CN108463828A - 基于特征的签名认证 - Google Patents
基于特征的签名认证 Download PDFInfo
- Publication number
- CN108463828A CN108463828A CN201680078312.1A CN201680078312A CN108463828A CN 108463828 A CN108463828 A CN 108463828A CN 201680078312 A CN201680078312 A CN 201680078312A CN 108463828 A CN108463828 A CN 108463828A
- Authority
- CN
- China
- Prior art keywords
- feature
- target
- subset
- distance
- processor
- 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.)
- Pending
Links
- 230000002596 correlated effect Effects 0.000 claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000007639 printing Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 23
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 17
- 206010047571 Visual impairment Diseases 0.000 claims description 15
- 230000000875 corresponding effect Effects 0.000 claims description 15
- 238000003384 imaging method Methods 0.000 claims description 14
- 238000010146 3D printing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06F18/211—Selection of the most significant subset of features
-
- 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
- G06V10/757—Matching configurations of points or features
-
- 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
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
示例系统包括特征提取引擎。特征提取引擎将要确定针对目标的部分的多个尺度相关特征。该系统还包括用于基于每个特征的强度来选择多个尺度相关特征的子集的签名生成引擎。签名生成引擎还将要存储多个尺度相关特征的子集和目标的部分的数字表示。
Description
背景技术
打印机可以接收表示打印内容的数据,并且打印机可以基于打印内容产生打印目标。如本文所使用的,术语“打印目标”是指来自打印机的输出。例如,打印目标可以包括二维印品、三维印品等。术语“目标”是指文档或制造物体,无论是否是由打印机产生。术语“内容”或“打印内容”是指由产生目标的人或由产生打印目标的打印机有意地包括在目标或打印目标中的信息。例如,打印内容可以包括要在二维印品上形成的文本、图像等;三维印品的结构、材料等;三维印品的表面上的文本、图像、颜色等;等等。
附图说明
图1是用于生成对特定目标独特的签名的示例系统的框图。
图2是用于生成或认证对特定目标独特的签名的另一个示例系统的框图。
图3是用于生成对特定目标独特的签名的示例方法的流程图。
图4是用于生成或认证对特定目标独特的签名的另一示例方法的流程图。
图5是包括使处理器基于一组预定特征来认证所声称目标的指令的示例计算机可读介质的框图。
图6是包括使处理器基于一组预定特征来认证所声称目标的指令的另一示例计算机可读介质的框图。
具体实施方式
诸如打印目标的目标可以容易地被复制,或者可以从完全相同的内容产生多个目标。由于内容可能完全相同或几乎完全相同,所以可能难以彼此区分目标。因此,也可能难以认证特定目标来防止或标识伪造品的替换(例如,包含完全相同内容或对内容的微小修改的不同目标)。例如,真实文档可能包含重要信息,但伪造者可能能够伪造或打印具有修改信息的伪造文档,并用伪造文档替换真实文档。依赖于其中包含的信息的真实文档的用户可能难以确定伪造文档已经替换原始件,并因此是否可以依赖于该信息。
为了确保目标的真实性,可以从目标生成对目标独特的取证签名。目标可以通过从目标重新生成取证签名并确保重新生成的取证签名与最初生成的取证签名相匹配来进行认证。取证签名可以基于在打印目标被打印之前被包括在打印内容中的取证标记,但是这样的取证签名可能不可用于认证历史目标。类似地,可能难以在三维打印目标或制造物体中包括取证标记。此外,取证标记或周围区域可能是可认证的,但目标的其他区域可能不是可认证的。目标认证可以通过鲁棒地可定位的、不需要内容中的取证标记的、并且可以基于目标中的多个不同位置的取证签名来改善。
图1是用于生成对特定目标独特的签名的示例系统100的框图。系统100可以包括特征提取引擎110。如本文所使用的,术语“引擎”是指硬件(例如处理器,诸如集成电路或其他电路)或软件(例如,诸如机器或处理器可执行指令、命令或代码的编程,诸如固件、设备驱动程序、编程、目标代码等)和硬件的组合。硬件包括不具有软件元件的硬件元件,诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)等。硬件和软件的组合包括在硬件处托管的软件(例如,存储在诸如随机存取存储器(RAM)、硬盘或固态驱动器、电阻式存储器、或诸如数字多功能盘(DVD)之类的光学介质之类的处理器可读存储器处和/或由处理器执行或解释的软件模块)或在硬件处托管的软件和硬件。
特征提取引擎110可以确定针对目标的部分的多个尺度相关特征。在示例中,特征提取引擎110可以检查针对目标的部分的灰度级的属性,并且特征提取引擎110可以基于灰度级的属性来标识特征。如本文所使用的,术语“特征”是指针对目标的部分的灰度级的属性中的极值。特征可能是尺度相关的。如本文所使用的,术语“尺度相关特征”是指在特定尺寸尺度处标识的特征。
系统100还可以包括签名生成引擎120。签名生成引擎120可以基于每个特征的强度来选择多个尺度相关特征的子集。如本文所使用的,术语“特征强度”是指在该特征的位置处的灰度级的属性的量值。签名生成引擎120可以选择具有特定阈值以上的强度的特征、预定数量的最强特征、具有特定阈值以上的强度的特征的数量和最强特征的预定数量中的较小或较大者等等。签名生成引擎120可以在选择子集时应用附加的准则。例如,签名生成引擎120可以省略未能满足附加准则的要求的强特征。
签名生成引擎120可以存储目标的部分的数字表示和多个尺度相关特征的子集的数字表示。例如,签名生成引擎120可以将多个尺度相关特征的子集和目标的部分的数字表示存储在本地持久存储设备中、远程持久存储设备中、目标上等等。目标的部分的数字表示可以包括可用于标识目标的部分的信息。多个尺度相关特征的子集的数字表示可以包括可用于标识尺度相关特征的信息。例如,多个尺度相关特征的子集和目标的部分的数字表示可能可用作未来认证目标的签名。
图2是用于生成或认证对特定目标(例如特定打印目标)独特的签名的另一示例系统200的框图。系统200可以包括图像传感器205。图像传感器205可能可用于捕获目标的部分的图像。例如,图像传感器205可以捕获具有小视场的高分辨率图像。由图像传感器205捕获的图像可以定义或包括目标的部分。替代地或另外地,目标的部分可以散布在多个图像之上,所述图像可以是目标的邻近区域的、彼此分离的目标的不同区域等的图像。图像可以是二维或三维印品的表面的图像。
系统200还可以包括特征提取引擎210。特征提取引擎210可以确定针对目标的部分的多个尺度相关特征。例如,特征提取引擎210可以基于由图像传感器205捕获的图像来确定多个尺度相关特征。特征提取引擎210可以基于针对目标的部分的灰度级的属性来标识特征。特征提取引擎210可以分析图像的灰度级的属性以确定针对目标的部分的灰度级的属性。
特征提取引擎210可以将尺度相关特征提取过程应用于图像以确定特征。例如,特征提取引擎210可以将图像与多个高斯卷积内核进行卷积以产生对应的多个经滤波图像(例如,经低通滤波的图像等)。高斯内核可能在不同的但附近的尺度处。例如,高斯内核的尺度可以在小频率范围内,可以在一对频率处(例如,基本标准偏差和基本标准偏差的倍数等)等等。倍数可以是1.25、1.5、2、2.5、3等。特征提取引擎210可以将多个经滤波图像彼此相减以产生差异图像或多个差异图像。特征提取引擎210可以针对局部极值搜索差异图像或多个差异图像。局部极值可以被标识为特征。如果存在单个差异图像,则局部极值可以仅与空间邻域进行比较,而不是与其他尺度中的相邻像素进行比较。替代地或另外地,特征提取引擎210可以将图像与单个高斯内核进行卷积并且确定结果所得图像中的极值。
高斯差异图像的的带通属性可以使特征提取引擎210检测小范围的频率之上的特征而不检测其他频率处的特征。频率的范围可以被选择为跨目标的部分的多个图像被可再现地检测同时保持在目标和目标的副本之间是不同的。例如,高频可能受图像噪声影响,图像噪声诸如从捕获目标的部分的图像引入的图像噪声。因此,高频特征可能在相同目标的图像之间变化。低频可能受打印内容影响。因此,低频特征可能在目标和目标的副本之间完全相同。特征提取引擎210可以确定低到足以限制对与噪声对应的特征的检测并且高到足以限制对目标的副本中存在的特征的检测的频率范围之上的特征。特征提取引擎210可能不检测更高和更低频率处的特征。所确定的特征可以对应于打印过程或目标的材料中的独特变化,而不是对应于打印内容或噪音。
系统200可以包括签名生成引擎220。签名生成引擎220可以选择多个尺度相关特征的子集。例如,签名生成引擎220可以基于每个特征的强度、基于特征位置之间的距离、基于特征的极性等来选择子集。在示例中,签名生成引擎220可以选择最强特征来包括在子集中。签名生成引擎220可以选择在位置方面分离至少预定距离的特征来包括在子集中。例如,如果两个强特征位于彼此的预定距离内,则可以仅将两个特征中的较强者包括在子集中。当确定特征是否位于彼此的预定距离内时,签名生成引擎220可以考虑极性。因此,在一些示例中,签名生成引擎220可以选择与最大值对应的特征,而不管在与最小值对应的特征的预定距离内。签名生成引擎220可以选择具有预定阈值以上的强度的不多于预定数量的特征。
签名生成引擎220可以存储目标的部分的数字表示和多个尺度相关特征的子集的数字表示。目标的部分的数字表示可能可用于在认证所声称目标时定位所声称目标的对应部分。在示例中,目标的部分的数字表示可以是目标的部分的低分辨率缩略图。例如,图像传感器205可以包括低分辨率显示器,低分辨率显示器可以用于显示可以与来自图像传感器205的实时馈送对齐的缩略图的重像。一旦用户已经将显示器上的缩略图的重像与所声称目标的实时馈送图像对齐,则用户可以指令图像传感器205捕获所声称目标的部分的图像。然后可以使用目标的部分的图像来认证所声称目标。
多个尺度相关特征的子集的数字表示可以可用于认证目标。例如,签名生成引擎220可以确定用于子集中的每个特征的描述符。替代地或另外,可以在选择子集之前确定多个中的每个特征的描述符。如本文所使用的,术语“描述符”是指在特征处或附近的灰度级的属性的数字表示,诸如图像的尺度相关和定向不变属性的数字表示。在示例中,签名生成引擎220可以基于高斯滤波图像或高斯差异图像中的特征周围的像素处的梯度的量值或定向来计算描述符。例如,描述符可以包括特征周围的多个子区域中的像素的定向的多个直方图。在一些示例中,签名生成引擎220可以存储用于子集中的特征的描述符、子集中的特征的位置、确定特征的频率范围的指示等例如作为认证签名。
在一些示例中,系统200还可以认证签名。图像传感器205可以用于捕获所声称目标的部分的图像。图像传感器205可以捕获基于目标的部分的数字表示而选择的部分的图像。图像传感器205可以基于数字表示自动确定部分,或者图像传感器205可以向可以确定要捕获的部分的用户指示数字表示。在用于生成用于目标的签名的图像与用于认证所声称目标的图像之间可能存在一些配准不良(例如,平移、旋转等)。
特征提取引擎210可以确定针对所声称目标的部分的图像的多个尺度相关特征。例如,特征提取引擎210可以基于确定特征的频率范围的所存储指示来确定多个尺度相关特征。替代地,特征提取引擎210可以基于未与描述符、位置等一起存储的频率的预定范围来确定多个尺度相关特征。特征提取引擎210可以在认证期间以它在签名的生成期间确定特征的相同方式确定特征。
签名生成引擎220可以将由特征提取引擎210确定的特征与签名进行比较以确定所声称目标的真实性。签名生成引擎220可以选择或可以不选择多个尺度相关特征的子集以与签名进行比较。例如,签名生成引擎220可以在选择特征时使用比生成期间更宽松的强度阈值或者不使用强度阈值、使用比生成期间更宽松的距离阈值或者不使用距离阈值等等。由签名生成引擎220选择的特征的数量可以远远大于包括在子集中的特征的数量。签名生成引擎220可以确定用于特征的特征描述符。
签名生成引擎220可以基于尺度相关特征与一组预定特征(例如,先前生成的签名的特征)的比较来选择多个尺度相关特征的子集。在示例中,签名生成引擎220可以选择具有这样的描述符的子集,所述描述符与包括在签名中的描述符具有最小数学方式确定的距离。例如,可以通过将子集中的每个特征的描述符与签名中的对应描述符之间的平方距离求和来计算数学方式确定的距离。替代地或另外,描述符的子集之间或单独的描述符之间的距离可以被计算为欧几里得距离、绝对距离之和、均方根距离、汉明距离、加权距离(例如,马氏距离等)等等。
在一些示例中,签名生成引擎220可以强制被选择为具有最小数学方式确定的距离的特征之间的仿射一致性或强制与仿射变换(例如缩放、旋转、平移等)的子集的一致性。例如,签名生成引擎220可以将签名中的特征的位置与可能子集中的特征的位置进行比较,以确保两组位置在仿射变换下彼此映射。如果子集不是签名中的特征的仿射变换,则可能不会选择它。签名生成引擎220可以应用宽松阈值来确定所选子集是否为仿射变换。例如,签名生成引擎220可以包括未能满足仿射变换的子集中的多达预定数量的特征,可以包括具有高达预定误差距离(例如,5个像素、10个像素、20个像素等)的特征,可以允许高达预定总误差等。在示例中,签名生成引擎220可以基于随机样本共识方法来确定最佳仿射变换。可以基于找到将一组随机存储特征(例如,一对、三元组、四元组等)映射到要认证的图像中的一组特征的变换来生成随机仿射变换。可以针对所有剩余的存储特征或要认证的图像中的特征来测试随机仿射变换以找到尽可能多的内点(例如,具有满足宽松阈值的匹配的特征)。可以选择具有最多内点的随机仿射变换。内点可以用于例如使用最小二乘方法来进一步改进仿射变换。当确定单独特征是否与另一个相匹配时,可以使用限制特征的描述符之间的可允许距离的绝对或相对阈值(例如,使用先前讨论的距离度量)来限制匹配。
签名生成引擎220可以基于针对具有最小数学方式确定的距离的子集所计算的数学方式确定的距离是否满足阈值来确定所声称目标是否真实。例如,如果最小数学方式确定的距离小于或不大于阈值则签名生成引擎220可以确定所声称目标是真实的,并且如果最小数学方式确定的距离不小于或大于阈值则签名生成引擎220可以确定所声称目标不是真实的。在一些示例中,签名生成引擎220可以基于目标的多个部分的图像来生成单个签名或多个签名。签名生成引擎220可以基于是否所有部分被确定为真实、至少预定数量或百分比的部分被确定为真实、所选子集的部分被确定为真实等等来确定所声称目标是否真实。在一些示例中,签名生成引擎220可以确定具有或不具有取证标记的位置,其对应于可用于认证所声称目标的附加签名。签名生成引擎220可以基于恢复的仿射变换和至少一个特征的位置来确定位置。签名生成引擎220可以基于包括特征和附加签名的签名、仅附加签名等来确定所声称目标是否真实。
因此,系统200可以能够生成用于目标的签名并且基于签名来认证目标。系统200可以能够使用目标的任何部分作为用于签名的基础。因此,除了目标本身之外,内容可以是安全的。系统200可以不需要附加的取证标记。因此,系统200可以在没有额外打印的情况下生成用于历史目标的签名。系统200可以可用于基于三维打印目标或制造物体的表面的图像来认证三维打印目标或制造物体。系统200可以从单个目标生成多个签名。签名的数量和位置从查看目标而可能不是容易明显的。系统200还可以与其他形式的文档序列化(例如,一维和二维条形码等)结合使用。
图3是用于生成对特定目标独特的签名的示例方法300的流程图。处理器可以执行方法300。在框302处,方法300可以包括捕获目标的部分的图像。例如,可以选择目标的部分以用于在生成签名中使用。可以捕获所选部分的图像。
框304可以包括检测图像中的特征。可以基于图像的灰度级的属性来检测特征。例如,可以针对图像中的多个位置计算图像的灰度级的属性。可以针对指示可用于认证图像的图像元素的值而搜索灰度级的所计算属性。例如,可以针对灰度级的属性中的极值而搜索灰度级的所计算属性。
框306可以包括从图像中选择预定数量的特征。选择预定数量的特征可以包括选择在位置方面彼此分离至少预定距离的特征。例如,可以为每个检测到的特征计算位置。可以为每对特征计算位置之间的距离。可以基于距离是否小于或不大于阈值来选择或不选择特征。例如,如果特征比阈值更接近,则可以仅选择该对中的一个。参考图2,例如,图像传感器205可以执行框302,特征提取引擎210可以执行框304,并且签名生成引擎220可以执行框306。
图4是用于生成或认证对特定目标独特的签名的另一示例方法400的流程图。处理器可以执行方法400。在框402处,方法400可以包括捕获目标的部分的图像。例如,可以使用图像传感器来捕获图像。框404可以包括检测图像中的特征。可以在特定频率范围处检测特征。例如,检测特征可以包括将图像与具有与频率范围中的截止频率(例如,在范围的开始和结束处的一对截止频率等)对应的标准偏差的多个高斯函数进行卷积。
可以选择特定频率范围以最大化所生成签名的性能。例如,在高频处,与来自捕获的噪声对应的特征可以被检测,并且签名可能在认证期间产生假负例(false negatives)。在低频处,与打印内容对应的特征可以被检测,并且签名可能在认证期间产生假正例(false positives)。因此,检测特征可以包括检测低到足以限制与来自捕获的噪声对应的特征的检测并且高到足以限制目标的副本中存在的特征的检测的频率范围处的特征。检测特征可以不在高频和低频处进行。检测特征可以包括选择导致检测由打印过程或目标材料中的独特变化所产生的特征而不检测由噪声或打印内容所产生的特征的频率范围。特定频率范围可以基于假正例和假负例之间的期望权衡来选择。替代地或另外,特定频率范围可以被选择为最大化有效与错误比较之间的分离。例如,特定频率范围可以被选择为最大化平均错误比较和平均有效比较之间的、中值错误比较和中值有效比较之间的分离等。
在框406处,方法400可以包括从图像中选择预定数量的特征。可以基于特征位置之间的距离、基于极性、基于特征强度等来选择预定数量的特征。例如,选择特征可以包括从最强到最弱选择特征,直到已经选择预定数量的特征。如果在选择特征时确定特定特征位于先前的(并且因此更强的)特征的预定距离内,则可以丢弃该特定特征。在确定特征是否位于另一个特征的预定距离内时可以考虑极性。当确定特征是否位于预定距离内时,可以仅将所述特征与相同极性的特征进行比较。特征的描述符、特征的位置等可以用作签名。
方法400还可以包括认证声称为目标的图像。例如,在框408处,方法400可以包括确定要被认证的图像中的多个特征。可以在不考虑特征位置之间的距离的情况下确定多个特征。例如,在框406处选择预定数量的特征时所依赖的预定距离可能不会使在框408处确定的特征失去合格。即使特征位于彼此的预定距离内,它们仍可以被包括在多个特征中。确定要被认证的图像中的多个特征可以包括确定比预定数量的特征在数量方面大得多的多个特征。确定大得多的数量可能会使认证对噪声更加鲁棒。
框410可以包括确定与预定数量的特征最接近匹配的多个特征的子集是否满足匹配阈值。例如,可以使用匹配度量(例如,距离等)来确定多个中的哪个子集与预定数量的特征最接近匹配。匹配度量可以与匹配阈值进行比较以确定匹配度量是否满足匹配阈值。例如,如果匹配度量小于匹配阈值,则可以确定所声称目标是真实的。匹配阈值可以基于期望的假正例率或假负例率来选择。在示例中,图2的图像传感器205可以执行框402;特征提取引擎210可以执行框404和408;并且签名生成引擎220可以执行框406和410。
图5是包括指令的示例计算机可读介质500的框图,所述指令在由处理器502执行时使处理器502基于一组预定特征来认证所声称目标。计算机可读介质500可以是非暂时性计算机可读介质,诸如易失性计算机可读介质(例如,易失性RAM、处理器高速缓存、处理器寄存器等)、非易失性计算机可读介质(例如,磁性存储设备、光学存储设备、纸张存储设备、闪速存储器、只读存储器、非易失性RAM等)等等。处理器502可以是通用处理器或专用逻辑,诸如微处理器、数字信号处理器、微控制器、ASIC、FPGA、可编程阵列逻辑(PAL)、可编程逻辑阵列(PLA)、可编程逻辑器件(PLD)等。
计算机可读介质500可以包括特征确定模块510。如本文所使用的,“模块”(在一些示例中被称为“软件模块”)是一组指令,其在由处理器执行或解释或者存储在处理器可读介质处时实现组件或执行方法。特征确定模块510可以包括使处理器502确定针对目标的部分的多个尺度相关特征的指令。例如,特征确定模块510可以使处理器502确定针对目标的部分的灰度级的属性。特征确定模块510可以使处理器502基于灰度级的属性(例如,灰度级的属性中的极值等)来确定可用于认证目标的部分的图像元素。
计算机可读介质500可以包括子集选择模块520。子集选择模块520可以使处理器502选择具有这样的描述符的多个尺度相关特征的子集,所述描述符与一组预定特征的描述符具有最小数学方式确定的距离。例如,子集选择模块520可以包括距离计算模块522以使处理器502确定特征的描述符之间的距离。描述符可以包括多维向量,并且距离计算模块522可以使处理器502应用距离函数来计算多维向量之间的距离。子集选择模块520可以使处理器502分析距离以确定多个尺度相关特征的哪个子集具有这样的描述符,所述描述符与该组预定特征的描述符具有最小数学方式确定的距离。
计算机可读介质500可以包括认证模块530。认证模块530可以使处理器502基于最小数学方式确定的距离是否满足阈值来确定目标的真实性。例如,当确定哪个子集具有最小数学方式确定的距离时,子集选择模块520可以使处理器502确定最小数学方式确定的距离的值。认证模块530可以使处理器502接收针对具有最小数学方式确定的距离的子集所计算的数学方式确定的距离。认证模块530可以使处理器502将数学方式确定的距离与阈值进行比较。在示例中,如果数学方式确定的距离小于或不大于阈值,则认证模块530可以使处理器502确定目标是真实的。参考图1,特征确定模块510当由处理器502执行时可以实现例如特征提取引擎110,并且子集选择模块520或认证模块530当由处理器502执行时可以实现例如签名生成引擎120。
图6是包括指令的另一示例计算机可读介质600的框图,所述指令在由处理器602执行时使处理器602基于一组预定特征来认证所声称目标。计算机可读介质600可以包括部分选择模块640。部分选择模块640可以使处理器602选择所声称目标的部分来在认证目标中使用。例如,部分选择模块640可以包括重像模块642。重像模块642可以使处理器602使得向用户显示与目标的部分对齐的重像。例如,重像可以包括真实目标的部分的先前捕获图像。重像模块642可以使处理器602通过照亮先前捕获图像、形成先前捕获图像中的边缘的轮廓等来产生重像。重像模块642可以使处理器602指令显示设备显示重像。部分选择模块640可以使处理器602接收目标的部分的用户所选图像。例如,重像模块642可以使处理器602在实时图像上覆盖重像并且指令显示设备显示覆盖的图像。用户可以将重像与实时图像对齐,并在图像被对齐时选择实时图像。
计算机可读介质600可以包括特征确定模块610。特征确定模块610可以使处理器602确定针对目标的部分的多个尺度相关特征。在示例中,特征确定模块610可以使处理器602生成高斯差异图像。特征确定模块610可以使处理器602将图像与多个高斯内核进行卷积并且减去结果以产生高斯差异图像。高斯内核可以在一对频率处、在小频率范围内等等。特征确定模块610可以使处理器602通过检测高斯差异图像中的极值的位置来确定尺度相关特征。
计算机可读介质600可以包括子集选择模块620。子集选择模块620可以使处理器602选择具有这样的描述符的多个尺度相关特征的子集,所述描述符与一组预定特征的描述符具有最小数学方式确定的距离。例如,子集选择模块620可以包括距离计算模块622。距离计算模块622可以使处理器602计算单独的特征的描述符之间的距离、第一多个特征和第二多个特征的描述符之间的距离等。距离计算模块622可以使处理器602基于欧几里得距离、平方欧几里得距离、绝对距离之和、均方根距离、汉明距离、加权距离(例如,马氏距离等)等来计算单独描述符之间的距离、多个描述符之间的距离等。子集选择模块620可以使处理器602基于距离计算模块622的距离计算来确定多个尺度相关特征的哪个子集包括与该组预定特征的描述符为最小数学方式确定的距离的描述符。
子集选择模块620可以包括变换模块624。当选择具有最小数学方式确定的距离的子集时,子集选择模块620可以使处理器602基于在子集中的特征的位置来选择多个尺度相关特征的子集,所述特征的位置在仿射变换下近似映射到该组预定特征的位置。变换模块624可以使处理器602确定特征的位置是否在仿射变换下近似映射。子集选择模块620可以使处理器602从具有与该组预定特征的位置的仿射变换近似对应的特征位置的子集当中选择具有最小数学方式确定的距离的子集。替代地或另外,子集选择模块620可以使处理器602选择使相对于该组预定特征的位置距离和描述符距离中的误差最小化的特征的子集。在示例中,子集选择模块620可以使处理器602应用随机样本共识方法来确定最佳仿射变换,该最佳仿射变换将多个尺度相关特征中的特征近似映射到该组预定特征中的具有类似描述符的特征。如果对应位置在彼此的预定距离内、如果少于预定数量的位置未能映射、如果误差度量小于预定阈值等,则变换模块624可以使处理器602确定特征的位置近似映射。
计算机可读介质600可以包括认证模块630。认证模块630可以使处理器602基于最小数学方式确定的距离是否满足阈值来确定目标的真实性。例如,阈值可以是基于期望的假正例率或假负例率而选择的预定阈值。如果距离小于或不大于阈值,则认证模块630可以使处理器602确定目标是真实的。计算机可读介质600还可以包括附加认证模块650。在一些示例中,目标可以包括具有或不具有取证标记的位置,所述位置对应于附加签名,其可以使用不同认证方案。附加认证模块650可以使处理器602基于仿射变换来确定目标中的取证标记的位置。例如,附加认证模块650可以使处理器602从变换模块624接收仿射变换。附加认证模块650可以使处理器602基于仿射变换和相对于该组预定特征中的至少一个的先前存储的位置来确定与附加签名对应的位置。在一些示例中,附加认证模块650可以使处理器602基于取证标记和附加签名来认证目标。在示例中,特征确定模块610在由处理器602执行时可以实现图2的特征提取引擎210;子集选择模块620、距离计算模块622、变换模块624、认证模块630或附加认证模块650在由处理器602执行时可以实现签名生成引擎220;并且位置追踪模块640或重像模块642在由处理器602执行时可以实现图像传感器205。
以上描述说明了本公开的各种原理和实现。一旦完全理解以上公开内容,则许多变化和修改对于本领域技术人员将变得清楚明白。因此,本申请的范围应仅由以下权利要求确定。
Claims (15)
1.一种系统,包括:
特征提取引擎,其用于确定针对目标的部分的多个尺度相关特征;和
签名生成引擎,其用于:
基于每个特征的强度来选择多个尺度相关特征的子集,和
存储多个尺度相关特征的子集和目标的部分的数字表示。
2.根据权利要求1所述的系统,其中特征提取引擎将要确定小频率范围内的多个尺度相关特征,而不确定小频率范围以外的频率处的特征。
3.根据权利要求2所述的系统,还包括用于捕获目标的部分的图像的图像传感器,其中特征提取引擎基于图像来确定多个尺度相关特征。
4.根据权利要求3所述的系统,其中小频率范围中的多个尺度相关特征跨目标的部分的多个图像被可再现地检测,并且在目标和目标的副本之间是不同的。
5.根据权利要求1所述的系统,其中目标选自包括二维印品和三维印品的组。
6.一种方法,包括:
捕获目标的部分的图像;
使用处理器来检测图像中的特征;
使用处理器来从图像选择预定数量的特征,所述特征在位置方面分离至少预定距离;和
基于预定数量的特征来生成签名。
7.根据权利要求6所述的方法,其中检测特征包括检测低到足以限制与来自捕获的噪声对应的特征的检测并且高到足以限制目标的副本中存在的特征的检测的小频率范围处的特征,而不检测高频和低频处的特征。
8.根据权利要求6所述的方法,其中检测特征包括检测由打印过程中的独特变化所产生的特征,而不检测由打印内容所产生的特征。
9.根据权利要求6所述的方法,其中选择在位置方面分离至少预定距离的特征包括选择彼此分离预定距离的第一极性的特征以及选择彼此分离预定距离的第二极性的特征,而不管不同极性的特征之间的距离。
10.根据权利要求6所述的方法,还包括认证声称为目标的图像,其中认证包括:
确定多个特征而不考虑特征位置之间的距离,所述多个远远大于预定数量,和
确定与预定数量的特征最接近匹配的多个特征的子集是否满足匹配阈值。
11.一种包括指令的非暂时性计算机可读介质,所述指令在由处理器执行时使所述处理器:
确定针对目标的部分的多个尺度相关特征;
选择具有这样的描述符的多个尺度相关特征的子集,所述描述符与一组预定特征的描述符具有最小数学方式确定的距离;和
基于最小数学方式确定的距离是否满足阈值来确定目标的真实性。
12.根据权利要求11所述的计算机可读介质,其中所述指令使所述处理器基于尺度相关特征的子集的位置来选择所述子集,所述尺度相关特征的子集的位置在仿射变换下近似映射到该组预定特征的位置。
13.根据权利要求11所述的计算机可读介质,还包括使所述处理器确定与目标中的附加签名对应的位置的指令,其中所述指令使所述处理器基于仿射变换来确定所述位置。
14.根据权利要求11所述的计算机可读介质,其中所述指令使所述处理器通过计算子集中的每个特征的描述符与该预定组中的对应特征的描述符之间的欧几里得距离来计算最小数学方式确定的距离。
15.根据权利要求11所述的计算机可读介质,还包括使所述处理器执行以下操作的指令:
使得向用户显示与目标的部分对齐的重像;和
接收目标的部分的用户所选图像。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2016/026428 WO2017176273A1 (en) | 2016-04-07 | 2016-04-07 | Signature authentications based on features |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108463828A true CN108463828A (zh) | 2018-08-28 |
Family
ID=60001368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680078312.1A Pending CN108463828A (zh) | 2016-04-07 | 2016-04-07 | 基于特征的签名认证 |
Country Status (4)
Country | Link |
---|---|
US (2) | US11263478B2 (zh) |
EP (1) | EP3440587A4 (zh) |
CN (1) | CN108463828A (zh) |
WO (1) | WO2017176273A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269136A (zh) * | 2021-06-17 | 2021-08-17 | 南京信息工程大学 | 一种基于triplet loss的离线签名验证方法 |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10805331B2 (en) | 2010-09-24 | 2020-10-13 | BitSight Technologies, Inc. | Information technology security assessment system |
US9438615B2 (en) | 2013-09-09 | 2016-09-06 | BitSight Technologies, Inc. | Security risk management |
US11182720B2 (en) | 2016-02-16 | 2021-11-23 | BitSight Technologies, Inc. | Relationships among technology assets and services and the entities responsible for them |
US10425380B2 (en) | 2017-06-22 | 2019-09-24 | BitSight Technologies, Inc. | Methods for mapping IP addresses and domains to organizations using user activity data |
US11068741B2 (en) * | 2017-12-28 | 2021-07-20 | Qualcomm Incorporated | Multi-resolution feature description for object recognition |
US10257219B1 (en) | 2018-03-12 | 2019-04-09 | BitSight Technologies, Inc. | Correlated risk in cybersecurity |
US10812520B2 (en) | 2018-04-17 | 2020-10-20 | BitSight Technologies, Inc. | Systems and methods for external detection of misconfigured systems |
US11200323B2 (en) | 2018-10-17 | 2021-12-14 | BitSight Technologies, Inc. | Systems and methods for forecasting cybersecurity ratings based on event-rate scenarios |
US10521583B1 (en) | 2018-10-25 | 2019-12-31 | BitSight Technologies, Inc. | Systems and methods for remote detection of software through browser webinjects |
US10726136B1 (en) | 2019-07-17 | 2020-07-28 | BitSight Technologies, Inc. | Systems and methods for generating security improvement plans for entities |
US11956265B2 (en) | 2019-08-23 | 2024-04-09 | BitSight Technologies, Inc. | Systems and methods for inferring entity relationships via network communications of users or user devices |
US10848382B1 (en) | 2019-09-26 | 2020-11-24 | BitSight Technologies, Inc. | Systems and methods for network asset discovery and association thereof with entities |
US11032244B2 (en) | 2019-09-30 | 2021-06-08 | BitSight Technologies, Inc. | Systems and methods for determining asset importance in security risk management |
US10791140B1 (en) | 2020-01-29 | 2020-09-29 | BitSight Technologies, Inc. | Systems and methods for assessing cybersecurity state of entities based on computer network characterization |
US10893067B1 (en) | 2020-01-31 | 2021-01-12 | BitSight Technologies, Inc. | Systems and methods for rapidly generating security ratings |
CN115004252A (zh) * | 2020-02-03 | 2022-09-02 | 谷歌有限责任公司 | 使用解码神经网络的图像真实性验证 |
US10764298B1 (en) | 2020-02-26 | 2020-09-01 | BitSight Technologies, Inc. | Systems and methods for improving a security profile of an entity based on peer security profiles |
US11023585B1 (en) | 2020-05-27 | 2021-06-01 | BitSight Technologies, Inc. | Systems and methods for managing cybersecurity alerts |
US11122073B1 (en) | 2020-12-11 | 2021-09-14 | BitSight Technologies, Inc. | Systems and methods for cybersecurity risk mitigation and management |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050281454A1 (en) * | 2004-06-18 | 2005-12-22 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, exposure apparatus, and device manufacturing method |
CN101477022A (zh) * | 2009-01-19 | 2009-07-08 | 四川大学 | 基于多尺度系统理论量化表征薄膜表面形貌的方法 |
CN101630365A (zh) * | 2009-06-05 | 2010-01-20 | 天津大学 | 基于daisy的具有镜面翻转不变性的特征提取和描述方法 |
CN102037676A (zh) * | 2008-03-20 | 2011-04-27 | 日内瓦大学 | 基于不可克隆特征的安全物品识别以及认证系统和方法 |
CN102176208A (zh) * | 2011-02-28 | 2011-09-07 | 西安电子科技大学 | 基于三维空时特征的鲁棒视频指纹方法 |
CN102332165A (zh) * | 2011-09-15 | 2012-01-25 | 中国科学院长春光学精密机械与物理研究所 | 复杂背景下动目标或弱小目标的实时鲁棒跟踪装置 |
US8265381B2 (en) * | 2005-07-25 | 2012-09-11 | Yoichiro Ito | Sign authentication system and sign authentication method |
US20130246325A1 (en) * | 2012-03-15 | 2013-09-19 | Amir Averbuch | Method for classification of newly arrived multidimensional data points in dynamic big data sets |
US20140146370A1 (en) * | 2010-09-24 | 2014-05-29 | Hewlett-Packard Development Company, L.P. | Image registration |
CN104508705A (zh) * | 2012-06-22 | 2015-04-08 | 日本电气株式会社 | 验证方法、验证系统、设备、验证设备和程序 |
CN104850851A (zh) * | 2015-04-22 | 2015-08-19 | 福州大学 | 一种具有尺度不变性的orb特征点匹配方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7028188B1 (en) | 2000-10-30 | 2006-04-11 | Hewlett-Packard Development Company, L.P. | Document authentication using the physical characteristics of underlying physical media |
US8989431B1 (en) | 2007-07-11 | 2015-03-24 | Ricoh Co., Ltd. | Ad hoc paper-based networking with mixed media reality |
WO2010134919A1 (en) | 2009-05-21 | 2010-11-25 | Hewlett-Packard Development Company, L.P. | Generation of an individual glyph, and system and method for inspecting individual glyphs |
US8842916B2 (en) | 2011-02-22 | 2014-09-23 | Hewlett-Packard Development Company, L.P. | Method and system for model-based signature profile extraction |
US9443298B2 (en) | 2012-03-02 | 2016-09-13 | Authentect, Inc. | Digital fingerprinting object authentication and anti-counterfeiting system |
EP2748754B1 (en) | 2011-08-24 | 2019-11-06 | Hewlett-Packard Development Company, L.P. | Forensic authentication system and method |
EP2812849B1 (en) | 2012-02-09 | 2019-12-18 | Hewlett-Packard Development Company, L.P. | Forensic verification from halftone images |
CN104094285B (zh) | 2012-02-09 | 2018-01-30 | 惠普发展公司,有限责任合伙企业 | 利用半色调内的取证标记的取证验证 |
US9361516B2 (en) | 2012-02-09 | 2016-06-07 | Hewlett-Packard Development Company, L.P. | Forensic verification utilizing halftone boundaries |
EP2717510B1 (en) | 2012-10-08 | 2015-05-13 | Université de Genève | Method for active content fingerprinting |
US10242290B2 (en) * | 2012-11-09 | 2019-03-26 | Kla-Tencor Corporation | Method, system, and user interface for metrology target characterization |
US9349237B2 (en) * | 2012-12-28 | 2016-05-24 | Konica Minolta Laboratory U.S.A., Inc. | Method of authenticating a printed document |
IL226219A (en) * | 2013-05-07 | 2016-10-31 | Picscout (Israel) Ltd | Efficient comparison of images for large groups of images |
US9965915B2 (en) * | 2013-09-24 | 2018-05-08 | Robert Bosch Gmbh | System and method for document and article authentication |
US9862149B2 (en) * | 2014-08-29 | 2018-01-09 | Microsoft Technology Licensing, Llc | Print bureau interface for three-dimensional printing |
US10789468B2 (en) * | 2014-09-22 | 2020-09-29 | Sikorsky Aircraft Corporation | Context-based autonomous perception |
WO2016169747A1 (en) * | 2015-04-21 | 2016-10-27 | Fotonation Limited | Blurring a digital image |
US11410570B1 (en) * | 2021-09-27 | 2022-08-09 | Central China Normal University | Comprehensive three-dimensional teaching field system and method for operating same |
-
2016
- 2016-04-07 WO PCT/US2016/026428 patent/WO2017176273A1/en active Application Filing
- 2016-04-07 CN CN201680078312.1A patent/CN108463828A/zh active Pending
- 2016-04-07 US US15/779,838 patent/US11263478B2/en active Active
- 2016-04-07 EP EP16898113.2A patent/EP3440587A4/en not_active Withdrawn
-
2022
- 2022-02-04 US US17/592,761 patent/US20220156510A1/en not_active Abandoned
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050281454A1 (en) * | 2004-06-18 | 2005-12-22 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, exposure apparatus, and device manufacturing method |
US8265381B2 (en) * | 2005-07-25 | 2012-09-11 | Yoichiro Ito | Sign authentication system and sign authentication method |
CN102037676A (zh) * | 2008-03-20 | 2011-04-27 | 日内瓦大学 | 基于不可克隆特征的安全物品识别以及认证系统和方法 |
CN101477022A (zh) * | 2009-01-19 | 2009-07-08 | 四川大学 | 基于多尺度系统理论量化表征薄膜表面形貌的方法 |
CN101630365A (zh) * | 2009-06-05 | 2010-01-20 | 天津大学 | 基于daisy的具有镜面翻转不变性的特征提取和描述方法 |
US20140146370A1 (en) * | 2010-09-24 | 2014-05-29 | Hewlett-Packard Development Company, L.P. | Image registration |
CN102176208A (zh) * | 2011-02-28 | 2011-09-07 | 西安电子科技大学 | 基于三维空时特征的鲁棒视频指纹方法 |
CN102332165A (zh) * | 2011-09-15 | 2012-01-25 | 中国科学院长春光学精密机械与物理研究所 | 复杂背景下动目标或弱小目标的实时鲁棒跟踪装置 |
US20130246325A1 (en) * | 2012-03-15 | 2013-09-19 | Amir Averbuch | Method for classification of newly arrived multidimensional data points in dynamic big data sets |
CN104508705A (zh) * | 2012-06-22 | 2015-04-08 | 日本电气株式会社 | 验证方法、验证系统、设备、验证设备和程序 |
EP2866194A1 (en) * | 2012-06-22 | 2015-04-29 | NEC Corporation | Verification method, verification system, device, verification device and program |
CN104850851A (zh) * | 2015-04-22 | 2015-08-19 | 福州大学 | 一种具有尺度不变性的orb特征点匹配方法 |
Non-Patent Citations (3)
Title |
---|
DAVID G. LOWE: "Distinctive Image Features from Scale-Invariant Keypoints", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 * |
孙贝: "基于视觉的水下目标识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
蒋萍: "融合机器人视/嗅觉信息的气体泄漏源定位", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269136A (zh) * | 2021-06-17 | 2021-08-17 | 南京信息工程大学 | 一种基于triplet loss的离线签名验证方法 |
CN113269136B (zh) * | 2021-06-17 | 2023-11-21 | 南京信息工程大学 | 一种基于triplet loss的离线签名验证方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3440587A4 (en) | 2019-11-20 |
US11263478B2 (en) | 2022-03-01 |
US20220156510A1 (en) | 2022-05-19 |
WO2017176273A1 (en) | 2017-10-12 |
US20180365519A1 (en) | 2018-12-20 |
EP3440587A1 (en) | 2019-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108463828A (zh) | 基于特征的签名认证 | |
CN108291876B (zh) | 用于检测产品的真实性的系统及方法 | |
Fan et al. | SAR and optical image registration using nonlinear diffusion and phase congruency structural descriptor | |
TWI435277B (zh) | 利用與快速遮罩正規化交互相關匹配之範本的文件驗證 | |
JP4518092B2 (ja) | 物体認識装置、物体認識方法、物体認識プログラム、特徴量登録装置、特徴量登録方法、及び特徴量登録プログラム | |
JP4877374B2 (ja) | 画像処理装置及びプログラム | |
Raghavendra et al. | Presentation attack detection algorithms for finger vein biometrics: A comprehensive study | |
CN104933721B (zh) | 基于颜色滤波阵列特性的拼接图像篡改检测方法 | |
JP2018526719A (ja) | 指紋に基づく認証のための装置及びコンピュータ実装方法 | |
Vaishnavi et al. | Application of local invariant symmetry features to detect and localize image copy move forgeries | |
AU2015238872B2 (en) | Method for identifying a sign on a deformed document | |
CN108399374B (zh) | 选择用于指纹识别的候选指纹图像的方法和设备 | |
US9704024B2 (en) | Object discriminating apparatus and method | |
Yeh et al. | Face liveness detection based on perceptual image quality assessment features with multi-scale analysis | |
Ali et al. | Recognition system for Pakistani paper currency | |
CN106599923B (zh) | 一种对印防伪特征的检测方法及装置 | |
Agarwal et al. | Reflective SIFT for improving the detection of copy-move image forgery | |
Trung et al. | Blind inpainting forgery detection | |
Lovish et al. | Robust contact lens detection using local phase quantization and binary gabor pattern | |
Chaki | An efficient two-stage Palmprint recognition using Frangi-filter and 2-component partition method | |
WO2017179728A1 (ja) | 画像認識装置、画像認識方法および画像認識プログラム | |
Sharifi | Score-level-based face anti-spoofing system using handcrafted and deep learned characteristics | |
WO2021192216A1 (ja) | 個体識別システム | |
JP2007140729A (ja) | 物品の位置及び姿勢を検出する方法および装置 | |
Li et al. | Reliable and fast mapping of keypoints on large-size remote sensing images by use of multiresolution and global information |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20231027 |
|
AD01 | Patent right deemed abandoned |