CN109977750A - 印章真伪校验方法、装置及计算机可读存储介质 - Google Patents
印章真伪校验方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109977750A CN109977750A CN201910035427.8A CN201910035427A CN109977750A CN 109977750 A CN109977750 A CN 109977750A CN 201910035427 A CN201910035427 A CN 201910035427A CN 109977750 A CN109977750 A CN 109977750A
- Authority
- CN
- China
- Prior art keywords
- true
- seal image
- seal
- false
- 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
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像识别技术领域，揭露了一种印章真伪校验方法，该方法包括：将原始印章图像中的特征部分进行切割；对切割出来的特征部分进行识别模型的训练；将用印文件进行印章图像的剪切、去噪处理，提取出用印印章图像，并将所述用印印章图像中的特征部分进行切割；以及利用上述训练的识别模型，对用印印章图像中切割出来的特征部分进行真伪判断，从而识别用印印章图像的真伪。本发明还提出一种印章真伪校验装置以及一种计算机可读存储介质。本发明能够准确、快速地对印章的真伪进行检测。
Description
技术领域
本发明涉及图像识别技术领域，尤其涉及一种基于关键特征点检测比较的印章真伪校验方法、装置及计算机可读存储介质。
背景技术
目前现有的印章检测比较的防伪技术，都是基于人工比对盖章文件和原始印章文件的图像，存在很多缺陷和问题。例如，图像对比准确率不高，人工校验总是会存在失误，两张相似度比较高但又不是同一张图像，人类很可能将他们误认为一张图像；如果图像大小有差异，章模文件有残缺就会导致对比失败，由于人类无法对已经破坏的图像进行复原，章模有缺陷是人工无法校验的；印章防伪校验不能比对盖章文件的扫描件，只能比对原件。
发明内容
本发明提供一种印章真伪校验方法、装置及计算机可读存储介质，其主要目的在于准确、快速地对印章的真伪进行检测。
为实现上述目的，本发明提供的一种印章真伪校验方法，包括：
对原始印章图像中的特征部分进行切割；
对切割出来的特征部分进行识别模型的训练；
对用印文件进行剪切、去噪处理，从处理后的用印文件中提取出用印印章图像，并对所述用印印章图像中的特征部分进行切割；及
利用上述训练的识别模型，对用印印章图像中切割出来的特征部分进行真伪判断，从而识别用印印章图像的真伪。
可选地，所述特征部分包括印章图像中的文字、数字、图形。
可选地，所述印章真伪校验方法采用基于边缘检测的图像分割算法对所述特征部分进行切割，其中，所述边缘检测算法包括拉普拉斯算子、索贝尔算子。
可选地，所述识别模型为AlexNet神经网络模型，以及所述对切割出来的特征部分进行识别模型的训练包括：
将所述从原始印章图像中切割出来的特征部分的图像剪裁成预设大小作为样本数据；
将所述样本数据分为训练集及测试集，其中，训练集及测试集的数据量比例为4:1；
将所述训练集输入至所述AlexNet卷积神经网络模型；
在caffe框架下，采用反向传播算法及梯度下降法训练所述AlexNet卷积神经网络模型，并将学习率设置为0.01，损失函数为均方误差函数，网络的最后一层的全连接层节点改为2个。
可选地，所述利用上述训练的识别模型，对用印印章图像中切割出来的特征部分进行真伪判断，从而识别用印印章图像的真伪包括：
将切割出来的用印印章图像中的特征部分输入到所述训练的识别模型中，计算用印印章图像与原始印章图像之间特征部分的欧氏距离：
其中，x为得到的用印印章图像中的特征，y为训练好的原始印章图像中的特征，如果Jaccard系数大于0.8，则识别模型的输出为1，表示用印印章图像与原始印章图像一致，如果Jaccard系数小于0.8，则识别模型的输出为0，表示用印印章图像与原始印章图像不一致，即得到的用印印章图像是伪产品。
此外，为实现上述目的，本发明还提供一种印章真伪校验装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的印章真伪校验程序，所述印章真伪校验程序被所述处理器执行时实现如下步骤：
对原始印章图像中的特征部分进行切割；
对切割出来的特征部分进行识别模型的训练；
对用印文件进行剪切、去噪处理，从处理后的用印文件中提取出用印印章图像，并对所述用印印章图像中的特征部分进行切割；及
利用上述训练的识别模型，对用印印章图像中切割出来的特征部分进行真伪判断，从而识别用印印章图像的真伪。
可选地，所述特征部分包括印章图像中的文字、数字、图形。
可选地，所述识别模型为AlexNet神经网络模型，以及所述对切割出来的特征部分进行识别模型的训练包括：
将所述从原始印章图像中切割出来的特征部分的图像剪裁成预设大小作为样本数据；
将所述样本数据分为训练集及测试集，其中，训练集及测试集的数据量比例为4:1；
将所述训练集输入至所述AlexNet卷积神经网络模型；
在caffe框架下，采用反向传播算法及梯度下降法训练所述AlexNet卷积神经网络模型，并将学习率设置为0.01，损失函数为均方误差函数，网络的最后一层的全连接层节点改为2个。
可选地，所述利用上述训练的识别模型，对用印印章图像中切割出来的特征部分进行真伪判断，从而识别用印印章图像的真伪包括：
将切割出来的用印印章图像中的特征部分输入到所述训练的识别模型中，计算用印印章图像与原始印章图像之间特征部分的欧氏距离：
其中，x为得到的用印印章图像中的特征，y为训练好的原始印章图像中的特征，如果Jaccard系数大于0.8，则识别模型的输出为1，表示用印印章图像与原始印章图像一致，如果Jaccard系数小于0.8，则识别模型的输出为0，表示用印印章图像与原始印章图像不一致，即得到的用印印章图像是伪产品。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有印章真伪校验程序，所述印章真伪校验程序可被一个或者多个处理器执行，以实现如上所述的印章真伪校验方法的步骤。
本发明提出的印章真伪校验方法、装置及计算机可读存储介质对原始印章图像中的特征部分进行切割；对切割出来的特征部分进行识别模型的训练；对用印文件进行剪切、去噪处理，从处理后的用印文件中提取出用印印章图像，并对所述用印印章图像中的特征部分进行切割；及利用上述训练的识别模型，对用印印章图像中切割出来的特征部分进行真伪判断，从而识别用印印章图像的真伪。。本发明可以准确、快速地对印章的真伪进行检测。
附图说明
图1为本发明一实施例提供的印章真伪校验方法的流程示意图；
图2为本发明一实施例提供的印章真伪校验装置的内部结构示意图；
图3为本发明一实施例提供的印章真伪校验装置中印章真伪校验程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种印章真伪校验方法。参照图1所示，为本发明一实施例提供的印章真伪校验方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，印章真伪校验方法包括：
S10、对原始印章图像中的特征部分进行切割。
本发明较佳实施例中，所述特征部分包括印章图像中的文字、数字、图形等。
本发明采用基于边缘检测的图像分割算法对原始印章图像中的文字，数字，图形等特征部分进行分割。
本发明较佳实施例中，所述边缘检测算法包括拉普拉斯(Laplace)算子、索贝尔(Sobel)算子等。
S11、对切割出来的特征部分进行识别模型的训练。
本案采用卷积神经网络的深度学习的方法将从原始印章图像中切割出来的特征部分进行识别模型的训练。
本发明较佳实施例所述的识别模型为AlexNet卷积神经网络模型。
所述AlexNet卷积神经网络模型是一种分类学习模型，其网络结构包括有5个卷积层和3个全连接层。其中，第一层卷积层的核大小为11*11，步长为4，激活函数为修正线性函数然后进行池化，第二个卷积层核大小为5*5，激活函数为修正线性函数再池化，第三、四、五卷积层的核大小都为3*3，第六、七层全连接层节点个数为4096，第八层节点个数为1000。
本发明将所述从原始印章图像中切割出来的特征部分的图像剪裁成预设大小，如224*224(因为AlexNet神经网络模型对输入图像的大小要求是224*224)，作为样本数据；再将所述样本数据分为训练集及测试集。其中，训练集及测试集的数据量比例为4:1；将所述训练集作为输入数据输入至所述AlexNet卷积神经网络模型；再在caffe框架下，采用反向传播算法及梯度下降法训练所述AlexNet卷积神经网络模型，其学习率设为0.01，即每次训练的批量数为100，迭代次数为10000，损失函数为均方误差函数，网络的最后一层的全连接层节点改为2个。
