CN110569716A - 一种货架图像翻拍检测方法 - Google Patents

一种货架图像翻拍检测方法 Download PDF

Info

Publication number
CN110569716A
CN110569716A CN201910680901.2A CN201910680901A CN110569716A CN 110569716 A CN110569716 A CN 110569716A CN 201910680901 A CN201910680901 A CN 201910680901A CN 110569716 A CN110569716 A CN 110569716A
Authority
CN
China
Prior art keywords
lbp
image
neighborhood
pixel
detection method
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
Application number
CN201910680901.2A
Other languages
English (en)
Inventor
方路平
汪振杰
李心怡
潘�清
陆飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910680901.2A priority Critical patent/CN110569716A/zh
Publication of CN110569716A publication Critical patent/CN110569716A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

一种货架图像翻拍检测方法，所述方法包括以下步骤：(1)获得待检测的货架图像；(2)对步骤(1)中所述货架图像进行预处理；(3)使用LBP计算方法处理步骤(2)中得到的图像，得到纹理描述图谱；(4)提取步骤(3)中纹理描述图谱的LBP特征向量；(5)将步骤(4)中得到的LBP特征向量向量输入XGBoost模型，得到图像所属的类别标签。本发明通过多尺度LBP捕捉翻拍图像中十分细微的摩尔纹特征，再采用XGBoost模型结合进行分类识别翻拍图像。能够帮助快消品企业有效解决业务中的问题。

