CN110288359A - 码指纹防伪方法 - Google Patents
码指纹防伪方法 Download PDFInfo
- Publication number
- CN110288359A CN110288359A CN201910547553.1A CN201910547553A CN110288359A CN 110288359 A CN110288359 A CN 110288359A CN 201910547553 A CN201910547553 A CN 201910547553A CN 110288359 A CN110288359 A CN 110288359A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- image
- condition code
- characteristic point
- key area
- 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 96
- 238000010586 diagram Methods 0.000 claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012217 deletion Methods 0.000 claims 1
- 230000037430 deletion Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 56
- 230000003287 optical effect Effects 0.000 abstract description 9
- 238000007639 printing Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 238000004806 packaging method and process Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000009499 grossing Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000004377 microelectronic Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000003362 replicative effect Effects 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供的一种码指纹防伪方法,包括建立码指纹库,建立待测商品码指纹,检索验证;建立码指纹库包括提取标志区域图像的局部性特征点;去除局部性特征点中的通用局部性特征点,剩余局部性特征点组成显著局部性特征点图;根据显著局部性特征点图获取区块详细特征向量;根据显著局部性特征点图与区块详细特征向量建立关键区域特征码指纹。上述码指纹防伪方法通过光学设备上采集商品标志区域图像就包含印刷特征差别,将其通过一定的方法处理后建立具有唯一识别性的码指纹存储于码指纹库中,通过采集待测商品的相应标志区域图像即可判断其是否在码指纹库中具有唯一的码指纹,该码指纹防伪方法的码指纹无法破译复制,可以杜绝仿冒者的防制。
Description
技术领域
本发明涉及商品防伪技术领域,特别是涉及一种码指纹防伪方法。
背景技术
随着市场经济的发展,市场上假冒商品越来越多,人们防不胜防,假冒伪劣商品成为世界上除毒品之外的第二大公害。
为了打击假冒,世界各国发展了各种各样的防伪技术,出现了如防伪纸张、防伪油墨、特种印刷、安全封章、水印、激光全息防伪、商品条形码、微电子芯片、射频(RadioFrequency Identification,RFID) 电子标签、二维码等防伪技术。然而这些传统的防伪技术并不能真正杜绝假冒,使消费者便利的辨别产品的真假。例如,仿冒者可以很容易地通过进入市场流通的真品获知产品的包装及其商品条形码,从而仿造出同样的包装及商品条形码,通过扫描假冒商品的商品条形码可以获得与真品相同的扫描结果。又如,仿冒者也可以通过复制真品的二维码从而在仿冒品上呈现同样的二维码,通过扫描假冒商品的二维码同样可以获得与真品相同的扫描结果。再如,采用近场通讯(Near Field Communication,NFC)芯片进行防伪,然而造假者通过回收旧包装,提取其中的NFC芯片信息并仿冒,为并且了达到真实的效果,还制作了山寨网站和假的数据库,消费者购买后根本无法辨别真假。
如何真正做到商品防伪,使仿冒者无法仿制,使消费者通过简单的方法即可查询的商品的真伪是本领域亟待解决的问题。
发明内容
基于此,有必要针对传统防伪方法容易被仿制,消费者无法方便地辨别商品真假的问题,提供一种码指纹防伪方法。
本发明提供的一种码指纹防伪方法,所述码指纹防伪方法包括以下步骤:
建立码指纹库步骤,包括采集商品标志区域图像,根据所述商品标志区域图像建立关键区域特征码指纹,若干同种商品的所述关键区域特征码指纹构建关键区域特征码指纹库;
建立待测商品码指纹步骤,包括采集待测商品标志区域图像,根据所述待测商品标志区域图像建立待测关键区域特征码指纹;
检索验证步骤,包括根据所述待测关键区域特征码指纹检索所述关键区域特征码指纹库,根据检索结果判断所述待测商品的真假;
其中,根据所述商品标志区域图像建立关键区域特征码指纹以及根据所述待测商品标志区域图像建立待测关键区域特征码指纹分别包括以下步骤:
提取标志区域图像的局部性特征点;
去除所述局部性特征点中的通用局部性特征点,剩余局部性特征点组成显著局部性特征点图;
根据所述显著局部性特征点图获取区块详细特征向量;
根据所述显著局部性特征点图与所述区块详细特征向量建立关键区域特征码指纹;
其中,所述标志区域图像为商品标志区域图像或待测商品标志区域图像,所述关键区域特征码指纹为关键区域特征码指纹或待测关键区域特征码指纹。
在其中的一个实施例中,提取标志区域图像的局部性特征点通过尺度不变特征转换方法实现。
在其中的一个实施例中,所述通用局部性特征点是在若干同种所述商品标志区域图像的所有局部性特征点中占比超过预设比例的局部性特征点。
在其中的一个实施例中,根据所述显著局部性特征点图获取区块详细特征向量通过方向梯度直方图特征检测方法实现。
在其中的一个实施例中,在根据所述显著局部性特征点图获取区块详细特征向量步骤之后,还包括以下步骤:
根据所述显著局部性特征点图生成索引码。
在其中的一个实施例中,根据所述显著局部性特征点图生成索引码包括以下步骤:
将所述显著局部性特征点图划分为区块;
提取每个所述区块内显著局部性特征点的中心点,以每个区块内的中心点的灰度值为相应区块的阈值;
比较每个区块内的每个显著局部性特征点灰度值与相应区块的阈值,当显著局部性特征点灰度值小于所述阈值时,记为1,否则,记为0,获得每个区块的特征码;
以标志区域图像的正中心区块的特征码为始,建立由内向外的特征码螺旋矩阵;所述特征码螺旋矩阵构成索引码。
在其中的一个实施例中,根据所述待测关键区域特征码指纹检索所述关键区域特征码指纹库包括以下步骤:
以待测商品的显著局部性特征点图的中心点为始随机产生阿基米德螺纹线;
按照集合大小,随机提取所述阿基米德螺纹线经过的所有显著局部性特征点的若干显著局部性特征点;
将提取的若干显著局部性特征点与所述索引码匹配检索;
当提取的若干显著局部性特征点与所述索引码中特定索引码的第一容错率小于等于第一容错率预设值时,将提取的若干显著局部性特征点与所述特定索引码进行区块详细特征向量匹配检索;
当提取的若干显著局部性特征点与所述特定索引码进行区块详细特征向量的第二容错率小于等于第二容错率预设值时,判断结果为真。
