失值，进而根据第一损失值通过反向传播算法更新前置卷积层和姿态识别分支网络的参数；[0070]c3、将第一特征子图和姿态识别结果输入到翻拍识别分支网络进行翻拍识别，并根据翻拍识别结果和第二标签确定第二损失值，进而根据第二损失值通过反向传播算法更新前置卷积层和翻拍识别分支网络的参数。[0071]具体地，将训练样本集中的图片样本输入到初始化后的多分支卷积神经网络后，通过前置卷积层提取出特征子图，然后将特征子图输入到姿态识别分支网络可以得到姿态识别结果，根据姿态识别结果和第一标签来评估姿态识别分支网络的准确性，从而可以对前置卷积层和姿态识别分支网络的参数进行更新；将特征子图和姿态识别结果输入到翻拍识别分支网络可以得到翻拍识别结果，根据翻拍识别结果第二标签来评估翻拍识别分支网络的准确性，从而可以对前置卷积层和翻拍识别分支网络的参数进行更新。[0072]对于姿态识别分支网络和翻拍识别分支网络来说，识别结果的准确性可以通过损失函数(loss function)来衡量，损失函数是定义在单个训练样本上的，用于衡量一个训练样本的预测误差，具体是通过单个训练样本的标签和模型对该训练样本的预测结果确定该训练样本的损失值。而实际训练时，一个训练样本集有很多训练样本，因此一般采用代价函数(cost function)来衡量训练样本集的整体误差，代价函数是定义在整个训练样本集上的，用于计算所有训练样本的预测误差的平均值，能够更好地衡量出模型的预测效果。对于一般的机器学习模型来说，基于前述的代价函数，再加上衡量模型复杂度的正则项即可作为训练的目标函数，基于该目标函数便能求出整个训练样本集的损失值。常用的损失函数种类有很多，例如0-1损失函数、平方损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数，在此不再一一阐述。本发明实施例中，可以从中任选一种损失函数来确定训练的损失值。基于训练的损失值，采用反向传播算法对模型的参数进行更新，当损失值达到相应的阈值时即可得到训练好的图片翻拍识别模型。[0073]进一步作为可选的实施方式，姿态识别分支网络的训练和翻拍识别分支网络的训练交替迭代进行，将训练样本集输入到预先构建的多分支卷积神经网络中进行训练这一步骤，还包括以下步骤：[0074]当第一损失值达到预设第一阈值，且第二损失值达到预设的第二阈值，停止训练。[0075]具体地，姿态识别分支网络的训练和翻拍识别分支网络的训练交替迭代进行，即将第一次优化后的姿态识别分支网络输出的姿态识别结果作为翻拍识别分支网络第一次训练的输入，在翻拍识别分支网络更新前置卷积层的参数后，第二次进行姿态识别分支网络的优化，以此类推，直至第一损失值和第二损失值均达到相应的阈值，即可停止训练。[0076]进一步作为可选的实施方式，第一损失值通过下式计算得到：[0077][0078]其中，l1表示第一损失值，n表示第一图片样本的数量，euleri表示第i个第一图片样本的第一标签，ei表示第i个第一图片样本的姿态识别结果。[0079]具体地，euleri＝(pitchi，yawi，rolli)表示第i个第一图片样本的第一标签，即预先标注的俯仰角、偏航角以及滚转角，ei＝(ai，bi，ci)表示第i个第一图片样本的姿态识别结果，即识别得到的俯仰角、偏航角以及滚转角。[0080]可以理解的是，当识别得到的俯仰角、偏航角以及滚转角与标注的俯仰角、偏航角以及滚转角越接近，第一损失值的数值越小，表示姿态识别分支网络的准确度越高。[0081]进一步作为可选的实施方式，第二损失值通过下式计算得到：[0082][0083]其中，l2表示第二损失值，n表示第一图片样本的数量，yi表示第i个第一图片样本的第二标签，当第i个第一图片样本为翻拍时yi＝1，当第i个第一图片样本不为翻拍时yi＝0，pi表示第i个第一图片样本预测为翻拍的概率。[0084]s103、获取待识别图片，将待识别图片输入到图片翻拍识别模型，根据识别结果确定待识别图片是否为翻拍图片。[0085]具体地，将待识别图片输入到图片翻拍识别模型后，同样先经过前置卷积层(模型训练优化后的)提取特征子图，然后由姿态识别分支网络识别其三维姿态信息，然后将三维姿态信息和特征子图输入到翻拍识别分支网络，从而可以识别其是否为翻拍图片。[0086]以上对本发明实施例的方法步骤进行了说明。可以认识到，本发明实施例通过姿态识别分支网络和翻拍识别分支网络的联合训练来更新前置卷积层和各分支网络的网络参数，由于姿态识别分支网络的训练可以对前置卷积层进行优化，从而可以增强提取出的图片特征的特征表达能力，进而提高了图片翻拍识别的准确率；由于翻拍识别分支网络的训练同时考虑了提取的图片特征和识别得到三维姿态，进一步提高了图片翻拍识别的准确率。[0087]参照图2，本发明实施例提供了一种图片翻拍识别系统，包括：[0088]训练样本集确定模块，用于获取第一图片样本，确定第一图片样本的三维姿态信息，并根据三维姿态信息对第一图片样本进行标注得到训练样本集；[0089]多分支卷积神经网络训练模块，用于将训练样本集输入到预先构建的多分支卷积神经网络中进行训练，得到训练好的图片翻拍识别模型；[0090]模型识别模块，用于获取待识别图片，将待识别图片输入到图片翻拍识别模型，根据识别结果确定待识别图片是否为翻拍图片；[0091]其中，多分支卷积神经网络包括前置卷积层、姿态识别分支网络以及翻拍识别分支网络，前置卷积层用于对输入图片进行特征提取，姿态识别分支网络用于根据提取的图片特征识别输入图片的三维姿态，翻拍识别分支网络用于根据提取的图片特征和识别得到的三维姿态识别输入图片是否为翻拍图片。[0092]上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。[0093]参照图3，本发明实施例提供了一种图片翻拍识别装置，包括：[0094]至少一个处理器；[0095]至少一个存储器，用于存储至少一个程序；[0096]当上述至少一个程序被上述至少一个处理器执行时，使得上述至少一个处理器实现上述的一种图片翻拍识别方法。[0097]上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。[0098]本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，该处理器可执行的程序在由处理器执行时用于执行上述一种图片翻拍识别方法。[0099]本发明实施例的一种计算机可读存储介质，可执行本发明方法实施例所提供的一种图片翻拍识别方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。[0100]本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。[0101]在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。[0102]此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。[0103]上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。[0104]在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。[0105]计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序，然后将其存储在计算机存储器中。[0106]应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。[0107]在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。[0108]尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。[0109]以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!