CN113887543A - 一种基于高光谱特征的箱包鉴伪方法与光谱采集装置 - Google Patents

Abstract

本发明给出了一种基于高光谱特征的箱包鉴伪方法与光谱采集装置，包括将待鉴定箱包与高光谱相机镜头之间的相对位置固定；使用白板/黑帧/其它环境参量对采集到的高光谱影像进行预处理；使用图像分割算法从高光谱影像中选出一批样点，获取这些样点对应的光谱曲线，所得到的光谱曲线能够在统计意义上显著表现出吸收和反射特性随波长的分布不同；使用分类模型对待鉴定箱包的样点的光谱曲线进行逐条分类，并基于被分为真和假两类的采样点比例，作出对整个样品真假的最终判断。本发明排除了人工鉴定过程中主观感受引起的难以预测的误差，提高了高光谱评判箱包真伪的准确性，并且可以对任意形状款式和大小的箱包进行真伪判别工作。

Description

一种基于高光谱特征的箱包鉴伪方法与光谱采集装置

技术领域

本发明涉及高光谱成像技术领域，尤其是一种基于高光谱特征的箱包鉴伪方法与光谱采集装置。

背景技术

高光谱成像技术可以同时获取图像和光谱信息，结合机器视觉技术确定物体的平面信息（形状、位置、尺寸），同时基于光谱分析技术计算物体的成分信息（材质、成分、含量），在各类行业都具有很大的应用潜力。精密分光技术是同时获取图像和光谱信息的基础，即对于进入传感器的混合光根据波长进行纳米级的分解，并以张量形式记录和储存下不同波长的光在成像范围内各个位置的亮度，由此即形成了高光谱影像，而影像中任意位置对应的光谱信息即包含了相应目标物体的材质种类、成分、含量等理化属性信息；结合图像识别及语义分割等技术，可以基于高光谱影像实现一步到位的目标检测-成分判断-输出可视化结果的完整智能分析过程。对于现代工业自动化中各个环节普遍存在的流程优化、品质监控等需求，高光谱成像技术能够提供高效、精确、廉价的解决方案，此外对于以手机和其他日常生活中常见的小型移动设备为载体的应用，如食品检测、皮肤健康检测等，高光谱成像技术在定量分析物质成分上的优势也使其具有广泛的应用前景。光谱分析技术的基本原理是材料中的不同成分会对特定波长的光产生吸收，则经由材料反射和透射的光会随着波长的变化而呈现出不同的反射率或透射率，表现这种变化趋势的谱线称为反射光谱或透射光谱。对于含有不同成分的材料，其光谱形态也必然不相同；光谱分析就是一类基于材料的光谱形态，对材料成分的种类和含量进行反向推演的分析方法。

由于奢侈品箱包行业具有高昂的利润和丰富的市场，对于知名奢侈品厂商公开发行的特定款式商品，许多商家采用廉价材料及劣质工艺对其外观进行仿制，从而冒充正品高价销售，导致消费者受骗，厂商品牌形象也受到损害。因此，在奢侈品行业中，对仿冒箱包的鉴别已成为一项长期存在的技术需求。

当前的鉴伪方法主要依赖人工判别，常用的判别依据包括：皮革材料品种/纹理/涂层颜色/光泽/缝线是否规整/商标印刻字体/金属挂件制作工艺等；表皮气味/其它部位配件气味；表皮触感/提手及其它部位皮质材料触感；非感官信息：生产日期/地址/其它特殊标签。其鉴定过程繁琐，准确性和可靠性较低，并且高度依赖于鉴定人员的个人经验，因此难以重复，无法满足对大批量产品的鉴定需求。

高光谱成像技术能够通过直接分析箱包的皮革材质、涂料颜色和成分达到判断箱包真伪的目的。原则上，只要箱包生产过程中的皮革来源、涂料配方不泄露，仿造者是无法完整仿制光谱信息完全相同的箱包的，因此基于光谱分析技术的方案路线在箱包真伪鉴别领域具有显著的优势。但在另一方面，由于箱包的尺寸和形状差异较大，且多数样品为不规则形状，在对箱包进行拍摄时，成像距离、成像角度、重点分析区域的朝向等参数难以量化和固定，对于目标区域光谱的定位、提取和分析的过程由此受到干扰，因此需要设计相应的硬件架构，用于辅助高光谱相机进行稳定的成像。

发明内容

本发明提出了一种基于高光谱特征的箱包鉴伪方法与光谱采集装置，以解决上文提到的现有技术的缺陷。

在一个方面，本发明提出了一种基于高光谱特征的箱包鉴伪方法，该方法包括以下步骤：

S1：将所述箱包样品放置在光谱采集装置中，将样品表面含有重点鉴定材质的部位朝下放置，并使所述箱包样品与高光谱相机的镜头之间的相对位置保持固定；

S2：使用所述高光谱相机对所述箱包样品进行拍摄，从而获取到所述箱包样品的高光谱影像，再拍摄包含有环境变量的高光谱影像，使用所述环境变量对所述箱包样品的高光谱影像进行环境变量校正，从而得到校正后的影像；

S3：使用图像分割算法从所述校正后的影像中选取若干采样点，记录每个采样点的光谱曲线；

其中，所述采样点的选取需满足：所述采样点对应的光谱曲线能够在统计意义上表征出所述箱包样品的特定位置的皮革材质在可见光及近红外区域的光谱吸收和反射特性；通过此步骤，相同款式的真假产品尽管在外观设计上难以区分，但由于实际使用皮革材质的差异，经过本步骤所述的样点提取流程，所得到的光谱曲线能够在统计意义上显著表现出吸收和反射特性随波长的分布不同；

S4：使用具有监督学习架构类型的分类模型对所述箱包样品的采样点的光谱曲线进行逐条分类，从而分为真和假两类，并基于被分为真和假两类的采样点比例重新判断所述箱包样品的真假，得到对所述箱包样品真假的最终判断。

以上方法通过高光谱相机采集待鉴别商品的皮质区域光谱，从而量化由不同材质和制作工艺导致的同款式真假商品在颜色/纹理/反射率方面的差异，对光谱信号使用特定的预处理算法和模式识别技术，即可对于待鉴别商品的真伪自动给出预测。从而排除人工鉴定过程中主观感受引起的难以预测的误差，提高了高光谱评判箱包真伪的准确性，并且可以对任意形状款式和大小的箱包进行真伪判别工作。

在具体的实施例中，所述S2的具体步骤包括：

S201：使用所述高光谱相机对所述箱包样品进行拍摄，从而获取到所述箱包样品的高光谱影像，所述箱包样品的高光谱影像记为：

，其中x,y,z分别表示所述影像的行、列和光谱波段，m,n,k分别表示影像的总行数、总列数和光谱波段总数；

S202：对与所述箱包样品相关的修正的环境变量拍摄高光谱影像，所述环境变量分别记为：

，

其中所述环境变量共计q个，包括且不限于光源光谱信息和环境光照信息；

S203：使用Env(x,y,z)对Raw(x,y,z)进行校正：即使用

中包含的q个环境变量影像逐个对

进行校正，所述校正后的影像记为

；

所述环境变量校正具体包括：减除黑帧噪声；消除环境光照影响；减除镜头前的其他透明材质器件对光源的反射和散射；根据白板辐射计算所述箱包样品各个位置在当前光源下的反射率。

在具体的实施例中，所述S3的具体步骤包括：

S301：使用图像分割算法从所述校正后的影像中选取具有光谱判断价值的目标特征区域，所述目标特征区域包括皮革材料覆盖的箱包主体表面、油边区域、提手区域，记录所述目标特征区域内所有的像素坐标；

S302：将所述目标特征区域包含的像素总数记为r，将所述目标特征区域包含的像素坐标集合记为

，将所述集合

中的r个像素对应的r条k波段光谱曲线的集合记为一个r行k列的矩阵，记为矩阵

；

其中，所述图像分割算法包括大津法、最大熵法和迭代法。

在具体的实施例中，S4的具体步骤包括：

S401：根据所述箱包样品的类别和型号，从数据库中选取与所述箱包样品对应型号的机器学习二分类模型，对所述矩阵

中的每一行代表的一条光谱曲线所属的类别进行预测，得到每条光谱曲线对应的类别和概率，所述类别包括真和伪，最终得到一个r行1列的预测概率矩阵，记为矩阵

；

所述箱包样品的类别和型号的输入包括：手动收入参数以及通过机器视觉的方法自动识别所述箱包样品；

所述机器学习真伪判定模型包括深度神经网络、支持向量机和随机森林；

S402：对所述矩阵

进行统计运算，获得所述箱包样品的不同部位的鉴别结果，根据所述不同部位的鉴别结果计算所述箱包样品最终的真伪预测结果；

其中，所述统计运算的方法包括求平均值、加权投票和无加权投票。

在具体的实施例中，将所述S2中拍摄得到的所述箱包样品的高光谱影像和所述环境变量的高光谱影像作为基于传统机器视觉的箱包鉴伪方法的输入数据，从而进一步检测所述箱包样品的材料的纹理、缝线、字体，并将所述箱包样品的材料的纹理、缝线、字体作为所述箱包样品真伪判断的额外依据。

在具体的实施例中，所述方法还包括：重复所述S1至所述S4的步骤，对所述箱包样品进行多次鉴别，从而提升结果的准确率。

根据本发明的第二方面，提出了一种基于高光谱特征的光谱采集装置，其特征在于，如权利要求1中所述的光谱采集装置包括：支架、相机支撑件、高光谱相机、光源、透明置物板和中央控制设备；

所述支架用于在其上固定其他的设备和部件；

所述相机支撑件用于固定所述高光谱相机，所述相机支撑件的固定机制与所述高光谱相机相匹配；

所述高光谱相机用于生成具有空间-光谱耦合关系的高光谱图片，所述高光谱相机包括空间扫描式和波长扫描式；

所述光源在所述高光谱相机的所有工作波长内都具有良好的光强，所述光源包括卤素灯、宽光谱的LED和多个具有不同波长的窄光谱LED集束，所述光源的形状根据实际应用的结果进行设计，所述光源的形状包括环形、条带和散点状；

所述透明置物板在高光谱相机的工作波长范围内没有明显的光谱吸收；

所述中央控制设备用于控制光源的开关、以及高光谱相机的拍照和数据传输，所述中央控制设备包括电脑、ARM机和其他嵌入式系统设备；

在拍摄时将箱包样品放置于所述透明置物板上方，进行相关的高光谱拍摄。当箱包放置在置物板上时，受到重力的影响，会自发和置物板贴合，实现了皮革的展平及拍摄角度控制；由于相机到置物板间的距离是不变的，所以对于大小箱包，都可以在相同的距离下进行拍摄。

在具体的实施例中，所述光源和所述透明置物板前还可以安装垂直偏振的偏振片。从而减少光源在透明置物板上的反射，增加光强并降低干扰。

以上装置可将算法布设到多台设备上，实现同时进行多个产品的鉴定工作的效果，对于不同大小和形状的箱包都可以实现一致的拍摄环境，保证了高光谱真伪鉴别方法的准确性。

根据本发明的第三方面，提出了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机处理器执行时实施上述方法。

根据本发明的第四方面，提出一种基于高光谱特征的箱包鉴伪系统，该系统包括：

样品固定模块：配置用于将箱包样品放置在光谱采集装置中，将所述箱包样品中想要拍摄的材质的部位朝下放置，并使所述箱包样品与所述高光谱相机的镜头之间的相对位置保持固定；

高光谱影像拍摄模块：配置用于使用所述高光谱相机对所述箱包样品进行拍摄，从而获取到所述箱包样品的高光谱影像，再拍摄与所述箱包样品相关的修正的环境变量的高光谱影像，结合白板上拍摄的影像、黑帧噪声影像以及所述环境变量对所述箱包样品的高光谱影像进行环境变量校正，从而得到校正后的影像；

光谱曲线采样模块：配置用于使用图像分割算法从所述校正后的影像中选取若干采样点，记录每个采样点的光谱曲线；

其中，所述采样点的选取需满足：所述采样点对应的光谱曲线能够在统计意义上表征出所述箱包样品的特定位置的皮革材质在可见光及近红外区域的光谱吸收和反射特性；

样品真伪判断模块：配置用于使用具有监督学习架构类型的分类模型对所述箱包样品的采样点的光谱曲线进行逐条分类，从而分为真和假两类，并基于被分为真和假两类的采样点比例判断所述箱包样品的真假。

本发明将待鉴定箱包与高光谱相机镜头之间的相对位置固定；使用白板/黑帧/其它环境参量对采集到的高光谱影像进行预处理；使用图像分割算法从高光谱影像中选出一批样点，获取这些样点对应的光谱曲线，所得到的光谱曲线能够在统计意义上显著表现出吸收和反射特性随波长的分布不同；使用分类模型对待鉴定箱包的样点的光谱曲线进行逐条分类，并基于被分为真和假两类的采样点比例，作出对整个样品真假的最终判断。

本发明具有以下有益效果：

1、准确度高：每个步骤都能以数值量化，从而排除人工鉴定过程中的主观误差对鉴定结果的准确度产生的影响；

2、可重复性强：将算法布设到多台设备上，即可同时进行多个产品的鉴定工作；

3、通用性：本发明可以对任意形状款式和大小的箱包进行真伪判别工作；

4、可拓展性：任意款式及材质的产品光谱样本都可录入到算法连接的数据库中，随着样本持续积累，算法适用的产品类型也能不断丰富；

5、提升自动化水平，减少人工成本。

附图说明

包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点，因为通过引用以下详细描述，它们变得被更好地理解。通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是本发明的实施例的一种基于高光谱特征的箱包鉴伪方法的流程图；

图3是本发明的一个具体的实施例的基于高光谱特征的箱包鉴伪方法的流程图；

图4是本发明的一个具体的实施例的基于高光谱特征的箱包鉴伪的光谱采集装置设计图；

图5是本发明的一个具体的实施例的基于高光谱特征的箱包鉴伪方法的流程结构示意图；

图6是本发明针对某品牌钱包真品鉴别的基于高光谱特征的箱包鉴伪方法的流程图；

图7是本发明的一个实施例的一种基于高光谱特征的箱包鉴伪系统的框架图；

图8是适于用来实现本申请实施例的电子设备的计算机系统的流程结构示意图；

图9是本发明针对某品牌钱包真品鉴别的基于高光谱特征的箱包鉴伪方法的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请实施例的一种基于高光谱特征的箱包鉴伪方法的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种应用，例如数据处理类应用、数据可视化类应用、网页浏览器应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块（例如用来提供分布式服务的软件或软件模块），也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上展示的环境参量影像提供支持的后台信息处理服务器。后台信息处理服务器可以对获取的高光谱影像进行处理，并生成处理结果（例如校正后的影像）。

需要说明的是，本申请实施例所提供的方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应的装置一般设置于服务器105中，也可以设置于终端设备101、102、103中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块（例如用来提供分布式服务的软件或软件模块），也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

根据本发明的一个实施例的一种基于高光谱特征的箱包鉴伪方法，图2示出了根据本发明的实施例的一种基于高光谱特征的箱包鉴伪方法的流程图。如图2所示，该方法包括以下步骤：

S1：将箱包样品放置在光谱采集装置中，将所述箱包样品中想要拍摄的材质的部位朝下放置，并使所述箱包样品与高光谱相机的镜头之间的相对位置保持固定；

S2：S2：使用所述高光谱相机对所述箱包样品进行拍摄，从而获取到所述箱包样品的高光谱影像，再拍摄与所述箱包样品相关的修正的环境变量的高光谱影像，结合白板上拍摄的影像、黑帧噪声影像以及所述环境变量对所述箱包样品的高光谱影像进行环境变量校正，从而得到校正后的影像

S3：使用图像分割算法从所述校正后的影像中选取若干采样点，记录每个采样点的光谱曲线；

其中所述采样点的选取需满足：所述采样点对应的光谱曲线能够在统计意义上表征出所述箱包样品的特定位置的皮革材质在可见光及近红外区域的光谱吸收和反射特性；

S4：使用具有监督学习架构类型的分类模型对所述箱包样品的采样点的光谱曲线进行逐条分类，从而分为真和假两类，并基于被分为真和假两类的采样点比例重新判断所述箱包样品的真假，得到对所述箱包样品真假的最终判断。

图3是本发明的一个具体的实施例的基于高光谱特征的箱包鉴伪方法的流程图，图5为图3对应的结构示意图，图3所示的流程如下： 301：获取待鉴定样品的高光谱影像Raw(x,y,z)，其结构如图5中501所示；

301具体包括：

3011：将箱包样品放置在光谱采集装置中，将所述箱包样品中想要拍摄的材质的部位朝下放置，并使所述箱包样品与高光谱相机的镜头之间的相对位置保持固定；

3012：使用所述高光谱相机对所述箱包样品进行拍摄，从而获取到所述箱包样品的高光谱影像，所述箱包样品的高光谱影像记为：

其中x,y,z分别表示所述影像的行、列和光谱波段，m,n,k分别表示影像的总行数、总列数和光谱波段总数；

302：获取环境变量影像Env(x,y,z)：对与所述箱包样品相关的修正的环境变量拍摄高光谱影像，其结构如图5中502所示，所述环境变量分别记为：

，

其中所述的环境变量共计q个，包括且不限于光源光谱信息和环境光照信息；

303：使用Env(x,y,z)对Raw(x,y,z)进行校正：即使用

中包含的两个环境变量影像逐个对

进行校正，其结构如图5中503所示所述校正后的影像记为

；

所述环境变量校正具体包括：减除黑帧噪声；消除环境光照影响；减除镜头前的其他透明材质器件对光源的反射和散射；根据白板辐射计算所述箱包样品各个位置在当前光源下的反射率。

304：分割出目标区域（ROI），选择特征点，进行光谱采样，其结构如图5中504所示：3041：使用图像分割算法从所述校正后的影像中选取具有光谱判断价值的目标特征区域，所述目标特征区域包括皮革材料覆盖的箱包主体表面、油边区域、提手区域，记录所述目标特征区域内所有的像素坐标；

3042：将所述目标特征区域包含的像素总数记为r，将所述目标特征区域包含的像素坐标集合记为

，将所述集合

中的r个像素对应的r条k波段光谱曲线的集合记为一个r行k列的矩阵，记为矩阵

；

其中，所述图像分割算法包括大津法(Otsu’s Method)、最大熵法和迭代法。

305：使用基于有监督学习建立的分类模型对采样得到的光谱向量逐个预测真假，其结构如图5中505所示，根据比例确定最终的鉴定结果：

3051：根据所述箱包样品的类别和型号，从数据库中选取与所述箱包样品对应型号的机器学习真伪判定模型，对所述矩阵

中的每一行代表的一条光谱曲线所属的类别进行预测，得到每条光谱曲线对应的类别和概率，所述类别包括真和伪，最终得到一个r行1列的预测概率矩阵，记为矩阵

；

所述箱包样品的类别和型号的输入包括：手动收入参数以及通过机器视觉的方法自动识别所述箱包样品；

所述机器学习真伪判定模型包括深度神经网络、支持向量机和随机森林；

3052：对所述矩阵

进行统计运算，获得所述箱包样品的不同部位的鉴别结果，根据所述不同部位的鉴别结果计算所述箱包样品最终的真伪预测结果；其中，所述统计运算的方法包括求平均值、加权投票和无加权投票。

图4是本发明的一个具体的实施例的基于高光谱特征的箱包鉴伪的光谱采集装置设计图，图4示出的光谱采集装置包括：支架101、相机支撑件102、高光谱相机103、光源104、透明置物板105和中央控制设备106；

所述支架101用于在其上固定其他的设备和部件；

所述相机支撑件102用于固定所述高光谱相机103，所述相机支撑件102的固定机制与所述高光谱相机103相匹配；

所述高光谱相机103用于生成具有空间-光谱耦合关系的高光谱图片，所述高光谱相机103包括空间扫描式和波长扫描式；

所述光源104在所述高光谱相机103的所有工作波长内都具有良好的光强，所述光源104包括卤素灯、宽光谱的LED和多个具有不同波长的窄光谱LED集束，所述光源104的形状根据实际应用的结果进行设计，所述光源104的形状包括环形、条带和散点状；

所述透明置物板105在高光谱相机103的工作波长范围内没有明显的吸收特征峰；

所述中央控制设备106用于控制光源104的开关、以及高光谱相机103的拍照和数据传输，所述中央控制设备106包括电脑、ARM机和其他嵌入式系统设备；

在拍摄时将箱包样品放置于所述透明置物板105上方，进行相关的高光谱拍摄。当箱包放置在置物板上时，受到重力的影响，会自发和置物板贴合，实现了皮革的展平及拍摄角度控制；由于相机到置物板间的距离是不变的，所以对于大小箱包，都可以在相同的距离下进行拍摄。

图6是本发明针对某品牌钱包真品进行鉴伪的流程图，图9为图6对应的结构示意图，图6所示步骤如下：

601：获取图5所示的某品牌钱包真品的高光谱影像Raw(x,y,z)，其结构如图9中901所示；

602：获取环境参量影像Env(x,y,z)，其结构如图9中902所示；

603：使用Env(x,y,z)对Raw(x,y,z)进行校正，并选定ROI，其结构如图9中903所示；

604：使用图像阈值分割和主成分分析方法，从ROI范围内选出用于光谱采样的特征点；

605：使用深度神经网络对采样得到的光谱向量逐个预测真假，根据两种预测结果的比例确定最终的鉴定结果，其结构如图9中905所示。

在具体的实施例中，利用本发明的方案对一款某品牌的钱包进行真假鉴别的具体流程如下：

1、取得一只待鉴定的钱包样品，将其扁平面置于透明置物板上，拍摄钱包样品的高光谱影像

，其中x,y,z分别表示所述影像的行、列和光谱波段（后续步骤中与此相同）；

2、将样品移除，取一块白板放在置物平面上，拍摄白板影像一幅，记为

，根据影像像素值的位数设置一个阈值

，像素值大于此阈值的位置视为过曝，应在后续使用时排除；

3、将白板移除，取一张不透光材料的黑纸放在置物平面上，拍摄反映平面散光的影像一幅，记为

；

4、将相机镜头盖上，拍摄黑帧噪声影像一幅，记为

，从步骤1-3中的影像中分别减去黑帧噪声；

5、对样品影像

计算各波段平均亮度，得到一幅二维影像：

，其中k表示光谱波段总数；

6、使用大津阈值分割方法对

确定一个亮度阈值

，记录亮度小于阈值的位置坐标，将

中相应位置对应的所有波段像素值置零：

其中

表示Raw中亮度小于

的像素行坐标，b表示Raw中亮度小于

的像素列坐标；

7、使用主成分分析法（PCA)取低亮度像素置零后的

的第一主成分波段，记为

；

8、对

再次使用阈值分割方法确定一个亮度阈值

，记录亮度大于阈值的位置坐标，选出

中相应位置对应的所有光谱曲线，经过白板校正和向量归一化，组成样本集

：

其中，

表示符合约束条件的像素平面坐标的集合。约束条件为：SampleMap的 α行β列像素值亮度大于

，同时白板影像White的 α行β z波段（z=1,2,…,k）像素值小于过曝判断阈值

；

9、使用预训练好的有监督向量模式识别模型（人工神经网络，支持向量机，随机森林等）对样本集W中的r个样本属于的类别是“真”或是“假”分别作出预测，得到一个r行1列的预测矩阵

；

10、对真假两个类别，分别计算r个预测结果中属于该类的比例，以此作为对整个待鉴定样品的最终鉴定结果：

其中，

表示被模型判定其属于真品的光谱样本总数

在全部r个样本中所占的比例，

表示被判定为伪造品的光谱样本总数在全部r个样本中的比例，

表示一种对矩阵X的第1列的元素值进行统计的运算，其返回值是X的第1列中取值为y的元素总数。

图7示出了本发明的一个实施例的一种基于高光谱特征的箱包鉴伪系统的框架图。该系统包括样品固定模块701、高光谱影像拍摄模块702、光谱曲线采样模块703和样品真伪判断模块704。

在具体的实施例中，样品固定模块701被配置用于将箱包样品放置在光谱采集装置中，将所述箱包样品中想要拍摄的材质的部位朝下放置，并使所述箱包样品与高光谱相机的镜头之间的相对位置保持固定；

高光谱影像拍摄模块702被配置用于使用所述高光谱相机对所述箱包样品进行拍摄，从而获取到所述箱包样品的高光谱影像，再拍摄与所述箱包样品相关的修正的环境变量的高光谱影像，结合白板上拍摄的影像、黑帧噪声影像以及所述环境变量对所述箱包样品的高光谱影像进行环境变量校正，从而得到校正后的影像；

光谱曲线采样模块703被配置用于使用图像分割算法从所述校正后的影像中选取若干采样点，记录每个采样点的光谱曲线；

其中，所述采样点的选取需满足：所述采样点对应的光谱曲线能够在统计意义上表征出所述箱包样品的特定位置的皮革材质在可见光及近红外区域的光谱吸收和反射特性；

样品真伪判断模块704被配置用于使用具有监督学习架构类型的分类模型对所述箱包样品的采样点的光谱曲线进行逐条分类，从而分为真和假两类，并基于被分为真和假两类的采样点比例重新判断所述箱包样品的真假，得到对所述箱包样品真假的最终判断。

本系统将待鉴定箱包与高光谱相机镜头之间的相对位置固定；使用白板/黑帧/其它环境参量对采集到的高光谱影像进行预处理；使用图像分割算法从高光谱影像中选出一批样点，获取这些样点对应的光谱曲线，所得到的光谱曲线能够在统计意义上显著表现出吸收和反射特性随波长的分布不同；使用分类模型对待鉴定箱包的样点的光谱曲线进行逐条分类，并基于被分为真和假两类的采样点比例，作出对整个样品真假的最终判断。本发明排除了人工鉴定过程中主观感受引起的难以预测的误差，提高了高光谱评判箱包真伪的准确性，并且可以对任意形状款式和大小的箱包进行真伪判别工作。

下面参考图8，其示出了适于用来实现本申请实施例的电子设备的计算机系统800的结构示意图。图8示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图8所示，计算机系统800包括中央处理单元（CPU）801，其可以根据存储在只读存储器（ROM）802中的程序或者从存储部分808加载到随机访问存储器（RAM）803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出（I/O）接口805也连接至总线804。

以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如液晶显示器（LCD）等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元（CPU）801执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，并且这些单元的名称在某种情况下并不构成对该单元本身的限定。

本发明的实施例还涉及一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机处理器执行时实施上文中的方法。该计算机程序包含用于执行流程图所示的方法的程序代码。需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。

本发明将待鉴定箱包与高光谱相机镜头之间的相对位置固定；使用白板/黑帧/其它环境参量对采集到的高光谱影像进行预处理；使用图像分割算法从高光谱影像中选出一批样点，获取这些样点对应的光谱曲线，所得到的光谱曲线能够在统计意义上显著表现出吸收和反射特性随波长的分布不同；使用分类模型对待鉴定箱包的样点的光谱曲线进行逐条分类，并基于被分为真和假两类的采样点比例，作出对整个样品真假的最终判断。本发明排除了人工鉴定过程中主观感受引起的难以预测的误差，提高了高光谱评判箱包真伪的准确性，并且可以对任意形状款式和大小的箱包进行真伪判别工作。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种基于高光谱特征的箱包鉴伪方法，其特征在于，包括以下步骤：

S1：将箱包样品放置在光谱采集装置中，将所述箱包样品中想要拍摄的材质的部位朝下放置，并使所述箱包样品与高光谱相机的镜头之间的相对位置保持固定；

S2：使用所述高光谱相机对所述箱包样品进行拍摄，从而获取到所述箱包样品的高光谱影像，再拍摄与所述箱包样品相关的修正的环境变量的高光谱影像，结合白板上拍摄的影像、黑帧噪声影像以及所述环境变量对所述箱包样品的高光谱影像进行环境变量校正，从而得到校正后的影像；

S3：使用图像分割算法从所述校正后的影像中选取若干采样点，记录每个采样点的光谱曲线；

其中，所述采样点的选取需满足：所述采样点对应的光谱曲线能够在统计意义上表征出所述箱包样品的特定位置的皮革材质在可见光及近红外区域的光谱吸收和反射特性；

S4：使用具有监督学习架构类型的分类模型对所述箱包样品的采样点的光谱曲线进行逐条分类，从而分为真和假两类，并基于被分为真和假两类的采样点比例重新判断所述箱包样品的真假，得到对所述箱包样品真假的最终判断。

2.根据权利要求1所述的方法，其特征在于，所述S2的具体步骤包括：

S201：使用所述高光谱相机对所述箱包样品进行拍摄，从而获取到所述箱包样品的高光谱影像，所述箱包样品的高光谱影像记为：

，其中x,y,z分别表示所述影像的行、列和光谱波段，m,n,k分别表示影像的总行数、总列数和光谱波段总数；

S202：对与所述箱包样品相关的修正的环境变量拍摄高光谱影像，所述环境变量分别记为：

，

其中所述环境变量共计q个，包括且不限于光源光谱信息和环境光照信息；

S203：使用

对

进行环境变量校正，所述校正后的影像记为

；

所述环境变量校正具体包括：减除黑帧噪声；消除环境光照影响；减除镜头前的其他透明材质器件对光源的反射和散射；根据白板辐射计算所述箱包样品各个位置在当前光源下的反射率。

3.根据权利要求1所述的方法，其特征在于，所述S3的具体步骤包括：

S301：使用图像分割算法从所述校正后的影像中选取具有光谱判断价值的目标特征区域，所述目标特征区域包括皮革材料覆盖的箱包主体表面、油边区域、提手区域，记录所述目标特征区域内所有的像素坐标；

S302：将所述目标特征区域包含的像素总数记为r，将所述目标特征区域记为集合

，将所述集合

中的r个像素对应的r条k波段光谱曲线的集合记为一个r行k列的矩阵，记为矩阵

；

其中，所述图像分割算法包括大津法、最大熵法和迭代法。

4.根据权利要求3所述的方法，其特征在于，S4的具体步骤包括：

S401：根据所述箱包样品的类别和型号，从数据库中选取与所述箱包样品对应型号的机器学习真伪判定模型，对所述矩阵

中的每一行代表的一条光谱曲线所属的类别进行预测，得到每条光谱曲线对应的类别和概率，所述类别包括真和伪，最终得到一个r行1列的预测概率矩阵，记为矩阵

；

所述箱包样品的类别和型号的输入包括：手动收入参数以及通过机器视觉的方法自动识别所述箱包样品；

所述机器学习真伪判定模型包括深度神经网络、支持向量机和随机森林；

S402：对所述矩阵

进行统计运算，获得所述箱包样品的不同部位的鉴别结果，根据所述不同部位的鉴别结果计算所述箱包样品最终的真伪预测结果；

其中，所述统计运算的方法包括求平均值、加权投票和无加权投票。

5.根据权利要求1所述的方法，其特征在于，将所述S2中拍摄得到的所述箱包样品的高光谱影像和所述环境变量的高光谱影像作为基于传统机器视觉的箱包鉴伪方法的输入数据，从而进一步检测所述箱包样品的材料的纹理、缝线、字体，并将所述箱包样品的材料的纹理、缝线、字体作为所述箱包样品真伪判断的额外依据。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：重复所述S1至所述S4的步骤，从而对所述箱包样品进行多次鉴别。

7.一种基于高光谱特征的光谱采集装置，其特征在于，所述光谱采集装置包括：支架、相机支撑件、高光谱相机、光源、透明置物板和中央控制设备；

所述支架用于在其上固定其他的设备和部件；

所述相机支撑件用于固定所述高光谱相机，所述相机支撑件的固定机制与所述高光谱相机相匹配；

所述高光谱相机用于生成具有空间-光谱耦合关系的高光谱图片，所述高光谱相机包括空间扫描式和波长扫描式；

所述光源在所述高光谱相机的所有工作波长内都具有良好的光强，所述光源包括卤素灯、宽光谱的LED和多个具有不同波长的窄光谱LED集束，所述光源的形状根据实际应用的结果进行设计，所述光源的形状包括环形、条带和散点状；

所述透明置物板在高光谱相机的工作波长范围内没有明显的光谱吸收；

所述中央控制设备用于控制光源的开关、以及高光谱相机的拍照和数据传输，所述中央控制设备包括电脑、ARM机和其他嵌入式系统设备；

在拍摄时将箱包样品放置于所述透明置物板上方，进行相关的高光谱拍摄。

8.根据权利要求7所述的装置，其特征在于，所述光源和所述透明置物板前还可以安装垂直偏振的偏振片。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被计算机处理器执行时实施权利要求1至6中任一项所述的方法。

10.一种基于高光谱特征的箱包鉴伪系统，其特征在于，包括：

样品固定模块：配置用于将箱包样品放置在光谱采集装置中，将所述箱包样品中想要拍摄的材质的部位朝下放置，并使所述箱包样品与高光谱相机的镜头之间的相对位置保持固定；

高光谱影像拍摄模块：配置用于使用所述高光谱相机对所述箱包样品进行拍摄，从而获取到所述箱包样品的高光谱影像，再拍摄与所述箱包样品相关的修正的环境变量的高光谱影像，结合白板上拍摄的影像、黑帧噪声影像以及所述环境变量对所述箱包样品的高光谱影像进行环境变量校正，从而得到校正后的影像；

光谱曲线采样模块：配置用于使用图像分割算法从所述校正后的影像中选取若干采样点，记录每个采样点的光谱曲线；

其中，所述采样点的选取需满足：所述采样点对应的光谱曲线能够在统计意义上表征出所述箱包样品的特定位置的皮革材质在可见光及近红外区域的光谱吸收和反射特性；

样品真伪判断模块：配置用于使用具有监督学习架构类型的分类模型对所述箱包样品的采样点的光谱曲线进行逐条分类，从而分为真和假两类，并基于被分为真和假两类的采样点比例重新判断所述箱包样品的真假，得到对所述箱包样品真假的最终判断。

Images