在其中的一个实施例中,当提取的若干显著局部性特征点与所述特定索引码进行区块详细特征向量的第二容错率大于第二容错率预设值时,执行按照集合大小,随机提取所述阿基米德螺纹线经过的所有显著局部性特征点的若干显著局部性特征点步骤。
在其中的一个实施例中,当执行按照集合大小,随机提取所述阿基米德螺纹线经过的所有显著局部性特征点的若干显著局部性特征点步骤预设次数后,所述提取的若干显著局部性特征点与所述特定索引码进行区块详细特征向量的第二容错率大于所述第二容错率预设值时,判断结果为假。
在其中的一个实施例中,当所述判断结果为真时,根据所述判断结果更新所述关键区域特征码指纹库;
所述更新方式包括删除所述关键区域特征码指纹库中相应的关键区域特征码指纹,或将用户信息写入所述关键区域特征码指纹库中相应的关键区域特征码指纹。
基于现有的印刷技术由于堵板导致的印刷颜色变化、印版磨损导致的载墨量变化、印刷环境的温度湿度变化以及干燥速度变化导致的印刷质量不同,以上常见因素将导致印刷品在光学设备上存在细微的印刷特征差别,这种印刷特征差别如人的指纹般具有唯一性且不可仿制,上述码指纹防伪方法通过光学设备上采集商品标志区域图像就包含印刷特征差别,将其通过一定的方法处理后建立具有唯一识别性的码指纹存储于码指纹库中,通过采集待测商品的相应标志区域图像即可判断其是否在码指纹库中具有唯一的码指纹,若具有相应的码指纹则可判断其为真品,若没有相应的码指纹则可判断其为假。该码指纹防伪方法的码指纹无法破译复制,可以杜绝仿冒者的防制。进一步地,通过提取局部性特征点并去除通过局部性特征点,能够减少数据的处理量,提高防伪验证的速度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明第一大方面码指纹防伪方法一实施例的流程示意图;
图2为本发明第二大方面码指纹防伪***一实施例的结构框图;
图3为本发明第三大方面标准化预处理步骤一实施例的流程示意图;
图4为以条形码为例的待测商品标志区域图像;
图5为图4所示图像二值化处理后的图像;
图6为图5所示图像网格切割处理后的图像;
图7为图6所示图像卷积处理后的图像;
图8为图7所示图像中连接组件标识处理目标示意图像;
图9为图7所示图像中确定组件方向处理目标示意图像;
图10为图9所示图像确定组件方向处理后的图像;
图11为图10所示图像计算边框区域图像;
图12为图11所示图像提取的边界框内的标志图像;
图13为以二维码为例的待测商品标志区域图像灰度化处理后的图像;
图14为图13所示图像平均高光处理后的图像;
图15为高斯滤波器模板示意图;
图16为图14所示图像高斯平滑滤波处理后的图像;
图17为XY方向梯度差处理中Gx,Gy示意图;
图18为图16所示图像经XY方向梯度差处理后的图像;
图19为(x,y)的邻近像素示意图;
图20为图18所示图像经均值滤波处理后的图像;
图21为图20所示图像经二值化处理后的图像;
图22为图21所示图像经闭运算处理后的图像;
图23为图22所示图像经腐蚀处理后的图像;
图24为图23所示图像经三次膨胀处理后的图像;
图25为图24所示图像创建边界框后的图像;
图26为图25所示图像最大化过滤处理后的图像;
图27为图26所示图像提取所述边界框内的标志图像;
图28为本发明第四大方面标准化预处理步骤一实施例的流程示意图;
图29为检测尺度空间极值点与相邻点位置示意图;
图30为维特征描述子示意图;
图31为梯度方向直方图示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下通过实施例,并结合附图,对本发明的码指纹防伪方法及***进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明的第一方面提供一种码指纹防伪方法。请参阅图1所示,本发明一实施例的码指纹防伪方法包括以下步骤:
建立码指纹库步骤S100,包括采集商品标志区域图像,根据商品标志区域图像建立关键区域特征码指纹,若干同种关键区域特征码指纹构建关键区域特征码指纹库;
建立待测商品码指纹步骤S200,包括采集待测商品标志区域图像,根据待测商品标志区域图像建立待测关键区域特征码指纹;
检索验证步骤S300,包括根据待测关键区域特征码指纹检索关键区域特征码指纹库,根据检索结果判断待测商品的真假。
虽然现有的印刷技术已十分先进,可根据设计印刷各种各样的印刷产品,仿冒者也基于现有先进的印刷技术进行了大量的仿冒,制得的仿冒产品足以以假乱真。尽管现有很多进行防伪的技术,例如防伪纸张、防伪油墨、特种印刷、安全封章、水印、激光全息防伪、商品条形码、微电子芯片、射频电子标签、二维码等防伪技术,但是一般消费者基于这些防伪技术仍然无法便捷准确地进行商品真假的判断,且这些防伪技术或验证方法不便,或被防伪者破解利用,消费者面对商品时无法进行真假的验证。
本发明基于现有的印刷技术由于堵板导致的印刷颜色变化、印版磨损导致的载墨量变化、印刷环境的温度湿度变化以及干燥速度变化导致的印刷质量不同,以上常见因素将导致印刷品在光学设备上存在细微的印刷特征差别,这种印刷特征差别如人的指纹般具有唯一性且不可仿制,正如世界上没有任何一模一样的树叶一样,世界上也没有完全相同的印刷制品。
上述码指纹防伪方法通过光学设备上采集商品标志区域图像就包含印刷特征差别,将其通过一定的方法处理后建立具有唯一识别性的码指纹存储于码指纹库中,通过采集待测商品的相应标志区域图像即可判断其是否在码指纹库中具有唯一的码指纹,若具有相应的码指纹则可判断其为真品,若没有相应的码指纹则可判断其为假。该码指纹防伪方法的码指纹无法破译复制,可以杜绝仿冒者的防制。
商品标志区域在印刷过程中,由于诸多因素的影响,都存在一些人眼不能直接观察到的印刷特征,这些印刷特征可能是区域印刷不连续、边缘线性、外来标号、纵横比、特征形状和对比、纵横对比变化、特征位置和尺寸等。由于形成这些印刷特征原因的偶然性,防伪者无法复制该特定商品的印刷特征,即无法复制该特定商品的身份特征,从而从源头上杜绝了防伪者进行仿制。尽管人眼无法直接观察这些印刷特征,然而这些印刷特征可以被光学设备观察并记录下来,本发明的码指纹防伪方法通过采集商品标志区域图像,根据其印刷特征建立关键区域特征码指纹,即使是相同的标志也会产生不同的身份,生产出来的商品经过建立关键区域特征码指纹后形成一物一身份防伪体系。
本发明码指纹防伪方法的一关键点在于采集商品标志区域图像。若厂商生产出的商品未经过该码指纹防伪方法采集商品标志区域图像建立关键区域特征码指纹,即使是真品其防伪判断结果也将为假。因此,应严格对商品印刷特征的采集,避免漏采。可选地,可以在商品包装完成后即刻通过光学设备采集商品标志区域图像。又可选地,在商品包装完成前采集商品包装上的商品标志区域图像,在这种情况下,应注意报废包装的处理,一方面应及时将报废包装进行物理处理,如粉碎,避免其被回收利用;另一方面应及时去除存储的报废包装相应的关键区域特征码指纹,避免存储过多的无用码指纹信息。
作为一种可选实施方式,其中的商品标志区域图像为商品包装上具有区别于其他商品的特征区域部分;待测商品标志区域图像为与商品标志区域图像的对应区域图像。例如可以是商品包装上具有标志性的卡通图案、商品名称等标识。优选地,为了提高防伪验证的准确性以及处理的便利性,具有区别于其他商品的特征可以是商品条形码、商品二维码以及商品商标中的任意一种或几种组合。
需要说明的是,建立待测商品码指纹步骤的集待测商品标志区域图像,根据待测商品标志区域图像建立待测关键区域特征码指纹的方法与采集商品标志区域图像、根据商品标志区域图像建立关键区域特征码指纹的方法相同或基本相同,因此,对建立待测商品码指纹步骤的相关方法在此文中不在赘述。
作为一种可选实施方式,在检索验证步骤S300之后还包括以下步骤:
码指纹库更新步骤S400,包括当待测商品的判断结果为真时,根据判断结果更新关键区域特征码指纹库。更新方法可以是删除关键区域特征码指纹库相应商品的关键区域特征码指纹,也可以是标记关键区域特征码指纹库相应商品的关键区域特征码指纹,还可以是将相应商品的判断结果信息存储于关键区域特征码指纹库中并与相应商品的关键区域特征码指纹进行关联。
通过码指纹库更新步骤,可以杜绝通过回收商品包装进行伪造的方式,若仿造者回收了商品包装,则其尽管具有相应的关键区域特征码指纹,但是由于该关键区域特征码指纹已被删除或标记,防伪判断结果仍然是假。
作为一种可选实施方式,检索验证步骤S300之后还包括:
商品跟踪步骤S500,包括当待测商品的判断结果为真时,根据请求获得判断结果的用户信息更新关键区域特征码指纹库。
由于商品具有唯一特定的关键区域特征码指纹,则可基于该唯一特定的关键区域特征码指纹进行商品跟踪。即本发明码指纹防伪方法还可以作为商品管控***加以利用,针对不同的用户设定不同的用户权限、设定不同的关键区域特征码指纹库更新方法。
可选地,当请求获得判断结果的用户信息显示该用户为终端用户时,则更新关键区域特征码指纹库可以是删除关键区域特征码指纹库相应商品的关键区域特征码指纹,或标记关键区域特征码指纹库相应商品的关键区域特征码指纹,再次请求获得判断结果时将显示该关键区域特征码指纹为假。
进一步可选地,建立码指纹库步骤S100中,关键区域特征码指纹还包括或关联/链接有商品的生产日期、限制使用日期、批号、批次等信息,关键区域特征码指纹库可根据实际日期以及商品的生产日期或限制使用日期进行实时更新,生产者可根据上述更新对商品的品质加以控制,避免过期商品流入流通领域。更进一步地,当请求获得判断结果的用户信息显示该用户为终端用户时,终端用户除获得判断结果商品为真或假的信息外,还可关联获得该商品的真实生产日期、限制使用日期、批次、批号等信息,避免使用过期商品,也可避免商品的流通领域被篡改生产日期或限制使用日期,损害消费者权益;消费者根据所获得的信息也可更了解该商品。
可选地,当请求获得判断结果的用户信息显示该用户为分销商、运输者等非终端用户时,则基于用户信息更新相应的关键区域特征码指纹,例如写入用户基本信息、用户地理位置、用户防伪验证时间等信息,以便对商品进行跟踪,及获取商品是否被串货、是否被分配或出货、商品的运输状态等信息,以便及时方便地对商品进行管控。
可选地,当请求获得判断结果的用户信息显示该用户为生产者的库房管理时,则基于用户信息更新相应的关键区域特征码指纹,可以是根据用户检索验证时间、目的(出库或入库)对关键区域特征码指纹标记出库时间或入库时间。
作为一种可选实施方式,在检索验证步骤S300之后还包括:
信息反馈步骤S600,包括向请求获得判断结果的用户发出反馈邀请,并获取相应用户的反馈信息。例如,当用户为终端用户时,通过信息反馈,可与用户进行互动,及时收集用户的反馈信息,例如用户体验、商品建议等信息。又如,当请求获得判断结果的用户为非终端用户时,预先对用户进行行为类型分类,用户基于不同的行为类型获得判断结果及反馈商品信息。例如,用户基于库存管理使用该方法时,用户将基于采集商品特征区域图像获得商品的库存管理信息,例如入库时间、入库位置、出库时间等信息。又如,用户基于销售使用该方法时,用于将预先设置有价格等信息,用户通过采集商品特征区域图像例如商品条形码进行收银等操作,可根据订单等相应信息。此时,可将相应的价格信息实时更新至关键区域特征码指纹库,以便监控商品价格信息。也就是说,该码指纹防伪方法还可协同应用于供应链管理***、商品销售***等。
作为一种可选实施方式,在检索验证S300步骤之后还包括以下步骤:
商品信息共享步骤S700,包括根据商品共享信息批量更新关键区域特征码指纹库中特定商品的关键区域特征码指纹,商品共享信息可以是批次商品的召回信息、批次商品的质量信息等需要用户获知的信息。优选地,这种信息共享步骤适宜于用户长期使用的商品,例如是汽车、空调、冰箱等。在这种情况下,码指纹库更新步骤中的更新方式则不适宜采用删除关键区域特征码指纹库相应商品的关键区域特征码指纹的更新方式。
作为一种可选实施方式,检索验证步骤S300之后还包括以下步骤:
异常用户行为标记步骤S800,包括根据请求获得判断结果的用户信息获得用户行为并判断用户行为是否异常,并根据用户行为是否异常结果标记相应的用户。为避免恶意竞争者通过大批量使用该码指纹防伪方法进行商品真假验证影响码指纹防伪方法的正常使用,可根据用户行为判断用户行为是否异常,例如当以终端用户身份在预设时间内大量进行防伪验证时,可标记为该终端用户为异常用户,限制其继续使用该方法进行商品真假验证等措施。
进一步可选地,非终端用户进行认证方式方可使用该码指纹防伪方法,以避免非法非终端用户的非法干扰,例如提供虚假的码指纹库跟踪信息。
本发明的第二大方面提供一种码指纹防伪***,请参阅图2所示,本发明的码指纹防伪***包括工厂端,工厂端以下模块:
图像采集模块:用于采集商品标志区域图像;
数据处理模块:用于接商品标志区域图像并根据商品标志区域图像建立商品关键区域特征码指纹关键区域特征码指纹,以及用于接收客户端发送的待测商品标志区域图像并根据待测商品标志区域图像建立待测商品关键区域特征码指纹关键区域特征码指纹或用于接收客户端发送的待测商品关键区域特征码指纹关键区域特征码指纹;
数据存储模块:用于存储若干同种商品关键区域特征码指纹关键区域特征码指纹形成的商品关键区域特征码指纹关键区域特征码指纹库;
检索验证模块:用于根据待测商品关键区域特征码指纹关键区域特征码指纹检索商品关键区域特征码指纹关键区域特征码指纹库,根据检索结果判断待测商品的真假。
上述码指纹防伪***设备简单,仅需要在现有的生产***中设置图像采集模块,商品在流水线上包装进箱前经过图像采集模块采样即可,原商品包装无任何附加,无需对现有的生产设备、包装方式进行任何调整、改变,对商品的原生产线无任何影响。图像采集模块配合数据处理模块以及数据存储模块在原商品标志上快速记录、快速运算成唯一的码指纹,任何未经过图像采集模块采集处理的商品即识别为假,从源头上杜绝了仿制;相应地,用户也可通过采集商品图像进行验证,简单快捷,且能够得到确切的真假信息。
可选地,图像采集模块可以是工业相机等光学设备,将其设置在商品的流水线以采集商品标志区域图像。无需改动企业原生产流水线,对企业原生产进程不会造成任何影响;并且可实现700次/min的采集频次,采集效率高,并可根据流水线进行相应的定制。
可选地,数据处理模块、数据存储模块、检索验证模块可集成于计算设备或服务器上,还可以是其他科实现上述目的装置上。
作为一种可选实施方式,数据存储模块还用于当待测商品的判断结果为真时,根据判断结果更新商品关键区域特征码指纹关键区域特征码指纹库。
作为一种可选实施方式,数据处理模块还用于当待测商品的判断结果为真时,接收客户端发送的请求获得判断结果的用户信息以及根据用户信息更新商品关键区域特征码指纹关键区域特征码指纹库。
作为一种可选实施方式,码指纹防伪***还包括客户端:
客户端用于采集待测商品标志区域图像并将采集的待测商品标志区域图像发送至工厂端,或
客户端用于采集待测商品标志区域图像、根据采集的待测商品标志区域图像建立待测商品关键区域特征码指纹关键区域特征码指纹并将待测商品关键区域特征码指纹关键区域特征码指纹发送至工厂端。
客户端根据需要可以设置在移动终端,例如可以是安装于智能手机中的APP,可以是单独的客户端,也可以是集合在微信、支付宝等可以采集图像扫码的终端。例如,用户可以使用微信的扫码功能采集待测商品标志区域图像并发送至工厂端进行待测商品真伪的验证。此外,用户还可以使用单独开发的客户端采集待测商品标志区域图像、根据采集的待测商品标志区域图像建立待测商品关键区域特征码指纹关键区域特征码指纹发送至工厂端。
本发明的码指纹防伪***一应用实施方式为,工厂端与客户端之间建立通讯联系,客户端主要用于实现采集待测商品标志区域图像发送待测商品标志区域图像至工厂端,并接收工厂端的检索验证结果。工厂端功能主要用于实现采集商品标志区域图像,根据商品标志区域图像建立关键区域特征码指纹,若干同种商品的关键区域特征码指纹构建关键区域特征码指纹库;接收客户端采集的待测商品标志区域图像并根据待测商品标志区域图像建立待测关键区域特征码指纹;进一步根据待测关键区域特征码指纹检索关键区域特征码指纹库,根据检索结果判断待测商品的真假并将检索判断结果发送至客户端。这种应用方式对客户端的设备要求较低,优选使用于消费者等终端用户。
