CN112767337A - 一种烟盒检测方法和装置 - Google Patents
一种烟盒检测方法和装置 Download PDFInfo
- Publication number
- CN112767337A CN112767337A CN202110035335.7A CN202110035335A CN112767337A CN 112767337 A CN112767337 A CN 112767337A CN 202110035335 A CN202110035335 A CN 202110035335A CN 112767337 A CN112767337 A CN 112767337A
- Authority
- CN
- China
- Prior art keywords
- sub
- image
- value
- description operator
- preset
- 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
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
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)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种对象检测方法和装置,获取指定对象的第一灰度图像;将第一灰度图像拆分为多个尺寸相同的子图像;其中,相邻的两个子图像之间存在重叠的图像区域;针对每一子图像,在该子图像中确定出纹理信息大于预设纹理信息阈值的一个子图像块;将子图像块中的像素点进行傅里叶变换,生成对应的频谱图;基于将各个子图像的频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到第一纹理特征的描述算子值,作为第一描述算子值,以及第二纹理特征的描述算子值,作为第二描述算子值;基于第一描述算子值、第二描述算子值、预设的第一阈值和第二阈值,确定指定对象为真品的概率。如此,能够提高检测的精度。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种对象检测方法和装置,尤其是烟盒。
背景技术
随着图像处理技术的快速发展,基于图像处理的检测方法广泛地应用在各个领域。相关技术中,可以基于图像处理技术,对不同的对象进行检测。例如,可以基于香烟的包装盒的图像检测假冒香烟,也可以基于酒的包装盒的图像检测假冒酒。
相关技术中,可以采集真香烟的包装盒的图像(可以称为样本图像),进而,可以获取样本图像中角点的位置信息。相应的,也可以采集待检测香烟的包装盒的图像(可以称为待检测图像),并获取待检测图像中角点的位置信息。然后,可以比较待检测图像中角点的位置信息,与样本图像中角点的位置信息的相似度。如果相似度大于预设阈值,则可以确定待检测香烟为真品(即为真香烟);如果相似度小于预设阈值,则可以确定待检测香烟为假冒香烟。
然而,即使待检测香烟为真香烟,由于采集的图像的亮度、图像噪声的影响,使得采集的待检测图像和待检测图像可能不够清晰,这会导致待检测图像中角点的位置信息,与样本图像中角点的位置信息的相似度小于预设阈值,进而,确定待检测香烟为假冒香烟,造成检测的精度不够高。
发明内容
本申请实施例的目的在于提供一种对象检测方法和装置,以提高检测的精度。具体技术方案如下:
第一方面,为了达到上述目的,本申请实施例公开了一种对象检测方法,所述方法包括:
获取指定对象的第一灰度图像;
将所述第一灰度图像拆分为多个尺寸相同的子图像;其中,相邻的两个子图像之间存在重叠的图像区域;
针对每一子图像,在该子图像中确定出纹理信息大于预设纹理信息阈值的一个子图像块;
将所述子图像块中的像素点进行傅里叶变换,生成对应的频谱图;
基于将各个子图像的频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到第一纹理特征的描述算子值,作为第一描述算子值,以及第二纹理特征的描述算子值,作为第二描述算子值;
基于所述第一描述算子值、所述第二描述算子值、预设的第一阈值和第二阈值,确定所述指定对象为真品的概率;其中,所述第一阈值包括:基于为真品的对象的灰度图像,多次运算生成的第一纹理特征的描述算子值的均值和方差;所述第二阈值包括:基于为真品的对象的灰度图像,多次运算生成的第二纹理特征的描述算子值的均值和方差。
可选的,所述基于所述第一描述算子值、所述第二描述算子值、预设的第一阈值和第二阈值,确定所述指定对象为真品的概率,包括:
基于所述第一描述算子值和预设的第一阈值的指数函数运算,得到第一概率;
基于所述第二描述算子值和预设的第二阈值的指数函数运算,得到第二概率;
基于所述第一概率和所述第二概率,确定所述指定对象为真品的概率。
可选的,所述基于所述第一描述算子值和预设的第一阈值的指数函数运算,得到第一概率,包括:
计算所述第一描述算子值,在预设的第一阈值构成的高斯分布中对应的概率,作为第一概率;
所述基于所述第二描述算子值和预设的第二阈值的指数函数运算,得到第二概率,包括:
计算所述第二描述算子值,在预设的第二阈值构成的高斯分布中对应的概率,作为第二概率。
可选的,所述第一灰度图像具有M列;
所述将所述第一灰度图像拆分为多个尺寸相同的子图像,包括:
响应于将所述第一灰度图像拆分成奇数P个子图像的指令,对所述第一灰度图像进行拆分,得到P个子图像;其中,第一个子图像的列包括所述第一灰度图像中的第1列至第2M/(P+1)列,第P个子图像的列包括所述第一灰度图像中的第(P-1)M/(P+1)列至第M列。
可选的,所述针对每一子图像,在该子图像中确定出纹理信息大于预设纹理信息阈值的一个子图像块,包括:
针对每一子图像,计算该子图像中每一像素点的像素值的梯度值;
针对该子图像中每一行像素点,计算该行像素点的像素值的梯度值的和值,并确定出和值最大的行,作为目标行;以及针对该子图像中每一列像素点,计算该列像素点的像素值的梯度值的和值,并确定出和值最大的列,作为目标列;
确定所述目标行和所述目标列对应的坐标,作为初始坐标;
按照该子图像的大小,对所述初始坐标进行修正,得到目标坐标;
在该子图像中,获取以目标坐标为中心点的最大的正方形的子图像块。
可选的,所述基于将各个子图像的频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到第一纹理特征的描述算子值,作为第一描述算子值,以及第二纹理特征的描述算子值,作为第二描述算子值,包括:
针对每一子图像块对应的频谱图,基于将该频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到对应的第一频率曲线;其中,所述第一频率曲线的横坐标表示:该频谱图中像素点的极坐标中半径的整数部分;所述第一频率曲线的纵坐标表示:该频谱图中相同横坐标的像素点的幅值的和值;
对各个子图像块对应的第一频率曲线进行叠加,得到第二频率曲线;
基于所述第二频率曲线,得到第一纹理特征的描述算子值,作为第一描述算子值,以及第二纹理特征的描述算子值,作为第二描述算子值。
可选的,所述基于所述第二频率曲线,得到第一纹理特征的描述算子值,作为第一描述算子值,以及第二纹理特征的描述算子值,作为第二描述算子值,包括:
计算所述第二频率曲线中第一预设半径区间对应的纵坐标的总和值,得到第一纹理特征的描述算子值,作为第一描述算子值;
计算所述第二频率曲线中第二预设半径区间对应的纵坐标的总和值,得到第二纹理特征的描述算子值,作为第二描述算子值,其中,所述第一预设半径区间和所述第二预设半径区间不相交。
可选的,所述针对每一子图像块对应的频谱图,基于将该频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到对应的第一频率曲线,包括:
针对每一子图像块对应的频谱图,基于将该频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到对应的第三频率曲线;
获取该子图像块对应的第三频率曲线中指定半径范围内的部分,得到对应的第四频率曲线;
基于该子图像块对应的第四频率曲线,得到该子图像块对应的第一频率曲线。
可选的,所述基于该子图像块对应的第四频率曲线,得到该子图像块对应的第一频率曲线,包括:
针对该子图像块对应的第四频率曲线中的每一坐标点,计算该坐标点的预设领域范围内各个坐标点,在该子图像块对应的第四频率曲线中的纵坐标的平均值,作为该坐标点的局部均值;
将该坐标点的纵坐标修改为,该坐标点在该子图像块对应的第四频率曲线中的纵坐标与该坐标点的局部均值的差值,得到该子图像块对应的第一频率曲线。
可选的,所述针对每一子图像块对应的频谱图,基于将该频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到对应的第三频率曲线,包括:
针对每一子图像块对应的频谱图,将该频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到对应的第五频率曲线;
对该子图像块对应的第五频率曲线中各坐标点的纵坐标进行归一化处理,得到对应的第六频率曲线;
按照指定半径,对该子图像块对应的第六频率曲线进行高斯滤波处理,得到该子图像块对应的第三频率曲线。
本申请实施例提供了一种对象检测方法,获取指定对象的第一灰度图像;将第一灰度图像拆分为多个尺寸相同的子图像;其中,相邻的两个子图像之间存在重叠的图像区域;针对每一子图像,在该子图像中确定出纹理信息大于预设纹理信息阈值的一个子图像块;将子图像块中的像素点进行傅里叶变换,生成对应的频谱图;基于将各个子图像的频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到第一纹理特征的描述算子值,作为第一描述算子值,以及第二纹理特征的描述算子值,作为第二描述算子值;基于第一描述算子值、第二描述算子值、预设的第一阈值和第二阈值,确定指定对象为真品的概率;其中,第一阈值包括:基于为真品的对象的灰度图像,多次运算生成的第一纹理特征的描述算子值的均值和方差;第二阈值包括:基于为真品的对象的灰度图像,多次运算生成的第二纹理特征的描述算子值的均值和方差。
基于频谱图得到的纹理特征较稳定,相对于角点的位置信息,其受采集的图像的亮度、图像噪声的影响较小,因此,本申请实施例提供的对象检测方法能够提高检测的精度。
当然,实施本申请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申请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申请的一些实施例,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为本申请实施例提供的一种对象检测方法的流程图;
图2为本申请实施例提供的另一种对象检测方法的流程图;
图3为本申请实施例提供的一种灰度图像的示意图;
图4为对图3的灰度图像进行拆分得到的子图像的示意图;
图5为本申请实施例提供的另一种对象检测方法的流程图;
图6为本申请实施例提供的另一种对象检测方法的流程图;
图7为本申请实施例提供的一种频谱图中像素点的分布示意图;
图8为本申请实施例提供的另一种对象检测方法的流程图;
图9为本申请实施例提供的一种对象检测装置的结构图;
图10为本申请实施例提供的一种电子设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
相关技术中,基于图像中角点的位置信息进行检测,由于角点的位置信息容易受到采集的图像的亮度、图像噪声的影响,进而,使得检测的精度不够高。
为了解决上述问题,本申请实施例提供了一种对象检测方法,参见图1,图1为本申请实施例提供的一种对象检测方法的流程图,该方法可以包括以下步骤:
S101:获取指定对象的第一灰度图像。
S102:将所述第一灰度图像拆分为多个尺寸相同的子图像。
其中,相邻的两个子图像之间存在重叠的图像区域。
S103:针对每一子图像,在该子图像中确定出纹理信息大于预设纹理信息阈值的一个子图像块。
S104:将子图像块中的像素点进行傅里叶变换,生成对应的频谱图。
S105:基于将各个子图像的频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到第一纹理特征的描述算子值,作为第一描述算子值,以及第二纹理特征的描述算子值,作为第二描述算子值。
S106:基于第一描述算子值、第二描述算子值、预设的第一阈值和第二阈值,确定指定对象为真品的概率。
其中,本发明实施例提供的一种对象检测方法,可以用于对烟草、化妆品、酒水等物品进行真伪的鉴别。在应用本发明实施例提供的对象检测方法时,所针对的对象便可以包括:烟盒、化妆品包装盒、酒水包装盒等,在此本发明实施例不做具体限定。
其中,第一阈值包括:基于为真品的对象的灰度图像,多次运算生成的第一纹理特征的描述算子值的均值和方差;第二阈值包括:基于为真品的对象的灰度图像,多次运算生成的第二纹理特征的描述算子值的均值和方差。
基于频谱图得到的纹理特征较稳定,相对于角点的位置信息,其受采集的图像的亮度、图像噪声的影响较小,因此,本申请实施例提供的对象检测方法能够提高检测的精度。
针对步骤S101,指定对象也就是当前需要进行检测的对象,以确定指定对象是否为真品。指定对象可以为香烟,则第一灰度图像可以为该香烟的包装盒的灰度图像;或者,指定对象也可以为酒,则第一灰度图像可以为该酒的包装盒的灰度图像。
针对步骤S104,一种实现方式中,针对每一子图像,可以对该子图像中的像素点进行二维快速傅里叶变换,得到对应的频谱图,该频谱图可以包含每一像素点的幅值。
针对步骤S106,为真品的对象可以称为样本对象,指定对象为香烟,则样本对象则可以为真香烟;或者,指定对象为酒,则样本对象则可以为真酒。即,可以预先基于样本对象的灰度图像(可以称为样本灰度图像),进行多次运算,生成第一纹理特征的描述算子值的均值和方差,得到第一阈值,以及生成第二纹理特征的描述算子值的均值和方差,得到第二阈值。
基于样本灰度图像生成第一纹理特征的描述算子值,以及第二纹理特征的描述算子值的方法,可以参考上述步骤S101-S105。
一种实现方式中,样本灰度图像可以为样本对象的局部图像,相应的,第一灰度图像也可以是指定对象的局部图像,且为了进一步提高检测的精度,样本灰度图像和第一灰度图像对应的位置相同。
在一个实施例中,参见图2,在图1的基础上,上述步骤S106可以包括以下步骤:
S1061:基于第一描述算子值和预设的第一阈值的指数函数运算,得到第一概率。
S1062:基于第二描述算子值和预设的第二阈值的指数函数运算,得到第二概率。
S1063:基于第一概率和第二概率,确定指定对象为真品的概率。
在本申请实施例中,第一概率可以表示基于第一纹理特征,第一灰度图像与样本灰度图像的相似程度,也就是,基于第一纹理特征,指定对象为真品的概率;第二概率可以表示基于第二纹理特征,第一灰度图像与样本灰度图像的相似程度,也就是,基于第二纹理特征,指定对象为真品的概率。
一种实现方式中,可以计算第一概率与第二概率的平均值,作为指定对象为真品的最终的概率。或者,也可以基于预设权重,计算第一概率与第二概率的加权和,作为指定对象为真品的最终的概率。或者,也可以选取第一概率和第二概率中的一个概率,作为指定对象为真品的最终的概率。
在一个实施例中,上述步骤S1061可以包括:计算第一描述算子值,在预设的第一阈值构成的高斯分布中对应的概率,作为第一概率。
相应的,上述步骤S1062可以包括:计算第二描述算子值,在预设的第二阈值构成的高斯分布中对应的概率,作为第二概率。
示例性地,样本对象为10个均为真品的对象,则针对每一样本对象,可以确定出对应的第一纹理特征的描述算子值和第二纹理特征的描述算子值,进而,可以计算10个第一纹理特征的描述算子值的均值mean1,方差var1,以及10个第二纹理特征的描述算子值的均值mean2,方差var2。
相应的,可以基于指定对象的第一灰度图像,计算第一描述算子值temp_f1,以及第二描述算子值temp_f2。
然后,可以基于下列公式(1)和(2)计算第一概率和第二概率。
P1表示第一概率,P2表示第二概率,K1和K2为第一预设系数,例如,可以为16,或者,也可以为10,但并不限于此。
在一个实施例中,第一灰度图像具有M列,相应的,上述步骤S102可以包括:响应于将第一灰度图像拆分成奇数P个子图像的指令,对第一灰度图像进行拆分,得到P个子图像。
其中,第一个子图像的列包括第一灰度图像中的第1列至第2M/(P+1)列,第P个子图像的列包括第一灰度图像中的第(P-1)M/(P+1)列至第M列。拆分得到的子图像可以称为第一子图像。奇数P可以由技术人员根据经验和需求进行设置,例如,P可以为3,或者,P也可以为5,但并不限于此。
在本申请实施例中,可以按照横向(即行的方向)对第一灰度图像进行拆分。例如,参见图3,如果第一灰度图像为图3所示的图像,P为3,且按照行的方向进行拆分,则可以得到图4所示的3个子图像。由图4可以看出,最左侧的子图像与中间的子图像具有重叠的图像区域,最右侧的子图像与中间的子图像具有重叠的图像区域。
一种实现方式中,可以将第一灰度图像中的第1列至第2M/(P+1)列,确定为第一个子图像,将第一灰度图像中的第(P-1)M/(P+1)列至第M列,确定为最后一个子图像(即第P个子图像)。然后,可以基于第一个子图像和最后一个子图像包含的列数,以及相邻的两个子图像之间重叠的图像区域包含的列数,确定其他的子图像。
可以理解的是,也可以预先对样本灰度图像进行拆分,得到多个子图像(可以称为样本子图像),并基于多个样本子图像,得到第一阈值和第二阈值。对样本灰度图像进行拆分的方法,与对第一灰度图像进行拆分的方法类似。
在一个实施例中,参见图5,上述步骤S103可以包括:
S1031:针对每一子图像,计算该子图像中每一像素点的像素值的梯度值。
S1032:针对该子图像中每一行像素点,计算该行像素点的像素值的梯度值的和值,并确定出和值最大的行,作为目标行;以及针对该子图像中每一列像素点,计算该列像素点的像素值的梯度值的和值,并确定出和值最大的列,作为目标列。
S1033:确定目标行和目标列对应的坐标,作为初始坐标。
S1034:按照该子图像的大小,对初始坐标进行修正,得到目标坐标。
S1035:在该子图像中,获取以目标坐标为中心点的最大的正方形的子图像块。
在本申请实施例中,针对一个第一子图像中的每一像素点,可以基于公式(3),计算该像素点的像素值的梯度。
Grad(i,j)=|Y(i-1,j)-Y(i+1,j)|+|Y(i,j-1)-Y(i,j+1)| (3)
其中,Grad(i,j)表示坐标为(i,j)的像素点的像素值的梯度,Y(i-1,j)表示坐标为(i-1,j)的像素点的像素值,Y(i+1,j)表示坐标为(i+1,j)的像素点的像素值,Y(i,j-1)表示坐标为(i,j-1)的像素点的像素值,Y(i,j+1)表示坐标为(i,j+1)的像素点的像素值。
一种实现方式中,若目标行和目标列对应的坐标(即初始坐标)为(rows_max1,cols_max1),则可以基于该子图像的大小,确定修正值L。例如,L满足条件:L=2k<min(n,m),k取最大值。其中,n表示该子图像的宽度,m表示该子图像的长度。
进而,可以基于公式(4)和公式(5),确定目标坐标。
其中,(rows_max2,cols_max2)表示目标坐标。
在一个实施例中,在确定出目标坐标后,也可以获取以目标坐标为中心点的最大的长方形的子图像块,作为纹理信息大于预设纹理信息阈值的一个子图像块。
在另一个实施例中,针对每一行像素点,计算该行像素点的像素值的梯度值的和值后,还可以对计算出的各个和值进行均值滤波处理,以去除异常数据,进而,从滤波处理后的各个和值中,确定出最大数值对应的行,作为目标行。
相应的,针对每一列像素点,计算该列像素点的像素值的梯度值的和值后,还可以对计算出的各个和值进行均值滤波处理,以去除异常数据,进而,从滤波处理后的各个和值中,确定出最大数值对应的列,作为目标列。
可以理解的是,也可以预先从样本子图像中提取子图像块(可以称为样本子图像块),其方式与上述S1031-S1035类似。
另外,在一个实施例中,在预先确定出各样本子图像块后,可以记录各个样本子图像块在样本子图像中的位置(可以称为裁剪位置)。
进而,当需要从第一子图像中提取第一子图像块时,可以在每一第一子图像中,获取对应的样本子图像中的样本子图像块的裁剪位置对应的图像块,作为第一图像块,以使确定出的第一子图像块与样本子图像块的位置一致。而不需要基于像素点的像素值的梯度值,确定第一子图像块。
在一个实施例中,参见图6,上述S105可以包括以下步骤:
S1051:针对每一子图像块对应的频谱图,基于将该频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到对应的第一频率曲线。
其中,第一频率曲线的横坐标表示:该频谱图中像素点的极坐标中半径的整数部分;第一频率曲线的纵坐标表示:该频谱图中相同横坐标的像素点的幅值的和值。
在一个实施例中,每一第一子图像块对应的频谱图可以称为第一频谱图。针对每一第一频谱图,可以将该第一频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到对应的频率曲线(即下文中的第五频率曲线),进而,可以将第五频率曲线,作为第一频率曲线。
例如,可以基于公式(6)计算像素点的极坐标中的半径。
r=sqrt(x1×x1+y1×y1) (6)
其中,(x1,y1)表示像素坐标,r表示极坐标中的半径。对r取整可以得到对应的极坐标中的半径的整数部分。
例如,参见图7,图7为本申请实施例提供的一种频谱图中像素点的分布示意图。
图7中,标号为1的像素点的像素坐标为(0,0),相应的,其对应的极坐标中的半径为0,其整数部分也为0;标号为2的像素点的像素坐标为(0,1)和(1,0),相应的,其对应的极坐标中的半径为1,其整数部分也为1。
另一个实施例中,参见图8,上述步骤S1051可以包括以下步骤:
S10511:针对每一子图像块对应的频谱图,基于将该频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到对应的第三频率曲线。
S10512:获取该子图像块对应的第三频率曲线中指定半径范围内的部分,得到对应的第四频率曲线。
S10513:基于该子图像块对应的第四频率曲线,得到该子图像块对应的第一频率曲线。
在一个实施例中,针对每一第一频谱图,可以将该第一频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到对应的频率曲线(即第五频率曲线),进而,可以将第五频率曲线,作为第三频率曲线。然后,可以直接获取第三频率曲线中,指定半径范围内的部分,作为第四频率曲线。
其中,指定半径范围可以为第三频率曲线中的中低频范围。例如,得到的第三频率曲线的横坐标的范围为0-160,相应的,指定半径范围可以为4-33,或者,也可以为5-40,但并不限于此。由于频率曲线的中低频范围对应的部分更加稳定,因此,基于第四频率曲线确定出的第一频率曲线更加稳定,进而,能够进一步提高检测的精度。
在另一个实施例中,上述步骤S10511可以包括以下步骤:
步骤1:针对每一子图像块对应的频谱图,将该频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到对应的第五频率曲线。
步骤2:对该子图像块对应的第五频率曲线中各坐标点的纵坐标进行归一化处理,得到对应的第六频率曲线。
步骤3:按照指定半径,对该子图像块对应的第六频率曲线进行高斯滤波处理,得到该子图像块对应的第三频率曲线。
在本申请实施例中,在得到第五频率曲线后,可以先进行归一化处理。
例如,可以基于第五频率曲线中最小的横坐标对应的纵坐标,对第五频率曲线进行归一化。具体的,可以基于公式(7)进行归一化处理。
S11=D×S1/S2 (7)
其中,S1表示归一化前第五频率曲线中横坐标对应的纵坐标,S2表示第五频率曲线中最小的横坐标对应的纵坐标,D表示第二预设系数,例如,D可以为1000;S11表示归一化后该横坐标对应的纵坐标。
例如,可以基于公式(8),进行半径为2的一维高斯滤波。
其中,S(q-2)表示第六频率曲线中,横坐标为q-2对应的纵坐标;S(q-1)表示第六频率曲线中,横坐标为q-1对应的纵坐标;S(q)表示第六频率曲线中,横坐标为q对应的纵坐标;S(q+1)表示第六频率曲线中,横坐标为q+1对应的纵坐标;S(q+2)表示第六频率曲线中,横坐标为q+2对应的纵坐标;S′(q)表示高斯滤波后横坐标为q对应的纵坐标。
在一个实施例中,上述步骤S10513可以包括以下步骤:
步骤一:针对该子图像块对应的第四频率曲线中的每一坐标点,计算该坐标点的预设领域范围内各个坐标点,在该子图像块对应的第四频率曲线中的纵坐标的平均值,作为该坐标点的局部均值。
步骤二:将该坐标点的纵坐标修改为,该坐标点在该子图像块对应的第四频率曲线中的纵坐标与该坐标点的局部均值的差值,得到该子图像块对应的第一频率曲线。
例如,可以基于公式(9),计算坐标点的局部均值。
其中,S′(p)表示第四频率曲线中,横坐标为p的坐标点的局部均值;S(p-4)表示第四频率曲线中,横坐标为p-1对应的纵坐标;S(p-3)表示第四频率曲线中,横坐标为p-3对应的纵坐标;S(p+3)表示第四频率曲线中,横坐标为p+3对应的纵坐标;S(p+4)表示第四频率曲线中,横坐标为p+1对应的纵坐标。
S1052:对各个子图像块对应的第一频率曲线进行叠加,得到第二频率曲线。
在本申请实施例中,如果采取上述步骤一和步骤二,确定第一频率曲线,计算出的第一频率曲线中的纵坐标可能会出现负值。因此,在对各个第一频率曲线进行叠加时,针对同一横坐标,可以计算该横坐标在各个第一频率曲线中对应的纵坐标的和值的绝对值,得到第二频率曲线。
S1053:基于第二频率曲线,得到第一纹理特征的描述算子值,作为第一描述算子值,以及第二纹理特征的描述算子值,作为第二描述算子值。
在一个实施例中,在确定出第二频率曲线后,可以分别得到第一纹理特征的描述算子值,以及第二纹理特征的描述算子值。
第一纹理特征的描述算子值和第二纹理特征的描述算子值,可以表示第二频率曲线中指定横坐标对应的纵坐标的值;或者,也可以表示第二频率曲线中指定横坐标范围对应的纵坐标的总和值。
在一个实施例中,上述步骤S1053可以包括以下步骤:
步骤1:计算第二频率曲线中第一预设半径区间对应的纵坐标的总和值,得到第一纹理特征的描述算子值,作为第一描述算子值。
步骤2:计算第二频率曲线中第二预设半径区间对应的纵坐标的总和值,得到第二纹理特征的描述算子值,作为第二描述算子值。
其中,第一预设半径区间和第二预设半径区间不相交。
在一个实施例中,可以基于第二频率曲线的横坐标,将第二频率曲线划分为两个子曲线,一个子曲线对应第一预设半径区间,另一个子曲线对应第二预设半径区间。在对第二频率曲线进行划分时,可以平均划分,也可以不平均划分。
进而,针对每一个预设半径区间,可以确定其对应的子曲线中纵坐标的总和值,作为对应的描述算子值。
基于相同的发明构思,本申请实施例还提供了一种对象检测装置,参见图9,图9为本申请实施例提供的一种对象检测装置的结构图,该装置可以包括:
灰度图像获取模块901,用于获取指定对象的第一灰度图像;
图像拆分模块902,用于将所述第一灰度图像拆分为多个尺寸相同的子图像;其中,相邻的两个子图像之间存在重叠的图像区域;
子图像块确定模块903,用于针对每一子图像,在该子图像中确定出纹理信息大于预设纹理信息阈值的一个子图像块;
频谱图获取模块904,用于将所述子图像块中的像素点进行傅里叶变换,生成对应的频谱图;
描述算子值获取模块905,用于基于将各个子图像的频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到第一纹理特征的描述算子值,作为第一描述算子值,以及第二纹理特征的描述算子值,作为第二描述算子值;
概率确定模块906,用于基于所述第一描述算子值、所述第二描述算子值、预设的第一阈值和第二阈值,确定所述指定对象为真品的概率;其中,所述第一阈值包括:基于为真品的对象的灰度图像,多次运算生成的第一纹理特征的描述算子值的均值和方差;所述第二阈值包括:基于为真品的对象的灰度图像,多次运算生成的第二纹理特征的描述算子值的均值和方差。
可选的,所述概率确定模块906,包括:
第一概率确定子模块,用于基于所述第一描述算子值和预设的第一阈值的指数函数运算,得到第一概率;
第二概率确定子模块,用于基于所述第二描述算子值和预设的第二阈值的指数函数运算,得到第二概率;
第三概率确定子模块,用于基于所述第一概率和所述第二概率,确定所述指定对象为真品的概率。
可选的,所述第一概率确定子模块,具体用于计算所述第一描述算子值,在预设的第一阈值构成的高斯分布中对应的概率,作为第一概率;
所述第二概率确定子模块,具体用于计算所述第二描述算子值,在预设的第二阈值构成的高斯分布中对应的概率,作为第二概率。
可选的,所述第一灰度图像具有M列;
所述图像拆分模块902,具体用于响应于将所述第一灰度图像拆分成奇数P个子图像的指令,对所述第一灰度图像进行拆分,得到P个子图像;其中,第一个子图像的列包括所述第一灰度图像中的第1列至第2M/(P+1)列,第P个子图像的列包括所述第一灰度图像中的第(P-1)M/(P+1)列至第M列。
可选的,所述子图像块确定模块903,包括:
梯度值计算子模块,用于针对每一子图像,计算该子图像中每一像素点的像素值的梯度值;
处理子模块,用于针对该子图像中每一行像素点,计算该行像素点的像素值的梯度值的和值,并确定出和值最大的行,作为目标行;以及针对该子图像中每一列像素点,计算该列像素点的像素值的梯度值的和值,并确定出和值最大的列,作为目标列;
初始坐标确定子模块,用于确定所述目标行和所述目标列对应的坐标,作为初始坐标;
目标坐标确定子模块,用于按照该子图像的大小,对所述初始坐标进行修正,得到目标坐标;
子图像块确定子模块,用于在该子图像中,获取以目标坐标为中心点的最大的正方形的子图像块。
可选的,所述描述算子值获取模块,包括:
第一频率曲线获取子模块,用于针对每一子图像块对应的频谱图,基于将该频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到对应的第一频率曲线;其中,所述第一频率曲线的横坐标表示:该频谱图中像素点的极坐标中半径的整数部分;所述第一频率曲线的纵坐标表示:该频谱图中相同横坐标的像素点的幅值的和值;
第二频率曲线获取子模块,用于对各个子图像块对应的第一频率曲线进行叠加,得到第二频率曲线;
描述算子值获取子模块,用于基于所述第二频率曲线,得到第一纹理特征的描述算子值,作为第一描述算子值,以及第二纹理特征的描述算子值,作为第二描述算子值。
可选的,所述描述算子值获取子模块,包括:
第一描述算子值计算单元,用于计算所述第二频率曲线中第一预设半径区间对应的纵坐标的总和值,得到第一纹理特征的描述算子值,作为第一描述算子值;
第二描述算子值计算单元,用于计算所述第二频率曲线中第二预设半径区间对应的纵坐标的总和值,得到第二纹理特征的描述算子值,作为第二描述算子值,其中,所述第一预设半径区间和所述第二预设半径区间不相交。
可选的,所述第一频率曲线获取子模块,包括:
第三频率曲线获取单元,用于针对每一子图像块对应的频谱图,基于将该频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到对应的第三频率曲线;
第四频率曲线获取单元,用于获取该子图像块对应的第三频率曲线中指定半径范围内的部分,得到对应的第四频率曲线;
第一频率曲线获取单元,用于基于该子图像块对应的第四频率曲线,得到该子图像块对应的第一频率曲线。
可选的,所述第一频率曲线获取单元,包括:
局部均值计算子单元,用于针对该子图像块对应的第四频率曲线中的每一坐标点,计算该坐标点的预设领域范围内各个坐标点,在该子图像块对应的第四频率曲线中的纵坐标的平均值,作为该坐标点的局部均值;
第一频率曲线获取子单元,用于将该坐标点的纵坐标修改为,该坐标点在该子图像块对应的第四频率曲线中的纵坐标与该坐标点的局部均值的差值,得到该子图像块对应的第一频率曲线。
可选的,所述第三频率曲线获取单元,包括:
第五频率曲线获取子单元,用于针对每一子图像块对应的频谱图,将该频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到对应的第五频率曲线;
第六频率曲线获取子单元,用于对该子图像块对应的第五频率曲线中各坐标点的纵坐标进行归一化处理,得到对应的第六频率曲线;
第三频率曲线获取子单元,用于按照指定半径,对该子图像块对应的第六频率曲线进行高斯滤波处理,得到该子图像块对应的第三频率曲线。
本申请实施例还提供了一种电子设备,如图10所示,包括处理器1001、通信接口1002、存储器1003和通信总线1004,其中,处理器1001,通信接口1002,存储器1003通过通信总线1004完成相互间的通信,
存储器1003,用于存放计算机程序;
处理器1001,用于执行存储器1003上所存放的程序时,实现如下步骤:
获取指定对象的第一灰度图像;
将所述第一灰度图像拆分为多个尺寸相同的子图像;其中,相邻的两个子图像之间存在重叠的图像区域;
针对每一子图像,在该子图像中确定出纹理信息大于预设纹理信息阈值的一个子图像块;
将所述子图像块中的像素点进行傅里叶变换,生成对应的频谱图;
基于将各个子图像的频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到第一纹理特征的描述算子值,作为第一描述算子值,以及第二纹理特征的描述算子值,作为第二描述算子值;
基于所述第一描述算子值、所述第二描述算子值、预设的第一阈值和第二阈值,确定所述指定对象为真品的概率;其中,所述第一阈值包括:基于为真品的对象的灰度图像,多次运算生成的第一纹理特征的描述算子值的均值和方差;所述第二阈值包括:基于为真品的对象的灰度图像,多次运算生成的第二纹理特征的描述算子值的均值和方差。
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,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称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,简称RAM),也可以包括非易失性存储器(non-volatile memory),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,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。
本申请实施例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中存储有指令,当其在计算机上运行时,使得计算机执行本申请实施例提供的对象检测方法。
本申请实施例还提供了另一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行本申请实施例提供的对象检测方法。
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申请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、电子设备、计算机可读存储介质、计算机程序产品实施例而言,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。
以上所述仅为本申请的较佳实施例,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (10)
1.一种对象检测方法,其特征在于,所述方法包括:
获取指定对象的第一灰度图像;
将所述第一灰度图像拆分为多个尺寸相同的子图像;其中,相邻的两个子图像之间存在重叠的图像区域;
针对每一子图像,在该子图像中确定出纹理信息大于预设纹理信息阈值的一个子图像块;
将所述子图像块中的像素点进行傅里叶变换,生成对应的频谱图;
基于将各个子图像的频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到第一纹理特征的描述算子值,作为第一描述算子值,以及第二纹理特征的描述算子值,作为第二描述算子值;
基于所述第一描述算子值、所述第二描述算子值、预设的第一阈值和第二阈值,确定所述指定对象为真品的概率;其中,所述第一阈值包括:基于为真品的对象的灰度图像,多次运算生成的第一纹理特征的描述算子值的均值和方差;所述第二阈值包括:基于为真品的对象的灰度图像,多次运算生成的第二纹理特征的描述算子值的均值和方差。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一描述算子值、所述第二描述算子值、预设的第一阈值和第二阈值,确定所述指定对象为真品的概率,包括:
基于所述第一描述算子值和预设的第一阈值的指数函数运算,得到第一概率;
基于所述第二描述算子值和预设的第二阈值的指数函数运算,得到第二概率;
基于所述第一概率和所述第二概率,确定所述指定对象为真品的概率。
3.根据权利要求2所述的方法,其特征在于,所述基于所述第一描述算子值和预设的第一阈值的指数函数运算,得到第一概率,包括:
计算所述第一描述算子值,在预设的第一阈值构成的高斯分布中对应的概率,作为第一概率;
所述基于所述第二描述算子值和预设的第二阈值的指数函数运算,得到第二概率,包括:
计算所述第二描述算子值,在预设的第二阈值构成的高斯分布中对应的概率,作为第二概率。
4.根据权利要求1所述的方法,其特征在于,所述第一灰度图像具有M列;
所述将所述第一灰度图像拆分为多个尺寸相同的子图像,包括:
响应于将所述第一灰度图像拆分成奇数P个子图像的指令,对所述第一灰度图像进行拆分,得到P个子图像;其中,第一个子图像的列包括所述第一灰度图像中的第1列至第2M/(P+1)列,第P个子图像的列包括所述第一灰度图像中的第(P-1)M/(P+1)列至第M列。
5.根据权利要求1所述的方法,其特征在于,所述针对每一子图像,在该子图像中确定出纹理信息大于预设纹理信息阈值的一个子图像块,包括:
针对每一子图像,计算该子图像中每一像素点的像素值的梯度值;
针对该子图像中每一行像素点,计算该行像素点的像素值的梯度值的和值,并确定出和值最大的行,作为目标行;以及针对该子图像中每一列像素点,计算该列像素点的像素值的梯度值的和值,并确定出和值最大的列,作为目标列;
确定所述目标行和所述目标列对应的坐标,作为初始坐标;
按照该子图像的大小,对所述初始坐标进行修正,得到目标坐标;
在该子图像中,获取以目标坐标为中心点的最大的正方形的子图像块。
6.根据权利要求1所述的方法,其特征在于,所述基于将各个子图像的频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到第一纹理特征的描述算子值,作为第一描述算子值,以及第二纹理特征的描述算子值,作为第二描述算子值,包括:
针对每一子图像块对应的频谱图,基于将该频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到对应的第一频率曲线;其中,所述第一频率曲线的横坐标表示:该频谱图中像素点的极坐标中半径的整数部分;所述第一频率曲线的纵坐标表示:该频谱图中相同横坐标的像素点的幅值的和值;
对各个子图像块对应的第一频率曲线进行叠加,得到第二频率曲线;
基于所述第二频率曲线,得到第一纹理特征的描述算子值,作为第一描述算子值,以及第二纹理特征的描述算子值,作为第二描述算子值。
7.根据权利要求6所述的方法,其特征在于,所述基于所述第二频率曲线,得到第一纹理特征的描述算子值,作为第一描述算子值,以及第二纹理特征的描述算子值,作为第二描述算子值,包括:
计算所述第二频率曲线中第一预设半径区间对应的纵坐标的总和值,得到第一纹理特征的描述算子值,作为第一描述算子值;
计算所述第二频率曲线中第二预设半径区间对应的纵坐标的总和值,得到第二纹理特征的描述算子值,作为第二描述算子值,其中,所述第一预设半径区间和所述第二预设半径区间不相交。
8.根据权利要求6所述的方法,其特征在于,所述针对每一子图像块对应的频谱图,基于将该频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到对应的第一频率曲线,包括:
针对每一子图像块对应的频谱图,基于将该频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到对应的第三频率曲线;
获取该子图像块对应的第三频率曲线中指定半径范围内的部分,得到对应的第四频率曲线;
基于该子图像块对应的第四频率曲线,得到该子图像块对应的第一频率曲线。
9.根据权利要求8所述的方法,其特征在于,所述基于该子图像块对应的第四频率曲线,得到该子图像块对应的第一频率曲线,包括:
针对该子图像块对应的第四频率曲线中的每一坐标点,计算该坐标点的预设领域范围内各个坐标点,在该子图像块对应的第四频率曲线中的纵坐标的平均值,作为该坐标点的局部均值;
将该坐标点的纵坐标修改为,该坐标点在该子图像块对应的第四频率曲线中的纵坐标与该坐标点的局部均值的差值,得到该子图像块对应的第一频率曲线。
10.一种对象检测装置,其特征在于,所述装置包括:
灰度图像获取模块,用于获取指定对象的第一灰度图像;
图像拆分模块,用于将所述第一灰度图像拆分为多个尺寸相同的子图像;其中,相邻的两个子图像之间存在重叠的图像区域;
子图像块确定模块,用于针对每一子图像,在该子图像中确定出纹理信息大于预设纹理信息阈值的一个子图像块;
频谱图获取模块,用于将所述子图像块中的像素点进行傅里叶变换,生成对应的频谱图;
描述算子值获取模块,用于基于将各个子图像的频谱图中的像素点,在极坐标系下,沿着角度方向计算幅值的累加和,得到第一纹理特征的描述算子值,作为第一描述算子值,以及第二纹理特征的描述算子值,作为第二描述算子值;
概率确定模块,用于基于所述第一描述算子值、所述第二描述算子值、预设的第一阈值和第二阈值,确定所述指定对象为真品的概率;其中,所述第一阈值包括:基于为真品的对象的灰度图像,多次运算生成的第一纹理特征的描述算子值的均值和方差;所述第二阈值包括:基于为真品的对象的灰度图像,多次运算生成的第二纹理特征的描述算子值的均值和方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110035335.7A CN112767337B (zh) | 2021-01-12 | 2021-01-12 | 一种烟盒检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110035335.7A CN112767337B (zh) | 2021-01-12 | 2021-01-12 | 一种烟盒检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112767337A true CN112767337A (zh) | 2021-05-07 |
CN112767337B CN112767337B (zh) | 2023-08-04 |
Family
ID=75701522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110035335.7A Active CN112767337B (zh) | 2021-01-12 | 2021-01-12 | 一种烟盒检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767337B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114037959A (zh) * | 2021-11-26 | 2022-02-11 | 上海汽车集团股份有限公司 | 一种监控画面中危险情况的检测方法及装置 |
CN114037959B (zh) * | 2021-11-26 | 2024-07-16 | 上海汽车集团股份有限公司 | 一种监控画面中危险情况的检测方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003030097A1 (en) * | 2001-09-28 | 2003-04-10 | Nhk Spring Co., Ltd. | Method of certifying article and article identifying structure |
CN1430175A (zh) * | 2001-12-30 | 2003-07-16 | 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 |
US20080192992A1 (en) * | 2003-12-01 | 2008-08-14 | Moshe Danny S | Authenticating and Authentic Article Using Spectral Imaging and Analysis |
CN102226920A (zh) * | 2011-06-03 | 2011-10-26 | 贵州大学 | 抗裁剪的jpeg图像压缩历史及合成篡改检测方法 |
US20160004934A1 (en) * | 2013-03-26 | 2016-01-07 | Fujifilm Corporation | Authenticity determination system, feature point registration apparatus and method of controlling operation of same, and matching determination apparatus and method of controlling operation of same |
CN108734176A (zh) * | 2018-05-07 | 2018-11-02 | 南京信息工程大学 | 基于纹理的证书真伪检测方法 |
CN110148425A (zh) * | 2019-05-14 | 2019-08-20 | 杭州电子科技大学 | 一种基于完整局部二进制模式的伪装语音检测方法 |
CN111641832A (zh) * | 2019-03-01 | 2020-09-08 | 杭州海康威视数字技术股份有限公司 | 编码方法、解码方法、装置、电子设备及存储介质 |
CN111767828A (zh) * | 2020-06-28 | 2020-10-13 | 京东数字科技控股有限公司 | 证件图像翻拍识别方法、装置、电子设备和存储介质 |
-
2021
- 2021-01-12 CN CN202110035335.7A patent/CN112767337B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003030097A1 (en) * | 2001-09-28 | 2003-04-10 | Nhk Spring Co., Ltd. | Method of certifying article and article identifying structure |
CN1430175A (zh) * | 2001-12-30 | 2003-07-16 | 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 |
US20080192992A1 (en) * | 2003-12-01 | 2008-08-14 | Moshe Danny S | Authenticating and Authentic Article Using Spectral Imaging and Analysis |
CN102226920A (zh) * | 2011-06-03 | 2011-10-26 | 贵州大学 | 抗裁剪的jpeg图像压缩历史及合成篡改检测方法 |
US20160004934A1 (en) * | 2013-03-26 | 2016-01-07 | Fujifilm Corporation | Authenticity determination system, feature point registration apparatus and method of controlling operation of same, and matching determination apparatus and method of controlling operation of same |
CN108734176A (zh) * | 2018-05-07 | 2018-11-02 | 南京信息工程大学 | 基于纹理的证书真伪检测方法 |
CN111641832A (zh) * | 2019-03-01 | 2020-09-08 | 杭州海康威视数字技术股份有限公司 | 编码方法、解码方法、装置、电子设备及存储介质 |
CN110148425A (zh) * | 2019-05-14 | 2019-08-20 | 杭州电子科技大学 | 一种基于完整局部二进制模式的伪装语音检测方法 |
CN111767828A (zh) * | 2020-06-28 | 2020-10-13 | 京东数字科技控股有限公司 | 证件图像翻拍识别方法、装置、电子设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114037959A (zh) * | 2021-11-26 | 2022-02-11 | 上海汽车集团股份有限公司 | 一种监控画面中危险情况的检测方法及装置 |
CN114037959B (zh) * | 2021-11-26 | 2024-07-16 | 上海汽车集团股份有限公司 | 一种监控画面中危险情况的检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112767337B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111640089B (zh) | 一种基于特征图中心点的缺陷检测方法及装置 | |
CN102165488B (zh) | 用于选择用于分类输入数据的特征的信息处理设备 | |
US10832032B2 (en) | Facial recognition method, facial recognition system, and non-transitory recording medium | |
WO2015096535A1 (zh) | 残缺或变形的四边形图像的校正方法 | |
CN110298858B (zh) | 一种图像裁剪方法及装置 | |
JP2021135993A (ja) | テキスト認識方法及びテキスト認識装置、電子設備、記憶媒体 | |
KR20100076015A (ko) | 향상된 이미지 식별 | |
US20200005078A1 (en) | Content aware forensic detection of image manipulations | |
CN110738204A (zh) | 一种证件区域定位的方法及装置 | |
CN111027412A (zh) | 一种人体关键点识别方法、装置及电子设备 | |
CN115880495A (zh) | 复杂环境下的舰船图像目标检测方法与系统 | |
CN115907970A (zh) | 信贷风险识别方法、装置、电子设备及存储介质 | |
CN110287361B (zh) | 一种人物图片筛选方法及装置 | |
CN111539929A (zh) | 一种版权检测方法、装置及电子设备 | |
CN112926695B (zh) | 基于模板匹配的图像识别方法和系统 | |
CN111754435B (zh) | 图像处理方法、装置、终端设备及计算机可读存储介质 | |
CN112767337B (zh) | 一种烟盒检测方法和装置 | |
CN108764206B (zh) | 目标图像识别方法和系统、计算机设备 | |
CN116258873A (zh) | 一种位置信息确定方法、对象识别模型的训练方法及装置 | |
CN113781416A (zh) | 一种输送带撕裂检测方法、装置及电子设备 | |
CN108764344A (zh) | 一种基于边缘识别卡片的方法、装置及存储设备 | |
CN111553364A (zh) | 图片处理方法及装置 | |
CN111599080B (zh) | 拼接纸币的检测方法、装置、金融机具设备及存储介质 | |
CN110348377B (zh) | 一种指纹识别方法及设备 | |
CN111368624A (zh) | 基于生成对抗网络的回环检测方法和装置 |
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 |