CN112288045A - 一种印章真伪判别方法 - Google Patents

一种印章真伪判别方法 Download PDF

Info

Publication number
CN112288045A
CN112288045A CN202011545919.0A CN202011545919A CN112288045A CN 112288045 A CN112288045 A CN 112288045A CN 202011545919 A CN202011545919 A CN 202011545919A CN 112288045 A CN112288045 A CN 112288045A
Authority
CN
China
Prior art keywords
seal
features
sift
matching point
matching
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.)
Granted
Application number
CN202011545919.0A
Other languages
English (en)
Other versions
CN112288045B (zh
Inventor
谭卫军
郭洪伟
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.)
Shenzhen Shenmu Information Technology Co ltd
Original Assignee
Shenzhen Shenmu Information Technology Co ltd
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 Shenzhen Shenmu Information Technology Co ltd filed Critical Shenzhen Shenmu Information Technology Co ltd
Priority to CN202011545919.0A priority Critical patent/CN112288045B/zh
Publication of CN112288045A publication Critical patent/CN112288045A/zh
Application granted granted Critical
Publication of CN112288045B publication Critical patent/CN112288045B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/26Segmentation 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
    • G06V10/267Segmentation 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/46Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462Salient features, e.g. scale invariant feature transforms [SIFT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/50Extraction 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757Matching configurations of points or features
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/46Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467Encoded 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)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种印章真伪判别方法,包括提取真实印章的SIFT特征;提取待判别印章的SIFT特征;搜索真实印章与待判别印章之间的SIFT特征匹配点,得到两者的匹配点与非匹配点,基于SIFT特征匹配点,将待判别印章文字图像与真实印章文字图像进行配准;在配准的图像上,基于非匹配点获得左差图像与右差图像;提取匹配点特征与非匹配点特征,包括SIFT特征、LBP特征或CSLBP特征,将多个特征级联;将匹配点特征向量与非匹配点特征向量,输入SVM进行判别,实现对待判别印章的真伪识别。本申请采用非匹配点、级联特征进行判别,提高了判别的准确率。

Description

一种印章真伪判别方法
技术领域
本发明涉及图像处理、文字识别技术领域,尤其是涉及一种印章真伪判别方法。
背景技术
目前,印章识别最早依靠人工进行,效率低下,误判率高。后来,开始出现基于计算机视觉的判断方法,大多还是使用手工提取印章特征,然后采用阈值进行判断。再后来,出现了基于光学字符识别(OCR)的判断方法,主要包括文档图文信息内容的检测与文档图文信息的识别两个步骤,文档图文信息内容的检测主要有基于纹理的连通域的传统方法和基于目标检测的深度学习方法,文档图文信息的识别主要有基于浅层模型的字符识别算法、基于深度网络的字符识别算法和基于深度网络的序列识别算法。再后来,出现了基于SIFT特征、采用支持向量机(SVM)的判断方法,目前来看,此方法效果很好。
现有的对印章真伪的判别,大都采用匹配特征的对比,这样就会把有相同特征但又互相区别的印章判别为同一印章,当二个印章具有相同的题头,其中一个多了细分题目,如公司章与公司账务章,采用匹配特征的判断结果是二者是相同的,导致判别失败。
且现有技术大多基于一个特征进行对比,这样判别的结果,准确率低。
因此,如何实现对印章真伪的判别,提高准确率,是目前亟待解决的问题。
发明内容
本发明的目的是提供一种印章真伪判别方法,提取真实印章的SIFT特征、待判别印章的SIFT特征,搜索真实印章与待判别印章特征匹配点对,基于SIFT特征匹配点对进行真实印章与待判别印章的配准,在配准后,分别提取匹配点对与非匹配点的至少一个特征,将匹配点对的特征级联,形成匹配点对检测特征;将非匹配点的特征级联,形成非匹配点检测特征,在匹配点对、非匹配点进行特征提取,并分别进行SVM判别;或者所有特征输入一个SVM,一次性进行SVM判别,实现印章真伪的判别。
第一方面,本发明的上述发明目的通过以下技术方案得以实现:
一种印章真伪判别方法,包括提取真实印章的一算法特征,提取待判别印章的相同算法特征,根据提取的特征将真实印章与待判别印章进行配准,搜索待判别印章与真实印章的特征点匹配点对与非匹配点,基于匹配点对的至少一个特征、非匹配点的至少一个特征,判断待判别印章的真伪。
本发明进一步设置为:包括以下步骤:
S1、提取真实印章的SIFT特征;
S2、提取待判别印章的SIFT特征;
S3、搜索真实印章与待判别印章之间的SIFT特征匹配点对,得到两者的匹配点对与非匹配点;基于SIFT特征匹配点对,将待判别印章文字图像与真实印章文字图像进行配准;
S4、基于非匹配点在配准后的图像上,获得左差图像与右差图像;
S5、提取匹配点对特征与非匹配点特征,包括SIFT特征、LBP或CSLBP特征;所述SIFT特征是步骤S1/S2中提取的SIFT特征,或是步骤S3后重新提取的SIFT特征,将提取到的特征级连,获得特征向量;
S6、根据匹配点对特征向量与非匹配点特征向量,采用SVM计算,获得待判别印章真伪。
本发明进一步设置为:基于SIFT特征匹配点对,进行判别印章文字图像与真实印章文字图像的配准,采用Ransac方法排除异常点。
本发明进一步设置为:以特征点为中心,划定M个N*N的方形区域,提取特征点及其周围方形区域的LBP特征或CSLBP特征,将特征点的SIFT特征与CSLBP特征级联形成检测特征;或将特征点的SIFT特征与LBP特征级联形成检测特征;或匹配点对采用SIFT特征,非匹配点采用LBP特征;提取匹配点对特征与非匹配点特征,其中M/N为2的整数幂值,M为大于等于1的正整数。
本发明进一步设置为:在左差图像和/或右差图像中提取特征时,以SIFT与CSLBP级联作为检测特征;或以特征点的SIFT特征与以特征点为中心的方形近邻区域的U2IR-LBP特征级联作为检测特征;或以特征点的SIFT特征与以特征点为中心的方形区域上的CSLBP级联作为检测特征;或在SIFT特征匹配与配准阶段,采用SIFT特征,在特征提取阶段,采用LBP特征,形成整个阶段的检测特征。
本发明进一步设置为:步骤S6中,判别印章真伪包括以下步骤:
A1、计算SIFT特征点匹配百分比值;
A2、判断百分比值是否小于设定阈值,若否,进入下一步,若是,转A8;
A3、计算匹配点对的特征向量;
A4、采用SVM1进行匹配点对判断,若判断结果为真,进入下一步,若否,转A8;
A5、计算非匹配点的特征向量;
A6、采用SVM2进行非匹配点判断,若判断结果为真,进入下一步,若否,转A8;
A7、待判别印章为真,转A9;
A8、待判别印章为假;
A9、结束。
本发明进一步设置为:匹配点对的特征向量包括:真实印章中匹配点对的占比V;所有匹配特征点对的SIFT特征的平均欧式距离D、分布直方图;所有匹配点对的最小距离与次小距离的比值的平均值R;配准后的几何一致性点数A;其中,占比V=k/n,式中n为真实印章图像特征点数量与待判别印章图像中特征点数量的均值, k为真实印章图像特征点中满足设定条件的数量。
本发明进一步设置为:非匹配点的特征向量包括所有非匹配特征点的SIFT或LBP特征的欧式距离分布图。
第二方面,本发明的上述发明目的通过以下技术方案得以实现:
一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被执行时实现本申请所述的印章真伪判别方法。
第三方面,本发明的上述发明目的通过以下技术方案得以实现:
一种印章真伪识别终端设备,包括处理器、存储器,所述存储器存储有能够在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时能够实现本申请所述的印章真伪判别方法。
与现有技术相比,本申请的有益技术效果为:
1.本申请中,通过对同一特征时针对匹配点对与非匹配点进行判别,从而判断印章的真伪,提高判别的准确率;
2.进一步地,本申请采用二个特征级联进行判别,充分考虑相邻方形区域之间的特征,扩展了特征区域,增加判别可靠性;
3.进一步地,本申请通过计算所有非匹配特征点的分布图,将差异最大的点作为判别的主要依据,加强了非匹配点的判别。
附图说明
图1是本申请的一个具体实施例的真实印章图像示意图;
图2是本申请的一个具体实施例的待判别印章图像示意图;
图3是本申请的一个具体实施例的非配准时匹配点对示意图;
图4是本申请的一个具体实施例的配准后匹配点对示意图;
图5是本申请的一个具体实施例的特征选取区域示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
具体实施例一
本申请的一种印章真伪判别方法,包括从待判别印章中提取待判别印章的SIFT特征,识别待判别印章与真实印章的匹配点对与非匹配点,提取匹配点对的至少一个特征、非匹配点的至少一个特征,将匹配点对的特征级联,形成匹配点对检测特征,将非匹配点的特征级联,形成非匹配点检测特征,基于匹配点对的检测特征、非匹配点的检测特征,计算特征向量,将匹配点对的特征向量输入SVM1进行判别,将非匹配点的特征向量输入SVM2进行判别;或将匹配点对的特征向量、非匹配点的特征向量输入一个SVM进行判别,实现对待判别印章的真伪识别。
具体地,包括以下步骤:
S1、提取真实印章的SIFT特征;
S2、提取待判别印章文字的SIFT特征;
S3、搜索真实印章与待判别印章之间的SIFT特征匹配点对,基于SIFT特征匹配点对,将待判别印章文字图像与真实印章文字图像进行配准,得到两者的匹配点对与非匹配点;
S4、基于非匹配点在配准后的图像上个获得左差图像与右差图像;
S5、提取匹配点对特征与非匹配点特征;
S6、根据匹配点对特征与非匹配点特征,采用SVM计算,获得待判别印章真伪。
将真实印章进行印文与印框分离,得到真实印章文字图像与印框图像,对真实印章文字图像与印框图像分别进行二值化处理,提取真实印章文字的SIFT特征、LBP特征,并进行存储;同样提取真实印框的SIFT特征、LBP特征,并进行存储。
同样地,将待判别印章也进行印文与印框分离,得到待判别印章文字与印框图像,对待判别印章文字图像与印框图像分别进行二值化处理,提取待判别印章文字的SIFT特征、LBP特征,并进行存储;提取待判别印框的SIFT特征、LBP特征,并进行存储。
印章文字与印框分离及二值化处理,从原始图像中,采用颜色通道过滤,提取某一颜色比较丰富的图像,通过初步二值化、连通域分析,进行印章图像的分割,得到印章图像。
对印章图像进行分割,将印框与印文分离,得到印框图像与印文图像,印框图像特征与印文图像特征同属于印章的整体图像特征。
采用二值化方法,将印框图像的灰度图转化为印框二值化图像,将印文图像的灰度图转化为印文二值化图像,其中每个像素的灰度值只能为0或1。本申请使用LBP特征就是在二值化印章图像上SIFT特征点的位置计算LBP特征。
因为印框的判别与印文的判别方法相同,二者可以单独进行判别,也可以判别与印文不进行分离,直接进行判别,基于此,本实施例不分开单独进行描述,而是以真实印章与待判别印章来进行说明。
检测特征的选取:
基于SIFT特征,搜索真实印章与待判别印章之间的SIFT特征匹配点对,采用暴力(brute force)查询方法,或KNN方法,查找匹配点对,计算匹配点对之间的最小距离d1和次最小距离d2,其中最小距离d1对应待识别图像上点A与真实印章上个查到点B1之间的距离,次最小距离d2对应待识别图像上点A与真实印章上个查到点B2之间的距离;当d1/d2小于设定阈值时,该二点定义为合格匹配点对或匹配点对,否则定义为非匹配点对。基于非匹配点对获得左差图像与右差图像,左差图像是指由真实印章中存在,而待判别印章中找不到合格匹配点的特征点组成的图像;右差图像是指由待判别印章中存在,而真实印章中找不到合格匹配点的特征点组成的图像。
匹配点对或非匹配点指的是所述点的位置坐标。匹配点对就是在真实印章中存在的特征点,而待判别印章相应位置存在合格匹配点;非匹配点是只在真实印章中存在,在待判别印章相应位置不存在合格匹配点的点;或只在待判别印章中存在,在真实印章相应位置不存在合格匹配点的点。
真实印章与待判别印章的配准:
基于SIFT特征点,进行真实印章与待判别印章配准,采用Ransac方法排除异常点。
以真实印章图像为基准,对待判别印章图像进行变换,使待判别印章与真实印章图像角度、位置、尺度相一致,此时真实印章的特征保持不变。
如图1、2所示,其中,图1中为真实印章图像,图2中为待判别印章图像,是将真实印章图像旋转一定角度得到的。分别计算各图像的SIFT特征,用图中的小圆圈表示各相应位置特征点,基于SIFT特征点中的合格匹配点对二个图像进行配准。
如图3所示,采用KNN方法,在真实印章图像与待判别印章图像中,寻找SIFT特征匹配点对,使用合格的SIFT特征匹配点对进行配准,过滤掉匹配效果不佳的点,将SIFT特征匹配点用连线连接在一起,可以看出线条是相互交叉的。如图4所示,根据配准得到的矩阵,对待判别印章图像进行变换,得到图中角度一致的真实印章图像与待判别印章图像,SIFT特征匹配点对的连线是平行直线。
此时,真实印章图像与待判别印章图像完成配准。
配准后检测特征的选取:
配准后,待判别印章的位置、尺度等参数都产生变化,得到一副新的图像,因而特征点的坐标也发生变化,如果继续使用原来的SIFT特征,会产生误差,因而需要调整特征。方法如下:
方法一:对于匹配点对,继续采用SIFT特征;而对非匹配点,计算LBP特征或CSLBP特征,在左差图像、右差图像上使用LBP特征或CSLBP特征;
具体地,在计算得到SIFT特征点后,以特征点为中心,划定一个16*16的图像区域,再分成16个4*4的子区域,在每个子区域中计算LBP或CSLBP特征,如图5所示,图中只示了4个4*4的子区域进行说明。
在子区域1、2、3、4中,不仅考虑特征点周围的方形区域, 还考虑环绕特征点的最紧邻区域5,提取特征点的CSLBP特征或LBP特征,将特征点处的SIFT特征、特征点周围方形区域的LBP特征进行级联,形成检测特征;以检测特征分别提取匹配点对特征与非匹配点特征。
对于特征匹配点对,因为已经计算出了各点的SIFT特征,因而采用SIFT特征;对于非匹配点,得到其在真实印章图像与待判别印章图像中的坐标,在这个坐标周围区域,提取非匹配点的LBP特征或CSLBP特征。
在本申请的一个具体实施例中,将特征点处的SIFT特征、以特征点为中心的方形区域上的LBP或CSLBP特征进行级联,形成检测特征;以检测特征分别提取匹配点对特征与非匹配点特征。
在本申请的又一个具体实施例中,在匹配点对采用SIFT特征,非匹配点采用LBP特征的方法进行,从而分别提取匹配点对特征与非匹配点特征。
在本申请的再一个具体实施例中,将特征点处的SIFT特征、特征点周围方形区域的LBP特征、以特征点为中心的方形区域上的CSLBP特征进行级联,形成检测特征;以检测特征分别提取匹配点对特征与非匹配点特征。
方法二、重新计算配准后待判别印章的SIFT特征,重新搜索真实印章与配准后待判别印章的匹配点对,重新生成SIFT匹配点对特征,非匹配点SIFT特征;
方法三、在方法二重新生成SIFT匹配点对特征、非匹配点SIFT特征的基础上,计算LBP特征,与SIFT特征级联,级联就是把LBP行向量与SIFT横向量横向拼接在一起。
特征级联:
在本申请的一个具体实施例中,以SIFT与LBP或CSLBP级联作为检测特征,提取非匹配点特征。
在本申请的又一个具体实施例中,以特征点的SIFT特征与以特征点为中心的方形近邻区域的U2IR-LBP特征级联作为检测特征。
在本申请的再一个具体实施例中,以特征点的SIFT特征与以特征点为中心的方形区域上的CSLBP级联作为检测特征。
在本申请的再一个具体实施例中,在SIFT特征匹配与配准阶段,采用SIFT特征,在特征提取阶段,采用LBP特征,形成整个阶段的检测特征。
判别印章真伪:
判别印章真伪包括以下步骤:
A1、计算SIFT特征点匹配百分比值;
A2、判断百分比值是否小于设定阈值,若否,进入下一步,若是,转A8;
A3、计算匹配点对的特征向量;
A4、采用SVM1进行匹配点对判断,若判断结果为真,进入下一步,若否,转A8;
A5、计算非匹配点的特征向量;
A6、采用SVM2进行非匹配点判断,若判断结果为真,进入下一步,若否,转A8;
A7、待判别印章为真,转A9;
A8、待判别印章为假;
A9、结束。
匹配点对的特征向量包括:真实印章中匹配点对的占比V;所有匹配特征点的SIFT特征的平均欧式距离及分布直方图;所有匹配点对的最小距离与次小距离的比值的平均值R;配准后的几何一致性A。 匹配点对的特征向量还可以包括合格匹配特征点的LBP特征的欧式距离分布图、各种高阶统计特征。
具体计算方法如下:
计算搜索匹配点对的最小距离d1和次小距离d2, 设定条件为d1/d2 < T,d1/d2的值越小,说明特征点匹配程度越高。SIFT特征点匹配百分比值V按照下式进行计算:
V=2N/((N1+N2);
式中,N1表示真实印章SIFT特征点数目,N2表示待测印章的SIFT特征点数目,N表示能满足d1/d2 < T的合格匹配点对数目。
匹配点对的平均值R=mean(d1/d2);
所有合格匹配点对的SIFT向量的欧式距离的平均值以及分布直方图。
配准后的几何一致性A=m/M,式中,m是真实印章和待判别印章中满足几何一致性的点数;M是特征点两两连接产生的线段总数。对真实印章图像中线段Lr,和待判别印章图像中对应的线段Lq,当 |Lr-Lq|/min(Lr,Lq)<5%,这两段线被认为满足几何一致性。其中,5%是本实施例的设定条件,在另一个实施例中,设定条件是需要的任一个值。
非匹配点的特征向量包括所有非匹配特征点的SIFT或LBP特征的欧式距离分布图、各种高阶统计特征。
待判别印章的SVM训练:
首先建立二个SVM(support vector machine 支持向量机)模型SVM1、SVM2。
以真实印鉴在不同纸质、印泥色度、光照度、旋转角度等不同条件下盖章,得到真实印章的训练样本。同样,以仿照印鉴在不同纸质、印泥色度、光照度、旋转角度等不同条件下盖章,得到仿照印章的训练样本。
或者,对真实印章进行局部改造,比如旋转、位移、笔画加粗、缩减、局部色度调整、镂空等方法获得仿照印章的训练样本。
对真实印章的训练样本、仿照印章的训练样本分别提取匹配点对特征,输入SVM进行训练,得到SVM1模型。
对真实印章的训练样本、仿照印章的训练样本分别提取非匹配点特征,输入SVM进行训练,得到SVM2模型。
将待判别印章的匹配点对特征,输入训练好的SVM1模型,进行判别;
将待判别印章的非匹配点特征,输入训练好的SVM2模型,进行判别。
在本申请的一个具体实施例中,只采用一个SVM模型,将匹配点对特征、非匹配点特征全部输入,进行判别。
具体实施例二
本发明一实施例提供的一种印章真伪识别终端设备,该实施例的终端设备包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,例如印章真伪判别计算机程序,所述处理器执行所述计算机程序时实现实施例1中判别步骤;
或者,所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如:计算特征模块、判别模块。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述印章真伪识别终端设备中的执行过程。例如,所述计算机程序可以被分割成多个模块,各模块具体功能如下:
1.特征提取模块,用于提取印章特征;
2.计算模块,用于计算特征值;
3.判别模块,用于进行真伪判别。
所述印章真伪识别终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述印章真伪识别终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述上述示例仅仅是印章真伪识别终端设备的示例,并不构成对印章真伪识别终端设备的限定,可以包括比图示更多或更少的部件,或组合某些部件,或不同的部件,例如所述印章真伪识别终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数据信号处理器(Digital Signal Processor,DSP) 、专用集成电路
(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种印章真伪识别终端设备的控制中心,利用各种接口和线路连接整个一种印章真伪识别终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种印章真伪识别终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card ,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
具体实施例三
所述一种印章真伪识别终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本具体实施方式的实施例均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。

Claims (10)

1.一种印章真伪判别方法,其特征在于:包括提取真实印章的一算法特征,提取待判别印章的相同算法特征,根据提取的特征将真实印章与待判别印章进行配准,搜索待判别印章与真实印章的特征点匹配点对与非匹配点,基于匹配点对的至少一个特征、非匹配点的至少一个特征,判断待判别印章的真伪。
2.根据权利要求1所述印章真伪判别方法,其特征在于:包括以下步骤:
S1、提取真实印章的SIFT特征;
S2、提取待判别印章的SIFT特征;
S3、搜索真实印章与待判别印章之间的SIFT特征匹配点对,得到两者的匹配点对与非匹配点;基于SIFT特征匹配点对,将待判别印章文字图像与真实印章文字图像进行配准;
S4、基于非匹配点在配准后的图像上,获得左差图像与右差图像;
S5、提取匹配点对特征与非匹配点特征,包括SIFT特征、LBP或CSLBP特征;所述SIFT特征是步骤S1/S2中提取的SIFT特征,或是步骤S3后重新提取的SIFT特征,将提取到的特征级连,获得特征向量;
S6、根据匹配点对特征向量与非匹配点特征向量,采用SVM计算,获得待判别印章真伪。
3.根据权利要求2所述印章真伪判别方法,其特征在于:基于SIFT特征匹配点对,进行判别印章文字图像与真实印章文字图像的配准,采用Ransac方法排除异常点。
4.根据权利要求2所述印章真伪判别方法,其特征在于:以特征点为中心,划定M个N*N的方形区域,提取特征点及其周围方形区域的LBP特征或CSLBP特征,将特征点的SIFT特征与CSLBP特征级联形成检测特征;或将特征点的SIFT特征与LBP特征级联形成检测特征;或匹配点对采用SIFT特征,非匹配点采用LBP特征;提取匹配点对特征与非匹配点特征,其中M/N为2的整数幂值,M为大于等于1的正整数。
5.根据权利要求2所述印章真伪判别方法,其特征在于:在左差图像和/或右差图像中提取特征时,以SIFT与CSLBP级联作为检测特征;或以特征点的SIFT特征与以特征点为中心的方形近邻区域的U2IR-LBP特征级联作为检测特征;或以特征点的SIFT特征与以特征点为中心的方形区域上的CSLBP级联作为检测特征;或在SIFT特征匹配与配准阶段,采用SIFT特征,在特征提取阶段,采用LBP特征,形成整个阶段的检测特征。
6.根据权利要求2所述印章真伪判别方法,其特征在于:步骤S6中,判别印章真伪包括以下步骤:
A1、计算SIFT特征点匹配百分比值;
A2、判断百分比值是否小于设定阈值,若否,进入下一步,若是,转A8;
A3、计算匹配点对的特征向量;
A4、采用SVM1进行匹配点对判断,若判断结果为真,进入下一步,若否,转A8;
A5、计算非匹配点的特征向量;
A6、采用SVM2进行非匹配点判断,若判断结果为真,进入下一步,若否,转A8;
A7、待判别印章为真,转A9;
A8、待判别印章为假;
A9、结束。
7.根据权利要求6所述印章真伪判别方法,其特征在于:匹配点对的特征向量包括:真实印章中匹配点对的占比V;所有匹配特征点对的SIFT特征的平均欧式距离D、分布直方图;所有匹配点对的最小距离与次小距离的比值的平均值R;配准后的几何一致性点数A;其中,占比V=k/n,式中n为真实印章图像特征点数量与待判别印章图像中特征点数量的均值, k为真实印章图像特征点中满足设定条件的数量。
8.根据权利要求6所述印章真伪判别方法,其特征在于:非匹配点的特征向量包括所有非匹配特征点的SIFT或LBP特征的欧式距离分布图。
9.一种计算机可读存储介质,其特征在于:所述存储介质上存储有计算机程序,所述计算机程序被执行时实现如权利要求1-8任一所述方法的步骤。
10.一种印章真伪识别终端设备,其特征在于,包括处理器、存储器,所述存储器存储有能够在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时能够实现如权利要求1-8任一项所述方法。
CN202011545919.0A 2020-12-23 2020-12-23 一种印章真伪判别方法 Active CN112288045B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011545919.0A CN112288045B (zh) 2020-12-23 2020-12-23 一种印章真伪判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011545919.0A CN112288045B (zh) 2020-12-23 2020-12-23 一种印章真伪判别方法

Publications (2)

Publication Number Publication Date
CN112288045A true CN112288045A (zh) 2021-01-29
CN112288045B CN112288045B (zh) 2021-04-16

Family

ID=74426654

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011545919.0A Active CN112288045B (zh) 2020-12-23 2020-12-23 一种印章真伪判别方法

Country Status (1)

Country Link
CN (1) CN112288045B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705330A (zh) * 2021-07-08 2021-11-26 厦门科路德科技有限公司 一种印章真伪识别方法、系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154076A (zh) * 2017-11-16 2018-06-12 北京遥感设备研究所 一种机器学习算法级联的铁轨行人检测方法
CN109063572A (zh) * 2018-07-04 2018-12-21 南京信息工程大学 一种基于多尺度和多卷积层特征融合的指纹活性检测方法
CN109492696A (zh) * 2018-11-09 2019-03-19 上海中信信息发展股份有限公司 印章真伪鉴定方法、装置及系统
CN109635818A (zh) * 2018-10-26 2019-04-16 平安科技(深圳)有限公司 印章防伪检验方法、装置及计算机可读存储介质
CN109948566A (zh) * 2019-03-26 2019-06-28 江南大学 一种基于权重融合与特征选择的双流人脸反欺诈检测方法
CN110059722A (zh) * 2019-03-16 2019-07-26 平安城市建设科技(深圳)有限公司 印章图像的审核方法、装置、设备及可读存储介质
CN110414586A (zh) * 2019-07-22 2019-11-05 杭州沃朴物联科技有限公司 基于深度学习的防伪标签验伪方法、装置、设备及介质
CN111291757A (zh) * 2020-02-17 2020-06-16 江苏诚印科技有限公司 一种印章唯一性识别的方法
CN111325722A (zh) * 2020-02-17 2020-06-23 江苏诚印科技有限公司 印章图像精确识别方法、印章图像识别处理方法和印章图像识别系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154076A (zh) * 2017-11-16 2018-06-12 北京遥感设备研究所 一种机器学习算法级联的铁轨行人检测方法
CN109063572A (zh) * 2018-07-04 2018-12-21 南京信息工程大学 一种基于多尺度和多卷积层特征融合的指纹活性检测方法
CN109635818A (zh) * 2018-10-26 2019-04-16 平安科技(深圳)有限公司 印章防伪检验方法、装置及计算机可读存储介质
CN109492696A (zh) * 2018-11-09 2019-03-19 上海中信信息发展股份有限公司 印章真伪鉴定方法、装置及系统
CN110059722A (zh) * 2019-03-16 2019-07-26 平安城市建设科技(深圳)有限公司 印章图像的审核方法、装置、设备及可读存储介质
CN109948566A (zh) * 2019-03-26 2019-06-28 江南大学 一种基于权重融合与特征选择的双流人脸反欺诈检测方法
CN110414586A (zh) * 2019-07-22 2019-11-05 杭州沃朴物联科技有限公司 基于深度学习的防伪标签验伪方法、装置、设备及介质
CN111291757A (zh) * 2020-02-17 2020-06-16 江苏诚印科技有限公司 一种印章唯一性识别的方法
CN111325722A (zh) * 2020-02-17 2020-06-23 江苏诚印科技有限公司 印章图像精确识别方法、印章图像识别处理方法和印章图像识别系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋成璐: "印鉴提取和识别的研究及应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705330A (zh) * 2021-07-08 2021-11-26 厦门科路德科技有限公司 一种印章真伪识别方法、系统
CN113705330B (zh) * 2021-07-08 2023-12-01 厦门科路德科技有限公司 一种印章真伪识别方法、系统

Also Published As

Publication number Publication date
CN112288045B (zh) 2021-04-16

Similar Documents

Publication Publication Date Title
US10896349B2 (en) Text detection method and apparatus, and storage medium
CN109815788B (zh) 一种图片聚类方法、装置、存储介质及终端设备
CN108920580B (zh) 图像匹配方法、装置、存储介质及终端
Fang et al. Android malware familial classification based on dex file section features
Soetedjo et al. Fast and robust traffic sign detection
CN110458078B (zh) 一种人脸图像数据聚类方法、系统及设备
CN103927387A (zh) 图像检索系统及其相关方法和装置
CN112381775A (zh) 一种图像篡改检测方法、终端设备及存储介质
CN111695453B (zh) 绘本识别方法、装置及机器人
CN112614187A (zh) 回环检测方法、装置、终端设备和可读存储介质
CN110852311A (zh) 一种三维人手关键点定位方法及装置
CN108717744B (zh) 识别金融单据上的印章序号的方法、装置及终端设备
CN112597978B (zh) 指纹匹配方法、装置、电子设备及存储介质
CN110852327A (zh) 图像处理方法、装置、电子设备及存储介质
CN112418180A (zh) 表格数据提取方法、装置、设备及计算机存储介质
CN113159045A (zh) 一种结合图像预处理与卷积神经网络的验证码识别方法
CN114444566A (zh) 一种图像伪造检测方法、装置以及计算机存储介质
CN114299363A (zh) 图像处理模型的训练方法、图像分类方法及装置
CN114581646A (zh) 文本识别方法、装置、电子设备及存储介质
CN112580108A (zh) 签名和印章完整性验证方法及计算机设备
CN112288045B (zh) 一种印章真伪判别方法
CN113283351B (zh) 一种使用cnn优化相似度矩阵的视频抄袭检测方法
CN110610131A (zh) 人脸运动单元的检测方法、装置、电子设备及存储介质
CN117152760A (zh) 图像处理方法、终端设备及存储介质
CN116109864A (zh) 服装的检测识别方法、装置、终端及计算机可读存储介质

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