CN104376523A - 一种面向谷歌眼镜的图像代码防伪***构成方法 - Google Patents
一种面向谷歌眼镜的图像代码防伪***构成方法 Download PDFInfo
- Publication number
- CN104376523A CN104376523A CN201310351166.3A CN201310351166A CN104376523A CN 104376523 A CN104376523 A CN 104376523A CN 201310351166 A CN201310351166 A CN 201310351166A CN 104376523 A CN104376523 A CN 104376523A
- Authority
- CN
- China
- Prior art keywords
- image
- code
- image code
- information
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 239000011521 glass Substances 0.000 title claims abstract description 43
- 239000003086 colorant Substances 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 49
- 239000000284 extract Substances 0.000 claims description 37
- 238000009826 distribution Methods 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 19
- 239000006185 dispersion Substances 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000003491 array Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000006243 chemical reaction Methods 0.000 description 36
- 238000010586 diagram Methods 0.000 description 29
- 238000005516 engineering process Methods 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 238000007639 printing Methods 0.000 description 7
- 238000004806 packaging method and process Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 210000003128 head Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005242 forging Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003997 social interaction Effects 0.000 description 2
- PLXMOAALOJOTIY-FPTXNFDTSA-N Aesculin Natural products OC[C@@H]1[C@@H](O)[C@H](O)[C@@H](O)[C@H](O)[C@H]1Oc2cc3C=CC(=O)Oc3cc2O PLXMOAALOJOTIY-FPTXNFDTSA-N 0.000 description 1
- 241000269799 Perca fluviatilis Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011278 co-treatment Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理领域中的一种面向谷歌眼镜的图像代码防伪***构成方法,是通过调整原图像相关颜色的图像灰度值,或通过微镜头阵列构成防伪图像,将这种防伪图像,变换成复数个几何学,或物理学形态的展开图像,并基于自组织的概率尺度,抽出各个图像的特征信息;进行数值化的处理,生成图像代码的方法,或通过对原图像进行特征信息的抽出,通过检索图像特征的数据库的特征信息,实现图像代码生成的方法,可基于上述的生成的图像代码,介于网络从服务器中检索相关的防伪信息进行输出。该方法的特点是可通过大众手中的无线终端查询商品的真伪。
Description
技术领域
本发明属于图像处理领域中的一种面向谷歌眼镜的图像代码防伪***构成方法。
背景技术
近些年来,通过移动电话,智能手机等等读取二维码,然后下载二维码对应的视频的方法正在被广泛使用。(专利文献1)
但是,印刷物上印刷上二维码之后,不仅对于印刷物的美观有损,而且印刷二维码还需要必须的空间。因此从印刷物的美观以及印刷空间出发来考虑,采用电子水印技术,使用智能手机进行读取的***也被广泛采用。比较有代表的手法有“在便携计算设备之上高速信号检测以及分散计算]专利文档提及的方法”。(专利文献2)
同时,也有使用图形识别技术,进行图像读取,基于读取到的图像连接网络,读取的图像和图像本身相关联的信息同时在画面上显示的所谓AR(Augmented Reality)的扩张现实技术(www.sbbit.jp)。
为了极力减少与图像特征相关联的信息的容量,人们还在摸索由图像直接生成图像代码的技术,已经申请的专利有“图像代码化设备,方法以及程序”。(专利文献3)
已公开的技术文献
专利文献:
【专利文献1】(特開2009-104164号公告)
【专利文献2】(特開2011-234376号公告)
【专利文献3】(特開2011-94551号公告)
【非专利文献1】「AR应用说明」(www.ar.selkosha-p.com <http://www.ar.selkosha-p.com>)访问时间:2013年8月6日
上述的专利文献1中记述的方法,使用便携电话读取二维码的技术被广泛使用,但是二维码需要专用空间,商品标签以及包装上使用时,会有损美观。
上述专利文献2中记载的智能手机读取***中,因为二维码可以隐藏在商品标签中,所以对商品的标签包装等等美观上不会有影响,但是需要提前把信息隐藏进去,需要复杂的印刷手段,印刷成本以及花费时间都会增加,因为需要事先的信息埋入的作业所以此手段广泛普及需要很长的时间。
同时,非专利文献1中提到的AR(Augmented Reality)的扩张现实技术,根据图像的轮廓解析对图像进行特定,然后对获取关联信息。因此,通过使用相同轮廓的图像有可能获取到相关的信息,而且很难防止伪造。还有,这种手法采用了图像匹配的识别方法,单个图像就需要注册数兆的图像匹配信息到内存中,因此需要大容量的记忆介质(内存)。
上述的专利文献3中提到的图像代码,指的是事先设定在图像中的标准阈值,将这中特定的图像分割成若干区域,将各个分割成的区域中的灰度直与实现设定在图像中的标准阀值进行对比,按大于标准阀值,还是小于标准阀值判断出是信息“1”,还是信息“0”。这种图像代码的生成方法和专利文献2中提到技术一样,都只能针对特定的图像进行图像代码的生成,不能针对不特定的图像进行图像代码的生成。
发明内容
本发明的第一个目的是,提供一个方法,从防伪图像中抽出图像的特征信息,按照图像是别的方法,从登录的图像特征数据中检索出原图像的固有的代码。
本发明的第2个目的是,提供一个直接将特定的防伪印刷图像生成图像代码的方法。
本发明的第3个目的是,提供一个可作为无线终端防伪查询的***建立方法。
为了解决上述问题,提出如下技术方案:
一种面向谷歌眼镜的图像代码防伪***构成方法,是由防伪图像生成部分,图像代码生成部分,网络查询部分组成的,具有如下的特征:
防伪图像生成部分,通过调整原图像相关颜色的图像灰度值,或通过微镜头阵列构成防伪图像;图像代码生成部分,将从图像读取设备中获取到的原图像,通过变换成复数个几何学,或物理学形态的展开图像,并基于自组织的概率尺度,抽出各个图像的特征信息;进行数值化的处理,生成图像代码的方法,或通过对原图像进行特征信息的抽出,通过检索图像特征的数据库的特征信息,实现图像代码生成的方法;网络查询部分,基于生成的图像代码,介于网络从服务器中检索相关的防伪信息进行输出。
而且,上述特征信息抽出部分,所述自组织概率尺度是指:包括正态分布,多变量正态分布,指数分布,通信量分布,韦伯分布,三角分布,贝塔分布中至少一种具有概率分布的概率属性的参数,所述自组织的中心值是指概率分布的平均值,或者期待值。
而且,上述特征抽出部分,将上述复数展开图像分别分割成多个图像区域,基于自组织概率尺度,从每个图像分割的领域中,抽出展开图像的特征信息;上述图像代码生成部分,将复数展开图像的特征信息,用单比特,或多比特的形式进行数值化处理,并直接生成图像代码。
而且,上述特征抽出部分,将复数个展开图像,基于自组织的概率尺度,抽出各个展开图像的特征信息;上述图像代码生成部分,将由特征抽出部分抽出的所有的展开图像的特征信息,使用基于人为经验所定义的复数个从属函数,在0到n数值之间进行数值化,并直接生成图像代码。
而且,上述图像代码生成部分,将数值化的各个原图像的展开图像的特征信息,作为多个图像的特征向量,并为能登录注册到服务器上而构成了图像的特征向量空间;计算属于特征向量空间的图像的特征向量和图像的特征向量空间中登录的各个特征向量的欧氏距离(Euclidean distance),把距离最小的特征向量空间的特征向量作为当前图像的图像代码。
而且,上述代码生成部分,为了生成登录用的图像代码,用不同的时机获取到的同一个读取对象的多个图像,取得各个固定的多个展开图像的特征信息,作为多个图像信息的特征向量,基于自组织概率尺度,计算当前图像的特征向量的中心值和概率尺度,构成服务器登录的新的特征向量空间;
针对属于新的特征向量空间的图像特征向量,使用特征向量空间中登录的各个图像的特征向量的中心值和分散值进行概率尺度的距离概率尺度的距离的计算,把概率尺度的距离最近的属于特征向量空间的特征向量的中心值作为当前图像的图像代码。
附图说明
图1使用谷歌眼镜的读取方法示意图
图2自组织处理流程示意图
图3通过几何学或者物理学进行展开图像的变换方法的示意图
图4通过能量图像的变换抽出图像特征信息的示意图
图5通过形状图像的变换抽出图像特征信息的示意图
图6通过边缘图像的变换抽出图像特征信息的示意图
图7通过类似图像的变换抽出图像特征信息的示意图
图8通过能量图像的分割进行图像代码化示意图
图9多色图之间灰度调整原理示意图
图10是防伪图像代码的图像构成原理示意图
图11利用微镜头阵列实现防伪图像代码的图像生成方法的示意图
图12用于物联网网站的谷歌眼镜***构成示意图
图13图像代码化检索***处理流程示意图
图14图像代码化检索***的***构成示意图
【符号说明】
M(0) 初始化概率尺度
(x0,y0)(0) 自组织中心值
V 自组织收敛值
MN 最大自组织次数
n 自组织次数。
M(n) 概率尺度
S(n+1) 灰度密度的分散值
P 能量平均值
S2 能量的分散
E(xi,yj) 边缘图像
F(xi,yj) K版的多值图像
C(xi,yj) C版的多值图像
Na 1的图像数
Nz 0的图像数
Vp 能量图像的能量值
Vf 翻转能量图像的能量值
(401) 能量图像中能量至高点
(402) 能量图像的轮廓
(501) 人物图像的圆形头部部位
(502) 自组织的计算结果
(801) 能量图像的中心领域
(802) 能量图像的左上领域
(803) 能量图像的右上领域
(804) 能量图像的右下领域
(805) 能量图像的左下领域
具体实施方式
以下结合附图对本发明实施例做进一步详述,但本发明所述的实施例是说明性的,而不是限定性的。
本发明解决其技术问题是采取以下技术方案实现的:使用图像对于本发明的实施形态进行说明。
图1是本发明的图像代码化变换方法以及变换设备的说明示意图。图1是以谷歌眼镜为例进行说明的。
在以下的说明中,经常会用谷歌眼镜进行说明,但是本发明不仅仅局限于谷歌眼镜,使用智能手机,便携电话以及其他的移动终端,电话回路,专用回路接线的在线终端,监视摄像头,自动检票机的认证摄像头,***终端等的***都可以使用。
图1(a)是使用谷歌眼镜对商品标签或者包装的图像进行读取的示意图,图1(b)是以谷歌眼镜等移动终端为例,介绍本发明有关具有图像的代码生成功能的装置的功能模块示意图。图1(b)中对于必须的功能单元均采用实线的方块图。
例如,谷歌眼镜等移动终端10的图像读取部分11面向商品标签(1-2),CCD摄像头等构成的图像读取部分11,获取到图像信息,然后发送给终端控制部分14,然后显示在图像表示部分12。同时,图像信息也会保存到数据记忆部分15。从数据输入部分13接收到特定信号时,终端控制部分14和图像代码变换部分16共同处理,获取到图像的特有唯一代码。图像代码,基于终端控制部分14的控制指令,被保存到数据记忆部分15中,也可通过通信部分17,基于终端控制部分当前命令,发送到网络连接的外部设备中。来自于网络方面的信息,是通过通信部分17,终端控制部分14,然后显示在图像显示部分12上,图像读取部分获取的信息也会同时显示在图像显示部分12上。
虽然图1是用移动终端进行的示例,连接有网络的电脑,POS终端设备,以及其他的检索专用设备等都是可以的。
图2是自组织处理流程。如图2所示,基于概率尺度的自组织算法由下边4个步骤构成。
STEP1:预处理步骤:M(0)作为初始化概率尺度,(x0,y0)(0)作为自组织的中心值,V作为自组织的收敛值,MN作为自组织最大组织次数值,n=0作为自组织的当前次数。
关于M(0)作为初始化概率尺度和(x0,y0)(0)作为自组织的中心值的决定方法,没必要进行严密的设定。通过人工预测,对于最终的范围,至少有一部分是包含在初始化概率尺度M(0)的范围内的。初始化概率尺度M(0)越大,计算的时间就越长,反之太小,有可能得不到正确的结果。
