CN110705620A - 一种基于翻拍识别的陈列图像检测方法、装置及存储介质 - Google Patents

一种基于翻拍识别的陈列图像检测方法、装置及存储介质 Download PDF

Info

Publication number
CN110705620A
CN110705620A CN201910913694.0A CN201910913694A CN110705620A CN 110705620 A CN110705620 A CN 110705620A CN 201910913694 A CN201910913694 A CN 201910913694A CN 110705620 A CN110705620 A CN 110705620A
Authority
CN
China
Prior art keywords
image
display image
trained
detected
images
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
CN201910913694.0A
Other languages
English (en)
Inventor
黄祖浩
丁明
陈永辉
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.)
Guangzhou Xuanwu Wireless Technology Co Ltd
Original Assignee
Guangzhou Xuanwu Wireless Technology Co Ltd
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 Guangzhou Xuanwu Wireless Technology Co Ltd filed Critical Guangzhou Xuanwu Wireless Technology Co Ltd
Priority to CN201910913694.0A priority Critical patent/CN110705620A/zh
Publication of CN110705620A publication Critical patent/CN110705620A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

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

Abstract

本发明公开了一种基于翻拍识别的陈列图像检测方法、装置及存储介质，所述方法包括：获取待检测陈列图像并提取所述待检测陈列图像的MSCN系数及LPB特征；根据所述待检测陈列图像的MSCN系数及LPB特征，构建所述待检测陈列图像的特征矩阵；将所述特征矩阵输入到预设的翻拍图像识别模型中对所述待检测陈列图像进行翻拍鉴定。通过实施本发明实施例能对翻拍的陈列图像进行识别，保证陈列图像的真实性。

Description

一种基于翻拍识别的陈列图像检测方法、装置及存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于翻拍识别的陈列图像检测方法。
背景技术
快消品零售是一个很特殊的行业，商品销售节奏很快，它更多满足的是消费者的冲动性和即时性消费。充满视觉冲击力的货架陈列对推动销售业绩发挥着重要作用。很多大型快消品牌商每年花在陈列广告上的支出多达十几亿，光花在陈列检查上的费用就有近亿元。过去陈列检查完全依赖人眼和手工完成的，进店和记录需要花费大量的人力，效率很低，质量难以把控。而且局限于成本往往只能由管理人员通过抽调陈列人员上传的陈列图像进行抽样调查，检查是否按规定对货架上的商品进行陈列。
但由于当前数码相机日趋低价和高像素，图像处理软件也越来越易于操作，这些为数字图像造假创造了条件，日常所见图像的真实性大打折扣。普通的陈列人员为应付管理人员的抽查，可能会上传一些图像质量高的翻拍图像来蒙混过关，因此如何检测并排除翻拍图像对保证陈列图像的真实性极为重要。
发明内容
本发明实施例提供一种基于翻拍识别的陈列图像检测方法，能对翻拍的陈列图像进行识别，保证陈列图像的真实性。
本发明一实施例提供一种基于翻拍识别的陈列图像检测方法，包括：
获取待检测陈列图像并提取所述待检测陈列图像的MSCN系数及LPB特征；
根据所述待检测陈列图像的MSCN系数及LPB特征，构建所述待检测陈列图像的特征矩阵；
将所述特征矩阵输入到预设的翻拍图像识别模型中对所述待检测陈列图像进行翻拍鉴定。
进一步的，在所述提取所述待检测陈列图像的MSCN系数及LPB特征之前，还包括：对所述待检测陈列图像进行拉普拉斯放大。
进一步的，其特征在于，所述翻拍图像识别模型的构建步骤包括：
获取若干待训练图像；其中，所述待训练图像包括自然陈列图像及翻拍图像；
提取所述每一所述待训练图像的MSCN系数及LPB特征，构建每一所述待训练图像的特征矩阵；
将每一所述待训练图像的特征矩阵以及对应的标签输入到SVM分类器中进行训练，获得所述翻拍图像识别模型。
进一步的，所述获取若干待训练图像，具体包括：获取若干原始图像，所述原始图像包括自然图像及翻拍图像；计算每一所述原始图像的图像熵及模糊度；将图像熵及模糊度均符合预设标准的原始图像，作为所述待训练图像。
进一步的，在所述提取所述每一所述待训练图像的MSCN系数及LPB特征，构建每一所述待训练图像的特征矩阵之前，还包括：对每一所述待训练图像进行拉普拉斯放大。
在上述方法项实施例的基础上，本发明对应提供了装置项实施例；
本发明另一实施例提供了一种基于翻拍识别的陈列图像检测装置，包括图像处理模块、特征矩阵构建模块以及图像鉴定模块；
其中，所述图像处理模块，用于获取待检测陈列图像并提取所述待检测陈列图像的MSCN系数及LPB特征；
所述特征矩阵构建模块，用于根据所述待检测陈列图像的MSCN系数及LPB特征，构建所述待检测陈列图像的特征矩阵；
所述图像鉴定模块，用于将所述特征矩阵输入到预设的翻拍图像识别模型中对所述待检测陈列图像进行翻拍鉴定。
进一步的，所述图像处理模块，还用于对所述待检测陈列图像进行拉普拉斯放大。
进一步的，还包括模型构建模块，所述模型构建模块包括图像获取子单元、特征提取子单元以及模型训练子单元；
所述图像获取子单元，用于获取若干待训练图像；其中，所述待训练图像包括自然陈列图像及翻拍图像；
所述特征提取子单元，用于提取所述每一所述待训练图像的MSCN系数及LPB特征，构建每一所述待训练图像的特征矩阵；
所述模型训练子单元，用于将每一所述待训练图像的特征矩阵以及对应的标签输入到SVM分类器中进行训练，获得所述翻拍图像识别模型。
在上述方法项实施例的基础上，本发明提供了对应的存储介质项实施例；
本发明另一实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，所述计算机程序运行时实现如本发明任意一项方法项实施例所述的基于翻拍识别的陈列图像检测方法。
通过实施本发明实施例具有如下有益效果：
本发明实施例提供了一种基于翻拍识别的陈列图像检测方法、装置及存储介质，所述方法首先提取需要进行识别的陈列图像的MSCN系数及LPB特征，根据MSCN系数及LPB特征构建特征矩阵，最后将构建的矩阵输入设置好的翻拍图像识别模型中，实现对陈列图像的翻拍鉴定，通过上述方式可以判断陈列图像是直接对着拍摄物品自然拍摄的图像，还是通过对书刊、图表、绘画、相片等进行翻拍获得的翻拍图像，这样实现了陈列检测的管理人员对商品陈列智检的真实性以及相关陈列人员上交的数据的真实性进行有效的监督。
附图说明
图1是本发明一实施例提供的一种基于翻拍识别的陈列图像检测方法的流程示意图。
图2是本发明一实施例提供的一种基于翻拍识别的陈列图像检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明一实施例提供的一种基于翻拍识别的陈列图像检测方法，包括如下步骤：
步骤S101、获取待检测陈列图像并提取所述待检测陈列图像的MSCN系数及LPB特征。
步骤S102、根据所述待检测陈列图像的MSCN系数及LPB特征，构建所述待检测陈列图像的特征矩阵。
步骤S103、将所述特征矩阵输入到预设的翻拍图像识别模型中对所述待检测陈列图像进行翻拍鉴定。
对于步骤S101、在一个优选的实施例中，在提取待检测陈列图像的MSCN系数及LPB特征之前，还包括对所述待检测陈列图像进行拉普拉斯放大。通过拉普拉斯进行放大后可以放大自然陈列图像与翻拍陈列图像之间的特征差异。从而提高图像鉴定时的效率及准确度。
需要说明的是上述自然陈列图像指的是通过摄像装置直接对货架上的商品进行实物拍摄得到的图像；上述翻拍陈列图像指的是摄像装置对书刊、图表、绘画、相片等进行翻拍获得的图像。
对于步骤S102、具体的在步骤S101提取出待检测陈列图像的MSCN系数及LPB特征后，对MSCN系数及LPB特征进行重新组合，构建出上述的待检测陈列图像的特征矩阵。
对于步骤S103、在一个优选的实施例中，上述翻拍图像识别模型通过以下方式进行构建，具体包括：
1、获取若干待训练图像；其中，所述待训练图像包括自然陈列图像及翻拍图像；
2、提取所述每一所述待训练图像的MSCN系数及LPB特征，构建每一所述待训练图像的特征矩阵；
3、将每一所述待训练图像的特征矩阵以及对应的标签输入到SVM分类器中进行训练，获得所述翻拍图像识别模型。
需要说明的是上述自然图像指的是通过摄像装置直接对照片中的主体进行实物拍摄得到的图像；上述翻拍图像指的是摄像装置对书刊、图表、绘画、相片等进行翻拍获得的图像。以下通过一个实际例子对上述待检测图像的获取进行一个详细的说明。
对于步骤1、具体通过以下方式获取上述若干待训练图像
获取若干原始图像，所述原始图像包括自然图像及翻拍图像；计算每一所述原始图像的图像熵及模糊度；将图像熵及模糊度均符合预设标准的原始图像，作为所述待训练图像。
以下通过一个实际例子对上述待检测图像的获取进行一个详细的说明。
1.1、通过摄像装置对货架上的商品进行图像采集，在采集时通过不同角度取景拍照，从而实现不同角度不同灯光下的多类型自然图像样本的采集。
2.1、通过不同型号的摄像装置对步骤1采集的自然图像按照1:1的比例进行翻拍得到对应的翻拍图像。优先的步骤1中的自然图像和步骤2中的翻拍图像各采集1000张，并存储进图像库中。上述不同型号的摄像装置可以是各个不同类型不同厂家生产的手机，或其他摄像装置。这样可以提高后续整个识别模型适应的广泛性，可以使得后续构建的翻拍图像识别模型能够实现对各种设备翻拍图像的识别。
3.1、通过OpenCV图像预处理方法，在图像库随机挑选1600图片其中翻拍图像和自然图像800张，对图片Resize到统一尺寸，读取图像转换成矩阵；然后划分各区域进行融合算法计算，计算图像模糊度和图像的图像熵；为提高翻拍检测的效率，预先将过于模糊的图像，成像质量不和格的图像进行剔除；图像质量的评定由该图像的信息熵量化计算判断，熵指的是体系的混乱的程度，对焦良好的图像的熵大于没有清晰对焦的图像，这里用熵作为一种质量评价标准，熵(图像熵)越大图像质量越好。通过设定信息熵阈值筛选图像质量不合格图像。此外在一个优选的实施例中还可以将图像的明亮度纳入图像筛选的条件中，即只有当图像的图像熵、模糊度及明亮度均符合预设的标准，才能作为上述待训练图像。由于在实际业务零售场景中，部分货架区域较为灰暗，会导致采集到的图像过于灰暗无法识别，另由于拍摄过程中存在其余因素，如因拍摄装置抖动会造成采集的图像模糊，图像质量差等现象；通过这一小步骤，对采集到的图像进行预先处理把模糊度、图像质量、图像明亮度不合格的图像进行剔除，将符合要求的图像作为上述待训练图像，能够为后续训练翻拍图像识别模型时，提供良好的训练样本，提高翻拍图像识别模型，对翻拍图像鉴定的准确性。
对于步骤2、在筛选获得了若干待训练图像之后，对待训练图像进行多维特征提取，主要包括图像MSCN系数以及LPB局部纹理特征，重新组合为特征矩阵；由于自然图像的像素强度遵循高斯分布特征,而翻拍图像的像素强度不遵循高斯分布，因此可以选取MSCN系数作为识别图像是否为翻拍图像的一个判断标准。
在一个优选的实施中，在提取所述每一所述待训练图像的MSCN系数及LPB特征之前，还包括对每一所述待训练图像进行拉普拉斯放大，通过拉普拉斯放大后，再进行特征的提取，可以放大自然图像与翻拍图像之间的差异。提高检测效率。
对于步骤3、将每一待训练图像的特征矩阵以及对应的标签输入到SVM分类器进行训练，既可得到上述翻拍图像识别模型。需要说明的是，此处的标签可以是仅包含是否为翻拍图像的信息，也可以包含对应的商品在货架上的位置信息；例如一通过摄像装置对第一排货架上的商品进行拍摄的自然图像，其对应的标签的信息可以仅仅是“自然图像”这一个数据项，也可以包含“自然图像”“第一排”这两个数据项，由于不同位置上的商品采集到的图像的明亮度或纹理会有所不同，因此可以加入商品的位置信息这一项，进行更加细致的分类，这样在检测出待训练图像是否为翻拍图像的同时，还能对待训练图像对应的实物在货架上的位置进行一个粗略的检查，使得管理人员可以获悉商品在货架上实际的摆放位置；需要说明的是，若要实现对商品在货架上的定位，在训练图像样本采集的过程中，还需要对位于货架上不同位置的商品的图像进行采集。
通过实施上述方法项实施例能够实现对陈列图像的翻拍鉴定，这样陈列检测的管理人员对商品陈列智检的真实性以及相关陈列人员上交的数据的真实性进行有效的监督。
在上述方法项实施例的基础上，对应提供了装置项实施例：
如图2所示，是本发明一实施例提供的一种基于翻拍识别的陈列图像检测装置，包括图像处理模块、特征矩阵构建模块以及图像鉴定模块；
其中，所述图像处理模块，用于获取待检测陈列图像并提取所述待检测陈列图像的MSCN系数及LPB特征；
所述特征矩阵构建模块，用于根据所述待检测陈列图像的MSCN系数及LPB特征，构建所述待检测陈列图像的特征矩阵；
所述图像鉴定模块，用于将所述特征矩阵输入到预设的翻拍图像识别模型中对所述待检测陈列图像进行翻拍鉴定。
在一个优选的实施例中，所述图像处理模块，还用于对所述待检测陈列图像进行拉普拉斯放大。
在一个优选的实施例中，还包括模型构建模块，所述模型构建模块包括图像获取子单元、特征提取子单元以及模型训练子单元；
所述图像获取子单元，用于获取若干待训练图像；其中，所述待训练图像包括自然陈列图像及翻拍图像；
所述特征提取子单元，用于提取所述每一所述待训练图像的MSCN系数及LPB特征，构建每一所述待训练图像的特征矩阵；
所述模型训练子单元，用于将每一所述待训练图像的特征矩阵以及对应的标签输入到SVM分类器中进行训练，获得所述翻拍图像识别模型。
需要说明的是上述装置项实施例是与上述方法项实施例对应的，其可以实现本发明任意一项方法项实施例所述的基于翻拍识别的陈列图像检测方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元/模块可以是或者也可以不是物理上分开的，作为单元/模块显示的部件可以是或者也可以不是物理单元/模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。所述示意图仅仅是基于翻拍识别的陈列图像检测装置的示例，并不构成对基于翻拍识别的陈列图像检测装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
在上述方法项实施例的基础上，对应提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，所述计算机程序运行时实现本发明任意一项方法项所述的基于翻拍识别的陈列图像检测方法。
上述存储介质为计算机可读存储介质，其中，所述基于翻拍识别的陈列图像检测装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (9)

1.一种基于翻拍识别的陈列图像检测方法，其特征在于，包括：
获取待检测陈列图像并提取所述待检测陈列图像的MSCN系数及LPB特征；
根据所述待检测陈列图像的MSCN系数及LPB特征，构建所述待检测陈列图像的特征矩阵；
将所述特征矩阵输入到预设的翻拍图像识别模型中对所述待检测陈列图像进行翻拍鉴定。
2.如权利要求1所述的基于翻拍识别的陈列图像检测方法，其特征在于，
在所述提取所述待检测陈列图像的MSCN系数及LPB特征之前，还包括：对所述待检测陈列图像进行拉普拉斯放大。
3.如权利要求1所述的基于翻拍识别的陈列图像检测方法，其特征在于，所述翻拍图像识别模型的构建步骤包括：
获取若干待训练图像；其中，所述待训练图像包括自然陈列图像及翻拍图像；
提取所述每一所述待训练图像的MSCN系数及LPB特征，构建每一所述待训练图像的特征矩阵；
将每一所述待训练图像的特征矩阵以及对应的标签输入到SVM分类器中进行训练，获得所述翻拍图像识别模型。
4.如权利要求3所述的基于翻拍识别的陈列图像检测方法，其特征在于，所述获取若干待训练图像，具体包括：
获取若干原始图像，所述原始图像包括自然图像及翻拍图像；
计算每一所述原始图像的图像熵及模糊度；
将图像熵及模糊度均符合预设标准的原始图像，作为所述待训练图像。
5.如权利要求3所述的基于翻拍识别的陈列图像检测方法，其特征在于，在所述提取所述每一所述待训练图像的MSCN系数及LPB特征，构建每一所述待训练图像的特征矩阵之前，还包括：
对每一所述待训练图像进行拉普拉斯放大。
6.一种基于翻拍识别的陈列图像检测装置，其特征在于，包括：图像处理模块、特征矩阵构建模块以及图像鉴定模块；
其中，所述图像处理模块，用于获取待检测陈列图像并提取所述待检测陈列图像的MSCN系数及LPB特征；
所述特征矩阵构建模块，用于根据所述待检测陈列图像的MSCN系数及LPB特征，构建所述待检测陈列图像的特征矩阵；
所述图像鉴定模块，用于将所述特征矩阵输入到预设的翻拍图像识别模型中对所述待检测陈列图像进行翻拍鉴定。
7.如权利要求6所述基于翻拍识别的陈列图像检测装置，其特征在于，所述图像处理模块，还用于对所述待检测陈列图像进行拉普拉斯放大。
8.如权利要求6所述基于翻拍识别的陈列图像检测装置，其特征在于，还包括模型构建模块，所述模型构建模块包括图像获取子单元、特征提取子单元以及模型训练子单元；
所述图像获取子单元，用于获取若干待训练图像；其中，所述待训练图像包括自然陈列图像及翻拍图像；
所述特征提取子单元，用于提取所述每一所述待训练图像的MSCN系数及LPB特征，构建每一所述待训练图像的特征矩阵；
所述模型训练子单元，用于将每一所述待训练图像的特征矩阵以及对应的标签输入到SVM分类器中进行训练，获得所述翻拍图像识别模型。
9.一种存储介质，其特征在于，所述存储介质包括存储的计算机程序，其中，所述计算机程序运行时实现如权利要求1-5任意一项所述的基于翻拍识别的陈列图像检测方法。
CN201910913694.0A 2019-09-25 2019-09-25 一种基于翻拍识别的陈列图像检测方法、装置及存储介质 Pending CN110705620A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910913694.0A CN110705620A (zh) 2019-09-25 2019-09-25 一种基于翻拍识别的陈列图像检测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910913694.0A CN110705620A (zh) 2019-09-25 2019-09-25 一种基于翻拍识别的陈列图像检测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN110705620A true CN110705620A (zh) 2020-01-17

Family

ID=69197084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910913694.0A Pending CN110705620A (zh) 2019-09-25 2019-09-25 一种基于翻拍识别的陈列图像检测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN110705620A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461143A (zh) * 2020-03-31 2020-07-28 珠海格力电器股份有限公司 一种图片翻拍识别方法和装置及电子设备
CN111814633A (zh) * 2020-06-29 2020-10-23 北京百度网讯科技有限公司 陈列场景检测方法、装置、设备以及存储介质
CN112927221A (zh) * 2020-12-09 2021-06-08 广州市玄武无线科技股份有限公司 一种基于图像细粒度特征翻拍检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521614A (zh) * 2011-12-20 2012-06-27 中山大学 一种翻拍数字图像的鉴定方法
CN105007488A (zh) * 2015-07-06 2015-10-28 浙江理工大学 基于变换域和空间域的通用无参考图像质量评价方法
CN105117729A (zh) * 2015-05-11 2015-12-02 杭州金培科技有限公司 一种识别翻拍图像的方法和装置
CN106709916A (zh) * 2017-01-19 2017-05-24 泰康保险集团股份有限公司 图像质量评估方法及装置
US10244505B2 (en) * 2015-07-20 2019-03-26 Telefonaktiebolaget Lm Ericsson (Publ) Operating a pool of mobility nodes

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521614A (zh) * 2011-12-20 2012-06-27 中山大学 一种翻拍数字图像的鉴定方法
CN105117729A (zh) * 2015-05-11 2015-12-02 杭州金培科技有限公司 一种识别翻拍图像的方法和装置
CN105007488A (zh) * 2015-07-06 2015-10-28 浙江理工大学 基于变换域和空间域的通用无参考图像质量评价方法
US10244505B2 (en) * 2015-07-20 2019-03-26 Telefonaktiebolaget Lm Ericsson (Publ) Operating a pool of mobility nodes
CN106709916A (zh) * 2017-01-19 2017-05-24 泰康保险集团股份有限公司 图像质量评估方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
范赐恩等: "颜色空间统计联合纹理特征的无参考图像质量评价", 《光学精密工程》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461143A (zh) * 2020-03-31 2020-07-28 珠海格力电器股份有限公司 一种图片翻拍识别方法和装置及电子设备
CN111814633A (zh) * 2020-06-29 2020-10-23 北京百度网讯科技有限公司 陈列场景检测方法、装置、设备以及存储介质
CN111814633B (zh) * 2020-06-29 2023-06-27 北京百度网讯科技有限公司 陈列场景检测方法、装置、设备以及存储介质
CN112927221A (zh) * 2020-12-09 2021-06-08 广州市玄武无线科技股份有限公司 一种基于图像细粒度特征翻拍检测方法及系统

Similar Documents

Publication Publication Date Title
CN111415461B (zh) 物品识别方法及系统、电子设备
CN108416902B (zh) 基于差异识别的实时物体识别方法和装置
US8983200B2 (en) Object segmentation at a self-checkout
US8885048B2 (en) Computer vision and radio frequency identification technology based book enrolment management apparatus
CN102722881B (zh) 可操作地处理单色图像数据的方法和系统
CN103617420A (zh) 基于图像特征匹配的商品快速识别方法及系统
CN110705620A (zh) 一种基于翻拍识别的陈列图像检测方法、装置及存储介质
CN102982332A (zh) 基于云处理方式的零售终端货架影像智能分析系统
US20100201880A1 (en) Shot size identifying apparatus and method, electronic apparatus, and computer program
CN103201769A (zh) 图像处理装置、图像处理方法、程序、集成电路
JP2009187482A (ja) 棚割再現方法、棚割再現プログラム、棚割評価方法、棚割評価プログラム及び記録媒体
CN107209935A (zh) 用于测量移动文档图像质量的系统及方法
GB2519838A (en) Image identification system and method
CN113627411A (zh) 一种基于超分辨率的商品识别与价格匹配方法及系统
CN111325051A (zh) 一种基于人脸图像roi选取的人脸识别方法及装置
JP2001325593A (ja) 自動アルバム化システムにおける重複写真検知方法
CN106203225A (zh) 基于深度的图像元素删除
CN114511820A (zh) 货架商品检测方法、装置、计算机设备及存储介质
CN111428743B (zh) 商品识别方法、商品处理方法、装置及电子设备
CN115063084A (zh) 一种卷烟零售商户库存盘点方法及系统
CN113468914A (zh) 一种商品纯净度的确定方法、装置及设备
CN110569716A (zh) 一种货架图像翻拍检测方法
Rana et al. Learning-based adaptive tone mapping for keypoint detection
CN113920434A (zh) 一种基于目标的图像翻拍检测方法、装置及介质
CN113486715A (zh) 图像翻拍识别方法、智能终端以及计算机存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200117