本发明的码指纹防伪***另一应用实施方式为,工厂端与客户端之间建立通讯联系,客户端主要用于实现采集待测商品标志区域图像、根据待测商品标志区域图像建立待测关商品键区域特征码指纹、发送待测关键区域特征码指纹至工厂端,并接收工厂端的检索验证结果。工厂端功能主要用于实现采集商品标志区域图像,根据商品标志区域图像建立关键区域特征码指纹,若干同种商品的关键区域特征码指纹构建关键区域特征码指纹库;接收客户端发送的待测关键区域特征码指纹;进一步根据待测关键区域特征码指纹检索关键区域特征码指纹库,根据检索结果判断待测商品的真假并将检索判断结果发送至客户端。这种应用方式对客户端的应用设备要求略高,优选适用于供应商、分销商、零售商等非终端用于验证商品的真伪并管控连通供应链的各个环节。
在其他实施例中,客户端可以是包括图像采集模块以及计算设备或服务器上,即客户端也可以采用与工厂端相同的装置。
此外,客户端也可以根据不同的用户开发不同的功能及种类,例如,当用户类型为中间商、运输者等非终端客户时,客户端可包括入库、出库、销售等管理功能模块。当用户类型为消费者等终端客户时,客户端可包括信息反馈等功能模块。
作为一种可选实施方式,客户端还用于采集用户信息,并将用户信息发送至工厂端。
需要说明的是,本发明的码指纹防伪***基于上述码指纹防伪方法建立,上述码指纹防伪方法的所有具体步骤可通过该码指纹防伪***实现。具体地实现方式可根据不同的情况进行选择,不局限于本发明以下实施方式说明的方法。并且上述码指纹防伪方法的实现方式及效果在该码指纹防伪***中可以实现,相同的内容在以上说明中将不在赘述。
本发明的第三大方面提供一种码指纹防伪方法,请参阅图3所示,包括以下步骤:
建立码指纹库步骤S100,包括采集商品标志区域图像,根据商品标志区域图像建立关键区域特征码指纹,若干同种商品的关键区域特征码指纹构建关键区域特征码指纹库;
建立待测商品码指纹步骤S200,包括采集待测商品标志区域图像,根据待测商品标志区域图像建立待测关键区域特征码指纹;
检索验证步骤S300,包括根据待测关键区域特征码指纹检索关键区域特征码指纹库,根据检索结果判断待测商品的真假;
其中,在采集标志区域图像步骤之后,还包括对标志区域图像进行标准化预处理步骤,使标志区域图像具有标准化的形状、尺寸以及形状拉伸转换;标志区域图像为商品标志区域图像或待测商品标志区域图像。
上述码指纹防伪方法通过对标志区域图像进行标准化预处理,可降低由于采集标志区域图像的采集设备、采集条件的不同对根据标志区域图像建立的码指纹不利影响,并且降低了根据标志区域图像建立关键区域特征码指纹的运算量,进而提高验证结果的高效性和准确性,此外还降低了对该码指纹防伪方法的应用对设备、环境的要求,提高了其应用的范围。
作为一种可选实施方式,采集商品标志区域图像通过移动终端、相机、摄像机中的任意一种进行采集商品标志区域图像。
一般地,工厂、中间商等非终端用户对于采集商品标志区域图像的效率及精度要求要求,可采用工业相机等高效的图像采集设备。此外,由于非终端用户采用流水线等方式进行商品标志区域图像采集,商品及采集设备相对位置固定,因此其采集的商品标志区域图像也相对固定,可直接创建边界框并提取边界框内的标志图像。可选地,为了终端用户利用码指纹防伪方法验证的便利性,可采用移动终端进行码指纹防伪方法验证商品的真伪。例如,可以利用智能手机验证商品的真伪。然而由于用户移动终端的多样性以及性能的不同,所采集到的待测商品标志区域图像往往大小、像素等差异化较大,通过标准化处理可以提高码指纹防伪方法验证的便捷性和准确性。以下本发明以用户以智能手机的可扫码的APP采集待测商品标志区域图像的标准化处理为例对标准化预处理进行说明,在其他使用情况下,例如工厂端采集的商品标志区域图像也可通过该标准化处理进行进一步地处理,在此不在赘述。
在以下实施例中,以待测商品的标志为条形码为例,采集的待测商品标志区域图像如图4所示,针对该待测商品标志区域图像的标准化预处理包括以下步骤:
二值化处理步骤,将商品标志区域图像进行二值化处理,获得商品标志区域二值化图像如图5所示。
可选地,当商品标志区域二值化图像大小、像素等条件比较规范时,可直接执行提取标志图像步骤,对商品标志区域二值化图像创建边界框,提取边界框内的标志图像。
但由于采集设备、采集环境的限制,用户利用智能手机APP采集的待测商品标志区域图像往往具有一定的倾斜、阴影干扰等不便于提取待测商品标志区域(条形码)的因素,因此,在将商品标志区域图像进行二值化处理,获得商品标志区域二值化图像步骤之后,优选包括以下步骤:
网格切割处理步骤,包括将商品标志区域二值化图像进行网格切割,网格切割步骤的处理结果如图6 所示;进一步地,对网格切割后的商品标志区域二值化图像依次进行卷积处理、连接组件标识处理以及确定组件方向处理。以下分别对卷积处理、连接组件标识处理以及确定组件方向处理进行相应的说明。
在卷积处理中,由于自然图像中,信息以不同的频率传输,其中高频率通常以细节进行编码,而较低频率通常以总体结构进行编码,同理卷积层的输出可以看作不同频率的信息混合。本发明利用卷积核(滤波器)对输入图像的每个像素进行卷积处理得到特征图,卷积处理后的图像如图7所示。卷积处理的目的是有效地处理相应张量中的低频分量。
在连接组件标识处理中,如图8所示,如果每个单元格的特性包含有相互平行的方向和特征,就认为可能是一个条码的骨架,如果不包含相互平行的方向和特征,那么认为不是一个条码的骨架,如图8中A 处单元格,具有相同的特性,认为其为条码的骨架;B处单元格没有相同的特性,认为其不具有条码的骨架,则其不是条码的一部分。
在确定组件方向处理中,通过之前步骤的处理后,网格切割后的图像都包含了各个相对独立的带有方向信息的小数据格-单元格,如图9所示,条形码必然包含如图中C处和D处的相互平行的特征的骨架,但在图像中D处为错误的标记。确定组件方向处理时,如果单元格是相邻的,并且具有共同的特性,则可以将其视为要提取的条形码的一部分,首先提取单元格相邻且具有共同特性的部分,如图中C处和D处,之后按照单元格数排序,选取具有最多单元格的部分(图中C处)胜出,处理结果如图10所示。当然,该处理步骤还包括许多有用信息,以便之后的步骤再次调用,
通过上述处理步骤之后,去除了不必要的干扰信息,获得了概述条形码位置所需的所有信息。
可选地,在二值化处理步骤或确定组件方向处理之后执行提取标志图像步骤,包括对商品标志区域二值化图像创建边界框,提取边界框内的标志图像。
在图像中创建一个最小边界框,该边界框跨越一个组中的所有修补程序。首先,计算包含贴片的平均角度,然后将其用于将细胞旋转该精确角度。之后,通过使用所有补丁的最外角来计算边界框,计算边框区域如图11所示。最后,边界框沿相反方向旋转,以将其转换回原点,提取边界框内的标志图像如图12 所示。
在以下实施例中,以待测商品的标志为二维码为例,针对该待测商品标志区域图像的标准化预处理包括以下步骤:
将商品标志区域图像进行灰度化处理、平均高光处理、高斯平滑滤波处理、XY方向梯度差处理以及均值滤波处理。
采集的待测商品标志区域图像灰度化处理后的图像如图13所示。
灰度化处理后对其进行平均高光处理,如果一张图片宽度为W,高度为H,那么他的平局亮度为L(Bri) 如下式所示,其中poi代表x,y方向坐标的亮度值。
将图像切分为8*8的小块进行扫描,求该块的平均亮度,按照每个子块的分布获取子块平均亮度矩阵如下式所示。
把子块亮度矩阵中每个值都减去平均亮度,获得子块亮度差值矩阵,这样高亮区子块的亮度差值为正,而低亮子块的亮度差值为负。
获取全图亮度差值矩阵L(Bri_block)-L(Bri)
将原始图像各像素值各自减去全图亮度差值矩阵中对应的值,如果值大于全图最高亮度,则使用全图最高亮度,反之如果最低亮度小于全图最低亮度,那么使用全图最低亮度。
经过上述平均高光处理后的图像如图14所示。
平均高光处理后对图像进行高斯平滑滤波处理。使用的高斯函数如下:
其中(x,y)为点坐标,在图像处理中可认为是整数;σ是标准差。
要想得到一个高斯滤波器的模板,可以对高斯函数进行离散化,得到的高斯函数值作为模板的系数。例如:要产生一个3×3的如图15所示的高斯滤波器模板,以模板的中心位置为坐标原点进行取样。模板在各个位置的坐标,如图15所示,x轴水平向右,y轴竖直向下。
这样,将各个位置的坐标带入到高斯函数中,得到的值就是模板的系数。对于窗口模板的大小为 (2k+1)×(2k+1),模板中各个元素值的计算公式如下:
这样计算出来的模板有两种形式:小数和整数。小数形式的模板,就是直接计算得到的值,没有经过任何的处理;整数形式的模板,则需要进行归一化处理,将模板左上角的值归一化为1。
在使用整数的模板时,需要在模板的前面加一个系数,系数为也就是模板系数和的倒数。
3×3,σ=0的高斯平滑滤波处理结果如图16所示。
高斯平滑滤波处理后对图像进行XY方向梯度差处理。如图17所示,其中,Gx是横向的算子,Gy 是纵向的算子。
原图像记为f,则
GX=Gx*f
GY=Gy*f
Gx=-1*f(x-1,y-1)+0*f(x,y-1)+1*f(x+1,y-1)+(-2)*f(x-1,y)+0*f(x,y)+2*f(x+1,y)+(-1)*f(x-1,y+1)+0*f(x,y+1) +1*f(x+1,y+1)
Gy=1*f(x-1,y-1)+2*f(x,y-1)+1*f(x+1,y-1)+0*f(x-1,y)0*f(x,y)+0*f(x+1,y)+(-1)*f(x-1,y+1)+(-2)*f(x,y+1)+(- 1)*f(x+1,y+1)
GX,GY代表利用模板对原图像卷积的结果。
对于原图像中的每一个像素,在3*3的模板中进行上述的卷积,得到GX、GY,则最后该像素的灰度值近似为:
G=|GX|+|GY|
如果G大于某一个阈值,则认定该点为一个边缘点。
上述的处理可以同时进行两个方向的处理,当需要突出图像某一个方向的边缘信息时,也可以只进行其中一个方向的处理。本实施例的二维码经过上述XY方向梯度差处理处理后的图像如图18所示。
XY方向梯度差处理后对图像进行均值滤波处理。均值滤波方法是,对待处理的当前像素,选择一个模板,该模板为其邻近的若干个像素组成,用模板的均值来替代原像素的值的方法。
如图19所示,1~8为(x,y)的邻近像素。权系数矩阵模板如下:
g=(f(x-1,y-1)+f(x,y-1)+f(x+1,y-1)+f(x-1,y)+f(x,y)+f(x+1,y)+f(x-1,y+1)+f(x,y+1)+f(x+1,y+1))/9
经均值滤波处理后,消除高频噪点后的图像如图20所示。
均值滤波处理后对图像进行二值化处理。可选地,二值化采用大津法(OTSU),它是一种确定图像二值化分割阈值的算法。穷举搜索能使类内方差最小的阈值,定义为两个类的方差的加权和:
权重ωi是被阈值t分开的两个类的概率,而是这两个类的方差。大津证明了最小化类内方差和最大化类间方差是相同的:
用类概率ωi和类均值μi来表示。类概率ω1(t)用阈值为t的直方图计算:
而类均值μ1(t)为:
其中x(i)为第i个直方图面元中心的值。同样的,可以对大于t的面元求出右侧直方图的ω2(t),μ2。类概率和类均值可以迭代计算。这样会产生一个有效的算法。
大津算法得出了0∶1范围上的一个阈值,这个阈值用于图像中出现的像素强度的动态范围。使用大津法后的二值图像如图21所示。
在通过上述方法将商品标志区域图像进行二值化处理,获得商品标志区域二值化图像步骤之后,对商品标志区域二值化图像进行闭运算处理、腐蚀处理以及膨胀处理。
通过闭运算处理,填充二维码中点的间隙,使其特征更加明确,处理后的图像如图22所示。进一步地进行腐蚀处理,去除相对孤立的点,处理后的图像如图23所示。更进一步地进行膨胀处理,进一步填充间隙,使形态特征更加明确,本实施例中采用三次膨胀,处理后的图像如图24所示。在其他实施例中,膨胀处理可以是连续膨胀处理1至3次。
通过上述膨胀处理后,对商品标志区域图像创建边界框如图25所示。进一步对建立边界框后的商品标志区域二值化图像进行面积最大化过滤处理,如图26所示。经过面积最大化过滤处理后提取边界框内的标志图像如图27所示。
需要说明的是,在上面待测商品的标志为二维码的实施例中,一系列的处理方法也适用于背景干扰不严重的条形码的标准化预处理。
进一步可选地,待测商品标志区域图像与商品标志区域图像采用相同的标准化预处理操作。通过标准化预处理操作,形成了形状统一、尺寸统一、形状拉伸接近统一的待测商品标志区域图像或商品标志区域图像,从而便于针对该待测商品标志区域图像或商品标志区域图像建立关键区域特征码指纹。
本发明的第四大方面提供一种码指纹防伪方法,码指纹防伪方法包括以下步骤:
建立码指纹库步骤S100,包括采集商品标志区域图像,根据商品标志区域图像建立关键区域特征码指纹,若干同种商品的关键区域特征码指纹构建关键区域特征码指纹库;
建立待测商品码指纹步骤S200,包括采集待测商品标志区域图像,根据待测商品标志区域图像建立待测关键区域特征码指纹;
检索验证步骤S300:根据待测关键区域特征码指纹检索关键区域特征码指纹库,根据检索结果判断待测商品的真假;
其中,根据商品标志区域图像建立关键区域特征码指纹以及根据待测商品标志区域图像建立待测关键区域特征码指纹分别包括以下步骤:
提取标志区域图像的局部性特征点;
去除局部性特征点中的通用局部性特征点,剩余局部性特征点组成显著局部性特征点图;
根据显著局部性特征点图获取区块详细特征向量;
根据显著局部性特征点图与区块详细特征向量建立关键区域特征码指纹;
其中,标志区域图像为商品标志区域图像或待测商品标志区域图像,关键区域特征码指纹为关键区域特征码指纹或待测关键区域特征码指纹。
上述码指纹防伪方法通过光学设备上采集商品标志区域图像就包含印刷特征差别,将其通过一定的方法处理后建立具有唯一识别性的码指纹存储于码指纹库中,通过采集待测商品的相应标志区域图像即可判断其是否在码指纹库中具有唯一的码指纹,若具有相应的码指纹则可判断其为真品,若没有相应的码指纹则可判断其为假。该码指纹防伪方法的码指纹无法破译复制,可以杜绝仿冒者的防制。进一步地,通过提取局部性特征点并去除通过局部性特征点,能够减少数据的处理量,提高防伪验证的速度。
作为一种可选实施方式,提取标志区域图像的局部性特征点通过尺度不变特征转换方法实现。
尺度不变特征变换(Scale-invariant feature transform,SIFT),是用于图像处理方法,具有尺度不变性,可在图像中检测出关键点,是一种局部特征描述子。提取标志区域图像的局部性特征点,每个局部性特征点(关键点),采用4*4*8共计128维向量的描述子进程关键点特征。每个关键点,包含位置、尺度以及方向信息。
可选地,提取标志区域图像的局部性特征点的尺度不变特征转换方法包括尺度空间的生成、检测尺度空间极值点、精确定位极值点、为每个关键点指定方向参数以及关键点描述子的生成。
尺度空间的生成,尺度空间理论目的是模拟图像数据的多尺度特征,高斯卷积核是实现尺度变换的唯一线性核,一副图像二位图像的尺度空间定义为:
L(x,y,σ)=G(x,y,σ)*I(x,y)
其中,G(x,y,σ)是尺度可变高斯函数。
(x,y)是空间坐标,σ是尺度坐标。σ的大小决定图像的平滑程度,大尺度对应图像的概貌特征,小尺度对应图像的细节特征。大的σ值对应粗糙尺度(低分辨率),反之,对应精细尺度(高分辨率)。
构造高斯差分尺度空间(DOG scale-space)如下:
D(x,y,σ)=[G(x,y,kσ)-G(x,y,σ)]*I(x,y)=L(x,y,kσ)-L(x,y,σ)
检测尺度空间极值点,
为了寻找尺度空间的极值点,每一个采样点要和它所有的相邻点比较,看其是否比它的图像与和尺度与的相邻点大或者小。如图29所示,中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×12 个点共26个点比较,以确保在尺度空间和二位图像空间都检测到极值点。如果一个点在DOG尺度空间本层以及上下两层的26个领域中是最大或最小值时,就认为该点时图像在该尺度下的一个特征点。
精确定位极值点,通过拟和三维二次函数以精确确定关键点的位置和尺度(达到亚像素精度),因为 DOG算子会产生较强的边缘响应,同时去除低对比度的关键点和不稳定的边缘响应点,以增强匹配稳定性、提高抗噪声能力。空间尺度函数如下式:
求导,并令其为0,得到精确的位置
在已经检测到的特征点中,要去掉低对比度的特征点和不稳定的边缘相应点。去除低对比度的点,把式2代如式1,只取前两项可得:
若则该特征点就保留,否则剔除掉。
边缘响应的去除,一个定义不好的高斯差分算子的极值在横跨边缘的地方有较大的主曲率,而在垂直边缘的方向有较小的主曲率。主曲率通过一个2×2的Hessian矩阵H求出:
导数由采样点相邻差估计得到。
D的主曲率和H的特征值呈正比,令α为最大特征值,β为最小的特征值,则
Tr(H)=Dxx+Dyy=α+β
令α=β,则:
Ifratio>(r+1)2/(r),throw it out(SIFT uses r=10)
Dxx表示DOG金字塔中某一尺度的图像x方向求导两次。
为每个关键点指定方向参数,利用关键点淋雨像素的梯度方向分布特性为每个关键点指定方向参数,使算子具备旋转不变性。
上二式分别为(x,y)处梯度的模值和方向公式。其中L所用的尺度为每个关键点各自所在的尺度。至此,图像的关键点已检测完毕,每个关键点由三个信息:位置、所处尺度、方向。由此可以确定一个SIFT 特征区域。
关键点描述子的生成,首先将坐标轴旋转为关键点的方向,以确保旋转不变性。以特征点为中心取8*8 的邻域作为采样窗口,将采样点与特征点的相对方向通过高斯加权后归入包含8个方向直方图,最后获得 2*2*8的32维特征描述子,示意图如30所示。
每一个小格都代表了特征点邻域所在的尺度空间的一个像素,箭头方向代表了像素梯度方向,箭头长度代表该像素的幅值。然后在4×4的窗口内计算8个方向的梯度方向直方图。绘制每个梯度方向的累加可形成一个种子点。
如图31所示,每个直方图有8方向的梯度方向,每一个描述符包含一个位于关键点附近的四个直方图数组.这就导致了特征向量有128维.(先是一个4×4的来计算出一个直方图,每个直方图有8个方向。所以是4×4×8=128维)将这个向量归一化之后,就进一步去除了光照的影响。
作为一种可选实施方式,通用局部性特征点是在若干同种商品标志区域图像的所有局部性特征点中占比超过预设比例的局部性特征点。通过大数据学习的方式,逐步过滤掉通用局部性特征点以减少关键点。例如,如入库的所有信息里,同一局部性特征点占比超过预设值50%,那么我们认为是通用局部性特征点,将其取出不需要作为关键点入库。
作为一种可选实施方式,根据显著局部性特征点图获取区块详细特征向量通过方向梯度直方图特征检测方法实现。
在指定关键点位置部分,构造足够运算的格子。将每个关键点为中心位置,取6*6的小格,以6*6域格为中心,提取3*3大域格,提取局部详细特征,包含大域格内的显著特征。获得检测目标图形的大小和方向,以及轮廓信息。
该处理的主要思想是在一副图像中,局部目标的表象和形状(appearance andshape)能够被梯度或边缘的方向密度分布很好地描述。其本质是梯度的统计信息,而梯度主要存在于边缘的地方。实现方法为将图像分成小的连通区域,称它为细胞单元,然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器。
进一步为提高性能,把这些局部直方图在图像的更大的范围内(称为区间或block)进行对比度归一化(contrast-normalized),所采用的方法是:先计算各直方图在这个区间(block)中的密度,然后根据这个密度对区间中的各个细胞单元做归一化。通过这个归一化后,能对光照变化和阴影获得更好的效果。特征提取方法就是将一个图像-检测的目标或者扫描窗口执行如下步骤:
1)灰度化(将图像看做一个x,y,z(灰度)的三维图像);
2)采用Gamma校正法对输入图像进行颜色空间的标准化(归一化);目的是调节图像的对比度,降低图像局部的阴影和光照变化所造成的影响,同时可以抑制噪音的干扰;
3)计算图像每个像素的梯度(包括大小和方向);主要是为了捕获轮廓信息,同时进一步弱化光照的干扰;
4)将图像划分成小cells(例如6*6像素/cell);
5)统计每个cell的梯度直方图(不同梯度的个数),即可形成每个cell的descriptor;
6)将每几个cell组成一个block(例如3*3个cell/block),一个block内所有cell的特征descriptor串联起来便得到该block的特征描述;
7)将图像image内的所有block的局部特征描述串联起来就可以得到该图像(你要检测的目标)的图像特征描述。这个就是最终的可供分类使用的特征向量了。
把样本图像分割为若干个像素的单元(cell),把梯度方向平均划分为9个区间(bin),在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计,得到一个9维的特征向量,每相邻的4个单元构成一个块(block),把一个块内的特征向量联起来得到36维的特征向量,用块对样本图像进行扫描,扫描步长为一个单元。最后将所有块的特征串联起来,就得到了图像的轮廓特征。例如,对于64*128的图像而言,每16*16的像素组成一个cell,每2*2个cell组成一个块,因为每个cell有9个特征,所以每个块内有4*9=36个特征,以8个像素为步长,那么,水平方向将有7个扫描窗口,垂直方向将有15个扫描窗口。也就是说,64*128的图片,总共有36*7*15=3780轮廓特征。
作为一种可选实施方式,在根据显著局部性特征点图获取区块详细特征向量步骤之后,还包括以下步骤:根据显著局部性特征点图生成索引码。可选地,根据显著局部性特征点图生成索引码包括以下步骤:
将显著局部性特征点图划分为区块;
提取每个区块内显著局部性特征点的中心点,以每个区块内的中心点的灰度值为相应区块的阈值;
比较每个区块内的每个显著局部性特征点灰度值与相应区块的阈值,当显著局部性特征点灰度值小于阈值时,记为1,否则,记为0,获得每个区块的特征码;
以标志区域图像的正中心区块的特征码为始,建立由内向外的特征码螺旋矩阵;特征码螺旋矩阵构成索引码。
具体实现为,提取图像正中心点,如3*3范围内最中心的点。以中心像素的灰度值为阈值。取8*8像素的区域,区域内各个像素灰度与阈值比较。如果小于则标记为1,否则为0;那么8*8格子内的编码如下所示:
构成一个区块内的64位二进制特征码,以此为中心,建立由内向外的螺旋矩阵如下所示:
如上,建立了二维码的25个区块信息,每个区块均包含64位二进制编码。此处,为了简便建立了二维码的25个区块信息,实际的处理中二维码的区块数远大于25。将这些区块信息存储与数据库中,例如可以是PostgreSQL中。
作为一种可选实施方式,根据待测关键区域特征码指纹检索关键区域特征码指纹库包括以下步骤:
以待测商品的显著局部性特征点图的中心点为始随机产生阿基米德螺纹线;
按照集合大小,随机提取阿基米德螺纹线经过的所有显著局部性特征点的若干显著局部性特征点;
将提取的若干显著局部性特征点与索引码匹配检索;
当提取的若干显著局部性特征点与索引码中特定索引码的第一容错率小于等于第一容错率预设值时,将提取的若干显著局部性特征点与特定索引码进行区块详细特征向量匹配检索;
当提取的若干显著局部性特征点与特定索引码进行区块详细特征向量的第二容错率小于等于第二容错率预设值时,判断结果为真。
当提取的若干显著局部性特征点与特定索引码进行区块详细特征向量的第二容错率大于第二容错率预设值时,执行按照集合大小,随机提取阿基米德螺纹线经过的所有显著局部性特征点的若干显著局部性特征点步骤。
当执行按照集合大小,随机提取阿基米德螺纹线经过的所有显著局部性特征点的若干显著局部性特征点步骤预设次数后,提取的若干显著局部性特征点与特定索引码进行区块详细特征向量的第二容错率大于第二容错率预设值时,判断结果为假。
具体地,在图像上以图像中心点为起始点随机生成两条“阿基米德螺纹线”,在螺纹线经过的所有(上面过滤通用局部性特征点后的显著局部性特征点),按照集合大小,随机提取多个显著局部性特征点数据,使用阿基米德螺纹线,经过了区块1,8,6,4,11,23,19,15区块,将这些区块与采用“索引码”匹配检索。如果检索符合第一预设容错率40%容错,则进行符合“索引码”条件的关键点进行细化局部特征比对匹配(位置,尺度,方向信息,大小和方向以及轮廓信息),计算容错率给出不同提示。如果无记录再次执行随机提取多个显著局部性特征点数据,结果依然不符合容错,则商品为假的验证结果。
可选的,当判断结果为真时,根据判断结果更新关键区域特征码指纹库;更新方式包括删除关键区域特征码指纹库中相应的关键区域特征码指纹,或将用户信息写入关键区域特征码指纹库中相应的关键区域特征码指纹。
在本发明描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种码指纹防伪方法,其特征在于,所述码指纹防伪方法包括以下步骤:
建立码指纹库步骤,包括采集商品标志区域图像,根据所述商品标志区域图像建立关键区域特征码指纹,若干同种商品的所述关键区域特征码指纹构建关键区域特征码指纹库;
建立待测商品码指纹步骤,包括采集待测商品标志区域图像,根据所述待测商品标志区域图像建立待测关键区域特征码指纹;
检索验证步骤,包括根据所述待测关键区域特征码指纹检索所述关键区域特征码指纹库,根据检索结果判断所述待测商品的真假;
其中,根据所述商品标志区域图像建立关键区域特征码指纹以及根据所述待测商品标志区域图像建立待测关键区域特征码指纹分别包括以下步骤:
提取标志区域图像的局部性特征点;
去除所述局部性特征点中的通用局部性特征点,剩余局部性特征点组成显著局部性特征点图;
根据所述显著局部性特征点图获取区块详细特征向量;
根据所述显著局部性特征点图与所述区块详细特征向量建立关键区域特征码指纹;
其中,所述标志区域图像为商品标志区域图像或待测商品标志区域图像,所述关键区域特征码指纹为关键区域特征码指纹或待测关键区域特征码指纹。
2.根据权利要求1所述的码指纹防伪方法,其特征在于,提取标志区域图像的局部性特征点通过尺度不变特征转换方法实现。
3.根据权利要求1所述的码指纹防伪方法,其特征在于,所述通用局部性特征点是在若干同种所述商品标志区域图像的所有局部性特征点中占比超过预设比例的局部性特征点。
4.根据权利要求1所述的码指纹防伪方法,其特征在于,根据所述显著局部性特征点图获取区块详细特征向量通过方向梯度直方图特征检测方法实现。
5.根据权利要求1至4任意一项所述的码指纹防伪方法,其特征在于,
在根据所述显著局部性特征点图获取区块详细特征向量步骤之后,还包括以下步骤:
根据所述显著局部性特征点图生成索引码。
6.根据权利要求5所述的码指纹防伪方法,其特征在于,根据所述显著局部性特征点图生成索引码包括以下步骤:
将所述显著局部性特征点图划分为区块;
提取每个所述区块内显著局部性特征点的中心点,以每个区块内的中心点的灰度值为相应区块的阈值;
比较每个区块内的每个显著局部性特征点灰度值与相应区块的阈值,当显著局部性特征点灰度值小于所述阈值时,记为1,否则,记为0,获得每个区块的特征码;
以标志区域图像的正中心区块的特征码为始,建立由内向外的特征码螺旋矩阵;所述特征码螺旋矩阵构成索引码。
7.根据权利要求6所述的码指纹防伪方法,其特征在于,根据所述待测关键区域特征码指纹检索所述关键区域特征码指纹库包括以下步骤:
以待测商品的显著局部性特征点图的中心点为始随机产生阿基米德螺纹线;
按照集合大小,随机提取所述阿基米德螺纹线经过的所有显著局部性特征点的若干显著局部性特征点;
将提取的若干显著局部性特征点与所述索引码匹配检索;
当提取的若干显著局部性特征点与所述索引码中特定索引码的第一容错率小于等于第一容错率预设值时,将提取的若干显著局部性特征点与所述特定索引码进行区块详细特征向量匹配检索;
当提取的若干显著局部性特征点与所述特定索引码进行区块详细特征向量的第二容错率小于等于第二容错率预设值时,判断结果为真。
8.根据权利要求7所述的码指纹防伪方法,其特征在于,当提取的若干显著局部性特征点与所述特定索引码进行区块详细特征向量的第二容错率大于第二容错率预设值时,执行按照集合大小,随机提取所述阿基米德螺纹线经过的所有显著局部性特征点的若干显著局部性特征点步骤。
9.根据权利要求8所述的码指纹防伪方法,其特征在于,当执行按照集合大小,随机提取所述阿基米德螺纹线经过的所有显著局部性特征点的若干显著局部性特征点步骤预设次数后,所述提取的若干显著局部性特征点与所述特定索引码进行区块详细特征向量的第二容错率大于所述第二容错率预设值时,判断结果为假。
10.根据权利要求7至9任意一项所述的码指纹防伪方法,其特征在于,当所述判断结果为真时,根据所述判断结果更新所述关键区域特征码指纹库;
所述更新方式包括删除所述关键区域特征码指纹库中相应的关键区域特征码指纹,或将用户信息写入所述关键区域特征码指纹库中相应的关键区域特征码指纹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910547553.1A CN110288359B (zh) | 2019-06-24 | 2019-06-24 | 码指纹防伪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910547553.1A CN110288359B (zh) | 2019-06-24 | 2019-06-24 | 码指纹防伪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110288359A true CN110288359A (zh) | 2019-09-27 |
CN110288359B CN110288359B (zh) | 2021-11-23 |
Family
ID=68004630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910547553.1A Expired - Fee Related CN110288359B (zh) | 2019-06-24 | 2019-06-24 | 码指纹防伪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288359B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408526A (zh) * | 2021-06-18 | 2021-09-17 | 深圳市数标国际科技有限公司 | 基于Handle标识定位的图像识别防伪方法及图像识别防伪*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279731A (zh) * | 2013-06-06 | 2013-09-04 | 格科微电子(上海)有限公司 | 二维码防伪方法及其防伪验证方法 |
CN103309982A (zh) * | 2013-06-17 | 2013-09-18 | 武汉大学 | 一种基于视觉显著点特征的遥感影像检索方法 |
CN104036281A (zh) * | 2014-06-24 | 2014-09-10 | 北京奇虎科技有限公司 | 一种图片的匹配方法、搜索方法及其装置 |
CN105493143A (zh) * | 2013-04-04 | 2016-04-13 | 日本电气株式会社 | 识别方法、识别***、匹配设备和程序 |
CN106960351A (zh) * | 2016-01-11 | 2017-07-18 | 深圳市安普盛科技有限公司 | 一种商品防伪、验证方法和***及条码扫描装置 |
CN103559473B (zh) * | 2013-10-28 | 2017-08-01 | 汝思信息技术(上海)有限公司 | 利用特征图像来实现承印物防伪的方法和*** |
CN108303435A (zh) * | 2017-01-12 | 2018-07-20 | 同方威视技术股份有限公司 | 检查设备和对集装箱进行检查的方法 |
-
2019
- 2019-06-24 CN CN201910547553.1A patent/CN110288359B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105493143A (zh) * | 2013-04-04 | 2016-04-13 | 日本电气株式会社 | 识别方法、识别***、匹配设备和程序 |
CN103279731A (zh) * | 2013-06-06 | 2013-09-04 | 格科微电子(上海)有限公司 | 二维码防伪方法及其防伪验证方法 |
CN103309982A (zh) * | 2013-06-17 | 2013-09-18 | 武汉大学 | 一种基于视觉显著点特征的遥感影像检索方法 |
CN103559473B (zh) * | 2013-10-28 | 2017-08-01 | 汝思信息技术(上海)有限公司 | 利用特征图像来实现承印物防伪的方法和*** |
CN104036281A (zh) * | 2014-06-24 | 2014-09-10 | 北京奇虎科技有限公司 | 一种图片的匹配方法、搜索方法及其装置 |
CN106960351A (zh) * | 2016-01-11 | 2017-07-18 | 深圳市安普盛科技有限公司 | 一种商品防伪、验证方法和***及条码扫描装置 |
CN108303435A (zh) * | 2017-01-12 | 2018-07-20 | 同方威视技术股份有限公司 | 检查设备和对集装箱进行检查的方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408526A (zh) * | 2021-06-18 | 2021-09-17 | 深圳市数标国际科技有限公司 | 基于Handle标识定位的图像识别防伪方法及图像识别防伪*** |
Also Published As
Publication number | Publication date |
---|---|
CN110288359B (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11423641B2 (en) | Database for detecting counterfeit items using digital fingerprint records | |
JP6878575B2 (ja) | 紙幣管理方法、システム、プログラム及び記録媒体 | |
US20210142436A1 (en) | Event-driven authentication of physical objects | |
EP3736717A1 (en) | Loop chain digital fingerprint method and system | |
Ghorai et al. | Automatic defect detection on hot-rolled flat steel products | |
US20170344823A1 (en) | Controlled authentication of physical objects | |
Tokuda et al. | Computer generated images vs. digital photographs: A synergetic feature and classifier combination approach | |
US8194933B2 (en) | Identification and verification of an unknown document according to an eigen image process | |
CN103914680B (zh) | 一种喷印字符图像识别与校验***及方法 | |
CN104537544A (zh) | 带覆盖层的基于背景纹理特征提取的商品二维码防伪方法及*** | |
EP2869240A2 (en) | Digital fingerprinting object authentication and anti-counterfeiting system | |
MXPA05001124A (es) | Etiquetas a prueba de falsificacion y manipulacion con caracteristicas de incidencia aleatoria. | |
CN103871044A (zh) | 一种图像签名生成方法和图像验证方法及装置 | |
CN110288359A (zh) | 码指纹防伪方法 | |
CN110310131A (zh) | 码指纹防伪方法和码指纹防伪*** | |
Agarwal et al. | The advent of deep learning-based image forgery detection techniques | |
CN115035533B (zh) | 一种数据鉴真处理方法、装置、计算机设备及存储介质 | |
CN115169375B (zh) | 基于ar与枪球联动的高位物料可视化方法 | |
CN110297920A (zh) | 一种码指纹防伪方法 | |
CN115994997A (zh) | 具有鉴定功能的二手奢侈品交易平台、***及方法 | |
CN114936986A (zh) | 一种深度学习的图像防篡改***及方法 | |
CN114677333A (zh) | 一种基于直方图的图像对比度增强检测方法 | |
Reddy et al. | Web camera primarily based face recognition victimization VIOLA JONE’S rule with Arduino Uno | |
Kanojia et al. | Recognition and verification of Indian currency notes using digital image processing | |
Chavan et al. | Low-Dimensional Spectral Feature Fusion Model for Iris Image Validation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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 |
Granted publication date: 20211123 |
|
CF01 | Termination of patent right due to non-payment of annual fee |