CN110895693B - 一种证件的防伪信息的鉴别方法及鉴别系统 - Google Patents
一种证件的防伪信息的鉴别方法及鉴别系统 Download PDFInfo
- Publication number
- CN110895693B CN110895693B CN201910863190.2A CN201910863190A CN110895693B CN 110895693 B CN110895693 B CN 110895693B CN 201910863190 A CN201910863190 A CN 201910863190A CN 110895693 B CN110895693 B CN 110895693B
- Authority
- CN
- China
- Prior art keywords
- image
- identification
- certificate
- identified
- annular projection
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Abstract
本发明涉及信息安全认证领域,具体涉及一种证件的防伪信息的鉴别方法及鉴别系统,鉴别方法包括:获取包含防伪信息的证件图像;对证件图像进行校正以及分割,得到多个防伪区域,分别对多个防伪区域进行鉴别,并依次输出各个防伪区域对应的鉴别结果;结合各个防伪区域对应的鉴别结果,判定证件图像的真伪。该鉴别方法对防伪信息的检测较全面,可以覆盖各种证件的防伪检测,相较于传统的方式更高效,准确率更高,从整体上提升了安全性。
Description
【技术领域】
本发明涉及信息安全认证领域,具体涉及一种证件的防伪信息的鉴别方法及鉴别系统。
【背景技术】
作为存储和认证个人信息的媒介,证件的种类繁多,包含护照、身份证、港澳通行证等,其多光谱图像的防伪信息鉴别在海关、机场、火车站、安检站等场景中应用广泛。近年来中国的国际交往日益增多,给需要进行鉴别证件真伪的部门带来了巨大挑战;证件类型繁多、各种证件鉴伪点各不相同使得证件图像的防伪信息鉴别更加困难。当前国内一般采用人工结合机器的方法对证件图像的真伪进行鉴别,不仅耗时长而且十分依赖于工作人员的熟练程度,使得整个过程时效性和安全性差。
证件信息在整个信息验证流程中占据重要地位,通过对证件多光谱图像的鉴伪,能够有效地提升证件的准确性。证件多光谱图像通常包含:白光图像、紫外图像和红外图像。这些图像包含众多防伪信息,诸如白光图像的微型字体、紫外图像的紫外图案和红外图像的人脸照片等。通过对这些防伪信息的鉴别能有效地判别证件的真伪性。但因为证件种类多样化,证件多光谱图像的鉴别方法很难集成为一个整体。
同时,如何在多光谱图像中通过提升具有代表性的防伪信息的鉴别精度和效率以提升整个流程的安全性和时效性成为难题。
鉴于此,克服上述现有技术所存在的缺陷是本技术领域亟待解决的问题。
【发明内容】
本发明需要解决的技术问题是:由于证件的更新换代速度快、类型多样,防伪信息鉴别困难。
本发明通过如下技术方案达到上述目的:
第一方面,本发明提供了一种证件的防伪信息的鉴别方法,所述鉴别方法包括:
获取包含防伪信息的证件图像;
对所述证件图像进行校正以及分割,得到多个防伪区域,分别对所述多个防伪区域进行鉴别,并依次输出各个防伪区域对应的鉴别结果;
结合各个防伪区域对应的鉴别结果,判定所述证件图像的真伪。
第二方面,本发明提供了一种证件的防伪信息的鉴别系统,所述鉴别系统包括:依次连接的信息提取模块、图像校正模块、图像定位查找模块和防伪检测模块;
所述信息提取模块用于获取包含防伪信息的证件图像;
所述图像校正模块用于对所述证件图像进行校正;
所述定位查找模块用于对所述证件图像进行定位查找以及分割,得到多个防伪区域;
所述防伪检测模块用于分别对所述多个防伪区域进行鉴别,并依次输出各个防伪区域对应的鉴别结果,结合各个防伪区域对应的鉴别结果,判定所述证件图像的真伪。
第三方面,本发明提供了一种证件的防伪信息的鉴别装置,包括至少一个处理器和存储器,所述至少一个处理器和存储器之间通过数据总线连接,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令在被所述处理器执行后,用于完成第一方面所述的鉴别方法。
本发明的有益效果是:
本发明提供的鉴别方法中,可以对证件图像的多个防伪区域进行鉴别,再根据各个防伪区域对应的鉴别结果,判定证件图像的真伪,防伪信息的检测较全面,可以覆盖各种证件的防伪检测,相较于传统的方式更高效,准确率更高,从整体上提升了安全性。
进一步地,提出了详细的紫外图案检测的新框架,可对证件图像进行处理进而判断证件真伪,并给出前景增强和相似度检测一体化的思路,可避免证件图像中的字符遮挡干扰,提升证件检测的效率和准确率,显著增强证件验证的安全性,具备可移植性、可维护性和可修改性等特点;
在前景增强的图像分离中引入自适应参数,提升了图像分离速度和精度;在相似度检测的过程中引入权重图像,减小前景增强算法产生的偏差,抑制前景增强区域的特征向量对检测结果的影响。
进一步地,对图像进行分割,得到待鉴别标识图像,可以有效提取标识信息,以进行鉴别;基于环形投影向量对待鉴别标识图像进行鉴别,具有良好的旋转不变性,提高了鉴伪的准确度,能够有效解决标识信息难以鉴别的问题。
进一步地,在计算标识模板图像的环形向量中,通过引入尺度因子,保证匹配算法具有尺度不变性,可以进一步提高准确性。而且,在进行相似度匹配过程中,引入了自适应增量,通过自适应增量进行从粗到精的递进匹配,不仅可以保证准确率,还提高了匹配的速度。
进一步地,本发明的鉴别方法可以基于模块化进行设计,具备可移植性、可维护性和可修改性等特点,能够根据不同的检测需求快速完成不同版本的开发和升级。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种证件的防伪信息的鉴别方法流程图;
图2是本发明实施例提供的一种鉴别系统的结构示意图;
图3是本发明实施例提供的一种防伪检测模块的检测流程示意图;
图4是本发明实施例提供的对紫外图案进行鉴别的流程示意图;
图5是本发明实施例提供的一种证件的防伪信息的鉴别方法细化流程图;
图6是本发明实施例提供的一种鉴别过程中预检测的方法流程图;
图7是本发明实施例提供的一种鉴别过程中前景增强的方法流程图;
图8是本发明实施例提供的一种前景增强中图像分离的方法流程图;
图9是本发明实施例提供的一种鉴别过程中相似度检测的方法流程图;
图10是本发明实施例提供的一种原始图像中所包含的信息的结构示意;
图11是本发明实施例提供的对标识图像鉴别的流程示意图;
图12是本发明实施例对标识图像鉴别的细化流程示意图;
图13是本发明实施例提供的图11中步骤104的具体实现方式之一的流程示意图;
图14是本发明实施例提供的图13中的步骤1044的具体实现方式之一的流程示意图;
图15是本发明实施例提供的一种鉴别系统的结构示意图;
图16是本发明实施例提供的一种鉴别装置的结构示意图。
【具体实施方式】
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面就参考附图和实施例结合来详细说明本发明。
实施例1:
本发明实施例提供了一种证件的防伪信息的鉴别方法,用于鉴别证件的真伪,其中,证件包括但不限于护照、港澳通行证、居民身份证或台胞证等,所述鉴别方法包括。如图1所示,所述鉴别方法具体包括:
步骤1:获取包含防伪信息的证件图像。
其中,证件图像为多光谱图像,包括白光下证件图像、紫光下证件图像和红光下证件图像。
其中,防伪信息包括机读码、荧光纤维、个人照片、证件码、可视读区以及紫外图案等。
步骤2:对所述证件图像进行校正以及分割,得到多个防伪区域,分别对所述多个防伪区域进行鉴别,并依次输出各个防伪区域对应的鉴别结果。
其中,所述紫外下证件图像对应的防伪区域包括机读码区、紫外图案、荧光纤维、照片区域、可视读区和紫外标识区,所述红外下证件图像包括机读码区、照片区域、可视读区、证件码区和红外标识区。
在本实施例中,如图2所示,分别获取证件图像的白光图像WH、紫外图像UV和红外图像IR,并检测图像数据的完整性,在通过完整性检测后,获取证件图像的机读码字符串中的国家码、证件类型和证件有效期等信息,当前述信息验证通过后,分别对所述紫外图像UV和红外图像IR进行校正得到紫外图像UV1和红外图像IR1,分别在紫外图像UV1和红外图像IR1中查找并定位参考点pUV和参考点pIR,并获取参考点pUV和参考点pIR的坐标,根据参考点pUV和参考点pIR与各个防伪区域的相对距离,分别对紫外图像UV1和红外图像IR1进行分割,从而得到紫外下的防伪区域集SUV和红外下的防伪区域集SIR。
其中,紫外下的防伪区域集SUV包括多个防伪区域,具体包括机读码区、紫外图案、荧光纤维、照片区域、可视读区和紫外标识区;红外下的防伪区域集SIR包括多个防伪区域,具体包括机读码区、照片区域、可视读区、证件码区和红外标识区。
分别将紫外下的防伪区域集SUV和红外下的防伪区域集SIR输入紫外鉴伪模块和红外鉴伪模块,将各个防伪区域对应的鉴别结果分别存储到数组ArrayUV和数组ArrayIR中,并将数组ArrayUV和数组ArrayIR组合起来,并将鉴别结果存储到数组Array。
步骤3:结合各个防伪区域对应的鉴别结果,判定所述证件图像的真伪。
根据数组Array中存储的鉴别结果判定证件的真伪,若所有防伪区域对应的鉴伪结果全为真,则检测通过;否则,根据鉴伪规则反馈相应的警告。
本实施例提供的证鉴别方法中,可以对证件图像的多个防伪区域进行鉴别,再根据各个防伪区域对应的鉴别结果,判定所述证件图像的真伪,防伪信息的检测较全面,可以覆盖各种证件的防伪检测,相较于传统的方式更高效,准确率更高,从整体上提升了安全性。
结合图3,在实际应用场景下,分别对证件图像的紫外图像、白光图像和红外图像进行鉴别,其中,白光图像包含的防伪信息较少,在本实施例中,主要阐述对紫外图像(也称紫外下证件图像)和红外图像(红外下证件图像)的鉴别。
针对紫外图像主要进行机读码区域鉴伪、紫外图案鉴伪、荧光纤维鉴伪、照片区域鉴伪、可视读区鉴伪和紫外标识鉴伪;针对红外图像主要进行机读码区鉴伪、照片区域鉴伪、可视读区鉴伪、证件码区鉴伪和红外标识鉴伪。
由于紫外检测和红外检测存在检测区域与检测内容重合的情况,因此,对于检测内容相同的流程,除了前期对图像预处理的算法略有差异,后续的鉴伪流程基本一致。在后续介绍时将把紫外和红外重叠的流程统一描述,具体流程为:
(1)针对机读码区鉴伪流程:红外检测与紫外检测中均包含机器读码区检测。在不同波段的光照射下,机读码均能完整显示为黑色字体。利用这种特性,检测红外与紫外图像中机读码的总数。详细处理过程为:从机读码区域中提取出只包含机读码的图像,利用投影分割技术,将只包含机读码的图像分割为一组可能包含单个字符的图像块。利用离散余弦变换处理图像块,检测其中的特征是否符合字符特征。若所有图像块均满足字符特征,则反馈机读码为真的鉴伪结果,结束流程;否则,反馈机读码为假的鉴伪结果,结束流程。
(2)紫外图案紫外图案鉴伪流程:紫外图案作为重要的防伪信息,在防伪检测中占有重要地位。为了提高分离的效率和精度,从而进一步提升前景增强的效果,提出了改进的分离参数。具体流程为:首先进行预检测,对紫外图案区域滤除噪声,提高对比度,增强纹理信息,得到新的图像;然后进行前景增强,从前景增强后的紫外图案中提取特征,并与数据库中标准图案A的特征进行匹配,得到所述紫外图案与所述标准图案A的相似度;根据预先设置的相似度阈值,判断得到的所述相似度是否满足预设条件,进而鉴别所述证件图像的真伪。关于紫外图案的鉴别过程详见实施例2。
(3)荧光纤维鉴伪流程:紫外证件图像中,荧光纤维通常集中在可视读区、机读码区以及照片区,根据实际鉴伪需要划分多个鉴伪区域。在相关区域内,荧光纤维分布相对随机,形状各异,检测相对困难。具体鉴伪流程为:根据需要检测的荧光纤维颜色,从荧光纤维区域中,提取对应颜色分量的二值化图像;从二值化图像中寻找符合荧光纤维特征(面积、周长等)的连通域。若存在连通域符合荧光纤维的特征,则反馈相应检测区存在所需荧光纤维的结果,结束流程;否则,反馈相应检测区不存在所需荧光纤维的结果,结束流程。
(4)照片区域鉴伪流程:照片区域存在三种鉴伪内容:矩形边框、人脸轮廓以及图案。因为区域重叠,矩形边框与人脸轮廓只会出现一种,且很难辨别细节信息。对于矩形边框与人脸轮廓,具体流程为:对照片区域进行轮廓提取,并等距的水平分段。通过主成分分析(PCA)拟合直线拟合各分段的直线,检测是否符合矩形边框或人脸轮廓的特征。若符合其中的一种特征,则记录特征,继续流程;若前述情况均不符合,则反馈照片区域人脸轮廓(矩形边框)为假的结果,结束流程。再根据对应的特征结果,对照片区域进行不同的面积阈值的检测。若面积在合理的范围内,则反馈照片区人脸轮廓(矩形边框)为真的结果,结束流程;否则,反馈照片区人脸轮廓为假的结果,结束流程。对于照片区图案,具体流程为:从照片区域生成权重图,将照片区域与权重图输入孪生网络,计算相似度。收集相似度。若相似度满足要求,则反馈照片区图案为真的结果;否则,反馈照片区图案为假的结果。
(5)可视读区域鉴伪流程:可视读区的鉴伪重点是个人信息格式。为了检测其格式的完整性,具体的检测流程:运用投影分割,分离出可视读区域中可能包含字符的图像块。根据离散余弦变换,提取图像块的特征,并与字符特征比对。若符合字符特征的图像块数量满足要求,且满足要求的图像块坐标成一定规则分布,则反馈可视读区域信息为真的结果;否则,则反馈可视读区域信息为假的结果。
(6)标识图像鉴伪流程:特殊标识在紫外图像与红外图像中均存在且形状普遍较小,同时证件紫外图像的标识数量极少,在拥有紫外图案的情况下,特殊标识的鉴别结果将作为次要的评价标准。而在证件红外图像中,特殊标识存在较为普遍且明显。两者图像中特殊标识的鉴伪流程大致相同,具体流程为:提取待匹配图像的环投影向量;依次进行粗匹配和精匹配,若相似度高于预设的阈值,则反馈标识为真的结果,否则,反馈标识为假的结果。关于标识图像的鉴别过程详见实施例3。
实施例2:
结合实施例1,本实施例主要阐述紫外图案的鉴别过程。
在实际应用场景下,针对紫外下证件图像,证件图像的前景为紫外图案,如在中国电子护照中,护照图像的前景为彩色花纹。紫外图案因为其独特的纹理结构与颜色信息,往往难以复制,因而占有重要地位。由于各个国家证件的更新换代速度较快以及证件类型多样,紫外图案的鉴伪难以跟上不断变化的需求,传统的检测流程很难适应多样化的图案。此外,多数国家的紫外图案存在被黑色字体遮挡的情况,这种情况将导致紫外图案的鉴伪结果存在偏差。如何消除字体遮挡对鉴伪结果的干扰成为紫外图案鉴伪的难题。
针对前述问题,在优选的方案中,提出了先前景增强后图案鉴伪的思路,处理效率高效,而且准确率高。
如图4和图5,在对紫外下证件图像中的紫外图案进行鉴伪时,步骤2具体包括如下步骤:
步骤10,对证件图像进行预检测,进而从数据库中初步筛选出,与所述证件图像中的紫外图案相对应的标准图案A。
该步骤为“预检测”过程,数据库中存储有多种证件图像上对应的标准图案(即标准的紫外图案),通过预检测可初步确定最能与当前待测证件相匹配的标准图案A,则前景增强之后只需与标准图案A进行相似度比对即可,可提升检测效率。为缩小研究的图像范围、提升图像质量,预检测又可分为定位分割、滤波增强和模板匹配三个环节,简单概括为:对证件图像进行分割和增强处理后得到图像f1,完成图像f1与数据库中各标准图案的初步匹配,以筛选出与图像f1对应的标准图案A;其中,所述图像f1为包含紫外图案在内的区域。
步骤20,依次对所述证件图像进行图像分离、图像更新和图像合成,以实现所述证件图像中紫外图案的前景增强。
该步骤为“前景增强”过程,前景增强的主要目的是提升证件图像中紫外图案的细节信息,从而抑制黑色字符遮挡的影响。考虑到结构图像与纹理图像增强的精度与速度的差异,需依次完成图像分离、图像更新和图像合成后,实现前景增强。为进一步缩小研究的图像范围、对紫外图案精准定位,并分离遮挡区域,图像分离前又可设置再分割与字符区域提取环节,则步骤20可简单概括为:对图像f1继续分割后得到图像f2,通过对图像f2中的字符二值化得到二值化图像I1,通过依次对图像f分解、更新和合成得到前景增强后的图像f'。
步骤30,从前景增强后的紫外图案中提取特征,并与数据库中标准图案A的特征进行匹配,得到所述紫外图案与所述标准图案A的相似度。
该步骤为“相似度检测”过程,采用神经网络提取紫外图案的特征,通过与标准图案A的特征进行匹配得到相似度。为减少前景增强可能带来的误差,可将前景增强后的图像与带有字符区域信息的权重图共同输入孪生网络中进行相似度检测,简单概括为:根据二值化图像I1生成权重图W,将图像f'和权重图W共同输入孪生网络中提取特征,并将提取的特征与标准图案A的特征匹配,计算得到相似度S。输入孪生网络的图像中带有权重图,将能很大程度的上抑制因为前景增强带来的视觉误差,从而提高检测结果的精确度。
步骤40,根据预先设置的相似度阈值,判断得到的所述相似度是否满足预设条件,进而鉴别所述证件图像的真伪。
该步骤为“真伪判别”过程,将步骤30中计算得到的相似度S与预先设置的相似度阈值比较,根据设定的规则反馈真伪信息;其中,若相似度S满足预设的阈值,则紫外图案为真,进而反馈证件为真的鉴别结果;否则,紫外图案为假,进而反馈证件为假的鉴别结果。
本发明提供的证件紫外图案鉴别方法中,提出了详细的紫外图案检测的新框架,可对证件图像进行处理进而判断证件真伪,并给出前景增强和相似度检测一体化的思路,可避免证件图像中的字符遮挡干扰,提升证件检测的效率和准确率,显著增强证件验证的安全性,具备可移植性、可维护性和可修改性等特点;在相似度检测的过程中引入权重图像,减小前景增强算法产生的偏差,抑制前景增强区域的特征向量对检测结果的影响。
由前述可知,为缩小研究的图像范围、提升图像质量,预检测又可分为定位分割、滤波增强和模板匹配三个环节。因此,所述对证件图像进行预检测,进而从数据库中初步筛选出,与所述证件图像中的紫外图案相对应的标准图案A,即步骤10对应的“预检测”过程,具体可参考图6和图5,包括:
步骤101,根据数据库中存储的坐标参数,对证件图像进行定位分割,得到包含紫外图案的图像f0。
该步骤即“定位分割”,主要完成对证件图像的初步定位,划分好后续的执行区域。在证件图像中,紫外图案通常只占据一部分区域,因此为方便检测,后续可仅对包含紫外图案的区域研究,而无需对整个证件图像进行研究。数据库中存储有证件图像的坐标参数,根据坐标参数可对证件图像进行分割,进而缩小紫外图案的区域,得到图像f0。
步骤102,采用双边滤波算法、自适应亮度调整算法与分数阶微分算法对图像f0进行处理,得到新的图像f1。
该步骤即“滤波增强”,主要完成图像信息增强、提升图像质量,这也有利于后续的前景增强与特征提取。其中,采用双边滤波算法可滤除图像f0中的噪声,采用自适应亮度调整算法可提高图像f0的对比度,采用分数阶微分算法可增强图像f0中图案的纹理信息,由此可得到质量提升后的图像f1;三种算法均为现有,在此不再赘述。当然,在实际应用中并不仅限于这三种算法,换成同类的算法也可有相似的结果,此处不做限定。
步骤103,采用模版匹配算法将所述图像f1分别与数据库中的各标准图案进行匹配,记录与所述图像f1相似度最高的标准图案A以及图像f1中相似度最高的区域坐标。
该步骤即“模板匹配”,主要完成对图像f1的模板匹配,以区分完全不同的图案以及识别图案类型,提升检测效率。首先可采用基于归一化相关性系数的模版匹配算法,筛选出数据库中与图像f1完全不同的标准图案;若图像f1与数据库中所有同证件类型的标准紫外图案都完全不同,认为匹配不合格,则可直接返回证件为假的鉴别结果,终止流程,即不再执行步骤20-步骤40;否则,认为匹配合格,记录与所述图像f1相似度最高的标准图案A以及图像f1中相似度最高的区域坐标,继续流程,即继续向下执行步骤20-步骤40。
进一步地,为进一步缩小研究的图像范围、对紫外图案精准定位,提升紫外图案细节,抑制字符遮挡的影响,前景增强又可分为再分割与字符区域提取、图像分离、图像更新和图像合成四个环节。因此,所述依次对所述证件图像进行图像成分分解、图像更新和图像合成,以实现所述证件图像中紫外图案的前景增强,即步骤20对应的“前景增强”过程,具体可参考图7和图5,包括:
步骤201,根据数据库中存储的图案尺寸和预检测时记录的坐标,对图像f1继续分割后得到包含紫外图案的图像f,并将图像f中的字符二值化以得到二值化图像I1。
该步骤即“再分割与字符区域提取”,再分割主要完成证件图像中紫外图案的精准定位,进一步缩小紫外图案的范围。其中,步骤101中首次分割后得到的图像f0为一个包含紫外图案的较大区域,然后在预检测中反馈较为准确的紫外图案坐标之后,再次分割得到的图像f为一个包含紫外图案的较小区域,或者是最小区域,研究范围进一步缩小。字符区域提取主要是识别当前图像f中的黑色字符并将其二值化,得到的二值化图像I1将作为后续图像更新和相似度检测时的参考。
步骤202,根据TV分离模型对所述图像f进行分离,得到结构图像u与纹理图像v;其中,f=u+v。
该步骤即“图像分离”,又称“图像成分分解”,主要完成对紫外图案的成分分解,有利于提升后续前景增强的精度。具体利用TV(Total Variation)模型的迭代公式执行多次迭代,分别获取结构图像u与纹理图像v的最优解。但现有TV模型中的迭代参数为固定参数,本发明为降低求解复杂度、减少运算时间、提升分离效果,在根据TV分离模型对所述图像f进行分离的过程中,将所述TV分离模型对应迭代公式中的固定迭代参数调整为自适应参数;则每次迭代使用的迭代参数,均是以最近M次迭代的图像结果为基础计算得到,因此为自适应参数,其中,M≥2。
为获得更好的分解和降噪效果,可将原图像f、u、v从RGB格式转换为CB格式。RGB通道转换到亮度B通道的转换公式为:
上式(1)中,wb为亮度数值,wR、wG、wB分别对应RGB三通道的R通道、G通道、B通道的数值。RGB通道转换到色度C通道的转换公式为:
wc={wc1,wc2,wc3} (2)
上式(2)、(3)中,wc为色度数组,wc1、wc2、wc3分别对应RGB通道wR、wG、wB转换的颜色系数。
结合上述转换原则和自适应参数的调整,为降低求取最优解的复杂度,所述步骤202的具体执行过程可参考图8,包括:
步骤2021,对所述结构图像u与纹理图像v进行初始化,并将图像f和初始的u、v由RGB格式转换为CB格式,得到f=fb×fc,u=ub×uc,v=vb×vc。
其中,这里一般可初始化v=0,u=f,但并不用以限制本发明。
步骤2022,在vc固定的情况下执行多次迭代,得到uc的最优解ucm,同时在vb固定的情况下执行多次迭代,得到ub的最优解ubm。
理论上,计算机可同时迭代v(vc、vb)、u(uc、ub)得到最优数值,但这样会占用巨大的内存空间,且时间开销无法预期。目前已经在理论上证明了进行循环(即固定v的情况下迭代u,然后固定u的情况下迭代v,然后依此进行循环)等同于所有数据(vc、uc、ub、vb等)同时迭代,且这种交互固定式的循环在编程合理的情况下占用有限内存,且计算时间可预期。
第一方面,在vc固定的情况下求取uc的最优解时,对应的迭代公式具体为:
式(4)中ui为uc的第i次迭代结果,ui的初始化为u0=fc(i=0);为运算符,对于图像ui,表示梯度,表示散度,表示梯度的模;Δt为迭代步长,λc为色度迭代中的参数。在本发明实施例中,对参数λc进行优化,引入自适应参数:在初始的两次迭代中,λc为固定参数,此时λc=αc;在后续的迭代中,λc为自适应参数,此时式中αc为实验统计所得。这是由于在迭代第i+1次图像过程中,迭代参数的调整需要运用到前三次迭代(第i-2,i-1,i次)得到的图像,则前两次图像迭代时因为图像数据不足所以无法对参数进行调整,因而在第三次迭代时才开始对参数做出调整(第三次迭代时将运用到原图像u0和迭代得到的图像u1、u2)。
第二方面,在vb固定的情况下求取ub的最优解时,将迭代公式(4)中的fc替换为fb,vc替换为vb,uc替换为ub,αc替换为αb,迭代参数λc替换为λb,进行多次迭代即可。同样引入自适应参数:在初始的两次迭代中,λb为固定参数,在后续的迭代中,λb为自适应参数,αb也为实验统计所得。
步骤2023,根据uc的最优解ucm和ub的最优解ubm,对初始化的结构图像u进行更新,得到由所述图像f分离出的结构图像u=ubm×ucm。即根据获取的uc与ub的新图像,得到新的结构图像u。
步骤2024,设置噪声图像w=f-u-v,并在执行多次迭代后得到噪声图像w的最优解wm。
由于实际采集证件图像的设备环境并不是完全封闭的,会受到周围环境光的干扰,因此经常存在噪声,且在紫外图像中尤为明显。为分离原始图像中的噪声,此处引入噪声图像w,因此实际固定迭代的方法对象不再是u、v,而是u、w。其中,噪声图像w对应的迭代公式具体为:
上式(5)中,wi为w的第i次迭代结果,μ为迭代参数。在本发明实施例中,同样对参数μ进行优化,引入自适应参数:在初始的两次迭代中,μ为固定参数,此时μ=β;在后续的迭代中,μ为自适应参数,此时式中β为实验统计所得。
步骤2025,根据更新后的结构图像u和噪声图像w的最优解wm,对初始化的纹理图像v进行更新,得到v=f-u-wm。
如果不考虑噪声影响,可直接跳过步骤2024,在步骤2025中更新纹理图像时,采用v=f-u得到即可。此外,执行完步骤2025后,仍需不断重复循环步骤2022-步骤2025,从而在循环中不断对w、u的数值进行迭代修正。这是由于,以第一次循环为例,步骤2022中首先迭代固定的数据为vc,需要迭代的数据为uc,迭代后能得到在当前vc下的最优uc,但这种迭代是建立在vc为最优数据的前提下。而实际情况下,vc并非一开始就是最优数据,而是希望通过迭代和循环得到的数据之一;因此在当前非最优vc下获取的所谓的“最优uc”离真正意义上的最优数据仍有差距。而在“固定一个数据迭代另一个数据,然后再交换”的循环中,可以不断逼近真正的最优数据,这是循环多次的意义。其中,一次循环中包含uc、ub、w三种图像的多次迭代,即这些图像分别进行多次迭代为一次完整的循环。为避免计算的冗余,设定循环期间的提前结束条件为:
max(|ui+1-ui|,|vi+1-vi|)≤ε (6)
上式(6)中,ε为固定的误差允许范围。
其中,在未作优化之前,即选取固定参数迭代时,每个参数的迭代次数一般要求大于等于30,整体循环需大于等于5次;而在采用本次优化方案,即选取自适应参数后,每个参数的迭代次数只需要大于等于10,整体循环大于等于3次即可,由此可以体现自适应参数的优势。
进一步地,在实际迭代过程中,为节省运行时间,还可对多处迭代步骤进行删减,替换成中值滤波操作。虽然中值滤波处理的图像分离效果弱于原有迭代次数充足的迭代操作,但近似于迭代次数严重不足的迭代操作,因而引入自适应参数能很好地提升分离效果,达到原迭代过程的分离效果。
具体优化为:
在步骤2022中,仅在vb固定的情况下执行多次迭代(即执行关于vb、ub的迭代公式),得到ub的最优解ubm;然后保留C通道的图像uc作为颜色信息,不对图像uc进行迭代,以节省时间。在这种情况下,因为图像uc未进行迭代,可对C、B通道的图像各进行一次中值滤波,滤除B通道下迭代产生的异常数值与噪声;同时中值滤波的模糊作用可替代C通道下的迭代过程。又由于图像uc未进行迭代,在步骤2024中,可在RGB通道下执行多次迭代公式(5),以提取带有颜色信息的噪声。其余各步骤与原有的步骤相同,在此不做赘述。
步骤203,分别采用不同的算法完成结构图像u与纹理图像v的增强,得到更新后的结构图像u'和纹理图像v'。
该步骤即“图像更新”,根据从二值化图像I1中提取的待更新的区域Q(即二值化图像I1中的字符区域),对分离的结构图像和纹理图像采用不同的算法。为了避免前景增强结果受到其他图像的影响,两种图像的增强算法均根据自身信息重新填补图像中对应的待更新区域。
第一方面,采用现有的BSCB(Bertalmio Sapiro Caselles Bellester)算法,填补结构图像u中缺失的区域,完成结构图像的增强。
第二方面,采用权值算法、匹配算法和线性插值填补算法完成所述纹理图像v的增强。在纹理图像v中,纹理信息的更新主要依靠自身纹理的相似性,即从图像的其他区域寻找相似度最高的区域块以直接填补待纹理图像中的待更新区域。具体可先采用权值算法和匹配算法计算出优先级最高的待更新点和用于修复的区域块,然后采用线性插值填补算法恢复纹理信息。
步骤204,将增强后的结构图像u'和纹理图像v'进行颜色调整后合并,得到前景增强后的图像f';其中,f'=u'+v'。
该步骤即“图像合成”,经过上述图像更新后,结构图像和纹理图像都得到增强,将增强后的结构图像u'和纹理图像v'合并为完整的图像,即可得到f'。由于迭代后的图像与原图像的数值存在差异,可能存在迭代后图像过亮或过暗的情况,因此,为避免影响后续相似度检测的操作,合并前先分别对结构图像u'和纹理图像v'进行颜色信息的调整,具体根据原图像RGB三个通道的颜色最大值、最小值、中值进行线性或非线性的变换。
综上所述,在步骤201-步骤204中(即前景增强步骤中),主要有以下优势:步骤202中引入自适应参数进行图像分离。由于原固定参数的作用为提供原图像对迭代结果的修正,即参数数值越低,修正影响越高,参数数值越高,修正影响越低。因此,自适应参数存在调控更新速度的作用:在像素点变化下降时,认为像素点可能即将达到最优解,越靠近最优解,像素点的数值更新越缓慢,而自适应参数提供较低数值以提升修正的影响,加快更新速度;在像素点变化上升时,自适应参数提供较高数值以降低更新速度,防止更新速度过快导致远离最优解的情况。
在实际运行过程中,相比于固定参数的分离算法,拥有自适应参数的算法分离的图像细节更多:在迭代次数与运算充足的情况下,自适应参数的算法能分离更多纹理细节;在迭代次数不足(约为充足条件下的三分之一),运算时间大幅受限的情况(循环次数由5降为3)下,自适应参数的算法能提供近似于固定参数算法在迭代次数充足情况下的效果。因此,自适应的参数使得原本固定的迭代速度随着图像自身的变化而变化,而新方案的迭代过程在计算时间严重不足的情况下能取得近似原方案的分离效果,在计算时间充裕的情况下取得优于近似方案的分离效果。
进一步地,所述从前景增强后的紫外图案中提取特征,并与数据库中标准图案A的特征进行匹配,得到所述紫外图案与所述标准图案A的相似度,即步骤30对应的“相似度检测”过程,具体可参考图9和图5,包括:
步骤301,根据所述二值化图像I1,分别设置字符区域和非字符区域的权重,进而生成新的权重图W。
如前面步骤30中所述,为减少前景增强可能带来的误差,此处引入权重图W;在生成权重图W时,设置字符区域有较小的权重,非字符区域有较大的权重,在后续相似度检测时,权重函数可用于降低字符区域对相似度的影响。
步骤302,将所述权重图W与所述图像f'共同输入孪生网络的网络C1中,将所述标准图案A与对应的权重图WA共同输入孪生网络的另一个网络C2中。
这里用于检测的孪生网络分为特征提取与损失函数两部分。特征提取由两个共享权重的CNN网络完成,使用时要同时输入标准图像和待鉴别图像,以便分别提取两幅图像的特征并进行比对。因此,在输入图像时,向其中一个网络C1输入权重图W与图像f',而向另一个网络C2输入标准图案A与对应权重图WA。
步骤303,根据从所述孪生网络的网络C1和网络C2中提取对应的特征向量,计算得到两个特征向量间的相似度。
其中,为了节省计算时间,C2的计算可在检测前完成并将特征向量存入数据库,即预先完成标准图案A的特征提取,并将其存入数据库中,以备后续比对的直接调用。在计算相似度时,损失函数接受数据库存储的特征向量(即C2对应的特征向量)以及从C1输出的特征向量,进而可通过计算得到待鉴别的紫外图案与标准图案A间的相似度S。其中,在检测流程之外,所述孪生网络的参数训练由大量的数据集辅助完成,在此不做赘述。
本发明实施例提供的紫外图案的防伪检测方法具有以下有益效果:
提出详细的紫外图案检测的新框架,并给出前景增强和相似度检测一体化的思路,可避免证件图像中的字符遮挡干扰,提升证件检测的效率和准确率,显著增强证件验证的安全性,具备可移植性、可维护性和可修改性等特点;
在相似度检测的过程中引入权重图像,减小了前景增强算法产生的偏差,抑制前景增强区域的特征向量对检测结果的影响;
在前景增强的图像分离中,将迭代公式中的固定参数调整为自适应参数,分离的图像细节更多,提升了图像分离速度和精度。
实施例3:
结合实施例1,本实施例主要阐述对标识图像的鉴别过程。
证件图像中,一些国家会加入标识。在具有个人信息或者个人照片等图像结构的情况下,但是这些标识形状小较难进行图像真伪的识别,且这些标识通常位于其他图像结构周围,极大地增加了检测标识的难度。
为解决前述问题,在优选的方案中,本实施例基于环形投影向量对待鉴别标识图像进行鉴别,具有良好的旋转不变性,提高了鉴伪的准确度。
在介绍本实施例方案之前,首先对本实施例出现的名词做相应的解释,具体如下。
本实施例所涉及的原始图像指的是:证件图像的最小外接矩形对应的区域,其中,包含有效的证件图像,还包含证件图像外围的空白部分。
本发明所涉及的证件图像指的是包含证件信息的有效图像,对应图10中的倾斜的最大的矩形。其中,证件图像包括但不限于护照图像、身份证图像和港澳通行证图像等。所述证件图像为多光谱图像,其中,多光谱图像包括白光证件图像、紫外下证件图像和红外下证件图像。
本发明所涉及的标识图像形状小,且一般位于其他图像结构的边缘,此外,标识图像携带有特殊的结构,以用于图像鉴伪,如图10中,标识图像中携带有拱形结构。本实施例主要阐述对标识图像的鉴别,其中,紫外下证件图像的标识图像的鉴伪过程和红外下证件图像的标识图像的鉴伪过程基本相同,除了前期对图像预处理的过程存在差异。本实施例所提出的标识图像的鉴别方法既适用于紫外下证件图像的标识图像,也适用于红外下证件图像的标识图像。
结合图11和图12所示,在对标识图像进行鉴伪时,步骤2具体包括如下步骤:
在步骤103’中,从数据库中筛选出与所述证件图像中的待鉴别标识图像相匹配的标识模板图像。
在具体应用场景下,数据库(可以为图12中的证件标准库)中存储有各种类型的证件对应的标识模板图像,在本实施例中,通过对证件图像进行初步识别,获取证件图像的机读码,根据证件图像的机读码,从数据库中获取相应的标识模板图像。
在步骤104中,分别获取所述待鉴别标识图像和所述标识模板图像的环形投影向量,根据所述待鉴别标识图像的环形投影向量和所述标识模板图像的环形投影向量的相似度情况,确定所述待鉴别标识图像的真伪。
在具体应用场景下,可以采用模板匹配算法,对所述待鉴别标识图像和所述标识模板图像进行模板匹配,从而确定所述待鉴别标识图像的真伪。由于大多数模板匹配算法不具有旋转不变性,可能会导致匹配结果出错,为了提高准确率,在本实施例中,基于环形投影向量的模板匹配算法对待鉴别标识图像和所述标识模板图像进行相似度匹配,从而确定所述待鉴别标识图像的真伪。由于基于环形投影向量的模板匹配算法具有旋转不变性,可以提高鉴别的准确率。
本发明的鉴别方法首先对图像进行分割,得到待鉴别标识图像;基于环形投影向量对待鉴别标识图像进行鉴别,具有良好的旋转不变性,提高了鉴伪的准确度,能够有效解决标识信息难以鉴别的问题。
下面具体说明图12中的“环形投影向量提取过程”:分别获取所述待鉴别标识图像和所述标识模板图像的环形投影向量的过程。在本实施例中,可以按照公式一分别获取所述待鉴别标识图像和所述标识模板图像的环形投影向量,其中,公式一具体如下:
其中,k=1,2...N,N为同心圆的个数,Δx=Δr×k×cos(i×Δθ),Δy=Δr×k×sin(i×Δθ),f(x,y)为图像在点(x,y)处的像素值,Δr=R/N为同心圆的半径间隔,R为同心圆最大半径,Δθ=2π/nk为角度间隔,r为第k个圆的半径,Δ为常数。
其中,在获取所述待鉴别标识图像的环形投影向量的过程中,前述R为待鉴别标识图像的宽w1和高h1的最大值,即,R=max(w1,h1)。
其中,在获取所述标识模板图像的环形投影向量的过程中,前述R为标识模板图像的宽wtemplate和高hTemplate的最大值,即,R=max(wtemplate,hTemplate)。
具体地,按照公式一,获取所述待鉴别标识图像的环形投影向量P1,其中,P1={P1(1),P1(2)...P1(N)};按照公式一,获取所述标识模板图像的环形投影向量P,其中,P={P(1),P(2)...P(N)}。在优选的实施例中,为了使基于环形向量的模板匹配算法具有尺度不变性,进一步对所述标识模板图像的环形投影向量P进行优化,得到改进的环形投影向量。
具体地,按照如下公式二,对所述标识模板图像的环形投影向量P进行向下取整处理;其中,公式二具体为:
此步骤为“设置尺寸搜索范围”:在实际应用场景下,根据待鉴别标识图像的大小,确定尺度因子s的搜索范围(Min,Max),其中,Min和Max的值依据实际情况而定。其中,尺度因子s在搜索范围(Min,Max)内遍历取值,具体地,初始化s=Min,然后再根据自适应增量对尺度因子s进行遍历取值,例如,第一次遍历为s=Min,第二次遍历为s=Min+ΔI,其中,ΔI为自适应增量,第三次遍历为s=Min+ΔI*2……依次类推。
在优选的实施例中,如图12所示,通过自适应增量进行从粗到精的递进匹配,不仅可以保证准确率,还提高了匹配的速度。其中,粗匹配指的是:在较大的搜索范围内以较大的增量进行搜索,如此,可以加快搜索速度且覆盖范围较广;其中,精匹配指的是:在较小的搜索范围内以较小的增量进行搜索,如此,可以提高准确率。
具体地,参阅图13,在步骤104中具体包括如下步骤:
在步骤1041中,设置尺度因子s的第一搜索范围(min1,max1)和第一增量,依据所述第一增量以及所述第一搜索范围为所述尺度因子s遍历赋值。
在步骤1042中,基于经过赋值后的尺度因子s和公式二,得到所述标识模板图像的环形投影向量Ps1,其中,Ps1={Ps1(1),Ps1(2)....Ps1(n)}。
在步骤1043中,将所述待鉴别标识图像的环形投影向量的P1与所述标识模板图像的环形投影向量Ps1进行相似度匹配。
在步骤1044中,若相似度大于第一预设阈值,则重新设置尺度因子s的搜索范围和增量,以更新所述标识模板图像的环形投影向量,根据所述标识模板图像更新后的环形投影向量与所述待鉴别标识图像的环形投影向量的相似度情况,确定所述待鉴别标识图像的真伪。
在步骤1045中,若相似度不大于第一预设阈值,则确定所述待鉴别标识图像为伪造的。
其中,第一预设阈值可以依据实际情况进行设定,在此不做具体限定。
以上过程为粗匹配,然后缩小尺寸搜索范围,对环形投影向量进行精匹配,继续参阅图14,在步骤1044中具体包括如下步骤:
在步骤10441中,若相似度大于第一预设阈值,则设置尺度因子s的第二搜索范围(min2,max2)和第二增量,依据所述第二增量以及所述第二搜索范围为所述尺度因子s遍历赋值,其中,min2≥min1,max2≤max1。
在本实施例中,第二搜索范围小于第一搜索范围,可以在前述粗匹配的基础上进行精匹配,提高匹配的准确性。
在步骤10442中,基于重新赋值后的尺度因子s和公式二,得到所述标识模板图像的环形投影向量Ps2,其中,Ps2={Ps2(1),Ps2(2)....Ps2(n)}。
在步骤10443中,将所述待鉴别标识图像的环形投影向量的P1与所述标识模板图像的环形投影向量Ps2进行相似度匹配。
在步骤10444中,若相似度大于第二预设阈值,确定所述待鉴别标识图像为真的,以确定所述证件图像为真的。
在步骤10445中,若相似度不大于第二预设阈值,则确定所述待鉴别标识图像为伪造的。
其中,第一预设阈值可以依据实际情况进行设定,在此不做具体限定。
在本实施例中,在进行相似度匹配过程中,引入了自适应增量,通过自适应增量进行从粗到精的递进匹配,不仅可以保证准确率,还提高了匹配的速度。
在实际应用场景下,在相似度计算过程中,考虑到环形投影向量Ps2和环形投影向量Ps1的长度与环形投影向量的P1的长度不一致,其中,环形投影向量的长度指的是环形投影向量中所包含的元素的个数。为了消除长度不一致的影响,提高匹配的准确性,在优选的实施例中,对环形投影向量Ps2和环形投影向量Ps1分别进行多次抽样,每次抽样过程中,从环形投影向量Ps2和环形投影向量Ps1中分别获取N个元素,对应形成新的环形投影向量Psnew2和新的环形投影向量Psnew1,然后在将多个环形投影向量Psnew2和环形投影向量Psnew1分别与环形投影向量的P1进行相似度匹配,然后计算相似度均值,通过相似度均值确定待鉴别标识图像的真伪。其中,抽样次数可以为5次、10次或者更多次等,具体依据实际情况而定即可,在此不做具体限定。
在步骤1042中,所述基于经过赋值后的尺度因子s和公式二,得到所述标识模板图像的环形投影向量Ps1之后还包括如下步骤:
对所述标识模板图像的环形投影向量Ps1进行多次采样,得到多个包括N个元素的环形投影向量Psnew1。
在步骤1043中,将所述待鉴别标识图像的环形投影向量的P1与所述标识模板图像的环形投影向量Ps1进行相似度匹配包括:将所述待鉴别标识图像的环形投影向量的P1,依次与多个环形投影向量Psnew1进行相似度匹配,并计算相似度均值,以通过所述相似度均值确定所述待鉴别标识图像的真伪。
在步骤10442中,所述基于重新赋值后的尺度因子s和公式二,得到所述标识模板图像的环形投影向量Ps2之后还包括如下步骤:
对所述标识模板图像的环形投影向量Ps2进行多次采样,得到多个包括N个元素的环形投影向量Psnew2。
在步骤10443中,将所述待鉴别标识图像的环形投影向量的P1与所述标识模板图像的环形投影向量Ps2进行相似度匹配包括:将所述待鉴别标识图像的环形投影向量的P1,依次与多个环形投影向量Psnew2进行相似度匹配,并计算相似度均值,以通过所述相似度均值确定所述待鉴别标识图像的真伪。
在本实施例中,通过随机抽样,将所述标识模板图像的环形投影向量的长度和所述待鉴别标识图像的环形投影向量的长度保持一致,然后在求取相似度的平均值,以进行真伪鉴别,可以消除抽样的随机性,从而保证鉴别的准确性。
在本实施例可选的方案中,按照如下公式三,设置所述第一增量和所述第二增量,其中,公式三具体如下:
其中,q1为尺寸搜索范围项的加权因子,q2为图像尺寸比例项的加权因子,Max为尺度因子s的搜索范围的最大值,Min为尺度因子s的搜索范围的最小值,w1为待鉴别标识图像的宽度,h1为待鉴别标识图像的高度,wtemplate为标识模板图像的宽度,hTemplate为标识模板图像的高度。
在本实施例中,将Max=max1,Min=min1得到第一增量,将Max=max2,Min=min2得到第二增量。
其中,q1和q2的具体值依据实际情况而定,设置尺度搜索范围项的目的是加快尺度搜索的速度,在更大的区间内以更大的增量进行搜索。设置图像尺寸比例项的目的是考虑到标识模板图像的尺寸和待鉴别标识图像的尺寸之间存在的关联性,一般而言,待鉴别标识图像的尺寸和标识模板图像的尺寸之比越大,ΔI也越大,q2为正比例系数,例如,q2可以取值0.1。
本发明的鉴别方法对图像进行分割,得到待鉴别标识图像,可以有效提取标识信息,以进行鉴别;基于环形投影向量对待鉴别标识图像进行鉴别,具有良好的旋转不变性,提高了鉴伪的准确度,能够有效解决标识信息难以鉴别的问题。
进一步地,在计算标识模板图像的环形向量中,通过引入尺度因子,保证匹配算法具有尺度不变性,可以进一步提高准确性。而且,在进行相似度匹配过程中,引入了自适应增量,通过自适应增量进行从粗到精的递进匹配,不仅可以保证准确率,还提高了匹配的速度。
进一步地,本发明的鉴别方法可以基于模块化进行设计,具备可移植性、可维护性和可修改性等特点,能够根据不同的检测需求快速完成不同版本的开发和升级。
实施例4:
结合实施例1,本实施例主要说明图像校正以及分割的过程。
原始图像中不仅包含有效的证件图像,还包含有空白区域,如图10所示;而且,原始图像中的证件图像会倾斜,而图像的倾斜会对后续的防伪检测结果产生影响,甚至于,倾斜角过大时,会出现像素错位的情况,将无法识别防伪信息。
外部输入的证件图像可能存在倾斜的问题,而图像的倾斜会使防伪区域产生偏移,倾斜角过大时将无法识别防伪信息。为了消除图像的倾斜,需要获取倾斜角。而实际操作过程中,硬件设备采集证件图像的流程是在极短时间内完成的,因此认为输入的证件紫外图像与红外图像的倾斜角相同。在获取倾斜角的过程中,相对于证件紫外图像,证件红外图像的结构更加清晰,花纹等图案的干扰较小,由红外图像计算的倾斜角更加准确,所以倾斜角的计算将在红外图像上进行。
为了保证后续防伪检测的正常执行,在优选的实施例中,获取到原始图像后,对原始图像的数据流完整性进行检测,通过检测后,对原始图像进行倾斜角获取、旋转映射和尺寸修复等预处理,得到证件图像,以进行防伪检测。
获取原始图像,确定所述原始图像中的有效字符和检验位是否有效。在实际应用场景下,由于每个国家对证件的更新会随着证件类型而变,为了简化分辨证件类型的过程,在本实施例中,会获取证件的机读码。通常,机读码的获取会在硬件设备读取证件芯片时完成。
在获取到原始图像后,对原始图像的数据流进行完整性检测,具体地,检测所述原始图像中的机读码的有效字符和检验位是否有效,在实际应用场景下,可以依据有效字符串获取证件类型、国家码或有效期等信息,并将前述信息与数据库中的相关信息进行匹配,若匹配合格,则说明前述有效字符有效;在对检验位进行检测的过程中,可以依据与该证件类型相关的算法进行校验,确定检验位是否有效。
前述有效字符和检验位均有效,则继续验证所述原始图像中所包含的证件图像的国家码和证件有效期是否有效,若存在任一项检测指标不合格,则反馈数据错误的结果,进行报错或认定所述原始图像中的证件图像为伪造的。
在前述数据流完整性经过验证后,对所述原始图像进行校正,消除倾斜角的影响,然后对图像进行分割和尺寸修复,得到证件图像。
对原始图像校正之前,需要获取原始图像中的证件图像的倾斜角,然后根据倾斜角对原始图像中的证件图像进行旋转映射,修正倾斜角度。
在可选的方案中,需要对原始图像进行分割处理,得到包含机读码的区域图像,然后,基于机读码进行直线拟合,最后,采用主成分分析法获取倾斜角度。
下面具体说明获取包含机读码的区域图像的过程。
具体地,对预设尺寸的原始图像进行第一次分割,获取包含机读码的第一区域图像,其中,预设尺寸依据设备的参数而定,例如,原始图像尺寸可以为1250*900。然后,对第一区域图像进行灰度化处理,为了保证图像识别的准确性,在进行灰度化处理后,采用对第一区域图像进行滤波与增强处理。具体地,采用双边滤波方式,滤除第一区域图像中的噪声,并保留字体的特征信息,然后采用直方图均衡提高背景与字符的对比度。
进一步地,对经过前述处理的第一区域图像进行二值化处理,得到二值化图像。在二值化处理中,设定黑色字体的像素点为有效点,对应的灰度值为255;设定背景的像素点为无效点,对应的灰度值为0。
在实际二值化处理中,仍然会将一部分噪声点判定为有效点,不过这些噪声点一般为孤立的。因此,可以采用预设模板,进行开操作滤除噪声点,其中,预设模板可以为3*3的模板,可以减少二值化处理后的字符影响。然后,再采用与第一区域图像相同尺寸的模板进行闭操作,恢复机读码图像。
在实际应用场景下,如果在图像采集时,设备没有被校准的话,获取到的原始图像通常会在底部出现黑边的情况,在经过前述第一次分割得到的第一区域图像,不仅会包含底部的黑边,还会因为分割区域较大,在第一区域图像上部出现非机读码的字符,为了滤除黑边和非机读码字体,需要对二值化处理后的第一区域图像进行第二次分割,得到仅包含机读码的第二区域图像。
在实际应用场景下,机读码式围绕分布在直线上下两侧的,可以采用主成分分析法(PCA)拟合直线,根据直线的倾斜情况确定倾斜角。如图10所示,角度θ即为图像倾斜角。
然后,根据倾斜角对证件图像进行仿射变换,修正图像倾斜角。
进一步地,根据倾斜角计算原始图像中证件图像所占的尺寸L×S,通过线性插值法将证件图像的尺寸从L×S转换为预设尺寸(例如,预设尺寸为1250*900),最后,根据前述获取到的黑边行数N和修正后左右黑边列数对修正后的原始图像进行分割,得到证件图像。
按照前述方法分别对所述紫外图像UV和红外图像IR进行校正得到紫外图像UV1和红外图像IR1。
在实际应用场景下,标识一般较小且位于其他图像结构的附近,需要对证件图像进行分割,得到待鉴别标识图像,可以有效解决现有技术中,标识难以识别的问题。
在可选的方案中,对证件图像进行分割得到多个防伪区域的过程具体包括,在所述证件图像中确定一参考点,根据所述参考点与所述证件图像中各个防伪区域的相对距离,对所述证件进行分割,得到待鉴别标识图像。
在实际应用场景下,机读码区域左上角比较干净,受到花纹影响较小;其他区域坐标不稳定,有紫外图案、字符等影响。为了提高稳定性,设置机读码区域的左上角为参考点。
其中,在数据库中存储有多种类型的证件图像,证件图像被划分为多个防伪区域,且记录有参考点与证件图像中各个防伪区域的相对参照距离。
在实际应用场景下,可以依据证件的类型,从数据库中获取参考点与证件图像中各个防伪区域的相对参照距离。然后,针对实际尺寸的证件图像,计算参考点坐标与各个防伪区域的实际相对距离,进一步地,确定证件的实际尺寸与数据库中存储的同类型的证件图像的尺寸之间的比例关系,将相对参照距离进行同比例的转换,然后将经过比例转换后的相对参照距离以及实际相对距离进行匹配,从而对证件图像进行分割,得到待鉴别标识图像。
按照前述方法,分别在紫外图像UV1和红外图像IR1中查找并定位参考点pUV和参考点pIR,并获取参考点pUV和参考点pIR的坐标,根据参考点pUV和参考点pIR与各个防伪区域的相对距离,分别对紫外图像UV1和红外图像IR1进行分割,从而得到紫外下的防伪区域集SUV和红外下的防伪区域集SIR。
实施例5:
结合上述实施例1~4,如图15,本实施例还提供一种证件的防伪信息的鉴别系统,所述鉴别系统包括:依次连接的信息提取模块、图像校正模块、图像定位查找模块和防伪检测模块。
在实际应用场景下,所述信息提取模块用于获取包含防伪信息的证件图像;所述图像校正模块用于对所述证件图像进行校正;所述定位查找模块用于对所述证件图像进行定位查找以及分割,得到多个防伪区域;所述防伪检测模块用于分别对所述多个防伪区域进行鉴别,并依次输出各个防伪区域对应的鉴别结果,结合各个防伪区域对应的鉴别结果,判定所述证件图像的真伪。
其中,各模块均可以是在处理器中运行的对应方法内容的程序代码来实现,且各模块的具体实现功能可参考实施例1~4中的相关方法介绍,此处不再赘述。
实施例6:
在上述实施例1~4提供的证件的防伪信息的鉴别方法的基础上,本发明还提供了一种可用于实现上述方法的鉴别装置,如图16所示,是本发明实施例的装置架构示意图。本实施例鉴别装置包括一个或多个处理器21以及存储器22。其中,图16中以一个处理器21为例。
所述处理器21和所述存储器22可以通过总线或者其他方式连接,图16中以通过总线连接为例。
所述存储器22作为一种证件的防伪信息的鉴别方法非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如实施例1~4中的证件的防伪信息的鉴别方法。所述处理器21通过运行存储在所述存储器22中的非易失性软件程序、指令以及模块,从而执行鉴别装置的各种功能应用以及数据处理,即实现实施例1~4的证件的防伪信息的鉴别方法。
所述存储器22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,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,所述存储器22可选包括相对于所述处理器21远程设置的存储器,这些远程存储器可以通过网络连接至所述处理器21。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述程序指令/模块存储在所述存储器22中,当被所述一个或者多个处理器21执行时,执行上述实施例1~4中的证件的防伪信息的鉴别方法。
本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种证件的防伪信息的鉴别方法,其特征在于,所述鉴别方法包括:
获取包含防伪信息的证件图像;
对所述证件图像进行校正以及分割,得到多个防伪区域,分别对所述多个防伪区域进行鉴别,并依次输出各个防伪区域对应的鉴别结果;
结合各个防伪区域对应的鉴别结果,判定所述证件图像的真伪;
所述证件图像包括红外下证件图像和紫外下证件图像,所述红外下证件图像和所述紫外下证件图像对应的所述防伪区域均包括标识图像,当所述防伪区域为标识图像时,对所述证件图像进行处理,得到多个防伪区域,分别对所述多个防伪区域进行鉴别,并依次输出每个防伪区域对应的鉴别结果,具体包括:
从数据库中筛选出与所述证件图像中的待鉴别标识图像相匹配的标识模板图像;
分别获取所述待鉴别标识图像和所述标识模板图像的环形投影向量,根据所述待鉴别标识图像的环形投影向量和所述标识模板图像的环形投影向量的相似度情况,确定所述待鉴别标识图像的真伪;
所述分别获取所述待鉴别标识图像和所述标识模板图像的环形投影向量包括:
按照公式一分别获取所述待鉴别标识图像和所述标识模板图像的环形投影向量,其中,公式一具体如下:
其中,k=1,2...N,N为同心圆的个数,Δx=Δr×k×cos(i×Δθ),Δy=Δr×k×sin(i×Δθ),f(x,y)为图像在点(x,y)处的像素值,Δr=R/N为同心圆的半径间隔,R为同心圆最大半径,Δθ=2π/nk为角度间隔,r为第k个圆的半径,Δ为常数;
分别获取所述待鉴别标识图像和所述标识模板图像的环形投影向量,根据所述待鉴别标识图像的环形投影向量和所述标识模板图像的环形投影向量的相似度情况,确定所述待鉴别标识图像的真伪包括:按照公式一,分别获取所述待鉴别标识图像的环形投影向量P1和所述标识模板图像的环形投影向量P,其中,P1={P1(1),P1(2)...P1(N)},P={P(1),P(2)...P(N)};
按照公式二对所述标识模板图像的环形投影向量P进行向下取整处理,其中,公式二具体为:
其中,n=0,1,2...M,s为尺度因子;
设置尺度因子s的第一搜索范围(min1,max1)和第一增量,依据所述第一增量以及所述第一搜索范围为所述尺度因子s遍历赋值;
基于经过赋值后的尺度因子s和公式二,得到所述标识模板图像的环形投影向量Ps1,其中,Ps1={Ps1(1),Ps1(2)....Ps1(n)};
将所述待鉴别标识图像的环形投影向量的P1与所述标识模板图像的环形投影向量Ps1进行相似度匹配;
若相似度大于第一预设阈值,则重新设置尺度因子s的搜索范围和增量,以更新所述标识模板图像的环形投影向量,根据所述标识模板图像更新后的环形投影向量与所述待鉴别标识图像的环形投影向量的相似度情况,确定所述待鉴别标识图像的真伪;
若相似度不大于第一预设阈值,则确定所述待鉴别标识图像为伪造的。
2.根据权利要求1所述的鉴别方法,其特征在于,所述证件图像包括紫外下证件图像,所述紫外下证件图像对应的防伪区域包括紫外图案,当所述防伪区域为紫外图案时,对所述证件图像进行处理,得到多个防伪区域,分别对所述多个防伪区域进行鉴别,并依次输出每个防伪区域对应的鉴别结果,具体包括:
对证件图像进行预检测,进而从数据库中初步筛选出,与所述证件图像中的紫外图案相对应的标准图案A;
依次对所述证件图像进行图像分离、图像更新和图像合成,以实现所述证件图像中紫外图案的前景增强;
从前景增强后的紫外图案中提取特征,并与数据库中标准图案A的特征进行匹配,得到所述紫外图案与所述标准图案A的相似度;
根据预先设置的相似度阈值,判断得到的所述相似度是否满足预设条件,进而鉴别所述证件图像的真伪。
3.根据权利要求2所述的鉴别方法,其特征在于,所述对证件图像进行预检测,进而从数据库中初步筛选出,与所述证件图像中的紫外图案相对应的标准图案A,具体包括:
根据数据库中存储的坐标参数,对证件图像进行定位分割,得到包含紫外图案的图像f0;
采用双边滤波算法、自适应亮度调整算法与分数阶微分算法对图像f0进行处理,得到新的图像f1;
采用模版匹配算法将所述图像f1分别与数据库中的各标准图案进行匹配,记录与所述图像f1相似度最高的标准图案A以及图像f1中相似度最高的区域坐标。
4.根据权利要求3所述的证件的防伪信息的鉴别方法,其特征在于,所述依次对所述证件图像进行图像成分分离、图像更新和图像合成,以实现所述证件图像中紫外图案的前景增强,具体包括:
根据数据库中存储的图案尺寸和预检测时记录的坐标,对图像f1继续分割后得到包含紫外图案的图像f,并将图像f中的字符二值化以得到二值化图像I1;
根据TV分离模型对所述图像f进行分离,得到结构图像u与纹理图像v;其中,f=u+v;
分别采用不同的算法完成结构图像u与纹理图像v的增强,得到更新后的结构图像u'和纹理图像v';
将增强后的结构图像u'和纹理图像v'进行颜色调整后合并,得到前景增强后的图像f';其中,f'=u'+v'。
5.根据权利要求1所述的鉴别方法,其特征在于,所述若相似度大于第一预设阈值,则重新设置尺度因子s的搜索范围和增量,以更新所述标识模板图像的环形投影向量,根据所述标识模板图像更新后的环形投影向量与所述待鉴别标识图像的环形投影向量的相似度情况,确定所述待鉴别标识图像的真伪包括:
若相似度大于第一预设阈值,则设置尺度因子s的第二搜索范围(min2,max2)和第二增量,依据所述第二增量以及所述第二搜索范围为所述尺度因子s遍历赋值,其中,min2≥min1,max2≤max1;
基于重新赋值后的尺度因子s和公式二,得到所述标识模板图像的环形投影向量Ps2,其中,Ps2={Ps2(1),Ps2(2)....Ps2(n)};
将所述待鉴别标识图像的环形投影向量的P1与所述标识模板图像的环形投影向量Ps2进行相似度匹配;
若相似度大于第二预设阈值,确定所述待鉴别标识图像为真的,以确定所述证件图像为真的;
若相似度不大于第二预设阈值,则确定所述待鉴别标识图像为伪造的。
6.一种证件的防伪信息的鉴别系统,其特征在于,所述鉴别系统包括:依次连接的信息提取模块、图像校正模块、图像定位查找模块和防伪检测模块;
所述信息提取模块用于获取包含防伪信息的证件图像;
所述图像校正模块用于对所述证件图像进行校正;
所述定位查找模块用于对所述证件图像进行定位查找以及分割,得到多个防伪区域;
所述防伪检测模块用于分别对所述多个防伪区域进行鉴别,并依次输出各个防伪区域对应的鉴别结果,结合各个防伪区域对应的鉴别结果,判定所述证件图像的真伪;
所述证件图像包括红外下证件图像和紫外下证件图像,所述红外下证件图像和所述紫外下证件图像对应的所述防伪区域均包括标识图像,当所述防伪区域为标识图像时,对所述证件图像进行处理,得到多个防伪区域,分别对所述多个防伪区域进行鉴别,并依次输出每个防伪区域对应的鉴别结果,具体包括:
从数据库中筛选出与所述证件图像中的待鉴别标识图像相匹配的标识模板图像;
分别获取所述待鉴别标识图像和所述标识模板图像的环形投影向量,根据所述待鉴别标识图像的环形投影向量和所述标识模板图像的环形投影向量的相似度情况,确定所述待鉴别标识图像的真伪;
所述分别获取所述待鉴别标识图像和所述标识模板图像的环形投影向量包括:
按照公式一分别获取所述待鉴别标识图像和所述标识模板图像的环形投影向量,其中,公式一具体如下:
其中,k=1,2...N,N为同心圆的个数,Δx=Δr×k×cos(i×Δθ),Δy=Δr×k×sin(i×Δθ),f(x,y)为图像在点(x,y)处的像素值,Δr=R/N为同心圆的半径间隔,R为同心圆最大半径,Δθ=2π/nk为角度间隔,r为第k个圆的半径,Δ为常数;
分别获取所述待鉴别标识图像和所述标识模板图像的环形投影向量,根据所述待鉴别标识图像的环形投影向量和所述标识模板图像的环形投影向量的相似度情况,确定所述待鉴别标识图像的真伪包括:按照公式一,分别获取所述待鉴别标识图像的环形投影向量P1和所述标识模板图像的环形投影向量P,其中,P1={P1(1),P1(2)...P1(N)},P={P(1),P(2)...P(N)};
按照公式二对所述标识模板图像的环形投影向量P进行向下取整处理,其中,公式二具体为:
其中,n=0,1,2...M,s为尺度因子;
设置尺度因子s的第一搜索范围(min1,max1)和第一增量,依据所述第一增量以及所述第一搜索范围为所述尺度因子s遍历赋值;
基于经过赋值后的尺度因子s和公式二,得到所述标识模板图像的环形投影向量Ps1,其中,Ps1={Ps1(1),Ps1(2)....Ps1(n)};
将所述待鉴别标识图像的环形投影向量的P1与所述标识模板图像的环形投影向量Ps1进行相似度匹配;
若相似度大于第一预设阈值,则重新设置尺度因子s的搜索范围和增量,以更新所述标识模板图像的环形投影向量,根据所述标识模板图像更新后的环形投影向量与所述待鉴别标识图像的环形投影向量的相似度情况,确定所述待鉴别标识图像的真伪;
若相似度不大于第一预设阈值,则确定所述待鉴别标识图像为伪造的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910863190.2A CN110895693B (zh) | 2019-09-12 | 2019-09-12 | 一种证件的防伪信息的鉴别方法及鉴别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910863190.2A CN110895693B (zh) | 2019-09-12 | 2019-09-12 | 一种证件的防伪信息的鉴别方法及鉴别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110895693A CN110895693A (zh) | 2020-03-20 |
CN110895693B true CN110895693B (zh) | 2022-04-26 |
Family
ID=69786304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910863190.2A Active CN110895693B (zh) | 2019-09-12 | 2019-09-12 | 一种证件的防伪信息的鉴别方法及鉴别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110895693B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488811B (zh) * | 2020-03-31 | 2023-08-22 | 长沙千视通智能科技有限公司 | 人脸识别方法、装置、终端设备及计算机可读介质 |
CN111709413A (zh) * | 2020-06-22 | 2020-09-25 | 中国平安财产保险股份有限公司 | 基于图像识别的证件验证方法、装置、计算机设备和介质 |
CN112528998B (zh) * | 2021-02-18 | 2021-06-01 | 成都新希望金融信息有限公司 | 证件图像处理方法、装置、电子设备及可读存储介质 |
CN113095384B (zh) * | 2021-03-31 | 2023-04-28 | 安徽工业大学 | 一种基于直线段上下文特征的遥感图像匹配方法 |
CN113378878B (zh) * | 2021-04-30 | 2022-08-16 | 长城信息股份有限公司 | 一种身份证鉴伪方法和电子设备 |
CN115035533B (zh) * | 2022-08-10 | 2022-10-21 | 新立讯科技股份有限公司 | 一种数据鉴真处理方法、装置、计算机设备及存储介质 |
CN116403098B (zh) * | 2023-05-26 | 2023-08-08 | 四川金投科技股份有限公司 | 一种票据篡改检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103426016A (zh) * | 2013-08-14 | 2013-12-04 | 湖北微模式科技发展有限公司 | 一种第二代身份证真伪鉴别方法与装置 |
CN103617673A (zh) * | 2013-12-10 | 2014-03-05 | 江苏国光信息产业股份有限公司 | 一种基于紫外图像特征的支票真伪鉴别系统及其方法 |
CN107180479A (zh) * | 2017-05-15 | 2017-09-19 | 深圳怡化电脑股份有限公司 | 一种票据鉴别方法、装置、设备和存储介质 |
CN108320373A (zh) * | 2017-01-17 | 2018-07-24 | 深圳怡化电脑股份有限公司 | 一种纸币防伪标识的检测的方法及装置 |
CN109272539A (zh) * | 2018-09-13 | 2019-01-25 | 云南大学 | 基于引导图全变分模型的图像纹理和结构的分解方法 |
CN109409204A (zh) * | 2018-09-07 | 2019-03-01 | 北京市商汤科技开发有限公司 | 防伪检测方法和装置、电子设备、存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150279084A1 (en) * | 2014-04-01 | 2015-10-01 | Yu Deuerling-Zheng | Guided Noise Reduction with Streak Removal for High Speed C-Arm CT |
US10062172B2 (en) * | 2016-09-12 | 2018-08-28 | MorphoTrak, LLC | Automated tattoo recognition techniques |
-
2019
- 2019-09-12 CN CN201910863190.2A patent/CN110895693B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103426016A (zh) * | 2013-08-14 | 2013-12-04 | 湖北微模式科技发展有限公司 | 一种第二代身份证真伪鉴别方法与装置 |
CN103617673A (zh) * | 2013-12-10 | 2014-03-05 | 江苏国光信息产业股份有限公司 | 一种基于紫外图像特征的支票真伪鉴别系统及其方法 |
CN108320373A (zh) * | 2017-01-17 | 2018-07-24 | 深圳怡化电脑股份有限公司 | 一种纸币防伪标识的检测的方法及装置 |
CN107180479A (zh) * | 2017-05-15 | 2017-09-19 | 深圳怡化电脑股份有限公司 | 一种票据鉴别方法、装置、设备和存储介质 |
CN109409204A (zh) * | 2018-09-07 | 2019-03-01 | 北京市商汤科技开发有限公司 | 防伪检测方法和装置、电子设备、存储介质 |
CN109272539A (zh) * | 2018-09-13 | 2019-01-25 | 云南大学 | 基于引导图全变分模型的图像纹理和结构的分解方法 |
Non-Patent Citations (2)
Title |
---|
"Fake Colorized Image Detection";Yuanfang Guo 等;《IEEE Transactions on Information Forensics and Security》;20180216;第13卷(第8期);1932-1944 * |
"结构纹理分离的对比度和细节增强";尹超等;《计算机应用研究》;20181231;第35卷(第12期);3832-3835 * |
Also Published As
Publication number | Publication date |
---|---|
CN110895693A (zh) | 2020-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110895693B (zh) | 一种证件的防伪信息的鉴别方法及鉴别系统 | |
US11062163B2 (en) | Iterative recognition-guided thresholding and data extraction | |
US10410309B2 (en) | Classification and authentication of identification documents using a convolutional neural network | |
CN104112128B (zh) | 应用于票据影像字符识别的数字图像处理系统及方法 | |
US7415165B2 (en) | Red-eye detection device, red-eye detection method, and red-eye detection program | |
KR101515256B1 (ko) | 동적 문서 식별 프레임워크를 사용한 문서 검증 | |
US7702162B2 (en) | Mixed code, and method and apparatus for generating the same | |
USRE44139E1 (en) | Method and apparatus for decoding mixed code | |
US8588470B2 (en) | Methods and systems for improved license plate signature matching by similarity learning on synthetic images | |
CN102542275B (zh) | 一种证件照背景自动识别方法及其系统 | |
US20140119647A1 (en) | Method and Apparatus for Decoding Mixed Code | |
KR20100094565A (ko) | 고유 이미지 프로세스에 따른 미지 문서의 식별 및 검증 | |
CN107742274A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN110570549B (zh) | 一种智能开锁方法及相应的装置 | |
CN113111806A (zh) | 用于目标识别的方法和系统 | |
CN113903024A (zh) | 一种手写票据数值信息识别方法、系统、介质及装置 | |
CN113111811A (zh) | 一种目标判别方法和系统 | |
CN113159015A (zh) | 一种基于迁移学习的印章识别方法 | |
US11872832B2 (en) | Texture-based authentication of digital identity documents | |
CN107368811A (zh) | 红外与非红外光照下基于lbp的人脸特征提取方法 | |
EP4266264A1 (en) | Unconstrained and elastic id document identification in an rgb image | |
CN102682308A (zh) | 图像处理方法和图像处理设备 | |
Berchtold et al. | Smartphone-supported integrity verification of printed documents | |
WO2023141726A1 (en) | Method and system for the authentication of hologram protected identity documents | |
CN114581359A (zh) | 一种证件图像缺陷检测方法及装置 |
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 |