关于V作为收敛值的设定方法,收敛值V越大,就有可能得不到正确的结果。值越小,计算花费的时间越长。正确的设定方法是最终自组织的概率的10%左右。
关于最大自组织次数MN的设定方法,一般是5-10次就足够了。
STEP2:自组织步骤:进行n次自组织处理,把(xn,yn)(n)作为自组织中心值,概率尺度M(n)作为半径,计算半径以内的所有像素I(xi,yj)(i=1,2,…,k,j=1,2,…,1)的灰度密度分散值S(n+1)。M(n+1)=S(n+1),n=n+1。
【公式1】
【公式2】
把x0 (n-1),y0 (n-1)作为上次图像I(xi,yj)(i=1,2,…,k,j=1,2,…,1)的自组织原点。
STEP3:自组织判别步骤。自组织处理达到最大次数(N≥MN)或者自组织处理收敛(M(n)-M(n+1)≤V),如为YES,就不进行下次的自组织处理,自组织结束跳转到STEP4。如果是NO,就跳转到STEP2继续进行自组织处理。
STEP4:自组织处理结束。
本发明中,把公式1的X0 (n),Y0 (n)作为通常的几何学上的坐标中心,或者物理学上的力学重心,或者数学上的数值平均值,或者是概率的平均,期望值的概率中心。
概率尺度M(n)是一个具有多重属性的概率统计的参数。比方说正态分布,指数分布,爱尔朗分布,韦伯分布,三角分布,贝塔分布等等。例如概率尺度M(n)就可以作为正态分布的分散值。
例:一个概率正态分布的例子。以x1,x2,…,xk作为采样数据,以x1,x2,…,xk的平均值作为自组织中心值。
【公式3】
概率分布的x1,x2,…,xk的分散值
【公式4】
本发明,对于图像代码化的对象的原图像,不是直接抽取原图像的特征,而是要把图像的特征映射到几何学或者物理学方面,通过复数具有几何学或者物理学特征的图像,进行图像特征抽取,进而生成图像代码。
对于图像代码化的对象的原图像,把图像的特征通过几何学或者物理学模型的从属函数,进行代码化,这样的图像的特征信息就能够以0~9的数字进行描述。
或者在上述变换过的几何学或者物理学图像中,分割成多个领域,基于自组织的概率尺度,对于每一个领域,分别取出能够使用但比特或者多比特表示当前领域的信息值,变换成图像代码。
图3是通过几何学或者物理学进行展开图像的变换方法的示意图。
如图所示,图像(a)是图像代码化的对象的原图像,为了进行图像的代码化,不是直接使用作为图像代码的对象的原图像,而是将原图像以几何学或者物理学的数学模型,把对象图像变换成物理学的能量图像,边缘图像,类似度图像,热力学图像,周波数图像或者几何学的形状图像等等。
为叙述方便,本说明书定义“展开图像”为上述将原图像以几何学或者物理学的数学模型,所变换成的各种图像的总称。
图4是通过能量图像的变换抽出图像特征信息的示意图。
如图所示,图4的图像代码化的对象的原图像(a),图4的能量变换后的图像(b),图4中的(401)作为能量最高点,使用摄像头对图像进行读取的时候,根据摄像头照射环境的辉度值,图4中的(401)的能量值可能会有很大的波动,使用传统的欧氏距离作为阈值,是解决不了因拍摄环境的不同造成原图像的灰度值分布的波动,使代码生成的结果不稳定。
为了改善上述问题,使用图4所示的概率尺度的自组织算法,可以图像的灰度的分布密度作为阀值,而不依赖于图像灰度的大小,这样就可抵消由于图像灰度值的波动而造成的代码生成不稳定问题,因此本发明引进由概率尺度的自组织算法所得到的概率尺度的阀值作为针对图像的信息抽出。
具体的例子,把P(xi,yj)(i=1,2,…,k,j=1,2,…,1)作为能量图像的函数,根据下边的公式5计算出能量的平均值P。
【公式5】
根据下边的算式计算出能量分散S2
【公式6】
对于能量图像的展开图像图4(b)图像,使用上述的自组织算法,可以计算出概率尺度上的能量阈值。抽出概率尺度上阈值比较大的像素,从而求出轮廓(402)。
上述能量概率尺度的阈值的物理含义是,70%以上的能量集合的图像灰度值的基准。能量概率尺度的阈值是和图像的密度的疏密度相关的参数,和图像的灰度的高低没有关系,因此不依赖于图像的读取环境。
通过人为介入,可以定义一个表现能量图像的从属函数。首先,能量图像图4(b)的图像中,轮廓(402)中P’(xi,yj)(i=1,2,…,h,j=1,2,…,g),按照能量值最高的时候,从属函数的解就会接近9,能量值最低的时候,从属函数的解就会接近0的主观要求,通过人为的经验,将能量密度的从属函数可以由下边的公式进行定义。
【公式7】
上边公式的意义,(256h)g等于图像P’(xi,yj)中的最大值。P’(xi,yj)=(256h)g的时候,Mp=9。P’(xi,yj)变得越小,Mp就越接近0。
使用能量密度的从属函数的解,可作为图像代码化的对象图像的数值化的特征信息,也可以成为能量图像的一个特征值。
参考上述内容,图4的图像轮廓(402)中包括的面积和图像4的图像(b)的全体面积一致的情况下,从属函数的解就会接近9,相差最大的时候,从属函数的解就会接近0,轮廓(402)的能量面积特征的从属函数参照上述的公式也可以定义出。
利用能量面积的从属函数的解,也可成为图像代码化的对象图像的一个数值化的特征信息,也可以成为能量图像的一个特征值。
图5通过形状图像的变换抽出图像特征信息的示意图。
下例,如图5所示,图5(a)是图像代码化的对象的原图像,图5(b)是轮廓图像,图5(501)是作为人的头部部分的图像,图5(502)是作为概率尺度的自组织算法的结果。
针对图5那样的轮廓图像,需要重视人的图像的头部的圆形轮廓,头部的轮廓图像是否最接近的圆形来进行来考虑。
首先,对于图5(b)那样的轮廓图像,计算所有的像素之间的所有的连接线的长度,以及中心位置。圆形线的特征就是圆形线的周围的像素相互连接线的长度相近的,连接线的中心都会在圆形线的中心位置附近,还有每个连接线的角度不同,利用上述图2介绍的概率尺度的自组织算法,结合圆形线的特征,就可以计算出图5的头部轮廓图像的最接近的圆形。
然后,做一个从属函数,实现头部轮廓图像各个像素和圆形线502大部分接近的时候,函数值就变成“9”,远离圆形线的情况下,函数值接近“0”。
同样,按照上述从属函数的定义方法,定义一个形状图像的从属函数,求出形状图像的从属函数的结果,利用形状图像的从属函数的解,也可成为图像代码化的对象图像的一个数值化的特征信息,也可以成为形状图像的一个特征值。
图6是通过边缘图像的变换抽出图像特征信息的示意图。
根据图像的灰度变化构成的边缘图像是抽出图像的特征信息的1个重要的方法。
下例如图6所示,图6(a)是图像代码化的对象的原图像,图6(b)是通过对图像进行水平与垂直的微分后得到的线性1次空间微分过滤的边缘图像。
和图4(b)同样,图6(b)的边缘图的各个像素的灰度值,依存于摄像头照射环境的辉度值的影响,使用传统的比较僵硬的阈值抽出像素的算法,对于图像代码化来说存在着不安定性的问题。
和上述同样的处理方法,使用只同和图6(b)的边缘图像的灰度值相关的像素的分布密度相关,而同图6(b)的边缘图像的灰度值基本不相关的概率尺度的自组织算法,计算出重视密度概率的边缘图像的阈值。
对于图6(b)的边缘图像,抽出比概率尺度的边缘图像阈值大的像素,构成边缘图像E(xi,yj)(i=1,2,…v,j=1,2,…,w),同上述能量图像的处理不同的是,二值化的边缘图像E(xi,yj)大部分都是很分散的,考虑这一特征,首先,令抽出比概率尺度的边缘图像阈值大的像素为一个边缘像素集合,参考能量密度的从属函数,可以定义一个属于边缘像素集合中所有像素的密度的从属函数。另外参考能量面积的从属函数,还可以写出一个属于边缘像素集合的所有像素的面积的从属函数。
图7是通过类似图像的变换抽出图像特征信息的示意图。
如图7所示,从图像代码化对象的原图像(a),可以分别得到四个分版图像,(a)为K版图像,(c)为C版图像,(d)为M版图像以及(e)为Y版图像。可以计算出原始图像(a)的分版图(b)的K版图像与图像(c)即C版图像,图像(d)即M版以及图像(e)即Y版图像之间的类似关系,从而形成3个类似图像,同时还可以计算(c)图像即C版图像与图像(d)即M版图像之间的类似关系,以及可以计算(d)图像即M版图像与图像(e)即Y版图像之间的类似关系,还可以计算(c)图像即C版图像与图像(e)即Y版图像之间的类似关系,从而又得到了3个类似图像。
例:关于K版的多值图像F(xi,yj)和C版的多值图像C(xi,yj)(i=1,2,…,n、j=1,2,…,m)的类似关系、为计算容易起见,导入汉明距离的概念,可以通过公式8计算出来。
【公式8】
为更加准确的计算图像F(xi,yj)和C(xi,yj)(i=1,2,…,h,j=1,2,…,g)的类似度,可以依据公式9计算出汉明距离的平均值。
【公式9】
和上述相同,通过公式10可以计算出汉明距离的分散值。
【公式10】
公式9的汉明距离的平均值作为自组织中心值,公式10的汉明距离的分散值可带入概率尺度的自组织的算法中,利用得到的最后的概率尺度,可以找出70%以上的概率的正确的F(xi,yj)和C(xi,yj)之间的类似度,将类似度的解作为类似图像的特征信息,再仿照上述的从属函数的定义方法,将类似图像的特征信息进行数值化的处理,利用类似图像的从属函数的解,也可成为图像代码化的对象图像的一个数值化的特征信息,也可以成为类似图像的一个特征值。
如图7所示,一个图像分成CMYK4个颜色的图像,对于各个颜色图像,利用上述的方法计算颜色图像间的类似度,可得到6个类似图像,可得到6个特征信息,以及6个类似图像的特征值。
基于以上的发明内容本发明第1实施例是:对于具备几何学或者物理学要素的展开图像,基于自组织的概率尺度,通过人为介入,采用基于人为经验的从属函数,把展开图像的特征信息通过0-9的数值进行数值化,将数值化的图像特征信息直接生成图像代码。
考虑作为商品的标签,平常是有框线的,另外,摄像头的读取方向是固定的,基于这样的应用,利用上述自组织的概率尺度的特征,本发明提出通过对展开图像进行复数个的分割,分别对各个领域的图像进行图像特征信息的抽出,数值化的处理,从而直接生成图像代码的方法。
图8是根据能量图像分割进行图像代码化的方法。
图8(a)是能量图像,图像(b)是将图像(a)分割成(801)(802)(803)(804)(805)(806)(807)(808)8个领域的图像。
本发明第2实施例的方法之一是:使用根据自组织计算出的概率尺度的阈值,计算二值化的能量图像。
再将分割的8个领域的图像按照801)与(802)为一个图像对,(803)与(804)为一个图像对,(805)与(806)为一个图像对以及(807)与(808)为一个图像对。
设(801)(802)(803)(804)(805)(806)(807)(808)8个领域的图像的像素值为“1”的个数值为Na1,Na2,Na3,Na4,Na1,Na5,Na6,Na7以及Na8。
如果(801)领域的图像与(802)领域的图像的Na1>Na2则可抽出信息“1”,反之可抽出信息“0”;如果(803)领域的图像与(804)领域的图像的Na3>Na4则可抽出信息“1”,反之可抽出信息“0”,如果(805)领域的图像与(806)领域的图像的Na5>Na6则可抽出信息“1”,反之可抽出信息“0”;如果(807)领域的图像与(808)领域的图像的Na7>Na8则可抽出信息“1”,反之可抽出信息“0”。
如上所示,一个几何学的或物理学的展开图像,分割成8个领域后可抽出4个比特的信息。
本发明第2实施例的方法之二是:为能获得更加稳定的图像代码,首先针对(801)(802)(803)(804)(805)(806)(807)以及(808)8个领域的图像,分别基于概率尺度的自组织算法,求出能量图像的能量中心值以及概率尺度值,将概率尺度范围内的所有能量图像的像素表示为P1(xi,yj),P2(xi,yj),P3(xi,yj),P4(xi,yj),P5(xi,yj),P6(xi,yj),P7(xi,yj)以及P8(xi,yj),并可得到各个领域图像的能量值为,Vp1,Vp2,Vp3,Vp4,Vp5,Vp6,Vp7,以及Vp8。
如果(801)领域的图像与(802)领域的图像的Vp1>Vp2则可抽出信息“1”,反之可抽出信息“0”;如果(803)领域的图像与(804)领域的图像的Vp3>Vp4则可抽出信息“1”,反之可抽出信息“0”;如果(805)领域的图像与(806)领域的图像的Vp5>Vp6则可抽出信息“1”,反之可抽出信息“0”;如果(807)领域的图像与(808)领域的图像的Vp7>Vp8则可抽出信息“1”,反之可抽出信息“0”。
同样,一个几何学的或物理学的展开图像,分割成8个领域后可抽出4个比特的信息。
将图像代码化的对象的原图像,进行分版可得到黑白,R,G,B或者C,M,Y,K的各种颜色,再按能量图像,边缘图像,类似度图像,热力学图像,周波数图像等等最少可以进行18种类以上的图像变换,因此可以构成72bit以上的图像代码。
本发明的第3实施方法,把上述构成数值化后的图像的多个特征信息作为特征向量,可在服务器上登录注册,构成图像的特征向量空间。计算图像代码化的对象的图像的特征向量和服务器上登录的图像识别的特征向量空间的各个特征向量的欧氏距离(Euclidean distance),其中以欧氏距离最小的属于特征向量空间的特征向量值作为当前图像的图像代码。
本发明的第4实施方法,为了更加正确的进行图像代码化,通过对不同环境下同一个图像多次的学习计算出的多个图像的特征向量,基于自组织的概率尺度,计算当前图像的特征向量的中心值和概率尺度,特征向量的中心值和概率尺度全部登录进服务器,构成新的特征向量空间。
新的特征向量空间中登录的图像进行代码化的时候,对于特征向量空间的各个图像的特征向量的中心值和概率尺度,可把概率尺度的距离最小的属于特征向量空间的特征向量的中心值作为当前图像的代码值。
在这里定义概率尺度的距离。首先设原图像为q个,展开图像的个数为p个,将第i个原图像的被数值化后的图像特征信息设定为图像特征向量即Vi1,Vi2,Vi3,Vi4,Vi5,Vi6,Vi7以及Vi8,那么登录在服务器中的q个原图像的图像特征向量空间可由以下行列式表示。
【公式11】
如果设第i个图像代码化的对象的原图像的特征向量为pi1,pi2,…,piq,那么第i个原图像的特征向量与登录在服务器中的图像特征向量空间各个图像的向量之间的欧式距离为;
【公式12】
再设服务器中登录的具有图像的特征向量的,中心值和概率尺度的,新的图像图像特征向量空间中的概率尺度为Mij,(i=1,2,…,q;j=1,2,…,p)Cij(i=1,2,…,q;j=1,2,…,p),设第i个图像代码化的对象的原图像的特征向量为pi1,pi2,…,piq,那么如果(pij-Cij)的绝对值大于Mij,则从(pij-Cij)的绝对值中减去Mij值,反之,则让(pij-Cij)=0。按照这样的处理,参考公式12,就可得到概率尺度的距离。
上述的物理意义为,对于图像识别的特征向量空间中登录的图像进行图像代码检索的,计算出的图像的特征向量,在特征向量空间中检索时,先计算当前特征向量与特征向量空间中已经登录的各个图像的向量之间的欧式距离,如果特征向量空间的特征值之间的欧氏距离值比概率尺度值小的时候,欧氏距离为0,其他情况,用欧氏距离减去概率尺度所得到的整体结果就可作为概率尺度的距离值。
与图像特征相关的各种各样的几何学的,或者物理学的图像变换方法有很多。还有,对于变换的图像,通过人为介入确定了很多各种各样的从属函数。图像特征信息的数值化不仅仅在0-9之间,除此之外可以考虑诸如0-n的任何的范围,上述所有相关内容都属于本发明的范围之内。
图9是多个颜色图像之间灰度程度的调整原理示意图。
如图所示,图9(a)作为原始图像,图9(b)作为由C、M、Y、K4色构成的原始图像,同样,图9(d)作为由C、M、Y3色构成的原始图像。
C,M,Y3色图像(d)的K色图像的所有像素灰度值全部为0。
这里,图像(c)是图像(b)的C版图像,图像(d)是图像(b)的M版图像,图像(e)是图像(b)的Y版图像,图像(f)是图像(b)的K版图像。另外图像(h)是图像(g)的C版图像,图像(i)是图像(g)的M版图像,图像(j)是图像(g)的Y版图像,图像(k)是图像(g)的K版图像。
上述内容不仅仅是可以让图像没有K色,只用C,M,Y3色来表示,而且图像没有发生很大的变化。还可以在原图像的画质不备觉察的情况下,通过调整各个颜色图像的灰度值,实现各种颜色的图像之间灰度互相调整。
图10是防伪图像代码的图像构成原理示意图。
如图10所示,图像(c)是图像(b)的C版图像,图像(d)是图像(b)的M版图像,图像(e)是图像(b)的Y版图像,图像(f)是图像(b)的K版图像。另外图像(h)是图像(g)的C版图像,图像(i)是图像(g)的M版图像,图像(j)是图像(g)的Y版图像,图像(k)是图像(g)的K版图像。
把图10的原始图像(a)变成C,M,Y的3色图像(b),C,M,Y的3色图像(b)的K色的全部像素的灰度值为0。
把上述C,M,Y的3色图像(b)使用扫描仪(d)进行读取,扫描的图像是(g)。
这里需要注意的是,C,M,Y的3色图像(b)和扫描得到的图像(e)的差异在于,原来没扫描时图像(b)的K版的所有像素为“0”,但是扫描后得到的图像(e)中K版图像就发生了变化。
通常,不法者进行伪造的时候,必定使用扫描仪进行标识的复制,因此通过判断标识图像的K版图像有没有变化,就可以判断出是否为伪造的标识。
谷歌眼镜读取信息的时候,可以根据上述K色是否改变,来判断是否伪造品。除此之外,在视差允许的范围内,将原图像经过各种颜色图像之间灰度的调整,即调整C,M,Y,K中任意的单色图像的灰度,即可实现原图像在被扫描仪复制时能够使图像代码发生变化,通过他们是否有变化,来判断是否伪造,同时又不改变原图像的质量。
图11是利用微镜头阵列实现防伪图像代码的图像生成方法的示意图。
如图所示,(a)作为谷歌眼镜,(b)作为谷歌眼镜的摄像头,(c)作为微镜头的排列,(d)作为印刷图像,(e)作为印刷介质。
上述微镜头的作用是,精密的控制表示印刷图像的方向。例如,通过构成3D图像,就很难伪造,谷歌眼镜以及智能手机等等搭载摄像头的终端,也可以读取。
一种面向谷歌眼镜的图像代码防伪***构成方法,是由防伪图像生成部分,图像代码生成部分,网络查询部分组成的,具有如下的特征:
防伪图像生成部分,通过调整原图像相关颜色的图像灰度值,或通过微镜头阵列构成防伪图像;
图像代码生成部分,将从图像读取设备中获取到的原图像,通过变换成复数个几何学,或物理学形态的展开图像,并基于自组织的概率尺度,抽出各个图像的特征信息;进行数值化的处理,生成图像代码的方法,或通过对原图像进行特征信息的抽出,通过检索图像特征的数据库的特征信息,实现图像代码生成的方法;
网络查询部分,基于生成的图像代码,介于网络从服务器中检索相关的防伪信息进行输出。
图12是用于物联网网站的谷歌眼镜***构成示意图。
如图12所示,谷歌眼镜通过网络(g),和服务器(h)相互联通。图7(a)是使用谷歌眼镜的摄像头,读取商品标签,从商品标签的图像进行图像的代码化变换,然后得到图像的代码值,基于此值,连接到网络去,就可在谷歌眼镜的显示屏上看到相关的商品信息。在种情况下,商品标识将成为一个新的网络广播媒体,可以随时通过谷歌眼镜收到不同的商品广告信息或消费者喜闻乐见的视频节目。
图12的(b)和(c)是,使用谷歌眼镜的摄像头,读取商品的标签,从商品标签的图像进行图像的代码化变换,然后得到图像的代码值,基于此值,从网络上寻找同样读取过该标签的人,进行社会交流。这将是新一代社交网络的形式,人与物通过商品标识,可以把商品的爱好者聚集到一起,进行社会交往。
图12(d)是,使用谷歌眼镜的摄像头,读取商品的标签,从商品标签的图像进行图像的代码化变换,然后得到图像的代码值,基于此值,可以通过网络购买该商品,这将构成一个新的网络销售***,人们经常使用的商品只要通过谷歌眼镜直视所需商品的标识就可自动的购买该商品。
图12(e)是,使用谷歌眼镜的摄像头,读取商品的标签,从商品标签的图像进行图像的代码化变换,然后得到图像的代码值,基于此值,通过网络获取该商品的产地信息,销售区域等等信息。今后查阅商品信息已经不需要登录厂家的网站进行信息搜索,厂家的网站就建立在商品的标识上。
图12(f)是,使用谷歌眼镜的摄像头,读取商品的标签,从商品标签的图像进行图像的代码化变换,然后得到图像的代码值,基于此值就可直接上网,检索所需要的信息。这时商品标识作为网络入口,通过商品标识进入网络,将成为一般大众的主要手段,将改变目前网络检索网站的形式。
如上述所示,商品标签就具备了多重的功能,网络的入口,主页地址,网络播放媒体,社交网络的集聚顾客等等。
图13以物品为中心的谷歌眼镜***流程示意图
如图所示,以物品为中心的谷歌眼镜***流程是由下边的步骤所构成的。
步骤1,商品的标签读取步骤。主要是使用谷歌眼镜的摄像头,对商品的标签进行读取。
步骤2,识别图像的代码步骤。标签图像的黑白图像,R,G,B或者C,M,Y,K的各色图像中,一个以上的原图像,通过多个空间映射变换成展开图像,再由从属函数得到数值化的0-n的数值,并生成图像代码。
步骤3,功能自动切换步骤。谷歌眼镜和智能手机等不同,没有操作的按钮,但是有时候需要功能的自动切换。所以,本发明,通过识别人眼的动作和眼睑的动作等,作为功能信息,自动实现功能的切换。或者谷歌眼睛装载一个陀螺加速度传感器,识别头部动作的加速度,作为功能信息,实现功能的自动切换。整个想法就是通过一次的读取,作为功能信息,实现功能的自动切换。还可考虑使用者牙齿的上下动作引起颚骨的动作,产生控制功能切换信息。
步骤4,功能处理步骤。根据决定的功能,具体的进行处理,是社交网络,或者当前商品的广告,或者当前商品的网络销售,或者当前商品的关联信息等等。
上述步骤3的自动切换步骤,可以放在最初的步骤1或者其他的步骤中实现。
图像转变为代码的一个重要的课题是,代码值的稳定性。因此,本发明对于要进行代码化的图像,使用上述的概率尺度自组织算法,计算出能量图像的阈值,为边缘图像的阈值,类似图像的阈值,热力学图像的阈值,周波数图像的阈值等等,计算出的结果具有抵消由图像的拍摄环境不一致所造成图像灰度值的整体变化很大的效果。
【实施例】
图14是本发明的一个实施形态相关的图像检索***20的功能区域图。具有图像代码变换功能的终端设备19中,具有和图1的移动终端10有同样的功能的部分采用和图1同样的号码。
终端设备19拥有和图1中说明的功能同样的功能。图像读取部分11把图像读取进来,然后在图像显示部分12显示出来。进行图像代码化处理时,以及终端控制部分的指示,把读取的图像画像发送给图像变换部分16。
图像代码变换部分16,具有图像变换部分25,特征抽出部分26,以及图像代码生成部分27等部分分。通过图像变换部分25,利用图像读取设备,获取图像信息的各个像素的灰度分布,基于几何学或者物理学的要素,变换为多个展开图像信息。特征抽出部分26,从上边的展开图像信息开始,基于自组织的概率尺度,抽出各种各样的特征信息,然后数值化。最后,图像代码生成部分27利用上述特征抽出部分得到的各个展开图像的特征信息的数值,生成图像代码。
这样,图像代码变换部分16的图像变换部分25,把需要进行图像代码化的图像信息,例如图像信息的黑白,RGB,或者CMYK各色图像信息,投影到能量空间,微分空间,形状空间,类似度空间,热力学空间,周波数空间等,变换为能量图像,微分图像,形状图像,类似度图像,热力学图像,周波数图像等。
对于上述图像的各种颜色图,投影到多个空间的结果,可以得到18中种以上的展开图像信息。展开图像信息的数量多少都无所谓,多的情况下,图像代码的容量就比较大,计算需要花费比较长的时间。在这里,需要综合考虑实用的图像代码容量和计算速度。
本发明作为第1实施方法,图像代码变换部分16的特征抽出部分26,从18种以上的展开图像信息中,使用自组织的概率尺度以及固定的多个从属函数,抽出对于各个颜色的图像相对的能量图像,微分图像,形状图像,类似度图像,热力学图像,周波数图像等等18种以上的展开图像的特征信息,以0-n的数字进行数值化。
图像代码生成部分27,通过上述变换部分16的抽出部分26得到的18种以上图像特征信息,利用所有的展开图像的数值化的特征信息,直接生成1个图像代码。
作为本发明的第2实施方法,上述变换部分16的特征抽出部分26,对于各个颜色的图像相对的能量图像,微分图像,形状图像,类似度图像,热力学图像,周波数图像等18种以上的展开图像,分割成多个领域。基于自组织的概率尺度,对于分割的各个领域,抽出其中展开图像的特征信息,作为1bit或者多bit信息,进行数字化。
上述图像代码生成部分,使用抽出的18种展开图像的特征信息的数值,直接生成图像的代码值。
根据第1中实施方法中生成的图像代码,更加准确的获取的另一种方法就是本发明的第3实施方法。本发明的第3实施方法,通过图像代码变换部分16的特征抽出部分26,得到数值化的各个图像的特征信息,把这些特征信息作为图像的特征向量在服务器上登录,构成图像的特征向量空间。
计算图像代码化的对象的图像的特征向量和登录的图像的特征向量空间中的各个特征向量之间的欧氏距离,根据距离最近的特征向量,生成当前图像的代码值。
和上述第3实施方法相比,使图像代码更加进化的是本发明的第4实施方法。使用上述第1实施方法的图像代码变换部分16的特征抽出部分26的展开图像的特征信息数值化方法,照明亮度和摄像头的照射角度等等不同的环境中,对于登录注册的同一个图像,经过多次的学习(例子是摄像头10次的读取)得到的例的10个学习图像,对于这些图像的18个以上的展开图像的特征信息,基于自组织的概率尺度,计算当前图像的1个特征向量的中心值和分散值。然后把中心值和分散值登录进服务器,构建一个新的向量空间。
新的特征向量空间中登录的图像进行代码化的时候,对于特征向量空间中的各个图像的特征向量的中心值和分散值,把概率尺度的距离最小的特征向量空间中的特征向量的中心值,作为当前图像的图像代码。
从通信部分17发送的控制信息以及图像代码,经过中继器21,经由网络,发送给中心计算机23。中心计算机23基于终端设备19发送的控制信息,检索图像代码相关的信息,获取图像相关信息,送信给终端设备19。不需要从终端设备19开始向中心计算机23发送图像代码,通过终端设备19,基于图像代码数据,直接访问数据服务器24,获取到图像相关的数据信息。
如图14所示,终端设备19不仅仅通过无线通信,还可通过回路连接中继器21进行通讯。
还有,图14的例子中,直接配置图像代码变换部分16在终端设备19之上。其实,图像代码变换部分16也可以配置在中继器16或者中心计算机23等之上,也可以配置在终端设备19的外部分。但是,此时,图像代码变换之前的通信中,必须发送图像信息,因此,代码变换会增加通信附加。
特征向量的中心支和分散值,作为图像的特征向量进行登录注册,在终端设备19的图像代码变换部分16中,检测出当前图像的特征向量的中心值,生成图像代码。然后通过网络送信,基于图像代码检索相关的信息。
还有,基于经过图像代码部分计算出的图像代码,或者特征向量的中心值,通过网络,访问数据储存的服务器,可以下载商品广告动画,商品信息,社交网络信息,网络销售信息等等。
数据输入部分是通过输入能够感知人眼动作,牙齿动作,嘴唇的动作的传感器信息,实现终端的操作。
通过输入声音识别的信号,基于声音识别的结果,实现终端的操作。
通过输入陀螺信号,利用人体的动作加速度对终端进行操作。
声音输出输入部分,声音引导,音乐播放等功能。另外通过搭载GPS,可以实现地图信息的引导,设备所在地的显示等等。还有,通过加载各种各样的芯片,实现多样的功能。
【产业上的利用可能性】
使用上述图像代码化的手段,和传统的商品标签相比,可以直接在网络上登录该商品,所有的商品的标签都可以作为网络入口,消费者使用,智能手机或者谷歌眼镜等,对商品的标签进行读取,就可以判断商品的真伪,了解商品的产地,商品的购买方法,使用方法等等商品信息以及商品的广告,商品相关人员网络社交信息,商品的网络销售信息等等。
另外,通过对记录人脸等人体信息的图像进行代码化,就可以代替***,采用人体代码实现无卡购物。
上述,通过对记录人脸等人体信息的图像进行代码化,也可以实现自动检票***的无卡***。
本发明的优点效果在于:
根据本发明的图像代码生成方法,从图像读取设备读取到的图像,比如商品标签或者包装的印刷物,风景或者别的图像,可以简单快速的变换为唯一代码。
例如,使用本发明的图像代码化设备,把各种图像变换成特有的代码,这个图像相关联的信息和特有代码进行网络关联注册,通过这种方法,就可以实现图像读取设备获取的图像相关信息的快速检索。
另外,根据本发明,从商品标签和包装的印刷物图像信息里,可以得到图像的特有的唯一代码,不会像二维码那样因附加代码而破坏图像本来的图像质量,也能实现信息的快速检索。同时,也不需要事前对印刷物里边埋入隐形的代码。
根据本发明,可以把读取的图像变换为数十比特到数百比特特有的唯一代码。因此,和图像匹配AR技术相比,通信附加的信息量很小,可以实现高速的检索。所有的图像都可以变换为数百比特左右的图像特有的唯一代码,为了进行图像的查找不需要登录图像数据或者图像的匹配信息等大量的数据,只需要很小的登录数据的容量就可以实现正常检索。
例如,通过图像读取设备读取展示商品的标签或者包装,变换成图像代码。根据图像代码的代码值作为检索代码,把商品的产地,商品出售价格等各种信息进行登录,就可以提供产品的附加信息。
本发明的图像代码生成方法很适合构建使用谷歌眼镜,智能手机或者便携电话等等设备的移动图像检索***和附加信息提供***。同时,在使用谷歌眼镜,智能手机等进行图像检索时,所有的图像都进行了代码化,这样访问信息的时候,就会减少通信量,提高网络通信效率,并且图像代码化可以进行分散处理,可以同时进行大量广域的图像的检索。
ITC技术与AR技术的比较
表1就是本发明的图像代码化技术即ITC(Image To Code)技术和AR技术的对比。关于注册一个图像数据的特征信息必须的容量,AR技术需要数Mbytes,而本发明只需要数十Bytes。
另外,本发明的另外一个特征就是具有防止伪造功能。AR技术是针对黑白图片,抽出轮廓图,普通的复印机就可以伪造,根本就不具备防伪功能。
还有,如果图像形状过于简单的话,AR技术很容易误识别。本发明会参考图像本来的色彩信息,具有分解图像信息的能力,和原来的AR技术相比较图形代码化技术能够对应大量图像,只需要很少的图像特征信息量,就能够有效的进行广域的网络处理,适于全球化的物联网***。
Claims (6)
1.一种面向谷歌眼镜的图像代码防伪***构成方法,是由防伪图像生成部分,图像代码生成部分,网络查询部分组成的,具有如下的特征:
防伪图像生成部分,通过调整原图像相关颜色的图像灰度值,或通过微镜头阵列构成防伪图像;
图像代码生成部分,将从图像读取设备中获取到的原图像,通过变换成复数个几何学,或物理学形态的展开图像,并基于自组织的概率尺度,抽出各个图像的特征信息;进行数值化的处理,生成图像代码的方法,或通过对原图像进行特征信息的抽出,通过检索图像特征的数据库的特征信息,实现图像代码生成的方法;
网络查询部分,基于生成的图像代码,介于网络从服务器中检索相关的防伪信息进行输出。
2.根据权利要求1所述的面向谷歌眼镜的图像代码防伪***构成方法,其特征在于:上述特征信息抽出部分,所述自组织概率尺度是指:包括正态分布,多变量正态分布,指数分布,通信量分布,韦伯分布,三角分布,贝塔分布中至少一种具有概率分布的概率属性的参数,所述自组织的中心值是指概率分布的平均值,或者期待值。
3.根据权利要求1所述的面向谷歌眼镜的图像代码防伪***构成方法,其特征在于:上述特征抽出部分,将上述复数展开图像分别分割成多个图像区域,基于自组织概率尺度,从每个图像分割的领域中,抽出展开图像的特征信息;上述图像代码生成部分,将复数展开图像的特征信息,用单比特,或多比特的形式进行数值化处理,并直接生成图像代码。
4.根据权利要求1所述的面向谷歌眼镜的图像代码防伪***构成方法,其特征在于:上述特征抽出部分,将复数个展开图像,基于自组织的概率尺度,抽出各个展开图像的特征信息;
上述图像代码生成部分,将由特征抽出部分抽出的所有的展开图像的特征信息,使用基于人为经验所定义的复数个从属函数,在0到n数值之间进行数值化,并直接生成图像代码。
5.根据权利要求1所述的面向谷歌眼镜的图像代码防伪***构成方法,其特征在于:上述图像代码生成部分,将数值化的各个原图像的展开图像的特征信息,作为多个图像的特征向量,并为能登录注册到服务器上而构成了图像的特征向量空间;
计算属于特征向量空间的图像的特征向量和图像的特征向量空间中登录的各个特征向量的欧氏距离(Euclidean distance),把距离最小的特征向量空间的特征向量作为当前图像的图像代码。
6.根据权利要求1所述的面向谷歌眼镜的图像代码防伪***构成方法,其特征在于:
上述代码生成部分,为了生成登录用的图像代码,用不同的时机获取到的同一个读取对象的多个图像,取得各个固定的多个展开图像的特征信息,作为多个图像信息的特征向量,基于自组织概率尺度,计算当前图像的特征向量的中心值和概率尺度,构成服务器登录的新的特征向量空间;
针对属于新的特征向量空间的图像特征向量,使用特征向量空间中登录的各个图像的特征向量的中心值和分散值进行概率尺度的距离概率尺度的距离的计算,把概率尺度的距离最近的属于特征向量空间的特征向量的中心值作为当前图像的图像代码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310351166.3A CN104376523B (zh) | 2013-08-12 | 2013-08-12 | 一种面向谷歌眼镜的图像代码防伪***构成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310351166.3A CN104376523B (zh) | 2013-08-12 | 2013-08-12 | 一种面向谷歌眼镜的图像代码防伪***构成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104376523A true CN104376523A (zh) | 2015-02-25 |
CN104376523B CN104376523B (zh) | 2019-06-18 |
Family
ID=52555414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310351166.3A Expired - Fee Related CN104376523B (zh) | 2013-08-12 | 2013-08-12 | 一种面向谷歌眼镜的图像代码防伪***构成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104376523B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886811A (zh) * | 2015-12-10 | 2017-06-23 | 顾泽苍 | 一种手机商品防伪标识的构成方法与识读方法 |
CN108520419A (zh) * | 2017-02-27 | 2018-09-11 | 天津市阿波罗信息技术有限公司 | 一种导入人工智能的手机大众识别真伪方法 |
CN109844502A (zh) * | 2016-09-15 | 2019-06-04 | 奥里拉股份有限公司 | 产品认证的***和方法 |
CN111212128A (zh) * | 2019-12-30 | 2020-05-29 | 北京邮电大学 | 基于边缘辅助的协作式Web AR多人服务***及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1424691A (zh) * | 2003-01-20 | 2003-06-18 | 天津市阿波罗信息技术有限公司 | 含人体信息id码生成方法 |
US20050276442A1 (en) * | 2004-04-26 | 2005-12-15 | Alasia Alfred V | System and method for network-based object authentication |
CN201166863Y (zh) * | 2008-02-28 | 2008-12-17 | 天津市阿波罗信息技术有限公司 | 商品防伪鉴别处理的装置 |
US20120223132A1 (en) * | 2011-03-02 | 2012-09-06 | Samsung Electronics Co., Ltd. | Apparatus and method for establishing a network connection in a portable terminal |
CN102819724A (zh) * | 2012-08-02 | 2012-12-12 | 广东正迪科技股份有限公司 | 基于智能手机的二维码标签防伪识别***及方法 |
CN102890788A (zh) * | 2011-07-21 | 2013-01-23 | 天津市阿波罗信息技术有限公司 | 一种新型二维条码的门禁***的构成方法 |
-
2013
- 2013-08-12 CN CN201310351166.3A patent/CN104376523B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1424691A (zh) * | 2003-01-20 | 2003-06-18 | 天津市阿波罗信息技术有限公司 | 含人体信息id码生成方法 |
US20050276442A1 (en) * | 2004-04-26 | 2005-12-15 | Alasia Alfred V | System and method for network-based object authentication |
CN201166863Y (zh) * | 2008-02-28 | 2008-12-17 | 天津市阿波罗信息技术有限公司 | 商品防伪鉴别处理的装置 |
US20120223132A1 (en) * | 2011-03-02 | 2012-09-06 | Samsung Electronics Co., Ltd. | Apparatus and method for establishing a network connection in a portable terminal |
CN102890788A (zh) * | 2011-07-21 | 2013-01-23 | 天津市阿波罗信息技术有限公司 | 一种新型二维条码的门禁***的构成方法 |
CN102819724A (zh) * | 2012-08-02 | 2012-12-12 | 广东正迪科技股份有限公司 | 基于智能手机的二维码标签防伪识别***及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886811A (zh) * | 2015-12-10 | 2017-06-23 | 顾泽苍 | 一种手机商品防伪标识的构成方法与识读方法 |
CN109844502A (zh) * | 2016-09-15 | 2019-06-04 | 奥里拉股份有限公司 | 产品认证的***和方法 |
CN108520419A (zh) * | 2017-02-27 | 2018-09-11 | 天津市阿波罗信息技术有限公司 | 一种导入人工智能的手机大众识别真伪方法 |
CN111212128A (zh) * | 2019-12-30 | 2020-05-29 | 北京邮电大学 | 基于边缘辅助的协作式Web AR多人服务***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104376523B (zh) | 2019-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105825583B (zh) | 一种智能自动贩卖机 | |
Sang et al. | Improved crowd counting method based on scale-adaptive convolutional neural network | |
JP2015057687A (ja) | 画像情報のコード変換装置、画像情報のコード変換方法、画像コードを用いた画像関連情報提供システム、画像情報のコード変換プログラム、及びそのプログラムを記録した記録媒体 | |
CN104637035B (zh) | 生成卡通人脸图片的方法、装置及*** | |
CN109961101A (zh) | 货架状态确定方法及装置、电子设备、存储介质 | |
CN104852892B (zh) | 一种新型物联网网站***的自主登录方法 | |
CN105354248A (zh) | 基于灰度的分布式图像底层特征识别方法及*** | |
CN104376280A (zh) | 一种面向谷歌眼镜的图像代码生成方法 | |
CN104182764A (zh) | 一种图形识别*** | |
CN103310256A (zh) | 基于图像对比的连续实物防伪标签的制备及鉴别方法 | |
CN112651342B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN104636929A (zh) | 一种基于二维码的信息管理***及方法 | |
WO2021184754A1 (zh) | 视频对比方法、装置、计算机设备和存储介质 | |
CN104376523A (zh) | 一种面向谷歌眼镜的图像代码防伪***构成方法 | |
CN116664961B (zh) | 基于信码的防伪标签智能识别方法及*** | |
CN107169425A (zh) | 一种商品属性的识别方法及装置 | |
CN108921209A (zh) | 图片识别方法、装置及电子设备 | |
CN114550051A (zh) | 一种车损检测方法、装置、计算机设备及存储介质 | |
CN104143091A (zh) | 基于改进mLBP的单样本人脸识别方法 | |
CN104376314B (zh) | 一种面向谷歌眼镜物联网网站***的构成方法 | |
CN113887408A (zh) | 活化人脸视频的检测方法、装置、设备及存储介质 | |
CN106295761A (zh) | 防伪标识生成方法及装置 | |
CN109961447A (zh) | 价签检测方法及装置、电子设备、存储介质 | |
CN108399593A (zh) | 一种用于IoT的无侵入水印提取与嵌入方法 | |
CN113888086B (zh) | 基于图像识别的物品签收方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190618 |