CN108291876B - 用于检测产品的真实性的系统及方法 - Google Patents
用于检测产品的真实性的系统及方法 Download PDFInfo
- Publication number
- CN108291876B CN108291876B CN201580074242.8A CN201580074242A CN108291876B CN 108291876 B CN108291876 B CN 108291876B CN 201580074242 A CN201580074242 A CN 201580074242A CN 108291876 B CN108291876 B CN 108291876B
- Authority
- CN
- China
- Prior art keywords
- product
- image
- signature
- replicable
- authentic
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 144
- 230000008569 process Effects 0.000 claims abstract description 48
- 238000004519 manufacturing process Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 31
- 230000000007 visual effect Effects 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 230000033001 locomotion Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims 6
- 230000000739 chaotic effect Effects 0.000 abstract description 92
- 230000004044 response Effects 0.000 abstract description 7
- 230000008713 feedback mechanism Effects 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 215
- 238000004458 analytical method Methods 0.000 description 38
- 238000013459 approach Methods 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 10
- 239000006185 dispersion Substances 0.000 description 9
- 230000009466 transformation Effects 0.000 description 8
- 230000002776 aggregation Effects 0.000 description 7
- 238000004220 aggregation Methods 0.000 description 7
- 239000010985 leather Substances 0.000 description 7
- 239000000123 paper Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 201000011243 gastrointestinal stromal tumor Diseases 0.000 description 5
- 238000012790 confirmation Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 238000004806 packaging method and process Methods 0.000 description 4
- 239000002023 wood Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 3
- 239000007799 cork Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003780 insertion Methods 0.000 description 3
- 230000037431 insertion Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241001085205 Prenanthella exigua Species 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 201000006352 oculocerebrorenal syndrome Diseases 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241001290864 Schoenoplectus Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 235000013334 alcoholic beverage Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000011111 cardboard Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007905 drug manufacturing Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000007496 glass forming Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 239000000825 pharmaceutical preparation Substances 0.000 description 1
- 229940127557 pharmaceutical product Drugs 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- -1 skin Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000014616 translation Effects 0.000 description 1
- 239000002759 woven fabric Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
- G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
- G06K19/06009—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking
- G06K19/06037—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking multi-dimensional coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/95—Pattern authentication; Markers therefor; Forgery detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/09—Recognition of logos
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
- Geometry (AREA)
Abstract
通过检测唯一混沌签名来检测产品的真实性的系统及方法。在工厂拍摄产品的照片,并将其存储在数据库/服务器中。服务器处理图像以针对每一个真实产品检测作为制造过程、自然过程等的结果的唯一真实签名。为了检测商店中的产品是否是真实的,用户/买方可以拍摄产品的图片并将其发送至服务器(例如,使用安装在便携式装置上的应用程序等)。当接收照片时,服务器可以处理接收的图像以搜索与真实产品相关的预先检测的和/或预先存储的混沌签名。服务器可以向用户返回表示搜索结果的响应。可以包括反馈机制以引导用户在可能存在混沌签名的产品的特定位置拍摄图片。
Description
相关申请
本申请要求于2014年11月21日提交的美国临时申请第62/082939号的优先权,该专利申请的全部内容通过引用并入本文。
背景技术
(a)技术领域
所公开的主题主要涉及用于检测产品的真实性的系统及方法。具体地,本主题涉及一种用于唯一识别物品以便能够区分真实物品与假冒物品的系统及方法。
(b)相关现有技术
假冒是非常赚钱的行业,其中犯罪分子依赖于对具有低生产和分配成本的廉价商品的持续的高需求。
假冒诸如奢侈品、食品、酒类饮品、材料、艺术作品(绘画,雕塑)、药品和文件等物品欺骗了消费者,并且损害了真实产品的合法制造商和供应商的品牌。此外,假冒物品经常可能危及公众健康(例如,当掺假的食品和药品冒充为真实产品时)。
经济合作与发展组织(OECD)估计,全球每年假冒的数值在8000亿美元左右,包括2500亿在药品和医疗领域。这对世界贸易施加了真正的负担,估计是2007年世界贸易的2%。
防伪措施已经包括:序列号,机读识别符(例如,条形码和二维码),“防篡改”安全标签(例如,在移除时改变状态或部分地或完全地自毁的全息图和标牌),以及直接应用于物品或应用于这些物品的标签、标牌和/或包装的远程可检测标签(例如,射频识别标签)。最常用的方法背后的原理是试图增加复制粘贴在购买的商品上的特定物品/标签/对象的难度。
然而,这些措施本身已经被假冒。
存在一些方法,其以全息图的形式或以某些颜色的颗粒(例如,隐形标记)的形式粘贴包含某种不可再生材料的签名的附加标牌。存在一些其它方法,其加热聚合物以产生气泡,从而有意地引入混沌图案。
因此,市场上仍然需要一种更安全的用于检测购买的产品的真实性的系统及方法。
发明内容
本实施例描述了这种系统及方法。
如上所述,现有的方法旨在将特定形态的控制材料粘贴在产品的某个硬表面上,以便当通过放大镜观看时实现简单的签名检测(其实际上需要将这种透镜添加至捕获装置,还需要用户知道在哪里检查产品的签名部)。然而,自然混沌的物质已经存在于大多数需要认证的产品类别中,这是人类指纹背后的基本概念。因此,本实施例旨在捕获现有的自然混沌,并处理当终端用户不期望看到任何添加的材料(艺术作品、奢侈品)或增加的成本(药品制造)时使处理流程一般化所存在的困难。
因此,描述了一种方法,该方法允许仅使用通过便携式计算装置捕获的照片检测自然混沌且聚合来自产品的各个区域(硬的或软的(柔性的))的分析。以更简单的语言,识别过程用作一种用于检测唯一且混沌的虚拟序列号的方法,以及一种用于确认是否存在虚拟序列号的方式。
在非限制性实施例中,描述了一种用户引导的方法,该方法允许使用强大的算法,该算法允许引导的逐渐消除/毁灭怀疑以能够使基于视觉的认证系统用于实现目的。换句话说,举例说明了一种指纹认证系统,其被一般化以覆盖产品和商品中的自然混沌。该系统不总是允许同时识别,但可能需要首先知道在哪里搜索指纹。
在一方面,提供了一种用于确定产品的真实性的方法,该方法包括:使用图像捕获装置,捕获真实产品的图像;处理捕获的图像,包括针对每一个真实产品检测与该真实产品相关的一个或多个图像中的唯一混沌签名;从远程计算装置接收针对给定产品的真实性请求,该真实性请求包括给定产品的图像;在接收的给定产品的图像内,针对与真实产品中的一个相关的预先检测的混沌签名执行搜索;以及基于搜索结果确定给定产品的真实性。
在另一方面,提供了一种用于确定产品的真实性的方法,该方法包括:接收真实产品的捕获的图像;处理捕获的图像,包括针对每一个真实产品检测与该真实产品相关的一个或多个图像中的唯一混沌签名;从远程计算装置接收针对给定产品的真实性请求,该真实性请求包括给定产品的图像;针对与在接收的给定产品的图像内搜索的真实产品中的一个相关的预先检测的混沌签名执行搜索;以及基于搜索结果确定给定产品的真实性。
在再一方面,提供了一种存储装置,其上记录有用于确定产品的真实性的非暂时性计算机可读指令;当通过处理器执行时,该指令使处理器处理真实产品的图像,包括针对每一个真实产品检测与该真实产品相关的一个或多个图像中的唯一混沌签名;从远程计算装置接收针对给定产品的真实性请求,该真实性请求包括给定产品的图像;在接收的图像内,搜索与真实产品中的一个相关的预先检测的混沌签名;以及基于搜索结果确定给定产品的真实性。
在又一方面,提供了一种计算装置,其能够访问存储器,存储器上记录有用于确定产品的真实性的计算机可读代码,当通过计算装置的处理器执行时,该代码使计算装置处理真实产品的图像,包括针对每一个真实产品检测与该真实产品相关的一个或多个图像中的唯一混沌签名;从远程计算装置接收针对给定产品的真实性请求,该真实性请求包括给定产品的图像;在接收的图像内,搜索与真实产品中的一个相关的预先检测的混沌签名;以及基于搜索结果确定给定产品的真实性。
在又一方面,提供了一种存储装置,其上记录有非暂时性计算机可读指令,用于安装在包括图像捕获装置的便携式计算装置上,当通过处理器执行时,该指令使计算装置:捕获给定产品的图像;将给定产品的图像发送至远程服务器进行验证;从远程服务器接收拍摄给定产品的近距离图像的请求,以及针对近距离图像识别感兴趣区域(ROI)的位置信息;识别给定产品上的ROI的位置;在与计算装置相关的显示装置上显示ROI的视觉指示符,以允许用户缩放ROI并拍摄近距离图片。
在又一方面,提供了一种存储装置,其上记录有用于安装在计算装置上的非暂时性计算机可读指令,该计算机可读指令包括:真实产品的图像,每一个图像包括:特定于真实产品的混沌签名和/或表示与该真实产品相关的混沌签名的数据;以及可执行指令,当通过计算装置执行时,该可执行指令使计算装置:捕获或接收第一产品的第一图像;处理第一图像以确定第一产品的真实性,其中,处理第一图像包括:检测第一图像中是否存在预先记录的混沌签名。
本主题的特征和优点将通过参考附图对所选实施例进行下面详细描述而变得更加明显。可以意识到,在不脱离权利要求的范围的情况下,所公开和保护的主题能够在各个方面进行修改。因此,附图和说明书在本质上被认为是说明性而非限制性,并且在权利要求书中阐述本主题的全部范围。
附图说明
本发明的其它特征和优点将通过结合附图进行的下面详细描述而变得明显,附图中:
图1描述了根据一实施例的生产登记阶段的示例;
图2说明了根据一实施例的验证请求阶段的示例;
图3a说明了在认证阶段在智能手机上拍摄的图像的示例;
图3b是图3a中的ROI区域的近距离视图;
图3c是根据非限制性实施例的使用低通滤波图像上的梯度对图3b的图像的图像变换;
图3d显示了当亮度已经被中和时图3b的图像的高通滤波;
图4a至图4c说明了不同产品的图像;
图5a至图5c说明了另一产品的图像,并且显示了混沌形态如何可以作为制造过程的结果而产生;
图6说明了包括多个文件夹1-n的数据库的示例,每一个文件夹包含相同产品系列的真实产品的图像;
图7说明了与给定产品系列相关的文件夹的示例性配置;
图8a-8e说明了引导过程的非限制性实施例;
图9a说明了在瓶子的软木塞上围绕混沌签名的QR数据矩阵的示例;
图9b说明了根据一实施例的包括QR数据矩阵的包装的示例;
图10为根据一实施例的在应用程序与服务器之间的工作流的一般流程图;
图11a说明了在瓶子上提供的条形码的附近和下面的标签纸的混沌形态;
图11b是图11a在少量像素下的梯度图像,其中亮度被中和以增强高频;
图12至图29说明了用于确定不同产品上的ROI的不同方法;
图30-1至图30-4说明了通过逐渐检测图像中定义包括多个路径的网的网格来确定产品的真实性的方法的示例;
图31为根据一实施例的用于确定产品的真实性的方法的流程图;
图32为根据另一实施例的用于确定产品的真实性的方法的流程图。
应当注意,在所有附图中,相似的特征用相似的附图标记来标示。
具体实施方式
本发明的实施例描述了一种通过检测应该是产品本身的紧密部分的唯一混沌签名来检测产品的真实性的系统及方法。作为非限制性示例,皮革孔隙、金属商品的X射线下的纤维、木材、纸中的纤维。在工厂拍摄产品的照片,并将其存储在经由电信网络可访问的数据库/服务器中。服务器处理图像以针对每一个真实产品检测唯一真实签名,其是制造过程或自然过程或可能留下可用作产品的唯一标识的唯一签名的任何其它过程的结果。为了检测商店中的产品是否是真实的,用户可以拍摄产品的图片并将其发送至服务器(例如,使用安装在便携装置上的应用程序等)。当接收照片时,服务器可以处理接收的图像,以搜索与真实产品相关的预先检测的和/或预先存储的混沌签名。服务器可以向用户返回表示搜索结果的响应。可以包括反馈机制以引导用户在可能存在混沌签名的产品的特定位置拍摄图片。
认证方法可以包括三个主要阶段:1)产品登记阶段,其通常发生在制造真实产品的工厂,由此,拍摄并存储真实产品的图像。2)第二阶段是验证请求阶段,其发生在出售产品的商店,由此,想要检查给定产品的真实性的用户可以拍摄产品的图片并将该图片发送至服务器进行验证。该阶段可以包括增强现实体验,以朝向最适于认证的产品区域(并且其包括如下所述的一个或多个ROI)引导用户。3)第三阶段是比较阶段,由此,服务器将接收的图像与预先存储的真实产品的图像进行比较,并输出比较结果以在用户的计算装置上观看。
阶段2)可以包括三个子阶段:阶段2.1)执行产品的识别,阶段2.2)是基于阶段2.1在系统与用户之间的对话,以朝向认证区域(也称为感兴趣区域ROI)122、128、154、156、1041、2012引导用户,用于近距离捕获具有用于识别过程的足够分辨率的图像。阶段2.3)包括:如果对于倾斜和旋转在可接受的公差内确定为足够宽,则捕获近距离图像(净当前变换矩阵(x'=a×x+c×y+ey'=b×x+d×y+f,其中,a、b、c和d表示具有变焦系数的传统旋转矩阵,而e、f表示平移),其中,“a”和“d”系数相等,“c”和“b”系数接近于零),“e”和“f”系数期望靶向ROI。当便携式装置检测到已经达到ROI的足够分辨率(尺寸和/或像素数量足够增加)时,子阶段2.3可以通过应用程序自动地执行。
第三阶段包括向用户报告搜索结果。该阶段执行认证,进行高精度分析。结果可以通过聚合对应用于相同图像的各种方法或者对相同对象的不同视图的认证的各种尝试的分析的可能性而得出,如图13所示。例如,对于三个不同的ROI的三种50%的可能性可以导致相当高的结合可能性已经出现正面匹配以确认产品的真实性。Neyman-Pearson引理算法允许使用所有可能性及其相关质量来计算最终可能性。主要实施例可以将最终可能性报告为条形图。如果报告传送了毫无疑问的可能性,则显示器是OK消息,否则结果将呈现从红色到绿色的条的形式,以允许用户估计其是否需要另一种认证方法或者在更好的环境条件下(通常由于照明)重新启动分析。
必须注意的是,如果通过机器确定可疑状况或者如果产品在单一位置(单一ROI)上不具有足够的混沌形态,则可以通过重复的图像拾取和分析来完成第二阶段。这在图8B和8D所示的包的情形下例示,其中,图8B和8D显示了用于近距离拾取的两个不同的请求,从而允许认证过程的最高聚合可能性。
现在参考附图,图1描述了根据一实施例的生产登记阶段的示例。在本示例中,产品登记阶段被例示为用于制造奢侈品包的工厂。如图1所示,当包104向后通过生产链时,图像捕获装置102被操作地安装以拍摄包104的照片。包的图片被存储在经由通信网络108可访问的数据库/服务器106上。
图像捕获装置102可以为,但不限于,配备有高质量相机和直接电信系统、WiFi、蓝牙或互联网启用相机或任何具有有线或无线远程传输能力的相机的智能手机。
图2说明了根据一实施例的验证请求阶段的示例。如图2所示,当用户想要验证给定产品110的真实性时,用户可以使用便携式计算装置112拍摄产品110的图片,并经由电信网络108将该图片发送至服务器106进行比较。
在一实施例中,可以提供安装在便携式计算装置112上的应用程序,以拍摄产品110的图片并将该图片发送至服务器106。应用程序可以包括服务器的IP地址,并且可以配置为当拍摄完图片时将该图片传送至服务器。应用程序还可以配置为在将图像发送至服务器106之前执行局部图像处理和压缩。在另一实施例中,应用程序可以包括交互方面,以与用户交互并在产品的特定区域中请求附加图片以改善分析。这将在下面进一步详细描述。
服务器处的图像处理和搜索
当图像被局部处理和/或压缩完时,其被发送至服务器以进行进一步处理并与真实产品的图片进行比较。
在一实施例中,服务器106可以被配置为局部地处理在产品登记阶段拍摄的真实产品的图像,以确定图像内的一个或多个感兴趣区域(ROI),这些ROI包括潜在的混沌签名。为了说明和理解,该实施例描述了图像处理方法的非限制性示例。然而,该实施例不限于这种方法,其可以使用其它图像处理方法或本文描述的方法与其它方法的结合来实现。与图像的其余部分相比较,可以基于给定区域中增加的频率来选择感兴趣区域。在一实施例中,可以使用三个频率直方图:频率的全局2D、垂直1D以及1D水平直方图。在频率的峰值和谷值上完成搜索,以在图像尺寸的1/500至图像尺寸的1/2000的频率范围内查找所有相对峰值。搜索使用直方图的卡尔曼滤波,然后在峰值与谷值之间的差值的调整的百分比的范围内提取差值,例如,30%是可接受的范围。因此,在两个相对最大值之间下降小于30%的信号将取消两个相对最大值作为峰值的资格。这确定了感兴趣区域的坐标,其中存在某种规律性(高通滤波器),但是较高频率呈现不规则性而不在图像的噪声的范围内或者在登记时间的商品/产品的表面(通常在2像素范围)。
当一个以上产品可用时,该装置可以使用一系列操作来查找图像之间的共同性。这通过查找中频来完成。服务器可以使用霍夫变换来调整对象的方向并调整比例。例如,不限于此,可以集中在产品的标签、针迹以及其它可能存在唯一签名的区域。这不是强制性的,这有助于要求识别ROI中的混沌,其在各自的感兴趣区域(ROI)中给出了对混沌的身份的更安全的确定,并给出第一组提示作为用于签名部分分析的图像处理参数,因为其允许混沌分析比估计模式更接近确认模式工作。特别是,对锚点的相对定位。这允许在显示至少一些签名能力的图像的子区域之间更简单的关系识别。这种粗略的常见分析的另一个兴趣是确定应该出现的最小特征集。这对于允许更好地确定系统将断言不能说对象是真实产品而不是通过否定将其报告为不是真实产品的情形至关重要。然后,其被说为是不可检测的。
单个或多个ROI通过高于锚点的频率来表征,首先完成噪声估计以确定噪声分散和信号/噪声比。这允许确定感兴趣频率的截止频率。ROI的感兴趣区域通过在相对宽的区域(4至8倍低频的像素距离)上的高频率对比度来描述。显示这种频率图案的所有区域通过连接分组,并创建ROI的掩膜。掩膜中使用的数值显示周围邻居的对比度。这允许加权在后续阶段可以在ROI上完成的认证的质量。在一实施例中,对每一个对象单独计算掩膜,然后完成每一个掩膜或ROI的交叉。掩膜的交叉采取添加对比度的形式。此外,用于第一对象的第一掩膜可以根据从对其它新对象的计算得到的经验有利地被丰富,因为其它新对象在不需要为所有其它对象重新计算的情况下出现。这种掩膜具有较高的值,其中对比度不仅相当高,而且非常普遍。这创建了ROI的共同性及其特性的混合。这种掩膜对实时知道在图像分析期间出现的扫描中哪里考虑ROI是重要要素。该装置将其搜索集中在掩膜或ROI高的区域,逐渐建议掩膜具有越来越低的值的区域。在最终结果中考虑针对每一个ROI所查找到的每一度或识别,每一个可以加权不同的因子,以便以连续方式聚合其相似性。在某个阈值(通常是对象的数量*对比度摆动的3%)下,无效不感兴趣的掩膜区域,以避免在确定为没有理由显示相似性的区域上扫描ROI。因此,当对象不是真实的,并且所有先前的ROI扫描各自失败或通过累积加权聚合以传送可接受的组合的相似性的可能性时,系统可以确定该产品不是真实的。
在一些情况下,对于给定产品线中的所有产品,ROI的位置可以基本上相同。例如,如果最高的混沌签名由于手动地安装按钮的事实而在包上按钮的位置周围,那么对于该系列中的所有产品,ROI的位置可以基本上相同,并且这些情形被更快地搜索,因为当从用户接收图像时服务器不需要在其它位置搜索。然而,在大多数情况下,根据服务器找到混沌签名的位置,对于相同系列的每一个产品,选择或设置的ROI的位置或ROI是不同的。因为掩膜包含关于感兴趣区域中频率对比度的局部信息,有兴趣考虑掩膜本身的直方图以及掩膜频率的直方图,从而允许表征基于中频与允许评估该装置具有的仅使用一个区域或者该装置需要的聚合其它几个区域来确定签名的能力的所有其它频率的比的因子。频率直方图越窄,特定区域就越是查找签名混沌图案的好地方。
图3a说明了在登记阶段拍摄的图像的示例。示例性图像120表示手提包。如上所述,服务器106可以处理图像120以确定包括混沌签名的ROI 122。图3b是图3a中的ROI区域122的近距离视图。如图3b所示,与其余区域相比,区域122包括可以用作锚点124的多个不规则部分。显示的其它不规则部分用125表示,并且这些构成特征集。锚点与特征集之间的差异在于,锚点存在于给定产品线中的所有产品中,而特征集125构成混沌签名,并且其可以是当完成制造过程时的自然过程、制造过程或自然发展的结果,像发霉的发酵过程,其将具有其本身的混沌结构,并且可能当材料磨损太光滑而不能分析时会磨损这种结构的复制品,或上述任意组合。
图3c是使用低通滤波图像的图像122的图像变换,其利用使用每一个像素周围的局部亮度的像素水平调整,从而加权该像素上的图像梯度。在这种图像上,应用霍夫变换,其允许在交叉的霍夫空间中搜索主线。这种交叉被认为是锚点,并且当经常找到在其它采样的生产商品在几乎相同的附近区域显示相同的交叉时,霍夫线的这种交叉的质量增加。图3d显示了当亮度已经被中和时高通滤波的图像122,另一霍夫变换允许搜索线的共同性,但在这种情况下,考虑到将于其间测量的混沌点的特征集,或者更普遍地到锚点,其是互补的。这仅例示一种用于分析使签名合格的商品上的不规则性的方法,但是其它方法可以用于统计分析和分类或者图案的非参数分类,其允许在后续时间进行更简单的搜索。
下面提供了其它示例。
例如,图4a说明了另一产品的图像。至少具有允许拍摄允许认证的图片的三个视角方向。方向440通常用于销售过程期间并例示在图4b和4c中。方向441旨在朝向产品的另一区域,其中足够的混沌形态存在于期望在产品寿命期间不太容易磨损的地方。这甚至可以用于分析人的通过,或是使用向上观看的相机(假设焦平面和图像预处理尊重人们的隐私)。甚至可以使用皮革的纹理作为签名而侧向使用。图4b显示的图像126包括富含不规则性的区域128。当处理图像126时,服务器将识别区域128作为包括混沌签名的ROI。图4b是图4a的ROI 128的近距离视图。如图4b所示,ROI 128包括锚点131。这些锚点被确定为存在跨生产的特征(事实上,如果不存在,应通知产品有缺陷的事件),包含更混沌的图案的其它集是由至少几个皮革孔隙132构成,这些皮革孔隙132在包括在织物中制作的切口130的若干混沌形态中。
结合地,这些不规则性定义混沌签名,其对与该图片相关的产品是唯一的。这种混沌签名构成唯一识别形态,其不能假冒复制,更不用说检测在产品上存在混沌签名的位置。可以通过在不同混沌形态之间建立关系来进一步加强签名,举例但不限于:混沌形态的数量、某一混沌形态与另一混沌形态之间的距离等。
图5a和图5b显示了另一示例,其显示了混沌形态如何可以生产为制造过程的结果。图5a是产品的俯视图。图5b是图5a显示的产品的ROI的近距离视图,图5c是在与图5a的产品相同系列中的不同产品相关的图像中的ROI的近距离视图。
具体地,图5a说明了品牌Perry的衬衫的图片136。图片136包括ROI 138。图5b是图5a的衬衫的ROI 138a的近距离视图,图5b是另一衬衫但在相同位置的ROI 138b的近距离视图。如图所示,在140a,图5b中的标签“SLIM FIT”旁边的区域包括与标签分离的三个方格。相比之下,图5c显示了部分地提供在标签下面的两个方格以及刚好与标签接触的另一方格。这是另一种类型的混沌签名的示例,其中服务器可以在图片中检测并在从用户接收的图像中查找该混沌签名。
在一实施例中,服务器可以基于产品的形状、颜色和其它方面将属于同一系列的产品(也称为产品线)分类在给定文件夹中,以便当从用户接收图像时进行搜索。例如,如图6所示,数据库可以包括多个文件夹1-n,每一个文件夹包含相同产品系列的真实产品的图像,例如,PERRY修身衬衫,或Louis的Monogram系列等。可以使用使用GIST类型的方法的嵌入式方案或ORBS或SURF方法来完成这种特征图像的分析,以提取提供LSH(局部敏感散列)树的描述符,但也可以使用在线方案如QUALCOMM VuforiaSURF实施方式或MoodStock搜索引擎实施方式来完成这种特征图像的分析,其提供基本上能够给出阶段2.1的产品的粗略识别的方案。
在另一实施例中,服务器可以使真实产品的每一个图像与表示该图像的ROI中的一个的子图像相关,如图7所示。图7说明了与给定产品系列相关的文件夹的示例性配置。子图像可以用于加速比较过程,从而服务器可以将接收的图像中的像素与表示每一个存储的真实产品的混沌签名的每一个子图像进行比较,直至出现匹配,或者直至整个文件夹被搜索到没有任何匹配。
因此,当从用户/应用程序接收图像时,开始识别过程。服务器可以首先确定产品线,并且当确定了产品线时,服务器可以开始在与该产品线相关的文件夹中进行搜索,以便查找是否存在先前拍摄的真实产品,其具有与接收的图片相同的混沌签名。因此,如果接收的图像不具有允许搜索混沌签名的充分质量,服务器可以将通知向回发送至便携式装置以请求另一图片。该通知可以伴有某些消息,以在便携式装置上向用户显示,举例而言如:不充分的照明,或太多的照明,或改变位置等。
在一实施例中,为了加速识别过程并使其可接受以减少正在等待响应的客户(用户)的等待时间,识别过程仅将一个至多个(<100)合理候选者传送至最终处理阶段,以与接收的图像进行最终比较。换句话说,如果在数据库中具有100,000个登记的产品,即因此具有至少100,000个图像(每一个图像表示一个真实产品),识别过程可以选择较小子集的图像,例如,整组图像的1/1000至1/10000,以将其与接收的图像进行比较。该子集的选择是基于特征集。具体地,服务器可以选择具有最接近于接收的图像的特征集的图像,然后使用更全面的认证过程以及随后的更密集的CPU将这些图像的每一个与接收的图像进行比较。在一示例中,服务器可以仅最多选择100个图像用于该最终比较步骤。因此,服务器做出的最终决定可以在大约10秒内呈现,不计算用户与服务器之间的通信延迟。
