CN111406270B - 基于图像的伪造品检测 - Google Patents

基于图像的伪造品检测 Download PDF

Info

Publication number
CN111406270B
CN111406270B CN201880077204.1A CN201880077204A CN111406270B CN 111406270 B CN111406270 B CN 111406270B CN 201880077204 A CN201880077204 A CN 201880077204A CN 111406270 B CN111406270 B CN 111406270B
Authority
CN
China
Prior art keywords
patch
test sample
image
sample
filters
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
Application number
CN201880077204.1A
Other languages
English (en)
Other versions
CN111406270A (zh
Inventor
尼古拉斯·A·阿森多夫
詹尼弗·F·舒马赫
罗伯特·D·洛伦兹
詹姆斯·B·斯奈德
哥尔珊·哥尔纳利
穆罕默德·贾迈勒·阿夫里迪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
3M Innovative Properties Co
Original Assignee
3M Innovative Properties Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 3M Innovative Properties Co filed Critical 3M Innovative Properties Co
Publication of CN111406270A publication Critical patent/CN111406270A/zh
Application granted granted Critical
Publication of CN111406270B publication Critical patent/CN111406270B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • 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
    • G06F16/53—Querying
    • 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
    • G06F16/55—Clustering; Classification
    • 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
    • G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
    • 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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (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连同位置和任选的时间信息。通过经训练的分类算法评估测试样品的所提取特征/信息，以识别测试样品。评估的结果用于跟踪和定位伪造产品或真实产品。

Description

基于图像的伪造品检测
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、定位和跟踪的方法和系统。
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。美国专利8,714,442描述了一种沿供应链固定制品的系统和方法。
发明内容
在众多行业和应用中，期望以有效且高性价比的方式认证材料样品、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。具体地，定位和跟踪伪造产品并找出其供应链是具有挑战性的。例如，可能难以知道有多少种类型的伪造产品在市场上、伪造品起源于何处、伪造品如何遍布于供应链等。本公开提供了可识别、定位和跟踪伪造产品的防伪方法和系统。
简而言之，在一个方面，本公开描述了一种跟踪和定位伪造产品的计算机实现的方法。该方法包括经由处理器从测试样品的数字图像提取计算机视觉特征；获得所述测试样品的位置信息和任选的时间信息；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和位置信息，以识别测试样品。
在另一方面，本公开描述了一种跟踪和定位伪造产品的系统。该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获得待测试样品的数字图像；功能性地连接到所述移动设备的计算部件，被配置为从所述GUI接收所述图像并处理所述图像，以从所述数字图像提取计算机视觉特征，所述计算部件被进一步配置为接收所述样品的位置信息和任选的时间信息；以及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和位置信息，以识别所述样品。
在本公开的示例性实施方案中获得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，计算机视觉特征以及位置和时间信息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)。本文所述的防伪方法和系统可有效地识别、定位和跟踪分布网络中的伪造产品。
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6A为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6B为根据另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6C为基于图6B的输出检测伪造品分布网络的方法的流程图。
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。
图11为示出根据一个实施方案的图10的GUI的应用的框图。
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他实施方案。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到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1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。每个图像的标签矢量可进一步组合以形成(k×1)×1矢量，其中k为样品图像的总数。
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6A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。应当理解，计算机视觉数据可以各种形式存在，诸如例如矩阵、矢量等。任选地，训练数据可包括图像标签，诸如例如二进制标签的(k×l)×1矢量。
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6B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’。在方法600'中，将位置数据610'连同训练数据610提供给分类算法620。位置数据610'包括材料样品的位置信息和任选的时间信息。在一些实施方案中，可使用GPS、GLONASS、Galileo或BeiDou系统经由全球导航卫星系统(GNSS)接收器来获得位置信息。在一些实施方案中，数字图像可由包括GNSS接收器的数字图像设备捕获。数字图像设备可为例如智能电话的相机，并且位置数据610'可从材料样品所位于的智能电话的GNSS数据提取。
在一些实施方案中，位置信息可从材料样品的数字图像文件提取。例如，位置信息可从包括GNSS(例如，GPS)数据的数字图像的元数据提取。数字图像的时间信息也可从数字图像的元数据提取。数字图像的元数据允许信息与图像文件一起传输，该图像文件可由软件、硬件或用户解释或提取。在一些实施方案中，元数据可由用户输入到图像文件中。在一些实施方案中，元数据可由数字图像设备诸如例如相机、扫描仪等自动获得。在一些实施方案中，元数据可以诸如JPEG、Exif、TIFF、BMP、GIF、PNG等格式内部嵌入图像文件中。在一些实施方案中，元数据可外部存储在图像文件之外。
应当理解，材料样品或产品的位置信息可通过任何合适的方法获得。在一些实施方案中，Wi-Fi设备和/或其他定位机构可用于地理空间定位。
在一些实施方案中，数据610'也包括用于训练目的的时间信息。例如，与具有新时间戳的权重相比，具有相对更旧时间戳的训练数据在训练中可能接收更少的重要性权重。这有助于使分类算法620适应产品(尤其是伪造品)“出生和死亡”的变化。
材料样品的位置信息和任选地时间信息可以材料样品的特征矢量的特征维度的形式提供给分类算法620。例如，如对于图2所述，对于具有l个补丁的材料样品的图像，可组合数量l的此类d维补丁特征矢量x补丁以形成特征矢量的(l×d)矩阵。在一些实施方案中，可将材料样品的位置信息和任选地时间信息添加到特征矢量的矩阵中作为每个特征矢量的附加特征维度。
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6A，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，可通过630处的经训练的分类算法来评估来自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2的220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l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。
再次参见图6B，为了识别测试样品640(例如，是真实的或伪造的)，来自测试样品640的计算机视觉特征640a以及测试样品640的相关位置和任选的时间数据640b可在630处由经训练的分类算法来评估。在一些实施方案中，测试样品的位置信息和任选的时间数据/信息640b可从其数字图像或捕获图像的数字设备(例如，智能电话)自动提取。例如，位置信息(例如，GNSS数据)和时间信息可从其数字图像文件的元数据或直接从捕获图像的移动设备(例如，智能电话)提取。在一些实施方案中，位置和任选的时间数据640b可以例如硬代码的形式手动输入，或者由用户针对不同区域指定。
类似于位置数据610'，测试样品的位置信息和任选地时间信息640b可以测试样品的特征矢量的特征维度的形式提供给经训练的分类算法630。
经训练的分类算法630可评估测试样品640的计算机视觉特征640a以及位置和/或时间信息640b，以将测试样品识别为真实或伪造的和/或确定测试样品是否在分布网络内的预期位置处。在660处，可将评估的结果自动记录在存储各种伪造和/或真实产品的位置信息和时间戳的数据库中。
应当理解，在一些实施方案中，610'或640b处的位置和/或时间数据可由用户提供，从而指示某些产品分布信息，诸如例如，产品在何处和/或何时销售或预期销售。当产品流动穿过分布网络(例如，供应链)时，产品可由海关在分布网络的位置中评估。如果不预期产品在该位置处出售/运输/存储，则方法600可在评估之后提出错误例外。
用户可查询数据库660以确定有关伪造品的各种问题。例如，数据库660的查询可确定在指定时间段内在某个位置的特定英里半径内检测到的伪造品的数量。数据库660可通过使用各种表述诸如例如时间段、具体位置、位置半径等来查询。在一些实施方案中，查询的结果可在标测图中可视化。
图6C为检测产品(例如，伪造或真实)分布网络并进一步利用检测到的网络的方法60的流程图。可将训练数据提供给网络算法63以确定伪造和/或真实产品的分布网络(DN)。网络算法63可包括一个或多个图形模型，该图形模型可对所识别的产品的时间位置和产品分布网络中它们之间的连接进行建模。例如，图形模型可包括节点和其间的连接，其中节点表示伪造品的各种位置，并且连接表示流动穿过伪造品分布网络(例如，供应链)的伪造品。图形模型可包括例如一个或多个空间-时间图形以表示产品分布网络中在不同时间的不同位置之间的连接性或流程。应当理解，网络算法63可包括表示产品分布网络的任何合适的模型或算法。
为网络算法63提供的训练数据包括测试样品的数据61和真实产品的已知分布网络(例如，分销商或供应链信息)的数据62。测试样品的信息61可从图6B的数据库660导入。数据62可从集中式系统导入，该集中式系统存储各种已知的真实产品的分布网络。
训练网络算法63可确定各种信息，包括例如关于真实产品分布网络(DN)64、伪造品分布网络(DN)65等的信息。在一些实施方案中，可利用来自图6B的数据库660的“历史伪造品网络”来找到关于新伪造品来源以及它们的分布网络的一些见解。可在66处将真实分布网络64与真实产品(例如，已知分布网络的数据62)的预期分布网络(DN，例如，供应链)进行比较，以确定真实分布网络64是否与预期产品分布网络匹配。当真实分布网络64不与预期产品分布网络(例如，供应链)匹配时，可发出警示69。此外，可在67处分析真实分布网络64以识别优化当前已知的产品分布网络(例如，供应链)的方式。
可在68处分析所确定的伪造品分布网络65，以确定用于在供应链中出现伪造品的优化执法调查的路线。例如，使用所识别的伪造品中的每一个伪造品的时间戳，可在68处构建关于何时识别伪造品的时间序列数据。这可允许调查集中于防伪努力，尤其是当识别出伪造产品的新位置时。
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被配置为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来与远程计算设备(诸如例如计算部件926)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、应用专用集成电路(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，打印设备或用于将指令输出到打印设备的部件)中的一者或多者。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也可包括其他部件，并且包括处理器912、存储器914和输入/输出设备916的所示部件中的任一个部件的功能可横跨多个部件和独立设备(诸如计算机)分布。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的，并且部件的添加或移除对于本领域中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(例如图6B的数据库660)中或云计算环境4中。各种材料样品的位置和/或时间戳也可存储在数据库中。
在一些实施方案中，GUI 20可访问存储各种伪造品和/或真实产品的位置信息和时间戳的数据库，并且根据用户的请求查询数据库。图11示出了根据一个实施方案的示出图10的GUI 20的应用70的框图。GUI 20可具有用于查询数据库以获得存储在数据库中的相关材料样品的位置和/或时间戳信息71的设定72，并且在相同或不同数据库中查询相关的生产信息73(例如，按位置的畅销产品)。利用所获得的信息，GUI 20可在74处显示用户打算识别(例如，是真实的或伪造的)的产品的优先化列表。例如，列表可通过经由按位置和/或时间引用畅销产品的数据库而连接到GUI 20的计算部件来排优。当识别到伪造品时，GUI20可在75处为所识别的伪造品提供完整的工作流程。例如，GUI 20可允许用户通知适当的利益相关者，允许用户联系适当的客户服务代表(例如，技术服务)。GUI 20可自动查询相关数据库以获得相关信息，诸如例如按位置的利益相关者的数据库、按位置的客户服务联系人的数据库等。
示例性实施方案列表
以下列出示例性实施方案。应当理解，实施方案列表I和II中的实施方案中的任一者可被组合。
实施方案列表I：
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。
实施方案列表II：
实施方案1为一种识别、跟踪和定位伪造产品的计算机实现的方法，所述方法包括：
经由处理器从测试样品的数字图像提取计算机视觉特征；
获得所述测试样品的位置信息；以及
经由与所述处理器相关联的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和所述位置信息，以识别所述测试样品。
实施方案2为根据实施方案1所述的方法，其中所述经训练的分类算法通过以下操作获得：
从多个材料样品中的每一个材料样品的一个或多个数字图像提取计算机视觉特征；
获得所述材料样品的位置信息和任选的时间信息，以及
用所述计算机视觉特征、所述位置信息和所述任选的时间信息训练分类算法。
实施方案3为根据实施方案1或2所述的方法，其中提取计算机视觉特征包括将数字图像转换为表示测试样品的材料特性的特征矢量的矩阵。
实施方案4为根据实施方案1-3中任一项所述的方法，其中位置信息是从全球导航卫星系统(GNSS)数据提取的。
实施方案5为根据实施方案4所述的方法，其中通过将所述GNSS数据输入为特征矢量的特征维度来由所述经训练的分类算法评估所述GNSS数据。
实施方案6为根据实施方案1-5中任一项所述的方法，还包括获得所述测试样品的时间信息，其中所述时间信息是从所述数字图像的元数据提取的。
实施方案7为根据实施方案1-6中任一项所述的方法，还包括将测试样品标记为真实的或伪造的。
实施方案8为根据实施方案1-7中任一项所述的方法，还包括将所述评估的结果记录在数据库中。
实施方案9为根据实施方案8所述的方法，还包括接收对数据库的查询并根据该查询提供相关信息。
实施方案10为根据实施方案8或9所述的方法，还包括在标测图中可视化评估的结果。
实施方案11为根据实施方案8-10中任一项所述的方法，还包括基于数据库检测伪造品的分布网络和/或真实产品的分布网络。
实施方案12为一种识别、跟踪和定位伪造产品的系统，所述系统包括：
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，被配置为从所述GUI接收所述图像并处理所述图像，以从所述数字图像提取计算机视觉特征，所述计算部件被进一步配置为接收所述样品的位置信息；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和位置信息，以识别所述样品。
实施方案13为根据实施方案12所述的系统，其中所述计算部件被配置为将数字图像转换为表示样品的材料特性的特征矢量的矩阵。
实施方案14为根据实施方案12或13所述的系统，其中所述位置信息由所述计算部件从全球导航卫星系统(GNSS)数据提取。
实施方案15为根据实施方案14所述的系统，其中通过将所述GNSS数据输入为特征矢量的特征维度来由所述经训练的分类算法评估所述GNSS数据。
实施方案16为根据实施方案12-15中任一项所述的系统，其中所述计算部件被进一步配置为从数字图像的元数据提取时间信息。
实施方案17为根据实施方案12-16中任一项所述的系统，还包括功能性地连接到所述计算部件的数据库，所述样品的所述评估结果被记录在所述数据库中。
实施方案18为根据实施方案17所述的系统，其中所述GUI被配置为接收对所述数据库的查询并根据所述查询提供相关信息。
实施方案19为根据实施方案17或18所述的系统，其中所述GUI被配置为在标测图中可视化所述评估的结果。
实施方案20为根据实施方案12-19中任一项所述的系统，其中所述经训练的分类算法被进一步配置为将所述样品识别为真实的或伪造的。
实施方案21为根据实施方案12-20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。
实施方案22为根据实施方案12-21中任一项所述的系统，其中所述GUI被配置为提供所识别样品的工作流程。
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，具体特征、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例示性实施方案。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他实施方案均在以下权利要求书的范围内。

Claims (17)

1.一种识别、跟踪和定位伪造产品的计算机实现的方法，所述方法包括：至少部分地通过如下方式经由处理器从测试样品的数字图像提取计算机视觉特征：
从所述数字图像中提取一个或多个补丁；
将一个或多个滤波器应用于所述一个或多个补丁以获得一个或多个滤波后的补丁图像；并且
连接与所述一个或多个滤波后的补丁图像相关联的向量以获得一个或多个补丁特征向量，所述补丁特征向量表示相应补丁的材料特性，所述计算机视觉特征由所述补丁特征向量的矩阵表示；
获得指示与所述测试样品相关联的位置信息的全球导航卫星系统GNSS数据；
处理器将所述GNSS数据作为所述矩阵的各特征向量的特征维度输入到处理器执行的训练分类算法；以及
经由所述处理器执行的训练分类算法来评估与所述测试样品相关联的所述计算机视觉特征和所述位置信息，以将所述测试样品识别为伪造产品。
2.根据权利要求1所述的方法，其中所述训练分类算法通过以下操作获得：
从多个材料样品中的每一个材料样品的一个或多个数字图像提取计算机视觉特征；
获得所述材料样品的位置信息和可选的时间信息，以及
用所述计算机视觉特征、所述位置信息和所述可选的时间信息训练分类算法。
3.根据权利要求1所述的方法，还包括从所述数字图像的元数据提取与所述测试样品相关联的时间信息。
4.根据权利要求1所述的方法，还包括将所述评估的结果记录在数据库中。
5.根据权利要求4所述的方法，还包括接收对所述数据库的查询并根据所述查询提供相关信息作为输出。
6.根据权利要求4所述的方法，其中提供相关信息作为输出包括在图中可视化所述评估的结果。
7.根据权利要求4所述的方法，还包括基于所述数据库检测伪造产品的分布网络，所述伪造产品包括所识别的伪造产品。
8.根据权利要求4所述的方法，还包括基于所述数据库检测真实产品的分布网络。
9.根据权利要求1所述的方法，还包括经由所述处理器基于与所述数字图像相关联的尺寸、分辨率、形状或质量中的一项或多项来确定每个所提取的补丁的补丁尺寸。
10.根据权利要求9所述的方法，其中所述补丁尺寸在1像素×1像素至1000像素×1000像素的范围内。
11.根据权利要求1所述的方法，其中所述测试样品是呼吸器。
12.根据权利要求1所述的方法，其中所述一个或多个滤波器包括Gabor滤波器、傅里叶变换滤波器、高斯滤波器、高通滤波器、低通滤波器、带通滤波器、中值滤波器、平均滤波器、高斯拉普拉斯滤波器、Sobel滤波器或Prewitt滤波器。
13.根据权利要求1所述的方法，其中指示与所述测试样品相关联的位置信息的所述GNSS数据与从用于捕获所述测试样品的数字图像的图像捕获设备收集的全球定位系统GPS数据相关联。
14.根据权利要求1所述的方法，其中所述计算机视觉特征还包括描述捕获所述测试样品的数字图像的时间的时间信息。
15.一种用于识别、跟踪和定位伪造产品的系统，所述系统包括：
存储器，被配置为存储测试样品的数字图像；以及
与存储器通信的一个或多个处理器，所述一个或多个处理器被配置为：
从所述数字图像中提取一个或多个补丁；
将一个或多个滤波器应用于所述一个或多个补丁以获得一个或多个滤波后的补丁图像；
连接与所述一个或多个滤波后的补丁图像相关联的向量以获得一个或多个补丁特征向量，所述补丁特征向量表示相应补丁的材料特性，所述数字图像的计算机视觉特征由所述补丁特征向量的矩阵表示；
获得指示与所述测试样品相关联的位置信息的全球导航卫星系统GNSS数据；
将所述GNSS数据作为所述矩阵的各特征向量的特征维度输入到训练分类算法；以及
使用所述训练分类算法来评估与所述测试样品相关联的所述计算机视觉特征和所述位置信息，以将所述测试样品识别为伪造产品。
16.根据权利要求15所述的系统，其中所述一个或多个处理器还被配置为执行根据权利要求2-14所述的任一方法。
17.一种计算机可读存储介质，其上存储有计算机指令，当所述计算机指令由计算机处理器执行时，使得根据权利要求1-14所述的任一方法被执行。
CN201880077204.1A 2017-11-30 2018-11-15 基于图像的伪造品检测 Active CN111406270B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762592845P 2017-11-30 2017-11-30
US62/592,845 2017-11-30
PCT/IB2018/059014 WO2019106474A1 (en) 2017-11-30 2018-11-15 Image based counterfeit detection

Publications (2)

Publication Number Publication Date
CN111406270A CN111406270A (zh) 2020-07-10
CN111406270B true CN111406270B (zh) 2024-04-16

Family

ID=66664382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880077204.1A Active CN111406270B (zh) 2017-11-30 2018-11-15 基于图像的伪造品检测

Country Status (3)

Country Link
US (1) US11847661B2 (zh)
CN (1) CN111406270B (zh)
WO (1) WO2019106474A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020003150A2 (en) 2018-06-28 2020-01-02 3M Innovative Properties Company Image based novelty detection of material samples
US11144758B2 (en) * 2018-11-15 2021-10-12 Geox Gis Innovations Ltd. System and method for object detection and classification in aerial imagery
US12026965B2 (en) 2019-08-19 2024-07-02 3M Innovative Properties Company Video based continuous product detection
US11568317B2 (en) 2020-05-21 2023-01-31 Paypal, Inc. Enhanced gradient boosting tree for risk and fraud modeling
CN113095672B (zh) * 2021-04-09 2024-06-07 公安部物证鉴定中心 一种人脸图像比对算法评测方法和系统
CN112991345B (zh) * 2021-05-11 2021-08-10 腾讯科技（深圳）有限公司 图像真伪检测方法、装置、计算机设备和存储介质
WO2023272594A1 (en) * 2021-06-30 2023-01-05 Paypal, Inc. Image forgery detection via pixel-metadata consistency analysis

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701476A (zh) * 2016-02-04 2016-06-22 合肥泰禾光电科技股份有限公司 一种基于机器视觉的生产线产品自动化识别系统及方法
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
CN107148632A (zh) * 2014-04-24 2017-09-08 河谷控股Ip有限责任公司 用于基于图像的目标识别的稳健特征识别
CN107358264A (zh) * 2017-07-14 2017-11-17 深圳市唯特视科技有限公司 一种基于机器学习算法进行图像分析的方法

Family Cites Families (26)

* Cited by examiner, † Cited by third party
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
CN1315707C (zh) 2004-04-02 2007-05-16 国际联合科技股份有限公司 取纸方法
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
DK2024899T3 (en) 2005-09-05 2016-02-15 Alpvision S A Means of use of the material surface microstructure as a unique identifier
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
US8447989B2 (en) * 2008-10-02 2013-05-21 Ricoh Co., Ltd. Method and apparatus for tamper proof camera logs
EP2485178A4 (en) 2009-09-28 2015-06-17 Shanghai Kos Security Paper Technology Co Ltd FAKE-SAFETY PROCEDURE FOR A RANDOM TEXTURE AND DETECTION DEVICE THEREFOR
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
CN102142142A (zh) 2010-01-29 2011-08-03 鸿富锦精密工业（深圳）有限公司 产品轮廓制程能力验证系统及方法
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
US8714442B2 (en) 2012-04-19 2014-05-06 Zortag Inc System for and method of securing articles along a supply chain
EP2664941A1 (en) 2012-05-17 2013-11-20 Istituto di Ricerche Chimiche e Biochimiche "G. Ronzoni" Method for deciding whether a sample is consistent with an established production norm for heterogeneous products
US10482471B2 (en) 2013-01-16 2019-11-19 Amazon Technologies, Inc. Unauthorized product detection techniques
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
US9483629B2 (en) * 2013-09-26 2016-11-01 Dragnet Solutions, Inc. Document authentication based on expected wear
US20170032382A1 (en) * 2014-04-14 2017-02-02 Jenda Tag, LLC System and Method for Product Authentication
AU2015383073A1 (en) 2014-12-03 2017-06-15 3M Innovative Properties Company Systems and methods for generating random numbers using physical variations present in material samples
US10551524B2 (en) * 2014-12-18 2020-02-04 3M Innovative Property Companies Batch authentication of materials for automated anti counterfeiting
US20160314474A1 (en) * 2015-04-24 2016-10-27 9210482 Canada Corporation Geo-analytic system and method for authentication of goods
US9996902B2 (en) * 2016-01-19 2018-06-12 Google Llc Image upscaling
US10346468B2 (en) * 2017-02-28 2019-07-09 Vitaly Talyansky Optically verified sample authentication

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107148632A (zh) * 2014-04-24 2017-09-08 河谷控股Ip有限责任公司 用于基于图像的目标识别的稳健特征识别
CN105701476A (zh) * 2016-02-04 2016-06-22 合肥泰禾光电科技股份有限公司 一种基于机器视觉的生产线产品自动化识别系统及方法
CN107358264A (zh) * 2017-07-14 2017-11-17 深圳市唯特视科技有限公司 一种基于机器学习算法进行图像分析的方法

Also Published As

Publication number Publication date
CN111406270A (zh) 2020-07-10
US20200364513A1 (en) 2020-11-19
US11847661B2 (en) 2023-12-19
WO2019106474A1 (en) 2019-06-06

Similar Documents

Publication Publication Date Title
CN111406270B (zh) 基于图像的伪造品检测
CN110770711B (zh) 基于图像的伪造品检测
US10885531B2 (en) Artificial intelligence counterfeit detection
Tedeschi et al. A real-time automatic pavement crack and pothole recognition system for mobile Android-based devices
Mery et al. Automatic defect recognition in x-ray testing using computer vision
Bayram et al. Image manipulation detection
Kitahara et al. Microstructure cluster analysis with transfer learning and unsupervised learning
US20190251349A1 (en) System and method for object classification and sorting
Cord et al. Texture classification by statistical learning from morphological image processing: application to metallic surfaces
US11816946B2 (en) Image based novelty detection of material samples
Sharma et al. The fake vs real goods problem: microscopy and machine learning to the rescue
US11715292B2 (en) Methods and apparatus to perform image analyses in a computing environment
AU2015363041B2 (en) Batch authentication of materials for automated anti counterfeiting
Dreyer et al. Understanding the (extra-) ordinary: Validating deep model decisions with prototypical concept-based explanations
CN111027601B (zh) 一种基于激光传感器的平面检测方法、装置
Dhivya et al. Detection of structural defects in fabric parts using a novel edge detection method
Hauri Detecting signatures in scanned document images
Chen et al. Eggshell biometrics for individual egg identification based on convolutional neural networks
Quan et al. Deep learning-based automatic detection of defective tablets in pharmaceutical manufacturing
CN114067401A (zh) 目标检测模型的训练及身份验证方法和装置
CN110097135B (zh) 一种基于双张量的全息衍射标签图像识别算法
Fianty et al. Detection of Image Splicing Forgeries Based on Deep Learning with Edge Detector
Harrison et al. A novel ensemble of distance measures for feature evaluation: Application to sonar imagery
Liu Fruit Traceability and Quality Inspection System Based on Blockchain and Computer Vision
Srivastava et al. Gabor Filter and Centre Symmetric-Local Binary Pattern based technique for forgery detection in images

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