CN110770711A - 基于图像的伪造品检测 - Google Patents
基于图像的伪造品检测 Download PDFInfo
- Publication number
- CN110770711A CN110770711A CN201880022536.XA CN201880022536A CN110770711A CN 110770711 A CN110770711 A CN 110770711A CN 201880022536 A CN201880022536 A CN 201880022536A CN 110770711 A CN110770711 A CN 110770711A
- Authority
- CN
- China
- Prior art keywords
- patch
- image
- model
- classification algorithm
- sample
- 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
- 238000001514 detection method Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 113
- 239000000463 material Substances 0.000 claims abstract description 71
- 238000007635 classification algorithm Methods 0.000 claims abstract description 62
- 238000012360 testing method Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 69
- 230000008569 process Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 24
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 238000003709 image segmentation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- -1 goods Substances 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000003082 abrasive agent Substances 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000004745 nonwoven fabric Substances 0.000 description 1
- 239000012788 optical film Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/76—Architectures of general purpose stored program computers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
- G01N2021/177—Detector of the video camera type
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了用于认证材料样品的系统和方法。处理样品的数字图像以提取用于训练分类算法的计算机视觉特征。通过经训练的分类算法评估测试样品的计算机视觉特征以识别测试样品。
Description
技术领域
本公开涉及基于材料样品的图像的用于伪造品检测的方法和系统。
背景技术
伪造是全球性问题。用于认证货物、产品或材料的各种系统和方法已有描述。美国专利申请公布20040197535、美国专利7,495,214、美国专利7,706,700以及美国专利7,715,733描述了各种技术来解决伪造和认证商品、产品或材料的问题。
发明内容
在众多行业和应用中,都期望以有效且成本效益好的方式认证材料、货物或产品。通常,当怀疑产品或样品为伪造品时,将其运送给供应商,并最终交给技术专家,该专家在特定实验室测试下检查产品以确定其是否是伪造品。识别伪造品的此类过程可非常耗时。本公开提供了防伪方法和系统,这些方法和系统可以是主动的(例如,在无需实验室测试的领域中使用)和非侵入性的(例如,不需要对待测试的产品或包装进行任何改变)。
简而言之,在一个方面,本公开描述了一种计算机实现的方法,该方法包括向处理器提供多个材料样品中的每一个的一个或多个数字图像;经由处理器处理数字图像以提取计算机视觉特征;经由处理器来训练具有计算机视觉特征的分类算法以获得经训练的分类算法;经由处理器从测试样品的数字图像提取计算机视觉特征;以及经由与处理器相关联的经训练的分类算法来评估测试样品的计算机视觉特征,以识别测试样品。在一些实施方案中,该方法可确定测试样品是伪造的还是真实的,或者测试样品是否属于一批材料样品。
在另一方面,本公开描述了一种包括提供给移动设备的图形用户界面(GUI)的防伪系统。移动设备能够经由GUI获得待测试的样品的一个或多个数字图像。该系统还包括功能性地连接到移动设备的计算部件,该计算部件被配置为从GUI接收图像,以及处理图像以从图像提取计算机视觉特征。经训练的分类算法与计算部件相关联,其被配置为评估样品的计算机视觉特征,以确定样品是真实的还是伪造的,并将该决定返回到远程移动设备的GUI。
在本公开的示例性实施方案中获取各种意料不到的结果和优点。本发明的示例性实施方案的一个此类优点是,计算机视觉特征可从材料样品的图像自动提取,并且应用于训练用于识别新样品的分类算法。本公开提供了防伪方法和系统,这些方法和系统可以是主动的(例如,在无需实验室测试的领域中使用)和非侵入性的(例如,不需要对待测试的产品或包装进行任何改变)。
已总结本公开的示例性实施方案的各种方面和优点。上面的发明内容并非旨在描述本公开的当前某些示例性实施方案的每个例示的实施方案或每种实施方式。下面的附图和具体实施方式更具体地举例说明了使用本文所公开的原理的某些优选实施方案。
附图说明
结合附图考虑本公开的各种实施方案的以下详细描述可更全面地理解本公开,其中:
图1为根据一个实施方案的用于认证材料样品的方法的流程图。
图2是根据一个实施方案的用于处理样品图像并且任选地用于标记样品图像的方法的流程图。
图3A示出了根据一个实施方案的从样品图像提取补丁的过程。
图3B示出了根据另一个实施方案的从样品图像提取补丁的过程。
图4示出了根据一个实施方案的将滤波器应用于补丁图像的过程。
图5示出了根据一个实施方案的减小滤波后的补丁图像的大小/尺寸的过程。
图6是根据一个实施方案的用于获得经训练的分类算法和使用经训练的分类算法来评估测试样品的方法的流程图。
图7A是根据一个实施方案的示例性决策树模型的框图。
图7B示出了根据一个实施方案的由滤波器组织的前48个特征的曲线图。
图8是根据一个实施方案的用于识别测试样品的方法的流程图。
图9示出了根据一个实施方案的用于认证材料样品的系统的框图。
图10示出了根据一个实施方案的连接到用于认证材料样品的云计算环境的移动设备的示意图。
在附图中,相似的附图标号指示相似的元件。虽然可不按比例绘制的上面标识的附图阐述了本公开的各种实施方案,但还可想到如在具体实施方式中所提到的其它实施方案。在所有情况下,本公开以示例性实施方案的表示的方式而非通过表述限制来描述当前所公开的公开内容。应当理解,本领域的技术人员可想出许多其它修改和实施方案,这些修改和实施方案落在本公开的范围和实质内。
具体实施方式