Description

一种货架图像翻拍检测方法
技术领域
本发明涉及图像处理领域，具体涉及一种货架图像翻拍检测方法。
背景技术
快消品企业对线下销售终端的管理，依赖于门店主上传店内货架的图像，再由审核人员在线审核。
通常，快消品企业会约束门店主在使用手机上传图像时只能调用手机摄像头拍摄、IP地址必须定位于门店附近等，以避免一些常见的作弊手段。但门店主往往会上传翻拍图像。而翻拍图像与真实图像十分相似，即使是经验丰富的图像审核人员也很难识别出翻拍的图像。翻拍作弊手段不仅给企业带来了直接的经济损失，也给企业的营销管理造成了误导性信息。因此，识别门店主上传的图像是否翻拍是快消品企业的迫切需求。
翻拍图像由于相机感光元件的空间频率与液晶屏呈现图像的空间分布的干涉往往会产生摩尔纹现象，通过检测摩尔纹可以判断图像是否翻拍。
局部二值模式(Local Binary Pattern，LBP)是一种描述局部纹理特征的算子。通过比较图像的窗口范围内目标像素点和邻域像素点的像素值大小，能够计算、提取出目标像图像的纹理信息。在LBP的基础上，可以组合不同尺寸的LBP窗口，以提取图像多尺度范围下的纹理信息。
XGBoost是boosting算法的其中一种。Boosting算法的思想是将许多弱分类器集成在一起形成一个强分类器。因为XGBoost是一种提升树模型，所以它是将许多树模型集成在一起，形成一个很强的分类器。而所用到的树模型则是分类回归树(CART，Classification and Regression Tree)。
发明内容
为了解决上述问题，本发明提供了一种基于局部二值模式(Local BinaryPattern，LBP)的货架图像的翻拍检测方法。该方法利用LBP对局部纹理特征表现力强的特点，捕捉翻拍图像中摩尔纹的特征，再利用XGBoost模型进行分类，判断图像是否翻拍。
本发明解决其技术问题所采用的技术方案是：
一种货架图像翻拍检测方法，包括以下步骤：
(1)获得待检测的货架图像；
(2)对步骤(1)中所述货架图像进行预处理；
(3)使用LBP计算方法处理步骤(2)中得到的图像，得到纹理描述图谱；
(4)提取步骤(3)中纹理描述图谱的LBP特征向量；
(5)将步骤(4)中得到的LBP特征向量向量输入XGBoost模型，得到图像所属的类别标签。
进一步，所述步骤(2)中，图像预处理包括以下步骤：
(2a)将原始的RGB三通道图像转化为单通道的灰度图像，转换公式为：
Gray＝0.299R+0.587G+0.114B；
(2b)根据步骤(2a)得到的灰度图，将其均匀划分为8×8张子图。
再进一步，所述步骤(3)中，所述提取纹理描述图谱过程包括以下步骤：
(3a)利用LBP算子计算步骤(2)输出的各个子图。对每张子图中的每一个像素，将邻域内相邻的8个像素点与中心点比较灰度值，若该点的像素值大于中心点的像素值，则对应该像素点的位置被标记为1，否则标记为0。每一个像素点邻域内的8个邻域点经比较可产生8位0、1值，将它们视为二进制数并按照固定的顺序排列，即可得到一个八位的二进制数来表示该领域；再将其转换为十进制就得到中心点的LBP值，计算公式为：
其中，(xc，yc)为中心点，gc为中心的像素值，gp为邻域点的像素值，s(x)为相应的LBP值。P为邻域点数量，R为邻域范围。计算完所有像素点后得到对应的LBP图谱；
(3b)采用尺度为5*5、7*7、9*9的LBP算子重复步骤(3a)的LBP计算，这时邻域点取(xc+Δxk，yc+Δyk)，其中邻域点与中心点的相对坐标偏移Δxk，Δyk的计算公式为：
(3c)综合步骤(3a)和步骤(3b)得到的四种尺度下的LBP图谱，取平均值，得到纹理描述图谱；
(3d)对步骤(2)输出的每一张子图重复步骤(3a)、(3b)、(3c)。得到8×8张子LBP图谱。
所述步骤(4)中，所述LBP特征向量提取过程包括以下步骤：
(4a)计算步骤(3)输出的各个图块的LBP图谱的直方图，再将直方图转为一维序列，即得到对应的子图LBP特征向量
(4b)将步骤(4a)输出的8×8个LBP特征向量拼接为64倍长度的一维向量，得到原始图像的整体特征向量。
所述步骤(5)中，所述分类模型的目标选择二分类，控制模型复杂度的L2正则项参数lambda＝2，控制是否后剪枝的参数gamma＝0.3，构建决策树的深度参数max depth＝6，控制随机采样训练样本的百分比subsample＝0.8，生成决策树时的列采样参数colsamplebytree＝0.8。
本发明的有益效果主要表现在：通过多尺度LBP捕捉翻拍图像中十分细微的摩尔纹特征，再采用XGBoost模型结合进行分类识别翻拍图像。能够帮助快消品企业有效解决业务中的问题。
附图说明
图1为本发明的实现流程图；
图2为LBP特征提取示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2，一种货架图像翻拍检测方法，包括以下步骤：
(1)获得待检测的货架图像；
(2)对步骤(1)中所述货架图像进行预处理；
(3)使用LBP计算方法处理步骤(2)中得到的图像，得到纹理描述图谱；
(4)提取步骤(3)中纹理描述图谱的LBP特征向量；
(5)将步骤(4)中得到的LBP特征向量向量输入XGBoost模型，得到图像所属的类别标签。
进一步，所述步骤(2)中，图像预处理包括以下步骤：
(2a)将原始的RGB三通道图像转化为单通道的灰度图像，转换公式为：
Gray＝0.299R+0.587G+0.114B；
(2b)根据步骤(2a)得到的灰度图，将其均匀划分为8×8张子图。
再进一步，所述步骤(3)中，所述提取纹理描述图谱过程包括以下步骤：
(3a)利用LBP算子计算步骤(2)输出的各个子图。对每张子图中的每一个像素，将邻域内相邻的8个像素点与中心点比较灰度值，若该点的像素值大于中心点的像素值，则对应该像素点的位置被标记为1，否则标记为0。每一个像素点邻域内的8个邻域点经比较可产生8位0、1值，将它们视为二进制数并按照固定的顺序排列，即可得到一个八位的二进制数来表示该领域；再将其转换为十进制就得到中心点的LBP值，计算公式为：
其中，(xc，yc)为中心点，gc为中心的像素值，gp为邻域点的像素值，s(x)为相应的LBP值。P为邻域点数量，R为邻域范围。计算完所有像素点后得到对应的LBP图谱；
(3b)采用尺度为5*5、7*7、9*9的LBP算子重复步骤(3a)的LBP计算，这时邻域点取(xc+Δxk，yc+Δyk)，其中邻域点与中心点的相对坐标偏移Δxk，Δyk的计算公式为：
(3c)综合步骤(3a)和步骤(3b)得到的四种尺度下的LBP图谱，取平均值，得到纹理描述图谱；
(3d)对步骤(2)输出的每一张子图重复步骤(3a)、(3b)、(3c)。得到8×8张子LBP图谱。
所述步骤(4)中，所述LBP特征向量提取过程包括以下步骤：
(4a)计算步骤(3)输出的各个图块的LBP图谱的直方图，再将直方图转为一维序列，即得到对应的子图LBP特征向量
(4b)将步骤(4a)输出的8×8个LBP特征向量拼接为64倍长度的一维向量，得到原始图像的整体特征向量。
所述步骤(5)中，所述分类模型的目标选择二分类，控制模型复杂度的L2正则项参数lambda＝2，控制是否后剪枝的参数gamma＝0.3，构建决策树的深度参数max depth＝6，控制随机采样训练样本的百分比subsample＝0.8，生成决策树时的列采样参数colsamplebytree＝0.8。

Claims (5)

1.一种货架图像翻拍检测方法，其特征在于，所述方法包括以下步骤：
(1)获得待检测的货架图像；
(2)对步骤(1)中所述货架图像进行预处理；
(3)使用LBP计算方法处理步骤(2)中得到的图像，得到纹理描述图谱；
(4)提取步骤(3)中纹理描述图谱的LBP特征向量；
(5)将步骤(4)中得到的LBP特征向量向量输入XGBoost模型，得到图像所属的类别标签。
2.如权利要求1所述的一种货架图像翻拍检测方法，其特征在于，所述步骤(2)中，图像预处理包括以下步骤：
(2a)将原始的RGB三通道图像转化为单通道的灰度图像，转换公式为：
Gray＝0.299R+0.587G+0.114B；
(2b)根据步骤(2a)得到的灰度图，将其均匀划分为8×8张子图。
3.如权利要求1或2所述的一种货架图像翻拍检测方法，其特征在于，所述步骤(3)中，所述提取纹理描述图谱过程包括以下步骤：
(3a)利用LBP算子计算步骤(2)输出的各个子图，对每张子图中的每一个像素，将邻域内相邻的8个像素点与中心点比较灰度值，若该点的像素值大于中心点的像素值，则对应该像素点的位置被标记为1，否则标记为0，每一个像素点邻域内的8个邻域点经比较可产生8位0、1值，将它们视为二进制数并按照固定的顺序排列，即可得到一个八位的二进制数来表示该领域；再将其转换为十进制就得到中心点的LBP值，计算公式为：
其中，(xc，yc)为中心点，gc为中心的像素值，gp为邻域点的像素值，s(x)为相应的LBP值，P为邻域点数量，R为邻域范围，计算完所有像素点后得到对应的LBP图谱；
(3b)采用尺度为5*5、7*7、9*9的LBP算子重复步骤(3a)的LBP计算，这时邻域点取(xc+Δxk，yc+Δyk)，其中邻域点与中心点的相对坐标偏移Δxk，Δyk的计算公式为：
(3c)综合步骤(3a)和步骤(3b)得到的四种尺度下的LBP图谱，取平均值，得到纹理描述图谱；
(3d)对步骤(2)输出的每一张子图重复步骤(3a)、(3b)、(3c)，得到8×8张子LBP图谱。
4.如权利要求1或2所述的一种货架图像翻拍检测方法，其特征在于，所述步骤(4)中，所述LBP特征向量提取过程包括以下步骤：
(4a)计算步骤(3)输出的各个图块的LBP图谱的直方图，再将直方图转为一维序列，即得到对应的子图LBP特征向量；
(4b)将步骤(4a)输出的8×8个LBP特征向量拼接为64倍长度的一维向量，得到原始图像的整体特征向量。
5.如权利要求1或2所述的一种货架图像翻拍检测方法，其特征在于，所述步骤(5)中，所述分类模型的目标选择二分类，控制模型复杂度的L2正则项参数lambda＝2，控制是否后剪枝的参数gamma＝0.3，构建决策树的深度参数max depth＝6，控制随机采样训练样本的百分比subsample＝0.8，生成决策树时的列采样参数colsample bytree＝0.8。
CN201910680901.2A 2019-07-26 2019-07-26 一种货架图像翻拍检测方法 Pending CN110569716A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910680901.2A CN110569716A (zh) 2019-07-26 2019-07-26 一种货架图像翻拍检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910680901.2A CN110569716A (zh) 2019-07-26 2019-07-26 一种货架图像翻拍检测方法

Publications (1)

Publication Number Publication Date
CN110569716A true CN110569716A (zh) 2019-12-13

Family

ID=68773410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910680901.2A Pending CN110569716A (zh) 2019-07-26 2019-07-26 一种货架图像翻拍检测方法

Country Status (1)

Country Link
CN (1) CN110569716A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705608A (zh) * 2019-09-12 2020-01-17 杭州惠合信息科技有限公司 零售终端陈列货架翻拍识别方法及装置
CN111798376A (zh) * 2020-07-08 2020-10-20 泰康保险集团股份有限公司 图像识别方法、装置、电子设备及存储介质
CN112258481A (zh) * 2020-10-23 2021-01-22 北京云杉世界信息技术有限公司 一种门脸照翻拍检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101727573A (zh) * 2008-10-13 2010-06-09 汉王科技股份有限公司 一种视频图像中人群密度估计的方法和装置
CN107909073A (zh) * 2017-10-18 2018-04-13 天津大学 多维局部二值模式和机器学习手写乐谱谱线删除方法
CN108805050A (zh) * 2018-05-28 2018-11-13 上海交通大学 基于局部二值模式的电线检测方法
CN109558794A (zh) * 2018-10-17 2019-04-02 平安科技（深圳）有限公司 基于摩尔纹的图像识别方法、装置、设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101727573A (zh) * 2008-10-13 2010-06-09 汉王科技股份有限公司 一种视频图像中人群密度估计的方法和装置
CN107909073A (zh) * 2017-10-18 2018-04-13 天津大学 多维局部二值模式和机器学习手写乐谱谱线删除方法
CN108805050A (zh) * 2018-05-28 2018-11-13 上海交通大学 基于局部二值模式的电线检测方法
CN109558794A (zh) * 2018-10-17 2019-04-02 平安科技（深圳）有限公司 基于摩尔纹的图像识别方法、装置、设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王延江等: "《数字图像处理》", 30 November 2016 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705608A (zh) * 2019-09-12 2020-01-17 杭州惠合信息科技有限公司 零售终端陈列货架翻拍识别方法及装置
CN111798376A (zh) * 2020-07-08 2020-10-20 泰康保险集团股份有限公司 图像识别方法、装置、电子设备及存储介质
CN111798376B (zh) * 2020-07-08 2023-10-17 泰康保险集团股份有限公司 图像识别方法、装置、电子设备及存储介质
CN112258481A (zh) * 2020-10-23 2021-01-22 北京云杉世界信息技术有限公司 一种门脸照翻拍检测方法

Similar Documents

Publication Publication Date Title
EP3455782B1 (en) System and method for detecting plant diseases
CN107545239B (zh) 一种基于车牌识别与车辆特征匹配的套牌检测方法
CN108090511B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN111008961B (zh) 一种输电线路设备缺陷检测方法及其系统、设备、介质
Yimyam et al. The automated parking fee calculation using license plate recognition system
CN103853724B (zh) 多媒体数据分类方法及装置
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN110569716A (zh) 一种货架图像翻拍检测方法
Do et al. Automatic license plate recognition using mobile device
CN108268832A (zh) 电力作业监测方法、装置、存储介质和计算机设备
Masood et al. Plants disease segmentation using image processing
Jagtap et al. Multi-style license plate recognition using artificial neural network for Indian vehicles
Kanter Color Crack: Identifying Cracks in Glass
CN108021913A (zh) 证件照片信息识别方法及装置
Triantoro et al. Image based water gauge reading developed with ANN Kohonen
CN106650824B (zh) 基于支持向量机的运动目标分类方法
CN110991434B (zh) 自助终端证件识别方法及装置
Garg et al. Color based segmentation using K-mean clustering and watershed segmentation
CN111507119A (zh) 标识码识别方法、装置、电子设备及计算机可读存储介质
CN111797922A (zh) 文本图像分类方法及装置
CN113610832A (zh) 一种徽标缺陷检测方法、装置、设备和存储介质
CN110705608A (zh) 零售终端陈列货架翻拍识别方法及装置
Irviantina et al. An Empiric Model of Face Detection based on RGB Skin Tone Color
CN111126115B (zh) 暴力分拣行为识别方法和装置
CN114820582A (zh) 一种基于混合注意力形变卷积神经网络的手机表面缺陷精准分级方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191213