该阶段的目的是在合理的怀疑之外证明:一个识别集或没有识别集提供与接收的图像充分的相似性,以便可以断言对象是真实的结果可能性。这种2步动作的原因是由于长处理时间,其可能需要对根据产品的类型可能达到数百万的数据库中的所有重新编码的产品进行认证过程。混沌区域的分析可以是完全取决于图案,使用诸如GIST、SURF或BOF(特征的包)的算法查找任何地方的图案,以产生作用在预处理图像上的描述符。预处理可以在便携式装置中完成,但是GIST分析优选地在服务器中完成。
然后,服务器侧分析器进入作用在非常有限的子集上的认证过程,但是使用精细图案分析模式。识别过程使用传送真实CTM(坐标变换矩阵)的算法,其允许变换也非常频繁地显示旋转或甚至倾斜的透视变形图像。在一实施例中,认证过程可以使用从指纹认证处理得到的算法方法,该指纹认证处理采用出自定向梯度处理的涂抹和弯曲。指纹算法实现了合理的成功并且主要是非常低水平的错误。缺点是,其频繁地传送较高水平的不确定情形(既不是肯定也不是否定)。这可以向依序应该引导的用户报告拍摄另一照片。在另一实施例中,可以使用由在小波变换图像中匹配的推理图案构成的特定算法。这给出了一定灵活性,以补偿由识别阶段传送的CTM之外的取向。
然而,存在增强型实施例,从而通过在可用作可以用于确定搜索混沌突出点的位置的锚点的图像内制作一定数量的位置而有利地帮助识别过程。这在图3b的124以及图4b的131例示,其中从存在且在作为设计的一部分的每一个产品线的几乎所有制造的商品中常见且不具有或具有非常少的混沌部分的点确定锚点(或信标)。
锚点被认为是感兴趣的点,例如,出自具有公共地理位置的梯度图像的一系列峰值。可以用于在锚点确定期间估计的地理位置的共同性的公差的标准的示例可以是位置分散的卡方。这种位置的分散被保存为表征锚点的参数。锚点集用于更容易地表征对象,并且可选地识别一批次或一种制造方法。当锚点可用时(通过处理一类相同产品线的一批图像来确定),则可以更容易地进行混沌区域或感兴趣的分析。然后,将混沌区域(ROI)的混沌突出点的相对位置计入合理数量的所有周围锚点。保存的值是距离、相对于相对水平面的角度和锚点的分散的质量。该信息被存储在中央数据库中。在混沌点的半径内的锚点的数量确定统计最小值和最大值,从而允许在读取期间解码所述系列,并且基于对已经在登记期间存储的所有点查找的点的数量确定识别质量。
锚点本身有时也可能显示足够的混沌分散,以使锚点间的锚点的位置应该非常不太可能足以对商品进行唯一辨别。尽管这在某些商品上是真的。确实出现:这种直接方法在可以用于搜索这些由距离差异构成的签名的算法上设置限制。然而,使用锚点以及额外地使用应该在锚点的某个方位的图案增加了为这些模糊搜索提供的灵活性。当参与整个分析链时,太多参数不受控制。例如,存储商品处的大气中的水分以及商品存储或堆放的方式可能使其在终端用户可接受的公差范围内略微变形,而其最终改变一系列特征集的几何形状。因此,这种2级方法允许使用ROI的较小区域来完成混沌特征的图案检测,其更好地处理变形的最终产品,并且同时,锚点的存在允许ROI中的这种较小的图案区域仍然足够容易定位并且然后与中央图像数据库的内容相关联。
本领域的困难在于,在具有旋转、缩放甚至自然透视变形的通过捕获系统传送的低精度位置与安全认证系统所需的高精度位置之间进行权衡的必要性。这些变形是图像拾取装置的粗糙性质的结果,该图像拾取装置通常是手持式装置,其在拾取时被消费者拿住而没有特别关注。需要并提供最小引导,如图12和图13所示,像1022的托架引导用户拍摄尽可能地与90度模量兼容的图片,同时减少剪切、倾斜并最大化图像尺寸。然而,在没有使用计算机视觉CV通过计算机建立校正因子或更有效地使用通过增强现实范式和工具提供的性能进行额外引导的情况下,这种拾取精度在很大程度上不足以减少样本以扫描到适当的最小值。将AR与认证方法相结合的优点是,允许通过AR系统的帮助来确定该高精度位置,并且通常要求用户以非常近的距离集中在某个非常特定的区域。这允许查找更安全的锚点,其允许对图像进行更简单的扫描,以查找在提交的样本中是否存在合理数量的来自原始图像的预期图案。
AR识别阶段的优点是,其可以在相同对象上以各种缩放重复,以逐渐将对象限定在越来越近的范围内,仍然保持对于逐渐聚合的为真的先前可能性,直至其达到足够水平,或所有ROI都被扫描并且不能实现为真的一致可能性。为了例示这一点,图12显示了在由AR系统识别的长范围内如图14所示的对象(艺术作品)。如1021的白点表示通过识别系统查找的锚点。其允许估计适当精确的CTM(当前变换矩阵),并从AR数据库中提取必须与在艺术作品上显示的该候选者相关的有用物,这提示用户靠近用于认证的感兴趣区域(ROI),如图17显示的区域1031。图15显示了相同对象,但是具有近距离的拾取。其还通过AR指示符和确定为通过亮白点显示的锚点来识别。很快地出现,艺术家的签名是具有中等熵的结构,意味着足够规律以允许可以查找并有效地使用如ORBS的特征点(描述符)的好机会(如1021的亮白点),以及充分给予这些特征点相当高的精度,以使图案匹配可以以CPU的合理负载而开始,因为所需的尝试次数幸好受到高精度定位的限制,这降低了试图各种移动和缩放甚至旋转的需求。
如图14至图15所示,这种引导用户的能力是非常感兴趣的。该装置启动,AR系统执行第一识别,其允许知道至少该艺术作品是系统已知的,然后其以装置想要用户关注的一定数量的区域的形式建议预先定义的感兴趣区域。然后,其显示圆心和箭头,以引导用户拍摄在屏幕显示器上显示的区域的近距离图片。当建立识别时,这本身是在数据库中存在相似产品的第一个好符号(特征集的初始可能性是基于例如具有相似描述符的商品的数量,不同商品的集)。随后,下一个动作的目的是限定特定图案和/或图案的交叉,举例而言如具有纸的纹理的签名的线,至少使用现有公知技术不能复制这种自然的混沌的联合。
当用户拍摄区域1021的近距离图片时,然后该过程开始图像变换和图案分析。图16显示了通过在一方向定位的梯度完成第一级图像变换,这使纸的结构出现。AR系统将允许使用其本身的跟踪机制帮助用户集中在该区域,并且这里的有用物是箭头和圆心(参考图13)。然后,以实时视频反馈或通过相机的动作,将在更关键的区域ROI上拍摄更高分辨率的图片,在该特定示例中,ROI被显示为区域1041。
图18至图23描述了另一示例,其解释了整个过程。图18显示了在被识别之前智能手机侧的视图,然后图19显示了当包装已经被识别时的响应。因为已知在一侧上具有更好的ROI(这将是图22),用户被驱使拍摄包装的另一视图,如图26所示。一旦识别,AR再次开始并建议拍摄图21中的ROI的近距离视图。如图22所示,这允许拍摄高分辨率图像。图23描述了处理一次后的图像,并显示锚点(矩形)和图案搜索区域(椭圆)。锚点已经被确定为从图像到调整期间的图像的恒定图案,并且最大化不太可能混沌的垂直和水平形状的使用,因此,其可以期望出现在相同产品线的几乎每一个图像中。这也在图11b中例示出,其中打印的条形码本身自然地提供锚点。以及在图4c上具有标牌和针迹。
因此,其关注点集中在条形码,而不是代码本身,而且用于其提供的对准,其可以用作测量图案的参考。在图22中,也可以看到,制造商必须粘贴生产信息,其允许大大地降低图案的数量以便检查。可以看出,图案被期望在某些特定的地方,因此,对扫描每一个图案的每一个地方不是感兴趣的,而是使用图案匹配和位移分析。
例如,在制药工业中,批号通常在1000至100,000的范围内,而制造的产品可以包括数百万个单元。换句话说,1000-100,000个单元可以具有相同的批号。因此,可以将搜索范围从百万缩小至100,000组的图案,其可以合理地搜索甚至使用粗略的计数过程(图案大小通常是16x16,CPU可以比较百万次/秒,从而100000组上的10秒允许在10个位置进行10个图案/组检查,这似乎是足够的,因为通常总是具有至少6个图案,其在使用像皮革、纸、木材、衣服、压花塑料的底层制成的产品与通常全部的高混沌底层之间不同。可以注意到,图案的树组织允许急剧地加速甚至这种列举过程。
另一种情形是查找序列号(如果有的话),并搜索该产品的ROI中的混沌签名。然而,并不是所有的产品都具有序列号,这就需要上面讨论的方法来缩小搜索范围。其它情形的唯一产品包括:艺术作品,例如默认是唯一的原画。
图24至图29描述了处理药品的吸塑的另一示例。图24和图26表示两种不同的吸塑,在请求近距离ROI(3010)和(3020)的两张图片上成功地进行识别。图19和图27显示的全尺寸梯度是为了一般理解,但该装置可以仅集中在ROI上。使用图像识别(支持向量机(SVM),其是OCR的典型的第一阶段)来解码感兴趣的吸塑(3011)和(3021)的一侧的信息,以确定是否一些文字数字信息将允许降低图案数量以利于交叉分析。图28和图29的ROI显示了锚点(矩形)和图案区域(椭圆)。必须注意的是,3050和3060是强调两个吸塑之间存在的差异。这里存在极大的差异,但是其是在处理期间出现的自然制造混沌的例示,其中混沌自然地是罕见的,并且创建唯一地识别产品或给出产品是真实的强烈指示的认证区域。
对于具有序列号的某些产品,这种对匹配的数值分析可以期望是简单的且是1/1关系。分析自然地或有意地添加到钞票上的混沌图案允许以1/1模式对真实钞票进行绝对识别。
锚点的概念允许减少计算问题,以避免使用诸如三角测量方法的地形测量方法来分析,其接近于天文学定位分析,其中,该装置首先使用检测器来识别第一对象及其加权中心,然后基于通过由已知存在的两个其它对象的三角测量获得的位置确定的度量建立第一对象的演变,并且其形成通过具有第一对象的角度限定的三角形。然而,在实施例和基于角度的三角测量方法之间具有许多差异。例如,如果未检测到其它两个对象,三角测量方法确定第一对象也不存在或不符合条件。
然而,在本实施例中,可能存在非常多的相关对象,并且非常多的假的不相关的/假的对象也可能存在于相关位置(ROI)。因此,存在组合大量签名集并将其与参考数据库进行比较的必要性。因此,使用统计分析来测量锚点与ROI之间的距离,然后其可能产生与不同组的ROI相关的多个可能性,每一组与不同产品相关。然后可以将多个可能性结合为最终可能性。
例如,产品可以在某些特定的ROI处具有100个不同的图案,另一产品可以在不同的ROI处具有另一组图案。在认证阶段期间,图案匹配的第一结果可以传送来自第一组的图案,并且可以很好地确定来自第二组的图案。因此,应该使用统计分析来解决图案的错位,以将最相关组的图案认证为在给定的ROI中具有最高数量图案的那个,并且在每一个ROI中在图案与候选图像之间的最佳匹配被发现是在锚点与图案之间的适当距离处。
已经做出其它尝试以使用图案匹配执行认证。这些方法中的一个使用图案的横截面的分析(好像图案是像模糊的条形码),该分析使用基于代码的弱重合的分类,其使用代码的适当紧密匹配的数量加强。其它方法使用基于具有适当图像匹配而同时处于相同条件下的相对其它图案匹配的最接近的附近区域的图案的数量的分类方法。然而,本实施例不考虑最接近的附近区域中的图案之间的关系的量,而是通过距离至少一个参考点即锚点的距离的分析来使用分类。
存在其它方法,其是基于颜色/强度的方法,该方法观察底层以识别文档上不同区域中的颜色及其强度。这些方法本身不使用图案识别方法,而是使用合并的图案强度,其中分析场所必须是精确的,以避免附近印刷的影响。这里的副作用是降低位置的精度的要求。通常,这些方法主要用于非常常规的产品如钞票,但是不适用于具有各种各样的形态的产品如绘画或者在生产期间具有变体的产品如药品吸塑。存在一些额外的方法,这些方法被标记为基于图案,但其实际上将图案看作是必须存在的形状,而不是像素集。在认证期间查找这些形状,而不执行需要高质量图像拾取的重建。这些方法的主要问题是,如果拍摄的图像是质量不好的或不规范的,其降低成功认证的可能性。还存在一种额外的方法,其是基于图案分析且需要高放大倍数,其固有地允许捕获更多的底层的混沌特性,这大大地简化问题,因为各种图案足够高以查找1/1关系(一个图案具有非常小的机会到没有机会属于另一产品)。图案区域的识别变得至关重要,并且主要应用于可以使用允许对位置进行物理分析的方法来检查产品本身的情形。这种方法优化了假阳性的情形,因为过程的严重性太高。换句话说,产品被识别为真实的而实际上不是真实的的情形的数量是极度减少的,但是坏处在于真实产品本身未被识别的情形的数量上是增加的,实际上从通常支付服务的制造商的角度来看是非常糟糕的。
在非限制性实施例中,原理可以累积到锚点的距离,从预期距离中减去,从而基于距离增量的和建立分数。当距离超出合理数值时,其完全被丢弃。在该分析中复合了平方差的和(SSD)或如图案与目标之间的差异的匹配的范数(norma)。作为在主要实施例中使用的数值的示例。如果SSD是用于分析会话的最大匹配的30%,则在丢弃之前的距离公差为20%,如果图案匹配SSD高于66%,则距离公差在5%的范围内较低。反直觉原理是,与如SSD的粗略方法强匹配是相当奇怪的,并且不应该被打破(bonified)。虽然本实施例使用SSD方法,必须注意地是,本实施例不限于该方法,其它图案匹配方法可用于例如像OpenCV的CV库中,并且可以与这种方法一起使用。分析会话的最大值被利用SSD的分散的分析而确定,高分数的规则性是匹配集分析的质量的强指标。然而,甚至可能包括一些非常强的匹配的分散是匹配认证的负指标。可以使用具有使用各种底层完成训练集的神经网络复合该信息。必须注意的是,对于捕获参考图像的图像的初步或其期间,通常存在通知系统关于对象中底层的特性的可能性,其允许用户将其匹配至预先定义的类别(木材、皮革、纸板、纸、塑料、皮肤、机织织物、聚合颗粒等),以便可以基于这种允许较大区别的特征来选择在用于所有分数的最终聚合的分类使用的训练集,其允许增加对象的形状的变化相对于参考图像的公差。当分析由皮革或布制成的对象时,这通常是一个更加关键的问题,同时也是一个不太关键的问题,因为这种对象底层自然显示更随机的自然混沌。因此,用于限制的限制条件的减少保持认证的操作质量高于所需要求。
来自数据库的图案搜索和图案识别难以置于通用树状方法中,该方法允许通过非常多的图案集进行扫描。这是由于创建集的图案的结合的数量和不同集的图案之间的相似性。在一些情况下,对象的识别允许仅集中在一个参考图像上,像图14中的示例,用于唯一的艺术作品,或者这里例示有限数量的光刻,并且被编号(如区域1011所示,其详述打印的样本),这些情形是接近完美的情形,因为用于检查的图案集事实上在尺寸上是有限的。但是,在一些其它情况下,像图18上的药盒或图24上的吸塑,参考图像的数量可能是巨大的(批次的大小),因此,即使装置缩小参考的数量以通过各种机制扫描,像吸塑上的批号(2010)或(3010),仍然具有扫描许多参考图像的需求。
虽然LSH树允许一些用于模糊搜索的图案结构,在主要实施例中使用反向原理的另一方法更加有效,其中对于每一个图案,相关数据是可以包含它的产品的清单。当参考图像的数量非常高时,上述用于查找最佳图案(试图在10个位置上匹配的10个图案/集)的分类方法可以是基数尺寸的以具有样本的几何进展,并且需要几分钟的CPU处理时间。然后,图案搜索可以有利于产生和“后验”原理,因为使用16×16的方格,这实现了足够的情形,其中可以使用16×16方格的几乎每一个组合,或者在不同位置的相同参考图像内,或者在所有参考图像上。然后,有兴趣使用基于存储器的索引机制,因为该16*16方格可以被编码为16+16位,这将导致32位以索引图案的每一个组合。这允许为232≈40亿个图案的每一个创建参考图像索引及其ROI位置的清单,其允许通过快速降低不存在的图案来加速搜索,然后过滤参考的位置和索引的共同性。锚点的位置是最终确定的关键组成要素。本实施例可以使用1K个方格图案来适当地操作以分析(64×16)个图案,当消除不感兴趣的区域时,在2K*1K像素的图像上每一个图案是16*16像素。图案到锚点的距离本身是分类的充分因素,因为从预期距离减去查找距离的聚合实现了包括1000个距离的最终分数,如果在4位上编码,实现用于索引的4K位精度。主要实施例的实施不允许高精度,因为其已经从128位足以限定对象的唯一性的产业规则估计。因此,本实施例仅考虑在距离锚点最大4个像素的距离处出现在ROI中的图案。
然而,对于我们具有数百万个产品进行搜索的情形,在CPU带宽/使用方面,甚至优化的图案匹配如上述方法可能是昂贵的,以考虑到适当的响应时间。并且,精确地先验知道(像素精度)在哪里搜索一组图案匹配将明显加速图案匹配。在这种情况下,主要实施例使用特定方法加速器来降低响应时间。
该加速器的原理依赖于H264压缩编码的子部分,通过从在H264压缩算法中使用的运动估计器得到图案匹配(http://web.stanford.edu/class/ee398a/handouts/ lectures/EE398a MotionEstimation 2012.pdf)。这允许使用硬件辅助系统并提供编码器的深度修改版本,仅保留分析器,并且提供的来自该装置的图像是“移动的”图像,参考图像作为“先前”帧。这允许聚合向量和向量的方向以确定匹配的准确性。
该方法明显加速搜索,还通过降低瓦片的数量来改善,以检查聚集在登记时确定的子集。该集是基于频率的直方图,并且显示最佳同类直方图(在搜索“平线”之后建模)的瓦片是最感兴趣的。
作用在由16×16的1K方格组成的子集上的4Kx4K编码器允许计算(4000/1000)*(4000/16)*30比较/秒,其在30000图案位移矢量/秒的范围内,搜索结构也可以通过使用上述方法预审某个形态的图案的树结构搜索来改善,这给出了因子100至朝向强力扫描的效率,以使机器可以在超过3秒的位中比较1000万个参考图像的平均值。因为更有兴趣尝试样本图像的位置的略微变化(4种不同的移位和2种缩放),这将生产量降低至变化1.1百万/秒的平均值,当AR试验允许降低搜索产品的领域时,其是对扫描的参考次数的优良高标记限制(普通药品的药物批量大小是在吸塑的100,000个样本范围内)。
如果图案匹配方法不能在锚点的适当位置实现足够高的分数,或者通常如果使用另一方法请求确认,随后的决定可能由于照明条件而成为需求,然后,使用来自先前的尽可能多的信息,特别是关于采样图像的定位,来开始另一确认方法。
该方法使用以下事实:出自使用频率的图像变换的最混沌形态给出了格状图案的方式。否则被描述为迷宫。搜索将使用一些网格节点,并且在一些特定的进入点处进入参考图像的网格。这又允许聚合由在两个网格之间匹配的路径长度的总和组成的分数。
该方法的兴趣在于简化对最佳插入点的搜索。如果用于搜索的插入点选择不当,然后通过路径的相似性涵盖的长度的数量迅速变小,然而,在有限距离内的每一个交叉处,可以使用已经计算的路径重新开始搜索,但是将其作为相同参考节点的一部分,但是插入采样图像中的不同位置。这允许快速允许重新调整分析。
在每一个主要交叉点处,可以完成计算开始另一线程,该线程将重新估计该点作为更好进入点的相关性。
插入点可以是例如放置方格16×16的网格,然后在每一个方格分类位置内,如果路径与网格交叉,路径通向地方越多,该交叉越有兴趣,并且应该被视为用于搜索的进入点。
搜索的半径通常等于1方格,即涵盖32×32像素。
首先通过进行所需的图像处理来组织计算,以提取梯度的边缘,然后应用内核卷积转换为基本的单一像素以消除路径。当完成基本卷积时,可以基于切向方法开始加入“中断”网格路径的过程,(如果相同的3个像素切线存在于另一侧,并且桥接不需要覆盖一对以上的像素,最后3个对准的像素允许桥接另一网格子路径。这补偿了主要由于不好的照明条件导致的样本图像中连续性的消失。顺便说一下,这允许对图像质量进行一定分析,因为所需桥接的数量给出了对在参考图像上完成的图像拾取的质量差异的指示。
然后,太近的路径(相隔1个像素)被再次结合并消除。
这种复杂的处理被以下兴趣证明是合理的:必须提供大量多线程架构,例如通过像CUDA中的NVidia GPU架构的GPU可用于CPU辅助的那个。因此,这些大量的处理器可以全部并行地工作,进行如上所述的路径分析以及重新考虑节点编号。
图像处理部也可以在GPU中完成。这种方法允许强力确认真实性,同时保持与不良拾取图像兼容的图像的形态的灵活性。
通过参考图像之间的节点的组织来改善性能,其允许当存在许多参考时使用与上面描述的用于方格16×16的相似性非常相似的方法来创建参考图像上节点的相似位置的树。
图30-1至图30-4描述了一示例。图30-1至图30-4说明了通过逐渐检测图像中定义包括多个路径的网的网格来确定产品的真实性的方法的示例。网格可以从参考图像中获得,图30-2表示从候选图像中获得的网格。如图4-2清楚地显示,当与图30-1相比较时,在连接节点1和3的线中存在不连续性。同样,如图30-1和图30-2所示,在定义网格的三条不同的线之间存在三个节点,其被编号为1-3。本实施例可以选择节点作为进入点,以循环网格,从而确定图30-2相对于图30-1的真实性。假设系统选择节点3作为进入点,并且由于两个节点周围的像素的一些相似性而将节点3误认为是节点2。在当前情况下,系统可以通过选择在节点3开始并期望在节点1结束的路径来处理网格,如图30-3所示。然而,在该线上行进预期距离之后,系统可以检测到其没有找到节点1。在这种情况下,系统可以尝试如图30-4所示的不同方向,直至其找到节点2并重新应用相同策略来查找节点1,当完成时,其可以使系统重新评估其初始行进路径,最大的优点是能够使用已经通过重新确定终点并重新使用路径的昂贵计算而已经预先完成的所有计算。
应用程序处的处理
如上所述,因为所有真实产品的混沌签名的位置不总是相同,服务器可能必须在接收的图像内搜索不同区域,以检测先前记录的/拍摄的混沌签名是否存在。
在一实施例中,服务器可以应用渐进式定位以在接收的图像中查找感兴趣区域。这也允许精确地知道具体的感兴趣位置,其中频率分散是最佳的(例如,使用用于检测真实产品的图像中的混沌签名的相同标准)。使用这种引导允许从传送可能性数量的粗略分析进入定位显示唯一身份的最终非常精确的区域。在传送的图像内通过查看建立相当普通的区域的图案匹配的图像的子集直至从范数(如差的平方之和)的意义上说显示充分相似性的子集,或者应用在其图像或变换上,可以完成该过程,或者可以通过要求装置152将拾取器调整至特定区域来完成。
通常,用于辅助图案分析器的建议区域使用上述计算的ROI的掩膜的值。这种掩膜的形态显示具有噪声背景的峰值和谷值的不规则形状。峰值直接用作对于要考虑的ROI的建议。这种人类引导方法在服务器内被非常相似地应用以考虑连续的ROI。然而,因为其在服务器中自动地执行从一个ROI进入另一ROI,这出现在毫秒周期以聚合ROI分析的结果,同时使用手动操作要求用户手动地拍摄ROI的更好的照片,但此时其将出现在用户提供图像的速率。然而,在这种情况下,速度不是问题,因为用户自然地理解该过程需要更多的认证区域,相反,服务器不期望在其本身的分析内考虑多个ROI。集中在ROI上的用户引导或ROI上的服务器自动引导方法的选择是基于拍摄的用于分析的图片的质量。在一定质量水平下,系统必须通过要求用户近距离观看但是在对象的各个区域来进行补偿。这也可能需要补偿由于不好的照明条件导致的质量差的图片。
在另一实施例中,服务器也可以在真实产品的图片的给定文件夹中产生与ROI相关的统计信息。这种统计信息可以涉及用于给定产品系列的ROI的尺寸和位置。
因此,并且如上所述,如果服务器不能在从用户接收的图像中检测到潜在ROI,服务器可以将信息发送至安装在电话上的应用程序,以引导用户拍摄可能存在ROI的潜在位置的近距离图片。服务器可以发送至应用程序的信息的类型的示例包括:与产品的图像相关的ROI的尺寸/维数、图像内的ROI的位置、ROI的形状、ROI的边界等。
除上述功能如拍摄图片并将其发送至服务器等之外,该应用程序可以适于确定该图像是否满足清晰度和分辨率的基本要求,例如避免图片模糊或黑暗等明显情形。
此外,应用程序可以配备有智能,其允许应用程序使用从服务器接收的信息来识别/检测所拍摄的产品上的识别位置(潜在ROI位置)。在非限制性实施例中,通过服务器发送以识别ROI的潜在位置的信息可以包括以下各项中的一个或多个:ROI的尺寸、ROI与ROI所在的产品的表面之间的表面比率,以及识别产品内的ROI的位置的位置信息。该应用程序可以被配置以执行基本图像处理,以将该产品与其背景分离,从而使用接收的信息来定位识别的ROI,然后引导用户拍摄其近距离图片。
在一实施例中,除视觉指示符154之外,该应用程序可以适于产生一个或多个音频声音,包括语音,其有助于引导用户在正确的取向和/或方向直至ROI的适当图片在屏幕上可用。
在一实施例中,该应用程序可以被配置以在屏幕上显示一个或多个视觉指示符,以引导用户拍摄可以包括潜在ROI的识别位置的近距离图片。图8a-8e提供了引导过程的非限制性实施例。如图8a所示,用户使用智能手机152拍摄产品151的图片150。然后,可以将图片150发送至服务器进行处理。如果服务器没有找到与预先记录的混沌签名的任何匹配,服务器可以基于与用于ROI的另外位置的产品线相关的统计信息来选择,并将信息发送至应用程序。应用程序可以使用该信息来检测拍摄的产品上的ROI的位置。
例如,如图8b所示,应用程序可以突出显示需要被近距离拍摄的区域154。然后,用户可以使装置152靠近以拍摄识别区域的近距离图片,如图8c所示。当应用程序检测到等于或大于给定阈值的分辨率水平时,然后该应用程序可以允许用户拍摄第二图片(例如,通过激活图片拍摄按钮),并将其发送至服务器。如图8c所示,当装置152接近ROI时,视觉指示符的表面区域可能放大。装置152可以将近距离图片155发送至服务器。如果不存在匹配,服务器可以在不同位置156请求另一图片,如图8d和8e所示。该过程可以继续直至做出最终确定。
最终确定可以是数种情形中的一个,包括:
-真实的:这是在数据库中找到与接收的图像匹配的图像的情形。
-未知的:不是真实的,但不能确定是假冒的。意思是在数据库中没有与接收的图像匹配的图像;
-不可检测的:接收的图像不满足图像内容的最小标准,通常是预期的频率分布。换句话说,接收的图像不能用于做出正确的确定;
-不是真实的:具有一定数量的情形,其中商品可以被复制包括足够的混沌形态的相同序列号,或者商品从其它来源被认为是非登记的。其可以来自外部源,并且可以(但不限于)同时在两个不同的地方检测,或者是在不是授权经销商的地方首次出售,或者如果商品的毁坏不是适当的方法则明确地登记为假冒的,或者登记但尚未提供。
如果图像被限定为“未知的”,另一实施例可以提交该图片,其通过网络到达处理中心,其中人类专家可以作为审阅人,并且以绝对方式或使用有助于比较怀疑是但是不能确定是分析的商品的一组图像做出对不确定性的人类解释。
然后,服务器可以将最终确定发送回至便携式装置以在应用程序中显示。
在另一实施例中,可以嵌入限制于特定数量的签名图像的摘要的局部版本,如GIST数据集和图案集,以在用于认证的应用程序内进行一些专门检查,如下所述。在后一种情况下,便携式装置可以被配置以局部地执行整个分析,而不将图像发送至远程服务器进行处理。在非限制性实施例中,应用程序可以访问登记产品的子集的特征集。该子集可以具体化为特定制造商或产品线。该子集还可以依赖于地理限制,在这种意义上,给定国家的用户将不需要访问被运输或计划在不同国家或不同大陆等出售或分配的登记产品。
当要认证的对象在有限范围内时,后一实施例是特别感兴趣的。这包括提供的商品具有关于原产地、仓库或边界的奢侈品的存货清单、两个地方之间的过境产品(例如飞机引擎部件的维修)等的预存的地点的竞卖。在这些情况下,真实候选者的产品的数量是有限的(100到10000),然后,手持式装置可以提前下载认证所需的所有特征集和认证图案,以便可以使用用于全部处理的手持式CPU进行完全离线体验。应用于认证的方法很多不允许使用巨大数量的存储器或强大的GPU,但在另一方面,检查的图案的数量是非常有限的(1百万方格平均16x16),以便可以在合理数量的时间内实现优良结果。当出现检查会话时,最后去除的参考被检查以加快后续使用。
在一实施例中,特征集可以提供在应用程序可以访问以用于验证目的的库中。当新产品被登记和/或有理由成为库的一部分时,库中的特征集可以定期更新。例如,如果产品被制造和登记但尚未发布。
在一实施例中,该应用程序可以具体到某个制造商或产品线,或者甚至是某个产品标记。在其它情况下,该应用程序可以用于确定不同的和不相关的产品的真实性,例如,奢侈品包和接种注射器。
QR码和混沌密封
在一实施例中,除混沌密封之外,可以使用QR数据矩阵。例如,可以提供QR数据矩阵,其定义空的空间/孔以放置在混沌密封上,以使混沌密封被QR数据矩阵包围。可以以片状木材或具有唯一形状/签名的另一对象的形式提供混沌密封。QR数据矩阵可以提供在要放置在混沌签名上的标牌上。图9提供了一示例。
图9a说明了在瓶子的软木塞上围绕混沌签名的QR数据矩阵的示例。如图9a所示,定义孔162的QR数据矩阵160被提供在瓶子164上。孔162允许视觉访问通过在瓶子中提供的软木塞的形状和线定义的混沌签名。这种实施例不仅允许识别瓶子164的真实性,而且检测瓶子是否被先前打开,因为定义混沌签名的特征的任何错位将导致否定匹配。相同的原理适用于其它商品,如在载药注射器中运送的那些。
QR数据实施例有利于在服务器中的搜索过程,因为像素的大小和ROI的位置是已知的。此外,QR数据允许将元信息与产品联系起来。例如,标签是否可以非常方便地包括或显示序列号。该序列号将通过OCR,并且通过要求基于图像的认证而不是基于图像的识别来大大地减轻识别过程。
QR码也可以包含旨在减轻相机拾取的附加焦点信息,特别是,对象164的焦平面可以在与QR码非常不同的深度。通常,相机将首先自动对焦在图片的最简单部分,通常是高对比度。然后,可以读取QR码并确定必要的去焦,其将允许相机实施小部分视野即孔162的最大质量。从而最大化签名混沌相机拾取的质量。
QR数据的存在也显著地简化了在验证阶段对图片的水平度的分析,以使图案认证可以使用更具推测性质的算法。
通常,产品被提供在包装中,因此,在购买产品之前,很难打开包装以测试产品的真实性。在一实施例中,QR数据矩阵160可以被提供在包装上,并且视觉访问可以通过孔162提供至定义混沌签名的产品的区域,如图9b所示。图9b说明了根据一实施例的包括QR数据矩阵的包装的示例。如图9b所示,QR数据矩阵162提供对包装166中包括的产品的视觉访问,从而提供在购买产品之前不需要打开包装就可以访问产品的混沌签名。
如图11a所示,可以在选择的区域中查找签名图案的结构,例如条形码。在这种情况下,纸的结构包含标签与标签的充分差异,以使其可以用作签名因素。这种结构的丰富性可以从图11b理解,其是中和亮度并且通过在少量的像素上的梯度过程增强高频的图像处理。通过观察交叉线的霍夫变换,锚点可以从条形码的边缘取出,而混沌特征是从高频中取出的,其也显示特性的分散(换句话说,就在频率直方图中找到的最高射线下面取一个频率范围)。
图21例示了使用条形码来帮助引导水平校正,其中首先使用AR引导用户以查找用于认证的一个感兴趣的地方,这里是条形码区域。该示例还显示了,如果系统不能使用条形码认证药品包装,在向用户报告低可能性的真实来源之前,该装置可以朝向出现批次代码的另一感兴趣区域如2021引导用户。这可以大大地有助于减少与之比较的参考图像的数量。
在条形码区域的情况下,条形码是附加信息源,因为其可以识别产品,明显减少对数据库中识别的搜索,同时条形码的方向和形态允许校正图像,因此重新调整变形图像上频率的分布,如在瓶子上显示的木桶效应。这有助于重新调整图像拾取透视图和场景拍摄图像拾取。在图11b中可以注意到,在1126,作为玻璃成型不规则的一部分的混沌是高度感兴趣的,因为其可以是混沌特征集的一部分,因此证明不仅标签是真实的,而且属于正确的内容。图11b中的图片是使用具有标准相机且无任何附加功能的智能手机三星Galaxy SIV拍摄的。
授权经销商调整
在一实施例中,可以授权许可和可信的经销商,在显示其以供出售之前测试产品的权力和添加产品的图片的权力,服务器应该返回不一致的负响应或正响应。
然后,可以在制造商的监视下局部地安排重新登记,否则商品可以返回至工厂进行验证和/或登记。
图10为根据一实施例的在应用程序与服务器之间的工作流的一般流程图。
在应用程序(便携式计算装置)上执行步骤170-174。步骤170包括拍摄需要验证的产品的图片。在步骤172,应用程序估计在170拍摄的图片的最小要求。如果可以,在步骤174将该图片传送至服务器,否则拍摄新图片(具有或不具有引导)。
在服务器侧执行步骤176及以上。在步骤176,服务器确定在接收的图片中显示的产品的类别(产品线)。然后,可以处理所接收的图片以提取一组特征。在一实施例中,当处理真实产品的图像以提取/查找混沌签名时,可以使用在产品登记步骤中使用的相同规则和算法来提取该组特征。在步骤180,在数据库中搜索所提取的特征集以查找匹配。在步骤182,通过其特征集(图像描述符,如GIST,这是阶段2.1)来识别搜索不同特征的结果。然后,在步骤184,用户拾取,或者服务器本身聚集在用于认证的ROI上。
如果,在步骤186,组合可能性超出某一阈值,在步骤190传送结果。否则,服务器可以在步骤188请求新图片,并建议潜在ROI的不同位置,并将其发送回至应用程序以在特定位置拍摄新图片。必要时,在步骤188重复该经历,步骤184的结果被保留用于聚合,直至扫描用于该识别产品的该组已知的ROI位置的所有位置,或者如果聚合可能性达到所需的精度阈值则更早。
图31为根据一实施例的用于确定产品的真实性的方法的流程图。在步骤250,通过使用图像捕获装置捕获真实产品的图像开始该方法。步骤252包括:处理捕获的图像,包括针对每一个真实产品检测在与该真实产品相关的一个或多个图像中的唯一混沌签名。步骤254包括:从远程计算装置接收针对给定产品的真实性请求,该真实性请求包括给定产品的图像。步骤256包括:在接收的给定产品的图像内,针对与真实产品中的一个相关的预先检测的混沌签名执行搜索。步骤258包括:基于搜索结果确定给定产品的真实性。
图32为根据另一实施例的用于确定产品的真实性的方法的流程图。该方法包括:在步骤260接收捕获的真实产品的图像。步骤262包括:处理捕获的图像,包括针对每一个真实产品检测在与该真实产品相关的一个或多个图像中的唯一混沌签名。步骤264包括:从远程计算装置接收针对给定产品的真实性请求,该真实性请求包括给定产品的图像。步骤266包括:针对与在接收的给定产品的图像内搜索的真实产品中的一个相关的预先检测的混沌签名执行搜索。步骤268包括:基于搜索结果确定给定产品的真实性。
虽然上面已经描述了优选实施例并且在附图中进行了说明,显而易见的是,在不脱离本发明的情况下,熟悉本领域的技术人员可以做出修改。这些修改被认为是包括在本发明的范围内的可能变换。
例如,上述过程不限于混沌签名,并且可以应用于表征人类施加的签名,其可以具有非混沌性质但非常难以复制,其示例可以包括埋在另一金属对象内的金属结构,其中X射线可以显示图案。在这种情况下,制造过程可能会复杂化到其变为遏制产生假冒产品的水平。当混沌性质难以断言时,然后其可以被有目的地创建,甚至包含允许识别产品的方法,通过“Stealth Mark”提供可以结合的技术的示例,其传送颗粒的分散是混沌的产品,而产品的检测不包括认证而是识别。
Claims (26)
1.一种用于确定产品的真实性的计算机执行的方法,所述方法包括:
注册阶段,包括:
-在服务器处接收真实产品的图像,该图像是使用具有标准成像设备的便携式计算设备拍摄的;
-在所述服务器处处理所捕获的图像,包括:
检测每个真实产品的一个或多个图像中存在的锚点;所述锚点存在于给定产品类别中产品图像之间的共同地理位置处;
针对每一个真实产品,检测与该真实产品相关的一个或多个图像中的唯一不可复制的签名;所述服务器被配置为分析真实产品的图像,以搜索所述唯一不可复制的签名,所述唯一不可复制的签名相对于其他真实产品唯一地标识该真实产品,所述唯一不可复制的签名真实存在于该真实产品中而无需在该真实产品上添加或粘贴材料到该真实产品上,其中,在不同真实产品的不同区域检测与给定产品线的不同真实产品相关的所述唯一不可复制的签名;
对于真实产品,计算所述不可复制的签名与一个或多个锚点之间的相对位置;
-在数据库中存储与真实产品相关的所述不可复制的签名以及与每个不可复制的签名和所述锚点相关的所述相对位置;以及
认证阶段,包括:
-在所述服务器处接收来自远程计算装置的针对给定产品的真实性请求,所述真实性请求包括所述给定产品的图像,所述图像是使用具有标准成像设备的便携式计算设备拍摄的;
-在所述给定产品的图像内针对锚点和在所述锚点的所述相对位置内的不可复制的签名执行搜索;
-如果在所述给定产品的图像内找到与存储在所述数据库中的不可复制的签名之一相匹配的给定的不可复制的签名,则确定所述给定产品的真实性。
2.根据权利要求1所述的方法,还包括:加速针对预先检测的不可复制的签名的搜索,所述加速包括:
a.识别在所有真实产品中存在的图形元素的存在;
b.识别图形元素的形态,这种形态仅存在于包括一个或多个真实产品的给定子组中;
c.仅在所述给定子组的真实产品中执行所述搜索。
3.根据权利要求2所述的方法,其中,所述图形元素是以下各项中的一个:批号、批数、序列号、版本号、标识、商标、追踪号、到期日期、制造日期、制造地点。
4.根据权利要求2所述的方法,其中,所述图形元素的形态表示二进制值。
5.根据权利要求1所述的方法,其中,所述图像是视频帧,所述方法还包括:使用嵌入有硬件视频编码器的图案分析器构建的硬件加速器来加速搜索预先检测的不可复制的签名。
6.根据权利要求5所述的方法,还包括:聚合运动估计向量以创建最终分数,以基于运动估计器的向量的范数的总和来确定所述给定产品的真实性。
7.根据权利要求2所述的方法,其中,当发生图案匹配的停滞情况时,开始网格匹配过程,以在参考图像中查找已知存在于所述参考图像中的第一网格的指定节点。
8.根据权利要求7所述的方法,所述方法还包括:
-在所接收的图像中找到的第二网格中查找进入点;
-沿所述第二网格的给定路径行进给定距离;
-如果在所述给定距离内未找到节点,改变行进方向以探索所述第二网格的其它部分直至在所接收的图像中找到大量节点,其在位置和节点之间的路径长度上与所述参考图像的所述指定节点匹配。
9.根据权利要求1所述的方法,还包括:从所述远程计算装置请求所述给定产品的另一图像。
10.根据权利要求1所述的方法,还包括:
-在所接收的图像内识别至少一个感兴趣区域;
-从所述远程计算装置请求所述感兴趣区域的近距离图像;以及
-在所述近距离图像内搜索与所述真实产品中的一个相关的预先检测的不可复制的签名。
11.根据权利要求10所述的方法,其中,识别所述感兴趣区域包括:
-使用用于查找在所述真实产品的图像中的所述不可复制的签名的一组规则处理所接收的图像;以及
-估计所述不可复制的签名的潜在位置,该潜在位置表示所述感兴趣区域。
12.根据权利要求10所述的方法,其中,基于与给定产品线中的所述不可复制的签名的位置有关的统计信息来完成识别所述感兴趣区域。
13.根据权利要求10所述的方法,还包括:重复请求和搜索步骤直至出现以下情形中的一个:
-与结果相关的可能性高于预先定义的阈值;以及
-完成了预定数量的迭代。
14.根据权利要求1所述的方法,还包括:
-对一个或多个产品线中的真实产品的图像进行分类;
-检测与在所接收的图像中显示的所述给定产品相关的产品线;以及
-在所接收的图像内,搜索与仅与所检测的产品线相关的真实产品相关的预先检测的不可复制的签名。
15.根据权利要求1所述的方法,还包括:
-提供在所述真实产品上定义孔的QR码;以及
-通过所述QR码的孔提供对所述不可复制的签名的视觉访问,以使所述QR码围绕所述不可复制的签名。
16.根据权利要求1所述的方法,还包括:
-提供在包含所述真实产品的包装上定义孔的QR码,其中,所述包装包含对包含所述不可复制的签名的产品的区域的视觉访问;以及
-通过所述QR码的孔提供对所述不可复制的签名的视觉访问,以使所述QR码围绕所述不可复制的签名。
17.根据权利要求1所述的方法,其中,检测唯一不可复制的签名包括:检测作为制造过程、自然过程或两个过程的结果的唯一不可复制的签名。
18.根据权利要求1所述的方法,其中,所述真实产品的图像被捕获于在制造所述真实产品的工厂或许可经销商处。
19.一种存储装置,其上记录有用于确定产品的真实性的非暂时性计算机可读指令;这些指令由计算机执行时,使所述计算机执行以下操作:
执行注册阶段,包括:
-接收和处理真实产品的图像,该图像是使用具有标准成像设备的便携式计算设备拍摄的,包括:针对每个真实产品,检测每个真实产品的一个或多个图像中存在的锚点,所述锚点存在于给定产品类别中产品图像之间的共同地理位置处;以及检测与各个真实产品相关的一个或多个图像中的唯一不可复制的签名,其中,处理图像包括分析真实产品的图像,以搜索所述唯一不可复制的签名,所述唯一不可复制的签名相对于其他真实产品唯一地标识该真实产品,所述唯一不可复制的签名真实存在于该真实产品中而无需在该真实产品上添加或粘贴材料到该真实产品上,其中,在不同真实产品的不同区域检测与给定产品线的不同真实产品相关的所述唯一不可复制的签名;
-计算所述不可复制的签名与一个或多个锚点之间的相对位置;
-在数据库中存储所述真实产品的所述不可复制的签名以及与每个不可复制的签名和所述锚点相关的所述相对位置;以及
执行认证阶段,包括:
-接收来自远程计算装置针对给定产品的真实性请求,所述真实性请求包括所述给定产品的图像,该图像是使用具有标准成像设备的便携式计算设备拍摄的;
-在所接收的所述给定产品的图像内搜索锚点和在所述锚点的所述相对位置内的不可复制的签名;以及
-如果在所述给定产品的图像内找到与存储在所述数据库中的不可复制的签名之一相匹配的给定的不可复制的签名,则确定所述给定产品的真实性。
20.一种计算装置,能够访问其上记录有用于确定产品的真实性的计算机可读代码的存储器,当通过所述计算装置的处理器执行时,所述代码使所述计算装置:
执行注册阶段,包括:
-接收并处理真实产品的图像,该图像是使用具有标准成像设备的便携式计算设备拍摄的,包括:针对每个真实产品,检测每个真实产品的一个或多个图像中存在的锚点;所述锚点存在于给定产品类别中产品图像之间的共同地理位置处;以及检测与各个真实产品相关的一个或多个图像中的唯一不可复制的签名;其中,处理图像包括分析真实产品的图像,以搜索所述唯一不可复制的签名,所述唯一不可复制的签名相对于其他真实产品唯一地标识该真实产品,所述唯一不可复制的签名真实存在于该真实产品中而无需在该真实产品上添加或粘贴材料到该真实产品上,其中,在不同真实产品的不同区域检测与给定产品线的不同真实产品相关的所述唯一不可复制的签名;
-计算所述不可复制的签名与一个或多个锚点之间的相对位置;
-在数据库中存储与真实产品相关的所述不可复制的签名以及与每个不可复制的签名和所述锚点相关的所述相对位置;以及
执行认证阶段,包括:
-接收来自远程计算装置针对给定产品的真实性请求,所述真实性请求包括所述给定产品的图像,该图像是使用具有标准成像设备的便携式计算设备拍摄的;
-在所接收的所述给定产品的图像内搜索锚点和在所述锚点的所述相对位置内的不可复制的签名;以及
-如果在所述给定产品的图像内找到与存储在所述数据库中的不可复制的签名之一相匹配的给定的不可复制的签名,则确定所述给定产品的真实性。
21.根据权利要求20所述的计算装置,其中,所述计算装置适于从所述远程计算装置请求所述给定产品的另一图像。
22.根据权利要求20所述的计算装置,其中,所述计算装置适于:
-在所接收的图像内识别感兴趣区域;
-从所述远程计算装置请求所述感兴趣区域的近距离图像;
-在所述近距离图像内搜索与所述真实产品中的一个相关的预先检测的不可复制的签名。
23.根据权利要求22所述的计算装置,其中,所述计算装置适于使用用于查找所述真实产品的图像中的所述不可复制的签名的一组规则来处理所接收的图像;以及估计所述不可复制的签名的潜在位置,该潜在位置表示所述感兴趣区域。
24.根据权利要求22所述的计算装置,其中,基于与给定产品线中的所述不可复制的签名的位置相关的统计信息来识别所述感兴趣区域。
25.根据权利要求20所述的计算装置,其中,所述计算装置适于:
-对一个或多个产品线中的真实产品的图像进行分类;
-检测与在所接收的图像中显示的所述给定产品相关的产品线;以及
-在所接收的图像内,搜索与仅与所检测的产品线相关的真实产品相关的预先检测的不可复制的签名。
26.根据权利要求20所述的计算装置,其中,所述计算装置适于在QR码中搜索所述不可复制的签名,所述QR码定义对所述产品的不可复制的签名提供视觉访问的孔。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462082939P | 2014-11-21 | 2014-11-21 | |
US62/082,939 | 2014-11-21 | ||
PCT/CA2015/051216 WO2016077934A1 (en) | 2014-11-21 | 2015-11-23 | System and method for detecting the authenticity of products |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108291876A CN108291876A (zh) | 2018-07-17 |
CN108291876B true CN108291876B (zh) | 2022-03-15 |
Family
ID=56013001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580074242.8A Active CN108291876B (zh) | 2014-11-21 | 2015-11-23 | 用于检测产品的真实性的系统及方法 |
Country Status (5)
Country | Link |
---|---|
US (3) | US10956732B2 (zh) |
EP (1) | EP3221690B1 (zh) |
CN (1) | CN108291876B (zh) |
HK (1) | HK1258299A1 (zh) |
WO (1) | WO2016077934A1 (zh) |
Families Citing this family (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10999298B2 (en) | 2004-03-02 | 2021-05-04 | The 41St Parameter, Inc. | Method and system for identifying users and detecting fraud by use of the internet |
US8151327B2 (en) | 2006-03-31 | 2012-04-03 | The 41St Parameter, Inc. | Systems and methods for detection of session tampering and fraud prevention |
US9112850B1 (en) | 2009-03-25 | 2015-08-18 | The 41St Parameter, Inc. | Systems and methods of sharing information through a tag-based consortium |
US9633201B1 (en) | 2012-03-01 | 2017-04-25 | The 41St Parameter, Inc. | Methods and systems for fraud containment |
US9521551B2 (en) | 2012-03-22 | 2016-12-13 | The 41St Parameter, Inc. | Methods and systems for persistent cross-application mobile device identification |
WO2014078569A1 (en) | 2012-11-14 | 2014-05-22 | The 41St Parameter, Inc. | Systems and methods of global identification |
US10902327B1 (en) | 2013-08-30 | 2021-01-26 | The 41St Parameter, Inc. | System and method for device identification and uniqueness |
US10091312B1 (en) | 2014-10-14 | 2018-10-02 | The 41St Parameter, Inc. | Data structures for intelligently resolving deterministic and probabilistic device identifiers to device profiles and/or groups |
EP3414684A4 (en) * | 2016-03-14 | 2019-04-03 | SYS-Tech Solutions, Inc. | METHODS AND COMPUTER DEVICE FOR DETERMINING THE AUTHENTICITY OF A BRAND |
US10936865B2 (en) | 2016-10-28 | 2021-03-02 | Inegi-Instituto De Engenharia Mecanica E Gestao Industrial | Device and method for identifying a cork stopper, and respective kit |
CN106815731A (zh) * | 2016-12-27 | 2017-06-09 | 华中科技大学 | 一种基于surf图像特征匹配的标签防伪系统及方法 |
CH713631A1 (de) * | 2017-03-28 | 2018-09-28 | Hapa Ag Swiss Printing Tech | Verfahren zur Authentifizierung eines fälschungssicheren Gegenstandes. |
WO2019102072A1 (en) * | 2017-11-24 | 2019-05-31 | Heyday Oy | Method and system for identifying authenticity of an object |
CN108520285B (zh) * | 2018-04-16 | 2021-02-09 | 图灵人工智能研究院(南京)有限公司 | 物品鉴别方法、系统、设备及存储介质 |
CN108492121B (zh) * | 2018-04-18 | 2021-09-07 | 景德镇止语堂陶瓷有限公司 | 一种基于vr技术验证手绘茶具真伪的系统及方法 |
US10871888B2 (en) * | 2018-04-26 | 2020-12-22 | Ppg Industries Ohio, Inc. | Systems, methods, and interfaces for rapid coating generation |
US11874220B2 (en) | 2018-04-26 | 2024-01-16 | Ppg Industries Ohio, Inc. | Formulation systems and methods employing target coating data results |
FR3085515B1 (fr) * | 2018-08-31 | 2021-09-17 | Philippe Guesdon Concept | Systeme de diffusion d'informations relatives a un objet |
CN109658392A (zh) * | 2018-12-05 | 2019-04-19 | 江西书源科技有限公司 | 净水机周边设备的正版化确定方法 |
AU2020211640B2 (en) * | 2019-01-23 | 2021-03-04 | Cellr Pty Ltd | Beverage producer authenticity verification method and system |
WO2020176442A1 (en) * | 2019-02-25 | 2020-09-03 | Walmart Apollo, Llc | Systems and methods of product recognition through multi-model image processing |
US10922811B2 (en) * | 2019-05-06 | 2021-02-16 | Ford Global Technologies, Llc | Object differentiation and identification |
CN113016020B (zh) * | 2019-05-08 | 2023-03-28 | 河北百林软木制品有限公司 | 木塞编码方法及装置、木塞追溯方法及装置、电子设备 |
CN110188217A (zh) * | 2019-05-29 | 2019-08-30 | 京东方科技集团股份有限公司 | 图像查重方法、装置、设备和计算机可读储存介质 |
CN112071037B (zh) * | 2019-06-11 | 2022-07-01 | 虹球环艺科技集团有限公司 | 现场指示灯驱动方法 |
KR20190107614A (ko) * | 2019-09-02 | 2019-09-20 | 엘지전자 주식회사 | 이벤트 발생 시간 이용한 사용자 프로파일링 방법 |
CN110535876B (zh) * | 2019-09-20 | 2024-03-12 | 成都建为精电科技有限责任公司 | 一种状态加密可变码的防伪部件及其加密数据生成方法 |
US10755061B1 (en) * | 2019-09-30 | 2020-08-25 | Snap Inc. | Product verification in a messaging system |
CN114402334A (zh) * | 2019-10-11 | 2022-04-26 | 3M创新有限公司 | 用于预处理具有关注的元素的图像的装置和方法 |
EP4049189A4 (en) * | 2019-10-21 | 2024-02-28 | Entrupy Inc | DEVICE AND METHOD FOR AUTHENTICATING A SHOE |
US11948156B2 (en) | 2019-12-09 | 2024-04-02 | Nike, Inc. | Digital fingerprinting |
US11308634B2 (en) | 2020-02-05 | 2022-04-19 | Datalogic Ip Tech S.R.L. | Unsupervised anchor handling for machine vision system |
EP3928972A1 (en) * | 2020-06-24 | 2021-12-29 | Boegli-Gravures S.A. | Engraved modulated piece |
DE102020215403A1 (de) | 2020-12-07 | 2022-06-09 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zur Prüfung der Herkunft und/oder Identität eines Produkts |
DE102021203081A1 (de) * | 2021-03-26 | 2022-09-29 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Verifizieren einer Echtheit eines Objekts und Gerät zur Objektbeurteilung |
CN113011528B (zh) * | 2021-04-28 | 2022-11-01 | 中国电子科技集团公司第五十四研究所 | 一种基于上下文和级联结构的遥感图像小目标检测方法 |
CN113379720B (zh) * | 2021-06-29 | 2022-08-09 | 云南昆船设计研究院有限公司 | 一种基于茶饼图像特征编码的茶饼防伪方法 |
US11941860B2 (en) * | 2021-09-24 | 2024-03-26 | Zebra Tehcnologies Corporation | Computational load mitigation for image-based item recognition |
JP2023046978A (ja) * | 2021-09-24 | 2023-04-05 | 富士フイルムビジネスイノベーション株式会社 | 照合装置及びプログラム |
CN113935346B (zh) * | 2021-10-12 | 2022-06-21 | 南通大学 | 一种基于商标图片置乱加密的商品防伪码生成方法 |
US20230245133A1 (en) * | 2022-01-31 | 2023-08-03 | Walmart Apollo, Llc | Systems and methods for assessing quality of retail products |
US11948386B1 (en) | 2023-07-06 | 2024-04-02 | SpaceFarm LLC | Artwork authenticity systems and methods |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5673338A (en) * | 1993-06-10 | 1997-09-30 | Verification Technologies, Inc. | System for verification of unique items |
US6396507B1 (en) * | 1996-09-13 | 2002-05-28 | Nippon Steel Corporation | Data storage/access network system for zooming image and method of the storage/access |
GB2464723A (en) * | 2008-10-24 | 2010-04-28 | Ian Smith | Product Identification and Authentication |
CN102576394A (zh) * | 2009-05-20 | 2012-07-11 | 罗尔夫·延奇 | 唯一标识、提供唯一标识的方法及唯一标识的使用 |
CN103310256A (zh) * | 2013-06-03 | 2013-09-18 | 何南炎 | 基于图像对比的连续实物防伪标签的制备及鉴别方法 |
US8731301B1 (en) * | 2008-09-25 | 2014-05-20 | Sprint Communications Company L.P. | Display adaptation based on captured image feedback |
CN104123537A (zh) * | 2014-07-04 | 2014-10-29 | 西安理工大学 | 一种基于手形和掌纹识别的快速身份验证方法 |
Family Cites Families (69)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5267332A (en) | 1991-06-19 | 1993-11-30 | Technibuild Inc. | Image recognition system |
JPH07318787A (ja) * | 1994-05-26 | 1995-12-08 | Canon Inc | 自動ズーム装置 |
US7654580B2 (en) * | 1995-11-29 | 2010-02-02 | Graphic Security Systems Corporation | Self-authenticating documents with printed or embossed hidden images |
US6031930A (en) * | 1996-08-23 | 2000-02-29 | Bacus Research Laboratories, Inc. | Method and apparatus for testing a progression of neoplasia including cancer chemoprevention testing |
US6775417B2 (en) * | 1997-10-02 | 2004-08-10 | S3 Graphics Co., Ltd. | Fixed-rate block-based image compression with inferred pixel values |
US7162052B2 (en) * | 1998-04-16 | 2007-01-09 | Digimarc Corporation | Steganographically encoding specular surfaces |
US8027509B2 (en) * | 2000-04-19 | 2011-09-27 | Digimarc Corporation | Digital watermarking in data representing color channels |
KR100405060B1 (ko) * | 2000-08-24 | 2003-11-07 | 휴먼드림 주식회사 | 데이터 통신망을 통한 디지털 확대 이미지 제공방법,디지털 확대 이미지 제공장치 |
US7103205B2 (en) * | 2000-11-24 | 2006-09-05 | U-Systems, Inc. | Breast cancer screening with ultrasound image overlays |
GB0129369D0 (en) * | 2001-12-07 | 2002-01-30 | Filtrona United Kingdom Ltd | Method and apparatus for marking articles |
US7058202B2 (en) * | 2002-06-28 | 2006-06-06 | Ecole polytechnique fédérale de Lausanne (EPFL) | Authentication with built-in encryption by using moire intensity profiles between random layers |
US8171567B1 (en) * | 2002-09-04 | 2012-05-01 | Tracer Detection Technology Corp. | Authentication method and system |
US20040148260A1 (en) * | 2002-12-17 | 2004-07-29 | Canon Kabushiki Kaisha | Information processing apparatus, information processing system, information processing method, and program product |
JP4823890B2 (ja) * | 2003-03-06 | 2011-11-24 | ディジマーク コーポレイション | ドキュメント認証方法 |
DE10328328B4 (de) | 2003-06-25 | 2015-06-03 | TÜV Rheinland Holding AG | Produktschutz-Portal und Verfahren zur Echtheitsprüfung von Produkten |
US7496218B2 (en) * | 2004-05-26 | 2009-02-24 | Ramsay Thomas E | System and method for identifying objects of interest in image data |
US20060013486A1 (en) * | 2004-07-13 | 2006-01-19 | Burns Peter D | Identification of acquisition devices from digital images |
US7489396B1 (en) * | 2005-05-18 | 2009-02-10 | Vie Group, Llc | Spectrophotometric camera |
US9208394B2 (en) * | 2005-09-05 | 2015-12-08 | Alpvision S.A. | Authentication of an article of manufacture using an image of the microstructure of it surface |
EP2024899B1 (en) * | 2005-09-05 | 2015-11-04 | Alpvision S.A. | Means for using microstructure of materials surface as a unique identifier |
US8812978B2 (en) * | 2005-12-22 | 2014-08-19 | Xerox Corporation | System and method for dynamic zoom to view documents on small displays |
FR2895541B3 (fr) * | 2005-12-23 | 2008-04-18 | Signoptic Technologies Sarl | Procede d'extraction de signature aleatoire d'un element materiel |
US9033371B2 (en) * | 2005-12-23 | 2015-05-19 | Xerox Corporation | Counterfeit prevention using miniature security marks |
JP4770493B2 (ja) * | 2006-02-02 | 2011-09-14 | 富士ゼロックス株式会社 | 遠隔指示システム及び遠隔指示方法 |
US20070292034A1 (en) * | 2006-03-03 | 2007-12-20 | Tabankin Ira J | Device and method for digitally watermarking an image with GPS data |
US7945083B2 (en) * | 2006-05-25 | 2011-05-17 | Carestream Health, Inc. | Method for supporting diagnostic workflow from a medical imaging apparatus |
FR2902548B1 (fr) * | 2006-06-14 | 2008-12-26 | Guillaume Poizat | Procede de tracabilite des produits sans ajout ni modification de la matiere en utilisant une signature numerique obtenue a partir d'une ou plusieurs caracteristiques intrinseques du produit |
US8069168B2 (en) * | 2006-09-28 | 2011-11-29 | Augme Technologies, Inc. | Apparatuses, methods and systems for information querying and serving in a virtual world based on profiles |
US20080095465A1 (en) * | 2006-10-18 | 2008-04-24 | General Electric Company | Image registration system and method |
NZ581538A (en) * | 2007-06-01 | 2012-08-31 | Kba Notasys Sa | Authentication of security documents by analysis of features characteristic to printing methods |
EP2003599A1 (de) * | 2007-06-14 | 2008-12-17 | Sick Ag | Optoelektronischer Sensor und Verfahren zur Erfassung von Codes |
US8090952B2 (en) * | 2007-07-06 | 2012-01-03 | Harris Scott C | Counterfeit prevention system based on random positioning on a pattern |
US7973834B2 (en) * | 2007-09-24 | 2011-07-05 | Jianwen Yang | Electro-optical foveated imaging and tracking system |
US9729326B2 (en) * | 2008-04-25 | 2017-08-08 | Feng Lin | Document certification and authentication system |
FR2932588B1 (fr) * | 2008-06-12 | 2010-12-03 | Advanced Track & Trace | Procede et dispositif de lecture d'une caracteristique physique sur un objet |
US8780206B2 (en) * | 2008-11-25 | 2014-07-15 | De La Rue North America Inc. | Sequenced illumination |
PT10410T (pt) * | 2009-03-24 | 2009-09-24 | Antonio Andrade | Sistema de registo, compensação, gestão e análise de compra ou oferta personalizada |
US20100296583A1 (en) * | 2009-05-22 | 2010-11-25 | Aten International Co., Ltd. | Image processing and transmission in a kvm switch system with special handling for regions of interest |
US20120104097A1 (en) * | 2009-07-09 | 2012-05-03 | Bilcare Technologies Singapore Pte. Ltd. | Reading device able to identify a tag or an object adapted to be identified, related methods and systems |
US9292893B2 (en) * | 2009-12-10 | 2016-03-22 | Empire Technology Development Llc | Chaotic watermarking for a digital image |
US8971567B2 (en) * | 2010-03-05 | 2015-03-03 | Digimarc Corporation | Reducing watermark perceptibility and extending detection distortion tolerances |
US20130142440A1 (en) * | 2010-08-17 | 2013-06-06 | Authtec Research Co., Ltd | Method for authenticity assessment easily performed by ordinary people using printed minute identification mark |
WO2012175878A1 (fr) * | 2011-06-21 | 2012-12-27 | Advanced Track & Trace | Procédé et dispositif d'authentification d'étiquette |
JP2013041387A (ja) * | 2011-08-15 | 2013-02-28 | Sony Corp | 画像処理装置、画像処理方法、撮像装置、電子機器、及び、プログラム |
US9800408B2 (en) * | 2011-12-01 | 2017-10-24 | Unik Systems Design & Marketing Pvt Ltd | Method of generating secure tokens and transmission based on (TRNG) generated tokens and split into shares and the system thereof |
US20130173383A1 (en) | 2012-01-03 | 2013-07-04 | Zortag Inc. | Method Of, And System For, Authenticating And Custom Marketing Products In Response To Their Authentication |
ITMI20120706A1 (it) * | 2012-04-27 | 2013-10-28 | St Microelectronics Srl | Una carta a circuito integrato per l'autenticazione ed un metodo per l'autenticazione della carta a circuito integrato |
EP2850557A4 (en) | 2012-05-18 | 2016-01-06 | Sri Internat Inc | SYSTEM AND METHOD FOR AUTHENTICATING A MANUFACTURED PRODUCT USING A MOBILE DEVICE |
JP6406512B2 (ja) * | 2012-06-22 | 2018-10-17 | 日本電気株式会社 | 照合方法、照合システム、照合装置、及びそのプログラム |
US8712893B1 (en) * | 2012-08-16 | 2014-04-29 | Allstate Insurance Company | Enhanced claims damage estimation using aggregate display |
US9401153B2 (en) * | 2012-10-15 | 2016-07-26 | Digimarc Corporation | Multi-mode audio recognition and auxiliary data encoding and decoding |
US10482471B2 (en) * | 2013-01-16 | 2019-11-19 | Amazon Technologies, Inc. | Unauthorized product detection techniques |
US10083370B2 (en) * | 2013-04-04 | 2018-09-25 | Nec Corporation | Identification system, identification method, matching device, and program |
US9818150B2 (en) * | 2013-04-05 | 2017-11-14 | Digimarc Corporation | Imagery and annotations |
WO2014169238A1 (en) * | 2013-04-11 | 2014-10-16 | Digimarc Corporation | Methods for object recognition and related arrangements |
US9356936B2 (en) * | 2013-10-02 | 2016-05-31 | Intralinks, Inc. | Method and apparatus for managing access to electronic content |
BR112016006389B1 (pt) * | 2013-10-04 | 2022-06-21 | Sicpa Holding Sa | Método e sistema de marcação para a marcação de um objeto, e método e sistema de autenticação para a autenticação ou identificação de um objeto |
CN103702217A (zh) * | 2013-12-09 | 2014-04-02 | 乐视网信息技术(北京)股份有限公司 | 图像展现方法及装置 |
WO2015092694A1 (en) * | 2013-12-17 | 2015-06-25 | Lau Tak Wai | Composite information bearing devices |
US9800360B2 (en) * | 2014-02-06 | 2017-10-24 | Honda Motor Co., Ltd. | Management of stations using preferences from social networking profiles |
US20150310601A1 (en) * | 2014-03-07 | 2015-10-29 | Digimarc Corporation | Methods and arrangements for identifying objects |
US9720934B1 (en) * | 2014-03-13 | 2017-08-01 | A9.Com, Inc. | Object recognition of feature-sparse or texture-limited subject matter |
WO2016009421A1 (en) * | 2014-07-18 | 2016-01-21 | Artincam Ltd. | Automatic image composition |
EP2991029A1 (en) * | 2014-08-29 | 2016-03-02 | Thomson Licensing | Method for inserting features into a three-dimensional object and method for obtaining features from a three-dimensional object |
US20160071101A1 (en) * | 2014-09-09 | 2016-03-10 | Tyson York Winarski | Selfie financial security transaction system |
JP6465625B2 (ja) * | 2014-10-10 | 2019-02-06 | キヤノン株式会社 | 制御装置及びその制御方法、プログラム |
WO2016202827A1 (en) * | 2015-06-18 | 2016-12-22 | Hicof Inc. | Authentication feature in a barcode |
US9947015B1 (en) * | 2017-05-05 | 2018-04-17 | Hector A Vildosola | Analyzing digital images for authenticating memorabilia items |
US20200027106A1 (en) * | 2018-07-23 | 2020-01-23 | Rok Mobile International Ltd. | Sweepstakes campaign system and uses thereof |
-
2015
- 2015-11-23 CN CN201580074242.8A patent/CN108291876B/zh active Active
- 2015-11-23 EP EP15860424.9A patent/EP3221690B1/en active Active
- 2015-11-23 WO PCT/CA2015/051216 patent/WO2016077934A1/en active Application Filing
- 2015-11-23 US US15/527,907 patent/US10956732B2/en active Active
-
2019
- 2019-01-15 HK HK19100663.5A patent/HK1258299A1/zh unknown
- 2019-11-05 US US16/674,749 patent/US11256914B2/en active Active
-
2022
- 2022-01-06 US US17/647,237 patent/US20220130159A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5673338A (en) * | 1993-06-10 | 1997-09-30 | Verification Technologies, Inc. | System for verification of unique items |
US6396507B1 (en) * | 1996-09-13 | 2002-05-28 | Nippon Steel Corporation | Data storage/access network system for zooming image and method of the storage/access |
US8731301B1 (en) * | 2008-09-25 | 2014-05-20 | Sprint Communications Company L.P. | Display adaptation based on captured image feedback |
GB2464723A (en) * | 2008-10-24 | 2010-04-28 | Ian Smith | Product Identification and Authentication |
CN102576394A (zh) * | 2009-05-20 | 2012-07-11 | 罗尔夫·延奇 | 唯一标识、提供唯一标识的方法及唯一标识的使用 |
CN103310256A (zh) * | 2013-06-03 | 2013-09-18 | 何南炎 | 基于图像对比的连续实物防伪标签的制备及鉴别方法 |
CN104123537A (zh) * | 2014-07-04 | 2014-10-29 | 西安理工大学 | 一种基于手形和掌纹识别的快速身份验证方法 |
Non-Patent Citations (1)
Title |
---|
基于网格搜索的图像匹配方法的改进;陈楸等;《信息化纵横》;20091231;第57页 * |
Also Published As
Publication number | Publication date |
---|---|
US20200065577A1 (en) | 2020-02-27 |
HK1258299A1 (zh) | 2019-11-08 |
EP3221690A1 (en) | 2017-09-27 |
EP3221690A4 (en) | 2018-04-18 |
CN108291876A (zh) | 2018-07-17 |
US20220130159A1 (en) | 2022-04-28 |
US20180349695A1 (en) | 2018-12-06 |
WO2016077934A1 (en) | 2016-05-26 |
US11256914B2 (en) | 2022-02-22 |
EP3221690B1 (en) | 2023-07-19 |
US10956732B2 (en) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108291876B (zh) | 用于检测产品的真实性的系统及方法 | |
US20210312158A1 (en) | Model-based digital fingerprinting | |
KR102324706B1 (ko) | 얼굴인식 잠금해제 방법 및 장치, 기기, 매체 | |
US10614302B2 (en) | Controlled authentication of physical objects | |
KR102406432B1 (ko) | 신원 인증 방법 및 장치, 전자 기기 및 저장 매체 | |
US9940515B2 (en) | Image analysis for authenticating a product | |
US9171347B2 (en) | System and method for analysis and authentication of covert security information using a smart device | |
US8792715B2 (en) | System and method for forms classification by line-art alignment | |
EP2921989A1 (en) | Method for object recognition and/or verification on portable devices | |
CN108463828A (zh) | 基于特征的签名认证 | |
JP6810392B2 (ja) | 個体識別装置 | |
Takahashi et al. | Fibar: Fingerprint imaging by binary angular reflection for individual identification of metal parts | |
Wang et al. | License plate localization in complex scenes based on oriented FAST and rotated BRIEF feature | |
Agarwal et al. | Reflective SIFT for improving the detection of copy-move image forgery | |
Benlamoudi et al. | Face spoofing detection from single images using active shape models with stasm and lbp | |
Mohanraj et al. | Hybrid feature descriptors to detect face spoof attacks | |
US11238146B2 (en) | Securing composite objects using digital fingerprints | |
Yang et al. | Robust random dot markers: Towards augmented unprepared maps with pure geographic features | |
Wang et al. | Anti-counterfeiting textured pattern | |
Zhu et al. | Copy-move forgery detection in the presence of similar but genuine objects | |
Jeyalakshmi et al. | Improved Copy-Move forgery detection using sift with adaptive over kernel principal component analysis | |
Zhang et al. | Multifeature palmprint authentication | |
GNANESWARI et al. | An Efficient Fruit Identification and Ripening Detection Using CNN Algorithm | |
Sahay et al. | Improving forgery detection technique using SURF & Segmentation algorithm | |
Hossain | Identification of manipulation in digital images through hybrid block-based and key points algorithm |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1258299 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |