CN111291797A - 一种防伪识别方法、装置及电子设备 - Google Patents
一种防伪识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111291797A CN111291797A CN202010070201.4A CN202010070201A CN111291797A CN 111291797 A CN111291797 A CN 111291797A CN 202010070201 A CN202010070201 A CN 202010070201A CN 111291797 A CN111291797 A CN 111291797A
- Authority
- CN
- China
- Prior art keywords
- characteristic information
- counterfeiting
- pictures
- identification
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003709 image segmentation Methods 0.000 claims description 62
- 238000012549 training Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 238000003860 storage Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000006872 improvement Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Inspection Of Paper Currency And Valuable Securities (AREA)
Abstract
本说明书实施例公开了一种防伪识别方法、装置及电子设备，获取待识别对象在不同采集条件下的至少两张图片；从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息；比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；根据判断结果确定所述待识别对象的真伪。
Description
技术领域
本说明书实施例涉及计算机技术领域，尤其涉及一种防伪识别方法、装置及电子设备。
背景技术
日常生活中，防伪技术广泛应用在各行各业，如个人证件、货币、票证、各种日用品等，以避免个人证件等防伪物品被伪造篡改。现有技术中，在进行防伪验证识别时，通常是对防伪物品上的防伪标签进行逐个验证识别，以验证防伪物品的真伪。
发明内容
有鉴于此，本说明书实施例提供了一种防伪识别方法、装置及电子设备，用于解决现有技术中防伪标志在识别时容易受到光源和色调识别精度的影响的问题。
本说明书实施例采用下述技术方案：
本说明书实施例提供一种防伪识别方法，包括：
获取待识别对象在不同采集条件下的至少两张图片；
从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息；
比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
根据判断结果确定所述待识别对象的真伪。
本说明书实施例还提供一种防伪识别方法，包括：
获取待识别证件在不同采集条件下的至少两张图片；
从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息；
比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
根据判断结果确定所述待识别证件的真伪。
本说明书实施例还提供一种防伪识别方法，包括：
获取样本数据，所述样本数据包括各样本在不同采集条件下获得的至少两张图片；
利用所述样本数据中的各图片训练图像分割模型，以利用所述图像分割模型从待识别对象在不同采集条件下获取的至少两张图片中识别防伪标识图像，并得到各防伪标识图像的特征信息，在利用所述图像分割模型识别各所述防伪标识图像的特征信息时，判断所述图片中防伪标识图像的特征信息之间的相似度是否高于阈值，确定所述待识别对象的真伪，其中，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的。
本说明书实施例还提供一种防伪识别方法，包括：
获取待识别对象在不同采集条件下的至少两张图片；
利用图像分割模型从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息，所述图像分割模型是利用样本数据中防伪标识在不同采集条件下获得的各防伪标识图像训练得到的；
比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
根据判断结果确定所述待识别对象的真伪。
本说明书实施例还提供一种防伪识别装置，包括：
获取模块，获取待识别对象在不同采集条件下的至少两张图片；
识别模块，从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息；
比较模块，比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断模块，判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
确定模块，根据判断结果确定所述待识别对象的真伪。
本说明书实施例还提供一种防伪识别装置，包括：
获取模块，获取待识别证件在不同采集条件下的至少两张图片；
识别模块，从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息；
比较模块，比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断模块，判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
确定模块，根据判断结果确定所述待识别证件的真伪。
本说明书实施例还提供一种防伪识别装置，包括：
获取模块，获取样本数据，所述样本数据包括各样本在不同采集条件下获得的至少两张图片；
训练模块，利用所述样本数据中的各图片训练图像分割模型，以利用所述图像分割模型从待识别对象在不同采集条件下获取的至少两张图片中识别防伪标识图像，并得到各防伪标识图像的特征信息，在利用所述图像分割模型识别各所述防伪标识图像的特征信息时，判断所述图片中防伪标识图像的特征信息之间的相似度是否高于阈值，确定所述待识别对象的真伪，其中，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的。
本说明书实施例还提供一种防伪识别装置，包括：
获取模块，获取待识别对象在不同采集条件下的至少两张图片；
识别模块，利用图像分割模型从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息，所述图像分割模型是利用样本数据中防伪标识在不同采集条件下获得的各防伪标识图像训练得到的；
比较模块，比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断模块，判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
确定模块，根据判断结果确定所述待识别对象的真伪。
本说明书实施例还提供一种电子设备，包括至少一个处理器及存储器，存储器存储有程序，并且被配置成至少一个处理器执行以下步骤：
获取待识别对象在不同采集条件下的至少两张图片；
从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息；
比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
根据判断结果确定所述待识别对象的真伪。
本说明书实施例还提供一种电子设备，包括至少一个处理器及存储器，存储器存储有程序，并且被配置成至少一个处理器执行以下步骤：
获取待识别证件在不同采集条件下的至少两张图片；
从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息；
比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
根据判断结果确定所述待识别证件的真伪。
本说明书实施例还提供一种电子设备，包括至少一个处理器及存储器，存储器存储有程序，并且被配置成至少一个处理器执行以下步骤：
获取样本数据，所述样本数据包括各样本在不同采集条件下获得的至少两张图片；
利用所述样本数据中的各图片训练图像分割模型，以利用所述图像分割模型从待识别对象在不同采集条件下获取的至少两张图片中识别防伪标识图像，并得到各防伪标识图像的特征信息，在利用所述图像分割模型识别各所述防伪标识图像的特征信息时，判断所述图片中防伪标识图像的特征信息之间的相似度是否高于阈值，确定所述待识别对象的真伪，其中，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的。
本说明书实施例还提供一种电子设备，包括至少一个处理器及存储器，存储器存储有程序，并且被配置成至少一个处理器执行以下步骤：
获取待识别对象在不同采集条件下的至少两张图片；
利用图像分割模型从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息，所述图像分割模型是利用样本数据中防伪标识在不同采集条件下获得的各防伪标识图像训练得到的；
比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
根据判断结果确定所述待识别对象的真伪。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
通过获取待识别对象在不同采集条件下的至少两张图片，从各个图片中可以识别出防伪标识图像，并能得到各防伪标识图像的特征信息，再通过比较各特征信息，得到各特征信息之间的相似度，相似度越高，表明各防伪图像之间的变化程度越小，待识别对象为伪造的概率越大，当相似度高于阈值时，则可以判断出待识别对象为伪造，流程简单，识别精度高。
附图说明
此处所说明的附图用来提供对本说明书实施例的进一步理解，构成本说明书实施例的一部分，本说明书的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种防伪识别方法的流程示意图；
图2为本说明书实施例提供的一种防伪识别方法的流程示意图；
图3为本说明书实施例提供的一种防伪识别方法的流程示意图；
图4为本说明书实施例提供的一种防伪识别方法的流程示意图；
图5为本说明书实施例提供的一种证件防伪识别方法的流程示意图；
图6为本说明书实施例提供的一种从证件中识别出来的镭射膜防伪图像的示意图；
图7为本说明书实施例提供的一种防伪识别装置的结构示意图；
图8为本说明书实施例提供的一种防伪识别装置的结构示意图；
图9为本说明书实施例提供的一种防伪识别装置的结构示意图；
图10为本说明书实施例提供的一种防伪识别装置的结构示意图。
具体实施方式
现有技术中，在对携带有防伪标识的待识别对象进行防伪验证时，通常是对待识别对象的防伪标识一一进行防伪识别，以验证待识别对象的真伪，过程复杂，准确率低。
因此，本说明书实施例提供一种防伪识别方法、装置和电子设备，通过获取待识别对象在不同采集条件下的至少两张图片，从各个图片中可以识别出防伪标识图像，并能得到各防伪标识图像的特征信息，再通过比较各特征信息，得到各特征信息之间的相似度，相似度越高，表明各防伪图像之间的变化程度越小，待识别对象为伪造的概率越大，当相似度高于阈值时，则可以判断出待识别对象为伪造，流程简单，识别精度高。
为使本申请的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提供的一种防伪识别方法的流程示意图。
S101：获取待识别对象在不同采集条件下的至少两张图片。
在本说明书实施例中，待识别对象可以是指需要进行真伪识别的对象，具体可以是带有防伪标识的个人证件、电子产品等日常生活用品等，在此不做具体限定。
在具体应用场景中，携带有防伪标识的对象，其防伪标识在不同的条件下可以呈现出不同的防伪图像，而若是伪造的对象，其防伪标识在不同的条件下呈现出的防伪图像是相同的，无法达到真的防伪标识的特征。
作为一种应用实施例，获取待识别对象在不同采集条件下的至少两张图片，可以包括如下至少一种方式：
扫描所述待识别对象在不同采集条件下的至少两张图片。
在本说明书实施例中，可以采用扫描待识别对象的方式来采集不同采集条件下的至少两张图片，具体可以是利用扫描设备来进行扫描操作，可以在扫描设备中设置不同的扫描采集条件，当将待识别对象放置在扫描设备中时，触发扫描设备在不同采集条件下对待识别对象进行扫描，得到待识别对象在不同采集条件下的至少两张图片。
作为一种应用实施例，所述不同采集条件包括如下至少一种：
不同类型的光源；
不同强度的光源；
不同的拍摄角度。
在本说明书实施例中，防伪标识具体可以是采用镭射膜制成的防伪标签，镭射膜防伪标签在不同的条件下，如不同类型的光源、不同强度的光源、不同的拍摄角度等，可以呈现出不同的颜色、不同的形状、不同的大小或者不同的位置，在此不做具体限定。
S103：从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息。
在本说明书实施例中，防伪标识图像可以理解为防伪标识在获取的各图片中所展示的图像，防伪标识在不同采集条件下所展示的图像有所不同，所以，若所述待识别图像不是伪造，则从各图片中识别出来的防伪标识图像不同，进而可以以此作为防伪识别的判断标准。
特征信息可以是指防伪标识图像的属性特征，具体可以是防伪标识图像的形状特征、尺寸大小特征、位置特征等，在此不做具体限定。
作为一种应用实施例，从各所述图片中识别防伪标识图像，可以包括：
从所述图片中提取各区域的像素值；
利用提取的所述各区域的像素值，识别所述防伪标识图像的像素值与其他区域像素值之间的像素值差值；
基于所述像素值差值确定所述防伪标识图像。
为起到防伪的作用，防伪标识所在的区域与其他区域会呈现出不一样的亮度、色彩或者轮廓形状等，在这种情况下，防伪标识所在区域的像素值与其他区域的像素值会产生差异，这样，就可以通过比较各图片中防伪标识所在区域的像素值与其他区域的像素值的差异来确定防伪标识图像。
作为另外一种应用实施例，从各所述图片中识别防伪标识图像，可以包括：
根据预设的防伪标识轮廓，从各所述图片中识别所述防伪标识图像。
延续上例，为起到防伪的作用，并能够实现批量生产，真实对象的防伪标识的轮廓形状会预设的防伪标识轮廓。在不同采集条件下，待识别对象的各图片中的防伪标识所在区域的形状可能会放大或者缩小，但是外围轮廓可以不发生变化，在这种情况下，可以根据预设的防伪标识轮廓从各图片中识别防伪标识所在区域的轮廓，进而就可以确定防伪标识图像。
在具体应用场景中，所述特征信息包括如下至少一种：
所述防伪标识图像在各所述图片中所处的位置信息；
所述防伪标识图像的形状信息；
所述防伪标识图像的尺寸大小信息。
其中，防伪标识图像在各个图片中所处的位置信息可以是指防伪标识图像在各个图片中的位置坐标信息；形状信息可以是指各个图片中防伪标识图像的具体形状，如图案、文字、数字、不规则形状等，在此不做具体限定；尺寸大小信息可以是指各个图片中防伪标识图像的物理尺寸大小。
进一步地，各防伪标识图像的形状信息对应的特征向量值可以是指能够表征防伪标识图像的形状的特征向量的具体值，其中，特征向量具体可以是指防伪标识图像中边线的各个像素点的坐标值的集合。
作为一种应用实施例，在从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息之前，还可以包括：
对获取的各所述图片进行缩放处理，使得各所述图片中的所述待识别对象的大小相同。
在本说明书实施例中，由于获取的图片中可能存在除待识别对象之外的其他图像，所以各个图片中待识别对象的大小可能并不相同，为更准确地比较各个图片中的防伪标识图像的特征信息，可以对各个图片分别进行预处理，使得各个图片中的待识别对象的大小相同。这样，在同一标准下，得到各个图片中的防伪标识图像的特征信息，在进行比较时，比较结果更具有说服力。
在具体应用场景中，可以采用对各个图片进行缩放处理的方式，通过对图片进行整体缩放，在不影响图片显示效果的同时，将各个图片中的待识别对象调整为相同的大小。
对应的，可以以预设的待识别对象大小作为对各个图片进行缩放处理的处理标准，或者，可以以获取的各个图片中的其中一张图片的待识别对象的大小作为其他图片缩放处理的处理标准，在此不做具体限定。
作为一种应用实施例，从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息，可以包括：
在各所述图片中的所述待识别对象的大小相同时，从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息。
在本说明书实施例中，可以在各个图片中的待识别图像的大小相同时，再从各个图片中识别防伪标识图像，这样，就可以在相同的标准下，得到各个图片中防伪标识图像的特征信息，从而可以提高各个特征信息之间进行比较的准确度。
具体的，可以采用上述实施例的操作方式，对获取的各个图片分别进行缩放处理，以得到待识别对象的大小相同的各个图片；还可以在获取图片时，将待识别对象放置在预设区域内进行不同采集条件下不同图片的采集，使得采集得到的各个图片中的待识别对象的大小相同。
进一步地，对获取的各所述图片进行缩放处理，可以包括：
定位各所述图片中的所述待识别对象所处的位置；
根据所述待识别对象所处的位置，对各所述图片分别进行缩放处理，得到待识别对象的大小相同的各图片。
在本说明书实施例中，在对各个图片进行缩放处理时，可以先对图片中的待识别对象所处的位置进行定位，以待识别图像为基准，分别对各个图片进行缩放处理。
例如，在待识别对象为待识别证件时，一般情况下，证件为方形，现在不同的采集条件下获取待识别证件的不同图片A、B、C，图片A、B、C中还包含有除待识别证件之外的桌面图像，各个图片中待识别证件的图像大小不相同。
在这种情况下，可以以各个图片中待识别证件的四个角来对待识别证件所处的位置进行四点定位，然后根据预设的缩放标准，将图片A、B、C中的待识别证件对齐，以各个图片中待识别证件所处的位置为基准，分别对各个图片进行缩放处理，使得图片A、B、C中的待识别证件的图像大小相同。对于图片A、B、C整体来说，可能会放大或者缩小。
S105：比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度。
在本说明书实施例中，相似度可以理解为各个图片中的防伪标识图像的相似程度，具体可以是防伪标识图像的特征信息之间的相似程度，通过比较得到各个特征信息之间的相似度，可以判断各个图片中防伪标识图像的变化程度，从而可以根据防伪标识在不同采集条件下的变化特征，并以此为依据来判断待识别对象的真伪。
进一步地，比较各所述图片中的防伪标识图像的特征信息，以得到各所述特征信息之间的相似度，可以包括如下至少一种方式：
比较各所述特征信息之间的差值，得到各所述特征信息之间的相似度；
确定各所述特征信息的平均值，得到各所述特征信息之间的相似度；
按照预设的权重对各所述特征信息进行处理，得到各所述特征信息之间的相似度。
在具体应用场景中，可以采用不同的特征值处理方式来确定各个特征信息之间的相似度。其中，各个特征值之间的差值可以是指同类特征值之间的差值，可以以不同类别特征值之间的差值分别作为各个特征信息之间的相似度，对不同的特征信息分别进行比较判断。进一步地，还可以根据不同类别特征值的各自权重对各类特征值之间的差值进行处理，得到各个特征信息之间综合的相似度，然后以该综合的相似度进行比较判断。
对应的，可以按照上述方式选择特征值的平均值、最小值等作为各个特征信息之间的相似度，在此不做具体限定。
S107：判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的。
在本说明书实施例中，阈值可以理解为界定待识别对象真伪的相似度的临界值，在各个特征信息之间的相似度高于阈值时，可以得到待识别对象在不同采集条件下的防伪标识图像的变化程度较小，从而可以确定待识别对象为伪造，其防伪标识不具备真实防伪标识的防伪特征。
具体的，阈值可以通过真实样本中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的，其中，真实样本可以是指由多个真实对象组成的样本数据，通过对真实对象中的防伪标识在不同采集条件下各个防伪标识图像的特征信息之间的相似度差异进行分析处理，可以确定出判断真伪的相似度的临界值，即阈值。
S109：根据判断结果确定所述待识别对象的真伪。
通过对各个图片中防伪标识图像之间的相似度进行比较判断，来比较判断各个图片中防伪标识图像之间的变化程度的大小，从而可以以此为依据来确定待识别对象的真伪。
作为一种应用实施例，根据判断结果确定所述待识别对象的真伪，包括：
在各所述特征信息之间的相似度高于所述阈值时，确定所述待识别对象为伪造。
结合上述实施例，由于防伪标识在不同采集条件下呈现出不同的图像，这样，各特征信息之间的相似度越高，表明各防伪图像之间的变化程度越小，待识别对象为伪造的概率越大，当相似度高于阈值时，则可以判断出待识别对象为伪造。
本说明书实施例提供的一种防伪识别方法，通过获取待识别对象在不同采集条件下的至少两张图片，从各个图片中可以识别出防伪标识图像，并能得到各防伪标识图像的特征信息，再通过比较各特征信息，得到各特征信息之间的相似度，相似度越高，表明各防伪图像之间的变化程度越小，待识别对象为伪造的概率越大，当相似度高于阈值时，则可以判断出待识别对象为伪造，识别精度高。
图2为本说明书实施例提供的一种防伪识别方法的流程示意图，本说明书实施例中以待识别证件的防伪识别作为具体应用实施例。
S201：获取待识别证件在不同采集条件下的至少两张图片。
在本说明书实施例中，待识别证件可以是指各种用于表明用户身份的证件，具体可以是身份证、护照、签证、出入证等，在此不做具体限定。由于证件上携带着大量的个人信息，因此对证件的安全性、真实性和不可复制性也有了更高的要求，因此，应运而生了很多证件防伪技术，从而提高证件的安全防伪系数。但是，随着证件使用的普及，制作假证件的案例不断涌现，各类证件造假案也层出不穷，因此，人们对证件防伪的关注度越来越高。
具体地，可以采用镭射膜防伪技术对证件进行防伪，由于镭射膜具有在不同条件下可以呈现出不同防伪图像的特性，采用了镭射膜防伪技术的证件的防伪系数较高。因此可以通过对待识别证件在不同采集条件下的至少两张图片进行对比，根据各图片的防伪标识图像的特征信息之间的相似度来判断待识别证件的真伪，方便快捷，准确度高。
S203：从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息。
S205：比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度。
S207：判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的。
S209：根据判断结果确定所述待识别证件的真伪。
本说明书实施例提供的一种防伪识别方法，通过获取待识别证件在不同采集条件下的至少两张图片，从各个图片中可以识别出防伪标识图像，并能得到各防伪标识图像的特征信息，再通过比较各特征信息，得到各特征信息之间的相似度，相似度越高，表明各防伪图像之间的变化程度越小，待识别证件为伪造的概率越大，当相似度高于阈值时，则可以判断出待识别证件为伪造，识别精度高。
图3为本说明书实施例提供的一种防伪识别方法的流程示意图。
S301：获取样本数据，所述样本数据包括各样本在不同采集条件下获得的至少两张图片。
在本说明书实施例中，样本数据可以理解为携带有防伪标识的对象的样本数据，包括真实样本和假样本在不同采集条件下获得的多张图片。
S303：利用所述样本数据中的各图片训练图像分割模型，以利用所述图像分割模型从待识别对象在不同采集条件下获取的至少两张图片中识别防伪标识图像，并得到各防伪标识图像的特征信息，在利用所述图像分割模型识别各所述防伪标识图像的特征信息时，判断所述图片中防伪标识图像的特征信息之间的相似度是否高于阈值，确定所述待识别对象的真伪，其中，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的。
在本说明书实施例中，通过利用样本数据进行训练图像分割模型，可以利用样本数据中各图片的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息来训练图像分割模型识别防伪标识图像，从而可以利用训练好的图像分割模型对待识别对象的各图片进行防伪标识图像的识别，进而可以利用各防伪标识图像的特征信息之间的相似度差异，来判断待识别对象的真伪。
本说明书实施例提供的一种防伪识别方法，通过利用样本数据训练图像分割模型，从而可以利用样本数据中各图片的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息来训练图像分割模型识别防伪标识图像。
进而可以利用训练好的图像分割模型从待识别对象在不同采集条件下的至少两张图片中识别出防伪标识图像，并能得到各防伪标识图像的特征信息，以通过比较各特征信息，得到各特征信息之间的相似度，当相似度高于阈值时，则可以判断出待识别对象为伪造，识别精度高。
图4为本说明书实施例提供的一种防伪识别方法的流程示意图，本说明书实施例中以上述实施例中训练好的图像分割模型对待识别对象进行处理，具体操作如上述实施例，在此不再赘述。
S401：获取待识别对象在不同采集条件下的至少两张图片。
S403：利用图像分割模型从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息，所述图像分割模型是利用样本数据中防伪标识在不同采集条件下获得的各防伪标识图像训练得到的。
S405：比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度。
S407：判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的。
S409：根据判断结果确定所述待识别对象的真伪。
本说明书实施例提供的一种防伪识别方法，利用训练好的图像分割模型从待识别对象在不同采集条件下的至少两张图片中识别出防伪标识图像，并能得到各防伪标识图像的特征信息，以通过比较各特征信息，得到各特征信息之间的相似度，当相似度高于阈值时，则可以判断出待识别对象为伪造，识别精度高。
图5为本说明书实施例提供的一种证件防伪识别方法的流程示意图。
S501：采集证件在不同采集条件下的N张图片(N≥2)，形成图片集合{M}。
S503：将图片集合{M}输入到CNN分割网络模型中，进行镭射膜防伪图像识别。
在本说明书实施例中，CNN分割网络模型为训练好的防伪识别模型。
具体训练过程可以为，利用样本数据对防伪识别模型进行训练，从样本数据的各图片中识别防伪标识图像，其中，防伪标识图像是镭射膜防伪图像。
在本说明书实施例中，样本数据中包括各真实的对象和假对象在不同采集条件下获得的多张图片。
具体地，可以将图片中镭射膜区域的位置标记成1，其他背景标记为0，生成一个显示有防伪标识图像的图片，大小和原图一致。具体可以采用CNN网络(卷积神经网络)的分割网络结构Unet分别对各个图片进行分割处理，从各个图片中识别镭射膜防伪图像。如图6所示为从证件中识别出来的镭射膜防伪图像的示意图，其中，图6中的亮色区域为镭射膜防伪图像。
获得训练好的CNN分割网络模型。
S505：从各个图片中识别出镭射膜防伪图像，得到镭射膜防伪图像的特征信息。
S507：利用特征信息对应的特征值确定各个镭射膜防伪图像的特征信息之间的相似度。
在本说明书实施例中，以图片1和图片2为例，图片1和图片2中镭射膜防伪图像的特征信息对应的特征值分别为S1和S2，可以采用如下一种方式确定图片1和图片2中镭射膜防伪图像的特征信息之间的相似度：
score1＝S1-S2，或者，score2＝cos(S1,S2)，其中score1或score2为镭射膜防伪图像的特征信息之间的相似度值。
S509：判断相似度是否高于阈值。
S511：若是，则所述证件为真实的。
S513：若否，则所述证件为伪造。
本说明书实施例提供的一种防伪识别方法，通过获取证件在不同采集条件下的至少两张图片，从各个图片中可以识别出镭射膜防伪图像，并能得到各镭射膜防伪图像的特征信息，再通过比较各特征信息，得到各特征信息之间的相似度，相似度越高，表明各防伪图像之间的变化程度越小，证件为伪造的概率越大，当相似度高于阈值时，则可以判断出证件为伪造，识别精度高。
图7为本说明书实施例提供的一种防伪识别装置的结构示意图。
获取模块701，获取待识别对象在不同采集条件下的至少两张图片；
识别模块702，从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息；
比较模块703，比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断模块704，判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
确定模块705，根据判断结果确定所述待识别对象的真伪。
本说明书实施例提供的一种防伪识别装置，通过获取待识别对象在不同采集条件下的至少两张图片，从各个图片中可以识别出防伪标识图像，并能得到各防伪标识图像的特征信息，再通过比较各特征信息，得到各特征信息之间的相似度，当相似度高于阈值时，则可以判断出待识别对象为伪造，识别精度高。
图8为本说明书实施例提供的一种防伪识别装置的结构示意图。
获取模块801，获取待识别证件在不同采集条件下的至少两张图片；
识别模块802，从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息；
比较模块803，比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断模块804，判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
确定模块805，根据判断结果确定所述待识别证件的真伪。
本说明书实施例提供的一种防伪识别装置，通过获取待识别证件在不同采集条件下的至少两张图片，从各个图片中可以识别出防伪标识图像，并能得到各防伪标识图像的特征信息，再通过比较各特征信息，得到各特征信息之间的相似度，当相似度高于阈值时，则可以判断出待识别证件为伪造，识别精度高。
图9为本说明书实施例提供的一种防伪识别装置的结构示意图。
获取模块901，获取样本数据，所述样本数据包括各样本在不同采集条件下获得的至少两张图片；
训练模块902，利用所述样本数据中的各图片训练图像分割模型，以利用所述图像分割模型从待识别对象在不同采集条件下获取的至少两张图片中识别防伪标识图像，并得到各防伪标识图像的特征信息，在利用所述图像分割模型识别各所述防伪标识图像的特征信息时，判断所述图片中防伪标识图像的特征信息之间的相似度是否高于阈值，确定所述待识别对象的真伪，其中，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的。
本说明书实施例提供的一种防伪识别装置，通过利用样本数据训练图像分割模型，从而可以利用样本数据中各图片的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息来训练图像分割模型识别防伪标识图像。进而可以利用训练好的图像分割模型从待识别对象在不同采集条件下的至少两张图片中识别出防伪标识图像，并能得到各防伪标识图像的特征信息，以通过比较各特征信息，得到各特征信息之间的相似度，当相似度高于阈值时，则可以判断出待识别对象为伪造，识别精度高。
图10为本说明书实施例提供的一种防伪识别装置的结构示意图。
获取模块1001，获取待识别对象在不同采集条件下的至少两张图片；
识别模块1002，利用图像分割模型从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息，所述图像分割模型是利用样本数据中防伪标识在不同采集条件下获得的各防伪标识图像训练得到的；
比较模块1003，比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断模块1004，判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
确定模块1005，根据判断结果确定所述待识别对象的真伪。
本说明书实施例提供的一种防伪识别装置，利用训练好的图像分割模型从待识别对象在不同采集条件下的至少两张图片中识别出防伪标识图像，并能得到各防伪标识图像的特征信息，以通过比较各特征信息，得到各特征信息之间的相似度，当相似度高于阈值时，则可以判断出待识别对象为伪造，识别精度高。
基于同一发明构思，本说明书实施例还提供一种电子设备，包括至少一个处理器及存储器，存储器存储有程序，并且被配置成由至少一个处理器执行以下步骤：
获取待识别对象在不同采集条件下的至少两张图片；
从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息；
比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
根据判断结果确定所述待识别对象的真伪。
其中，处理器的其他功能还可以参见上述实施例中记载的内容，这里不再一一赘述。
基于同一发明构思，本说明书实施例还提供一种计算机可读存储介质，包括与电子设备结合使用的程序，程序可被处理器执行以完成以下步骤：
获取待识别对象在不同采集条件下的至少两张图片；
从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息；
比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
根据判断结果确定所述待识别对象的真伪。
其中，处理器的其他功能还可以参见上述实施例中记载的内容，这里不再一一赘述。
基于同一发明构思，本说明书实施例还提供一种电子设备，包括至少一个处理器及存储器，存储器存储有程序，并且被配置成由至少一个处理器执行以下步骤：
获取待识别证件在不同采集条件下的至少两张图片；
从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息；
比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
根据判断结果确定所述待识别证件的真伪。
其中，处理器的其他功能还可以参见上述实施例中记载的内容，这里不再一一赘述。
基于同一发明构思，本说明书实施例还提供一种计算机可读存储介质，包括与电子设备结合使用的程序，程序可被处理器执行以完成以下步骤：
获取待识别证件在不同采集条件下的至少两张图片；
从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息；
比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
根据判断结果确定所述待识别证件的真伪。
其中，处理器的其他功能还可以参见上述实施例中记载的内容，这里不再一一赘述。
基于同一发明构思，本说明书实施例还提供一种电子设备，包括至少一个处理器及存储器，存储器存储有程序，并且被配置成由至少一个处理器执行以下步骤：
获取样本数据，所述样本数据包括各样本在不同采集条件下获得的至少两张图片；
利用所述样本数据中的各图片训练图像分割模型，以利用所述图像分割模型从待识别对象在不同采集条件下获取的至少两张图片中识别防伪标识图像，并得到各防伪标识图像的特征信息，在利用所述图像分割模型识别各所述防伪标识图像的特征信息时，判断所述图片中防伪标识图像的特征信息之间的相似度是否高于阈值，确定所述待识别对象的真伪，其中，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的。
其中，处理器的其他功能还可以参见上述实施例中记载的内容，这里不再一一赘述。
基于同一发明构思，本说明书实施例还提供一种计算机可读存储介质，包括与电子设备结合使用的程序，程序可被处理器执行以完成以下步骤：
获取样本数据，所述样本数据包括各样本在不同采集条件下获得的至少两张图片；
利用所述样本数据中的各图片训练图像分割模型，以利用所述图像分割模型从待识别对象在不同采集条件下获取的至少两张图片中识别防伪标识图像，并得到各防伪标识图像的特征信息，在利用所述图像分割模型识别各所述防伪标识图像的特征信息时，判断所述图片中防伪标识图像的特征信息之间的相似度是否高于阈值，确定所述待识别对象的真伪，其中，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的。
其中，处理器的其他功能还可以参见上述实施例中记载的内容，这里不再一一赘述。
基于同一发明构思，本说明书实施例还提供一种电子设备，包括至少一个处理器及存储器，存储器存储有程序，并且被配置成由至少一个处理器执行以下步骤：
获取待识别对象在不同采集条件下的至少两张图片；
利用图像分割模型从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息，所述图像分割模型是利用样本数据中防伪标识在不同采集条件下获得的各防伪标识图像训练得到的；
比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
根据判断结果确定所述待识别对象的真伪。
其中，处理器的其他功能还可以参见上述实施例中记载的内容，这里不再一一赘述。
基于同一发明构思，本说明书实施例还提供一种计算机可读存储介质，包括与电子设备结合使用的程序，程序可被处理器执行以完成以下步骤：
获取待识别对象在不同采集条件下的至少两张图片；
利用图像分割模型从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息，所述图像分割模型是利用样本数据中防伪标识在不同采集条件下获得的各防伪标识图像训练得到的；
比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
根据判断结果确定所述待识别对象的真伪。
其中，处理器的其他功能还可以参见上述实施例中记载的内容，这里不再一一赘述。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(例如，对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGate Array，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，例如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种模块和/或各种单元分别描述。当然，在实施本申请时可以把各模块和/或各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求保护范围之内。
Claims (17)
1.一种防伪识别方法，包括：
获取待识别对象在不同采集条件下的至少两张图片；
从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息；
比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
根据判断结果确定所述待识别对象的真伪。
2.如权利要求1所述的方法，获取待识别对象在不同采集条件下的至少两张图片，包括：
扫描所述待识别对象在不同采集条件下的至少两张图片。
3.如权利要求1所述的方法，从各所述图片中识别防伪标识图像，包括：
从所述图片中提取各区域的像素值；
利用提取的所述各区域的像素值，识别所述防伪标识图像的像素值与其他区域像素值之间的像素值差值；
基于所述像素值差值确定所述防伪标识图像。
4.如权利要求1所述的方法，从各所述图片中识别防伪标识图像，包括：
根据预设的防伪标识轮廓，从各所述图片中识别所述防伪标识图像。
5.如权利要求1所述的方法，根据判断结果确定所述待识别对象的真伪，包括：
在各所述特征信息之间的相似度高于所述阈值时，确定所述待识别对象为伪造。
6.如权利要求1所述的方法，所述不同采集条件包括如下至少一种：
不同类型的光源；
不同强度的光源；
不同的拍摄角度。
7.一种防伪识别方法，包括：
获取待识别证件在不同采集条件下的至少两张图片；
从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息；
比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
根据判断结果确定所述待识别证件的真伪。
8.一种防伪识别方法，包括：
获取样本数据，所述样本数据包括各样本在不同采集条件下获得的至少两张图片；
利用所述样本数据中的各图片训练图像分割模型，以利用所述图像分割模型从待识别对象在不同采集条件下获取的至少两张图片中识别防伪标识图像，并得到各防伪标识图像的特征信息，在利用所述图像分割模型识别各所述防伪标识图像的特征信息时，判断所述图片中的防伪标识图像的特征信息之间的相似度是否高于阈值，确定所述待识别对象的真伪，其中，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的。
9.一种防伪识别方法，包括：
获取待识别对象在不同采集条件下的至少两张图片；
利用图像分割模型从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息，所述图像分割模型是利用样本数据中防伪标识在不同采集条件下获得的各防伪标识图像训练得到的；
比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
根据判断结果确定所述待识别对象的真伪。
10.一种防伪识别装置，包括：
获取模块，获取待识别对象在不同采集条件下的至少两张图片；
识别模块，从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息；
比较模块，比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断模块，判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
确定模块，根据判断结果确定所述待识别对象的真伪。
11.一种防伪识别装置，包括：
获取模块，获取待识别证件在不同采集条件下的至少两张图片；
识别模块，从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息；
比较模块，比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断模块，判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
确定模块，根据判断结果确定所述待识别证件的真伪。
12.一种防伪识别装置，包括：
获取模块，获取样本数据，所述样本数据包括各样本在不同采集条件下获得的至少两张图片；
训练模块，利用所述样本数据中的各图片训练图像分割模型，以利用所述图像分割模型从待识别对象在不同采集条件下获取的至少两张图片中识别防伪标识图像，并得到各防伪标识图像的特征信息，在利用所述图像分割模型识别各所述防伪标识图像的特征信息时，判断所图片中防伪标识图像的特征信息之间的相似度是否高于阈值，确定所述待识别对象的真伪，其中，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的。
13.一种防伪识别装置，包括：
获取模块，获取待识别对象在不同采集条件下的至少两张图片；
识别模块，利用图像分割模型从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息，所述图像分割模型是利用样本数据中防伪标识在不同采集条件下获得的各防伪标识图像训练得到的；
比较模块，比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断模块，判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
确定模块，根据判断结果确定所述待识别对象的真伪。
14.一种电子设备，包括至少一个处理器及存储器，存储器存储有程序，并且被配置成至少一个处理器执行以下步骤：
获取待识别对象在不同采集条件下的至少两张图片；
从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息；
比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
根据判断结果确定所述待识别对象的真伪。
15.一种电子设备，包括至少一个处理器及存储器，存储器存储有程序，并且被配置成至少一个处理器执行以下步骤：
获取待识别证件在不同采集条件下的至少两张图片；
从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息；
比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
根据判断结果确定所述待识别证件的真伪。
16.一种电子设备，包括至少一个处理器及存储器，存储器存储有程序，并且被配置成至少一个处理器执行以下步骤：
获取样本数据，所述样本数据包括各样本在不同采集条件下获得的至少两张图片；
利用所述样本数据中的各图片训练图像分割模型，以利用所述图像分割模型从待识别对象在不同采集条件下获取的至少两张图片中识别防伪标识图像，并得到各防伪标识图像的特征信息，在利用所述图像分割模型识别各所述防伪标识图像的特征信息时，判断所述图片中防伪标识图像的特征信息之间的相似度是否高于阈值，确定所述待识别对象的真伪，其中，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的。
17.一种电子设备，包括至少一个处理器及存储器，存储器存储有程序，并且被配置成至少一个处理器执行以下步骤：
获取待识别对象在不同采集条件下的至少两张图片；
利用图像分割模型从各所述图片中识别防伪标识图像，以得到所述防伪标识图像的特征信息，所述图像分割模型是利用样本数据中防伪标识在不同采集条件下获得的各防伪标识图像训练得到的；
比较各所述图片中的防伪标识图像的特征信息，得到各所述特征信息之间的相似度；
判断各所述特征信息之间的相似度是否高于阈值，所述阈值是根据真实识别对象中的防伪标识在不同采集条件下获得的各防伪标识图像的特征信息之间的相似度差异确定的；
根据判断结果确定所述待识别对象的真伪。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010070201.4A CN111291797A (zh) | 2020-01-21 | 2020-01-21 | 一种防伪识别方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010070201.4A CN111291797A (zh) | 2020-01-21 | 2020-01-21 | 一种防伪识别方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111291797A true CN111291797A (zh) | 2020-06-16 |
Family
ID=71018961
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010070201.4A Pending CN111291797A (zh) | 2020-01-21 | 2020-01-21 | 一种防伪识别方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111291797A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112560989A (zh) * | 2020-12-25 | 2021-03-26 | 烟台职业学院 | 一种基于大数据的人工智能防伪图像识别方法及系统 |
| CN112665698A (zh) * | 2020-12-15 | 2021-04-16 | 重庆电子工程职业学院 | 一种智能电子秤 |
| CN112784835A (zh) * | 2021-01-21 | 2021-05-11 | 恒安嘉新（北京）科技股份公司 | 圆形印章的真实性识别方法、装置、电子设备及存储介质 |
| CN112784833A (zh) * | 2021-03-12 | 2021-05-11 | 支付宝(杭州)信息技术有限公司 | 证件识别方法、装置和服务器 |
| CN114494765A (zh) * | 2021-12-21 | 2022-05-13 | 北京瑞莱智慧科技有限公司 | 真假烟鉴别点的识别方法、装置、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101105837A (zh) * | 2007-07-20 | 2008-01-16 | 俞熹 | 数码防伪印刷方法 |
| CN105528706A (zh) * | 2014-10-21 | 2016-04-27 | 重庆涵天包装印务有限公司 | 数码防伪印刷方法 |
| CN106023219A (zh) * | 2016-05-26 | 2016-10-12 | 无锡天脉聚源传媒科技有限公司 | 一种确定图像中目标的方法和装置 |
| CN108230536A (zh) * | 2017-12-28 | 2018-06-29 | 王道顺 | 一种对光可变防伪标识识别方法及装置 |
| CN110309859A (zh) * | 2019-06-06 | 2019-10-08 | 阿里巴巴集团控股有限公司 | 一种图像真伪检测方法、装置及电子设备 |
| CN110490200A (zh) * | 2019-08-27 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 一种证件扫描方法、装置及设备 |
| CN110516739A (zh) * | 2019-08-27 | 2019-11-29 | 阿里巴巴集团控股有限公司 | 一种证件识别方法、装置及设备 |
-
2020
- 2020-01-21 CN CN202010070201.4A patent/CN111291797A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101105837A (zh) * | 2007-07-20 | 2008-01-16 | 俞熹 | 数码防伪印刷方法 |
| CN105528706A (zh) * | 2014-10-21 | 2016-04-27 | 重庆涵天包装印务有限公司 | 数码防伪印刷方法 |
| CN106023219A (zh) * | 2016-05-26 | 2016-10-12 | 无锡天脉聚源传媒科技有限公司 | 一种确定图像中目标的方法和装置 |
| CN108230536A (zh) * | 2017-12-28 | 2018-06-29 | 王道顺 | 一种对光可变防伪标识识别方法及装置 |
| CN110309859A (zh) * | 2019-06-06 | 2019-10-08 | 阿里巴巴集团控股有限公司 | 一种图像真伪检测方法、装置及电子设备 |
| CN110490200A (zh) * | 2019-08-27 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 一种证件扫描方法、装置及设备 |
| CN110516739A (zh) * | 2019-08-27 | 2019-11-29 | 阿里巴巴集团控股有限公司 | 一种证件识别方法、装置及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 李士竹: "文书学", vol. 1, 31 August 2006, 河南人民出版社, pages: 300 - 306 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112665698A (zh) * | 2020-12-15 | 2021-04-16 | 重庆电子工程职业学院 | 一种智能电子秤 |
| CN112560989A (zh) * | 2020-12-25 | 2021-03-26 | 烟台职业学院 | 一种基于大数据的人工智能防伪图像识别方法及系统 |
| CN112560989B (zh) * | 2020-12-25 | 2022-07-29 | 烟台职业学院 | 一种基于大数据的人工智能防伪图像识别方法及系统 |
| CN112784835A (zh) * | 2021-01-21 | 2021-05-11 | 恒安嘉新（北京）科技股份公司 | 圆形印章的真实性识别方法、装置、电子设备及存储介质 |
| CN112784835B (zh) * | 2021-01-21 | 2024-04-12 | 恒安嘉新（北京）科技股份公司 | 圆形印章的真实性识别方法、装置、电子设备及存储介质 |
| CN112784833A (zh) * | 2021-03-12 | 2021-05-11 | 支付宝(杭州)信息技术有限公司 | 证件识别方法、装置和服务器 |
| CN114494765A (zh) * | 2021-12-21 | 2022-05-13 | 北京瑞莱智慧科技有限公司 | 真假烟鉴别点的识别方法、装置、电子设备及存储介质 |
| CN114494765B (zh) * | 2021-12-21 | 2023-08-18 | 北京瑞莱智慧科技有限公司 | 真假烟鉴别点的识别方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110516739B (zh) | 一种证件识别方法、装置及设备 | |
| CN111291797A (zh) | 一种防伪识别方法、装置及电子设备 | |
| CN111242124B (zh) | 一种证件分类方法、装置及设备 | |
| Elias et al. | Face recognition attendance system using Local Binary Pattern (LBP) | |
| CN111553333B (zh) | 人脸图像识别模型训练方法、识别方法、装置和电子设备 | |
| EP2336949B1 (en) | Apparatus and method for registering plurality of facial images for face recognition | |
| CN112507831B (zh) | 活体检测方法、装置、设备和存储介质 | |
| Greco et al. | Benchmarking deep network architectures for ethnicity recognition using a new large face dataset | |
| KR20110024169A (ko) | 눈 상태 검출방법 | |
| CN109766885A (zh) | 一种文字检测方法、装置、电子设备及存储介质 | |
| US11086977B2 (en) | Certificate verification | |
| Chen et al. | A fast face recognition system on mobile phone | |
| CN111310634B (zh) | 证件类型识别模板的生成方法、证件识别方法及装置 | |
| Vijayalakshmi | Comparison of viola-jones and kanade-lucas-tomasi face detection algorithms | |
| Mondal et al. | Review and comparison of face detection techniques | |
| Swamy et al. | Indian sign language interpreter with android implementation | |
| CN111199231B (zh) | 一种图像识别方法及装置 | |
| CN110309859B (zh) | 一种图像真伪检测方法、装置及电子设备 | |
| Younis et al. | IFRS: An indexed face recognition system based on face recognition and RFID technologies | |
| CN116843665A (zh) | 相机模组涂胶情况判定方法、装置、设备及存储介质 | |
| WO2020237481A1 (zh) | 反色区域的确定方法、指纹芯片及电子设备 | |
| CN114998962A (zh) | 一种活体检测以及模型训练方法及装置 | |
| JP2008009745A (ja) | 顔検出装置 | |
| Koliaskina et al. | MIDV-Holo: A Dataset for ID Document Hologram Detection in a Video Stream | |
| Rai et al. | Feature extraction of face recognition techniques utilizing neural system as a classifier |
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 |