CN113486901B - 一种新型的高仿圆形印章鉴别方法 - Google Patents
一种新型的高仿圆形印章鉴别方法 Download PDFInfo
- Publication number
- CN113486901B CN113486901B CN202110697072.6A CN202110697072A CN113486901B CN 113486901 B CN113486901 B CN 113486901B CN 202110697072 A CN202110697072 A CN 202110697072A CN 113486901 B CN113486901 B CN 113486901B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- contour
- seal
- circular
- extracting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 162
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000003708 edge detection Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 8
- 230000002093 peripheral effect Effects 0.000 claims description 36
- 230000009466 transformation Effects 0.000 claims description 10
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000001035 drying Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种新型的高仿圆形印章鉴别方法,包括以下步骤:步骤S1:开始;步骤S2:通过HSI色彩模型提取、0tsu算法二值化和融合防伪线的分割优化去噪算法得到印章印迹;步骤S3:Canny边缘检测算法提取轮廓;步骤S4:Harris角点检测算法提取SURF特征提取范围;步骤S5:Harris‑SURF算法建立特征描述;步骤S6:RANSAC算法特征点筛选;步骤S7:提取印章轮廓防伪线,再和多算法融合鉴别。本发明通过融合防伪线的图像去燥算法得到圆形印章印迹,印迹通过Canny边缘检测算法得到特征轮廓;处理后的印迹利用Harris算法提取角点,以角点为中心缩小SURF特征点搜索范围,并用RANSAC算法对特征集进行二次过滤;最后对轮廓进行分段比较。本发明配准速度快,鉴别准确率高。
Description
技术领域
本发明属于印章鉴别领域,具体为一种新型的高仿圆形印章鉴别方法。
背景技术
印章,作为一种甄别文件有效性和权威性的凭证,逐渐成为政治、经济和文化生活中不可或缺的工具。在利益的驱使下,大量印章被伪造来达成非法目的,进而严重干扰了正常的商业秩序,危害了社会公平与稳定,给国家、单位、个人都造成了难以估量的损失。
防伪线在印章上起着防伪作用,而传统的圆形印章印迹提取和鉴别会将印章防伪分割的线段忽略,这直接影响了最后高仿圆形印章的鉴别准确率。
发明内容
本发明的目的在于提供一种新型的高仿圆形印章鉴别方法,以解决背景技术中提出的现有技术中,在印章鉴别过程中忽略了防伪分割线,从而影响了印章鉴别的准确率的问题。
本发明的主要构思为:
采用相似度算法融合防伪线分割段进行鉴别,主要在传统的算法对比中增加防伪线分段数量进行验证,以提高鉴别正确率。
分为两步;1.利用防伪线对印章外围边框进行分割;
2,比较分隔的数量同时对分割后的段进行局部对比,对于印章的内部文字采用传统的方法即均值哈希算法、差值哈希算法、感知哈希算法、三直方图算法、单通道的直方图算法融合鉴别。
为解决上述技术问题,本发明所采用的技术方案是:
一种新型的高仿圆形印章鉴别方法,包括以下步骤:
步骤S1:开始;
步骤S2:通过HSI色彩模型提取、0tsu算法二值化和融合防伪线的分割优化去噪算法得到印章印迹;
步骤S3:Canny边缘检测算法提取轮廓;
步骤S4:Harris角点检测算法提取SURF特征提取范围;
步骤S5:Harris-SURF算法建立特征描述;
步骤S6:RANSAC算法特征点筛选;
步骤S7:提取印章轮廓防伪线,通过防伪线分割轮廓数量,再和相似度均值哈希算法等多算法融合鉴别,然后将内部文字图案通过相似度均值哈希算法等多算法融合鉴别,最后设定阀值对两种鉴别的结果进行判断,如果检测结果低于设定阀值就判断为可疑印迹;
步骤S8:结束。
根据上述技术方案,步骤S2中,HSI色彩模型提取的具体步骤为:
步骤A1:将需要识别的图案转化为HSI颜色模型;
步骤A2:对完成转化为HSI的颜色模型进行提取;
步骤A3:设定H、S、I的阈值;
步骤A4:对提取到的图像进行轮廓检测等处理,得到印鉴。
根据上述技术方案,步骤S2中,融合防伪线的分割去噪算法的具体步骤为:
步骤B1:Otsu算法二值化;将在步骤A3中在阈值中的像素值变为1,在阈值外的像素值变为0;
步骤B2:印迹参数计算;确定印迹的中心和半径;
步骤B3:以步骤B2中得到的圆心建立坐标系,从0°开始每45°建立扫描方向进行边框扫描,以得到圆形印章的印迹外围轮廓信息,即外围圆形轮廓的厚度信息;
步骤B4:将印章外围轮廓和文字进行分割;通过步骤B3中得到的外围轮廓厚度信息,对对圆形印章的印迹进行分割,即将印迹的外围圆形轮廓和内部文字分开;
步骤B5:利用防伪线将外围轮廓进行分段;将步骤B4中分割得到的圆形外围轮廓沿顺时针方向进行分割扫描,以得到防伪线的位置,通过防伪线将圆形外围轮廓进行分段;
步骤B6:对分段后的圆形轮廓进插值修复、对分割的文字部分进行先膨胀后腐蚀修复;
步骤B7:最后将修复得到的圆形轮廓和内部文字进行合并得到较完整的印迹。
根据上述技术方案,步骤S3中,Canny边缘检测算法提取轮廓的具体步骤为:
步骤C1:使用高斯滤波进行边缘平滑去噪;
步骤C2:计算梯度值和梯度方向;
步骤C3:保留极大值;通过计算每个像素点的梯度保留极大值,对于不是极大值的值舍弃;
步骤C4:设置两个阀值。
根据上述技术方案,步骤S4、S5中,Harris-SURF算法建立特征描述具体步骤为:
步骤D1:将步骤S3中Canny边缘检测算法提取的轮廓作为基础,利用Harris算法提取印迹角点;
步骤D2:极值点检测;
步骤D3:以Harris提取的角点为中心建立4*4的搜索范围对SURF算法特征点进行筛选;
步骤D4:确定特征点主方向;
步骤D5:构建描述子向量;
步骤D6:特征点匹配;
步骤D7:利用RANSAC方法剔除错误匹配点然后进行仿射变换。
根据上述技术方案,步骤S7中,均值哈希算法等多算法融合优化算法鉴别包括均值哈希算法、差值哈希算法、感知哈希算法、三直方图算法、单通道的直方图算法中的一种或多种。
根据上述技术方案,通过步骤S7中提取防伪线分割数量和一种或多种相似度匹配算法设定阀值进行判断,如果检测结果低于设定阀值就判断为可疑印迹。
根据上述技术方案,步骤C4中,两个阀值分别为minVal和maxVal。
根据上述技术方案,像素大于maxVal的保留,像素小于minVal的丢弃,另外像素从maxVal出发连续且大于minVal的也保留。
根据上述技术方案,所述防伪线的主要特特征在印章外围轮廓的缺口,缺口的主要特征是被分割的线形成的四个角。
与现有技术相比,本发明具有以下有益效果:
本发明提出了融合防伪线的图像去燥算法对提取的印迹进行二次处理以得到较完整的圆形印章印迹。而防伪线主要体现于外围轮廓的缺口,缺口的特征主要是被分割的线形成四个角,为此将得出的印迹通过Canny边缘检测算法得到特征轮廓;处理后的印迹利用Harris算法提取角点,以角点为中心缩小SURF特征点搜索范围加快运算速度,并用RANSAC算法对特征集进行二次过滤,进一步加快配准速度;最后利用防伪线分割外围轮廓的特点,对外围轮廓进行分段比较以提升鉴别的准确性。仿真实验结果表明,该算法配准速度快,鉴别准确率高。
附图说明
图1为新型的高仿圆形印章鉴别方法的算法流程图;
图2为新型的高仿圆形印章鉴别方法的RGB模型与HSI模型的模型示意图;
图3为新型的高仿圆形印章鉴别方法的印迹轮廓分割圆弧计算示意图;
图4为新型的高仿圆形印章鉴别方法的去噪算法对比图;
图5为直接提取的印迹提取Harris角点图;
图6为先膨胀后腐蚀的印迹提取Harris角点图;
图7为新型的高仿圆形印章鉴别方法的印迹提取Harris角点图;
图8为Sift算法经RANSAC过滤后特征点配准示意图;
图9为Surf算法经RANSAC过滤后特征点配准示意图;
图10为新型的高仿圆形印章鉴别方法的经RANSAC过滤后特征点配准示意图;
图11为新型的高仿圆形印章鉴别方法算法的三种算法正确匹配率对比图;
图12为新型的高仿圆形印章鉴别方法的高仿待测印迹与留档真实印模的对比图。
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。
实施例一
请参阅图1,一种新型的高仿圆形印章鉴别方法,包括以下步骤:
步骤S1:开始;
步骤S2:通过HSI色彩模型提取、0tsu算法二值化和融合防伪线的分割优化去噪算法得到印章印迹;
步骤S3:Canny边缘检测算法提取轮廓;
步骤S4:Harris角点检测算法提取SURF特征提取范围;
步骤S5:Harris-SURF算法建立特征描述;
步骤S6:RANSAC算法特征点筛选;
步骤S7:提取印章轮廓防伪线,通过防伪线分割轮廓数量,再和相似度均值哈希算法等多算法融合鉴别,然后将内部文字图案通过相似度均值哈希算法等多算法融合鉴别,最后设定阀值对两种鉴别的结果进行判断,如果检测结果低于设定阀值就判断为可疑印迹;
步骤S8:结束。
步骤S2中,HSI色彩模型提取的具体步骤为:
步骤A1:将需要识别的图案转化为HSI颜色模型;
步骤A2:对完成转化为HSI的颜色模型进行提取;
步骤A3:设定H、S、I的阈值;
步骤A4:对提取到的图像进行轮廓检测等处理,得到印鉴。
步骤S2中,融合防伪线的分割去噪算法的具体步骤为:
步骤B1:Otsu算法二值化;将在步骤A3中在阈值中的像素值变为1,在阈值外的像素值变为0;
步骤B2:印迹参数计算;确定印迹的中心和半径;
步骤B3:以步骤B2中得到的圆心建立坐标系,从0°开始每45°建立扫描方向进行边框扫描,以得到圆形印章的印迹外围轮廓信息,即外围圆形轮廓的厚度信息;
步骤B4:将印章外围轮廓和文字进行分割;通过步骤B3中得到的外围轮廓厚度信息,对对圆形印章的印迹进行分割,即将印迹的外围圆形轮廓和内部文字分开;
步骤B5:利用防伪线将外围轮廓进行分段;将步骤B4中分割得到的圆形外围轮廓沿顺时针方向进行分割扫描,以得到防伪线的位置,通过防伪线将圆形外围轮廓进行分段;
步骤B6:对分段后的圆形轮廓进插值修复、对分割的文字部分进行先膨胀后腐蚀修复;
步骤B7:最后将修复得到的圆形轮廓和内部文字进行合并得到较完整的印迹。
步骤S3中,Canny边缘检测算法提取轮廓的具体步骤为:
步骤C1:使用高斯滤波进行边缘平滑去噪;
步骤C2:计算梯度值和梯度方向;
步骤C3:保留极大值;通过计算每个像素点的梯度保留极大值,对于不是极大值的值舍弃;
步骤C4:设置两个阀值。
步骤S4、S5中,Harris-SURF算法建立特征描述具体步骤为:
步骤D1:将步骤S3中Canny边缘检测算法提取的轮廓作为基础,利用Harris算法提取印迹角点;
步骤D2:极值点检测;
步骤D3:以Harris提取的角点为中心建立4*4的搜索范围对SURF算法特征点进行筛选;
步骤D4:确定特征点主方向;
步骤D5:构建描述子向量;
步骤D6:特征点匹配;
特征点匹配的具体步骤为:由于每个像素点都具有一定特征,如方向向量;通过Harris算法把这些具有特征的点构建为特征点,然后用构建的特征点进行比较。
步骤D7:利用RANSAC方法剔除错误匹配点然后进行仿射变换。
步骤S7中,均值哈希算法等多算法融合优化算法鉴别包括均值哈希算法、差值哈希算法、感知哈希算法、三直方图算法、单通道的直方图算法中的一种或多种。
通过步骤S7中的提取防伪线分割数量和一种或多种相似度匹配算法设定阀值进行判断,如果检测结果低于设定阀值就判断为可疑印迹。
步骤C4中,两个阀值分别为minVal和maxVal。
像素大于maxVal的保留,像素小于minVal的丢弃,另外像素从maxVal出发连续且大于minVal的也保留。
所述防伪线的主要特特征在印章外围轮廓的缺口,缺口的主要特征是被分割的线形成的四个角。
实施例二
本实施例提供了一种HSI颜色提取模型的具体方法。图像读取采用的是三原色光模式(RGBcolormodel),即RGB(红绿蓝)颜色模型。是一种将所有的颜色看成由三种基础按照不同的系数进行叠加而形成的加色模型。而印迹作为印盖后形成的图案,它会因为受力的不均匀或纸张的不平整出现颜色的有浅有深,作为人眼是很难给定RGB的各通道的提取阀值。因此,首先需要将印盖后形成的图案转为HSI〔Hue-Saturation-Intensity(Lightness)颜色模型后再进行提取。
HSI数字图像模型比RGB颜色模型更符合眼睛对色彩的分辨情况,HSI模型与RGB颜色模型一样是通过H(Hue)色调、S(Saturation)饱和度、I(Intensity)亮度三种不同颜色属性进行描述。只不过与RGB颜色模型不同的是H色调作为主要因素来确定颜色;S分量作为饱和度的属性其越接近1,那么颜色越纯,S分量越接近0,颜色越接近纯灰色。
RGB模型与HSI模型的模型示意图如图2所示,坐标转换的公式如(1)、(2)、(3)式:
RGB模型与HSI模型的模型示意图
由图2可见,H取值的角度为0~π/9、17π/9~2π这个两个区间内,那么求H的余弦值(cos)的就应该是0.94≤cos≤1,为了得到质量较高的图像,通过实验人工设定H、S、I的阈值,H的阈值设定为[0.8,1],S的阈值设定为[0.1,1],I的阈值设定为[0.6,1],之后对提取到的图像进行轮廓检测等处理便可得到印鉴,本发明将圆形印章印迹通过HSI颜色模型提取后,干扰文字基本被去除。
实施例三
本实施例提供了一种图像分割去噪方法。Step 01:Otsu算法二值化。利用Otsu算法设定最佳阈值,将在阈值中的像素值变为1,在阈值外的像素值变为0。
Step 02:印迹参数计算。即确定印迹的中心和半径。主要算步骤:在圆上任选取3点D(x1,y1),E(x2,y2),F(x3,y3)构成不平行线段DE、DF;这两条线段的中垂线lDE、lDF,且这两条中垂线交点O,线段DE,DF的中点坐标为(x4,y4),(x5,y5)则有中垂线lDE,lDF的方程式分别为公式(4)和公式(5),通过公式(4)和(5)可计算得到圆心和半径。
(x-x4)(x2-x1)+(y-y4)(y2-y1)=0 (4)
(x-x5)(x3-x2)+(y-y5)(y3-y2)=0 (5)
Step 03:得到圆心和半径后,以圆心建立坐标系从0°开始每45°建立扫描方向进行边框扫描,以得到圆形印章的印迹外围轮廓信息,即外围圆形轮廓的厚度信息。
Step 04:将印章外围轮廓和文字进行分割。通过步骤3扫描得到外围轮廓厚度信息,对圆形印章的印迹进行分割,即将印迹的外围圆形轮廓和内部文字分开
Step 05:利用防伪线将外围轮廓进行分段。对步骤4分割后的圆形外围轮廓,沿顺时针方向进行分割扫描,以得到防伪线的位置,通过防伪线将圆形外围轮廓进行分段。
Step 06:对分段后的圆形轮廓进插值修复、对分割的文字部分进行先膨胀后腐蚀修复
Step 07:最后将修复得到的圆形轮廓和内部文字进行合并得到较完整的印迹
该算法首先对HSI模型提取的印迹进行二值化,然后通过步骤2获取到圆心以及圆的半径。获得圆心和半径之后,以圆心为原点建立笛卡尔坐标系进行扫描以获得圆形轮廓信息,其中轮廓的厚度d通过预留的参考印模可以得到,即d=r1-r0,如图3所示。
最后由外向内进行修复,每个像素点分为一层。这里举例圆形印章的修复方式,圆形的标准函数为(x-u)2+(y-v)2=r2,以圆心为原点则有x2+y2=r2,假设印迹轮廓的一个分割圆弧最外层的开始像素点为(x0,y0),结束像素点为(x1,y1),如图3所示,那么以原点到待修复的点的连线与X轴做直角三角形则有修复的函数如公式(6),其中点(x,y)(x,y)为修复的圆弧段,并且x=rcosθ,y=r sinθ。
实施例四
本实施例提供一种Canny边缘检测算法。Step01:使用高斯滤波进行边缘平滑去噪,通过高斯函数后的像素点的灰度为:
Step02:计算梯度值和梯度方向,通过点乘一个sobel或其它算子得到不同方向的梯度值gx(m,n),gy(m,n)综合梯度通过以下公式(8)计算梯度值和梯度方向:
Step03:保留极大值,通过计算每个像素点的梯度保留极大值,对于不是极大值的舍弃,判别表达式如公式(9):
Step04:双阈值(Double Thresholding),设置两个阀值(threshold),分别为minVal和maxVal。凡是像素大于maxVal的保留,像素小于minVal的丢弃,另外像素从maxVal出发连续且大于minVal的也保留。
推荐的阀值高低通道的值的比例最好为3:1或2:1,经过大量的实验本发明设置的是maxVal=240,minVal=80效果比较好。
实施例五
本实施例提供一种HSURF算法。Step01:在Canny算法提取的边缘轮廓基础上,利用Harris算法提取印迹角点。假设图像I(x,y),窗口从点(x,y)处移动了(Δx,Δy)那么灰度函数E(Δx,Δy)如公式(10)所示:
E(Δx,Δy)=∑x,yw(x,y)[I(x+Δx,y+Δy)-I(x,y)]2 (10)
公式中的w(x,y)就是以点(x,y)为中心的窗口,[I(x+Δx,y+Δy)表示平移后的灰度值,I(x,y)表示自身灰度值。由泰勒展开对图像平移后做一阶近似如公式(11)所示:
I(x+Δx,v+Δy)≈I(x,y)+Ix(x,y)Δx+Iy(x,y)Δy (11)
其中Ix,Iy为图像I(x,y)的偏导数,将[I(x+Δx,y+Δy)带入E(Δx,Δy)可化简得到公式(12)所示:
其中M是2*2矩阵,可由图像的导数得到令A=∑x,yw(x,y)Ix2,B=∑x,yw(x,y)Iy2,C=∑x,yw(x,y)IxIy,那么E(Δx,Δy)可近似看作二次项函数,将灰度函数转换为如公式(13):
Harris定义角点响应函数即R=Det(M)-k×trace(M)×trace(M),其中Det(M)为矩阵M的行列式trance(M)为矩阵M的直迹;k为经验常数0.04~0.06。定义当R>threshold时且为局部极大值的点时,定义为角点。
本发明在仿真实验时使用的k是0.04,经过Harris角点检测后可以提取特征角点,本发明对于每一个像素(x,y)在3*3邻域内,计算2x2梯度的协方差矩阵。
Step02:极值点检测。利用SURF提取印迹特征点,像素点极值的检测是通过计算Hessian矩阵的行列式进行判定,判定将每个像素点与周围的点进行比较,Hessian矩阵的判别式为:
在Hessian矩阵构造前使用二阶标准高斯函数作为滤波器进行高斯滤波可以让得到的特征点具备尺度无关性,经过高斯滤波的Hessian矩阵式如公式(15):
L(x,t)=G(t)·I(x,t) (15)
通过卷积计算二阶偏导数计算出H矩阵的三个矩阵元素Lxx,Lxy,Lyy从而计算出H矩阵,在点x处,尺度为σ的Hessian矩阵H(x,σ)定义如下:
作为进一步优化,使用盒状模糊滤波求高斯模糊近似值。其中每个像素的Hessian矩阵行列式的近似值如公式(17):
det(H)=Dxx×Dyy-(0.9×Dxy)2 (17)
式中Dxx、Dxy和Dyy表示模板与图像进行卷积的结果,0.9为滤波器响应的相关权重,目的是为了平衡因使用盒式滤波器近似所带来的误差。
Step03:以Harris提取的角点为中心建立4*4的搜索范围对SURF算法特征点进行筛选。
Step04:确定特征点主方向。由于印迹的配准需要有旋转性,为实现旋转不变性,计算扇形窗口内的图像的水平方向的Harr小波响应值和垂直方向的响应值,然后进行累加得到一个矢量(mw,θw):
最大Harr响应值累加所对应的方向即为主方向,也就是最长矢量所对应的方向,其公式如式(20):
θ=θw|max{mw} (20)
Step05:构建描述子向量。以特征点为中心取一个正方形的特征描述范围,正方形的宽度为框的边长为20s(s特征点所在的尺度)。每个正方形描述都是有个主方向,这个主方向和step04得到的一致。将正方形区域划分为4×4个子块和垂直方向的Haar小波特性,然后对响应值进行统计∑dx、∑|dx|、∑dy、∑|dy|形成特征矢量。
Step06:特征点匹配。
Step07:利用RANSAC方法剔除错误匹配点然后进行仿射变换。仿射变换是将已知的两幅图种对应的点(x,y),(x′,y′)通过旋转、变尺度、斜率的变换调整到同一位置。仿射变换关系如式(21):
仿射变化包含典型的图像几何变化,而图像的几何变换可能改变坐标系,而雅可比行列式J提供变换信息,如果图像的面积在几何变化作用下仍然具有不变性则J=1,否则J=0。
仿射变化后得到的图像采用多种相似度算法和分割鉴别算法进行融合鉴别。
实施例六
本实施例提供了去噪算法的有效性的验证。如图4所示,source image为HSI模型提取的印迹,OTSU为该实验直接提取印章印迹,Closing为图像形态学闭运算即先膨胀后腐蚀之后得到的印章印迹,Segmentation为本发明增加防伪线优化的分割去燥算法得到的印章印迹。对比形态学闭运算与增加防伪线优化的分割去燥算法可看出,经过增加防伪线优化后的圆形印章印迹轮廓饱满无镂空噪点,并且能较清晰地保存印章上的防伪线,而形态学闭运算算法得到的印迹会影响防伪线的真实性对印迹的鉴别带来影,这不利于印章最后的鉴别,因此增加防伪线优化的分割去燥算法能为印章鉴别提供更加准确的信息。
通过对比形态学闭运算与优化的分割去燥算法可得出,经过本发明优化的分割去噪算法得到的图像轮廓饱满无镂空噪点。然后,分别将这三种印迹进行Harris角点提取,三种方式进行Harris角点提取后的对比实验结果如图5、图6、图7所示。实验数据对比结果如表1所示。
表1 Harris角点提取
通过分析表1实验数据分析可知,经过本发明去噪算法处理后的印迹,再通过Harris算法提取角点时速度和质量都有所提高,通过图5、图6、图7可以看出主要是减少了很多外围边框的噪声角点,保留了防伪线分割特征角点,这样为后面SURF算法提取特征点提供了较好的搜索范围因此实验证明本发明改进去噪算法是有效可行的。
实施例七
本实施例提供HSURF算法的有效性的验证。本实验验证分别仿真使用SIFT算法进行配准、SURF算法配准、本发明算法进行配准。图8、图9和图10分别为SIFT算法、SURF算法和本发明配准算法的仿真实验特征点配准连线的图,图中的连线为配准后的两点的连线,通过对比可以看出Sift算法得到了匹配点的数量很少,将会影响配准的准确率;Surf算法得到的匹配点非常多,很多水平的线段都是错误匹配,将会加大配准时间消耗;本发明算法得到的匹配点基于两者之间而且匹配点的准确率较高。通过100组仿真实验得到如表3所示的实验数据以及图11的性能对比图。
表2中对比了三种算法平均耗时、特征点有效率和准确率。其中xi为每次的消耗时间,其中ni表示每次经过过滤的用于匹配的有效特征点数量,Ni表示为经过过滤的所有特征点数量,正确匹配率=正确匹配数量/100;通过数据的分析可以看出在相同环境下本发明算法在综合数据上相对于SIFT算法和SURF算法在效率上有较大的提升。
表2特征匹配算法比较
图11为三种算法在不同算法配准的正确匹配率的对比图。当旋转角度变化时,三种算法的正确匹配率也会随之改变。由图11可以看出,当角度不断增加的时,三种算法的正确匹配率都在下降。但是从中可以看出SIFT算法的下降速度最快,本发明算法是最稳定下降且最平缓。SIFT下降快主要是其对圆形光滑图形提取的特征少,仿射变化角度大则正确匹配率就低了。本发明提出算法结合了Harris算法的高稳定性和SURF算法的旋转不变性,使得算法具有了高可用性。
实施例八
本实施例提供融合防伪线的鉴别方法的验证。本发明的鉴别算法与传统相似度对比方法进行40次鉴别。其中图12为高仿待测印迹与留档真实印模。表3是由这2类印章仿真实验后的时间和准确率,其对这2类印章分别采用传统的即采用相识度方法进行鉴别,和采用本发明在传统方法中增加防伪线进行鉴别。
表3不同等级的仿制印章鉴别方法比较
通过表3可以看出传统方法在时间消耗上比本发明方法略有优势,但是针对高仿印章的鉴别中准确率却很低。而使用本发明提出的算法即增加防伪线的方法,其鉴别准确率对于高仿有较大的提高。
表4印迹鉴别算法比较
表4为高仿待测印章采用传统鉴别方法(均值哈希算法、差值哈希算法、感知哈希算法、三直方图算法、单通道的直方图算法)和采用本发明增加防伪线进行鉴别时检测值和阈值的情况以及最终对印章的判定结果。实验中的阈值分为两种一种是百分比,另外一种是数值个数。百分比的阈值是对每种算法进行了多次测试经过分析得到每种算法的鉴别阈值。数值个数有两种,一种是轮廓防伪线数量为圆形印章圆形轮廓上防伪线的数量。轮廓防伪线分量数量即为圆形印章的圆形轮廓上由防伪线分割出的轮廓分段数量,其都是通过人工预设每个印章的真实分段数量,这数量是一个准确值。通过数据可以看出采用传统相似度方法进行鉴别时相似度都很高,即判断该高仿印章为真实印章,通过肉眼进行观察时也很难分别是否为真实印章。但是增加防伪线后即增加轮廓防伪线数量和轮廓防伪线分段数量后,就可以很清楚的可以看出印章的不同,因此判定该印章不是真实印章。因此在针对高仿印章进行鉴别时防伪线的使用是非常有效。
需要说明的是,在本发明中,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,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。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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,均应包含在本发明的保护范围之内。
Claims (8)
1.一种高仿圆形印章鉴别方法,其特征在于:包括以下步骤:
步骤S1:开始;
步骤S2:通过HSI色彩模型提取、0tsu算法二值化和融合防伪线的分割优化去噪算法得到印章印迹;
步骤S3:Canny边缘检测算法提取轮廓;
步骤S4:Harris角点检测算法提取SURF特征提取范围;
步骤S5:Harris-SURF算法建立特征描述;
步骤S6:RANSAC算法特征点筛选;
步骤S7:提取印章轮廓防伪线,通过防伪线分割轮廓数量,再和多算法融合优化算法融合鉴别,然后将内部文字图案通过多算法融合优化算法融合鉴别,最后设定阈值对两种鉴别的结果进行判断;
步骤S8:结束;
步骤S2中,HSI色彩模型提取的具体步骤为:
步骤A1:将需要识别的图案转化为HSI颜色模型;
步骤A2:对完成转化为HSI的颜色模型进行提取;
步骤A3:设定H、S、I的阈值;
步骤A4:对提取到的图像进行轮廓检测处理,得到印鉴;
步骤S2中,融合防伪线的分割去噪算法的具体步骤为:
步骤B1:Otsu算法二值化;将在步骤A3中在阈值中的像素值变为1,在阈值外的像素值变为0;
步骤B2:印迹参数计算;确定印迹的中心和半径;
步骤B3:以步骤B2中得到的圆心建立坐标系,从0°开始每45°建立扫描方向进行边框扫描,以得到圆形印章的印迹外围轮廓信息,即外围圆形轮廓的厚度信息;
步骤B4:将印章外围轮廓和文字进行分割;通过步骤B3中得到的外围轮廓厚度信息,对圆形印章的印迹进行分割,即将印迹的外围圆形轮廓和内部文字分开;
步骤B5:利用防伪线将外围轮廓进行分段;将步骤B4中分割得到的圆形外围轮廓沿顺时针方向进行分割扫描,以得到防伪线的位置,通过防伪线将圆形外围轮廓进行分段;
步骤B6:对分段后的圆形轮廓进插值修复、对分割的文字部分进行先膨胀后腐蚀修复;
步骤B7:最后将修复得到的圆形轮廓和内部文字进行合并得到较完整的印迹。
2.根据权利要求1所述的一种高仿圆形印章鉴别方法,其特征在于:步骤S3中,Canny边缘检测算法提取轮廓的具体步骤为:
步骤C1:使用高斯滤波进行边缘平滑去噪;
步骤C2:计算梯度值和梯度方向;
步骤C3:保留极大值;通过计算每个像素点的梯度保留极大值,对于不是极大值的值舍弃;
步骤C4:设置两个阈值。
3.根据权利要求1所述的一种高仿圆形印章鉴别方法,其特征在于:步骤S4、S5中,Harris-SURF算法建立特征描述具体步骤为:
步骤D1:将步骤S3中Canny边缘检测算法提取的轮廓作为基础,利用Harris算法提取印迹角点;
步骤D2:极值点检测;
步骤D3:以Harris提取的角点为中心建立4*4的搜索范围对SURF算法特征点进行筛选;
步骤D4:确定特征点主方向;
步骤D5:构建描述子向量;
步骤D6:特征点匹配;
步骤D7:利用RANSAC方法剔除错误匹配点然后进行仿射变换。
4.根据权利要求1所述的一种高仿圆形印章鉴别方法,其特征在于:步骤S7中,均值哈希算法多算法融合优化算法鉴别包括均值哈希算法、差值哈希算法、感知哈希算法、三直方图算法、单通道的直方图算法中的一种或多种。
5.根据权利要求1所述的一种高仿圆形印章鉴别方法,其特征在于:通过步骤S7中提取防伪线分割数量和一种或多种相似度匹配算法设定阈值进行判断,如果检测结果低于设定阈值就判断为可疑印迹。
6.根据权利要求2所述的一种高仿圆形印章鉴别方法,其特征在于:步骤C4中,两个阈值分别为minVal和maxVal。
7.根据权利要求6所述的一种高仿圆形印章鉴别方法,其特征在于:像素大于maxVal的保留,像素小于minVal的丢弃,另外像素从maxVal出发连续且大于minVal的也保留。
8.根据权利要求1所述的一种高仿圆形印章鉴别方法,其特征在于:所述防伪线的特征在印章外围轮廓的缺口,缺口的特征是被分割的线形成的四个角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110697072.6A CN113486901B (zh) | 2021-06-23 | 2021-06-23 | 一种新型的高仿圆形印章鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110697072.6A CN113486901B (zh) | 2021-06-23 | 2021-06-23 | 一种新型的高仿圆形印章鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486901A CN113486901A (zh) | 2021-10-08 |
CN113486901B true CN113486901B (zh) | 2023-05-02 |
Family
ID=77937658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110697072.6A Active CN113486901B (zh) | 2021-06-23 | 2021-06-23 | 一种新型的高仿圆形印章鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486901B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1284436A (zh) * | 2000-06-24 | 2001-02-21 | 银川市新型印章厂 | 一种防伪印章的制作方法 |
CN1635533A (zh) * | 2003-12-30 | 2005-07-06 | 刘瑞祯 | 数字印章系统 |
JP2006053608A (ja) * | 2004-08-09 | 2006-02-23 | Kyushu Institute Of Technology | 印影の認証システム |
CN101894260A (zh) * | 2010-06-04 | 2010-11-24 | 北京化工大学 | 基于匹配特征点随机生成特征线的伪造印章识别方法 |
CN107345922A (zh) * | 2017-09-21 | 2017-11-14 | 韩伟 | 基于微观点迹特征鉴别印章印文形成方式的方法 |
CN109447068A (zh) * | 2018-10-26 | 2019-03-08 | 信雅达系统工程股份有限公司 | 一种从图像中分离印章并校准印章的方法 |
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 |
CN109767436A (zh) * | 2019-01-07 | 2019-05-17 | 深圳市创业印章实业有限公司 | 一种印章真伪鉴别的方法及装置 |
CN109993739A (zh) * | 2019-03-29 | 2019-07-09 | 深圳市创业印章实业有限公司 | 一种印章真伪鉴别方法与装置 |
CN112016563A (zh) * | 2020-10-17 | 2020-12-01 | 深圳神目信息技术有限公司 | 一种圆形印章的真伪识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8265381B2 (en) * | 2005-07-25 | 2012-09-11 | Yoichiro Ito | Sign authentication system and sign authentication method |
-
2021
- 2021-06-23 CN CN202110697072.6A patent/CN113486901B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1284436A (zh) * | 2000-06-24 | 2001-02-21 | 银川市新型印章厂 | 一种防伪印章的制作方法 |
CN1635533A (zh) * | 2003-12-30 | 2005-07-06 | 刘瑞祯 | 数字印章系统 |
JP2006053608A (ja) * | 2004-08-09 | 2006-02-23 | Kyushu Institute Of Technology | 印影の認証システム |
CN101894260A (zh) * | 2010-06-04 | 2010-11-24 | 北京化工大学 | 基于匹配特征点随机生成特征线的伪造印章识别方法 |
CN107345922A (zh) * | 2017-09-21 | 2017-11-14 | 韩伟 | 基于微观点迹特征鉴别印章印文形成方式的方法 |
CN109447068A (zh) * | 2018-10-26 | 2019-03-08 | 信雅达系统工程股份有限公司 | 一种从图像中分离印章并校准印章的方法 |
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 |
CN109767436A (zh) * | 2019-01-07 | 2019-05-17 | 深圳市创业印章实业有限公司 | 一种印章真伪鉴别的方法及装置 |
CN109993739A (zh) * | 2019-03-29 | 2019-07-09 | 深圳市创业印章实业有限公司 | 一种印章真伪鉴别方法与装置 |
CN112016563A (zh) * | 2020-10-17 | 2020-12-01 | 深圳神目信息技术有限公司 | 一种圆形印章的真伪识别方法 |
Non-Patent Citations (3)
Title |
---|
Bo Jin ; 等.Seal registration and identification based on SIFT.《2015 IEEE 9th International Conference on Anti-counterfeiting, Security, and Identification (ASID)》.2016,第97-100页. * |
文琴.基于HSIFT算法的圆形印章图像的配准应用.《信息技术与信息化》.2020,第29-31页. * |
盛蔚等.扫描-激光雕刻法伪造橡胶印章盖印印文的特征研究.《广东公安科技》.2018,第18-22页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113486901A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145915B (zh) | 一种复杂场景下车牌快速畸变矫正方法 | |
CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
US7072523B2 (en) | System and method for fingerprint image enhancement using partitioned least-squared filters | |
CN110619642B (zh) | 一种票据图像中印章与背景文字分离方法 | |
Sedighi et al. | A new and robust method for character segmentation and recognition in license plate images | |
US20060045322A1 (en) | Method and system for recognizing a candidate character in a captured image | |
Shen et al. | Improving OCR performance with background image elimination | |
CN109241973B (zh) | 一种纹理背景下的字符全自动软分割方法 | |
CN107195069A (zh) | 一种人民币冠字号自动识别方法 | |
CN112016563B (zh) | 一种圆形印章的真伪识别方法 | |
CN111429462A (zh) | 一种基于边缘检测和数学形态学的车牌定位方法 | |
CN107784263A (zh) | 基于改进加速鲁棒特征的平面旋转人脸检测的方法 | |
CN115423771A (zh) | 基于特征非一致性的准动态镭射防伪标签识别方法 | |
CN113486901B (zh) | 一种新型的高仿圆形印章鉴别方法 | |
CN111881938B (zh) | 一种基于盲取证技术的图像真伪鉴别的方法 | |
JP3416058B2 (ja) | 濃淡画像の文字抽出方法及びそのプログラムを記録した記録媒体 | |
CN110046618B (zh) | 基于机器学习和最大极值稳定区域的车牌识别方法 | |
CN109766860A (zh) | 基于改进的Adaboost算法的人脸检测方法 | |
Sablatnig et al. | Structural analysis of paintings based on brush strokes | |
Lin et al. | Locating license plate based on edge features of intensity and saturation subimages | |
Parente et al. | Assessing facial image accordance to ISO/ICAO requirements | |
CN109145875B (zh) | 一种人脸图像中的黑框眼镜去除方法及装置 | |
Jin et al. | Seal registration and identification based on SIFT | |
Song et al. | SVM License Plate Recognition Method Based on PSO Algorithm | |
CN108805130A (zh) | 驾驶证信息自动识别方法、电子设备、存储介质及系统 |
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 |