S12、将用印文件进行剪切、去噪处理，从处理后的用印文件中提取出用印印章图像。
本发明将用印文件通过拉普拉斯算子或者索贝尔算子提取出用印印章图像，随后采用中值滤波去噪算法对用印印章图像去噪。
所述中值滤波去噪算法是指首先确定一个以某个像素为中心点的邻域(这里的邻域通常被称为窗口，一般为方形邻域)，然后将该窗口中各像素的灰度值进行排序，取其中的中间值作为所述窗口的中心像素灰度的新值；将所述窗口在图像中进行上下左右的移动后，以对所述图像进行平滑处理。所述中值滤波的输出像素是由窗口图像的中心值决定的,因而中值滤波对极限像素值(与周围像素灰度值差别较大的像素)远不如平均值那么敏感，从而可以消除孤立的噪声点，使图像产生较少的模糊。
S13、对所述用印印章图像中的特征部分进行切割。
相同地，本发明较佳实施例中，所述用印印章图像中的特征部分包括印章图像中的文字、数字、图形等。
本发明采用基于边缘检测的图像分割算法对用印印章图像中的文字，数字，图形等特征部分进行分割。
本发明较佳实施例中，所述边缘检测算法包括拉普拉斯(Laplace)算子或者索贝尔(Sobel)算子等。
S14、利用上述训练的识别模型，对用印印章图像中切割出来的特征部分进行真伪判断，从而识别用印印章图像的真伪。
本发明较佳实施例将切割出来的用印印章图像中的特征部分输入到所述训练的识别模型中，计算用印印章图像与原始印章图像之间特征部分的欧氏距离：
其中，x为得到的用印印章图像中的特征，y为训练好的原始印章图像中的特征。
如果Jaccard系数大于0.8，则识别模型的输出为1，认为用印印章图像与原始印章图像一致，即得到的用印印章图像不是伪产品。如果Jaccard系数小于0.8，则识别模型的输出为0，认为用印印章图像与原始印章图像不一致，即得到的用印印章图像是伪产品。
本发明还提供一种印章真伪校验装置。参照图2所示，为本发明一实施例提供的印章真伪校验装置的内部结构示意图。
在本实施例中，印章真伪校验装置1可以是PC(PersonalComputer，个人电脑)，也可以是智能手机、平板电脑、便携计算机等终端设备，或者也可以是服务器或者服务器集群等。该印章真伪校验装置1至少包括存储器11、处理器12，通信总线13，以及网络接口14。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是印章真伪校验装置1的内部存储单元，例如该印章真伪校验装置1的硬盘。存储器11在另一些实施例中也可以是印章真伪校验装置1的外部存储设备，例如印章真伪校验装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括印章真伪校验装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于印章真伪校验装置1的应用软件及各类数据，例如印章真伪校验程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行印章真伪校验程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他电子设备之间建立通信连接。
可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在印章真伪校验装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及印章真伪校验程序01的印章真伪校验装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对印章真伪校验装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的装置1实施例中，存储器11中存储有印章真伪校验程序01；处理器12执行存储器11中存储的印章真伪校验程序01时实现如下步骤：
步骤一、对原始印章图像中的特征部分进行切割。
本发明较佳实施例中，所述特征部分包括印章图像中的文字，数字，图形等。
本发明采用基于边缘检测的图像分割算法对原始印章图像中的文字，数字，图形等特征部分进行分割。
本发明较佳实施例中，所述边缘检测算法包括拉普拉斯(Laplace)算子、Sobel算子等。
步骤二、对切割出来的特征部分进行识别模型的训练。
本案采用卷积神经网络的深度学习的方法将从原始印章图像中切割出来的特征部分进行识别模型的训练。
本发明较佳实施例所述的识别模型为AlexNet卷积神经网络模型。
所述AlexNet卷积神经网络模型是一种分类学习模型，其网络结构包括有5个卷积层和3个全连接层。其中，第一层卷积层的核大小为11*11，步长为4，激活函数为修正线性函数然后进行池化，第二个卷积层核大小为5*5，激活函数为修正线性函数再池化，第三、四、五卷积层的核大小都为3*3，第六、七层全连接层节点个数为4096，第八层节点个数为1000。
本发明将所述从原始印章图像中切割出来的特征部分的图像剪裁成预设大小，如224*224(因为AlexNet神经网络对输入图像的大小要求是224*224)，作为样本数据；再将所述样本数据分为训练集及测试集。其中，训练集及测试集的数据量比例为4:1；将所述训练集作为输入数据输入至所述AlexNet卷积神经网络模型；再在caffe框架下，采用反向传播算法及梯度下降法训练所述AlexNet卷积神经网络模型，其学习率设为0.01，即每次训练的批量数为100，迭代次数为10000，损失函数为均方误差函数，网络的最后一层的全连接层节点改为2个。
步骤三、对用印文件进行剪切、去噪处理，从处理后的用印文件中提取出用印印章图像。
本发明将用印文件通过拉普拉斯算子或者Sobel算子提取出用印印章图像，随后采用中值滤波去噪算法对用印印章图像去噪。
所述中值滤波去噪算法是指首先确定一个以某个像素为中心点的邻域(这里的邻域通常被称为窗口，一般为方形邻域)，然后将该窗口中各像素的灰度值进行排序，取其中的中间值作为所述窗口的中心像素灰度的新值；将所述窗口在图像中进行上下左右的移动后，以对所述图像进行平滑处理。所述中值滤波的输出像素是由窗口图像的中心值决定的,因而中值滤波对极限像素值(与周围像素灰度值差别较大的像素)远不如平均值那么敏感，从而可以消除孤立的噪声点，使图像产生较少的模糊。
步骤四、对所述用印印章图像中的特征部分进行切割。
相同地，本发明较佳实施例中，所述用印印章图像中的特征部分包括印章中的文字，数字，图形等。
本发明采用基于边缘检测的图像分割算法对用印印章图像中的文字，数字，图形等特征部分进行分割。
本发明较佳实施例中，所述边缘检测算法包括拉普拉斯(Laplace)算子或者Sobel算子等。
步骤五、利用上述训练的识别模型，对用印印章图像中切割出来的特征部分进行真伪判断，从而识别用印印章图像的真伪。
本发明较佳实施例将切割出来的用印印章图像中的特征部分输入到所述训练的识别模型中，计算用印印章图像与原始印章图像之间特征部分的欧氏距离：
其中，x为得到的用印印章图像中的特征，y为训练好的原始印章图像中的特征。
如果Jaccard系数大于0.8，则识别模型的输出为1，认为用印印章图像与原始印章图像一致，即得到的用印印章图像不是伪产品。如果Jaccard系数小于0.8，则识别模型的输出为0，认为用印印章图像与原始印章图像不一致，即得到的用印印章图像是伪产品。
可选地，在其他实施例中，印章真伪校验程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述印章真伪校验程序在印章真伪校验装置中的执行过程。
例如，参照图3所示，为本发明印章真伪校验装置一实施例中的印章真伪校验程序的程序模块示意图，该实施例中，印章真伪校验程序可以被分割为第一图形处理模块10、模型训练模块20、第二图形处理模块30、以及真伪检测模块40，示例性地：
第一图形处理模块10用于：将原始印章图像中的特征部分进行切割；
模型训练模块20用于：对切割出来的特征部分进行识别模型的训练；
第二图形处理模块30用于：将用印文件进行用印印章图像的剪切、去噪处理，提取出用印印章图像，并将所述用印印章图像中的特征部分进行切割；以及
真伪检测模块40用于：利用上述训练的识别模型，对用印印章图像中切割出来的特征部分进行真伪判断，从而识别用印印章图像的真伪。
可选地，本发明所述特征部分包括印章图像中的文字，数字，图形等。
可选地，本发明采用基于边缘检测的图像分割算法对所述特征部分进行分割，其中，所述边缘检测算法包括拉普拉斯(Laplace)算子、索贝尔(Sobel算子)等。
本发明较佳实施例所述的识别模型为AlexNet卷积神经网络模型，所述AlexNet卷积神经网络模型的网络结构包括有5个卷积层和3个全连接层。其中，第一层卷积层的核大小为11*11，步长为4，激活函数为修正线性函数然后进行池化，第二个卷积层核大小为5*5，激活函数为修正线性函数再池化，第三、四、五卷积层的核大小都为3*3，第六、七层全连接层节点个数为4096，第八层节点个数为1000。
本发明将所述从原始印章图像中切割出来的特征部分的图像剪裁成预设大小，如224*224(因为AlexNet神经网络对输入图像的大小要求是224*224)，作为样本数据；再将所述样本数据分为训练集及测试集。其中，训练集及测试集的数据量比例为4:1；将所述训练集作为输入数据输入至所述AlexNet卷积神经网络模型；再在caffe框架下，采用反向传播算法及梯度下降法训练所述AlexNet卷积神经网络模型，其学习率设为0.01，即每次训练的批量数为100，迭代次数为10000，损失函数为均方误差函数，网络的最后一层的全连接层节点改为2个。
本发明较佳实施例将切割出来的用印印章图像中的特征部分输入到所述训练的识别模型中，计算用印印章图像与原始印章图像之间特征部分的欧氏距离：
其中，x为得到的用印印章图像中的特征，y为训练好的原始印章图像中的特征。
如果Jaccard系数大于0.8，则识别模型的输出为1，认为用印印章图像与原始印章图像一致，即得到的用印印章图像不是伪产品。如果Jaccard系数小于0.8，则识别模型的输出为0，认为用印印章图像与原始印章图像不一致，即得到的用印印章图像是伪产品。
上述第一图形处理模块10、模型训练模块20、第二图形处理模块30以及真伪检测模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有印章真伪校验程序，所述印章真伪校验程序可被一个或多个处理器执行，以实现如下操作：
将原始印章图像中的特征部分进行切割；
对切割出来的特征部分进行识别模型的训练；
将用印文件进行用印印章图像的剪切、去噪处理，提取出用印印章图像，并将所述用印印章图像中的特征部分进行切割；以及
利用上述训练的识别模型，对用印印章图像中切割出来的特征部分进行真伪判断，从而识别用印印章图像的真伪。
本发明计算机可读存储介质具体实施方式与上述印章真伪校验装置和方法各实施例基本相同，在此不作累述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种印章真伪校验方法，其特征在于，所述方法包括：
对原始印章图像中的特征部分进行切割；
对切割出来的特征部分进行识别模型的训练；
对用印文件进行剪切、去噪处理，从处理后的用印文件中提取出用印印章图像，并对所述用印印章图像中的特征部分进行切割；及
利用上述训练的识别模型，对用印印章图像中切割出来的特征部分进行真伪判断，从而识别用印印章图像的真伪。
2.如权利要求1所述的印章真伪校验方法，其特征在于，所述特征部分包括印章图像中的文字、数字、图形。
3.如权利要求1或2所述的印章真伪校验方法，其特征在于，该方法采用基于边缘检测的图像分割算法对所述特征部分进行切割，其中，所述边缘检测算法包括拉普拉斯算子、索贝尔算子。
4.如权利要求1所述的印章真伪校验方法，其特征在于，所述识别模型为AlexNet神经网络模型，以及所述对切割出来的特征部分进行识别模型的训练包括：
将所述从原始印章图像中切割出来的特征部分的图像剪裁成预设大小作为样本数据；
将所述样本数据分为训练集及测试集，其中，训练集及测试集的数据量比例为4:1；
将所述训练集输入至所述AlexNet卷积神经网络模型；
在caffe框架下，采用反向传播算法及梯度下降法训练所述AlexNet卷积神经网络模型，并将学习率设置为0.01，损失函数为均方误差函数，网络的最后一层的全连接层节点改为2个。
5.如权利要求4所述的印章真伪校验方法，其特征在于，所述利用上述训练的识别模型，对用印印章图像中切割出来的特征部分进行真伪判断，从而识别用印印章图像的真伪包括：
将切割出来的用印印章图像中的特征部分输入到所述训练的识别模型中，计算用印印章图像与原始印章图像之间特征部分的欧氏距离：
其中，x为得到的用印印章图像中的特征，y为训练好的原始印章图像中的特征，如果Jaccard系数大于0.8，则识别模型的输出为1，表示用印印章图像与原始印章图像一致，如果Jaccard系数小于0.8，则识别模型的输出为0，表示用印印章图像与原始印章图像不一致，即得到的用印印章图像是伪产品。
6.一种印章真伪校验装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的印章真伪校验程序，所述印章真伪校验程序被所述处理器执行时实现如下步骤：
