CN109784384A - 一种自动辨别商标真伪的方法及装置 - Google Patents
一种自动辨别商标真伪的方法及装置 Download PDFInfo
- Publication number
- CN109784384A CN109784384A CN201811627709.9A CN201811627709A CN109784384A CN 109784384 A CN109784384 A CN 109784384A CN 201811627709 A CN201811627709 A CN 201811627709A CN 109784384 A CN109784384 A CN 109784384A
- Authority
- CN
- China
- Prior art keywords
- trademark image
- image
- trade mark
- neural network
- true
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种自动辨别商标真伪的方法及装置,首先建立并训练神经网络模型,然后采集商标图像,并将采集到的商标图像进行预处理,提高商标图像的清晰度,进而对实时采集的商标图像判别真伪,本发明能简化商标识别流程,且不增加商标制作成本。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种自动辨别商标真伪的方法及装置。
背景技术
商标是商品或企业的一个重要特征,生产、宣传、销售都会使用这个标志。但是有一些不法商家通过模仿、假冒有名的商标品牌用在劣质的产品上,谋取利益。商标作为一种无形资产,对于判别企业价值有着重要的价值意义并代表了企业的合法权益。因此,有效的判别仿冒商标显得尤为重要。
当前对商标真伪的判别,最常见的是使用刮开式数码防伪标签,这种防伪标签在使用时可通过刮除覆盖的油墨后,拨打电话或者发短信方式来查询防伪数码来达到产品的防伪目的,但这些防伪码查询过程过于繁琐。
另外也有全息商标,在商标防伪标记的生产过程中加入了一些不可再现的特殊信息,造假者要仿造出完全一样的防伪标识几乎是不可能的。
然而,正是这种微小的差别同样也让消费者感到困惑,因为要识别这些有特殊信息的防伪标记,要借助专门的技术或工具。而且会增加商标造价成本。不同的防伪标识有不同的鉴别方法,面对各种防伪标识,消费者不可能逐一掌握,而消费者不能鉴别防伪标识的真伪,再好的防伪标识也会失去其作用。有些防伪标记虽不易仿冒,但也难于鉴别。
发明内容
为解决上述问题,本发明提供一种自动辨别商标真伪的方法及装置,能简化商标识别流程,且不增加商标制作成本。
本发明提供的一种自动辨别商标真伪的方法,包括;
建立并训练神经网络模型;
采集商标图像;
将采集到的商标图像进行预处理;
实时判别采集的商标图像的真伪。
进一步,所述建立并训练神经网络模型具体包括:
采集商标图像集,所述商标图像集包含m张商标图像,每张所述商标图像的大小、角度和光照信息不同;
分别提取每张所述商标图像的特征信息,所述特征信息包括颜色、大小、周长、纹理以及弯曲程度;
选取n张商标图像作为神经网络的训练样本,选取余下m-n张商标图像作为测试样本,其中,m>n;
建立三层神经网络模型,所述神经网络模型包含输入层、隐层和输出层,输入层包含4个特征输入节点,隐层包含20个节点;
将训练样本输入神经网络模型的输入层,采用梯度下降法调整权值,对神经网络模型进行训练,直至形成训练好的神经网络模型。
进一步,所述形成训练好的神经网络模型通过以下方式确定:
将测试样本输入神经网络模型,对神经网络模型的输出结果进行验证,当所述输出结果的正确度达到阈值时,即为训练好的神经网络模型。
进一步,所述神经网络模型为ShuffleNet神经网络。
进一步,所述采集商标图像具体包括:
采集原始图像;
检测原始图像中商标图像的特征点,并计算出商标图像的标定参数;
根据所述商标图像的标定参数建立商标图像与世界坐标系的对应关系,从而建立成像模型,获取商标图像。
进一步,所述将采集到的商标图像进行预处理具体包括:
利用直方图均衡化修正商标图像对比度;
采用中值滤波对商标图像进行去噪处理,降低商标图像的噪声干扰;
采用Sobel梯度算子对商标图像进行锐化,使商标图像的特征更加明显;
采用阈值分割法得到包含商标图像的图像区域,去除图像中的背景。
进一步,所述实时判别采集的商标图像的真伪具体包括:
利用训练好的神经网络模型对实时采集的商标图像进行辨别,输出商标图像特征相似度;
根据商标图像特征相似度实时判断商标真伪。
进一步,所述根据商标图像特征相似度实时判断商标真伪具体包括:
当所述商标图像特征相似度大于85%时,输出商标为真商标的信息;
当所述商标图像特征相似度在40%~85%之间时,输出无法判别的信息,通过人工确认是否为真商标;
当所述商标图像特征相似度低于40%时,输出商标为仿冒商标的信息。
本发明提供一种自动辨别商标真伪的装置,所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在所述装置的以下模块中:
模型生成模块,用于建立并训练神经网络模型;
商标图像采集模块,用于采集商标图像;
商标图像处理模块,用于将采集到的商标图像进行预处理;
商标图像识别模块,用于实时判别采集的商标图像的真伪。
本发明的有益效果是:本发明公开一种自动辨别商标真伪的方法及装置,首先建立并训练神经网络模型,然后采集商标图像,并将采集到的商标图像进行预处理,提高商标图像的清晰度,进而对实时采集的商标图像判别真伪,本发明能简化商标识别流程,且不增加商标制作成本。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明一种自动辨别商标真伪的方法的流程示意图;
图2是本发明一种自动辨别商标真伪的装置的结构示意图。
具体实施方式
参考图1,本发明实施例提供的一种自动辨别商标真伪的方法,包括;
步骤S100、建立并训练神经网络模型;
步骤S200、采集商标图像;
步骤S300、将采集到的商标图像进行预处理,提高商标图像的清晰度;
步骤S400、实时判别采集的商标图像的真伪。
进一步,所述步骤S100具体包括:
步骤S110、采集商标图像集,所述商标图像集包含m张商标图像,每张所述商标图像的大小、角度和光照信息不同;
步骤S120、分别提取每张所述商标图像的特征信息,所述特征信息包括颜色、大小、周长、纹理以及弯曲程度;
步骤S130、选取n张商标图像作为神经网络的训练样本,选取余下m-n张商标图像作为测试样本,其中,m>n;
步骤S140、建立三层神经网络模型,所述神经网络模型包含输入层、隐层和输出层,输入层包含4个特征输入节点,隐层包含20个节点;
步骤S150、将训练样本输入神经网络模型的输入层,采用梯度下降法调整权值,对神经网络模型进行训练,直至形成训练好的神经网络模型。
进一步,所述形成训练好的神经网络模型通过以下方式确定:
将测试样本输入神经网络模型,对神经网络模型的输出结果进行验证,当所述输出结果的正确度达到阈值时,即为训练好的神经网络模型。
进一步,所述神经网络模型为ShuffleNet神经网络,ShuffleNet神经网络为旷视科技提出针对移动端深度学习的卷积神经网络,在大幅降低模型计算复杂度的同时仍然保持了较高的识别精度。
进一步,所述步骤S200具体包括:
步骤S210、采集原始图像;
步骤S220、检测原始图像中商标图像的特征点,并计算出商标图像的标定参数;
步骤S230、根据所述商标图像的标定参数建立商标图像与世界坐标系的对应关系,从而建立成像模型,获取商标图像。
进一步,所述步骤S300具体包括:
步骤S310、利用直方图均衡化修正商标图像对比度;
步骤S320、采用中值滤波对商标图像进行去噪处理,降低商标图像的噪声干扰;
步骤S330、采用Sobel梯度算子对商标图像进行锐化,使商标图像的特征更加明显;
步骤S340、采用阈值分割法得到包含商标图像的图像区域,去除图像中的背景。
进一步,所述步骤S400具体包括:
步骤S410、利用训练好的神经网络模型对实时采集的商标图像进行辨别,输出商标图像特征相似度;
步骤S420、根据商标图像特征相似度实时判断商标真伪。
进一步,所述根据商标图像特征相似度实时判断商标真伪具体包括:
当所述商标图像特征相似度大于85%时,输出商标为真商标的信息;
当所述商标图像特征相似度在40%~85%之间时,输出无法判别的信息,通过人工确认是否为真商标;
当所述商标图像特征相似度低于40%时,输出商标为仿冒商标的信息。
作为本实施例的进一步改进,当所述商标图像特征相似度在40%~85%之间时,通过模糊推理系统对商标图像特征相似度进行分析,判断商标真伪,具体包括:
采用模糊聚类分析法对商标图像特征相似度进行模糊集划分,求出商标图像特征相似度对应的隶属函数;
采用Takagi-Sugeno推理法对商标图像特征相似度进行去模糊化处理,得出模糊推理结果;
利用NGSIM数据对建立的模糊推理进行参数标定,并根据所述模糊推理结果判断商标真伪。
参考图2,本发明实施例提供一种自动辨别商标真伪的装置,所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在所述装置的以下模块中:
模型生成模块,用于建立并训练神经网络模型;
商标图像采集模块,用于采集商标图像;
商标图像处理模块,用于将采集到的商标图像进行预处理;
商标图像识别模块,用于实时判别采集的商标图像的真伪。
所述一种自动辨别商标真伪的装置,包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种自动辨别商标真伪的装置的示例,并不构成对一种自动辨别商标真伪的装置的限定,可以包括比例子更多的部件,或者组合某些部件,或者不同的部件,例如所述一种自动辨别商标真伪的装置还可以包括输入输出设备等。
所称处理器可以是中央处理单元(Central-Processing-Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor,DSP)、专用集成电路(Application-Specific-Integrated-Circuit,ASIC)、现成可编程门阵列(Field-Programmable-Gate-Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种自动辨别商标真伪的装置运行装置的控制中心,利用各种接口和线路连接整个一种自动辨别商标真伪的装置可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种自动辨别商标真伪的装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储创建的数据。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如智能存储卡(Smart-Media-Card,SMC),安全数字(Secure-Digital,SD)卡,闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (9)
1.一种自动辨别商标真伪的方法,其特征在于,包括;
建立并训练神经网络模型;
采集商标图像;
将采集到的商标图像进行预处理;
实时判别采集的商标图像的真伪。
2.根据权利要求1所述的一种自动辨别商标真伪的方法,其特征在于,所述建立并训练神经网络模型具体包括:
采集商标图像集,所述商标图像集包含m张商标图像,每张所述商标图像的大小、角度和光照信息不同;
分别提取每张所述商标图像的特征信息,所述特征信息包括颜色、大小、周长、纹理以及弯曲程度;
选取n张商标图像作为神经网络的训练样本,选取余下m-n张商标图像作为测试样本,其中,m>n;
建立三层神经网络模型,所述神经网络模型包含输入层、隐层和输出层,输入层包含4个特征输入节点,隐层包含20个节点;
将训练样本输入神经网络模型的输入层,对神经网络模型进行训练,采用梯度下降法调整权值,直至形成训练好的神经网络模型。
3.根据权利要求2所述的一种自动辨别商标真伪的方法,其特征在于,所述形成训练好的神经网络模型通过以下方式确定:
将测试样本输入神经网络模型,对神经网络模型的输出结果进行验证,当所述输出结果的正确度达到阈值时,即为训练好的神经网络模型。
4.根据权利要求2所述的一种自动辨别商标真伪的方法,其特征在于,所述神经网络模型为ShuffleNet神经网络。
5.根据权利要求1所述的一种自动辨别商标真伪的方法,其特征在于,所述采集商标图像具体包括:
采集原始图像;
检测原始图像中商标图像的特征点,并计算出商标图像的标定参数;
根据所述商标图像的标定参数建立商标图像与世界坐标系的对应关系,从而建立成像模型,获取商标图像。
6.根据权利要求1所述的一种自动辨别商标真伪的方法,其特征在于,所述将采集到的商标图像进行预处理具体包括:
利用直方图均衡化修正商标图像对比度;
采用中值滤波对商标图像进行去噪处理,降低商标图像的噪声干扰;
采用Sobel梯度算子对商标图像进行锐化,使商标图像的特征更加明显;
采用阈值分割法得到包含商标图像的图像区域,去除图像中的背景。
7.根据权利要求1所述的一种自动辨别商标真伪的方法,其特征在于,所述实时判别采集的商标图像的真伪具体包括:
利用训练好的神经网络模型对实时采集的商标图像进行辨别,输出商标图像特征相似度;
根据商标图像特征相似度实时判断商标真伪。
8.根据权利要求7所述的一种自动辨别商标真伪的方法,其特征在于,所述根据商标图像特征相似度实时判断商标真伪具体包括:
当所述商标图像特征相似度大于85%时,输出商标为真商标的信息;
当所述商标图像特征相似度在40%~85%之间时,输出无法判别的信息,通过人工确认是否为真商标;
当所述商标图像特征相似度低于40%时,输出商标为仿冒商标的信息。
9.一种自动辨别商标真伪的装置,其特征在于,所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在所述装置的以下模块中:
模型生成模块,用于建立并训练神经网络模型;
商标图像采集模块,用于采集商标图像;
商标图像处理模块,用于将采集到的商标图像进行预处理;
商标图像识别模块,用于实时判别采集的商标图像的真伪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811627709.9A CN109784384B (zh) | 2018-12-28 | 2018-12-28 | 一种自动辨别商标真伪的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811627709.9A CN109784384B (zh) | 2018-12-28 | 2018-12-28 | 一种自动辨别商标真伪的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109784384A true CN109784384A (zh) | 2019-05-21 |
CN109784384B CN109784384B (zh) | 2023-04-07 |
Family
ID=66498858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811627709.9A Active CN109784384B (zh) | 2018-12-28 | 2018-12-28 | 一种自动辨别商标真伪的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784384B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523605A (zh) * | 2020-04-28 | 2020-08-11 | 新疆维吾尔自治区烟草公司 | 一种图像识别方法、装置、电子设备及介质 |
WO2020258667A1 (zh) * | 2019-06-26 | 2020-12-30 | 平安科技(深圳)有限公司 | 图像识别方法及装置、非易失性可读存储介质、计算机设备 |
CN115471734A (zh) * | 2022-09-23 | 2022-12-13 | 中国农业大学 | 木质包装ippc标识的辩伪方法、装置及服务器 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077577A (zh) * | 2014-07-03 | 2014-10-01 | 浙江大学 | 一种基于卷积神经网络的商标检测方法 |
CN104978586A (zh) * | 2015-06-29 | 2015-10-14 | 百度在线网络技术(北京)有限公司 | 商标识别方法和装置 |
US20170316285A1 (en) * | 2016-04-28 | 2017-11-02 | International Business Machines Corporation | Detection of objects in images using region-based convolutional neural networks |
CN108038122A (zh) * | 2017-11-03 | 2018-05-15 | 福建师范大学 | 一种商标图像检索的方法 |
CN108288073A (zh) * | 2018-01-30 | 2018-07-17 | 北京小米移动软件有限公司 | 图片真伪识别方法及装置、计算机可读存储介质 |
CN108520285A (zh) * | 2018-04-16 | 2018-09-11 | 清华大学 | 物品鉴别方法、系统、设备及存储介质 |
CN108846441A (zh) * | 2018-06-21 | 2018-11-20 | 厦门集微科技有限公司 | 一种图像相似检测方法和装置、计算机可读存储介质 |
-
2018
- 2018-12-28 CN CN201811627709.9A patent/CN109784384B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077577A (zh) * | 2014-07-03 | 2014-10-01 | 浙江大学 | 一种基于卷积神经网络的商标检测方法 |
CN104978586A (zh) * | 2015-06-29 | 2015-10-14 | 百度在线网络技术(北京)有限公司 | 商标识别方法和装置 |
US20170316285A1 (en) * | 2016-04-28 | 2017-11-02 | International Business Machines Corporation | Detection of objects in images using region-based convolutional neural networks |
CN108038122A (zh) * | 2017-11-03 | 2018-05-15 | 福建师范大学 | 一种商标图像检索的方法 |
CN108288073A (zh) * | 2018-01-30 | 2018-07-17 | 北京小米移动软件有限公司 | 图片真伪识别方法及装置、计算机可读存储介质 |
CN108520285A (zh) * | 2018-04-16 | 2018-09-11 | 清华大学 | 物品鉴别方法、系统、设备及存储介质 |
CN108846441A (zh) * | 2018-06-21 | 2018-11-20 | 厦门集微科技有限公司 | 一种图像相似检测方法和装置、计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
潘春光: "基于神经网络的体育商标识别模型", 《现代电子技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020258667A1 (zh) * | 2019-06-26 | 2020-12-30 | 平安科技(深圳)有限公司 | 图像识别方法及装置、非易失性可读存储介质、计算机设备 |
CN111523605A (zh) * | 2020-04-28 | 2020-08-11 | 新疆维吾尔自治区烟草公司 | 一种图像识别方法、装置、电子设备及介质 |
CN115471734A (zh) * | 2022-09-23 | 2022-12-13 | 中国农业大学 | 木质包装ippc标识的辩伪方法、装置及服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN109784384B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423690B (zh) | 一种人脸识别方法及装置 | |
US6661907B2 (en) | Face detection in digital images | |
CN105144239B (zh) | 图像处理装置、图像处理方法 | |
CN109558810B (zh) | 基于部位分割与融合目标人物识别方法 | |
CN106022343B (zh) | 一种基于傅里叶描述子和bp神经网络的服装款式识别方法 | |
Hassanpour et al. | Feature extraction for paper currency recognition | |
CN108776819A (zh) | 一种目标识别方法、移动终端及计算机可读存储介质 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN109784384A (zh) | 一种自动辨别商标真伪的方法及装置 | |
CN108124486A (zh) | 基于云端的人脸活体检测方法、电子设备和程序产品 | |
TW200915202A (en) | System and method of image-based space detection | |
CN108629319B (zh) | 图像检测方法及系统 | |
CN111582359B (zh) | 一种图像识别方法、装置、电子设备及介质 | |
CN108875542A (zh) | 一种人脸识别方法、装置、系统及计算机存储介质 | |
CN105590099A (zh) | 一种基于改进卷积神经网络的多人行为识别方法 | |
CN108509950A (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
Sharma et al. | Recognition of Indian paper currency based on LBP | |
Tele et al. | Detection of fake Indian currency | |
CN108268889A (zh) | 对雕刻凹印真伪检测方法、检测平台及检测系统 | |
CN110533704A (zh) | 油墨标签的识别验伪方法、装置、设备及介质 | |
CN108921006B (zh) | 手写签名图像真伪鉴别模型建立方法及真伪鉴别方法 | |
CN117636421A (zh) | 一种基于边缘特征采集的人脸深伪检测方法 | |
CN115424163A (zh) | 唇形修改伪造视频检测方法、装置、设备及存储介质 | |
CN115188031A (zh) | 指纹识别方法、计算机程序产品、存储介质及电子设备 | |
CN113486201A (zh) | 一种卡通人物图像分类处理方法与系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |