CN111429156A - 一种手机使用的人工智能识别系统及其应用 - Google Patents
一种手机使用的人工智能识别系统及其应用 Download PDFInfo
- Publication number
- CN111429156A CN111429156A CN202010223628.3A CN202010223628A CN111429156A CN 111429156 A CN111429156 A CN 111429156A CN 202010223628 A CN202010223628 A CN 202010223628A CN 111429156 A CN111429156 A CN 111429156A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- image
- test
- artificial intelligence
- 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
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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning 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
- G06V10/20—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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Abstract
一种手机使用的人工智能识别系统及其应用,所述系统包括:系统登录模块,系统控制模块,数据获取模块,数据存储模块,数据分析处理模块;其中,所述系统登录模块与系统控制模块连接;当用户通过系统模块验证后,所述系统控制模块发出验证通过信息,登录进入所述识别系统。
Description
技术领域
本申请涉及人工智能相关技术领域,具体涉及一种手机使用的人工智能识别系统及其应用。
背景技术
假冒伪劣产品是世界上除毒品之外的第二大公害。为了打击假冒,世界各国开发了各种各样的防伪技术产品,如:张、防伪油墨、特种印刷、激光全息防伪、网络信息防伪、微电子芯片防伪等等,上述种种防伪技术在不同的时期都发挥了一定的防伪作用,但随着时间的推移,技术的进步和扩散,也暴露出一些不尽如人意的地方,归纳起来存在的主要问题是:易仿造、难鉴别或使用要求高、成本费用大等,在不同程度上降低了防伪的性能和效果,有的自身也成了被仿冒的对象,未能实现应有的打假防伪效果。
尤其是现在的收藏品越来越热,但在收藏技术领域,还大多是凭借经验去判断收藏品的真假,而没有科技手段的应用,在现有技术中,希望能够有一种技术将作品拥有者/画家、购买者、备案鉴定各地区合作机构,作品拥有者/画家,通过可靠、有效、专业的身份验证方式(身份证识别器读卡/指纹识别),系统对作品的部分/局部纸张中层纤维结构纹理进行多点采样(可采用显微镜、高清相机、手机拍照等方式,待验证),把作品备案到系统中。
购买者通过可靠、有效、专业的身份验证方式(身份证识别器读卡/指纹识别),通过对现场作品的部分/局部纸张中层纤维结构纹理提交对比样本至平台。平台在一定时间/即时出现对比结果。备案鉴定各地区合作机构:购买者可通过合作机构的专业采样设备(可采用显微镜、高清相机、手机拍照等方式,待验证),出具现场作品的部分/局部纸张中层纤维结构纹理样本。
国家刚出台了新的艺术品管理办法,要求2016年3月15日之后,为了保障消费者权益,建议藏家购买有专业备案的书画作品,如果没有提供证明或者追溯艺术品来源的作品,如果误导消费者,在五年之内可以退还给经营者,并要求2~3倍的赔偿。以往书画行业人们惯用的“保真”方法:
入门级方法:收藏证书、鉴定证书、合同承诺书是书画经营者最常用的方法,也是比较原始的方法,谨代表经营者的主观承诺,作用是仅仅给藏家一个心里安慰。
植入荧光暗记,制作有荧光暗记之类功能的防伪证书只是对证书防伪,证明证书是真的,而不能辨别作品真伪。
证书存根对比,一式两联或一式三联的防伪证书,一张给画家,一张给藏家,一张留给证书出具机构。每次鉴别真伪的时候要几张证书重新连接,比对这几张证书中间的撕痕是否吻合。若持有这几联证书的人分布在天南海北,聚齐在一起确实是一件难事;而且仅通过证书无法证明作品真伪中级方法:
与艺术家合影,高清图像照相、高清录像三种方法是现在业内最常用的证明真伪的方式。
这种方式只能说画家画过这张作品,并不能证明藏家拿到的就是这幅合过影的真迹,因为照片可以洗好多张,录像也可以无限复制,配上高仿的作品欺骗藏家比比皆是。这种高仿作品只有专业人士才能发现,并不适合大多数藏家作为所购买作品的防伪证据。会鉴别高仿复制作品的人也不一定能看出照片是否PS过画家专用个人宣纸、专用墨及专用印泥。画家专用纸也是个故弄玄虚的事,造纸工艺都是通用的,没有秘密,什么纸都有人能仿。专用墨及专用印泥这个方法看着好,实际没有作用,因为世上没有只能你买,别人都买不到的墨汁和印泥。
植入二维码和植入指纹,据说当年某省公安厅的一个领导倡导这种方法,并且采集了当时所有名家的指纹和印章,并整理出书,不过没有发行。它的理论基础是艺术家画画的时候都会去摸纸,这样就能在纸上找到指纹。这种方法已经进步很多,但是也不能成立,因为留在作品上的指纹会不小心破坏掉,而且画家除了创作中的作品,其他作品都不能摸,不然可能变成他的作品了。
植入电子芯片。近几年,很多机构把作品信息储存到芯片中,隐藏于作品的某个位置,鉴定的时候用专用设备在画上寻找,并读取,读出来的就认为是真的。芯片有个天生致命的缺点,就是可以被盗取里面信息,拷贝复制更多的芯片植入到高仿作品中,这样芯片不仅不能防伪,还成了高仿的帮凶。再有就是芯片一不小心会被消磁,所以这种方法虽然很用心,但也不可靠。
滴血DNA鉴定和植入头发丝,有的画家会在自己的作品上植入自己头发或者滴血之类的行为,为了以后做DNA鉴定用。要真是每画一张画就放点血那也真够拼的,所以应该是炒作的成分大,完全是宣传的噱头。用头发防伪的画家以后最好不要理发,一个月剃掉那么多头发,要是被别有用心的人“偷”了去,藏家伤不起啊。
以上给出的书画防伪方法都不专业,这些做法明显不严谨,也不全面。在书画作品之外的证书上做防伪,以及在书画作品上面加东西防伪,都无法保证作品为真迹。其实,国际上有通用的方法给书画作品防伪,中国也有这样的机构,他们的做法是:
在艺术家的作品创作完之后,就为这幅作品盖印章的宣纸部分,提取人肉眼看不到的纸张中层纤维纹理作为真迹作品的原始图像数据。再用画家本人的身份证作为启动他后台系统的钥匙,把作品备案到他名下的管理账户中。这样这幅作品不管流通多长时间,转手多少个人,在任意哪个城市,我们都可以通过手机扫描证书二维码和在网站及手机APP中输入画籍号查询作品信息,画家本人设定的价格体系等。通过合作机构的专业仪器设备,对作品的纸张中层纤维纹理进行采样,通过平台进行对比分析,自己就能鉴定真伪。
在颜色检测中,最直观的方法就是依据颜色的颜色范围来直接判断颜色区域。具体来说,就是在各种颜色空间如RGB、YCbCr、HIS等下,从颜色训练样本中得到其颜色的分布区间,然后选择一个合适的颜色空间和较小的颜色范围来确定颜色。VladimirVezhnevetsVassili等人总结了两大颜色模型:一类无参数,指的是贝叶斯模型;另一类有参数,以高斯函数模型为主,后来还发展出了高斯混合模型及其相应的迭代求解方法。在采用高斯混合模型来描述颜色性质的研究中,Weiming Hu等人的工作比较具有代表性,其创新之处在于通过直方图和对应颜色灰度级的数量来建模,最后得到一系列关于不同高斯概率密度函数个数的实验结果。D.A.Forsyth和M.M.Fleck等人提出了基于颜色和纹理的图像检测方法,首先是判断颜色区域,然后通过颜色区域判断四肢的部位,通过四肢部位来判断图像是否是图像。
除了上文提到的国内外学术研究中只把颜色检测或者特征部位检测中的一种用作识别图像的方法外,现有的发明专利也是如此。比如申请号200410042877.3的“一种图像检测方法”,通过将人脸区域面积与颜色区域面积的比值作为图像的判决依据;申请号200510048577.0的“基于内容的网络图像和不良图像检测系统”,采用颜色检测以及基于颜色检测的姿态检测来识别图像。现有技术的实现效果虽然依赖于具体的测试样本集,但是已经能够做到在相当程度上自动识别图像。
人工智能迎来一波发展浪潮。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,主要包括计算机实现智能的原理、制造类似于人脑智能的计算机,使计算机能实现更高层次的应用。随着人工智能研究的深入和应用的广泛推广,有必要推出更符合需求的AI模块和配套措施。
此外,人工智能模块由处理器通过总线来进行访问控制,而总线是有一定的带宽限制,这样的架构难以适应人工智能AI模块的大带宽需求。
市场上假冒伪劣产品随处可见,对消费者在身体与精神上的伤害有目共睹,一部分朋友更是深受其害。如果能够随时随地、方便及时地对自己想要购买的商品进行鉴别查询,是人们所期盼的事情。而手机随身携带的便捷性如果与防伪鉴定技术结合,使得手机鉴别防伪这一便捷手段能够满足消费者的上述需求。使消费者在不需要输入信息内容的情况下便可完成产品的真伪查询,查询一步到位的同时也确保了信息的准确性。
目前市场上使用手机防伪鉴别,主要是通过二维码技术来实现。二维条码是在一维条码的基础上产生出来的,因此很难跳出一维条码的局限,首先所有的二维条码的提案仍然采用将黑色区域表示信息代码“1”,白色区域表示信息代码“0”,而没考虑利用图形变化来直接地表示一个完整的信息代码(如0~9,A~F),造成信息表示的冗长。其次,二维条码同一维条码一样必须单独出现,占用了空间,而且易于被复制,安全性差。况且纸张污染对二维条码的正确解读也是致命的问题。
发明内容
本发明的目的在于提供一种手机使用的人工智能识别系统及其应用,具体方案如下:
一种手机使用的人工智能识别系统,所述系统包括:系统登录模块,系统控制模块,数据获取模块,数据存储模块,数据分析处理模块;其中,所述系统登录模块与系统控制模块连接;当用户通过系统控制模块验证后,所述系统控制模块发出验证通过信息,用户登录进入所述识别系统;根据用户名,控制模块区别是用户还是管理员身份;
所述系统控制模块向与其连接的数据获取模块发送指令,启动数据获取模块,所述数据获取模块启动手机相机模块,通过手机拍照获取所需要识别产品的图像文件,并将所述图像文件传输给所述数据存储模块;所述数据获取模块中设置有方向指向装置,所述方向指向装置为电子陀螺仪或电子罗盘,用于指引拍摄者的方向和角度,用户在方向指向装置的指引下,进行不同角度的拍摄,还可以进行不同方向的视频拍摄,所述方向指向装置还可以对拍摄视频的移动速度进行限定。
所述系统控制模块向与其连接的数据分析处理模块发出指令,所述数据分析处理模块按照所述系统控制模块的指令,对所述的图像数据进行分析比对,并对分析比对的结果进行打分,给出打分的依据,并将分数以及所述依据传输到显示界面。
所述数据获取模块中还设置有与所述数据存储模块连接的第一识别单元模块,用于对所述图像进行整体轮廓识别,并生成轮廓识别信息存储在所述数据存储模块中,所述轮廓识别信息包括图像的尺寸,图像中所展示的物体或人物的尺寸等信息;
所述数据获取模块中还设置有与数据存储模块连接的第二识别单元模块,用于对所述图像进行色彩识别,并生成色彩识别信息;
所述数据获取或模块中还设置有与数据存储模块连接的第三识别单元模块,用于对图像进行分类,分成文字、图画、物体等,或者进一步分类成草书、行书、楷书、国画、油画、陶瓷、金属、木器、玉器等;
述数据获取或模块中还设置有与数据存储模块连接的第四识别单元模块,用于根据分类,对图像或实体的光学参数进行识别;
所述系统控制模块向与其连接的数据分析处理模块发出指令,所述数据分析处理模块按照所述系统控制模块的指令,对所述的图像数据进行分析比对,并对分析比对的结果进行打分,给出打分的依据,并将分数以及所述依据传输到显示界面;
其中,所述的数据分析处理模块的分析处理方式可以选择本地处理、网络服务器处理两种方式;所述网络服务器处理提供无线连接方式、4G、5G等方式进行传输。
所述系统登录模块设置有身份验证单元。
所述数据存储模块设置有两个单元,一个是图像文件存储单元,用于存储所述数据获取模块传输的数据文件,另一个是比对数据存储单元,用于存储用于与图像文件存储单元的数据文件进行数据比对的单元。
所述数据分析处理模块设置有记录单元,用于记录识别的过程,每个识别的图像对应一个文件;所述分析处理模块设置有分值设置模块和分值累积模块,用于根据所述结果界面设置出现所述结果界面对应的所述操作点和所述测试操作的分值;不同的操作内容和测试操作对于系统识别的贡献度不同,因而可以通过分值来客观的衡量测试操作的贡献度;分值累积模块,用于累积所有所述操作点和所述测试操作对应的分值,将累积后得到的分值作为所述当前显示界面的分值。
所述人工智能识别系统还设置有系统动作模块,所述系统动作模块与所述系统控制模块连接,用于根据所述当前显示界面的内容确定操作内容和所述操作内容对应的测试操作,所述测试操作包括点击操作、输入操作、拖动操作或缩放操作;用于对确定的每个所述操作点执行对应的所述测试操作,并保存每次执行所述测试操作后的结果界面;所述动作模块具备记忆单元,能够存储所有操作记录,便于人工复核。
所述人工智能识别系统还设置有测试结果生成模块,所述测试结果生成模块与所述系统控制模块连接,用于根据所述测试内容结果的分值生成所述目标对象的测试结果。
所述人工智能识别系统还设置有人工智能建议模块,根据测试的数据结果,提供对应图像的建议、依据。
所述识别系统优选使用华为、苹果1600万以上像素,德国蔡司镜头手机设备,以60倍手机专用微距镜头进行介质拍摄作为基准;
所述人工智能识别系统还设置有与所述分值累计模块连接的展示模块,用于整理分析所述分析处理模块传递过来的数据,并转化为HTML或PDF文件。
一种所述人工智能识别系统的应用,所述应用的步骤如下:
步骤一、登录系统;
其中,所述登录系统的操作步骤为,步骤(1)、通过信息录入单元,进行登录信息的录入;步骤(2)、登录信息录入后,通过信息发送单元向服务器端发送登录请求,所述登录请求包括用户信息及时间戳信息;根据依序获取的时间戳信息,计算密码输入频率信息;加密获取的账号密码信息以及密码输入频率信息,携带用户标识信息,输出至服务器;服务器根据用户标识,查询获取该用户预先设置并存储在服务器中的登录认证信息;步骤(3)、服务器端的信息接收单元用于接收登录请求,并与服务器端的存储单元中的存储信息进行加密单元验证;获取账号密码信息以及密码输入频率信息,与查询获取的登录认证信息进行匹配,如果匹配成功,通过登录认证;验证通过,则进行到步骤(4);验证不通过,则通过反馈单元发送到步骤(1)进行重新登录;步骤(4)、验证通过后;进入相关开发系统的操作主界面;用户任何时候退出时,用户认证机构设置该用户不在线,结束登录认证流程。
步骤二、建立数据信息模型;
设置图像训练模型,所述图像或训练模型的方法为:S2-1,设置图像的标签,预设图像类别;S2-2,对图像进行预处理,获得模型训练图像;S2-3,将步骤S2-2获得的训练图像分成第一训练集,第二训练集,第三训练集,其中,所述第一训练集占训练图像的50%,第二训练集占30%,第三训练集占20%;步骤S2-4,利用训练集训练卷积神经网络模型;步骤S2-5,利用所述验证集,验证训练的卷积神经网络模型的准确率,若准确率大于或者等于预设准确率,则训练结束,将训练好的卷积神经网络模型作为图像分类模型,或者,若准确率小于预设准确率,则增加各个预设图像类别对应的样本图像数量并重新执行上述步骤S2-2到S2-5的步骤,直至训练的卷积神经网络模型的准确率大于或者等于预设准确率;建立卷积神经网络图像分类模型时,准备真品的图像;所述图像从不同角度和光线拍摄,如各准备1万份的样本图像,所述视频的拍摄时长为20-30秒,并对每张图像所属的细节类别进行标记,例如,可按如下方式标记,0:赝品;1:待验证;2:真品。其中,所述待验证的图像,属于打分为85-95之间的产品;赝品即为系统评定的分数在85分以下的产品。准备好样本图像后,可对样本图像进行各种预处理,如剪裁为大小统一(将图像全部都100x100大小),时长统一,或像素统一等规格的训练图像,利用预处理后的训练图像及其标注的类别,训练预设模型结构的卷积神经网络模型。例如,训练过程如下;(1)建立卷积核、偏差矩阵;(2)利用建立的卷积核、偏差矩阵与训练图像进行卷积运算;(3)通过relu的激活函数矫正卷积运算的结果;(4)池化操作,池化操作是一种在保留图像大部分重要信息的基础上缩小图像的方法本申请中池化方式包括但不限于均值采样、最大值采样、重叠采样、均方采样、归一化采样、随即采样、形变约束采样等等;(5)重复上述(1)~(4)3次;(6)直至训练的模型的价值函数梯度下降,结束模型训练;此外,在模型上线应用过程中,若系统发现异常图像后,可补充发现的异常图像继续对该卷积神经网络模型进行训练,以不断提升该卷积神经网络模型的识别精度;建立卷积神经网络图像分类模型后,即可利用卷积神经网络图像分类模型进行分类,将待鉴定图像输入至训练好的卷积神经网络图像分类模型,可通过训练好的卷积神经网络图像分类模型输出该待鉴定图像属于各个预设图像类别的概率,即该待鉴定图像属于赝品的概率P0,该待鉴定图像属于待验证的概率P1,该待鉴定图像属于真品类别的概率P2;可对待鉴定图像进行格式判断,本申请中,只支持彩色照片,如果是视频,则将视频截帧成多张图像,以备后续使用。具体地,判断待鉴定图像还是视频:一是通过待鉴定文件后缀名来判断,二是通过待鉴定文件的二进制格式的文件头来判断;在利用卷积神经网络图像分类模型输出待鉴定图像属于各个预设类别的概率(P0,P1,P2),并判断出待鉴定材料的格式后,可综合(P0,P1,P2)及待鉴定图像的格式,以及预设规则最终鉴定出待鉴定产品是否为真品;具体地:
若判断出待鉴定文件为视频,则将该待鉴定视频材料截帧成多张图像,对截帧的每一帧图像分别利用卷积神经网络图像分类模型输出属于各个预设图像类别的概率(P0,P1,P2),并利用上述规则方法对每一帧图像进行鉴定,根据该待鉴定图的每一帧图像的鉴定结果来综合判定该待鉴定视频材料是否属于真品;若有一帧图像被鉴定为赝品类别,则直接判定该待鉴定视频产品属于赝品。若有两帧图像的P0’均大于第二阈值(60%或70%),则判定该待鉴定视频产品属于赝品;
在该步骤中,具体的卷积神经网络应用如下:
将获取的图像,进行切割,得到每个内容所对应的字段图;涉及字段的通过OCR识别得出字段图里面的文字信息,再通过卷积神经网络算法识别出字段图内的数字信息;然后对各个字段或图像所识别出的内容进行汇总,得出图像的所有准确信息;
卷积神经网络算法主要用三种结构实现对输入的局部平移不变性:局部接收域、权值共享和次子样;在卷积层中,前一层的特征图被一个可学习的卷积核进行卷积,再通过一个激活函数,既可以得到这一层的输出特征图;卷积的形式如式(1)所示:
ζ代表卷积神经网络结构层数,j表示从ζ-1层到ζ的卷积核,i表示第i个单元,K是卷积核,Mj表示的是输入特征图的集合,代表特征图的选择,b表示每个输出图的偏置值;j表示从多个特征图集合中选择第j个特征图集合进行计算,其中i表示Mj特征图集合的第i个特征图;
在子采样层中,如果有N个输入特征图,就有N个输出特征图,只是每个输出特征图都变小了;子采样层的形式如公式(2)所示:
down(.)表示一个子采样函数,该操作是对输入图像的一个n*n大小的区域求和;这样输出图像在两个维度上都缩小了n倍;每个输出特征图都对一个乘性偏置β和一个加性偏置b;j表示从多个特征图集合中选择第j个特征图集合进行计算;
训练算法分为两个阶段,第一阶段,向前传播阶段:d.从样本集中取一个样本(X,YP),将X输入网络;e.计算相应的实际输出Op为公式(3)所示:
Op=Fn(...(F2(F1(XpW(1)W(2))...)W(n))) (3)
Xp为第p个输入网络,W(1)、W(2)为对应层的权重,Fn表示每一层的计算表达式;Op为实际输出;
第二阶段向后传播阶段:f.计算实际输出Op与相应的理想输出YP的差;g.按极小化误差的方法反向传播调整权矩阵;
通过在线自动生成0-9序列号的工具,生成1000组数据,将这些图像上的字符归一化为48*48大小,用600组作为训练集,400组作为测试集,对卷积网络进行训练。
步骤三、设立数据分析阈值;根据不同的物品真品,设置相应的阈值;设定的方法具体如下:
所述预设第一阈值与所述预设第二阈值可以相同也可以不同,例如,可设置所述预设第一阈值为40%,所述预设第二阈值为30%;
步骤四、获取图像,进行数据分析处理;对步骤三中所识别的信息进行数据对比分析;系统控制模块启动命令,指导用户获取实物图像,在收到待鉴定图像后,检测所述待鉴定图像的图像格式,并利用预先训练的图像分类模型对所述待鉴定图像进行识别,输出所述待鉴定图像属于一个或多个预设图像类别的概率值;其中,所述图像分类模型为卷积神经网络模型,该卷积神经网络模型是预先利用所述预设图像类别的样本图像进行训练得到的;通过判断RGB值的算法,判断待鉴定图像是否是是彩色照片,并且对彩色照片进行标记。
该样本训练的准备阶段分别围绕色彩样本训练和特征部位样本训练展开;色彩样本训练,首先收集足够数量的真品色彩样本,获得色彩灰度直方图,然后通过高斯混合模型来逼近色彩灰度直方图,采用EM迭代算法求出模型参数。特征部位样本训练,首先收集足够数量的特征部位样本,然后通过Adaboost算法训练出一个级联的分类器;所述通过Adaboost算法训练出一个级联的分类器级联数量在20个以上;在上述技术方案中,色彩检测是先将待检图像的长、宽分别等分10份,形成100个单元格,取这些单元格的中心点作为该单元格的代表,如果判定该中心点是色彩点,那么该中心点所处的单元格即为色彩格;在判定该中心点是否为色彩点时,将该中心点的灰度值分解到RGB空间中的R、G、B的三个分量上,代入到在准备阶段中建立的高斯混合模型中,获得其成为色彩点的概率,如果这三个分量都大于其相应的阈值,则判决该中心点为色彩点,所在的单元格为色彩格;对于划分的每一个单元格,都重复以上的判决,从而获得色彩区域;如果该色彩区域的面积占整个图像的1/2以上,则继续进行特征部位检测,否则不把该图像判断为赝品。
获取要识别的图像,对图像进行整体轮廓识别,并生成轮廓识别信息,所述轮廓识别信息包括
对所述图像进行色彩识别,并生成色彩识别信息;对所述图像进行像素识别,并形成像素识别信息;
图像的获取可以是用户利用照相功能获取的图像,也可以是用户利用截屏功能获取的图像,还可以是用户利用图像下载功能获取的图像,本领域技术人员和用户可以根据需要和终端设备的功能进行设置;对所述图像进行整体轮廓识别,并生成轮廓识别信息。
其中,根据图像中显示事物的棱角或明暗交界等对图像进行整体轮廓识别,例如,人物的轮廓,物品的轮廓等,通过对所述图像进行整体轮廓识别,能够获取图像的识别主体和环境,根据识别主体和环境可以对识别图像进行分类,将其分成人物、事物、风景等多个种类,以便图像的识别,从而提高了图像识别的速率。
对所述图像进行色彩识别,并生成色彩识别信息。
其中,由于图像存在多种颜色,通过对图像不同位置的色彩进行识别能够更加准确的识别图像,在色彩识别过程中首先对图像及逆行那个分割,将其分割成多个小区域,以便图像识别中的定位,以每个小区域为单位对区域内图像的颜色、亮度、色阶等色彩因子进行识别,将每个小区域的色彩因子汇总生成色彩信息,并将全部的色彩信息汇总生成色彩识别信息
步骤A1:获取图像样本数据库,并利用特征提取算法对所述样本数据库中的每个图像进行特征提取,得到每个图像特征向量;
步骤A2:利用特征提取算法对所述待查询的图像进行特征提取,得到待查询的图像的特征向量;
步骤A3:将步骤A2中得到的待查询的图像的特征向量与步骤A1中得到的每个图像的所有特征向量进行对比,并计算所述待查询图像与所述样本数据库中已有图像的加权相似度;若相似度达到设定的相似度阈值,则认为是同一产品;若相似度超过设定的相似度阈值则执行步骤A4;
步骤A4:对所有超过所述相似度阀值的图像集合采用均值漂移聚类算法进行聚类分析;记录与所述待查询的图像相似度最高的集合所在的类;
步骤A5:根据聚类分析结果将每个类对应的产品图像集合进行合并,并得到合并后的图像集合唯一ID;同时,更新所述样本数据库和图像抓拍记录表;
步骤A6:利用所述合并后的图像集合唯一ID查询图像抓拍记录表,获得所有相同ID的抓拍记录。
步骤A5-1:将每一类各个集合按加权取出N*ai/(a1+a2+…am),合并成新的集合,合并后的图像集合不会超过最大限制N张图像;m表示每一类中有m个集合,ai表示每个集合中有ai张样品图像;
步骤A5-2:将每个类内最大集合的唯一ID作为合并后的ID,并更新图像抓拍记录表;
步骤A5-3:对每一类内没有被合并的其它图像及合并前的集合做清除处理,即从所述样本数据库中清除;
步骤A5-4:对所述待查询的图像,获取相似度最高的集合所在的类合并后的唯一ID。
较佳的,在本申请中,计算加权相似度的方式为:不同的相似度对应不同的加权系数,例如,当相似度超过85%时,加权系数为2,当相似度处于75%-85%之间,加权系数为1.5,当相似度处于70%-75%之间,加权系数为1.2。
在数据分析处理过程中,还采用传统的Bag-of-Words算法,主要包括以下的步骤:步骤B1对图像库中的每个图像内容关键点的局部描述算子进行提取;步骤B2对提取的描述算子进行聚类,得到一组具有代表性的描述算子;步骤B3对描述算子进行量化,得到图像的整体特征;步骤B4基于特征,训练分类器;步骤B5对于用户新拍摄的图像,进行特征提取,输入到分类器,得到景观类别,从而找到最匹配的图像;本发明中采用Daisy算子来实现密集点采样。因为Daisy算子采用了最先进的高斯权重化和环形对称核映射,它实现起来更加高效,而且实验证明它的效果高于目前世界上普遍采用的SIFT局部算子,Daisy与SIFT算子都具有很强的鲁棒性,即对于图像的光照变化、角度变化、尺度变化、遮挡等不良条件均不敏感,且Daisy算子涉及一系列的卷积操作,而这种操作正适合实际应用中的软硬件系统开发,满足实时性的要求。基于各种世界上普遍采用的局部特征算子和Daisy的效果比较,我们可以得出Daisy算子是在同等条件下图像识别准确度最高的。
在采用Daisy算子提取到图像的局部特征后,将局部特征算子进行聚类。目前聚类的算法有很多种,较为有效的是结构化的分层聚类算法,其具有高效、高识别率的特点。分层聚类算法将特征算子空间逐渐细分,达到高效的目的。
经过分层聚类,得到树形结构的局部特征算子。将一个图像的所有Daisy局部算子分层量化,得到一个高维直方图,我们拟采用该直方图作为图像的整体特征,用于之后的图像分类。分类时,需要特征距离的计算。
步骤五、数据保存;所述测试操作包括点击操作、输入操作、拖动操作或缩放操作;对确定的每个所述操作点执行对应的所述测试操作,并保存每次执行所述测试操作后的结果界面;并根据所述结果界面为所述当前交点和对应的所述训练操作设置分值;
步骤六、识别信息展示,提供建议。重置训练界面,继续训练,直至训练次数或训练时间达到设定阈值。
本申请中,所述识别系统能够指导用户按照系统提供的指导信息进行拍照,比如在拍正面图片的时候,提供正面图框,侧面图框,局部细节显示图框,在拍摄视频的图像的时候,会显示箭头,提供拍摄的方向,并显示手机移动的拍摄速度;所述系统还能够人工智能识别光线,自动辨识识别的角度等。
在训练过程中,如果所述交点和对应的所述训练操作的分值为0的次数大于设定次数阈值,舍弃所述交点和对应的所述训练操作;
当在预设时间和/或预设次数中检测到执行连续步骤的训练操作所对应的所述分值的总和低于设定分数阈值时,舍弃所述训练操作;根据所述当前显示界面的内容确定测试点和所述测试点对应的测试操作之前,还包括:在所述当前显示界面内随机选择测试点并随机执行测试操作,直至执行所述测试操作的次数达到预设次数。
有益效果
本发明的效果是不需要在商品包装上埋入防伪信息,该方法具有识别精度高及对原图像破坏性小的特点,无需其它的扫描输入设备,利用手机即可识别。利用现在已经普及的手机作为识别商品真伪,例如烟酒等商品真伪的工具。通过手机拍照商品的包装,通过与手机系统预存的真品信息进行数据比对,就可以实现自动上网验证商品的真伪。比之以往所使用的鉴别方法,完全利用商品现有的包装图案,做到了既不改变商品包装原有的图形设计和整体美观,也不需要额外的空间加载防伪信息,同时又做到了防伪鉴别。消费者只要利用安装了识别软件的手机,将手机拍摄的解读信息发送到该产品的防伪系统,经防伪系统判定后回复消费者。用手机拍照输入方式极大地简化了消费者的查询输入操作,在防伪效果上,能够做到准确,迅速,便捷;抗磨损性能强,即使图像有一定磨损,软件也可以进行识别。识别出的信息可用于判断商品真伪,进行网络的通信,同时还可以通过网络进行包括声音,图像在内的至少一种多媒体传输,网络游戏,手机翻译在内的至少一种手机增值服务,具有良好的发展前景。
了通过对图像的整体轮廓和色彩进行识别,并将生成的轮廓识别信息和色彩识别信息与识别库中的识别信息比对,进行图像识别,实现了对图像本身的识别,能够针对图像的轮廓和色彩进行准确识别,提高了图像识别的速度和准确性的技术效果。
经过与传统的识别系统相对比,本申请的技术方案实现了人工智能的自学习,能够通过不断的图像训练,增加识别的范围和准确度,相对于传统识别方法,能够做到全范围的识别,同时现有准确度能够达到95%以上,识别速度也比现有识别系统提高了30%以上。
具体实施方式
实施例1
一种手机使用的人工智能识别系统,所述系统包括:系统登录模块,系统控制模块,数据获取模块,数据存储模块,数据分析处理模块;其中,所述系统登录模块与系统控制模块连接;当用户通过系统模块验证后,所述系统控制模块发出验证通过信息,登录进入所述识别系统。
所述系统控制模块向与其连接的数据获取模块发送指令,启动数据获取模块,所述数据获取模块启动手机相机模块,通过手机拍照获取所需要识别产品的图像文件,并将所述图像文件传输给所述数据存储模块。
所述系统控制模块向与其连接的数据分析处理模块发出指令,所述数据分析处理模块按照所述系统控制模块的指令,对所述的图像数据进行分析比对,并对分析比对的结果进行打分,给出打分的依据,并将分数以及所述依据传输到显示界面。
所述系统登录模块设置有身份验证单元。
所述数据存储模块设置有两个单元,一个是图像文件存储单元,用于存储所述数据获取模块传输的数据文件,另一个是比对数据存储单元,用于存储用于与图像文件存储单元的数据文件进行数据比对的单元。
所述数据分析处理模块设置有记录单元,用于记录识别的过程,每个识别的图像对应一个文件;所述分析处理模块设置有分值设置模块和分值累积模块,用于根据所述结果界面设置出现所述结果界面对应的所述操作点和所述测试操作的分值;分值累积模块,用于累积所有所述操作点和所述测试操作对应的分值,将累积后得到的分值作为所述当前显示界面的分值。
所述人工智能识别系统还设置有系统动作模块,所述系统动作模块与所述系统控制模块连接,用于根据所述当前显示界面的内容确定操作内容和所述操作内容对应的测试操作,所述测试操作包括点击操作、输入操作、拖动操作或缩放操作;用于对确定的每个所述操作点执行对应的所述测试操作,并保存每次执行所述测试操作后的结果界面;所述动作模块具备记忆单元,能否存储所有操作记录,便于人工复核。
所述人工智能识别系统还设置有测试结果生成模块,用于根据所述测试内容结果的分值生成所述目标对象的测试结果。
所述应答测试系统还设置有系统人工智能建议模块,根据测试的数据结果,提供对应图像打分的依据。
所述人工智能识别系统还设置有与所述控制系统连接的分值设置模块,对于分值设置有不同的规则,用于根据结果界面设置出现结果界面对应的操作点和测试操作的分值;不同的操作内容和测试操作对于软件测试的贡献度不同,因而可以通过分值来客观的衡量测试操作的贡献度。
所述应答测试系统还设置有与所述分值设置模块连接的报表展示模块,用于整理分析器组件传递过来的数据,并转化为HTML或PDF报表。
一种所述人工智能识别系统的应用,所述应用的步骤如下:
步骤一、登录系统;
步骤二、建立数据信息;
步骤三、设立数据分析阈值;
步骤四、数据分析处理;
步骤五、数据保存;
所述测试操作包括点击操作、输入操作、拖动操作或缩放操作;对确定的每个所述操作点执行对应的所述测试操作,并保存每次执行所述测试操作后的结果界面;并根据所述结果界面为所述当前交点和对应的所述训练操作设置分值;
步骤六、重置训练界面,继续训练,直至训练次数或训练时间达到设定阈值。
在训练过程中,如果所述交点和对应的所述训练操作的分值为0的次数大于设定次数阈值,舍弃所述交点和对应的所述训练操作。
当在预设时间和/或预设次数中检测到执行连续步骤的训练操作所对应的所述分值的总和低于设定分数阈值时,舍弃所述训练操作;根据所述当前显示界面的内容确定测试点和所述测试点对应的测试操作之前,还包括:在所述当前显示界面内随机选择测试点并随机执行测试操作,直至执行所述测试操作的次数达到预设次数。
实施例2
一种手机使用的人工智能识别系统,所述系统包括:系统登录模块,系统控制模块,数据获取模块,数据存储模块,数据分析处理模块;其中,所述系统登录模块与系统控制模块连接;当用户通过系统模块验证后,所述系统控制模块发出验证通过信息,登录进入所述识别系统。
所述系统控制模块向与其连接的数据获取模块发送指令,启动数据获取模块,所述数据获取模块启动手机相机模块,使用华为、苹果1600万以上像素的手机,或者有德国蔡司镜头手机设备及60倍(或者60倍以上)手机专用微距镜头进行拍摄,获取所需要识别产品的图像文件,需要识别产品包括字画,在1600万以上像素的手机中获取放大至纸张纤维结构的字画信息(微观物理结构),每一张字画的纤维结构是唯一的,或者是独一无二的,局部的字画的其纤维结构更是如此,需要识别产品包括瓷器,瓷器的显微物理结构也是唯一的,或者是独一无二的。
数据获取模块有记录单元,用于记录识别的图像文件数据,每个识别的图像对应一个文件,例如字画,将字画分成若干个图像,形成若干个对应的数据文件;例如瓷器,将瓷器的三维空间立体图分成若干个图像,形成若干个对应的数据文件。
将所述图像文件传输给所述数据存储模块;所述系统控制模块向与其连接的数据分析处理模块发出指令,所述数据分析处理模块按照所述系统控制模块的指令,对所述的图像数据进行分析比对,并对分析比对的结果进行打分,给出打分的依据,并将分数以及所述依据传输到显示界面。
所述系统登录模块设置有身份验证单元。
所述数据存储模块设置有两个单元,一个是图像文件存储单元,用于存储所述数据获取模块的传输的记录单元数据文件(被测试物品),另一个是比对数据存储单元,用于存储用于与图像文件存储单元的数据文件(被测试物品)进行数据比对,比对数据存储单元中存储字画或者瓷器的原作,将原作的字画分成若干个图像,形成若干个对应的存储文件(原件物品);或者将瓷器的三维空间立体图分成若干个图像,形成若干个对应的存储文件(原件物品),所述的文件存储在比对数据存储单元。
将数据获取模块的记录单元形成的数据文件进行数据编号,比对数据存储单元中存储的存储文件同样进行存储编号,将数据编号与存储编号一一对应,作为识别比对依据。
所述数据分析处理模块设置有记录单元,用于记录识别比对的过程,记录识别比对的过程步骤为:将数据编号与存储编号按照顺序一一对应的关系进行比对,或者数据编号与存储编号按照无序顺序对应的关系进行比对,每个识别的结果对应一个识别文件;识别文件被设置分值存储于分值设置模块,所述分析处理模块设置有分值设置模块和分值累积模块,用于根据所述结果界面设置出现所述结果界面对应的所述操作点和所述测试操作的分值;分值累积模块,用于累积所有所述操作点和所述测试操作对应的分值,将累积后得到的分值作为所述当前显示界面的分值。分值高的结果对应于一个数据文件(被测试物品)与一个存储文件(原件物品),对于字画或者瓷器,相当于一个数据文件(被测试物品)与一个存储文件(原件物品)的图像内容最为接近。
所述人工智能识别系统还设置有系统动作模块,所述系统动作模块与所述系统控制模块连接,用于根据所述当前显示界面的内容确定操作内容和所述操作内容对应的测试操作,所述测试操作包括点击操作、输入操作、拖动操作或缩放操作;用于对确定的每个所述操作点执行对应的所述测试操作,并保存每次执行所述测试操作后的结果界面;所述动作模块具备记忆单元,能否存储所有操作记录,便于人工复核。
所述人工智能识别系统还设置有测试结果生成模块,用于根据所述测试内容结果的分值生成所述目标对象的测试结果,测试结果为对应的一个数据文件与一个存储文件,将这个数据文件(被测试物品)和存储文件(原件物品)放大至微观物理结构、纸张纤维结构进行比对,得出是否一致的数据结果。
所述应答测试系统还设置有系统人工智能建议模块,根据测试的数据结果,提供对应图像打分的依据。
所述人工智能识别系统还设置有与所述控制系统连接的分值设置模块,对于分值设置有不同的规则,用于根据结果界面设置出现结果界面对应的操作点和测试操作的分值;不同的操作内容和测试操作对于软件测试的贡献度不同,因而可以通过分值来客观的衡量测试操作的贡献度。
所述应答测试系统还设置有与所述分值设置模块连接的报表展示模块,用于整理分析器组件传递过来的数据,并转化为HTML或PDF报表。
一种所述人工智能识别系统的应用,所述应用的步骤如下:
步骤一、登录系统;
步骤二、建立数据信息;
步骤三、设立数据分析阈值;
步骤四、数据分析处理;
步骤五、数据保存;
所述建立数据信息步骤包括:建立数据文件(被测试物品)和建立存储文件(原件物品);
所述测试操作包括点击操作、输入操作、拖动操作或缩放操作;对确定的每个所述操作点执行对应的所述测试操作,并保存每次执行所述测试操作后的结果界面;并根据所述结果界面为所述当前交点和对应的所述训练操作设置分值;
步骤六、识别信息展示,提供建议。重置训练界面,继续训练,直至训练次数或训练时间达到设定阈值。
在训练过程中,如果所述交点和对应的所述训练操作的分值为0的次数大于设定次数阈值,舍弃所述交点和对应的所述训练操作;
当在预设时间和/或预设次数中检测到执行连续步骤的训练操作所对应的所述分值的总和低于设定分数阈值时,舍弃所述训练操作;根据所述当前显示界面的内容确定测试点和所述测试点对应的测试操作之前,还包括:在所述当前显示界面内随机选择测试点并随机执行测试操作,直至执行所述测试操作的次数达到预设次数;
所述数据分析处理步骤包括:将数据文件(被测试物品)和存储文件(原件物品)放大至微观物理结构、纸张纤维结构进行比对,得出是否一致的数据结果。
表1本申请实施例1和2识别结果
最后应说明的是:显然,上述实施例仅仅是为清楚地说明本申请所提出的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本申请的保护范围之中。
Claims (9)
1.一种手机使用的人工智能识别系统,其特征在于,所述系统包括:系统登录模块,系统控制模块,数据获取模块,数据存储模块,数据分析处理模块;其中,所述系统登录模块与系统控制模块连接;当用户通过系统控制模块验证后,所述系统控制模块发出验证通过信息,用户登录进入所述识别系统;根据用户名,控制模块区别是用户还是管理员身份;
所述系统控制模块向与其连接的数据获取模块发送指令,启动数据获取模块,所述数据获取模块启动手机相机模块,通过手机拍照获取所需要识别产品的图像文件,并将所述图像文件传输给所述数据存储模块;所述数据获取模块中设置有方向指向装置,所述方向指向装置为电子陀螺仪或电子罗盘,用于指引拍摄者的方向和角度。
所述系统控制模块向与其连接的数据分析处理模块发出指令,所述数据分析处理模块按照所述系统控制模块的指令,对所述的图像数据进行分析比对,并对分析比对的结果进行打分,给出打分的依据,并将分数以及所述依据传输到显示界面。
2.根据权利要求1所述的人工智能识别系统,其特征在于,所述系统登录模块设置有身份验证单元。
3.根据权利要求1所述的人工智能识别系统,其特征在于,所述数据存储模块设置有两个单元,一个是图像文件存储单元,用于存储所述数据获取模块传输的数据文件,另一个是比对数据存储单元,用于存储用于与图像文件存储单元的数据文件进行数据比对的单元。
4.根据权利要求1所述的人工智能识别系统,其特征在于,所述数据分析处理模块设置有记录单元,用于记录识别的过程,每个识别的图像对应一个文件;所述分析处理模块设置有分值设置模块和分值累积模块,用于根据所述结果界面设置出现所述结果界面对应的所述操作点和所述测试操作的分值;不同的操作内容和测试操作对于系统识别的贡献度不同,因而可以通过分值来客观的衡量测试操作的贡献度;分值累积模块,用于累积所有所述操作点和所述测试操作对应的分值,将累积后得到的分值作为所述当前显示界面的分值。
5.根据权利要求1所述的人工智能识别系统,其特征在于,所述人工智能识别系统还设置有系统动作模块,所述系统动作模块与所述系统控制模块连接,用于根据所述当前显示界面的内容确定操作内容和所述操作内容对应的测试操作,所述测试操作包括点击操作、输入操作、拖动操作或缩放操作;用于对确定的每个所述操作点执行对应的所述测试操作,并保存每次执行所述测试操作后的结果界面;所述动作模块具备记忆单元,能够存储所有操作记录,便于人工复核。
6.根据权利要求1所述的人工智能识别系统,其特征在于,所述人工智能识别系统还设置有测试结果生成模块,所述测试结果生成模块与所述系统控制模块连接,用于根据所述测试内容结果的分值生成所述目标对象的测试结果。
7.根据权利要求1所述的人工智能识别系统,其特征在于,所述人工智能识别系统还设置有人工智能建议模块,根据测试的数据结果,提供对应图像的建议、依据。
8.根据权利要求1所述的人工智能识别系统,其特征在于,所述识别系统优选使用华为、苹果1600万以上像素,德国蔡司镜头手机设备,以60倍手机专用微距镜头进行介质拍摄作为基准;
所述人工智能识别系统还设置有与所述分值累计模块连接的展示模块,用于整理分析所述分析处理模块传递过来的数据,并转化为HTML或PDF文件。
9.一种权利要求1所述人工智能识别系统的应用,其特征在于,所述应用的步骤如下:
步骤一、登录系统;
步骤二、建立数据信息模型;
步骤三、设立数据分析阈值;
步骤四、获取图像,进行数据分析处理;对步骤三中所识别的信息进行数据对比分析;
步骤五、数据保存;
步骤六、识别信息展示,提供建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010223628.3A CN111429156A (zh) | 2020-03-26 | 2020-03-26 | 一种手机使用的人工智能识别系统及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010223628.3A CN111429156A (zh) | 2020-03-26 | 2020-03-26 | 一种手机使用的人工智能识别系统及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111429156A true CN111429156A (zh) | 2020-07-17 |
Family
ID=71550281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010223628.3A Pending CN111429156A (zh) | 2020-03-26 | 2020-03-26 | 一种手机使用的人工智能识别系统及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111429156A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3961482A1 (en) * | 2020-08-31 | 2022-03-02 | Check it out Co., Ltd. | System and method for verifying authenticity of an anti-counterfeiting element, and method for building a machine learning model used to verify authenticity of an anti-counterfeiting element |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108717524A (zh) * | 2018-04-28 | 2018-10-30 | 天津大学 | 一种基于双摄手机和人工智能系统的手势识别系统及方法 |
CN108846330A (zh) * | 2018-05-30 | 2018-11-20 | 中科智文(北京)科技有限公司 | 一种纸张字画显微图像智能识别系统及识别方法 |
CN109801161A (zh) * | 2019-03-13 | 2019-05-24 | 上海诚数信息科技有限公司 | 智能信用和信息认证系统及方法 |
CN110908919A (zh) * | 2019-12-02 | 2020-03-24 | 上海市软件评测中心有限公司 | 一种基于人工智能的应答测试系统及其应用 |
-
2020
- 2020-03-26 CN CN202010223628.3A patent/CN111429156A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108717524A (zh) * | 2018-04-28 | 2018-10-30 | 天津大学 | 一种基于双摄手机和人工智能系统的手势识别系统及方法 |
CN108846330A (zh) * | 2018-05-30 | 2018-11-20 | 中科智文(北京)科技有限公司 | 一种纸张字画显微图像智能识别系统及识别方法 |
CN109801161A (zh) * | 2019-03-13 | 2019-05-24 | 上海诚数信息科技有限公司 | 智能信用和信息认证系统及方法 |
CN110908919A (zh) * | 2019-12-02 | 2020-03-24 | 上海市软件评测中心有限公司 | 一种基于人工智能的应答测试系统及其应用 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3961482A1 (en) * | 2020-08-31 | 2022-03-02 | Check it out Co., Ltd. | System and method for verifying authenticity of an anti-counterfeiting element, and method for building a machine learning model used to verify authenticity of an anti-counterfeiting element |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10755084B2 (en) | Face authentication to mitigate spoofing | |
Moses et al. | Automated fingerprint identification system (AFIS) | |
Golwalkar et al. | Masked-face recognition using deep metric learning and FaceMaskNet-21 | |
Wang et al. | Expression of Concern: Facial feature discovery for ethnicity recognition | |
WO2016131083A1 (en) | Identity verification. method and system for online users | |
WO2018072028A1 (en) | Face authentication to mitigate spoofing | |
CN110502694A (zh) | 基于大数据分析的律师推荐方法及相关设备 | |
Praseetha et al. | Secure fingerprint authentication using deep learning and minutiae verification | |
WO2002009024A1 (en) | Identity systems | |
Goud et al. | Smart attendance notification system using SMTP with face recognition | |
Al Qudah et al. | Using Artificial Intelligence Applications For E-Government Services As Iris Recognition | |
CN111429156A (zh) | 一种手机使用的人工智能识别系统及其应用 | |
Lamsal | COUNTERFIET PAPER BANKNOTE IDENTIFICATION BASED ON COLOR AND TEXTURE | |
Chawla et al. | Classification of computer generated images from photographic images using convolutional neural networks | |
Begum et al. | A novel approach for multimodal facial expression recognition using deep learning techniques | |
Kaya et al. | Copy-move forgery detection in digital forensic images using CNN | |
Bouma et al. | Authentication of travel and breeder documents | |
EP3958171A1 (en) | Automatic method to determine the authenticity of a product | |
Hannan et al. | Analysis of Detection and Recognition of Human Face Using Support Vector Machine | |
Acharjya et al. | A review on forensic science and criminal investigation through a deep learning framework | |
Cenys et al. | Genetic algorithm based palm recognition method for biometric authentication systems | |
Tan et al. | The impact of data correlation on identification of computer-generated face images | |
Blessy et al. | Deep Learning Approach to Offline Signature Forgery Prevention | |
Suresh et al. | Deep learning-based image forgery detection system | |
Kiran et al. | Digital signature forgery detection using CNN |
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 |