CN112712139B - 一种基于图像处理的箱包识别方法、系统及存储介质 - Google Patents

一种基于图像处理的箱包识别方法、系统及存储介质 Download PDF

Info

Publication number
CN112712139B
CN112712139B CN202110329794.6A CN202110329794A CN112712139B CN 112712139 B CN112712139 B CN 112712139B CN 202110329794 A CN202110329794 A CN 202110329794A CN 112712139 B CN112712139 B CN 112712139B
Authority
CN
China
Prior art keywords
identification
point
score
image
luggage
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
CN202110329794.6A
Other languages
English (en)
Other versions
CN112712139A (zh
Inventor
刘正仁
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.)
Beijing Feiling Technology Co ltd
Shanghai Feiyu Digital Technology Co.,Ltd.
Original Assignee
Shanghai Feiyu Network Technology Co ltd
Beijing Feiling 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 Shanghai Feiyu Network Technology Co ltd, Beijing Feiling Technology Co ltd filed Critical Shanghai Feiyu Network Technology Co ltd
Priority to CN202110329794.6A priority Critical patent/CN112712139B/zh
Publication of CN112712139A publication Critical patent/CN112712139A/zh
Application granted granted Critical
Publication of CN112712139B publication Critical patent/CN112712139B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于图像处理的箱包识别方法、系统及存储介质，接收输入的指令信息；基于指令信息采集当前时刻箱包一个或多个识别点的图像，所述指令信息与所述箱包一个或多个识别点预先对应设置；基于所述指令信息选取识别模型将所述箱包当前时刻的图像与预设图像比对，获得当前时刻箱包的鉴定分值；若所述鉴定分值不满足预设分值，则输出伪劣提醒数据。本发明提供的方案，基于识别模型对箱包各个部位进行多维度的识别，获得该箱包的量化分值，基于该量化分值分析箱包的真伪并进行输出。本发明相较于传统的箱包真伪识别技术具有检测效率高、成本低、准确性高的优点，适用于大规模箱包检测，实用性较高。

Description

一种基于图像处理的箱包识别方法、系统及存储介质
技术领域
本发明涉及图像处理技术领域，尤其是涉及一种基于图像处理的箱包识别方法、系统及存储介质。
背景技术
在二手奢侈品交易市场中，需要在交易之前对奢侈品的真伪进行鉴定、识别，确认为真品后才可进行交易，目前对于奢侈品的真伪鉴定以鉴定师的人工鉴定为主，但随着二手奢侈品交易量的不断上升，鉴定师的从业人数和鉴定效率已不能满足目前市场交易需求，且长时间的工作会导致鉴定师的鉴定结果出现偏差。一件奢侈品从上交鉴定到最后拿到结果需要的时间过于漫长，严重影响了卖家的交易时间，延缓了交易流程，而且人工鉴定的成本费较高，因此需要一种能够快速对二手奢侈品进行鉴定的系统来缓解奢侈品二手市场的交易需求。
发明内容
本发明的目的就是为了克服上述现有技术存在的鉴定时间漫长、鉴定准确性不高的缺陷而提供一种基于图像处理的箱包识别方法、系统及存储介质。
本发明的目的可以通过以下技术方案来实现：
本发明实施例的第一方面，提供一种基于图像处理的箱包识别方法，其特征在于，包括:
接收输入的指令信息；
基于指令信息采集当前时刻箱包一个或多个识别点的图像，所述指令信息与所述箱包一个或多个识别点预先对应设置；
基于所述指令信息选取识别模型将所述箱包当前时刻的图像与预设图像比对，获得当前时刻箱包的鉴定分值；
若所述鉴定分值不满足预设分值，则输出伪劣提醒数据。
可选地，在第一方面的一种可能实现方式中，所述基于所述指令信息选取识别模型将所述箱包当前时刻的图像与预设图像比对，获得当前时刻箱包的鉴定分值包括：
获取当前时刻所述箱包中任意一个识别点的图像，将所述当前时刻的图像与预先对应的识别点图像进行相似度比对；
在多个预存储识别点图像中确定与当前时刻的图像相似度最高的识别点图像，将确定的相似度最高的识别点图像对应的识别点分值输出。
可选地，在第一方面的一种可能实现方式中，所述获取当前时刻所述箱包中任意一个识别点的图像，将所述当前时刻的图像与预先对应的识别点图像进行相似度比对包括：
一个箱包
Figure 187938DEST_PATH_IMAGE001
有
Figure 995357DEST_PATH_IMAGE002
个识别点，箱包各个识别点的集和表示为
Figure 369837DEST_PATH_IMAGE003
，
Figure 200390DEST_PATH_IMAGE004
表示其中一个识别点，i=
Figure 708732DEST_PATH_IMAGE005
； 从数据库系统中确定出识别点I对应的识别点分值；针对识别点I对应的识别点分值，建立如下决策矩阵
Figure 229712DEST_PATH_IMAGE006
：
Figure 102990DEST_PATH_IMAGE007
其中，
Figure 483156DEST_PATH_IMAGE008
是箱包i在识别点I的维度j下所具有分值，
j=
Figure 467292DEST_PATH_IMAGE009
；
按照如下公式，分别计算所有箱包在识别点I的维度j下的分值之和
Figure 859091DEST_PATH_IMAGE010
，j=
Figure 965587DEST_PATH_IMAGE009
；该公式为：
Figure 770732DEST_PATH_IMAGE011
确定所有
Figure 479931DEST_PATH_IMAGE010
中的最大值
Figure 116448DEST_PATH_IMAGE012
，将
Figure 331529DEST_PATH_IMAGE012
所对应的维度x确定为识别点I的最大识别点分值；
获取一个或多个识别点
Figure 296074DEST_PATH_IMAGE013
，识别点
Figure 887592DEST_PATH_IMAGE013
的集合为
Figure 378617DEST_PATH_IMAGE014
；
还包括数据库系统，用于预先存储每个维度对应的识别点分值，识别点分值的集合为
Figure 764598DEST_PATH_IMAGE015
，
Figure 465707DEST_PATH_IMAGE016
表示箱包i的识别点分值；
按照以下公式，分别计算当前时刻每个识别点与预先存储的识别点分值之间的相似度：
Figure 657654DEST_PATH_IMAGE017
其中，A表示当前时刻识别的一个识别点，
Figure 940868DEST_PATH_IMAGE018
表示识别点分值中的一个识别点分值，
Figure 701013DEST_PATH_IMAGE019
从1到
Figure 702468DEST_PATH_IMAGE020
遍历；确定满足以下条件的
Figure 698105DEST_PATH_IMAGE021
，将该
Figure 835826DEST_PATH_IMAGE021
确定为当前时刻识别的识别点A的最佳识别点分值。
可选地，在第一方面的一种可能实现方式中，通过以下公式对获取到的识别点分值
Figure 16140DEST_PATH_IMAGE018
进行优化，包括：
Figure 38640DEST_PATH_IMAGE023
其中，
Figure 968550DEST_PATH_IMAGE024
为处理当前时刻识别的箱包的品牌；k为函数
Figure 132815DEST_PATH_IMAGE025
的最大临界值；c为
Figure 905599DEST_PATH_IMAGE026
函数的权重系数；d为
Figure 180722DEST_PATH_IMAGE024
的权重系数；
Figure 745565DEST_PATH_IMAGE027
为
Figure 815152DEST_PATH_IMAGE026
函数的最大临界值；
Figure 340811DEST_PATH_IMAGE028
为
Figure 154046DEST_PATH_IMAGE024
的最大临界值；
函数
Figure 324128DEST_PATH_IMAGE029
Figure 361354DEST_PATH_IMAGE030
所对应的
Figure 311992DEST_PATH_IMAGE021
即为第A个识别点的最高的分值
Figure 115869DEST_PATH_IMAGE021
。
可选地，在第一方面的一种可能实现方式中，基于以下公式，获得箱包
Figure 202774DEST_PATH_IMAGE001
的鉴定分值S：
Figure 942060DEST_PATH_IMAGE031
其中t为识别点的个数。
可选地，在第二方面的一种可能实现方式中，一种基于图像处理的箱包识别装置，包括：
接收模块，用于接收输入的指令信息；
采集模块，用于基于指令信息采集当前时刻箱包一个或多个识别点的图像，所述指令信息与所述箱包一个或多个识别点预先对应设置；
比对识别模块，用于基于所述指令信息选取识别模型将所述箱包当前时刻的图像与预设图像比对，获得当前时刻箱包的鉴定分值；
输出模块，用于若所述鉴定分值不满足预设分值，则输出伪劣提醒数据。
本发明实施例的第三方面，提供一种基于图像处理的箱包识别系统，包括上述箱包识别的方法，
检测点提取识别点包括品牌标识提取组、镭射标提取组、五金工艺提取组、整体外观提取组、材质剪裁提取组、缝线工艺提取组和附属配件提取组。
可选地，在第三方面的一种可能实现方式中，所述品牌标识提取组提取待检测箱包的烫印品牌标识或五金品牌标识；
所述镭射标提取组提取待检测箱包的烫印品牌标识、防伪标和序列号；
所述五金工艺提取组提取待检测箱包的拉链头、链牙、按扣、铆钉、螺丝、底钉、五金扣、链条和五金环。
可选地，在第三方面的一种可能实现方式中，所述整体外观提取组提取待检测箱包的内撑形状、对称情况和外观形态；
所述材质剪裁提取组提取待检测箱包的包身材质、内衬材质和包身裁剪；
所述缝线工艺提取组提取待检测箱包的包身走线、凹边走线、上包走线、肩带走线、提手走线、内衬走线、线头处理和吊针走线，以及品牌特殊走线；
所述附属配件提取组提取待检测箱包的防尘袋、身份卡、包装盒和手提袋。
本发明实施例的第四方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
与现有技术相比，本发明具有以下有益效果：
本发明通过将检测点提取模块获取的识别检测点的图片与数据库中的工艺展示图进行对比，获得识别检测点的得分，将鉴定分值与预设阈值比较即可对待检测箱包的真实性做出相应判断，提高了二手奢侈品箱包的检测速率，并且本发明对于检测点提取识别点设有多个提取组对图片进行提取，从多个角度进行鉴定和数据校验，使鉴定结果具有较高的准确性，节省了人力成本和时间成本，有效解决了目前鉴定环节由于速度较慢导致货物积压的问题。
附图说明
图1为箱包识别方法的第一种实施方式的流程图；
图2为箱包识别方法的第二种实施方式的流程图；
图3为箱包识别装置的第一种实施方式的结构图；
图4为箱包识别系统的第一种实施方式的结构图；
图5为箱包识别系统的第二种实施方式的结构图；
图6为箱包识别系统的第三种实施方式的结构图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
一种基于图像处理的箱包识别方法，如图1所示其流程图，包括:
步骤S10、接收输入的指令信息。其中指令信息包括采集当前箱包的类型，由于不同的手提包其具有不同的结构，所以其真伪鉴别的部位可能会存在不同。不同的包会具有与其对应的不同的识别点，例如说手提包多个识别分别分布在包面、包带、包面与包带的连接处等等，本发明并不对此进行限制。
步骤S20、基于指令信息采集当前时刻箱包一个或多个识别点的图像，所述指令信息与所述箱包一个或多个识别点预先对应设置。基于指令信息确定了需要进行识别的包的类型，然后根据输入的识别点或者是包的类型应当对应的识别点进行图像的采集。
步骤S30、基于所述指令信息选取识别模型将所述箱包当前时刻的图像与预设图像比对，获得当前时刻箱包的鉴定分值。不同的包可能会存在不同的识别模型，也可能是同一个识别模型，通过识别模型将当前时刻采集的图像与预设图像比对，得到鉴定分值，鉴定分值反应该包真伪的可能性。检定分值可以与真伪性成正比、或者是反比，根据预先需要进行设定。
步骤S40、若所述鉴定分值不满足预设分值，则输出伪劣提醒数据。当鉴定分值不满足预设分值时，证明此时包的综合评价可能是仿冒品、劣质品，进行数据提醒。
在一个实施例中，如图2所示，步骤S30包括：
步骤S301、获取当前时刻所述箱包中任意一个识别点的图像，将所述当前时刻的图像与预先对应的识别点图像进行相似度比对。其中，预先对应的识别点的图像为真包的图像，当前时刻的图像与预先对应的识别点的图像进行相似度比对，确定被采集的图像的包的真实性。
步骤S302在多个预存储识别点图像中确定与当前时刻的图像相似度最高的识别点图像，将确定的相似度最高的识别点图像对应的识别点分值输出。同一类型的包在相同的部位也可能会出现部分合理的不同，所以在数据库中预先存储一个包同一个部位的多个图像，该图像为该部位存在的其他合理可能情况。
在一个实施例中，所述获取当前时刻所述箱包中任意一个识别点的图像，将所述当前时刻的图像与预先对应的识别点图像进行相似度比对包括：
一个箱包
Figure 114415DEST_PATH_IMAGE001
有
Figure 207136DEST_PATH_IMAGE002
个识别点，箱包各个识别点的集和表示为
Figure 414126DEST_PATH_IMAGE003
，
Figure 58734DEST_PATH_IMAGE004
表示其中一个识别点，i=
Figure 718386DEST_PATH_IMAGE005
； 从数据库系统中确定出识别点I对应的识别点分值；针对识别点I对应的识别点分值，建立如下决策矩阵
Figure 598486DEST_PATH_IMAGE006
：
Figure 456721DEST_PATH_IMAGE007
其中，
Figure 413175DEST_PATH_IMAGE008
是箱包i在识别点I的维度j下所具有分值，
j=
Figure 560123DEST_PATH_IMAGE009
；
按照如下公式，分别计算所有箱包在识别点I的维度j下的分值之和
Figure 119280DEST_PATH_IMAGE010
，j=
Figure 956655DEST_PATH_IMAGE009
；该公式为：
Figure 146328DEST_PATH_IMAGE011
确定所有
Figure 842888DEST_PATH_IMAGE010
中的最大值
Figure 143420DEST_PATH_IMAGE012
，将
Figure 586034DEST_PATH_IMAGE012
所对应的维度x确定为识别点I的最大识别点分值；
获取一个或多个识别点
Figure 8925DEST_PATH_IMAGE013
，识别点
Figure 130464DEST_PATH_IMAGE013
的集合为
Figure 156058DEST_PATH_IMAGE014
；
还包括数据库系统，用于预先存储每个维度对应的识别点分值，识别点分值的集合为
Figure 46654DEST_PATH_IMAGE032
，
Figure 640446DEST_PATH_IMAGE016
表示箱包i的识别点分值；
按照以下公式，分别计算当前时刻每个识别点与预先存储的识别点分值之间的相似度：
Figure 983703DEST_PATH_IMAGE017
其中，A表示当前时刻识别的一个识别点，
Figure 563720DEST_PATH_IMAGE018
表示识别点分值中的一个识别点分值，
Figure 371139DEST_PATH_IMAGE019
从1到
Figure 73516DEST_PATH_IMAGE020
遍历；确定满足条件的
Figure 91019DEST_PATH_IMAGE021
，将该
Figure 271465DEST_PATH_IMAGE021
确定为当前时刻识别的识别点A的最佳识别点分值。其中满足条件的
Figure 198969DEST_PATH_IMAGE021
可以是识别点分值中分数最高的识别点分值。
通过以上方式，能够获取箱包的一个部分，在对该部位进行比对时，会将该部位与多个预先存储的图像进行比对，并且，在将当前时刻的部分与多个预先存储的图像进行比对时依旧会考虑多个维度，公式中的
Figure 72247DEST_PATH_IMAGE033
即为部位
Figure 327779DEST_PATH_IMAGE013
具有的不同维度，在比较相似度时也会与识别点分值的集合为
Figure 311916DEST_PATH_IMAGE032
进行比对，使得比对更加的全面。
在一个实施例中，通过以下公式对获取到的识别点分值
Figure 828348DEST_PATH_IMAGE018
进行优化，包括：
Figure 864623DEST_PATH_IMAGE023
其中，
Figure 714767DEST_PATH_IMAGE024
为处理当前时刻识别的箱包的品牌；k为函数
Figure 288968DEST_PATH_IMAGE025
的最大临界值；c为
Figure 441732DEST_PATH_IMAGE026
函数的权重系数；d为
Figure 265331DEST_PATH_IMAGE024
的权重系数；
Figure 856850DEST_PATH_IMAGE027
为
Figure 472508DEST_PATH_IMAGE026
函数的最大临界值；
Figure 858490DEST_PATH_IMAGE028
为
Figure 434964DEST_PATH_IMAGE024
的最大临界值；
该限定下函数
Figure 502278DEST_PATH_IMAGE029
所对应的
Figure 785491DEST_PATH_IMAGE021
即为第A个识别点的最高的分值
Figure 670271DEST_PATH_IMAGE021
。
通过以上公式，设定多个临界值，防止出现公式无法收敛的情况。并且，设置多个权重，可以根据箱包不同的品牌、不同的因素来调整
Figure 671725DEST_PATH_IMAGE021
，例如说一个市场价几十块钱的箱包，其出现假冒伪劣产品的概率很低，所以其
Figure 260838DEST_PATH_IMAGE024
也会进行相应的调整，使得
Figure 726454DEST_PATH_IMAGE021
的输出值尽可能的满足产品为真品的输出值。
可选地，在第一方面的一种可能实现方式中，基于以下公式，获得箱包
Figure 719818DEST_PATH_IMAGE001
的鉴定分值S：
Figure 880672DEST_PATH_IMAGE031
其中t为识别点的个数。
通过以上公式，将一个箱包不同部位的分值
Figure 617684DEST_PATH_IMAGE021
进行统计得到总分值S，充分考虑不同部位、维度的真假性、分值，并不以单一的一个部位来断定箱包的真假，使得其结果更具有客观性。
实施例2
一种基于图像处理的箱包识别装置，如图3所示，包括：
接收模块，用于接收输入的指令信息；
采集模块，用于基于指令信息采集当前时刻箱包一个或多个识别点的图像，所述指令信息与所述箱包一个或多个识别点预先对应设置；
比对识别模块，用于基于所述指令信息选取识别模型将所述箱包当前时刻的图像与预设图像比对，获得当前时刻箱包的鉴定分值；
输出模块，用于若所述鉴定分值不满足预设分值，则输出伪劣提醒数据。
实施例3
如图4所示，一种基于图像处理的箱包识别系统，包括图像获取模块和鉴定识别模块，鉴定识别模块包括检测点提取模块和检测点计分模块，图像获取模块采集待检测箱包的原始图片，检测点提取模块根据预设的检测点提取识别点从原始图片中提取识别检测点并采集相应图片，检测点计分模块根据识别检测点与数据库中的工艺展示图进行对比，计算识别检测点的得分，将每个识别检测点的得分累计获得待检测箱包的鉴定分值，将待检测箱包的单项得分和鉴定分值与预设阈值比较，输出待检测箱包的鉴定识别结果。
如图5所示，检测点提取识别点包括品牌标识提取组、镭射标提取组、五金工艺提取组、整体外观提取组、材质剪裁提取组、缝线工艺提取组和附属配件提取组。
品牌标识提取组、镭射标提取组、五金工艺提取组、整体外观提取组、材质剪裁提取组、缝线工艺提取组和附属配件提取组从各自对应的检测点提取识别点提取的识别检测点的图片的数量为3个或3个以上，图片来自识别检测点的多个角度。
品牌标识提取组提取待检测箱包的烫印品牌标识或五金品牌标识。
镭射标提取组提取待检测箱包的烫印品牌标识、防伪标和序列号。
五金工艺提取组提取待检测箱包的拉链头、链牙、按扣、铆钉、螺丝、底钉、五金扣、链条和五金环。
整体外观提取组提取待检测箱包的内撑形状、对称情况和外观形态。
材质剪裁提取组提取待检测箱包的包身材质、内衬材质和包身裁剪。
缝线工艺提取组提取待检测箱包的包身走线、凹边走线、上包走线、肩带走线、提手走线、内衬走线、线头处理和吊针走线，以及品牌特殊走线。
附属配件提取组提取待检测箱包的防尘袋、身份卡、包装盒和手提袋。
检测点计分模块计算得到待检测箱包的单项得分和鉴定分值后，对单项得分进行数据校验，将每个单项得分与最低得分阈值进行比较，若小于最低得分阈值则输出待检测箱包的鉴定识别结果为假，最低得分阈值的范围为40-60分，本实施例中，最低得分阈值的取值为49分。
识别检测点的相应进行预处理后与工艺展示图进行对比，预处理包括整流处理和滤波处理。
检测点计分模块根据识别检测点与数据库中的工艺展示图对应检测部件的相似度值计算识别检测点的得分，本实施例中，通过余弦相似度算法计算相似度值。
如图6所示，本发明从品牌数据库中调用品牌产品的工艺展示图，然后对待检测箱包的7个检测点来进行拍照上传，通过图形处理技术进行图片识别，计算识别检测点的得分，并对待检测箱包的7个识别检测点进行数据效验，然后再进行鉴定分值的数据效验，根据最终得出的效验结果判断待检测箱包是否符合品牌方的工艺特征，本发明鉴定结果可以的达到99.97%的准确率。
此外，需要说明的是，本说明书中所描述的具体实施例子，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (6)

1.一种基于图像处理的箱包识别方法，其特征在于，包括：
接收输入的指令信息；基于指令信息确定需要进行识别的包的类型，根据输入的识别点或者是包的类型应当对应的识别点进行图像的采集；
基于指令信息采集当前时刻箱包一个或多个识别点的图像，所述指令信息与所述箱包一个或多个识别点预先对应设置；每一识别点的图像为三个以上不同角度的图像；
基于所述指令信息选取识别模型将所述箱包当前时刻的图像与预设图像比对，获得当前时刻箱包的鉴定分值；
若所述鉴定分值不满足预设分值，则输出伪劣提醒数据；
所述基于所述识别模型将所述箱包当前时刻的图像与预设图像比对，获得当前时刻箱包的鉴定分值包括：
获取当前时刻所述箱包中任意一个识别点的图像，将所述当前时刻的图像与预先对应的识别点图像通过余弦相似度算法进行相似度计算，获得相似度值；
将与当前时刻所述箱包的部分相似度最高的预先对应的识别点图像对应的识别点分值输出；
所述获取当前时刻所述箱包中任意一个识别点的图像，将所述当前时刻的图像与预先对应的识别点图像通过余弦相似度算法进行相似度计算，获得相似度值包括：
一个箱包Ω2有m个识别点，箱包集记为Ω2＝(e1，e2，…，em)，ei表示其中一个识别点，i＝(1，2，…，m)；从数据库系统中确定出识别点I对应的识别点分值；针对识别点I对应的识别点分值，建立如下决策矩阵Aij：
Figure FDA0003903808680000021
其中，aij是箱包i在识别点I的维度j下所具有分值，j＝(1，2，…，p)；
按照如下公式，分别计算所有箱包在识别点I的维度j下的分值之和Cj，j＝(1，2，…，p)；该公式为：
Figure FDA0003903808680000022
确定所有Cj中的最大值Cx，将Cx所对应的维度x确定为识别点I的最大识别点分值；
获取一个或多个识别点Ai，识别点Ai的集合为θ1＝(A1，A2，…，An)，θ1＝(A1，A2，…，An)为识别点Ai具有的不同维度，每个维度对应识别点的不同角度；
还包括数据库系统，用于预先存储每个维度对应的识别点分值，识别点分值的集合为θ2＝(B1，B2，…，Bn)，Bi表示箱包i的识别点分值；
按照以下公式，分别计算当前时刻每个识别点与预先存储的识别点分值之间的相似度：
Figure FDA0003903808680000023
其中，A表示当前时刻识别的一个识别点，Bi表示识别点分值中的一个识别点分值，i从1到n遍历；确定满足以下条件的Bi，将该Bi确定为当前时刻识别的识别点A的最佳识别点分值；
通过以下公式对获取到的识别点分值Bi进行优化，包括：
Figure FDA0003903808680000031
其中，Q为处理当前时刻识别的箱包的品牌；k为函数Jδ(A，Bi)的最大临界值；c为Jδ函数的权重系数；d为Q的权重系数；J0为Jδ函数的最大临界值；Q0为Q的最大临界值；
该限定下函数Jδ(A，Bi)所对应的Bi即为第A个识别点的最高的分值Bi；
基于以下公式，获得箱包Ω2的鉴定分值S：
Figure FDA0003903808680000032
其中t为识别点的个数。
2.一种基于图像处理的箱包识别装置，其特征在于，包括：
接收模块，用于接收输入的指令信息；基于指令信息确定需要进行识别的包的类型，根据输入的识别点或者是包的类型应当对应的识别点进行图像的采集；
采集模块，用于基于指令信息采集当前时刻箱包一个或多个识别点的图像，所述指令信息与所述箱包一个或多个识别点预先对应设置；每一识别点的图像为三个以上不同角度的图像；
比对识别模块，用于基于所述指令信息选取识别模型将所述箱包当前时刻的图像与预设图像比对，获得当前时刻箱包的鉴定分值；
输出模块，用于若所述鉴定分值不满足预设分值，则输出伪劣提醒数据；
所述基于所述识别模型将所述箱包当前时刻的图像与预设图像比对，获得当前时刻箱包的鉴定分值包括：
获取当前时刻所述箱包中任意一个识别点的图像，将所述当前时刻的图像与预先对应的识别点图像通过余弦相似度算法进行相似度计算，获得相似度值；
将与当前时刻所述箱包的部分相似度最高的预先对应的识别点图像对应的识别点分值输出；
所述获取当前时刻所述箱包中任意一个识别点的图像，将所述当前时刻的图像与预先对应的识别点图像通过余弦相似度算法进行相似度计算，获得相似度值包括：
一个箱包Ω2有m个识别点，箱包集记为Ω2＝(e1，e2，…，em)，ei表示其中一个识别点，i＝(1，2，…，m)；从数据库系统中确定出识别点I对应的识别点分值；针对识别点I对应的识别点分值，建立如下决策矩阵Aij：
Figure FDA0003903808680000041
其中，aij是箱包i在识别点I的维度j下所具有分值，j＝(1，2，…，p)；
按照如下公式，分别计算所有箱包在识别点I的维度j下的分值之和Cj，j＝(1，2，…，p)；该公式为：
Figure FDA0003903808680000051
确定所有Cj中的最大值Cx，将Cx所对应的维度x确定为识别点I的最大识别点分值；
获取一个或多个识别点Ai，识别点Ai的集合为θ1＝(A1，A2，…，An)，θ1＝(A1，A2，…，An)为识别点Ai具有的不同维度，每个维度对应识别点的不同角度；
还包括数据库系统，用于预先存储每个维度对应的识别点分值，识别点分值的集合为θ2＝(B1，B2，…，Bn)，Bi表示箱包i的识别点分值；
按照以下公式，分别计算当前时刻每个识别点与预先存储的识别点分值之间的相似度：
Figure FDA0003903808680000052
其中，A表示当前时刻识别的一个识别点，Bi表示识别点分值中的一个识别点分值，i从1到n遍历；确定满足以下条件的Bi，将该Bi确定为当前时刻识别的识别点A的最佳识别点分值；
通过以下公式对获取到的识别点分值Bi进行优化，包括：
Figure FDA0003903808680000053
其中，Q为处理当前时刻识别的箱包的品牌；k为函数Jδ(A，Bi)的最大临界值；c为Jδ函数的权重系数；d为Q的权重系数；J0为Jδ函数的最大临界值；Q0为Q的最大临界值；
该限定下函数Jδ(A，Bi)所对应的Bi即为第A个识别点的最高的分值Bi；
基于以下公式，获得箱包Ω2的鉴定分值S：
Figure FDA0003903808680000061
其中t为识别点的个数。
3.一种基于图像处理的箱包识别系统，包括权利要求2所述的装置，其特征在于，
该系统还包括能够对识别点进行图像采集的品牌标识提取组、镭射标提取组、五金工艺提取组、整体外观提取组、材质剪裁提取组、缝线工艺提取组和附属配件提取组。
4.根据权利要求3所述的系统，其特征在于，
所述品牌标识提取组提取待检测箱包的烫印品牌标识或五金品牌标识；
所述镭射标提取组提取待检测箱包的烫印品牌标识、防伪标和序列号；
所述五金工艺提取组提取待检测箱包的拉链头、链牙、按扣、铆钉、螺丝、底钉、五金扣、链条和五金环。
5.根据权利要求3所述的系统，其特征在于，
所述整体外观提取组提取待检测箱包的内撑形状、对称情况和外观形态；
所述材质剪裁提取组提取待检测箱包的包身材质、内衬材质和包身裁剪；
所述缝线工艺提取组提取待检测箱包的包身走线、肩带走线、凹边走线、上包走线、肩带走线、提手走线、内衬走线、线头处理和吊针走线，以及品牌特殊走线；
所述附属配件提取组提取待检测箱包的防尘袋、身份卡、包装盒和手提袋。
6.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现权利要求1所述的方法。
CN202110329794.6A 2021-03-29 2021-03-29 一种基于图像处理的箱包识别方法、系统及存储介质 Active CN112712139B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110329794.6A CN112712139B (zh) 2021-03-29 2021-03-29 一种基于图像处理的箱包识别方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110329794.6A CN112712139B (zh) 2021-03-29 2021-03-29 一种基于图像处理的箱包识别方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN112712139A CN112712139A (zh) 2021-04-27
CN112712139B true CN112712139B (zh) 2022-12-02

Family

ID=75550333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110329794.6A Active CN112712139B (zh) 2021-03-29 2021-03-29 一种基于图像处理的箱包识别方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN112712139B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463962A (zh) * 2017-08-08 2017-12-12 张天君 一种显微人工智能鉴定皮包的方法和系统
CN108520285A (zh) * 2018-04-16 2018-09-11 清华大学 物品鉴别方法、系统、设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101644570B1 (ko) * 2015-04-17 2016-08-01 유미나 물품 감정 장치
CN106570703A (zh) * 2015-10-09 2017-04-19 阿里巴巴集团控股有限公司 商品对象鉴定信息处理方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463962A (zh) * 2017-08-08 2017-12-12 张天君 一种显微人工智能鉴定皮包的方法和系统
CN108520285A (zh) * 2018-04-16 2018-09-11 清华大学 物品鉴别方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN112712139A (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
WO2020155939A1 (zh) 图像识别方法、装置、存储介质和处理器
CN102902959B (zh) 基于二代身份证存储证件照的人脸识别方法及系统
CN105095827B (zh) 人脸表情识别装置和方法
US8929595B2 (en) Dictionary creation using image similarity
US10062173B1 (en) Composite image detection
KR20180022677A (ko) 지문기반 인증을 위한 장치 및 컴퓨터 구현방법
CN102663413A (zh) 一种面向多姿态和跨年龄的人脸图像认证方法
CN108140107B (zh) 快速、高精度的大型指纹验证系统
JP2014182480A (ja) 人物認識装置、及び方法
US20100272350A1 (en) Methods and apparatus to perform image classification based on pseudorandom features
US11816923B2 (en) Face image candidate determination apparatus for authentication, face image candidate determination method for authentication, program, and recording medium
JP6458239B1 (ja) 画像認識システム
US20210406351A1 (en) Non-face-to-face authentication system
US20160292757A1 (en) Commercial product evaluation device, method and program
JP7183753B2 (ja) リスト生成装置、被写体識別装置、リスト生成方法、及びプログラム
CN103218610A (zh) 狗脸检测器的形成方法和狗脸检测方法
US20090091802A1 (en) Local Image Descriptors Using Linear Discriminant Embedding
CN104091173A (zh) 一种基于网络摄像机的性别识别方法及装置
CN109558792A (zh) 一种基于样本和特征检测互联网徽标内容的方法和系统
JP6236825B2 (ja) 自動販売機の販売商品認識装置及び販売商品認識方法、並びにコンピュータ・プログラム
US20120328198A1 (en) Dictionary data registration apparatus for image recognition, method therefor, and program
CN112712139B (zh) 一种基于图像处理的箱包识别方法、系统及存储介质
CN110889366A (zh) 一种基于面部表情判断用户兴趣度的方法及系统
JP7231165B2 (ja) 検証システム
EP3958171A1 (en) Automatic method to determine the authenticity of a product

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
CP03 Change of name, title or address

Address after: 100071 room 1486, floor 9, building 19, District 16, 188 South Fourth Ring Road West, Fengtai District, Beijing

Patentee after: Beijing Feiling Technology Co.,Ltd.

Country or region after: China

Patentee after: Shanghai Feiyu Digital Technology Co.,Ltd.

Address before: 100071 room 1486, floor 9, building 19, District 16, 188 South Fourth Ring Road West, Fengtai District, Beijing

Patentee before: Beijing Feiling Technology Co.,Ltd.

Country or region before: China

Patentee before: Shanghai Feiyu Network Technology Co.,Ltd.