在众多行业和应用中,都期望以有效且成本效益好的方式认证材料、货物或产品。通常,当怀疑产品为伪造的时,将其运送给供应商,并最终交给技术专家,该专家在特定实验室测试下检查产品以确定其是否是伪造品。识别伪造品的此类过程可非常耗时。本公开提供了防伪方法和系统,这些方法和系统可以是主动的(例如,在无需实验室测试的领域中使用)和非侵入性的(例如,不需要对待测试的产品或包装进行任何改变)。
提供本文描述的系统和方法以将材料样品识别为真实的、伪造的或一批材料样品的成员。材料样品的认证可基于样品的材料特性。在一些实施方案中,通过从样品的图像提取的计算机视觉特征可表示特定材料特性。
图1示出了根据一个实施方案的认证材料样品的计算机实现的方法100。材料样品可包括一组真实样品,并且任选地包括一组伪造样品。在一些实施方案中,该组材料样品各自可属于一批材料样品,该批材料样品包含基本上相同的材料构型和/或通过基本上相同的工艺制备。在一些实施方案中,材料样品可选自例如可从明尼苏达州圣保罗市的3M公司(3M Company,Saint Paul,MN)商购获得的磨料、光学膜、非织造材料以及由其制成的产品,或其伪造品。一种典型的材料样品为包括非织造材料的呼吸器(例如,模制呼吸器或平折式呼吸器)。
在110处,向处理器提供物体(例如,材料样品)的一个或多个数字图像。数字图像可由任何合适的相机捕获,诸如例如结合到移动设备诸如移动电话中的数字相机。所捕获的图像的大小可为例如约200×200像素至约10,000×10,000像素。所捕获的图像可为任何合适的格式,诸如例如JPEG、Exif、TIFF、BMP、GIF、PNG等。方法100然后前进至120。
在120处,经由处理器处理数字图像以提取计算机视觉特征。计算机视觉特征可表示材料样品的特征。例如,材料样品的数字图像可包括具有各种强度/颜色的像素,其可与材料样品的结构、子结构或纹理相关。在一些实施方案中,处理呼吸器的图像可提取表示呼吸器材料(例如,非织造材料)的纹理的计算机视觉特征。材料样品的特征可包括例如光学特征(例如,强度、颜色等)、表面图案特征、声学特征(例如,频率吸收)、弹性特征(例如,模量)、结构特征(例如,形状)、电子特征(例如,电阻)、磁性特征(例如,场强度)、驻极体相关特征(例如,电介质)、机械特征(例如,屈服强度)等。方法100然后前进至130。
在130处,使用训练数据(例如,提取的计算机视觉特征)来训练分类算法,以获得经训练的分类算法。本文所述的分类算法是指用于识别未知物体或材料样品的计算机实现的方法/模型/算法。分类算法的输入可以是未知物体的图像,并且输出可以是识别物体的标签(例如,1或0)。通常可通过提供一组物体图像来训练分类算法。图像可具有/不具有已知的身份或标签。通过训练分类算法,可确定算法所需的所有必要模型参数,以便获得经训练的分类算法。
在一些实施方案中,分类算法可包括监督分类算法,例如将多个随机化决策树融合到训练数据的树外分类器。示例性决策树模型在图7A中示出,其将在下文进一步描述。应当理解,可使用任何合适的已知分类算法,其可包括例如以下中的一个或多个:决策树模型、随机森林模型、树外模型、神经网络模型、梯度增强模型、装袋模型、自适应增强模型、线性判别分析模型、二次判别分析模型、朴素贝叶斯模型、最近邻模型、半径最近模型、逻辑回归模型等。通过用训练数据(例如,计算机视觉特征)训练分类算法,可确定算法或模型的各种参数,这可导致训练的分类算法。然后方法100前进至140。
在140处,从待测试材料样品的数字图像提取计算机视觉特征。待测试的材料样品或测试样品可为真实样品或伪造品,属于一批识别的材料样品(真品或伪造品)的样品或待识别的新样品。测试样品的计算机视觉特征可以与120处的材料样品的计算机视觉特征类似的方式提取,这将在下文进一步描述。然后方法100前进至150。
在150处,通过经训练的分类算法评估测试样品的计算机视觉特征以识别测试样品,例如,以确定测试样品是真实的还是伪造的,以确定测试样品是否属于一批经识别的材料样品,等等。在一些实施方案中,测试样品的计算机视觉特征可用作经训练的分类算法的输入数据,并且来自经训练的分类算法的输出可为二进制0/1。例如,当测试样品为真实的时,输出为1;当测试样品为伪造的时,输出为0。
图2示出了根据一个实施方案的用于处理样品图像的方法200的流程图。在任选的210处,材料样品的数字图像可被分割。图像分割的任选步骤可将物体(例如,诸如呼吸器的材料样品)与图像中的背景分开。在一些实施方案中,当物体通过颜色、对比度等与背景不同时,图像分割可通过例如在LAB空间中对图像进行阈值处理来完成。图像分割也可有助于清除图像中的边缘区域和杂质(例如,孔)。通常,图像分割的任选步骤210可帮助更好地识别图像中属于物体的像素。然后方法200前进至220。
在220处,从样品图像提取一个或多个补丁。通过以任何合适的方式(例如,随机取样、均匀取样或其他智能取样方法)对图像像素进行取样可提取补丁。补丁的数量l可以是例如1至10,000。典型的数量可以是大约几十到几千。补丁可具有多边形形状(例如,正方形、三角形、六边形等),该多边形形状具有补丁大小,例如1×1像素至1000×1000像素。应当理解,合适数量的补丁、合适的补丁形状和合适的补丁大小可取决于样品图像的特性(例如,大小、分辨率、形状、质量等)。图3A示出了补丁提取的示例:在呼吸器的图像上绘制20个补丁(201×201像素)。图3B示出了补丁提取的另一个示例:在呼吸器图像上绘制1000个补丁(201×201像素)以显示覆盖范围。然后方法200前进至230。
在230处,将一个或多个滤波器应用于每个补丁以获得每个补丁的一个或多个滤波后的补丁图像。在一些实施方案中,每个补丁可穿过一系列滤波器,诸如例如Gabor滤波器。滤波器用于提取与样品的材料特性相关的信息。例如,Gabor滤波器可用于提取非织造材料的纹理信息。当应用于补丁时,该系列滤波器可具有一系列相应的参数,从而得到一系列滤波后的补丁图像。也就是说,可将m个滤波器应用于补丁以生成m个滤波后的补丁图像,其中m是整数(例如,8、16、32等)。例如,Gabor滤波器可应用一系列内核(例如,从0到15的16个内核),这可导致每个补丁的一系列滤波后的图像(例如,16个滤波后的图像)。图4示出了将一系列Gabor滤波器中的一者应用于原始补丁图像以获得一系列滤波后的补丁图像中的一个的示例性过程。图4的滤波后的补丁图像包含该补丁的材料(例如,非织造材料)的纹理信息。
应当理解,任何合适的数字文件管理器都可用于提取与合适的材料特性相关的信息。合适的数字滤波器可包括例如傅里叶变换(用于提取频率特性)、拉普拉斯变换(用于提取频率特性)、高斯滤波器(用于提取纹理特性)、高通滤波器(用于提取高频分量)、低通滤波器(用于提取平滑特征)、带通滤波器(用于提取特定频率分量)、中值滤波器(用于提取降噪)、平均滤波器(用于提取降噪)、局部二进制模式(用于提取纹理)、高斯拉普拉斯算子(用于提取边缘特性)、Sobel滤波器(用于提取边缘特性)、Prewitt滤波器(用于提取边缘特性)等等。
在一些实施方案中,多组数字文件管理器可同时或顺序地应用于每个补丁。在一些实施方案中,可将第一组滤波器(例如,一系列Gabor滤波器)应用于每个补丁以获得滤波后的补丁图像;可将第二滤波器(例如,本地二进制模式(LBP)滤波器)应用于每个滤波后的补丁图像,以将滤波后的补丁图像转换为进一步滤波后的补丁图像(例如,LBP图像)。LBP滤波器的算法检查补丁图像中的每个像素,并且对于每个像素,检查8个相邻像素。如果相邻像素大于目标像素,则其接收“1”;如果相邻像素小于目标像素,则其接收“0”。然后将这八个比特连接以形成8比特序列,其取0到255之间的值。以这种方式,可将滤波后的补丁图像转化为具有0到255之间的值的LBP补丁图像或具有0到9之间的值的“均匀”LBP补丁图像。在获得每个补丁的滤波后的补丁图像之后,方法200前进至240。
在240处,减小每个滤波后的补丁图像的大小或尺寸。虽然滤波后的补丁图像可有效地显示补丁的材料特性(例如,纹理),但是考虑到大量的补丁(例如,1000个补丁或更多)、应用于每个补丁的滤波器的数量m(例如,16个或更多)、每个滤波后的补丁图像的大小(例如,101×101像素)等,得到的样品图像的计算机视觉相关数据可以是大的。该步骤可通过减小每个补丁的滤波后的补丁图像的大小或尺寸来有效地减小计算机视觉相关数据的大小。
在一些实施方案中,可通过对图像进行矢量化来减小滤波后的补丁图像的大小或尺寸。在一些实施方案中,滤波后的补丁图像可被转换或变换成n维柱状图,并且进一步转化或变换成n维矢量,其中n可为任何合适的整数(例如,1至256)。例如,对于图4所示的每个滤波后的补丁图像,可应用局部二进制模式(LBP)算法来获得LBP图像。均匀LBP为旋转不变的,因此需要较少的比特来表示数据。然后,通过对获得特定值的像素数进行计数,可将每个LBP补丁图像变换成柱状图。图5示出了将图4的滤波后的补丁图像转换为LBP补丁图像以及将LBP补丁图像转换为柱状图(例如,10维柱状图)的示例性过程。在一些实施方案中,滤波后的补丁图像的平均值和方差可连接到对应柱状图的末端,从而得到每个滤波后的补丁图像(例如,每个内核)的12维矢量。应当理解,可使用任何合适的矢量化方法将滤波后的补丁图像转换成n维矢量。然后方法200前进至250。
在250处,对于每个补丁,组合与滤波后的补丁图像相关的计算机视觉数据。如230和240中所述,在一些实施方案中,对于每个补丁,可使用不同的参数(例如,m个内核)获得m个滤波后的补丁图像;对于每个滤波后的补丁图像,可获得n维矢量。m个滤波后的补丁图像的n维矢量可被连接以形成每个补丁的d维补丁特征矢量x补丁,其中d=(m×n)。例如,对于用一系列内核(例如,对应于16个滤波后的图像的0到15的16个内核)施加的Gabor滤波器,可将16个滤波后的图像的12维矢量连接以形成补丁的最终特征矢量x补丁,例如,如下所示的192(12×16)维特征矢量:
可针对每个补丁重复上述用于组合滤波后的补丁图像的过程,以获得针对每个图像的l个此类d维补丁特征矢量,其中l是从样品图像提取的补丁的总数,并且d=(m×n)是补丁特征矢量x补丁的维度。
在260处,针对每个图像组合补丁的计算机视觉数据。对于具有l个补丁的图像,可组合l个此类d维补丁特征矢量x补丁以形成特征矢量的(l×d)矩阵。可进一步组合所有图像的矩阵以形成特征矢量的(k×l)×d矩阵,其中k是样品图像的总数。
任选地,方法200可为每个图像提供标签。在210′处,每个样品图像可被标记为真实的或伪造的。例如,可将真实样品指定为值“1”;可将伪造品指定为值“0”。在220处,从每个样品图像提取l个补丁。在230′处,每个补丁从其父图像继承标签。例如,来自真实样品的所有补丁都标记为“1”;来自伪造品的所有补丁都被标记为“0”。在240′处,补丁标签被连接到标签矢量。标签矢量可以是二进制(1/0)标签的l维矢量,其中l是来自样品图像的补丁的数量。每个图像的标签可进一步组合以形成(k×1)×1矢量,其中k是样品图像的总数。
由处理样品图像的方法200得到的数据可用作训练数据以训练分类算法,从而获得经训练的分类算法。图6示出了根据一个实施方案的使用经训练的分类算法来训练分类算法和评估测试样品的方法600。在610处,例如从处理样品图像的方法200提供训练数据。训练数据可包括例如计算机视觉数据,诸如特征矢量的(k×l)×d矩阵,以及任选地,诸如二进制标签的(k×1)×1矢量的图像标签。
在620处,选择合适的分类算法。分类算法可基于训练数据的特征来选择,例如通过处理样品图像获得的计算机视觉特征。合适的分类算法可包括例如以下中的一个或多个:决策树模型、随机森林模型、树外模型、神经网络模型、梯度增强模型、装袋模型、自适应增强模型、线性判别分析模型、二次判别分析模型、朴素贝叶斯模型、最近邻模型、半径最近模型、逻辑回归模型等。可选择合适的分类算法以提供对测试样品的准确预测/识别,以最小化训练误差,或最小化验证数据集的误差。
图7A示出了示例性决策树模型700。训练数据(例如,来自方法200的特征矢量的(k×1)×d矩阵)可以用作输入数据以训练模型并确定模型中的参数。通过确定的参数,获得经训练的决策树模型。例如,对于补丁,输入d维矢量x,模型中的参数(例如,标量y1、y2和y3,索引i1、i2和i3等)。
另一个示例性分类算法是由以下公式表示的逻辑回归模型:
训练数据(例如,来自方法200的特征矢量的(k×1)×d矩阵)可用作输入数据(例如,d维矢量x)以训练模型并确定模型中的参数(例如,标量c、矢量b等)。使用所确定的参数,获得经训练的逻辑回归模型。
在一些实施方案中,在训练分类算法期间,可进一步减小补丁特征矢量的大小或尺寸(例如,特征矢量的(k×1)×d矩阵)。在一些实施方案中,对于补丁特征矢量x补丁,通过选择具有较高重要性权重的特征可进一步减小大小或尺寸。例如,对于对应于具有一系列内核的Gabor滤波器的192(12×16)维特征矢量(例如,对应于16个滤波后的图像的从0到15的16个内核),如上面的表达式(1)所示,分类算法(例如额外树分类算法)的训练可为192个特征中的每一个提供特征重要性权重。
图7B示出了由一系列滤波器(例如,具有从0到15的16个内核)组织的前48个特征(在192个特征中)的曲线图。此类特征重要性权重可用于通过选择更重要的特征来减小维数。这降低了噪声并加快了计算,尤其是在消除了一整组特征(例如,与特定滤波器相关的特征)时。从图7B中,选择了有限数量的滤波器以使用。具有最多数量的前48个特征的那些滤波器将作为目标使用。这种特征选择可进一步减少训练和特征计算。
再次参见图6,为了识别测试样品,例如为了在650处确定测试样品是真实样品还是伪造品,通过630处的经训练的分类算法可评估来自640处的测试样品的计算机视觉特征,这将在下文进一步描述。
根据一个实施方案,测试样品的计算机视觉特征可从测试样品的数字图像提取,并且通过图8的方法800进行评估。在805处,提供了测试样品的数字图像。在任选步骤810处,数字图像可被分割,类似于图2的210中。然后方法800前进至820。
在820处,与图220的2相似,从测试样品图像提取一个或多个补丁。补丁的数量l可以是例如1到1,000,000。典型的数量可以是大约几百到几千。补丁可具有多边形形状(例如,正方形、三角形、六边形等),该多边形形状具有补丁大小,例如1×1像素至1000×1000像素。应当理解,合适数量的补丁和合适的补丁大小可取决于样品图像的特性(例如,大小、分辨率、形状、质量等)。然后方法800前进至830。
在830处,将一个或多个滤波器应用于每个补丁以获得一个或多个滤波后的补丁图像,类似于图2的230中。在一些实施方案中,可将m个滤波器应用于补丁以生成m个滤波后的补丁图像,其中m是整数(例如,8、16、32等)。例如,Gabor滤波器可应用一系列内核(例如,从0到15的16个内核),这可导致每个补丁的一系列滤波后的图像(例如,16个滤波后的图像)。然后方法800前进至840。
在840处,减小每个滤波后的补丁图像的大小或尺寸,类似于图2的240中。在一些实施方案中,通过将每个补丁图像矢量化成n维补丁特征矢量可减小滤波后的补丁图像的大小或尺寸,其中n为整数。应当理解,可使用任何其他方法将滤波后的补丁图像变换成n维矢量。然后方法800前进至850。
在850处,针对每个补丁对具有减小的大小/尺寸的滤波后的补丁图像的计算机视觉数据进行组合,类似于图2的250中。如830和840中所述,对于每个补丁,可获得m个滤波后的补丁图像;对于每个滤波后的补丁图像,可获得n维矢量。m个滤波后的补丁图像的n维矢量可被连接以形成每个补丁的d维补丁特征矢量x补丁,其中d=(m×n)。例如,对于用一系列内核(例如,对应于16个滤波后的图像的0到15的16个内核)施加的Gabor滤波器,可将16个滤波后的图像的12维矢量连接以形成补丁的最终特征矢量x补丁,例如,192(12×16)维特征矢量,类似于上面的表达式(1)。可针对每个补丁重复该过程,以获得l个此类d维补丁特征矢量,其中1是从测试样品图像提取的补丁的总数,并且d=(m×n)是补丁特征矢量x补丁的维度。然后方法800前进至870。
在870处,通过在860处经训练的算法评估每个补丁特征矢量x补丁,以确定对应的补丁是真实的还是伪造的。使用补丁特征矢量x补丁作为输入数据,经训练的算法可为每个补丁输出二进制0/1。例如,当补丁来自真实样品时,输出为“1”;当补丁来自伪造品时,输出为“0”。经训练的算法可通过图6的方法600获得。然后方法800前进至880。
在880处,通过分析每个补丁的输出或投票,最终决定识别测试样品。在一些实施方案中,可应用多数投票策略,其中确定大多数补丁是真实的还是伪造的。当大多数补丁是真实的时,方法800前进至890以确定测试样品是真实的。当大多数补丁是伪造的时,方法800前进至895以确定测试样品是伪造的。应当理解,通过分析每个补丁的输出或投票,可应用其他投票策略。
图9示出了根据一些实施方案的用于通过实现本文所述的计算机实现的方法中的任一个(诸如例如方法100、200、600、700和800中的一个或多个)来认证材料样品的系统900。系统900包括测量部件924、计算部件926以及一个或多个输入/输出设备916。
测量部件924被构造成测量材料样品的一个或多个特征/特性。测量部件924可为用于测量材料特性的各种测量工具,所述材料特性包括例如以下中的一个或多个:光学特征、纹理特征、声学特征、弹性特征、结构特征、电子特征、磁性特征、驻极体或机械特征。在一些实施方案中,测量部件924可包括例如用于捕获材料样品的一个或多个图像的移动电话的数字相机。
在图9的实施方案中,计算部件926包括处理器912和存储器914。计算部件926功能性地连接到测量部件924(例如,数字相机),从测量部件924接收与所测量的特征(例如,材料样品的数字图像)相关的信号。根据一些实施方案,处理器912然后可处理数字图像以提取计算机视觉特征并任选地通过实现方法200来获得图像标记数据。根据一些实施方案,利用输入训练数据(例如,计算机视觉特征和任选的图像标记数据),处理器912可进一步训练分类算法以通过实现方法600来获得经训练的分类算法。
图像数据和经训练的分类算法可存储在存储器914中。在一些实施方案中,存储器914可具有用于存储图像相关数据的数据库,包括例如所有捕获的样品图像和图像的元数据。元数据可包括例如图像的时间戳、设备时间、IP地址、用户信息、位置等。
在一些实施方案中,当要认证测试材料样品时,通过测量部件924(例如,数字图像)可测量测试材料样品的一个或多个对应的特征(例如,数字图像)。计算部件926可从测量部件924接收与所测量的特征(例如,材料样品的数字图像)相关的信号并处理信号。根据一些实施方案,处理器912可通过实现方法800来处理数字图像以提取计算机视觉特征(例如,每个补丁的补丁特征矢量)。处理器912然后可通过经训练的分类算法评估每个补丁的补丁特征矢量以识别每个补丁,例如,以确定补丁是真实的还是伪造的。关于测试样品的最终决定可经由处理器912通过分析每个补丁的投票来进行。
在一些实施方案中,测量部件924可为可在现场工作的移动设备(例如,移动电话)的数字相机。测量部件924可通过发送和接收信号与诸如例如计算部件926的远程计算设备进行无线通信。计算部件926可与例如计算机、服务器、移动电话等集成。计算部件926可处理所接收的材料特性信号并将认证信息发送到输入/输出设备916以于其上显示。
存储器914存储信息。在一些实施方案中,存储器914可存储用于执行本文所述的方法或过程的指令。在一些实施方案中,可将计算机视觉特征数据和未经训练的、经训练的分类算法预先存储在存储器914中。计算机视觉特征数据可表示来自材料样品的各种材料特性,例如光学特征、纹理特征、声学特征、弹性特征、结构特征、电子特征、磁性特征、驻极体相关特征或机械特征。
存储器914可包括任何易失性或非易失性存储元件。示例可包括随机存取存储器(RAM)(诸如同步动态随机存取存储器(SDRAM))、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦可编程只读存储器(EEPROM)和闪存。示例还可包括硬盘、磁带、磁或光数据存储介质、光盘(CD)、数字通用盘(DVD)、蓝光盘和全息数据存储介质。
处理器912可包括例如一个或多个通用微处理器、专门设计的处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、离散逻辑的集合和/或能够执行本文所述技术的任何类型的处理设备。在一些实施方案中,处理器912(或本文所述的任何其他处理器)可被描述为计算设备。在一些实施方案中,存储器914可被配置为存储由处理器912执行以进行本文所述的过程或方法的程序指令(例如,软件指令)。在其他实施方案中,本文所述的过程或方法可由处理器912的专门编程的电路来执行。在一些实施方案中,处理器912可因此被配置为执行本文所述的用于认证材料样品的技术。处理器912(或本文所述的任何其他处理器)可包括一个或多个处理器。
输入/输出设备916可包括被配置为从用户或其他设备输入或向用户或其他设备输出信息的一个或多个设备。在一些实施方案中,输入/输出设备916可呈现用户界面,诸如例如图形用户界面(GUI)918,其中用户可控制材料样品的认证。例如,输入/输出916可包括用于向用户呈现视觉信息的显示屏幕。在一些实施方案中,显示屏包括触敏显示器。在一些实施方案中,输入/输出916可包括用于向用户呈现信息的一个或多个不同类型的设备。输入/输出916可包括例如任何数量的视觉(例如,显示设备、灯等)反馈设备、听觉(例如,一个或多个扬声器)反馈设备和/或触觉(例如,键盘、触摸屏或鼠标)反馈设备。在一些实施方案中,输入/输出设备916可表示显示屏(例如,液晶显示器或发光二极管显示器)和/或打印机(例如,印刷设备或用于将指令输出到印刷设备的部件)中的一个或多个。在一些实施方案中,输入/输出设备916可被配置为接受或接收由处理器912执行以进行本文所述的实施方案的程序指令(例如,软件指令)。
系统900还可包括其他部件,并且包括处理器912、存储器914和输入/输出设备916在内的所示部件中的任一个的功能可分布在多个部件和独立设备诸如例如计算机上。系统900可被配置为工作站、台式计算设备、笔记本电脑、平板电脑、移动计算设备或任何其他合适的计算设备或计算设备的集合。系统900可在本地网络上运行或者被托管在云计算环境中。图9所示的部件仅仅是为了解释本公开的各个方面而示出,并且部件的添加或移除对于本领域技术人员将是显而易见的。
图10示出了根据另一个实施方案的防伪系统1000。该系统包括提供给移动设备2的图形用户界面(GUI)20。移动设备2能够经由GUI 20获得用于材料样品的一个或多个数字图像。在所示实施方案中,移动设备2是结合有数字相机(未示出)的智能手机。GUI 20包括视觉辅助装置22以引导用户捕获样品图像。视觉辅助装置22可包括被成形为容纳待测试的样品(例如,呼吸器)的图像的盒。应当理解,任何合适的相机均可用于在期望的照明条件下捕获材料样品的图像。在一些实施方案中,样品图像可由独立相机捕获并导入移动设备2中。GUI 20可访问样品图像并将图像发送至计算部件以进行处理。图9中示出示例性计算部件926。经训练的分类算法与计算部件相关联。经训练的分类算法被配置为评估样品图像的计算机视觉特征以识别样品(例如,以确定样品是真实的还是伪造的),并将该决定返回到GUI 20以显示给用户。
移动设备2可无线地连接到云计算环境4。在一些实施方案中,计算部件可以是位于云计算环境4中并且功能上连接到移动设备的远程计算部件,其被配置为从GUI 20接收图像并处理图像。在一些实施方案中,计算部件可位于移动设备2中。在一些实施方案中,计算部件可包括分布在云计算环境4和移动设备2中的多个功能连接的处理器。可以分布式计算的方式处理样品图像。图像处理的结果可本地存储在数据库中或存储在云计算环境4中。
示例性实施方案列表
以下列出示例性实施方案。应当理解,实施方案1-16以及实施方案17-26中的任一项可组合。
实施方案1是一种计算机实现的方法,所述计算机实现的方法包括:
向处理器提供用于多个材料样品中的每一个的一个或多个数字图像;
经由所述处理器处理所述数字图像以提取计算机视觉特征;
经由所述处理器来训练具有所述计算机视觉特征的分类算法以获得经训练的分类算法;
经由所述处理器从测试样品的数字图像提取计算机视觉特征;以及
经由与所述处理器相关联的所述经训练的分类算法来评估所述测试样品的所述计算机视觉特征,以识别所述测试样品。
实施方案2是根据实施方案1所述的方法,其中处理所述图像还包括为每个图像提取一个或多个补丁。
实施方案3是根据实施方案2所述的方法,其中处理所述图像还包括从每个图像获得一个或多个分段区域,所述补丁在所述分段区域中提取。
实施方案4是根据实施方案2或3所述的方法,其中处理所述图像还包括获得每个补丁的补丁特征矢量,所述补丁特征矢量表示相应补丁的材料特性,所述数字图像的所述计算机视觉特征由所述补丁特征矢量的矩阵表示。
实施方案5是根据实施方案4所述的方法,其中所述补丁特征矢量表示非织造材料的纹理特性。
实施方案6是根据实施方案4或5所述的方法,其中处理所述图像还包括经由所述处理器获得每个补丁的一个或多个滤波后的补丁图像。
实施方案7是根据实施方案6所述的方法,其中处理所述图像还包括将每个滤波后的补丁图像的大小或尺寸减小至特征矢量。
实施方案8是根据实施方案7所述的方法,其中处理所述图像还包括连接所述特征矢量以获得每个补丁的所述补丁特征矢量。
实施方案9是根据实施方案4-8中任一项所述的方法,其中训练分类算法还包括减小所述补丁特征矢量的所述尺寸。
实施方案10是根据实施方案1-9中任一项所述的方法,其中训练分类算法还包括训练以下中的一个或多个:决策树模型、随机森林模型、树外模型、神经网络模型、梯度增强模型、装袋模型、自适应增强模型、线性判别分析模型、二次判别分析模型、朴素贝叶斯模型、最近邻模型、半径最近模型、逻辑回归模型。
实施方案11是根据实施方案1-10中任一项所述的方法,还包括将每个图像标记为真实的或伪造的。
实施方案12是根据实施方案2-11中任一项所述的方法,还包括将补丁标记为真实的或伪造的。
实施方案13是根据实施方案1-12中任一项所述的方法,其中识别所述测试样品还包括确定所述测试样品是伪造的还是真实的。
实施方案14是根据实施方案1-13中任一项所述的方法,其中识别所述测试样品还包括确定所述测试样品是否属于一批材料样品。
实施方案15是根据实施方案13或14所述的方法,还包括将所述决定返回到移动设备上的图形用户界面(GUI)。
实施方案16是根据实施方案1-15中任一项所述的方法,其中所述处理器位于云计算环境中。
实施方案17是一种防伪系统,所述防伪系统包括:
提供给移动设备的图形用户界面(GUI),所述移动设备能够经由所述GUI获得待测试的样品的一个或多个数字图像;
功能性地连接到所述移动设备的计算部件,所述计算部件被配置为从所述GUI接收所述图像,并且处理所述图像以从所述图像提取计算机视觉特征;和
与所述计算部件相关联的经训练的分类算法,所述经训练的分类算法被配置为评估所述样品的所述计算机视觉特征以识别所述样品,并且将决定返回到所述移动设备的所述GUI。
实施方案18是根据实施方案17所述的系统,其中所述计算部件被进一步配置为处理所述图像以从每个图像提取一个或多个补丁。
实施方案19是根据实施方案18所述的系统,其中所述计算部件被进一步配置为将所述补丁转换为每个补丁的补丁特征矢量,所述补丁特征矢量表示所述相应补丁的材料特性。
实施方案20是根据实施方案19所述的系统,其中所述计算部件被进一步配置为获得每个补丁的多个滤波后的补丁图像。
实施方案21是根据实施方案20所述的系统,其中所述计算部件被进一步配置为获得每个滤波后的补丁图像的特征矢量。
实施方案22是根据实施方案21所述的系统,其中所述计算部件被进一步配置为连接所述特征矢量以获得每个补丁的所述补丁特征矢量。
实施方案23是根据实施方案17-22中任一项所述的系统,还包括数据库,所述数据库功能性地连接到所述计算部件,并且被配置为存储图像数据和元数据。
实施方案24是根据实施方案23所述的系统,其中所述计算部件被进一步配置为处理所述数据库的所述图像数据以提取计算机视觉特征,并且用所述计算机视觉特征来训练分类算法以获得所述经训练的分类算法。
实施方案25是根据实施方案17-24中任一项所述的系统,其中所述GUI包括视觉辅助装置以引导用户获得所述图像。
实施方案26是根据实施方案17-25中任一项所述的系统,其中所述移动设备的所述GUI功能性地连接到云计算环境,所述计算部件位于所述云计算环境。
在不脱离本公开实质和范围的情况下,可对本公开的示例性实施方案进行各种修改和更改。因此,应当理解,本公开的实施方案并不限于所描述的示例性实施方案,而应受权利要求书及其任何等同物中示出的限制因素控制。
整个本说明书中提及的“一个实施方案”、“某些实施方案”、“一个或多个实施方案”或“实施方案”,无论在术语“实施方案”前是否包括术语“示例性的”都意指结合该实施方案描述的特定特征、结构、材料或特性包括在本公开的某些示例性实施方案中的至少一个实施方案中。因此,在整个本说明书的各处出现的表述诸如“在一个或多个实施方案中”、“在某些实施方案中”、“在一个实施方案中”或“在实施方案中”不一定是指本公开的某些示例性实施方案中的同一实施方案。此外,特定特征、结构、材料或特性可在一个或多个实施方案中以任何合适的方式组合。
虽然本说明书已经详细地描述了某些示例性实施方案,但是应当理解,本领域的技术人员在理解上述内容后,可很容易地想到这些实施方案的更改、变型和等同物。因此,应当理解,本公开不应不当地受限于以上示出的示例性实施方案。特别地,如本文所用,用端值表述的数值范围旨在包括该范围内所包含的所有数值(例如,1至5包括1、1.5、2、2.75、3、3.80、4和5)。另外,本文所用的所有数字都被认为是被术语“约”修饰。此外,对各种示例性实施方案进行了描述。这些实施方案以及其它实施方案均在以下权利要求书的范围内。
Claims (26)
1.一种计算机实现的方法,所述计算机实现的方法包括:
向处理器提供用于多个材料样品中的每一个的一个或多个数字图像;
经由所述处理器处理所述数字图像以提取计算机视觉特征;
经由所述处理器来训练具有所述计算机视觉特征的分类算法以获得经训练的分类算法;
经由所述处理器从测试样品的数字图像提取计算机视觉特征;以及
经由与所述处理器相关联的所述经训练的分类算法来评估所述测试样品的所述计算机视觉特征,以识别所述测试样品。
2.根据权利要求1所述的方法,其中处理所述图像还包括为每个图像提取一个或多个补丁。
3.根据权利要求2所述的方法,其中处理所述图像还包括从每个图像获得一个或多个分段区域,所述补丁在所述分段区域中提取。
4.根据权利要求2所述的方法,其中处理所述图像还包括获得每个补丁的补丁特征矢量,所述补丁特征矢量表示相应补丁的材料特性,所述数字图像的所述计算机视觉特征由所述补丁特征矢量的矩阵表示。
5.根据权利要求4所述的方法,其中所述补丁特征矢量表示非织造材料的纹理特性。
6.根据权利要求4所述的方法,其中处理所述图像还包括经由所述处理器获得每个补丁的一个或多个滤波后的补丁图像。
7.根据权利要求6所述的方法,其中处理所述图像还包括将每个滤波后的补丁图像转换为特征矢量。
8.根据权利要求7所述的方法,其中处理所述图像还包括连接所述特征矢量以获得每个补丁的所述补丁特征矢量。
9.根据权利要求4所述的方法,其中训练分类算法还包括减小所述补丁特征矢量的所述尺寸。
10.根据权利要求1所述的方法,其中训练分类算法还包括训练以下中的一个或多个:决策树模型、随机森林模型、树外模型、神经网络模型、梯度增强模型、装袋模型、自适应增强模型、线性判别分析模型、二次判别分析模型、朴素贝叶斯模型、最近邻模型、半径最近模型、逻辑回归模型。
11.根据权利要求1所述的方法,还包括将每个图像标记为真实的或伪造的。
12.根据权利要求2所述的方法,还包括将补丁标记为真实的或伪造的。
13.根据权利要求1所述的方法,其中识别所述测试样品还包括确定所述测试样品是伪造的还是真实的。
14.根据权利要求1所述的方法,其中识别所述测试样品还包括确定所述测试样品是否属于一批材料样品。
15.根据权利要求13或14所述的方法,还包括将所述决定返回到移动设备上的图形用户界面(GUI)。
16.根据权利要求1所述的方法,其中所述处理器位于云计算环境中。
17.一种防伪系统,所述防伪系统包括:
提供给移动设备的图形用户界面(GUI),所述移动设备能够经由所述GUI获得待测试的样品的一个或多个数字图像;
功能性地连接到所述移动设备的计算部件,所述计算部件被配置为从所述GUI接收所述图像,并且处理所述图像以从所述图像提取计算机视觉特征;和
与所述计算部件相关联的经训练的分类算法,所述经训练的分类算法被配置为评估所述样品的所述计算机视觉特征以识别所述样品,并且将决定返回到所述移动设备的所述GUI。
18.根据权利要求17所述的系统,其中所述计算部件被进一步配置为处理所述图像以从每个图像提取一个或多个补丁。
19.根据权利要求18所述的系统,其中所述计算部件被进一步配置为将所述补丁转换为每个补丁的补丁特征矢量,所述补丁特征矢量表示所述相应补丁的材料特性。
20.根据权利要求19所述的系统,其中所述计算部件被进一步配置为获得每个补丁的多个滤波后的补丁图像。
21.根据权利要求20所述的系统,其中所述计算部件被进一步配置为获得每个滤波后的补丁图像的特征矢量。
22.根据权利要求21所述的系统,其中所述计算部件被进一步配置为连接所述特征矢量以获得每个补丁的所述补丁特征矢量。
23.根据权利要求17所述的系统,还包括数据库,所述数据库功能性地连接到所述计算部件,并且被配置为存储图像数据。
24.根据权利要求23所述的系统,其中所述计算部件被进一步配置为处理所述数据库的所述图像数据以提取计算机视觉特征,并且用所述计算机视觉特征来训练分类算法以获得所述经训练的分类算法。
25.根据权利要求17所述的系统,其中所述GUI包括视觉辅助装置以引导用户获得所述图像。
26.根据权利要求17所述的系统,其中所述移动设备的所述GUI功能性地连接到云计算环境,所述计算部件位于所述云计算环境。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762479480P | 2017-03-31 | 2017-03-31 | |
US62/479,480 | 2017-03-31 | ||
PCT/IB2018/051954 WO2018178822A1 (en) | 2017-03-31 | 2018-03-22 | Image based counterfeit detection |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110770711A true CN110770711A (zh) | 2020-02-07 |
CN110770711B CN110770711B (zh) | 2023-12-22 |
Family
ID=63677824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880022536.XA Active CN110770711B (zh) | 2017-03-31 | 2018-03-22 | 基于图像的伪造品检测 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11386540B2 (zh) |
EP (1) | EP3602488A4 (zh) |
KR (1) | KR20190126430A (zh) |
CN (1) | CN110770711B (zh) |
WO (1) | WO2018178822A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112313718A (zh) | 2018-06-28 | 2021-02-02 | 3M创新有限公司 | 材料样品的基于图像的新颖性检测 |
US11113689B2 (en) | 2019-07-03 | 2021-09-07 | Sap Se | Transaction policy audit |
US11308492B2 (en) | 2019-07-03 | 2022-04-19 | Sap Se | Anomaly and fraud detection with fake event detection using pixel intensity testing |
US11562371B2 (en) | 2020-04-15 | 2023-01-24 | Merative Us L.P. | Counterfeit pharmaceutical and biologic product detection using progressive data analysis and machine learning |
KR102472427B1 (ko) * | 2022-02-25 | 2022-11-30 | 피노키오랩 주식회사 | 인공지능 기반 위조품 선별 검사 및 디지털 증명서 발급 방법, 장치 및 프로그램 |
KR102635727B1 (ko) * | 2023-05-02 | 2024-02-08 | 권순주 | 인공지능에 기반한 재활용품 분류를 위한 장치, 시스템, 및 방법 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110243450A1 (en) * | 2010-04-01 | 2011-10-06 | Microsoft Corporation | Material recognition from an image |
US20130121539A1 (en) * | 2010-08-03 | 2013-05-16 | Grg Banking Equipment Co., Ltd. | Valuable file identification method and identification system, device thereof |
US20140161344A1 (en) * | 2012-12-11 | 2014-06-12 | Carnegie Mellon University | Image recognition method |
US20150371107A1 (en) * | 2014-06-23 | 2015-12-24 | Canon Kabushiki Kaisha | Material classification using brdf feature vector |
WO2016099981A1 (en) * | 2014-12-18 | 2016-06-23 | 3M Innovative Properties Company | Batch authentication of materials for automated anti counterfeiting |
CN106462549A (zh) * | 2014-04-09 | 2017-02-22 | 尹度普有限公司 | 使用从显微变化中进行的机器学习来鉴定实体对象 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1259634C (zh) | 2001-12-30 | 2006-06-14 | 北京兆日科技有限责任公司 | 一种基于物质特性的加密防伪方法 |
US20040197535A1 (en) | 2003-01-07 | 2004-10-07 | Frederick Bleckmann | Method and label for authenticating goods |
EP2960830B1 (en) | 2005-09-05 | 2018-07-04 | Alpvision SA | Means for using microstructure of materials surface as a unique identifier |
US9208394B2 (en) | 2005-09-05 | 2015-12-08 | Alpvision S.A. | Authentication of an article of manufacture using an image of the microstructure of it surface |
US7920714B2 (en) | 2006-07-31 | 2011-04-05 | Canadian Bank Note Company, Limited | Method and apparatus for comparing document features using texture analysis |
US7495214B2 (en) | 2007-03-21 | 2009-02-24 | Xerox Corporation | Systems and methods for material authentication |
US7706700B2 (en) | 2007-03-21 | 2010-04-27 | Xerox Corporation | System and method for authenticating an electrostatographic material in an image forming apparatus |
US7715733B2 (en) | 2007-03-21 | 2010-05-11 | Xerox Corporation | System and method for authenticating a fuser lubricant in an image forming apparatus |
US7991214B1 (en) * | 2007-04-18 | 2011-08-02 | Avaya Inc. | Method to enhance X-ray and optical images and locate nano-scale cracks in electric devices and components |
US9206550B2 (en) | 2009-09-28 | 2015-12-08 | Shanghai Kos Security Paper Technology Co., Ltd. | Anti-counterfeit method for random texture and recognizer thereof |
US8190279B2 (en) | 2009-11-12 | 2012-05-29 | Systech International | Production line management system |
WO2011077459A2 (en) | 2009-12-23 | 2011-06-30 | Alexia Technologies Private Limited | A method of extracting naturally encrypted features from a natural surface of a product |
WO2012083769A1 (zh) | 2010-12-24 | 2012-06-28 | 深圳兆日科技股份有限公司 | 一种利用物质自身物理特征的防伪方法和系统 |
JP5568183B2 (ja) * | 2011-07-25 | 2014-08-06 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 情報識別方法、プログラム及びシステム |
US9092842B2 (en) * | 2011-08-04 | 2015-07-28 | Sharp Laboratories Of America, Inc. | System for defect detection and repair |
CN103236055A (zh) | 2013-04-19 | 2013-08-07 | 海南大学 | 一种基于dwt-dft变换的智能纹理防伪方法 |
KR101494874B1 (ko) * | 2014-05-12 | 2015-02-23 | 김호 | 사용자 인증 방법, 이를 실행하는 장치 및 이를 저장한 기록 매체 |
US10043101B2 (en) * | 2014-11-07 | 2018-08-07 | Adobe Systems Incorporated | Local feature representation for image recognition |
EP3227772B1 (en) | 2014-12-03 | 2021-04-07 | 3M Innovative Properties Company | Systems and methods for generating random numbers using physical variations present in material samples |
KR101623431B1 (ko) * | 2015-08-06 | 2016-05-23 | 주식회사 루닛 | 의료 영상의 병리 진단 분류 장치 및 이를 이용한 병리 진단 시스템 |
US9996902B2 (en) * | 2016-01-19 | 2018-06-12 | Google Llc | Image upscaling |
US11633256B2 (en) * | 2017-02-14 | 2023-04-25 | Dignity Health | Systems, methods, and media for selectively presenting images captured by confocal laser endomicroscopy |
-
2018
- 2018-03-22 KR KR1020197031137A patent/KR20190126430A/ko unknown
- 2018-03-22 WO PCT/IB2018/051954 patent/WO2018178822A1/en active Application Filing
- 2018-03-22 CN CN201880022536.XA patent/CN110770711B/zh active Active
- 2018-03-22 US US16/498,621 patent/US11386540B2/en active Active
- 2018-03-22 EP EP18775760.4A patent/EP3602488A4/en not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110243450A1 (en) * | 2010-04-01 | 2011-10-06 | Microsoft Corporation | Material recognition from an image |
US20130121539A1 (en) * | 2010-08-03 | 2013-05-16 | Grg Banking Equipment Co., Ltd. | Valuable file identification method and identification system, device thereof |
US20140161344A1 (en) * | 2012-12-11 | 2014-06-12 | Carnegie Mellon University | Image recognition method |
CN106462549A (zh) * | 2014-04-09 | 2017-02-22 | 尹度普有限公司 | 使用从显微变化中进行的机器学习来鉴定实体对象 |
US20150371107A1 (en) * | 2014-06-23 | 2015-12-24 | Canon Kabushiki Kaisha | Material classification using brdf feature vector |
WO2016099981A1 (en) * | 2014-12-18 | 2016-06-23 | 3M Innovative Properties Company | Batch authentication of materials for automated anti counterfeiting |
Non-Patent Citations (1)
Title |
---|
CHRISTOF KAUBA等: "Towards Drug Counterfeit Detection Using Package Paperboard Classification", PROCEEDINGS OF THE 17TH PACIFIC-RIM CONFERENCE ON MULTIMEDIA (PCM16) * |
Also Published As
Publication number | Publication date |
---|---|
EP3602488A1 (en) | 2020-02-05 |
WO2018178822A1 (en) | 2018-10-04 |
CN110770711B (zh) | 2023-12-22 |
US11386540B2 (en) | 2022-07-12 |
EP3602488A4 (en) | 2021-05-26 |
KR20190126430A (ko) | 2019-11-11 |
US20200104992A1 (en) | 2020-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110770711B (zh) | 基于图像的伪造品检测 | |
US10885531B2 (en) | Artificial intelligence counterfeit detection | |
CN111406270B (zh) | 基于图像的伪造品检测 | |
Ferreira et al. | Behavior knowledge space-based fusion for copy–move forgery detection | |
Prakash et al. | Detection of copy-move forgery using AKAZE and SIFT keypoint extraction | |
US20160307057A1 (en) | Fully Automatic Tattoo Image Processing And Retrieval | |
US11816946B2 (en) | Image based novelty detection of material samples | |
CN111310628B (zh) | 一种基于纸币印刷图案特征的纸币形成方式检验鉴定方法 | |
Abrahim et al. | RETRACTED ARTICLE: Splicing image forgery identification based on artificial neural network approach and texture features | |
Makandar et al. | Wavelet statistical feature based malware class recognition and classification using supervised learning classifier | |
Yingthawornsuk et al. | Automatic Thai Coin Calculation System by Using SIFT | |
US20170363772A1 (en) | Batch authentication of materials for automated anti counterfeiting | |
Gorai et al. | A comparative study of local binary pattern descriptors and Gabor Filter for electron microscopy image segmentation | |
Florindo et al. | Three-dimensional connectivity index for texture recognition | |
Gebremeskel et al. | Developing a Model for Detection of Ethiopian Fake Banknote Using Deep Learning | |
Hauri | Detecting signatures in scanned document images | |
Dhivya et al. | Detection of structural defects in fabric parts using a novel edge detection method | |
Akram et al. | Weber Law Based Approach forMulti-Class Image Forgery Detection. | |
Hardani et al. | Identify the authenticity of rupiah currency using k nearest neighbor (K-NN) algorithm | |
Liu et al. | Combination of spatially enhanced bag-of-visual-words model and genuine difference subspace for fake coin detection | |
Harrison et al. | A novel ensemble of distance measures for feature evaluation: Application to sonar imagery | |
Saire et al. | Documents counterfeit detection through a deep learning approach | |
Tapia et al. | Face feature visualisation of single morphing attack detection | |
Pietikäinen et al. | Texture classification and segmentation | |
Ouslimani et al. | Directional rank coding for multi-scale texture classification |
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 |