对原始印章图像中的特征部分进行切割；
对切割出来的特征部分进行识别模型的训练；
对用印文件进行剪切、去噪处理，从处理后的用印文件中提取出用印印章图像，并对所述用印印章图像中的特征部分进行切割；及
利用上述训练的识别模型，对用印印章图像中切割出来的特征部分进行真伪判断，从而识别用印印章图像的真伪。
7.如权利要求6所述的印章真伪校验装置，其特征在于，所述特征部分包括印章图像中的文字、数字、图形。
8.如权利要求6所述的印章真伪校验装置，其特征在于，所述识别模型为AlexNet神经网络模型，以及所述对切割出来的特征部分进行识别模型的训练包括：
将所述从原始印章图像中切割出来的特征部分的图像剪裁成预设大小作为样本数据；
将所述样本数据分为训练集及测试集，其中，训练集及测试集的数据量比例为4:1；
将所述训练集输入至所述AlexNet卷积神经网络模型；
在caffe框架下，采用反向传播算法及梯度下降法训练所述AlexNet卷积神经网络模型，并将学习率设置为0.01，损失函数为均方误差函数，网络的最后一层的全连接层节点改为2个。
9.如权利要求6所述的印章真伪校验装置，其特征在于，所述利用上述训练的识别模型，对用印印章图像中切割出来的特征部分进行真伪判断，从而识别用印印章图像的真伪包括：
将切割出来的用印印章图像中的特征部分输入到所述训练的识别模型中，计算用印印章图像与原始印章图像之间特征部分的欧氏距离：
其中，x为得到的用印印章图像中的特征，y为训练好的原始印章图像中的特征，如果Jaccard系数大于0.8，则识别模型的输出为1，表示用印印章图像与原始印章图像一致，如果Jaccard系数小于0.8，则识别模型的输出为0，表示用印印章图像与原始印章图像不一致，即得到的用印印章图像是伪产品。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有印章真伪校验程序，所述印章真伪校验程序可被一个或者多个处理器执行，以实现如权利要求1至5中任一项所述的印章真伪校验方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910035427.8A CN109977750A (zh) | 2019-01-15 | 2019-01-15 | 印章真伪校验方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910035427.8A CN109977750A (zh) | 2019-01-15 | 2019-01-15 | 印章真伪校验方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109977750A true CN109977750A (zh) | 2019-07-05 |
Family
ID=67076687
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910035427.8A Pending CN109977750A (zh) | 2019-01-15 | 2019-01-15 | 印章真伪校验方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109977750A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111797921A (zh) * | 2020-07-02 | 2020-10-20 | 中国工商银行股份有限公司 | 一种图像数据对比方法及装置 |
| CN112016563A (zh) * | 2020-10-17 | 2020-12-01 | 深圳神目信息技术有限公司 | 一种圆形印章的真伪识别方法 |
| CN112115921A (zh) * | 2020-09-30 | 2020-12-22 | 北京百度网讯科技有限公司 | 一种真伪鉴别方法、装置以及电子设备 |
| CN112529513A (zh) * | 2019-09-17 | 2021-03-19 | 上海怀若智能科技有限公司 | 一种智能验印方法及系统 |
| CN112861630A (zh) * | 2021-01-07 | 2021-05-28 | 北京惠朗时代科技有限公司 | 一种基于多卷积核的公章图像真伪鉴别方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101894260A (zh) * | 2010-06-04 | 2010-11-24 | 北京化工大学 | 基于匹配特征点随机生成特征线的伪造印章识别方法 |
| CN106682704A (zh) * | 2017-01-20 | 2017-05-17 | 中国科学院合肥物质科学研究院 | 一种基于融合上下文信息的混合卷积神经网络的病害图像识别方法 |
| CN106815922A (zh) * | 2016-11-14 | 2017-06-09 | 杭州数生科技有限公司 | 一种基于手机app和云平台的纸币鉴伪方法及系统 |
| CN108009633A (zh) * | 2017-12-15 | 2018-05-08 | 清华大学 | 一种面向跨领域智能分析的多网络对抗学习方法和系统 |
| CN108614997A (zh) * | 2018-04-04 | 2018-10-02 | 南京信息工程大学 | 一种基于改进AlexNet的遥感图像识别方法 |
| CN108629360A (zh) * | 2017-03-23 | 2018-10-09 | 天津工业大学 | 一种基于深度学习的针织物基本组织结构自动识别方法 |
| CN108846330A (zh) * | 2018-05-30 | 2018-11-20 | 中科智文（北京）科技有限公司 | 一种纸张字画显微图像智能识别系统及识别方法 |
| CN109117885A (zh) * | 2018-08-17 | 2019-01-01 | 北方民族大学 | 一种基于深度学习的邮票识别方法 |
| CN109145723A (zh) * | 2018-07-09 | 2019-01-04 | 长江大学 | 一种印章识别方法、系统、终端装置及存储介质 |
-
2019
- 2019-01-15 CN CN201910035427.8A patent/CN109977750A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101894260A (zh) * | 2010-06-04 | 2010-11-24 | 北京化工大学 | 基于匹配特征点随机生成特征线的伪造印章识别方法 |
| CN106815922A (zh) * | 2016-11-14 | 2017-06-09 | 杭州数生科技有限公司 | 一种基于手机app和云平台的纸币鉴伪方法及系统 |
| CN106682704A (zh) * | 2017-01-20 | 2017-05-17 | 中国科学院合肥物质科学研究院 | 一种基于融合上下文信息的混合卷积神经网络的病害图像识别方法 |
| CN108629360A (zh) * | 2017-03-23 | 2018-10-09 | 天津工业大学 | 一种基于深度学习的针织物基本组织结构自动识别方法 |
| CN108009633A (zh) * | 2017-12-15 | 2018-05-08 | 清华大学 | 一种面向跨领域智能分析的多网络对抗学习方法和系统 |
| CN108614997A (zh) * | 2018-04-04 | 2018-10-02 | 南京信息工程大学 | 一种基于改进AlexNet的遥感图像识别方法 |
| CN108846330A (zh) * | 2018-05-30 | 2018-11-20 | 中科智文（北京）科技有限公司 | 一种纸张字画显微图像智能识别系统及识别方法 |
| CN109145723A (zh) * | 2018-07-09 | 2019-01-04 | 长江大学 | 一种印章识别方法、系统、终端装置及存储介质 |
| CN109117885A (zh) * | 2018-08-17 | 2019-01-01 | 北方民族大学 | 一种基于深度学习的邮票识别方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529513A (zh) * | 2019-09-17 | 2021-03-19 | 上海怀若智能科技有限公司 | 一种智能验印方法及系统 |
| CN111797921A (zh) * | 2020-07-02 | 2020-10-20 | 中国工商银行股份有限公司 | 一种图像数据对比方法及装置 |
| CN112115921A (zh) * | 2020-09-30 | 2020-12-22 | 北京百度网讯科技有限公司 | 一种真伪鉴别方法、装置以及电子设备 |
| CN112016563A (zh) * | 2020-10-17 | 2020-12-01 | 深圳神目信息技术有限公司 | 一种圆形印章的真伪识别方法 |
| CN112861630A (zh) * | 2021-01-07 | 2021-05-28 | 北京惠朗时代科技有限公司 | 一种基于多卷积核的公章图像真伪鉴别方法及系统 |
| CN112861630B (zh) * | 2021-01-07 | 2024-01-05 | 北京惠朗时代科技有限公司 | 一种基于多卷积核的公章图像真伪鉴别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109977750A (zh) | 印章真伪校验方法、装置及计算机可读存储介质 | |
| US11886799B2 (en) | Determining functional and descriptive elements of application images for intelligent screen automation | |
| US11188789B2 (en) | Detecting poisoning attacks on neural networks by activation clustering | |
| CN110751043A (zh) | 基于人脸可见性的人脸识别方法、装置及存储介质 | |
| CN110163199A (zh) | 车牌识别方法、车牌识别装置、车牌识别设备及介质 | |
| CN106650740B (zh) | 一种车牌识别方法及终端 | |
| CN111488826A (zh) | 一种文本识别方法、装置、电子设备和存储介质 | |
| US20150039637A1 (en) | Systems Apparatus and Methods for Determining Computer Apparatus Usage Via Processed Visual Indicia | |
| CN109062972A (zh) | 网页分类方法、装置及计算机可读存储介质 | |
| CN108491866B (zh) | 色情图片鉴定方法、电子装置及可读存储介质 | |
| CN105825535B (zh) | 一种图层合并方法及系统 | |
| CN110415212A (zh) | 异常细胞检测方法、装置及计算机可读存储介质 | |
| US10007680B2 (en) | Content collection search with robust content matching | |
| CN109902556A (zh) | 行人检测方法、系统、计算机设备及计算机可存储介质 | |
| CN113011144A (zh) | 表单信息的获取方法、装置和服务器 | |
| CN110246506A (zh) | 人声智能检测方法、装置及计算机可读存储介质 | |
| CN110020653A (zh) | 图像语义分割方法、装置及计算机可读存储介质 | |
| EP3835929A1 (en) | Method and electronic device for accidental touch prediction using ml classification | |
| CN108986125A (zh) | 物体边缘提取方法、装置及电子设备 | |
| CN108520263B (zh) | 一种全景图像的识别方法、系统及计算机存储介质 | |
| CN112988557A (zh) | 一种搜索框定位方法、数据采集方法、装置及介质 | |
| CN110895811B (zh) | 一种图像篡改检测方法和装置 | |
| CN117423125A (zh) | 一种图像检测方法、装置、设备及其存储介质 | |
| CN108875374B (zh) | 基于文档节点类型的恶意pdf检测方法及装置 | |
| CN111428724B (zh) | 一种试卷手写统分方法、装置及存储介质 |
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 |