CN107735783A - 用于搜索图像的方法和设备 - Google Patents

用于搜索图像的方法和设备 Download PDF

Info

Publication number
CN107735783A
CN107735783A CN201680034681.0A CN201680034681A CN107735783A CN 107735783 A CN107735783 A CN 107735783A CN 201680034681 A CN201680034681 A CN 201680034681A CN 107735783 A CN107735783 A CN 107735783A
Authority
CN
China
Prior art keywords
fingerprint
image
search
compressed
sensor
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
Application number
CN201680034681.0A
Other languages
English (en)
Other versions
CN107735783B (zh
Inventor
D·瓦尔塞西娅
G·库勒西亚
T·布兰切
E·麦格丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Politecnico di Torino
Original Assignee
Politecnico di Torino
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Politecnico di Torino filed Critical Politecnico di Torino
Publication of CN107735783A publication Critical patent/CN107735783A/zh
Application granted granted Critical
Publication of CN107735783B publication Critical patent/CN107735783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
    • G06F18/21375—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps involving differential geometry, e.g. embedding of pattern manifold
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G06V10/7515—Shifting the patterns to accommodate for positional errors
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/80—Recognising image objects characterised by unique random patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/22—Source localisation; Inverse modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/90—Identifying an image sensor based on its output data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Library & Information Science (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Collating Specific Patterns (AREA)
  • Image Input (AREA)

Abstract

本发明涉及一种用于搜索存储器装置(12、13)中的图像的方法和设备(1)，所述存储器装置(12、13)至少包含一个或多个图像，和对于每个图像，与所述图像相关联并且与获取所述图像的传感器有关的至少一个传感器指纹，其中所述方法包括其中读取搜索传感器指纹的读取阶段(P1)，其中通过利用随机投影技术来压缩搜索传感器指纹和与图像相关联的传感器指纹中的至少一个的压缩阶段(P2)，和其中通过比较图像的传感器指纹与搜索传感器指纹来选择或者放弃包含在存储器装置(12、13)中的图像的搜索阶段(P3)。

Description

用于搜索图像的方法和设备
技术领域
本发明涉及用于搜索图像的方法和设备，尤其涉及通过使用获取所述图像的传感器的指纹来搜索存储器装置中的图像的方法和设备。
背景技术
众所周知，图像传感器的缺陷可被视为独特的指纹，所述独特的指纹标识特定的获取设备，从而可用于一些重要的取证(forensic)活动，诸如设备的标识、设备的连接、处理历史的还原和数字伪造品的检测之类，如在J.Fridrich的文献“Digital imageforensics”(2009)中示出。最常见的摄像头指纹是数字图像传感器的PRNU(光响应非均匀性”)(另外参见J.Lukas，J.Fridrich和M.Goljan的“Determining digital image originusing sensor imperfections”(Proc.SPIE Electronic Imaging,Image and VideoCommunication and Processing,vol.5685，2005，pp.249-260))。图像传感器的PRNU是传感器的每个阵列的独特性质，因为它由每个单一的光学传感器的把光子转换成电子的不同能力确定的。这种差异主要由用于制造传感器的硅片中的杂质造成的，并且其效果是影响由特定传感器获得的每个图像的特定噪声图案(pattern)。由此可见，PRNU可被视为用于获取给定图像或一组图像的传感器的宽带数字指纹。PRNU是乘法的，这意味如果理想地用均匀强度i照射图像传感器，那么在不考虑其他噪声源的情况下，传感器的输出将为o＝i+i·k，其中k表示表征PRNU值的矩阵，i·k表示i和k的元素式的(elementwise)乘积。必须指出项k具有以下性质：
-它具有和传感器相同的像素大小；
-它单一地标识特定传感器，例如每个光学传感器有且仅有一个PRNU；
-它存在于由特定传感器获得的每个图像中，完全黑暗的那些图像除外(归因于其乘法性)；
-它在不同的环境条件(例如，不同的温度/湿度，不同的摄像头电池充电水平等)下是稳定的；
-它对各种信号处理操作来说是鲁棒的。
PRNU的这种性质使它特别有利于用于在任何数据库(data bank)(例如，可通过因特网访问的数据库，诸如Flickr、Instagram之类)中搜索由特定传感器，即，特定设备(摄像头、智能电话机等)获得的照片。
然而，这种应用造成一些技术困难，因为就PRNU来说，传感器的数字指纹本质上是和传感器相同大小的图案，按照现有技术水平，这相当于数千万个像素。因此，与相应照片关联的成千上万个传感器指纹的现实数据库会需要超过1010个未压缩格式的单像素值的存储容量。
在典型地需要计算数据库中的各个数字指纹与待搜索的指纹之间的相关指数的情况下，如此大的维度还会使得难以在大型数据库中找到特定的数字指纹。这意味每次搜索的计算负荷特别高，从而限制了单位时间能够搜索的图像的数目。
几位作者最近开始解决与大型数字摄像头指纹数据库的管理有关的问题。
在M.Goljan，J.Fridrich和T.Filler的文献“Managing a large database ofcamera fingerprints”(2010)，及Y.Hu，B.Yu和C.Jian的文献“Source cameraidentification using large components of sensor pattern noise”(2009)中，作者提出了数字指纹的所谓“选择”，所述“选择”是通过只保持固定数目的最大数字指纹值及其位置，使得数据库与传感器分辨率无关而操作的。
在Y.Hu，C.-T.Li，Z.Lai和S.Zhang的文献“Fast camera fingerprint searchalgorithm for source camera identification”(2012)中，提出了基于数字指纹的选择的改进搜索。
然而，这些提出的解决方案并不确保在减小传感器指纹的大小的处理期间，将保留与最初包含在原始指纹中的信息量相比的足够大量的信息。
用于获得降低的时间复杂度的一种备选解决方案是以量化的二进制形式表示传感器指纹，如在S.Bayram，H.Sencar和N.Memon的“Efficient sensor fingerprintmatching through fingerprint binarization”(2012)中所示：即使二进制数字指纹的维度取决于传感器分辨率，二进制化也能够显著加速数字指纹匹配处理。然而，在这种情况下，也不能保证与最初包含在原始指纹中的信息量相比，包含在经处理的指纹中的信息量足够高。
上述文献都没有指出如何显著减小数字摄像头指纹的数据库的大小，而同时保留允许标识由特定传感器获取的图像的数字指纹匹配处理的效力。
事实上，通过无损技术(例如，LZW等)的传感器指纹的压缩会导致较小的指纹数据库，但是也意味更高的计算成本(即，增大的时间复杂度)，因为只有在解压缩两个指纹之后，才能进行它们之间的有意义的比较，导致计算时间的浪费。
发明内容
本发明目的在于通过提供如记载在所附权利要求书中的一种用于搜索图像的方法，来解决这些和其他问题。
另外，本发明目的在于通过提供如记载在所附权利要求书中的一种用于搜索图像的设备，来解决这些和其他问题。
本发明的基本思路是通过利用随机投影技术(Johnson-Lindenstrauss投影的特定情况)来压缩传感器指纹。
这种解决方案允许在经压缩的指纹中，保留原始指纹的点之间的距离，以便保存尽可能多的信息。按照这种方式，可在不需要解压缩的情况下，有意义地比较两个指纹(例如，通过计算相关指数)，从而降低空间复杂度(总是按经压缩的形式来处理指纹)和时间复杂度(经处理的数据的量更小，从而导致待进行的更少的操作)。
本发明的其他有利的特征将记载在所附权利要求书中。
附图说明
根据如在附图中所示的本发明的实施例的以下说明，本发明的这些特征以及另外的优点将变得更清楚，附图是作为非限制性例子提供的，附图中：
图1表示按照本发明的用于搜索图像的设备的方框图；
图2表示包括图1的设备的系统；
图3是图解说明按照本发明的方法的流程图。
具体实施方式
本说明书中对于“实施例”的任何引用将指示特定的配置、结构或特征包括在本发明的至少一个实施例中。因此，可能存在于本说明书的不同部分中的短语“在实施例中”和其他类似短语未必都与相同实施例相关。此外，在一个或多个实施例中，可按所认为的适当的任意方式组合任意特定的配置、结构或特征。因此，下面的引用只是为了简单起见而使用的，并不限制各个实施例的保护范围。
参见图1，按照本发明的设备1的实施例包括以下组件：
-通过适当指令的执行，优选地以可编程的方式，管理设备1的操作的控制和处理装置11，例如，一个或多个CPU；
-与控制和处理装置11信号通信的易失性存储器装置12，例如，随机存取存储器RAM，其中所述易失性存储器装置12至少存储当设备1处于运行状态时，能够由控制和处理装置11读取的指令；
-与控制和处理装置11以及与易失性存储器装置12信号通信的大容量存储器装置13，优选地一个或多个磁盘(硬盘)或闪存等，其中所述存储器装置13至少存储一个或多个图像和/或对所述图像的引用(例如，指针、URL通用地址等)，以及对于每个图像和/或其引用，与所述图像和/或与所述引用相关联并且和获取所述图像的传感器相关的至少一个传感器指纹；
-通信装置14，优选地按照IEEE 803.2(还已知为以太网)或802.11(还已知为WiFi)或802.16(还已知为WiMax)系列的标准操作的网络接口，或者用于GSM/GPRS/UMTS/LTE或TETRA数据网络的接口，所述通信装置14允许设备1通过数据网络与其他设备通信，所述其他设备在下面进一步说明；
-输入/输出(I/O)装置15，例如，所述输入/输出装置15可用于将所述设备1连接到外设(例如，允许访问其他大容量存储器装置以便优选地允许将信息从所述其他大容量存储器装置复制到所述大容量存储器装置13的一个或多个接口)，或者连接到被配置用于将指令(控制和处理装置12必须执行的指令)写入存储器装置12中的编程终端；这样的输入/输出装置14例如可包括USB、火线、RS232、IEEE 1284适配器等；
-允许在控制和处理装置11、易失性存储器装置12、大容量存储器装置13、通信装置14和输入/输出装置15之间交换信息的通信总线17。
作为通信总线17的替换物，可借助星形架构连接控制和处理装置11、易失性存储器装置12、大容量存储器装置13、场通信装置14、网络通信装置15和输入/输出装置16。
必须立即指出的是大容量存储器装置13可以用未包括在所述设备1中的远程大容量存储器装置(例如，存储区域网-SAN)代替；对于这样的目的，输入/输出(I/O)装置15可包括一个或多个大容量存储器存取接口，诸如例如FC(光纤通道)和/或iSCSI(因特网SCSI)，使得设备1可被配置为可以访问所述远程大容量存储器装置。
另外参见图2，下面将说明设备1的典型的使用情形，其中图像搜索系统S包含设备1、至少一个客户访问终端2(也称为客户端)和数据获取设备3。
设备1可由被适当配置用于形成群集的一个或多个服务器构成，并且优选地被配置用于优选地从客户访问终端2接收至少一个查询，所述查询包括与传感器相关的至少一个搜索传感器指纹，通过所述传感器获得的图像将被搜索。事实上，如将在本说明书中进一步所述的，设备1被配置用于搜索包含在易失性存储器装置12或者在设备1可访问的(本地或远程)大容量存储器装置13中的、并且由具有与在所述查询中指定的搜索传感器指纹尽可能类似的指纹的传感器获取的所有图像(或者对图像的引用)。为此，至少一个传感器指纹与存储在存储器装置12、13中的每个图像相关联，该传感器指纹将在下面进一步说明；该信息被组织成允许有效的数据管理(即，增加、编辑或删除数据)的适当数据结构，诸如关系型或基于对象的数据库管理系统(DBMS)，其指令由设备1或者由另一个设备执行。
可替换地，终端2可包括个人计算机、膝上型计算机、智能电话机或者允许包括传感器指纹的查询的表达(formulation)的另一电子设备。
设备1可被配置用于经由通信装置14接收所述查询，使得终端2可经数据网络(例如，基于以太网的专用网络和/或诸如因特网之类的公共网络)把查询传送给设备1。为此，设备1优选地可被配置用于执行实现web服务器功能的指令，以便允许经由一个或多个HTML页面的查询的更好的表达，借助于此，能够加载要用于搜索图像的一个或多个搜索传感器指纹。
必须指出的是设备1和终端2可以重合成单一实体，即，用户也可直接在设备1上进行查询。
数据获取设备3被配置用于更新数据库信息，即，用于执行使数据获取设备3进行以下动作的指令：
-搜索图像档案(例如，Flickr、Instagram、Facebook等)、一组网站等，并找出包含在其中的图像；
-对于找出的每个图像，生成传感器指纹(如果还未存在于设备1可访问的存储器装置中的话)，并可能地压缩生成的传感器指纹，如下面将更详细描述的；
-将找出的图像和与之关联的经压缩的传感器指纹，优选地按增量/差异方式(即，只有还未存在于所述存储器装置中的那些图像或对所述图像的引用)存储到设备1可以访问的存储器装置中。
同样必须指出的是设备1和数据获取设备3可以重合成单一实体，即，设备1将负责一旦不管用什么手段例如通过web探索过程(爬虫)，使设备1可以得到新的图像(及其传感器指纹)，就通过输入所述新的图像(及其传感器指纹)来更新存储器装置。
另外参见图3，下面将说明按照本发明的搜索图像的方法，所述方法优选地由处于运行状态的设备1进行。所述方法包括以下阶段：
-指纹读取阶段P1，其中读取搜索传感器指纹，搜索传感器指纹优选地包括在查询中，所述查询优选地包含在由设备2通过通信装置14接收的请求消息中，其中所述请求消息优选地在与终端2的用户的互动之后，或者在所述终端2自主执行一系列指令时，由所述终端2生成；
-指纹压缩阶段P2，其中设备1的处理和控制装置11通过利用将在下面进一步说明的随机投影技术，来压缩在前一阶段P1中读取的指纹；
-搜索阶段P3，其中通过处理和控制装置11，比较在阶段P2中压缩的指纹和存储在设备1可访问的存储器装置12、13中的经压缩的指纹中的至少一个，并且其中基于计算出的所述经压缩的搜索传感器指纹和与图像(或者对图像的引用)相关联的经压缩的传感器指纹之一之间的相关指数，选择或放弃图像(或者对图像的引用)，例如，如果搜索传感器指纹的至少一部分和与被评估的图像相关联的指纹的至少一部分之间的比较超过阈值，那么将选择所述图像，否则将放弃所述图像；
-结果输出阶段P4，其中由设备1在阶段P3中选择的任意图像(或者对图像的引用)优选地被并入一个或多个答复消息中，并被发送给请求消息的发送者(例如，终端2，或者在设备1中运行的过程，等等)。
当设备1处于运行状态时，处理和控制装置11可以顺序的方式循环执行阶段P1-P4。
作为对于上面所述的替代，设备1可被配置用于按照并非严格顺序的方式执行各个阶段，即，在阶段P2还未完成时可开始阶段P3，以及在阶段P2和/或阶段P3还未完成时可开始阶段P4。
如上所述，该方法压缩包含在存储器装置12、13中的数字指纹，并且搜索指纹几乎不损失信息，或者理想地，不损失信息。更特别地，该方法基于随机投影(RP)技术，RP技术是强大并且简单的降维方法。RP技术的基本原理是通过利用随机矩阵把原始的n维数据投影到m维子空间，m<n。结果，按照下式，一批N个n维数据被缩减到m维子空间
A＝ФD (1)
RP技术的基本关键性质是Johnson-Lindenstrauss引理(该引理被认为是本说明书内的部分)，Johnson-Lindenstrauss引理涉及点从高维到低维欧几里德空间的低失真嵌入。该引理表明高维空间中的一小组点可按照各个点之间的距离(几乎)被保持的方式，被嵌入维度低得多的空间中。
基于该假设，本发明的方法提供借助随机投影，即，通过将压缩矩阵乘以表示所述传感器指纹的矩阵(或者反之亦然)(矩阵乘积)，来计算由系统S处理的每个传感器指纹的经压缩的版本，其中所述压缩矩阵具有小于表示摄像头的传感器指纹的矩阵的行数(或列数)的行数(或列数)。
须考虑到图像是矩阵，并且可被表示成通过逐列读取图像的矩阵而获得的列向量；同样地，从相同图像中提取的(未压缩的)数字摄像头指纹也可被表示成具有与图像向量相同的维度(即，两个对应的列向量具有相同数目的元素)的列向量。
与上面所述相结合，压缩矩阵优选地可以是随机循环行列式矩阵，尤其是随机部分循环行列式矩阵。术语“循环行列式”(circulant)表示其各行是第一行的循环平移变体的矩阵，即，托普利兹(Toeplitz)矩阵的特殊情况。术语“部分”表示传感矩阵的行数小于数字指纹的行数，即，压缩矩阵是行少于列的矩形矩阵。术语“随机”表示传感矩阵的第一行包括按照选定的分布生成的随机变量(例如，高斯随机变量)。这种矩阵有利地允许减小由所述矩阵占据的空间和计算经压缩的指纹的复杂度，因为这种矩阵的所有行都包含相同的值，并且因此通过简单地生成一行并随后循环地平移该行以获得所述矩阵的其他各行，可以生成所述矩阵。从而能够增大设备1单位时间能够对其进行搜索的图像的数目，因为这减少了为了压缩传感器指纹(例如，在压缩阶段P2期间的搜索传感器指纹)而需要由处理和控制装置11读取的不同参数的数目。
此外，随机循环行列式矩阵的使用允许通过利用快速傅里叶变换(FFT)来获得未压缩的指纹和随机循环行列式矩阵之间的乘积，这有利地允许减少为把指纹从O(N2)压缩到O(N log(N))而需要进行的乘法的次数，即，允许降低这种运算的计算复杂度。这将使得设备1单位时间能够对其进行搜索的图像的数目更大，因为能够增大压缩指纹(存储器装置中的指纹和搜索传感器指纹两者)的速度。
本领域的技术人员还可利用其他类型的压缩矩阵，例如包括独立同分布(i.i.d.)高斯随机变量，或者i.i.d.Rademacher随机变量、或者Bernoulli随机变量的完全随机矩阵，或者甚至确定性传感矩阵，而不脱离本发明的教导。
在本发明的本实施例中，设备1被配置用于在搜索阶段P3期间，通过仅仅选择相关指数的值超过阈值的那些图像(或者对所述图像的引用)，来计算在经压缩的搜索传感器指纹和存储在设备1可访问的存储器装置12、13中的经压缩的指纹中的每一个之间的相关指数。
该相关指数优选地是基于汉明距离确定的，在这种特定情况下，测量将搜索传感器指纹转换成所述搜索传感器指纹与之比较的图像的指纹(或者反之亦然)所需的比特替代的数目，即，它表示使搜索传感器指纹不同于与多个图像之一相关联的经压缩的指纹的比特的数目。
须指出的是可以如下计算具有相同长度(L)的两个指纹(a,b)之间的汉明距离(dH)：
可以看出，通过计数两个指纹之间的比特异或(XOR)逻辑运算的结果中具有逻辑值1的比特的数目，可以进行汉明距离的计算。这些运算可有利地由处理和控制装置11按照非常高效的方式且在不具有任何浮点运算的情况下进行，使得将能够增大设备1单位时间能够对其进行搜索的图像的数目。
为了提高搜索阶段P3的时间和空间效率，设备1还可被配置用于不按单次迭代搜索图像(即，比较搜索传感器指纹与存储在存储器装置中的指纹中的每一个)，而是进行两次或更多次迭代。更具体地，设备1可被配置用于在第一次迭代期间或者在最后一次迭代之前的任意迭代期间，比较搜索指纹的一部分和与图像相关联的指纹中的每一个的一部分，选择与相关指数超过阈值的指纹相关联的那些图像(或者对所述图像的引用)，使得在最后一次迭代的过程中，将比较搜索指纹和与在之前的(一次或多次)迭代中选择的图像相关联的指纹。这样，能够减少要进行的比较操作的次数；事实上，当汉明距离被用作相关指数时，能够减少为了进行搜索(即，比较搜索指纹和与存储在存储器装置中的图像相关联的指纹)，处理装置11必须进行的异或(XOR)运算的次数，从而使得设备1单位时间能够对其进行搜索的指纹的数目(进而图像的数目)更大。
须指出的是，在最后一次迭代期间比较的指纹的大小大于在之前的各个阶段中比较的指纹的大小。因此，可以使两个或更多个不同大小的指纹与每个图像相关联，并且搜索指纹须按照如下方式被压缩：使得获得两个或更多个指纹，所述两个或更多个指纹的维度与和图像相关联的指纹的维度相兼容。
作为对于上面所述的替代，单个指纹可以总是与每个图像关联，而较小的指纹(即，在最后一次迭代之前的迭代期间使用的指纹)是基于较大的指纹(即，在最后一次迭代中使用的指纹)而获得的。于是，可以规定较小的(一个或多个)指纹被嵌入到较大的指纹中。这将降低搜索的空间复杂度，因为对于包含在设备可访问的存储器装置中的每个图像，不再必须存储两个或更多个指纹，而只需存储允许知道为了生成较小的指纹，处理和/或控制装置11须选择和/或读取的较大指纹的哪些比特的静态索引；这将增大可被存储的图像的数目，并且因此增大设备1能够对其进行搜索的图像的数目。
另外，通过量化由设备1处理的指纹的各个点的值，可以提高空间效率，其中术语“量化”指的是把指纹的每个点的值转换成预定义且有限的一组值(例如，0和1或者更大的集合)。这样，可以把数目更大的与图像相关联的指纹存储在设备1可访问的存储器装置中，使得能够对更大量的图像进行搜索。
当然，至此说明的实施例可经受许多变型。
按照上述实施例的第一变型，以如下方式配置设备1，使得代替上述静态索引(静态索引允许获得起源于较大的经压缩的指纹的较小指纹)，基于经压缩的搜索传感器指纹的特征点(即，所述指纹具有大于给定阈值或者大于所述指纹的各个点的平均值的值的点)的位置来生成索引；这样的点也被称为“离群点”。因此，仅当设备1已生成包含在请求消息中的搜索传感器指纹的经压缩的版本时，才能够生成较小的指纹，因为只有那时，才能够知道所述搜索传感器指纹中的离群点的位置。这种方法限制了在未考虑指纹的包含有意义信息(例如，一个或多个离群点)的部分的情况下，在第一次迭代(参见说明书的与前述实施例相关的部分)中可能出现的错误的否定(被错误放弃的指纹/图像)的数目，因为借助这种方法，仅在具有远高于获取传感器和/或指纹提取操作的噪声阈值的值的指纹点之间进行比较。以这种方式，将可以增大设备1单位时间可对其进行搜索的图像的数目，而无损于按照本发明的方法的精度和查全率。
作为对于上面所述的替代或者与上面所述结合，对于设备1对其进行搜索的每个图像，还可以把与所述图像关联的经压缩的指纹的离群点的位置(坐标)，以及可能地所述离群点的值加载到易失性存储器装置12中，即，把特征点，即，具有大于给定阈值或者大于所述指纹的其他点的平均值的值的那些点加载到易失性存储器装置12中。
这样，处理和控制装置11能够确定哪些图像(或者对图像的引用)具有在相同位置中的离群点，并且可能地具有相同的值，而不需要从大容量存储器装置13加载数据，从而使得设备1单位时间搜索的图像的数目增大。
此外，还可以结合上述两种方法，即，将设备1配置用于把与图像部分(例如，具有最高被选择概率的图像部分)相关联的经压缩的指纹的离群点的位置(坐标)和可能地所述离群点的值加载到易失性存储器装置12中，以及基于搜索传感器指纹中的离群点的位置(即，在搜索期间，从大容量存储器装置13加载的离群点的位置)，来确定与剩余的图像部分相关联的(较小)指纹。按照这种方式，能够有利地增大单位时间可对其进行搜索的图像的数目，同时还限制了进行所述搜索所需的易失性存储器的数量。
为了提高空间效率，可以用低于经压缩的指纹的分辨率的(空间)分辨率来编码关于加载到易失性存储器装置12中的离群点的位置(坐标)的信息，使得在占用的空间相等的情况下，关于更大数目的图像的信息可被加载到易失性存储器装置12中。因此在易失性存储器中的空间相等的情况下，能够增大设备1可对其进行搜索的图像的数目，而无损于按照本发明的方法的精度和查全率。
为了更进一步减小进行搜索所需的易失性存储器空间(例如，为了提高空间效率)，可以通过使用不损害搜索的时间性能的适当编码来压缩离群点的位置，以及可能地离群点的值；例如，可以通过优选地由处理和控制装置11进行以下步骤来压缩所述位置：
-按升序对离群点位置进行排序；
-通过利用可能的最少数量的比特来对第一位置进行编码；
-以差分(differential)方式(例如，通过利用增量编码(delta coding))，即，通过计算第二位置和第一位置之间的差异、第三位置和第二位置之间的差异，依次类推，来对第一位置之后的各个位置进行编码；
-通过利用k阶指数-哥伦布(Expontential-Golomb)编码，对位置差异进行编码。
在本发明的第三实施例中(无论如何，第三实施例可以与两个上述实施例结合)，与仅仅使用一个压缩矩阵相反，使用了多个压缩矩阵，以便使得能够利用具有不同分辨率的搜索传感器指纹来进行查询。更具体地，处理和控制装置11被配置用于在指纹压缩阶段P2期间，基于需要被压缩的传感器指纹的分辨率(即，维度)，从包含在一组压缩矩阵中的多个矩阵中，选择一个或多个压缩矩阵(所述一个或多个压缩矩阵须被乘以或者乘以需要被压缩的传感器指纹)。按照这种方式，有利的是能够对具有不同分辨率的图像进行搜索或者使用具有不同分辨率的传感器指纹，从而增大可对其进行搜索的图像的数目。
与上面所述相结合，处理和控制装置11被配置用于在指纹压缩阶段P2期间，选择两个或更多个压缩矩阵，所述两个或更多个压缩矩阵具有如下大小：所述大小使得它们的(矩阵)乘积，优选地所选择的第一压缩矩阵、传感器指纹和所选择的第二压缩矩阵之间的(矩阵)乘积将生成具有预定义的且恒定的维度的经压缩的传感器指纹，即，使得随着待压缩的指纹的大小变化，经压缩的矩阵的大小将始终相同。从而能够直接比较经压缩的指纹，而不必进行任何指纹重新缩放操作，从而减小计算负荷；另外，通过利用具有预定大小的指纹，有利的是还能够优化设备1的硬件(例如，通过创建或配置专用高性能处理装置，诸如DSP、FPGA、CPLD等)和/或由所述设备1执行的软件，以便尽可能快地进行指纹匹配操作，从而增大能够对其进行搜索的图像的数目。
在本发明的第四实施例中(不过，第四实施例可以与上述前两个实施例结合)，如下所述，优选地由设备1和/或由数据获取设备3生成搜索传感器指纹中的每一个以及与设备1可访问的图像(或者对图像的引用)相关联的指纹中的每一个，如下：
-读取(或者提取自设备3或者包含在请求消息中的)指纹，并生成给定数目的版本，每个版本具有不同的分辨率；
-如前面关于本发明的其他实施例所述，通过利用随机投影技术，来压缩指纹的各个版本；
-经压缩的指纹的各个版本被转换成向量(如前所述)，并且所有的向量被连结在一起，从而(对于每个原始指纹的)生成包含经压缩的指纹的所有不同版本(按所有的不同分辨率)的单一向量。
通过按照这种方式生成与图像(或者与对图像的引用)相关联的传感器指纹，将有利地避免在搜索的过程中，随着搜索指纹的分辨率的变化，设备1可能不得不改变所述指纹中的至少一个指纹的分辨率；事实上，本发明的该实施例允许在搜索期间，仅仅对于单独的搜索指纹，生成包含按不同分辨率压缩的多个指纹的经压缩的指纹。这样，能够将这样生成的搜索指纹直接与按照相似方式生成的与图像(或者对图像的引用)相关联的其他指纹进行比较(优选地通过计算汉明距离)，而不必在搜索过程中进行任何分辨率转换(提高或缩减)，从而使得设备1单位时间能够对其进行搜索的图像的数目增大。
在本发明的第五实施例中(不过，第五实施例可以与两个上述实施例结合)，搜索是由包括多个设备1的计算系统或者由配备包括多个CPU和/或包含多个核的一个或多个CPU的处理装置11的设备1进行的，以便增大所述搜索的执行速度。为此，每个CPU和/或核和/或设备1被配置用于对须对其进行(完全)搜索的图像的子集进行部分搜索(搜索子阶段)，并且其中优选地使所述子集与由其他CPU和/或核和/或设备1搜索的其他子集分离。这样，计算负荷将分布在不同的CPU/核/设备1之间，因为每个部分搜索(搜索子阶段)独立于其他的部分搜索(搜索子阶段)，从而使得能够对其进行搜索的图像的数目增大。
本说明书涉及了一些可能的变型，不过对本领域的技术人员来说清楚的是还可实现其他实施例，其中一些元素可用其他技术上等价的元素替代。因此，本发明不限于记载在本文中的说明性例子，而是在不背离如记载在以下权利要求书中的基本发明思路的情况下可以经受等价部分和元素的许多更改、改进或替代。

Claims (35)

1.一种用于搜索存储器装置(12、13)中的图像的方法，所述存储器装置(12、13)至少包含
-一个或多个图像和/或对所述图像的引用，和
-对于每个图像和/或对该图像的引用，与所述图像和/或与所述引用相关联、并且与获取所述图像的传感器有关的至少一个传感器指纹，
其中所述方法包括
-读取阶段(P1)，其中通过读取装置(14,15)读取搜索传感器指纹，和
-搜索阶段(P3)，其中通过计算装置(11)，基于图像之一的传感器指纹的至少一部分与搜索传感器指纹的至少一部分之间的至少一个比较，来选择或放弃包含在存储器装置(12、13)中的图像和/或图像引用中的每一个，
其特征在于
所述方法还包括在搜索阶段(P3)之前进行的压缩阶段(P2)，其中由计算装置(11)通过利用随机投影技术来压缩搜索传感器指纹和与图像和/或与对所述图像的引用相关联的传感器指纹中的至少一个传感器指纹。
2.按照权利要求1所述的方法，其中通过将至少一个压缩矩阵乘以所述指纹中的每一个指纹或反之亦然，来压缩搜索传感器指纹和与图像和/或与对所述图像的引用相关联的传感器指纹中的每一个传感器指纹。
3.按照权利要求2所述的方法，其中所述至少一个压缩矩阵是部分循环行列式矩阵。
4.按照权利要求3所述的方法，其中通过利用快速傅里叶变换，来进行所述至少一个压缩矩阵和与图像和/或与对所述图像的引用相关联的传感器指纹中的至少一个传感器指纹之间的乘法。
5.按照权利要求2至4中任一项所述的方法，其中基于要压缩的指纹的大小，从一组压缩矩阵中选择所述至少一个压缩矩阵。
6.按照权利要求5所述的方法，其中基于要压缩的指纹的大小，从一组压缩矩阵中选择两个或更多个压缩矩阵，并且其中选择的所述压缩矩阵的维度使得所述压缩矩阵与要压缩的指纹之间的乘积将生成具有预定义大小的经压缩的传感器指纹。
7.按照权利要求1至4中任一项所述的方法，其中由计算装置(11)通过连结所述传感器指纹的具有不同分辨率的多个版本，来压缩每个传感器指纹，并且其中通过利用随机投影技术来压缩所述指纹的每个版本。
8.按照权利要求1至7中任一项所述的方法，其中在搜索阶段(P3)期间，通过计算装置(11)来计算经压缩的搜索传感器指纹和与图像和/或与对所述图像的引用相关联的经压缩的指纹中的每一个经压缩的指纹之间的相关指数，并且其中基于所述相关指数的值来选择或放弃图像或对所述图像的引用。
9.按照权利要求8所述的方法，其中基于经压缩的搜索传感器指纹和与图像和/或与对所述图像的引用相关联的经压缩的指纹中的每一个经压缩的指纹之间的汉明距离，来计算所述相关指数。
10.按照权利要求8至9中任一项所述的方法，其中在搜索阶段(P3)期间，通过计算装置(11)进行两次或更多次搜索迭代，其中在最后一次迭代之前的各次迭代之中的至少一次迭代期间，计算经压缩的搜索指纹的至少一部分和与图像和/或与对所述图像的引用相关联的经压缩的指纹中的每一个经压缩的指纹的一部分之间的相关指数，并且基于所述相关指数选择一组图像或对所述图像的引用，并且其中，在最后一次迭代期间，在搜索指纹和与包括在所述一组图像中的图像和/或与对所述图像的引用相关联的指纹中的每一个指纹之间进行比较。
11.按照权利要求10所述的方法，其中基于经压缩的搜索传感器指纹的特征点的位置，来确定在最后一次迭代之前的至少一次迭代期间，与经压缩的搜索传感器指纹进行比较的、与图像和/或与对所述图像的引用相关联的经压缩的指纹中的每一个经压缩的指纹的各个部分，其中所述特征点是经压缩的指纹的具有大于特定阈值或大于所述指纹的各个点的平均值的值的点。
12.按照权利要求11所述的方法，还包括在搜索阶段P3之前进行的存储器加载阶段，其中包括与图像和/或与对所述图像的引用相关联的传感器指纹的特征点的位置的搜索信息被加载到易失性存储器装置(12)中。
13.按照权利要求12所述的方法，其中以低于与图像和/或与对所述图像的引用相关联的经压缩的指纹的分辨率的分辨率，对包括在所述搜索信息中的位置进行编码。
14.按照权利要求12或13所述的方法，其中通过利用k阶指数-哥伦布编码，按差分方式对包括在搜索信息中的位置进行编码。
15.按照前述权利要求中任一项所述的方法，其中搜索阶段(P3)包括多个搜索子阶段，其中所述子阶段中的每个子阶段能够通过计算装置(11)独立于其他子阶段进行，并且其中对包含在存储器装置(12、13)中的图像的子集进行所述子阶段中的每个子阶段。
16.按照权利要求15所述的方法，其中使包含在存储器装置(12、13)中的、对其进行搜索子阶段的图像的每个子集与其他子集分离。
17.按照前述权利要求中任一项所述的方法，其中在压缩阶段(P2)期间，通过计算装置(11)来将经压缩的指纹的各个点中的每个点的值转换成包括在有限的一组值内的值。
18.一种计算机程序产品，所述计算机程序产品能被加载到电子计算机的存储器中，并且所述计算机程序产品包括用于执行按照权利要求1至17中任一项所述的图像搜索方法的各个阶段的软件代码部分。
19.一种用于搜索图像的设备(1)，包括
-输入/输出装置(15)，适合于访问大容量存储器装置(13)，所述大容量存储器装置(13)至少包含
●一个或多个图像和/或对所述图像的引用，和
●对于每个图像和/或对该图像的引用，与所述图像和/或与所述引用相关联、并且与获取所述图像的传感器有关的至少一个传感器指纹，
-读取装置(14)，被配置用于读取搜索传感器指纹，
-易失性存储器装置(12)，所述传感器指纹的至少一部分能够被加载到所述易失性存储器装置(12)中，和
-计算装置(11)，与存储器装置(12、13)以及读取装置(14)信号通信，
其中所述计算装置(11)被配置用于在图像和/或对所述图像的引用之中进行搜索，其中基于包含在存储器装置(12、13)中的图像中的每一个图像的传感器指纹的至少一部分与搜索传感器指纹的至少一部分之间的至少一个比较，来选择或者放弃包含在存储器装置(12、13)中的图像和/或对所述图像的引用中的每一个，
其特征在于
计算装置(11)还被配置用于在进行搜索之前，通过利用随机投影技术来压缩搜索传感器指纹和与图像和/或与对所述图像的引用相关联的传感器指纹中的至少一个传感器指纹。
20.按照权利要求19所述的设备(1)，其中通过将至少一个压缩矩阵乘以所述指纹中的每一个指纹或反之亦然，来压缩搜索传感器指纹和与图像和/或与对所述图像的引用相关联的传感器指纹中的每一个传感器指纹。
21.按照权利要求20所述的设备(1)，其中所述至少一个压缩矩阵是部分循环行列式矩阵。
22.按照权利要求21所述的设备(1)，其中计算装置(11)还被配置用于执行快速傅里叶变换，以便将所述至少一个压缩矩阵乘以与图像和/或与对所述图像的引用相关联的传感器指纹中的至少一个传感器指纹。
23.按照权利要求19至22中任一项所述的设备(1)，其中计算装置(11)还被配置用于基于要压缩的指纹的大小，从一组压缩矩阵中选择所述至少一个压缩矩阵。
24.按照权利要求23所述的设备(1)，其中计算装置(11)还被配置用于基于要压缩的指纹的大小，从一组压缩矩阵中选择两个或更多个压缩矩阵，并且其中选择的所述压缩矩阵的维度使得所述压缩矩阵与要压缩的指纹之间的乘积将生成具有预定义大小的经压缩的传感器指纹。
25.按照权利要求19至22中任一项所述的设备(1)，其中计算装置(11)还被配置用于通过连结所述指纹的具有不同分辨率的多个版本来压缩每个传感器指纹，并且其中由计算装置(11)通过利用随机投影技术来压缩所述指纹的每个版本。
26.按照权利要求19至25中任一项所述的设备(1)，其中计算装置(11)还被配置用于在搜索期间，计算经压缩的搜索传感器指纹和与图像和/或与对所述图像的引用相关联的经压缩的指纹中的每一个经压缩的指纹之间的相关指数，并且其中计算装置(11)还被配置用于基于所述相关指数的值来选择或放弃所述图像和/或对所述图像的引用。
27.按照权利要求26所述的设备(1)，其中计算装置(11)基于经压缩的搜索传感器指纹和与图像和/或与对所述图像的引用相关联的经压缩的指纹中的每一个经压缩的指纹之间的汉明距离，来计算所述相关指数。
28.按照权利要求26或27所述的设备(1)，其中计算装置(11)还被配置用于在搜索期间，执行两次或更多次搜索迭代，其中在最后一次迭代之前的各次迭代之中的至少一次迭代期间，所述计算装置(11)计算经压缩的搜索指纹的至少一部分和与图像和/或与对所述图像的引用相关联的经压缩的指纹中的每一个经压缩的指纹的一部分之间的相关指数，并且基于所述相关指数选择一组图像或者对所述图像的引用，并且其中在最后一次迭代期间，所述计算装置(11)在搜索指纹和与包括在所述一组图像中的图像和/或与对所述图像的引用相关联的指纹中的每一个指纹之间进行比较。
29.按照权利要求28所述的设备(1)，其中计算装置(11)还被配置用于基于经压缩的搜索传感器指纹的特征点的位置，来确定在最后一次迭代之前的至少一次迭代期间，与经压缩的搜索传感器指纹进行比较的、与图像和/或与对所述图像的引用相关联的经压缩的指纹中的每一个经压缩的指纹的各个部分，其中所述特征点是经压缩的指纹的具有大于特定阈值或大于所述指纹的各个点的平均值的值的点。
30.按照权利要求29所述的设备(1)，其中计算装置(11)还被配置用于在搜索之前，将包括与图像和/或与对所述图像的引用相关联的传感器指纹的特征点的位置的搜索信息加载到易失性存储器装置(12)中。
31.按照权利要求30所述的设备(1)，其中计算装置(11)还被配置用于以低于与图像和/或与对所述图像的引用相关联的经压缩的指纹的分辨率的分辨率，对包括在所述搜索信息中的位置进行编码。
32.按照权利要求30或31所述的设备(1)，其中计算装置(11)还被配置用于通过利用k阶指数-哥伦布编码，按差分方式对包括在搜索信息中的位置进行编码。
33.按照权利要求19至32中任一项所述的设备(1)，其中计算装置(11)还被配置用于将经压缩的指纹的各个点中的每个点的值转换成包括在有限的一组值内的值。
34.一种计算系统，所述计算系统包括按照权利要求19至33中任一项所述的多个设备(1)，其中每个设备(1)被配置用于执行搜索部分，其中每个部分能够独立于其他部分被执行，并且其中对包含在大容量存储器装置(13)中的图像的子集执行所述搜索部分中的每个搜索部分。
35.按照权利要求34所述的计算系统，其中使包含在存储器装置(13)中的、对其进行搜索部分的图像的每个子集与其他子集分离。
CN201680034681.0A 2015-06-23 2016-06-20 用于搜索图像的方法和设备 Active CN107735783B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
IT102015000026649 2015-06-23
ITUB20151608 2015-06-23
PCT/IB2016/053656 WO2016207774A1 (en) 2015-06-23 2016-06-20 Method and device for searching images

Publications (2)

Publication Number Publication Date
CN107735783A true CN107735783A (zh) 2018-02-23
CN107735783B CN107735783B (zh) 2021-10-15

Family

ID=54064511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680034681.0A Active CN107735783B (zh) 2015-06-23 2016-06-20 用于搜索图像的方法和设备

Country Status (8)

Country Link
US (1) US10515112B2 (zh)
EP (1) EP3314534B1 (zh)
JP (1) JP6891379B2 (zh)
CN (1) CN107735783B (zh)
ES (1) ES2898868T3 (zh)
IL (1) IL256105B (zh)
PL (1) PL3314534T3 (zh)
WO (1) WO2016207774A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111522973A (zh) * 2020-04-16 2020-08-11 重庆邮电大学 一种融合压缩感知的隐私保护图像检索方法
WO2021207941A1 (zh) * 2020-04-14 2021-10-21 华为技术有限公司 一种摄像机的认证方法及控制装置
WO2022099696A1 (zh) * 2020-11-16 2022-05-19 华为技术有限公司 一种摄像头标识方法、认证方法、系统及终端

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201515615D0 (en) * 2015-09-03 2015-10-21 Functional Technologies Ltd Clustering images based on camera fingerprints
IT201600105253A1 (it) * 2016-10-19 2018-04-19 Torino Politecnico Dispositivo e metodi per l'autenticazione di unn apparato d'utente
CN106656210B (zh) * 2017-01-03 2020-06-19 重庆邮电大学 一种基于完备循环差集的可快速编码的type-II QC-LDPC码构造方法
US11405358B2 (en) * 2017-03-01 2022-08-02 Siemens Aktiengesellschaft Network security monitoring of network traffic
CN107760633A (zh) * 2017-11-30 2018-03-06 成都欧林生物科技股份有限公司 肺炎链球菌的固体培养基
US11146445B2 (en) * 2019-12-02 2021-10-12 Alibaba Group Holding Limited Time series decomposition
CN115880734A (zh) * 2022-05-10 2023-03-31 神盾股份有限公司 生物特征检测传感器及其信号处理方法及电子产品

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040051797A1 (en) * 2002-09-13 2004-03-18 Kelly Sean C. Fixed pattern noise removal in CMOS imagers across various operational conditions
CN102508144A (zh) * 2011-10-26 2012-06-20 西安电子科技大学 测量ccd芯片暗信号非均匀性和光子响应非均匀性的方法
CN103020641A (zh) * 2012-11-18 2013-04-03 郑州大学 一种基于dft交叉相关分析的数码照片来源识别方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1091634A (ja) * 1996-08-15 1998-04-10 Hewlett Packard Co <Hp> 写真画像検索システム
JP2004258963A (ja) * 2003-02-26 2004-09-16 Fujitsu Ltd 多段階照合による高速ｉｄレス照合方法およびシステム
JP4032241B2 (ja) * 2003-02-28 2008-01-16 日本電気株式会社 指紋照合装置及びその方法
US7251372B2 (en) * 2004-01-14 2007-07-31 Nec Solutions (America) Inc. Method and system for compressing digitized fingerprint images by a uniform degree of compression
JP4428067B2 (ja) * 2004-01-28 2010-03-10 ソニー株式会社 画像照合装置、プログラム、および画像照合方法
WO2006044917A2 (en) * 2004-10-15 2006-04-27 The Regents Of The University Of Colorado, A Body Corporate Revocable biometrics with robust distance metrics
US7616237B2 (en) * 2005-12-16 2009-11-10 The Research Foundation Of State University Of New York Method and apparatus for identifying an imaging device
US7787030B2 (en) * 2005-12-16 2010-08-31 The Research Foundation Of State University Of New York Method and apparatus for identifying an imaging device
US8385971B2 (en) * 2008-08-19 2013-02-26 Digimarc Corporation Methods and systems for content processing
JP2011077958A (ja) * 2009-09-30 2011-04-14 Chiba Univ 次元圧縮装置、次元圧縮方法及び次元圧縮プログラム
US8731236B2 (en) * 2011-01-14 2014-05-20 Futurewei Technologies, Inc. System and method for content protection in a content delivery network
US8374386B2 (en) * 2011-01-27 2013-02-12 Polytechnic Institute Of New York University Sensor fingerprint matching in large image and video databases
US8571306B2 (en) * 2011-08-10 2013-10-29 Qualcomm Incorporated Coding of feature location information
GB2486987B (en) * 2012-01-03 2013-09-04 Forensic Pathways Ltd Methods for automatically clustering images acquired by unknown devices
EP2901329A4 (en) * 2012-08-02 2016-07-13 Agency Science Tech & Res TEST EQUIPMENT, SERVER AND METHOD FOR CONTROLLING A TEST APPARATUS
EP3172700B1 (en) * 2014-07-21 2021-04-28 Politecnico Di Torino Improved method for fingerprint matching and camera identification, device and system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040051797A1 (en) * 2002-09-13 2004-03-18 Kelly Sean C. Fixed pattern noise removal in CMOS imagers across various operational conditions
CN102508144A (zh) * 2011-10-26 2012-06-20 西安电子科技大学 测量ccd芯片暗信号非均匀性和光子响应非均匀性的方法
CN103020641A (zh) * 2012-11-18 2013-04-03 郑州大学 一种基于dft交叉相关分析的数码照片来源识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DIEGO VALSESIA: "Compressed Fingerprint Matching and Camera Identification via Random Projections", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021207941A1 (zh) * 2020-04-14 2021-10-21 华为技术有限公司 一种摄像机的认证方法及控制装置
CN114422757A (zh) * 2020-04-14 2022-04-29 华为技术有限公司 一种摄像机的认证方法及控制装置
CN114422757B (zh) * 2020-04-14 2023-06-02 华为技术有限公司 一种摄像机的认证方法及控制装置
CN111522973A (zh) * 2020-04-16 2020-08-11 重庆邮电大学 一种融合压缩感知的隐私保护图像检索方法
CN111522973B (zh) * 2020-04-16 2023-03-31 重庆邮电大学 一种融合压缩感知的隐私保护图像检索方法
WO2022099696A1 (zh) * 2020-11-16 2022-05-19 华为技术有限公司 一种摄像头标识方法、认证方法、系统及终端

Also Published As

Publication number Publication date
CN107735783B (zh) 2021-10-15
JP6891379B2 (ja) 2021-06-18
PL3314534T3 (pl) 2022-01-17
US20180157680A1 (en) 2018-06-07
IL256105A (en) 2018-02-28
WO2016207774A1 (en) 2016-12-29
EP3314534A1 (en) 2018-05-02
ES2898868T3 (es) 2022-03-09
EP3314534B1 (en) 2021-09-01
US10515112B2 (en) 2019-12-24
JP2018522312A (ja) 2018-08-09
IL256105B (en) 2022-02-01

Similar Documents

Publication Publication Date Title
CN107735783A (zh) 用于搜索图像的方法和设备
US20190385001A1 (en) Data extraction using neural networks
US9053386B2 (en) Method and apparatus of identifying similar images
JP6780220B2 (ja) 方法、デバイス、システム、およびプログラム
Yang et al. Effectiveness of distillation attack and countermeasure on neural network watermarking
WO2014138745A2 (en) Method and system for clustering and classifying online visual information
CN104715194B (zh) 恶意软件检测方法和装置
CN104751055A (zh) 一种基于纹理的分布式恶意代码检测方法、装置及系统
US11055399B2 (en) Data recovery through reversal of hash values using probabilistic data structures
Jin et al. A malware detection approach using malware images and autoencoders
Wang et al. DeepSearch: A fast image search framework for mobile devices
Drozdowski et al. Bloom filter‐based search structures for indexing and retrieving Iris‐Codes
AlGarni et al. An efficient convolutional neural network with transfer learning for malware classification
CN112329954A (zh) 物品召回方法、装置、终端设备及存储介质
Assefa et al. Intelligent phishing website detection using deep learning
Wei et al. Efficient local histogram searching via bitmap indexing
Pan et al. Improved CNN‐Based Hashing for Encrypted Image Retrieval
Sameer et al. A deep learning based digital forensic solution to blind source identification of Facebook images
Magdy et al. Privacy preserving search index for image databases based on SURF and order preserving encryption
CN109213972B (zh) 确定文档相似度的方法、装置、设备和计算机存储介质
CN109815199A (zh) 一种图片压缩算法的选取方法及装置
Yin et al. Content‐Based Image Retrial Based on Hadoop
Tsai et al. Graphics processing unit‐accelerated multi‐resolution exhaustive search algorithm for real‐time keypoint descriptor matching in high‐dimensional spaces
Sahoo et al. On the study of GRBF and polynomial kernel based support vector machine in web logs
CN114332745A (zh) 一种基于深度神经网络的近重复视频大数据清洗方法

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