CN111523605B - 一种图像识别方法、装置、电子设备及介质 - Google Patents
一种图像识别方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN111523605B CN111523605B CN202010350508.XA CN202010350508A CN111523605B CN 111523605 B CN111523605 B CN 111523605B CN 202010350508 A CN202010350508 A CN 202010350508A CN 111523605 B CN111523605 B CN 111523605B
- Authority
- CN
- China
- Prior art keywords
- image
- similarity
- feature vector
- identified
- sample image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种图像识别方法、装置、电子设备及介质，涉及计算机视觉技术领域，可以提高识别产品真伪的准确度。本发明实施例的技术方案包括：获取待识别图像，然后提取待识别图像的特征向量，再根据待识别图像的特征向量与正样本图像的特征向量之间的相似度，确定待识别产品的真伪，其中，待识别图像为待识别产品的图像，正样本图像为所述待识别产品的真品图像。
Description
技术领域
本发明涉及计算机视觉技术领域，特别是涉及一种图像识别方法、装置、电子设备及介质。
背景技术
在利益的驱使下，市场上产品的仿制品众多，由于仿制品的质量无法得到保证，可能危害消费者的身体健康，而且仿制品的存在不但影响真品的口碑，还影响了真品的销售，严重损害了生产真品企业的利益。
目前，辨别产品真伪的方式主要是通过人工对比检验样品与真品的加工工艺和印刷工艺等，以判定检验样品的真伪。然而这种方法主要依赖于检验人员的经验，不同检验人员对于产品的颜色、尺寸等敏感度存在差异，使得判定结果主观性较强。因此，利用人工判定产品真伪的方式，判定的准确度较低。
发明内容
本发明实施例的目的在于提供一种图像识别方法、装置、电子设备及介质，以实现提高识别产品真伪的准确度。具体技术方案如下：
第一方面，本发明实施例提供了一种图像识别方法，所述方法包括：
获取待识别图像，所述待识别图像为待识别产品的图像；
提取所述待识别图像的特征向量；
根据所述待识别图像的特征向量与正样本图像的特征向量之间的相似度，确定所述待识别产品的真伪，所述正样本图像为所述待识别产品的真品图像。
可选的，在所述根据所述待识别图像的特征向量与正样本图像的特征向量之间的相似度，确定所述待识别产品的真伪之前，所述方法还包括：
获取样本图像集，所述样本图像集包括正样本图像和负样本图像，所述负样本图像为所述待识别产品的伪品图像；
提取各样本图像的特征向量；
针对每个负样本图像，确定所述负样本图像的特征向量与每个正样本图像的特征向量之间的相似度值；
基于所述负样本图像的特征向量与每个正样本图像的特征向量之间的相似度值，确定所述负样本图像与所述样本图像集包括的正样本图像的整体相似度值；
将各负样本图像对应的整体相似度值中，所表示的相似度最高的整体相似度值作为负类相似度阈值；
针对每个正样本图像，确定所述正样本图像的特征向量与其他正样本图像的特征向量之间的相似度值；
基于所述正样本图像的特征向量与其他正样本图像的特征向量之间的相似度值，确定所述负样本图像与所述样本图像集包括的正样本图像的整体相似度值；
将各正样本图像对应的整体相似度值中，所表示的相似度最低的整体相似度值作为正类相似度阈值；
根据所述负类相似度阈值和/或所述正类相似度阈值，确定分类边界值。
可选的，所述根据所述负类相似度阈值和/或所述正类相似度阈值，确定分类边界值，包括：
将所述负类相似度阈值作为所述分类边界值；或者，
将所述正类相似度阈值作为所述分类边界值；或者，
将所述负类相似度阈值和所述正类相似度阈值的平均值，作为所述分类边界值。
可选的，所述根据所述待识别图像的特征向量与正样本图像的特征向量之间的相似度，确定所述待识别产品的真伪，包括：
确定所述待识别图像的特征向量与每个正样本图像的特征向量之间的相似度值；
基于所述待识别图像的特征向量与每个正样本图像的特征向量之间的相似度值，确定所述待识别图像与所述样本图像集包括的正样本图像的整体相似度值；
若所述待识别图像对应的整体相似度值所表示的相似度大于所述分类边界值所表示的相似度，则确定所述待识别产品为真品；
若所述待识别图像对应的整体相似度值所表示的相似度不大于所述分类边界值所表示的相似度，则确定所述待识别产品为伪品。
可选的，所述提取所述待识别图像的特征向量，包括：
对所述待识别图像进行图像灰度转换，获得所述待识别图像的灰度图；
根据所述灰度图，提取所述待识别图像的特征向量，所述特征向量包括多个元素，每个元素对应一个指定亮度，每个元素为所述灰度图中，该元素对应的指定亮度的像素点的数量。
第二方面，本发明实施例提供了一种图像识别装置，所述装置包括：
获取模块，用于获取待识别图像，所述待识别图像为待识别产品的图像；
提取模块，用于提取所述获取模块获取的所述待识别图像的特征向量；
确定模块，用于根据所述提取模块提取的所述待识别图像的特征向量与正样本图像的特征向量之间的相似度，确定所述待识别产品的真伪，所述正样本图像为所述待识别产品的真品图像。
可选的，所述获取模块，还用于在所述根据所述待识别图像的特征向量与正样本图像的特征向量之间的相似度，确定所述待识别产品的真伪之前，获取样本图像集，所述样本图像集包括正样本图像和负样本图像，所述负样本图像为所述待识别产品的伪品图像；
所述提取模块，还用于提取各样本图像的特征向量；
所述确定模块，还用于针对每个负样本图像，确定所述负样本图像的特征向量与每个正样本图像的特征向量之间的相似度值；
所述确定模块，还用于基于所述负样本图像的特征向量与每个正样本图像的特征向量之间的相似度值，确定所述负样本图像与所述样本图像集包括的正样本图像的整体相似度值；
所述确定模块，还用于将各负样本图像对应的整体相似度值中，所表示的相似度最高的整体相似度值作为负类相似度阈值；
所述确定模块，还用于针对每个正样本图像，确定所述正样本图像的特征向量与其他正样本图像的特征向量之间的相似度值；
所述确定模块，还用于基于所述正样本图像的特征向量与其他正样本图像的特征向量之间的相似度值，确定所述负样本图像与所述样本图像集包括的正样本图像的整体相似度值；
所述确定模块，还用于将各正样本图像对应的整体相似度值中，所表示的相似度最低的整体相似度值作为正类相似度阈值；
所述确定模块，还用于根据所述负类相似度阈值和/或所述正类相似度阈值，确定分类边界值。
可选的，所述确定模块，具体用于：
将所述负类相似度阈值作为所述分类边界值；或者，
将所述正类相似度阈值作为所述分类边界值；或者，
将所述负类相似度阈值和所述正类相似度阈值的平均值，作为所述分类边界值。
可选的，所述确定模块，具体用于：
确定所述待识别图像的特征向量与每个正样本图像的特征向量之间的相似度值；
基于所述待识别图像的特征向量与每个正样本图像的特征向量之间的相似度值，确定所述待识别图像与所述样本图像集包括的正样本图像的整体相似度值；
若所述待识别图像对应的整体相似度值所表示的相似度大于所述分类边界值所表示的相似度，则确定所述待识别产品为真品；
若所述待识别图像对应的整体相似度值所表示的相似度不大于所述分类边界值所表示的相似度，则确定所述待识别产品为伪品。
可选的，所述提取模块，具体用于：
对所述待识别图像进行图像灰度转换，获得所述待识别图像的灰度图；
根据所述灰度图，提取所述待识别图像的特征向量，所述特征向量包括多个元素，每个元素对应一个指定亮度，每个元素为所述灰度图中，该元素对应的指定亮度的像素点的数量。
第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一图像识别方法的步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一确定图像识别方法的步骤。
第五方面，本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一图像识别方法。
本发明实施例的技术方案至少可以带来以下有益效果：由于本发明能够依据待识别产品的图像，根据待识别图像的特征向量与正样本图像的特征向量之间的相似度，确定待识别产品的真伪。因此与人工识别产品真伪的方式相比，本发明实施例能够自动识别待识别产品与真品之间的差异，从而客观地判断待识别产品的真伪，不依赖人工的主观判断，提高了识别产品真伪的准确度。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种图像识别方法流程图；
图2为本发明实施例提供的一种确定分类边界值的方法流程图；
图3为本发明实施例提供的一种确定待识别产品真伪的方法流程图；
图4为本发明实施例提供的一种图像识别装置结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
为了提高识别产品真伪的准确度，本发明实施例提供了一种图像识别方法，该方法可以应用于电子设备，其中，电子设备可以是手机、计算机、平板电脑等具备图像处理功能的设备。参见图1，该方法包括如下步骤。
步骤101，获取待识别图像。其中，待识别图像为待识别产品的图像。
步骤102，提取待识别图像的特征向量。
步骤103，根据待识别图像的特征向量与正样本图像的特征向量之间的相似度，确定待识别产品的真伪。其中，正样本图像为待识别产品的真品图像。
本发明实施例的技术方案至少可以带来以下有益效果：由于本发明实施例能够依据待识别产品的图像，根据待识别图像的特征向量与正样本图像的特征向量之间的相似度，确定待识别产品的真伪。因此与人工识别产品真伪的方式相比，本发明实施例能够自动识别待识别产品与真品之间的差异，从而客观地判断待识别产品的真伪，不依赖人工的主观判断，提高了识别产品真伪的准确度。
可选的，本发明实施例获取的待识别图像可以为待识别产品的扫描图像，也可以是待识别产品的拍摄图像，本发明实施例对于待识别图像的采集方式不作具体限定。
示例性的，待识别产品可以是卷烟、白酒或者化妆品等。以待识别产品为卷烟为例，待识别图像可以是卷烟包装展开后的扫描图像。
在一种实施方式中，在步骤102提取待识别图像的特征向量之前，还可以对待识别图像进行图像预处理，再提取经过图像预处理后的待识别图像的特征向量。
其中，图像预处理过程包括的处理步骤可以根据实际需要确定。例如：可以对待识别图像按照顺序执行图像轮廓近似、图像透视变化以及目标区域获取的步骤，得到经过图像预处理后的待识别图像。
可以理解的，产品的图像可以包括前景区域和背景区域，前景区域对应产品，背景区域为空白区域。图像轮廓近似为从图像中获得前景区域的轮廓，图像透视变化为基于图像轮廓近似获取的前景区域的轮廓，从图像中获取前景区域，并调整获取到的前景区域的旋转角度及大小，目标区域获取为从前景区域中截取目标区域，使得经过图像预处理后的各图像的旋转角度和大小相同，且包括的区域为目标区域。其中，目标区域可以是图像中指定的区域。例如目标区域可以是商标区域。
进一步的，在对图像进行图像轮廓近似之前，还可以对待识别图像执行图像增强、图像滤波、图像二值化中的任意一种或多种处理步骤。
本发明实施例的技术方案还可以带来以下有益效果：本发明实施例还可以对正样本图像进行图像预处理，并提取经过图像预处理后的正样本图像的特征向量，使得预处理后的待识别图像的旋转角度和大小与预处理后的正样本图像的旋转角度和大小一致，降低了旋转角度和大小等干扰因素对待识别图像与正样本图像的相似度之间的干扰，提高了确定产品真伪的准确度。
在本发明的一个实施例中，上述步骤102中提取待识别图像的特征向量的方式可以包括以下两个步骤。
步骤一，对待识别图像进行图像灰度转换，获得待识别图像的灰度图。
在本发明实施例中，待识别图像可以被存储为一个三维矩阵，三个维度分别对应红、黄、蓝颜色通道。
可选的，在对待识别图像进行图像灰度转换之前，还可以对待识别图像进行图像尺寸变换，再将经过图像尺寸变换的待识别图像进行图像滤波去噪，然后在该步骤一中，将经过图像滤波去噪后的待识别图像进行图像灰度转换。
图像尺寸变换是指将待识别图像的尺寸转换为指定尺寸，图像滤波去噪是指在保留图像细节特征的条件下，抑制图像噪声，减少图像噪声对待识别产品的真伪识别结果的影响。
步骤二，根据灰度图，提取待识别图像的特征向量。
其中，特征向量包括多个元素，每个元素对应一个指定亮度，每个元素为灰度图中，该元素对应的指定亮度的像素点的数量。
可以理解的，不同的颜色经过图像灰度转换后的亮度不同，本发明实施例中的指定亮度可以根据实际需要确定，本申请实施例对此不作具体限定。
例如，指定亮度包括0～255，特征向量包括266个元素，每个元素对应一个指定亮度。上述特征向量可以是[L0,L1,…，L254，L255]，表示灰度图中亮度分别为0～255的像素点总数，如L0为灰度图中亮度为0的像素点总数。
又例如，指定亮度包括100和150，特征向量包括2个元素，每个元素对应一个指定亮度。上述特征向量可以是[S100，S150]，其中，S100表示灰度图中亮度为100的像素点总数，S150表示灰度图中亮度为150的像素点总数。
本发明实施例的技术方案还可以带来以下有益效果：在相关技术中由于不同的检验人员对于色彩的敏感度存在差异，而且检验人员在进行真伪产品对比时，容易视觉疲劳，使得人工鉴定产品真伪的主观性强。
而在本发明实施例中，由于不同的颜色经过图像灰度转换后的亮度不同，而图像的特征向量是从图像的灰度图中提取的，使得图像的特征向量可以表示图像的颜色。本发明实施例可以基于待识别图像的颜色，自动识别待识别产品的真伪，使得识别结果更客观，更准确。
在本发明的一个实施例中，在上述步骤103确定待识别产品的真伪之前，还可以确定分类边界值，其中，分类边界值用于区分待识别产品的真伪。参见图2，确定分类边界值的方法包括如下步骤。
步骤201，获取样本图像集。
其中，样本图像集包括正样本图像和负样本图像，正样本图像为待识别产品的真品图像，负样本图像为待识别产品的伪品图像。
可选的，正样本图像和负样本图像可以分别有多张。例如，正样本图像有8张，负样本图像有8张。
可以理解的，不同厂家生产的待识别产品的伪品外观不同，有些伪品与真品的外观差距较大，有些伪品与真品的外观差距较小。因此为了提高确定待识别产品真伪的准确度，可以获取多张负样本图像。
同理，即使是同一厂家生产的真品，由于生产原料及加工设备的不同，生产的真品外观也同样存在细微的差异。而且同一个产品由于拍摄角度或拍摄环境亮度的不同，获得的图像同样存在差异。因此为了提高确定待识别产品真伪的准确度，可以获取多张正样本图像。
步骤202，提取各样本图像的特征向量。
提取样本图像的特征向量的方法与提取待识别图像的特征向量的方法相同，可以参考上文中的描述，在此不再赘述。
步骤203，针对每个负样本图像，确定该负样本图像的特征向量与每个正样本图像的特征向量之间的相似度值。
在本申请实施例中，确定特征向量之间的相似度值的方法可以是：欧氏距离(euclidean metric)算法、曼哈顿距离(Manhattan Distance)算法、切比雪夫距离(Chebyshev distance)算法、皮尔逊相关系数(Pearson correlation coefficient)算法和余弦相似性(Cosine similarity)算法中的任意一种算法。当然本申请实施例可使用的相似度算法不限于此，相关技术中其他用于计算图像之间的相似度值的方法也适用于本申请实施例。
步骤204，基于该负样本图像的特征向量与每个正样本图像的特征向量之间的相似度值，确定该负样本图像与样本图像集包括的正样本图像的整体相似度值。
在本申请实施例中，可以将该负样本图像的特征向量与每个正样本图像的特征向量之间的相似度值的平均值、方差或者标准差，作为该负样本图像对应的整体相似度值。
可以理解的，负样本图像与样本图像集包括的正样本图像的整体相似度值，即负样本图像对应的整体相似度值，可以表示伪品图像与真品图像之间的相似度。
步骤205，将各负样本图像对应的整体相似度值中，所表示的相似度最高的整体相似度值作为负类相似度阈值。
可以理解的，采用不同的相似度算法计算出的相似度值的大小，所表示的向量之间的相似度不同。
有些相似度算法计算出的相似度值越小，所表示的向量之间的相似度越高；计算出的相似度值越大，所表示的向量之间的相似度越低。例如这种相似度算法可以是：欧氏距离算法、曼哈顿距离算法或者切比雪夫距离算法。以欧式距离算法为例，通过欧式距离算法计算出的相似度值用于表示向量之间的距离，距离越大表示相似度越低，距离越小表示相似度越高。因此可以将各负样本图像对应的整体相似度值中，数值最大的整体相似度作为负类相似度阈值。
有些相似度算法计算出的相似度值越大，所表示的向量之间的相似度越高；计算出的相似度值越小，所表示的向量之间的相似度越低。例如这种相似度算法可以是：皮尔逊相关系数算法或者余弦相似性算法。以余弦相似性算法为例，通过余弦相似性算法计算出的相似度值用于表示向量之间的夹角余弦值，余弦值越大，表示相似度越高，余弦值越小，表示相似度越低。因此可以将各负样本图像对应的整体相似度值中，数值最小的整体相似度作为负类相似度阈值。
可以理解的，负类相似度阈值可以表示伪品图像与真品图像之间的最高相似度。
步骤206，针对每个正样本图像，确定该正样本图像的特征向量与其他正样本图像的特征向量之间的相似度值。
在本申请实施例中，步骤206计算正样本图像的特征向量与其他正样本图像的特征向量之间的相似度值时，所采用的相似度计算方法与步骤203相同。
步骤207，基于该正样本图像的特征向量与其他正样本图像的特征向量之间的相似度值，确定正样本图像与样本图像集包括的正样本图像的整体相似度值。
在本申请实施例中，可以将该正样本图像的特征向量与其他正样本图像的特征向量之间的相似度值的平均值、方差或者标准差，作为该正样本图像对应的整体相似度值。
可以理解的，正样本图像与样本图像集包括的正样本图像的整体相似度值，即正样本图像对应的整体相似度值，可以表示真品图像之间的相似度。
步骤208，将各正样本图像对应的整体相似度值中，所表示的相似度最低的整体相似度值作为正类相似度阈值。
可以理解的，不同的相似度算法计算出的相似度值的大小，所表示的向量之间的相似度不同。
有些相似度算法计算出的相似度值越小，所表示的向量之间的相似度越高；计算出的相似度值越大，所表示的向量之间的相似度越低。例如这种相似度算法可以是：欧氏距离算法、曼哈顿距离算法或者切比雪夫距离算法。以欧式距离算法为例，通过欧式距离算法计算出的相似度值用于表示向量之间的距离，距离越大表示相似度越低，距离越小表示相似度越高。因此可以将各负样本图像对应的整体相似度值中，数值最大的整体相似度作为负类相似度阈值。
有些相似度算法计算出的相似度值越大，所表示的向量之间的相似度越高；计算出的相似度值越小，所表示的向量之间的相似度越低。例如这种相似度算法可以是：皮尔逊相关系数算法或者余弦相似性算法。以余弦相似性算法为例，通过余弦相似性算法计算出的相似度值用于表示向量之间的夹角余弦值，余弦值越大，表示相似度越高，余弦值越小，表示相似度越低。因此可以将各负样本图像对应的整体相似度值中，数值最小的整体相似度作为负类相似度阈值。
可以理解的，正类相似度阈值可以表示真品图像之间的最低相似度。
步骤209，根据负类相似度阈值和/或正类相似度阈值，确定分类边界值。
一种实施方式中，可以将负类相似度阈值作为分类边界值；或者，可以将正类相似度阈值作为分类边界值；或者，可以将负类相似度阈值和正类相似度阈值的平均值，作为分类边界值。
可选的，根据负类相似度阈值和/或正类相似度阈值，确定分类边界值的具体方法可以根据实际需要确定，上述确定分类边界值的方法仅为本发明实施例提供的示例，本发明实施例对此不作具体限定。
本发明实施例的技术方案还可以带来以下有益效果：负类相似度阈值可以表示伪品图像与真品图像之间的最高相似度，若待识别产品与真品图像之间的相似度小于负类相似度阈值，则待识别产品为伪品，因此负类相似度阈值可以度量产品是否为伪品。同理，正类相似度阈值可以表示真品图像之间的最低相似度，若待识别产品与真品图像之间的相似度大于正类相似度阈值，则待识别产品为真品，因此正类相似度阈值可以度量产品是否为真品。而负类相似度阈值和正类相似度阈值的平均值处于正类相似度阈值和负类相似度阈值之间，若待识别产品与真品图像之间的相似度大于平均值，则待识别产品为真品；若待识别产品与真品图像之间的相似度不大于平均值，则待识别产品为伪品，因此平均值也可以度量产品的真伪，因此，分类边界值可以表示真品图像或伪品图像与真品图像之间的相似度边界，可以用于度量产品的真伪，提高了确定产品真伪的准确度。
结合图2，参见图3，上述步骤103确定待识别产品真伪的方式包括以下步骤。
步骤301，确定待识别图像的特征向量与每个正样本图像的特征向量之间的相似度值。
例如，确定特征向量之间的相似度值的方法可以是：欧氏距离算法、曼哈顿距离算法、切比雪夫距离算法、皮尔逊相关系数算法和余弦相似性算法中的任意一种算法。
需要说明的是，确定待识别图像的特征向量与每个正样本图像的特征向量之间的相似度值时，所利用的相似度算法可以与确定分类边界值时所利用的相似度算法相同。
步骤302，基于待识别图像的特征向量与每个正样本图像的特征向量之间的相似度值，确定待识别图像与样本图像集包括的正样本图像的整体相似度值。
例如，可以将待识别图像的特征向量与每个正样本图像的特征向量之间的相似度值的平均值、方差或者标准差，作为待识别图像对应的整体相似度值。
步骤303，若待识别图像对应的整体相似度值所表示的相似度大于分类边界值所表示的相似度，则确定待识别产品为真品。
步骤304，若待识别图像对应的整体相似度值所表示的相似度不大于分类边界值所表示的相似度，则确定待识别产品为伪品。
结合步骤303和步骤304，从图2中的描述可知，不同的相似度计算方法计算出的相似度值所表示的相似度不同。以欧式距离算法为例，基于欧式距离算法计算出的相似度值越大，所表示的相似度越小，计算出的相似度值越小，所表示的相似度越大。因此若基于欧式距离算法计算出的待识别图像对应的整体相似度值小于分类边界值，说明待识别图像对应的整体相似度值所表示的相似度大于分类边界值所表示的相似度，可以确定待识别产品为真品。若基于欧式距离算法计算出的待识别图像对应的整体相似度值不小于分类边界值，说明待识别图像对应的整体相似度值所表示的相似度不大于分类边界值所表示的相似度，可以确定待识别产品为伪品。
以余弦相似性算法为例，基于余弦相似性算法计算出的相似度值越大，所表示的相似度越大，计算出的相似度值越小，所表示的相似度越小。因此若基于余弦相似性算法计算出的待识别图像对应的整体相似度值大于分类边界值，说明待识别图像对应的整体相似度值所表示的相似度大于分类边界值所表示的相似度，可以确定待识别产品为真品。若基于余弦相似性算法计算出的待识别图像对应的整体相似度值不大于分类边界值，说明待识别图像对应的整体相似度值所表示的相似度不大于分类边界值所表示的相似度，可以确定待识别产品为伪品。
本发明实施例的技术方案还可以带来以下有益效果：由于本发明实施例可以通过对比待识别图像对应的整体相似度值与分类边界值，自动识别待识别产品的真伪，识别结果不依赖于人的主观判断和经验，提高了识别结果的准确度。
而且由于本发明实施例可以自动确定待识别产品的真伪，减少了识别待识别产品的真伪所消耗的人力成本。
另外，相关技术对于分辨产品的真伪时，还可以利用物理检测方法。以待识别产品为卷烟为例，利用物理检测方法需要提取烟支中的烟草，并检验烟草的成分，将检验的成分与真品烟草的成分对比，当检测的成分与真品烟草成分相同时，确定检验品为真品。这种方法实现过程较为复杂，且检验烟草成分所耗费的时间和成本较高。
相关技术对于分辨产品的真伪时，还可以利用近红外光谱法，预先建立原材料的近红外标准光谱库，在利用近红外分析仪获得产品光谱，从而对产品进行真伪辨别。但这种利用红外分析仪分析产品真伪的方法较为复杂。
而本发明实施例可以基于卷烟外包装的图像，自动检测待识别产品的真伪，不需要检验烟草成分，也不需要利用红外分析仪扫描产品，节省了确定产品真伪所消耗的时间和成本，更适用于待识别产品数量多、品类多、以及产品图像复杂的情况。
基于相同的发明构思，对应于上述方法实施例，本发明实施例提供了一种图像识别装置，参见图4，该装置包括：获取模块401、提取模块402和确定模块403；
获取模块401，用于获取待识别图像，待识别图像为待识别产品的图像；
提取模块402，用于提取获取模块401获取的待识别图像的特征向量；
确定模块403，用于根据提取模块402提取的待识别图像的特征向量与正样本图像的特征向量之间的相似度，确定待识别产品的真伪，正样本图像为待识别产品的真品图像。
可选的，获取模块401，还用于在根据待识别图像的特征向量与正样本图像的特征向量之间的相似度，确定待识别产品的真伪之前，获取样本图像集，样本图像集包括正样本图像和负样本图像，负样本图像为待识别产品的伪品图像；
提取模块402，还用于提取各样本图像的特征向量；
确定模块403，还用于针对每个负样本图像，确定负样本图像的特征向量与每个正样本图像的特征向量之间的相似度值；
确定模块403，还用于基于负样本图像的特征向量与每个正样本图像的特征向量之间的相似度值，确定负样本图像与样本图像集包括的正样本图像的整体相似度值；
确定模块403，还用于将各负样本图像对应的整体相似度值中，所表示的相似度最高的整体相似度值作为负类相似度阈值；
确定模块403，还用于针对每个正样本图像，确定正样本图像的特征向量与其他正样本图像的特征向量之间的相似度值；
确定模块403，还用于基于正样本图像的特征向量与其他正样本图像的特征向量之间的相似度值，确定负样本图像与样本图像集包括的正样本图像的整体相似度值；
确定模块403，还用于将各正样本图像对应的整体相似度值中，所表示的相似度最低的整体相似度值作为正类相似度阈值；
确定模块403，还用于根据负类相似度阈值和/或正类相似度阈值，确定分类边界值。
可选的，确定模块403，具体用于：
将负类相似度阈值作为分类边界值；或者，
将正类相似度阈值作为分类边界值；或者，
将负类相似度阈值和正类相似度阈值的平均值，作为分类边界值。
可选的，确定模块403，具体用于：
确定待识别图像的特征向量与每个正样本图像的特征向量之间的相似度值；
基于待识别图像的特征向量与每个正样本图像的特征向量之间的相似度值，确定待识别图像与样本图像集包括的正样本图像的整体相似度值；
若待识别图像对应的整体相似度值所表示的相似度大于分类边界值所表示的相似度，则确定待识别产品为真品；
若待识别图像对应的整体相似度值所表示的相似度不大于分类边界值所表示的相似度，则确定待识别产品为伪品。
可选的，提取模块402，具体用于：
对待识别图像进行图像灰度转换，获得待识别图像的灰度图；
根据灰度图，提取待识别图像的特征向量，特征向量包括多个元素，每个元素对应一个指定亮度，每个元素为灰度图中，该元素对应的指定亮度的像素点的数量。
本发明实施例还提供了一种电子设备，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，
存储器503，用于存放计算机程序；
处理器501，用于执行存储器503上所存放的程序时，实现上述方法实施例中的方法步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一图像识别方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一图像识别方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，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，对于装置实施例而言，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。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (10)
1.一种图像识别方法，其特征在于，所述方法包括：
获取待识别图像，所述待识别图像为待识别产品的图像；
提取所述待识别图像的特征向量；
根据所述待识别图像的特征向量与正样本图像的特征向量之间的相似度，确定所述待识别产品的真伪，所述正样本图像为所述待识别产品的真品图像；
在所述根据所述待识别图像的特征向量与正样本图像的特征向量之间的相似度，确定所述待识别产品的真伪之前，所述方法还包括：
获取样本图像集，所述样本图像集包括正样本图像和负样本图像，所述负样本图像为所述待识别产品的伪品图像；
提取各样本图像的特征向量；
针对每个负样本图像，确定所述负样本图像的特征向量与每个正样本图像的特征向量之间的相似度值；
基于所述负样本图像的特征向量与每个正样本图像的特征向量之间的相似度值，确定所述负样本图像与所述样本图像集包括的正样本图像的整体相似度值；
将各负样本图像对应的整体相似度值中，所表示的相似度最高的整体相似度值作为负类相似度阈值；
针对每个正样本图像，确定所述正样本图像的特征向量与其他正样本图像的特征向量之间的相似度值；
基于所述正样本图像的特征向量与其他正样本图像的特征向量之间的相似度值，确定所述负样本图像与所述样本图像集包括的正样本图像的整体相似度值；
将各正样本图像对应的整体相似度值中，所表示的相似度最低的整体相似度值作为正类相似度阈值；
根据所述负类相似度阈值和/或所述正类相似度阈值，确定分类边界值。
2.根据权利要求1所述的方法，其特征在于，所述根据所述负类相似度阈值和/或所述正类相似度阈值，确定分类边界值，包括：
将所述负类相似度阈值作为所述分类边界值；或者，
将所述正类相似度阈值作为所述分类边界值；或者，
将所述负类相似度阈值和所述正类相似度阈值的平均值，作为所述分类边界值。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述待识别图像的特征向量与正样本图像的特征向量之间的相似度，确定所述待识别产品的真伪，包括：
确定所述待识别图像的特征向量与每个正样本图像的特征向量之间的相似度值；
基于所述待识别图像的特征向量与每个正样本图像的特征向量之间的相似度值，确定所述待识别图像与所述样本图像集包括的正样本图像的整体相似度值；
若所述待识别图像对应的整体相似度值所表示的相似度大于所述分类边界值所表示的相似度，则确定所述待识别产品为真品；
若所述待识别图像对应的整体相似度值所表示的相似度不大于所述分类边界值所表示的相似度，则确定所述待识别产品为伪品。
4.根据权利要求1所述的方法，其特征在于，所述提取所述待识别图像的特征向量，包括：
对所述待识别图像进行图像灰度转换，获得所述待识别图像的灰度图；
根据所述灰度图，提取所述待识别图像的特征向量，所述特征向量包括多个元素，每个元素对应一个指定亮度，每个元素为所述灰度图中，该元素对应的指定亮度的像素点的数量。
5.一种图像识别装置，其特征在于，所述装置包括：
获取模块，用于获取待识别图像，所述待识别图像为待识别产品的图像；
提取模块，用于提取所述获取模块获取的所述待识别图像的特征向量；
确定模块，用于根据所述提取模块提取的所述待识别图像的特征向量与正样本图像的特征向量之间的相似度，确定所述待识别产品的真伪，所述正样本图像为所述待识别产品的真品图像；
所述获取模块，还用于在所述根据所述待识别图像的特征向量与正样本图像的特征向量之间的相似度，确定所述待识别产品的真伪之前，获取样本图像集，所述样本图像集包括正样本图像和负样本图像，所述负样本图像为所述待识别产品的伪品图像；
所述提取模块，还用于提取各样本图像的特征向量；
所述确定模块，还用于针对每个负样本图像，确定所述负样本图像的特征向量与每个正样本图像的特征向量之间的相似度值；
所述确定模块，还用于基于所述负样本图像的特征向量与每个正样本图像的特征向量之间的相似度值，确定所述负样本图像与所述样本图像集包括的正样本图像的整体相似度值；
所述确定模块，还用于将各负样本图像对应的整体相似度值中，所表示的相似度最高的整体相似度值作为负类相似度阈值；
所述确定模块，还用于针对每个正样本图像，确定所述正样本图像的特征向量与其他正样本图像的特征向量之间的相似度值；
所述确定模块，还用于基于所述正样本图像的特征向量与其他正样本图像的特征向量之间的相似度值，确定所述负样本图像与所述样本图像集包括的正样本图像的整体相似度值；
所述确定模块，还用于将各正样本图像对应的整体相似度值中，所表示的相似度最低的整体相似度值作为正类相似度阈值；
所述确定模块，还用于根据所述负类相似度阈值和/或所述正类相似度阈值，确定分类边界值。
6.根据权利要求5所述的装置，其特征在于，所述确定模块，具体用于：
将所述负类相似度阈值作为所述分类边界值；或者，
将所述正类相似度阈值作为所述分类边界值；或者，
将所述负类相似度阈值和所述正类相似度阈值的平均值，作为所述分类边界值。
7.根据权利要求5或6所述的装置，其特征在于，所述确定模块，具体用于：
确定所述待识别图像的特征向量与每个正样本图像的特征向量之间的相似度值；
基于所述待识别图像的特征向量与每个正样本图像的特征向量之间的相似度值，确定所述待识别图像与所述样本图像集包括的正样本图像的整体相似度值；
若所述待识别图像对应的整体相似度值所表示的相似度大于所述分类边界值所表示的相似度，则确定所述待识别产品为真品；
若所述待识别图像对应的整体相似度值所表示的相似度不大于所述分类边界值所表示的相似度，则确定所述待识别产品为伪品。
8.根据权利要求5所述的装置，其特征在于，所述提取模块，具体用于：
对所述待识别图像进行图像灰度转换，获得所述待识别图像的灰度图；
根据所述灰度图，提取所述待识别图像的特征向量，所述特征向量包括多个元素，每个元素对应一个指定亮度，每个元素为所述灰度图中，该元素对应的指定亮度的像素点的数量。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-4任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010350508.XA CN111523605B (zh) | 2020-04-28 | 2020-04-28 | 一种图像识别方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010350508.XA CN111523605B (zh) | 2020-04-28 | 2020-04-28 | 一种图像识别方法、装置、电子设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111523605A CN111523605A (zh) | 2020-08-11 |
| CN111523605B true CN111523605B (zh) | 2023-04-07 |
Family
ID=71906284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010350508.XA Active CN111523605B (zh) | 2020-04-28 | 2020-04-28 | 一种图像识别方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111523605B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113963197A (zh) * | 2021-09-29 | 2022-01-21 | 北京百度网讯科技有限公司 | 图像识别方法、装置、电子设备和可读存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543547A (zh) * | 2018-10-26 | 2019-03-29 | 平安科技（深圳）有限公司 | 人脸图像识别方法、装置、设备及存储介质 |
| 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 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109241985B (zh) * | 2017-07-11 | 2021-05-25 | 普天信息技术有限公司 | 一种图像识别方法及装置 |
| US10664724B2 (en) * | 2018-07-17 | 2020-05-26 | Shutterfly, Llc | Support vector machine prediction method |
| CN110874602A (zh) * | 2018-08-30 | 2020-03-10 | 北京嘀嘀无限科技发展有限公司 | 一种图像识别方法及装置 |
| JP2020047151A (ja) * | 2018-09-21 | 2020-03-26 | 富士ゼロックス株式会社 | 画像形成装置、検査対象物照合装置、検査対象物照合システム、検査対象物照合方法 |
| CN109409158B (zh) * | 2018-09-29 | 2021-08-31 | 武汉保诚信网络科技有限公司 | 一种基于二维码边缘粗糙度的防伪方法 |
| CN109784384B (zh) * | 2018-12-28 | 2023-04-07 | 佛山科学技术学院 | 一种自动辨别商标真伪的方法及装置 |
| CN110222602A (zh) * | 2019-05-23 | 2019-09-10 | 艾科芯（深圳）智能科技有限公司 | 防伪识别方法、系统、设备终端和计算机可读存储介质 |
| CN110956080B (zh) * | 2019-10-14 | 2023-11-03 | 京东科技信息技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
-
2020
- 2020-04-28 CN CN202010350508.XA patent/CN111523605B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543547A (zh) * | 2018-10-26 | 2019-03-29 | 平安科技（深圳）有限公司 | 人脸图像识别方法、装置、设备及存储介质 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111523605A (zh) | 2020-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
| CN111582359B (zh) | 一种图像识别方法、装置、电子设备及介质 | |
| WO2020207423A1 (zh) | 肤质检测方法、肤质等级分类方法及肤质检测装置 | |
| CN115294113B (zh) | 一种木饰面板质量检测方法 | |
| CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
| CN110033040B (zh) | 一种火焰识别方法、系统、介质和设备 | |
| CN107610316B (zh) | 检测纸币缺损的方法、装置及终端设备 | |
| CN109859257B (zh) | 一种基于纹理方向性的皮肤图像纹理评估方法及系统 | |
| CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
| CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
| TWI765442B (zh) | 瑕疵等級判定的方法及存儲介質 | |
| CN114332026A (zh) | 一种铭牌表面划痕缺陷的视觉检测方法及装置 | |
| CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
| CN103984964A (zh) | 一种试纸条图像识别方法及系统 | |
| CN114202532A (zh) | 一种喷涂缺陷的检测方法、装置、设备及存储介质 | |
| CN111523605B (zh) | 一种图像识别方法、装置、电子设备及介质 | |
| CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
| CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN109784384B (zh) | 一种自动辨别商标真伪的方法及装置 | |
| CN109376782B (zh) | 基于眼部影像特征的支持向量机白内障分级方法及装置 | |
| Triantoro et al. | Image based water gauge reading developed with ANN Kohonen | |
| CN116703909B (zh) | 一种电源适配器生产质量智能检测方法 | |
| CN111738984B (zh) | 基于分水岭和种子填充的皮肤图像斑点评估方法及系统 | |
| CN108805883B (zh) | 一种图像分割方法、图像分割装置及电子设备 | |
| CN111935480B (zh) | 一种用于图像获取装置的检测方法及相关装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |