CN114782796A - 一种物品图像防伪的智能验证方法和装置 - Google Patents

一种物品图像防伪的智能验证方法和装置 Download PDF

Info

Publication number
CN114782796A
CN114782796A CN202210684724.7A CN202210684724A CN114782796A CN 114782796 A CN114782796 A CN 114782796A CN 202210684724 A CN202210684724 A CN 202210684724A CN 114782796 A CN114782796 A CN 114782796A
Authority
CN
China
Prior art keywords
image
article
submodel
picture
training
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
CN202210684724.7A
Other languages
English (en)
Other versions
CN114782796B (zh
Inventor
王涛
郑宇�
罗铮
邓昕
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.)
Wuhan Pku High-Tech Soft Co ltd
Original Assignee
Wuhan Pku High-Tech Soft 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 Wuhan Pku High-Tech Soft Co ltd filed Critical Wuhan Pku High-Tech Soft Co ltd
Priority to CN202210684724.7A priority Critical patent/CN114782796B/zh
Publication of CN114782796A publication Critical patent/CN114782796A/zh
Application granted granted Critical
Publication of CN114782796B publication Critical patent/CN114782796B/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10544—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum
    • G06K7/10821—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum further details of bar or optical code scanning devices
    • G06K7/10861—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum further details of bar or optical code scanning devices sensing of data fields affixed to objects or articles, e.g. coded labels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
    • G06K7/1413—1D bar codes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Toxicology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种物品图像防伪的智能验证方法和装置，包括：通过对指定物品图像进行拍摄，经过灰度化、二值化，并进行特征加权，从而得到指定物品图像的判别性区域图片以用于验证。本发明的有益效果：相较于传统方式而言，即使标签被复制，但是物品图像的特征确很难进行复制的特点，从而实现了对物品图像防伪的验证方法，保证了消费者和商家的利益。

Description

一种物品图像防伪的智能验证方法和装置
技术领域
本发明涉及人工智能领域，特别涉及一种物品图像防伪的智能验证方法和装置。
背景技术
随着电商的日益兴起，提高了人们的生活品质，各种各样的购物平台给人们带来了便捷，但与此同时，假冒伪劣物品图像也不断兴起，给消费者和商家都造成了一定的利益损失。对于各种物品图像，尤其是农副物品图像、渔物品图像、药材等个体具有显著差异的物品图像，目前都是将赋予纸质标签，或电子标签，但是这种方式加密手段单一，容易被破解，非常容易出现商品信息的外泄，导致大量标签被复制，从而达不到防伪的目的。
发明内容
本发明的主要目的为提供一种物品图像防伪的智能验证方法和装置，旨在解决标签容易被复制，达不到防伪的目的的问题。
本发明提供了一种物品图像防伪的智能验证方法，包括：
对指定物品图像进行拍摄，得到所述指定物品图像的原始图像；
将所述原始图像输入至特征提取网络，得到特征描述子；
通过预设的灰度化方法将所述特征描述子转换为灰度图像，并根据公式
Figure 359257DEST_PATH_IMAGE001
计算所述灰度图像的像素平均值；其中，H表示所述灰度图像的高度，W表示所述灰度图像的宽度，
Figure 323409DEST_PATH_IMAGE002
表示在宽度为x高度为y处的像素值；
根据公式
Figure 379089DEST_PATH_IMAGE003
对所述原始图像进行二值化处理，得到二值化图像；
对所述二值化图像进行形态学腐蚀，并通过形态学膨胀方法桥接所述二值化图像中不连续的部分，得到目标二值化图像；
计算所述目标二值化图像与所述特征描述子的哈达玛积，得到特征图像；
使用公式
Figure 664577DEST_PATH_IMAGE004
对所述特征图像进行一维特征描述子，得到一维特征图；
根据公式
Figure 463906DEST_PATH_IMAGE005
以及公式
Figure 784029DEST_PATH_IMAGE006
计算得到第一注意力向量和第二注意力向量；其中，
Figure 512076DEST_PATH_IMAGE007
表示第一注意力向量，
Figure 550439DEST_PATH_IMAGE008
表示第二注意力向量，
Figure 887879DEST_PATH_IMAGE009
表示预设的参数，且
Figure 328088DEST_PATH_IMAGE010
以及
Figure 725571DEST_PATH_IMAGE011
中至少有一个不成立，
Figure 218607DEST_PATH_IMAGE012
表示ReLU的激活函数，
Figure 625318DEST_PATH_IMAGE012
表示Sigmoid激活函数；
通过所述第一注意力向量和所述第二注意力向量分别对所述特征向量进行加权，得到第一目标特征图和第二目标特征图；
根据公式
Figure 654454DEST_PATH_IMAGE013
计算得到判别性区域图片，并基于所述判别性区域图片对所述指定物品图像进行验证。
进一步地，所述基于所述判别性区域图片对所述指定物品图像进行验证的步骤，包括：
将所述判别性区域图片上传至预设的数据库中，并将存储位置以条形码的方式印刷在所述指定物品图像的包装盒上；
接收用户基于所述条形码上传的物品图像拍摄图片；
将所述物品图像拍摄图片以及所述条形码对应的所述判别性区域图片输入至预设的物品图像防伪识别模型中，得到所述物品图像拍摄图片的识别结果；其中，所述物品图像防伪识别模型通过多个物品图像拍摄图片和对应的判别性区域图片作为输入，以真实的防伪结果作为输出训练而成；
根据所述识别结果验证所述物品图像拍摄图片中的物品图像是否为所述指定物品图像。
进一步地，所述物品图像防伪识别模型包括第一子模型和第二子模型，根据所述第一子模型的输出数据与所述第二子模型的输出数据的相似度判断物品图像拍摄图片中的物品图像是否与指定物品图像是否相似；
所述将所述物品图像拍摄图片以及所述条形码对应的所述判别性区域图片输入至预设的物品图像防伪识别模型中，得到所述物品图像拍摄图片的识别结果的步骤之前，还包括：
获取训练数据集，其中，所述训练数据集包括成组的物品图像拍摄图片以及对应的判别性区域图片；
将所述物品图像拍摄图片输入所述第一子模型中，通过公式
Figure 222838DEST_PATH_IMAGE014
对所述第一子模型进行训练，得到所述第一子模型的训练结果参数
Figure 235794DEST_PATH_IMAGE015
；并将所述判别性区域图片输入至第二子模型中，通过公式
Figure 682081DEST_PATH_IMAGE016
对所述第二子模型进行训练，得到第二子模型的训练结果参数
Figure 831302DEST_PATH_IMAGE017
；其中，
Figure 305009DEST_PATH_IMAGE018
，
Figure 539681DEST_PATH_IMAGE019
，
Figure 553774DEST_PATH_IMAGE015
表示所述第一子模型在第i次训练时的参数集，
Figure 67756DEST_PATH_IMAGE017
表示所述第二子模型在第i次训练时的参数集，
Figure 977943DEST_PATH_IMAGE020
表示第一子模型在第i次训练之前根据物品图像拍摄图片得到的预测数据；
Figure 699911DEST_PATH_IMAGE020
表示第二子模型在第i次训练之前根据物品图像拍摄图片得到的预测数据，其中i取正整数，
Figure 720957DEST_PATH_IMAGE021
表示物品图像拍摄图片，
Figure 844771DEST_PATH_IMAGE022
表示判别性区域图片，
Figure 692903DEST_PATH_IMAGE023
表示所述第一子模型第i次训练时的输出值，
Figure 636588DEST_PATH_IMAGE024
表示所述第二子模型第i次训练时的输出值；
将所述第一子模型和第二子模型进行迭代对抗训练，得到最终的第一子模型参数集
Figure 461325DEST_PATH_IMAGE025
和第二子模型的参数集
Figure 705224DEST_PATH_IMAGE026
；
将所述第一子模型参数集
Figure 986908DEST_PATH_IMAGE025
和第二子模型参数集
Figure 683468DEST_PATH_IMAGE026
分别输入至对应的第一子模型和第二子模型中，得到所述物品图像防伪识别模型。
进一步地，所述根据公式
Figure 46317DEST_PATH_IMAGE027
计算得到判别性区域图片的步骤之后，还包括：
获取所述判别性区域图片在所述原始图像中所处的目标位置；
识别所述原始图像中所述目标位置的特征信息；
根据所述指定物品图像的预设标志性特征数据库判断所述特征信息是否属于标志性特征；
若是，则执行所述基于所述判别性区域图片对所述指定物品图像进行验证的步骤。
进一步地，所述特征提取网络包括：输入层、隐藏层和输出层；
所述将所述原始图像输入至特征提取网络，得到特征描述子的步骤包括：
将所述原始图像分别输入至对应的所述特征提取网络的所述输入层；
通过隐藏层利用激励函数对所述输入层输入的所述原始图像进行非线性化处理，得到拟合的结果；
通过输出层对所述拟合的结果进行输出表示，输出所述原始图像对应的特征描述子。
本发明提供了一种物品图像防伪的智能验证装置，包括：
拍摄模块，用于对指定物品图像进行拍摄，得到所述指定物品图像的原始图像；
输入模块，用于将所述原始图像输入至特征提取网络，得到特征描述子；
转换模块，用于通过预设的灰度化方法将所述特征描述子转换为灰度图像，并根据公式
Figure 879143DEST_PATH_IMAGE028
计算所述灰度图像的像素平均值；其中，H表示所述灰度图像的高度，W表示所述灰度图像的宽度，
Figure 302034DEST_PATH_IMAGE029
表示在宽度为x高度为y处的像素值；
二值化模块，用于根据公式
Figure 721777DEST_PATH_IMAGE030
对所述原始图像进行二值化处理，得到二值化图像；
形态学腐蚀模块，用于对所述二值化图像进行形态学腐蚀，并通过形态学膨胀方法桥接所述二值化图像中不连续的部分，得到目标二值化图像；
第一计算模块，用于计算所述目标二值化图像与所述特征描述子的哈达玛积，得到特征图像；
描述模块，用于使用公式
Figure 153895DEST_PATH_IMAGE031
对所述特征图像进行一维特征描述子，得到一维特征图；
第二计算模块，用于根据公式
Figure 106808DEST_PATH_IMAGE032
以及公式
Figure 700600DEST_PATH_IMAGE033
计算得到第一注意力向量和第二注意力向量；其中，
Figure 106174DEST_PATH_IMAGE034
表示第一注意力向量，
Figure 309360DEST_PATH_IMAGE035
表示第二注意力向量，
Figure 116779DEST_PATH_IMAGE036
表示预设的参数，且
Figure 147051DEST_PATH_IMAGE037
以及
Figure 305500DEST_PATH_IMAGE038
中至少有一个不成立，
Figure 100002_DEST_PATH_IMAGE039
表示ReLU的激活函数，
Figure 112045DEST_PATH_IMAGE039
表示Sigmoid激活函数；
加权模块，用于通过所述第一注意力向量和所述第二注意力向量分别对所述特征向量进行加权，得到第一目标特征图和第二目标特征图；
验证模块，用于根据公式
Figure 39549DEST_PATH_IMAGE040
计算得到判别性区域图片，并基于所述判别性区域图片对所述指定物品图像进行验证。
进一步地，所述验证模块，包括：
上传子模块，用于将所述判别性区域图片上传至预设的数据库中，并将存储位置以条形码的方式印刷在所述指定物品图像的包装盒上；
物品图像拍摄图片接收子模块，用于接收用户基于所述条形码上传的物品图像拍摄图片；
物品图像拍摄图片输入子模块，用于将所述物品图像拍摄图片以及所述条形码对应的所述判别性区域图片输入至预设的物品图像防伪识别模型中，得到所述物品图像拍摄图片的识别结果；其中，所述物品图像防伪识别模型通过多个物品图像拍摄图片和对应的判别性区域图片作为输入，以真实的防伪结果作为输出训练而成；
验证子模块，用于根据所述识别结果验证所述物品图像拍摄图片中的物品图像是否为所述指定物品图像。
进一步地，所述物品图像防伪识别模型包括第一子模型和第二子模型，根据所述第一子模型的输出数据与所述第二子模型的输出数据的相似度判断物品图像拍摄图片中的物品图像是否与指定物品图像是否相似；
所述验证模块，还包括：
训练数据集获取子模块，用于获取训练数据集，其中，所述训练数据集包括成组的物品图像拍摄图片以及对应的判别性区域图片；
输入子模块，用于将所述物品图像拍摄图片输入所述第一子模型中，通过公式
Figure 100002_DEST_PATH_IMAGE041
对所述第一子模型进行训练，得到所述第一子模型的训练结果参数
Figure 771882DEST_PATH_IMAGE042
；并将所述判别性区域图片输入至第二子模型中，通过公式
Figure 100002_DEST_PATH_IMAGE043
对所述第二子模型进行训练，得到第二子模型的训练结果参数
Figure 181741DEST_PATH_IMAGE044
；其中，
Figure DEST_PATH_IMAGE045
，
Figure 290512DEST_PATH_IMAGE046
，
Figure 72523DEST_PATH_IMAGE042
表示所述第一子模型在第i次训练时的参数集，
Figure 179019DEST_PATH_IMAGE044
表示所述第二子模型在第i次训练时的参数集，
Figure DEST_PATH_IMAGE047
表示第一子模型在第i次训练之前根据物品图像拍摄图片得到的预测数据；
Figure 79104DEST_PATH_IMAGE047
表示第二子模型在第i次训练之前根据物品图像拍摄图片得到的预测数据，其中i取正整数，
Figure 929249DEST_PATH_IMAGE048
表示物品图像拍摄图片，
Figure DEST_PATH_IMAGE049
表示判别性区域图片，
Figure 362504DEST_PATH_IMAGE050
表示所述第一子模型第i次训练时的输出值，
Figure DEST_PATH_IMAGE051
表示所述第二子模型第i次训练时的输出值；
交叉训练子模块，用于将所述第一子模型和第二子模型进行迭代对抗训练，得到最终的第一子模型参数集
Figure 212472DEST_PATH_IMAGE025
和第二子模型的参数集
Figure 567230DEST_PATH_IMAGE052
；
参数集输入子模块，用于将所述第一子模型参数集
Figure 955486DEST_PATH_IMAGE025
和第二子模型参数集
Figure 712090DEST_PATH_IMAGE052
分别输入至对应的第一子模型和第二子模型中，得到所述物品图像防伪识别模型。
进一步地，所述智能验证装置，还包括：
目标位置获取模块，用于获取所述判别性区域图片在所述原始图像中所处的目标位置；
特征信息识别模块，用于识别所述原始图像中所述目标位置的特征信息；
特征信息判断模块，用于根据所述指定物品图像的预设标志性特征数据库判断所述特征信息是否属于标志性特征；
执行模块，用于若是，则执行所述基于所述判别性区域图片对所述指定物品图像进行验证的步骤。
进一步地，所述特征提取网络包括：输入层、隐藏层和输出层；
所述将所述原始图像输入至特征提取网络，得到特征描述子的步骤包括：
将所述原始图像分别输入至对应的所述特征提取网络的所述输入层；
通过隐藏层利用激励函数对所述输入层输入的所述原始图像进行非线性化处理，得到拟合的结果；
通过输出层对所述拟合的结果进行输出表示，输出所述原始图像对应的特征描述子。
本发明的有益效果：通过对指定物品图像进行拍摄，经过灰度化、二值化，并进行特征加权，从而得到指定物品图像的判别性区域图片以用于验证，相较于传统方式而言，即使标签被复制，但是物品图像的特征确很难进行复制的特点，从而实现了对物品图像防伪的验证方法，保证了消费者和商家的利益。
附图说明
图1 是本发明一实施例的一种物品图像防伪的智能验证方法的流程示意图；
图2 是本发明一实施例的一种物品图像防伪的智能验证装置的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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的一部分实施例，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作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。
需要说明，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后等）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变，所述的连接可以是直接连接，也可以是间接连接。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参照图1，本发明提出一种物品图像防伪的智能验证方法，包括：
S1：对指定物品图像进行拍摄，得到所述指定物品图像的原始图像；
S2：将所述原始图像输入至特征提取网络，得到特征描述子；
S3：通过预设的灰度化方法将所述特征描述子转换为灰度图像，并根据公式
Figure DEST_PATH_IMAGE053
计算所述灰度图像的像素平均值；其中，H表示所述灰度图像的高度，W表示所述灰度图像的宽度，
Figure 458591DEST_PATH_IMAGE054
表示在宽度为x高度为y处的像素值；
S4：根据公式
Figure DEST_PATH_IMAGE055
对所述原始图像进行二值化处理，得到二值化图像；
S5：对所述二值化图像进行形态学腐蚀，并通过形态学膨胀方法桥接所述二值化图像中不连续的部分，得到目标二值化图像；
S6：计算所述目标二值化图像与所述特征描述子的哈达玛积，得到特征图像；
S7：使用公式
Figure 831804DEST_PATH_IMAGE056
对所述特征图像进行一维特征描述子，得到一维特征图；
S8：根据公式
Figure DEST_PATH_IMAGE057
以及公式
Figure 820488DEST_PATH_IMAGE058
计算得到第一注意力向量和第二注意力向量；其中，
Figure DEST_PATH_IMAGE059
表示第一注意力向量，
Figure 992450DEST_PATH_IMAGE060
表示第二注意力向量，
Figure DEST_PATH_IMAGE061
表示预设的参数，且
Figure 408388DEST_PATH_IMAGE010
以及
Figure 206580DEST_PATH_IMAGE062
中至少有一个不成立，
Figure DEST_PATH_IMAGE063
表示ReLU的激活函数，
Figure 500420DEST_PATH_IMAGE063
表示Sigmoid激活函数；
S9：通过所述第一注意力向量和所述第二注意力向量分别对所述特征向量进行加权，得到第一目标特征图和第二目标特征图；
S10：根据公式
Figure 231616DEST_PATH_IMAGE064
计算得到判别性区域图片，并基于所述判别性区域图片对所述指定物品图像进行验证。
如上述步骤S1-S2所述，对指定物品图像进行拍摄，得到所述指定物品图像的原始图像，将所述原始图像输入至特征提取网络，得到特征描述子；其中，拍摄指定物品图像的方式不作限定，但是为了便于降低后续分析的误差，优选将指定物品图像放置在与指定物品图像颜色不同的背景下进行拍摄。当然对于一些形状复杂的指定物品图像，拍摄的原始图像可以包括多个，从而提高物品图像的辨识度，将原始图像输入至特征提取网络，该特征提取网络可以是任意的特征提取网络，从而得到特征描述子，特征描述子(SIFT，Scale-invariant feature transform)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征。
如上述步骤S3所述，通过预设的灰度化方法将所述特征描述子转换为灰度图像，并根据公式
Figure DEST_PATH_IMAGE065
计算所述灰度图像的像素平均值；其中，H表示所述灰度图像的高度，W表示所述灰度图像的宽度，
Figure 84034DEST_PATH_IMAGE066
表示在宽度为x高度为y处的像素值；根据公式
Figure DEST_PATH_IMAGE067
对所述原始图像进行二值化处理，得到二值化图像。其中，灰度化的方式不作限定，例如可以是将灰度化后的R=（处理前的R+处理前的G+处理前的B）/3，灰度化后的G=（处理前的R+处理前的G+处理前的B）/3，以及将灰度化后的B=（处理前的R+处理前的G+处理前的B）/3，从而实现将原始图像进行灰度化，此处计算其像素平均值，是作为决定是否选择灰度图像中的该点作为原始图像中某一部分的阈值下限，考虑到背景的像素值一般为255，所以将阈值上线设置为254，从而得到二值化图像。
如上述步骤S5-S6所述，对所述二值化图像进行形态学腐蚀，并通过形态学膨胀方法桥接所述二值化图像中不连续的部分，得到目标二值化图像，计算所述目标二值化图像与所述特征描述子的哈达玛积，得到特征图像。其中哈达玛积操作具体为两个规模相同的矩阵，如果对应位置的元素可乘，那么就有Hadamard乘积，新矩阵的规模与原来矩阵的规模一致，每个位置的元素是原来两个矩阵的那个位置元素的乘积。从而使可以对不同特征图关注的相同区域更加关注，促使模型对于判别性特征更加关注。形态学腐蚀的方式不作限定，可以去除噪声和其他不相关的细节，并用形态学膨胀方法桥接二值化图像中不连续的部分，从而得到二值化图像，在一些实施例中，也可以不用进行形态学腐蚀或者形态学膨胀，即认为形态学腐蚀程度为0以及形态学膨胀程度为0，直接进行后续计算，相较而言，误差会出现较大一些，但仍可以实现本申请的技术效果。
如上述步骤S7-S9所述，使用公式
Figure 195953DEST_PATH_IMAGE068
对所述特征图像进行一维特征描述子，得到一维特征图；根据公式
Figure DEST_PATH_IMAGE069
以及公式
Figure 323178DEST_PATH_IMAGE070
计算得到第一注意力向量和第二注意力向量；其中，
Figure DEST_PATH_IMAGE071
表示第一注意力向量，
Figure 941503DEST_PATH_IMAGE072
表示第二注意力向量，
Figure DEST_PATH_IMAGE073
表示预设的参数，且
Figure 433665DEST_PATH_IMAGE074
以及
Figure DEST_PATH_IMAGE075
中至少有一个不成立，
Figure 534345DEST_PATH_IMAGE076
表示ReLU的激活函数，
Figure 370320DEST_PATH_IMAGE076
表示Sigmoid激活函数，过所述第一注意力向量和所述第二注意力向量分别对所述特征向量进行加权，得到第一目标特征图和第二目标特征图。其中，参数
Figure 544950DEST_PATH_IMAGE073
，可以为每个特征生成不同的权重，从而建模了生成特征的通道之间的相关性，此处的通道是指输出不同特征的通道，在一个具体的实施例中，为了提高模型提取特征的精确性，对于匹配度更高的特征应当赋予更高的权重，即通过对应的注意力向量对其进行加权，得到对应的第一目标特征图和第二目标特征图。，本申请可以得到两个不同的注意力机制所得到的两个目标特征图，这两个目标特征图可以集中在相同的判别性区域，因此为了选择出可以求出其交集作为最终的判别性区域图片。
如上述步骤S10所述，其中计算得到了判别性区域图片后，可以基于该判别性图片对指定物品图像进行验证，具体的验证方式不作限定，凡可以基于判别性图片进行验证的方式均在本申请的保护范围内，例如是购买了该指定物品图像的用户发起相关的防伪认证请求时，将对应的判别性区域图片发送给用户，也可以是接收用户上传的拍摄物品图像的图片，在后台进行数据对比，本申请对此不作限定，可以实现防伪认证请求即可。
在一个实施例中，所述基于所述判别性区域图片对所述指定物品图像进行验证的步骤S10，包括：
S1001：将所述判别性区域图片上传至预设的数据库中，并将存储位置以条形码的方式印刷在所述指定物品图像的包装盒上；
S1002：接收用户基于所述条形码上传的物品图像拍摄图片；
S1003：将所述物品图像拍摄图片以及所述条形码对应的所述判别性区域图片输入至预设的物品图像防伪识别模型中，得到所述物品图像拍摄图片的识别结果；其中，所述物品图像防伪识别模型通过多个物品图像拍摄图片和对应的判别性区域图片作为输入，以真实的防伪结果作为输出训练而成；
S1004：根据所述识别结果验证所述物品图像拍摄图片中的物品图像是否为所述指定物品图像。
如上述步骤S1001-S1002所述，将所述判别性区域图片上传至预设的数据库中，并将存储位置以条形码的方式印刷在所述指定物品图像的包装盒上；接收用户基于所述条形码上传的物品图像拍摄图片。即可以将存储位置以条形码的方式印刷在指定物品图像的包装盒上，也可以是标签上，然后用户在扫对应的包装盒时，可以进入对应的防伪链接，并上传对应的物品图像拍摄图片以进行验证。
如上述步骤S1003-S1004所述，将其输入至预设的物品图像防伪识别模型中，该物品图像防伪识别模型是基于多个物品图像拍摄图片和对应的判别性区域图片作为输入，以真实的防伪结果作为输出训练而成，后续具有物品图像防伪识别模型的具体训练方式，此处不再赘述。从而根据所述识别结果验证所述物品图像拍摄图片中的物品图像是否为所述指定物品图像，完成对指定物品图像是否为正品的验证。
在一个实施例中，所述物品图像防伪识别模型包括第一子模型和第二子模型，根据所述第一子模型的输出数据与所述第二子模型的输出数据的相似度判断物品图像拍摄图片中的物品图像是否与指定物品图像是否相似；
所述将所述物品图像拍摄图片以及所述条形码对应的所述判别性区域图片输入至预设的物品图像防伪识别模型中，得到所述物品图像拍摄图片的识别结果的步骤S1003之前，还包括：
S10021：获取训练数据集，其中，所述训练数据集包括成组的物品图像拍摄图片以及对应的判别性区域图片；
S10022：将所述物品图像拍摄图片输入所述第一子模型中，通过公式
Figure DEST_PATH_IMAGE077
对所述第一子模型进行训练，得到所述第一子模型的训练结果参数
Figure 739171DEST_PATH_IMAGE078
；并将所述判别性区域图片输入至第二子模型中，通过公式
Figure DEST_PATH_IMAGE079
对所述第二子模型进行训练，得到第二子模型的训练结果参数
Figure 297453DEST_PATH_IMAGE080
；其中，
Figure DEST_PATH_IMAGE081
，
Figure 235322DEST_PATH_IMAGE082
，
Figure 264458DEST_PATH_IMAGE078
表示所述第一子模型在第i次训练时的参数集，
Figure 832843DEST_PATH_IMAGE080
表示所述第二子模型在第i次训练时的参数集，
Figure DEST_PATH_IMAGE083
表示第一子模型在第i次训练之前根据物品图像拍摄图片得到的预测数据；
Figure 152790DEST_PATH_IMAGE083
表示第二子模型在第i次训练之前根据物品图像拍摄图片得到的预测数据，其中i取正整数，
Figure 832033DEST_PATH_IMAGE084
表示物品图像拍摄图片，
Figure DEST_PATH_IMAGE085
表示判别性区域图片，
Figure 512413DEST_PATH_IMAGE086
表示所述第一子模型第i次训练时的输出值，
Figure DEST_PATH_IMAGE087
表示所述第二子模型第i次训练时的输出值；
S10023：将所述第一子模型和第二子模型进行迭代对抗训练，得到最终的第一子模型参数集
Figure 81060DEST_PATH_IMAGE088
和第二子模型的参数集
Figure DEST_PATH_IMAGE089
；
S10024：将所述第一子模型参数集
Figure 378049DEST_PATH_IMAGE088
和第二子模型参数集
Figure 860983DEST_PATH_IMAGE089
分别输入至对应的第一子模型和第二子模型中，得到所述物品图像防伪识别模型。
如上述步骤S10021-S10024所述，实现了对物品图像防伪识别模型的训练，本申请采用了GAN网络模型的思想，将物品图像防伪识别模型分为第一子模型和第二子模型，其中，第一子模型和第二子模型是交叉训练的，即第一子模型的训练结果，需要作为第二子模型的输入，依次对抗训练并迭代，从而得到两个训练完成的第一子模型和第二子模型，即物品图像防伪识别模型。具体地，将所述判别性区域图片输入至第二子模型中，将所述物品图像拍摄图片输入所述第一子模型中，通过公式
Figure 628825DEST_PATH_IMAGE090
对所述第一子模型进行训练，得到所述第一子模型的训练结果参数
Figure 539012DEST_PATH_IMAGE088
，通过公式
Figure DEST_PATH_IMAGE091
对所述第二子模型进行训练，得到第二子模型的训练结果参数
Figure 57718DEST_PATH_IMAGE089
，具体地，每组数据（即物品图像拍摄图片以及对应的判别性区域图片）依次输入第一子模型和第二子模型中进行对抗训练，多次对抗训练完成后得到最终的训练结果参数
Figure 78764DEST_PATH_IMAGE088
和
Figure 704043DEST_PATH_IMAGE089
，其目的在于让第一子模型的输出数据与第二子模型的输出数据相似，从而完成对第一子模型和第二子模型的训练。
在一个实施例中，所述根据公式
Figure 519552DEST_PATH_IMAGE092
计算得到判别性区域图片的步骤S10之后，还包括：
S1101：获取所述判别性区域图片在所述原始图像中所处的目标位置；
S1102：识别所述原始图像中所述目标位置的特征信息；
S1103：根据所述指定物品图像的预设标志性特征数据库判断所述特征信息是否属于标志性特征；
S1104：若是，则执行所述基于所述判别性区域图片对所述指定物品图像进行验证的步骤。
如上述步骤S1101-S1104所述，实现了对判别性区域图片是否具有标志性的确定，即从获取所述判别性区域图片在所述原始图像中所处的目标位置，由于判别性区域图片只是对部分特征进行了加强处理，其位置信息并没有发生改变，因此可以获取到对应的目标位置，然后再对原始图像目标位置处的特征信息进行识别，然后再根据预设标志性特征数据库中判断所述特征信息是否属于标志性特征，其中，标志性特征数据库为预先建立的特征数据库。由相关人员进行获取，例如物品图像的各个组成部分等。若属于标志性特征，则执行所述基于所述判别性区域图片对所述指定物品图像进行验证的步骤，若不属于标志性特征，则需要另外选取判别性区域图片。
在一个实施例中，所述特征提取网络包括：输入层、隐藏层和输出层；
所述将所述原始图像输入至特征提取网络，得到特征描述子的步骤包括：
将所述原始图像分别输入至对应的所述特征提取网络的所述输入层；
通过隐藏层利用激励函数对所述输入层输入的所述原始图像进行非线性化处理，得到拟合的结果；
通过输出层对所述拟合的结果进行输出表示，输出所述原始图像对应的特征描述子。
其中，该特征提取网络的训练方式可以是基于BP神经网络的方法从特征提取器参数中进行特征选择，将所述每个原始图像的标注特征及每个原始图像的原始特征进行合并，得到每个原始图像的合并后的特征；利用随机森林变量的重要性方法，从每个原始图像的合并后的特征中筛选出每个原始图像的重要特征；利用所述训练数据中每个原始图像的重要特征重新训练所述重构后的特征提取网络，直至迭代终止，并得到训练好的特征提取网络。训练完成后直接将原始图像输入即可得到对应的特征描述子。
本发明还提供了一种物品图像防伪的智能验证装置，包括：
拍摄模块10，用于对指定物品图像进行拍摄，得到所述指定物品图像的原始图像；
输入模块20，用于将所述原始图像输入至特征提取网络，得到特征描述子；
转换模块30，用于通过预设的灰度化方法将所述特征描述子转换为灰度图像，并根据公式
Figure DEST_PATH_IMAGE093
计算所述灰度图像的像素平均值；其中，H表示所述灰度图像的高度，W表示所述灰度图像的宽度，
Figure 791133DEST_PATH_IMAGE094
表示在宽度为x高度为y处的像素值；
二值化模块40，用于根据公式
Figure DEST_PATH_IMAGE095
对所述原始图像进行二值化处理，得到二值化图像；
形态学腐蚀模块50，用于对所述二值化图像进行形态学腐蚀，并通过形态学膨胀方法桥接所述二值化图像中不连续的部分，得到目标二值化图像；
第一计算模块60，用于计算所述目标二值化图像与所述特征描述子的哈达玛积，得到特征图像；
描述模块70，用于使用公式
Figure 442301DEST_PATH_IMAGE096
对所述特征图像进行一维特征描述子，得到一维特征图；
第二计算模块80，用于根据公式
Figure DEST_PATH_IMAGE097
以及公式
Figure 217359DEST_PATH_IMAGE098
计算得到第一注意力向量和第二注意力向量；其中，
Figure DEST_PATH_IMAGE099
表示第一注意力向量，
Figure 507DEST_PATH_IMAGE100
表示第二注意力向量，
Figure DEST_PATH_IMAGE101
表示预设的参数，且
Figure 464112DEST_PATH_IMAGE102
以及
Figure DEST_PATH_IMAGE103
中至少有一个不成立，
Figure 889277DEST_PATH_IMAGE104
表示ReLU的激活函数，
Figure 722104DEST_PATH_IMAGE104
表示Sigmoid激活函数；
加权模块90，用于通过所述第一注意力向量和所述第二注意力向量分别对所述特征向量进行加权，得到第一目标特征图和第二目标特征图；
验证模块100，用于根据公式
Figure DEST_PATH_IMAGE105
计算得到判别性区域图片，并基于所述判别性区域图片对所述指定物品图像进行验证。
在一个实施例中，所述验证模块100，包括：
上传子模块，用于将所述判别性区域图片上传至预设的数据库中，并将存储位置以条形码的方式印刷在所述指定物品图像的包装盒上；
物品图像拍摄图片接收子模块，用于接收用户基于所述条形码上传的物品图像拍摄图片；
物品图像拍摄图片输入子模块，用于将所述物品图像拍摄图片以及所述条形码对应的所述判别性区域图片输入至预设的物品图像防伪识别模型中，得到所述物品图像拍摄图片的识别结果；其中，所述物品图像防伪识别模型通过多个物品图像拍摄图片和对应的判别性区域图片作为输入，以真实的防伪结果作为输出训练而成；
验证子模块，用于根据所述识别结果验证所述物品图像拍摄图片中的物品图像是否为所述指定物品图像。
在一个实施例中，所述物品图像防伪识别模型包括第一子模型和第二子模型，根据所述第一子模型的输出数据与所述第二子模型的输出数据的相似度判断物品图像拍摄图片中的物品图像是否与指定物品图像是否相似；
所述验证模块100，还包括：
训练数据集获取子模块，用于获取训练数据集，其中，所述训练数据集包括成组的物品图像拍摄图片以及对应的判别性区域图片；
输入子模块，用于将所述物品图像拍摄图片输入所述第一子模型中，通过公式
Figure 440268DEST_PATH_IMAGE106
对所述第一子模型进行训练，得到所述第一子模型的训练结果参数
Figure DEST_PATH_IMAGE107
；并将所述判别性区域图片输入至第二子模型中，通过公式
Figure 155283DEST_PATH_IMAGE108
对所述第二子模型进行训练，得到第二子模型的训练结果参数
Figure DEST_PATH_IMAGE109
；其中，
Figure 384139DEST_PATH_IMAGE110
，
Figure DEST_PATH_IMAGE111
，
Figure 635254DEST_PATH_IMAGE107
表示所述第一子模型在第i次训练时的参数集，
Figure 229046DEST_PATH_IMAGE109
表示所述第二子模型在第i次训练时的参数集，
Figure 369041DEST_PATH_IMAGE112
表示第一子模型在第i次训练之前根据物品图像拍摄图片得到的预测数据；
Figure 604850DEST_PATH_IMAGE112
表示第二子模型在第i次训练之前根据物品图像拍摄图片得到的预测数据，其中i取正整数，
Figure DEST_PATH_IMAGE113
表示物品图像拍摄图片，
Figure 719260DEST_PATH_IMAGE114
表示判别性区域图片，
Figure DEST_PATH_IMAGE115
表示所述第一子模型第i次训练时的输出值，
Figure 280692DEST_PATH_IMAGE116
表示所述第二子模型第i次训练时的输出值；
交叉训练子模块，用于将所述第一子模型和第二子模型进行迭代对抗训练，得到最终的第一子模型参数集
Figure DEST_PATH_IMAGE117
和第二子模型的参数集
Figure 471764DEST_PATH_IMAGE118
；
参数集输入子模块，用于将所述第一子模型参数集
Figure 980106DEST_PATH_IMAGE117
和第二子模型参数集
Figure 642031DEST_PATH_IMAGE118
分别输入至对应的第一子模型和第二子模型中，得到所述物品图像防伪识别模型。
在一个实施例中，所述智能验证装置，还包括：
目标位置获取模块，用于获取所述判别性区域图片在所述原始图像中所处的目标位置；
特征信息识别模块，用于识别所述原始图像中所述目标位置的特征信息；
特征信息判断模块，用于根据所述指定物品图像的预设标志性特征数据库判断所述特征信息是否属于标志性特征；
执行模块，用于若是，则执行所述基于所述判别性区域图片对所述指定物品图像进行验证的步骤。
在一个实施例中，所述特征提取网络包括：输入层、隐藏层和输出层；
所述将所述原始图像输入至特征提取网络，得到特征描述子的步骤包括：
将所述原始图像分别输入至对应的所述特征提取网络的所述输入层；
通过隐藏层利用激励函数对所述输入层输入的所述原始图像进行非线性化处理，得到拟合的结果；
通过输出层对所述拟合的结果进行输出表示，输出所述原始图像对应的特征描述子。
本发明的有益效果：通过对指定物品图像进行拍摄，经过灰度化、二值化，并进行特征加权，从而得到指定物品图像的判别性区域图片以用于验证，相较于传统方式而言，即使标签被复制，但是物品图像的特征确很难进行复制的特点，从而实现了对物品图像防伪的验证方法，保证了消费者和商家的利益。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM一多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
需要说明的是，在本文中，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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
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，对于本领域的技术人员来说，本发明可以有各种更改和变化。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权利要求范围之内。

Claims (10)

1.一种物品图像防伪的智能验证方法，其特征在于，包括：
对指定物品图像进行拍摄，得到所述指定物品图像的原始图像；
将所述原始图像输入至特征提取网络，得到特征描述子；
通过预设的灰度化方法将所述特征描述子转换为灰度图像，并根据公式
Figure 516634DEST_PATH_IMAGE001
计算所述灰度图像的像素平均值；其中，H表示所述灰度图像的高度，W表示所述灰度图像的宽度，
Figure 209738DEST_PATH_IMAGE002
表示在宽度为x高度为y处的像素值；
根据公式
Figure 428230DEST_PATH_IMAGE003
对所述原始图像进行二值化处理，得到二值化图像；
对所述二值化图像进行形态学腐蚀，并通过形态学膨胀方法桥接所述二值化图像中不连续的部分，得到目标二值化图像；
计算所述目标二值化图像与所述特征描述子的哈达玛积，得到特征图像；
使用公式
Figure 38334DEST_PATH_IMAGE004
对所述特征图像进行一维特征描述子，得到一维特征图；
根据公式
Figure 709487DEST_PATH_IMAGE005
以及公式
Figure 928985DEST_PATH_IMAGE006
计算得到第一注意力向量和第二注意力向量；其中，
Figure 674087DEST_PATH_IMAGE007
表示第一注意力向量，
Figure 438780DEST_PATH_IMAGE008
表示第二注意力向量，
Figure 144699DEST_PATH_IMAGE009
表示预设的参数，且
Figure 653041DEST_PATH_IMAGE010
以及
Figure 829813DEST_PATH_IMAGE011
中至少有一个不成立，
Figure 437512DEST_PATH_IMAGE012
表示ReLU的激活函数，
Figure 83257DEST_PATH_IMAGE012
表示Sigmoid激活函数；
通过所述第一注意力向量和所述第二注意力向量分别对所述特征向量进行加权，得到第一目标特征图和第二目标特征图；
根据公式
Figure 146022DEST_PATH_IMAGE013
计算得到判别性区域图片，并基于所述判别性区域图片对所述指定物品图像进行验证。
2.如权利要求1所述的物品图像防伪的智能验证方法，其特征在于，所述基于所述判别性区域图片对所述指定物品图像进行验证的步骤，包括：
将所述判别性区域图片上传至预设的数据库中，并将存储位置以条形码的方式印刷在所述指定物品图像的包装盒上；
接收用户基于所述条形码上传的物品图像拍摄图片；
将所述物品图像拍摄图片以及所述条形码对应的所述判别性区域图片输入至预设的物品图像防伪识别模型中，得到所述物品图像拍摄图片的识别结果；其中，所述物品图像防伪识别模型通过多个物品图像拍摄图片和对应的判别性区域图片作为输入，以真实的防伪结果作为输出训练而成；
根据所述识别结果验证所述物品图像拍摄图片中的物品图像是否为所述指定物品图像。
3.如权利要求2所述的物品图像防伪的智能验证方法，其特征在于，所述物品图像防伪识别模型包括第一子模型和第二子模型，根据所述第一子模型的输出数据与所述第二子模型的输出数据的相似度判断物品图像拍摄图片中的物品图像是否与指定物品图像是否相似；
所述将所述物品图像拍摄图片以及所述条形码对应的所述判别性区域图片输入至预设的物品图像防伪识别模型中，得到所述物品图像拍摄图片的识别结果的步骤之前，还包括：
获取训练数据集，其中，所述训练数据集包括成组的物品图像拍摄图片以及对应的判别性区域图片；
将所述物品图像拍摄图片输入所述第一子模型中，通过公式
Figure 990350DEST_PATH_IMAGE014
对所述第一子模型进行训练，得到所述第一子模型的训练结果参数
Figure 346114DEST_PATH_IMAGE015
；并将所述判别性区域图片输入至第二子模型中，通过公式
Figure 151259DEST_PATH_IMAGE016
对所述第二子模型进行训练，得到第二子模型的训练结果参数
Figure 266983DEST_PATH_IMAGE017
；其中，
Figure 654233DEST_PATH_IMAGE018
，
Figure 728368DEST_PATH_IMAGE019
，
Figure 755230DEST_PATH_IMAGE015
表示所述第一子模型在第i次训练时的参数集，
Figure 923912DEST_PATH_IMAGE017
表示所述第二子模型在第i次训练时的参数集，
Figure 414936DEST_PATH_IMAGE020
表示第一子模型在第i次训练之前根据物品图像拍摄图片得到的预测数据；
Figure 676284DEST_PATH_IMAGE020
表示第二子模型在第i次训练之前根据物品图像拍摄图片得到的预测数据，其中i取正整数，
Figure 783918DEST_PATH_IMAGE021
表示物品图像拍摄图片，
Figure 647969DEST_PATH_IMAGE022
表示判别性区域图片，
Figure 242767DEST_PATH_IMAGE023
表示所述第一子模型第i次训练时的输出值，
Figure 924284DEST_PATH_IMAGE024
表示所述第二子模型第i次训练时的输出值；
将所述第一子模型和第二子模型进行迭代对抗训练，得到最终的第一子模型参数集
Figure 925738DEST_PATH_IMAGE025
和第二子模型的参数集
Figure 203267DEST_PATH_IMAGE026
；
将所述第一子模型参数集
Figure 668883DEST_PATH_IMAGE025
和第二子模型参数集
Figure 662247DEST_PATH_IMAGE026
分别输入至对应的第一子模型和第二子模型中，得到所述物品图像防伪识别模型。
4.如权利要求1所述的物品图像防伪的智能验证方法，其特征在于，所述根据公式
Figure 993740DEST_PATH_IMAGE027
计算得到判别性区域图片的步骤之后，还包括：
获取所述判别性区域图片在所述原始图像中所处的目标位置；
识别所述原始图像中所述目标位置的特征信息；
根据所述指定物品图像的预设标志性特征数据库判断所述特征信息是否属于标志性特征；
若是，则执行所述基于所述判别性区域图片对所述指定物品图像进行验证的步骤。
5.如权利要求1所述的物品图像防伪的智能验证方法，其特征在于，所述特征提取网络包括：输入层、隐藏层和输出层；
所述将所述原始图像输入至特征提取网络，得到特征描述子的步骤包括：
将所述原始图像分别输入至对应的所述特征提取网络的所述输入层；
通过隐藏层利用激励函数对所述输入层输入的所述原始图像进行非线性化处理，得到拟合的结果；
通过输出层对所述拟合的结果进行输出表示，输出所述原始图像对应的特征描述子。
6.一种物品图像防伪的智能验证装置，其特征在于，包括：
拍摄模块，用于对指定物品图像进行拍摄，得到所述指定物品图像的原始图像；
输入模块，用于将所述原始图像输入至特征提取网络，得到特征描述子；
转换模块，用于通过预设的灰度化方法将所述特征描述子转换为灰度图像，并根据公式
Figure 58648DEST_PATH_IMAGE028
计算所述灰度图像的像素平均值；其中，H表示所述灰度图像的高度，W表示所述灰度图像的宽度，
Figure DEST_PATH_IMAGE029
表示在宽度为x高度为y处的像素值；
二值化模块，用于根据公式
Figure 863924DEST_PATH_IMAGE030
对所述原始图像进行二值化处理，得到二值化图像；
形态学腐蚀模块，用于对所述二值化图像进行形态学腐蚀，并通过形态学膨胀方法桥接所述二值化图像中不连续的部分，得到目标二值化图像；
第一计算模块，用于计算所述目标二值化图像与所述特征描述子的哈达玛积，得到特征图像；
描述模块，用于使用公式
Figure DEST_PATH_IMAGE031
对所述特征图像进行一维特征描述子，得到一维特征图；
第二计算模块，用于根据公式
Figure 933249DEST_PATH_IMAGE032
以及公式
Figure DEST_PATH_IMAGE033
计算得到第一注意力向量和第二注意力向量；其中，
Figure 784661DEST_PATH_IMAGE007
表示第一注意力向量，
Figure 59785DEST_PATH_IMAGE008
表示第二注意力向量，
Figure 31152DEST_PATH_IMAGE009
表示预设的参数，且
Figure 955201DEST_PATH_IMAGE010
以及
Figure 887385DEST_PATH_IMAGE011
中至少有一个不成立，
Figure 28516DEST_PATH_IMAGE012
表示ReLU的激活函数，
Figure 136280DEST_PATH_IMAGE012
表示Sigmoid激活函数；
加权模块，用于通过所述第一注意力向量和所述第二注意力向量分别对所述特征向量进行加权，得到第一目标特征图和第二目标特征图；
验证模块，用于根据公式
Figure 704665DEST_PATH_IMAGE027
计算得到判别性区域图片，并基于所述判别性区域图片对所述指定物品图像进行验证。
7.如权利要求6所述的物品图像防伪的智能验证装置，其特征在于，所述验证模块，包括：
上传子模块，用于将所述判别性区域图片上传至预设的数据库中，并将存储位置以条形码的方式印刷在所述指定物品图像的包装盒上；
物品图像拍摄图片接收子模块，用于接收用户基于所述条形码上传的物品图像拍摄图片；
物品图像拍摄图片输入子模块，用于将所述物品图像拍摄图片以及所述条形码对应的所述判别性区域图片输入至预设的物品图像防伪识别模型中，得到所述物品图像拍摄图片的识别结果；其中，所述物品图像防伪识别模型通过多个物品图像拍摄图片和对应的判别性区域图片作为输入，以真实的防伪结果作为输出训练而成；
验证子模块，用于根据所述识别结果验证所述物品图像拍摄图片中的物品图像是否为所述指定物品图像。
8.如权利要求7所述的物品图像防伪的智能验证装置，其特征在于，所述物品图像防伪识别模型包括第一子模型和第二子模型，根据所述第一子模型的输出数据与所述第二子模型的输出数据的相似度判断物品图像拍摄图片中的物品图像是否与指定物品图像是否相似；
所述验证模块，还包括：
训练数据集获取子模块，用于获取训练数据集，其中，所述训练数据集包括成组的物品图像拍摄图片以及对应的判别性区域图片；
输入子模块，用于将所述物品图像拍摄图片输入所述第一子模型中，通过公式
Figure 966888DEST_PATH_IMAGE034
对所述第一子模型进行训练，得到所述第一子模型的训练结果参数
Figure DEST_PATH_IMAGE035
；并将所述判别性区域图片输入至第二子模型中，通过公式
Figure 380552DEST_PATH_IMAGE036
对所述第二子模型进行训练，得到第二子模型的训练结果参数
Figure DEST_PATH_IMAGE037
；其中，
Figure 608402DEST_PATH_IMAGE038
，
Figure DEST_PATH_IMAGE039
，
Figure 190431DEST_PATH_IMAGE035
表示所述第一子模型在第i次训练时的参数集，
Figure 362786DEST_PATH_IMAGE037
表示所述第二子模型在第i次训练时的参数集，
Figure 596452DEST_PATH_IMAGE040
表示第一子模型在第i次训练之前根据物品图像拍摄图片得到的预测数据；
Figure 662497DEST_PATH_IMAGE040
表示第二子模型在第i次训练之前根据物品图像拍摄图片得到的预测数据，其中i取正整数，
Figure DEST_PATH_IMAGE041
表示物品图像拍摄图片，
Figure 556373DEST_PATH_IMAGE042
表示判别性区域图片，
Figure DEST_PATH_IMAGE043
表示所述第一子模型第i次训练时的输出值，
Figure 888128DEST_PATH_IMAGE044
表示所述第二子模型第i次训练时的输出值；
交叉训练子模块，用于将所述第一子模型和第二子模型进行迭代对抗训练，得到最终的第一子模型参数集
Figure 174753DEST_PATH_IMAGE025
和第二子模型的参数集
Figure 813414DEST_PATH_IMAGE026
；
参数集输入子模块，用于将所述第一子模型参数集
Figure 363344DEST_PATH_IMAGE025
和第二子模型参数集
Figure 120078DEST_PATH_IMAGE026
分别输入至对应的第一子模型和第二子模型中，得到所述物品图像防伪识别模型。
9.如权利要求6所述的物品图像防伪的智能验证装置，其特征在于，所述智能验证装置，还包括：
目标位置获取模块，用于获取所述判别性区域图片在所述原始图像中所处的目标位置；
特征信息识别模块，用于识别所述原始图像中所述目标位置的特征信息；
特征信息判断模块，用于根据所述指定物品图像的预设标志性特征数据库判断所述特征信息是否属于标志性特征；
执行模块，用于若是，则执行所述基于所述判别性区域图片对所述指定物品图像进行验证的步骤。
10.如权利要求6所述的物品图像防伪的智能验证装置，其特征在于，所述特征提取网络包括：输入层、隐藏层和输出层；
所述将所述原始图像输入至特征提取网络，得到特征描述子的步骤包括：
将所述原始图像分别输入至对应的所述特征提取网络的所述输入层；
通过隐藏层利用激励函数对所述输入层输入的所述原始图像进行非线性化处理，得到拟合的结果；
通过输出层对所述拟合的结果进行输出表示，输出所述原始图像对应的特征描述子。
CN202210684724.7A 2022-06-17 2022-06-17 一种物品图像防伪的智能验证方法和装置 Active CN114782796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210684724.7A CN114782796B (zh) 2022-06-17 2022-06-17 一种物品图像防伪的智能验证方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210684724.7A CN114782796B (zh) 2022-06-17 2022-06-17 一种物品图像防伪的智能验证方法和装置

Publications (2)

Publication Number Publication Date
CN114782796A true CN114782796A (zh) 2022-07-22
CN114782796B CN114782796B (zh) 2023-05-02

Family

ID=82421291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210684724.7A Active CN114782796B (zh) 2022-06-17 2022-06-17 一种物品图像防伪的智能验证方法和装置

Country Status (1)

Country Link
CN (1) CN114782796B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116436619A (zh) * 2023-06-15 2023-07-14 武汉北大高科软件股份有限公司 一种基于国密算法的流媒体数据签名验证方法及装置
CN116934697A (zh) * 2023-07-13 2023-10-24 衡阳市大井医疗器械科技有限公司 一种基于内窥镜的血管图像获取方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3634823A (en) * 1968-05-22 1972-01-11 Int Standard Electric Corp An optical character recognition arrangement
CN106156556A (zh) * 2015-03-30 2016-11-23 席伯颖 一种联网身份验证方法
CN106815731A (zh) * 2016-12-27 2017-06-09 华中科技大学 一种基于surf图像特征匹配的标签防伪系统及方法
CN106997534A (zh) * 2016-01-21 2017-08-01 刘焕霖 产品信息透明化防伪方法及系统
CN110390537A (zh) * 2019-07-29 2019-10-29 深圳市鸣智电子科技有限公司 一种虚实结合的商品防伪实现方法
CN111368662A (zh) * 2020-02-25 2020-07-03 华南理工大学 一种人脸图像属性编辑方法、装置、存储介质及设备
CN112101191A (zh) * 2020-09-11 2020-12-18 中国平安人寿保险股份有限公司 基于边框注意力网络的表情识别方法、装置、设备及介质
CN113052931A (zh) * 2021-03-15 2021-06-29 沈阳航空航天大学 基于多约束gan的dce-mri图像生成方法
WO2022066736A1 (en) * 2020-09-23 2022-03-31 Proscia Inc. Critical component detection using deep learning and attention

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3634823A (en) * 1968-05-22 1972-01-11 Int Standard Electric Corp An optical character recognition arrangement
CN106156556A (zh) * 2015-03-30 2016-11-23 席伯颖 一种联网身份验证方法
CN106997534A (zh) * 2016-01-21 2017-08-01 刘焕霖 产品信息透明化防伪方法及系统
CN106815731A (zh) * 2016-12-27 2017-06-09 华中科技大学 一种基于surf图像特征匹配的标签防伪系统及方法
CN110390537A (zh) * 2019-07-29 2019-10-29 深圳市鸣智电子科技有限公司 一种虚实结合的商品防伪实现方法
CN111368662A (zh) * 2020-02-25 2020-07-03 华南理工大学 一种人脸图像属性编辑方法、装置、存储介质及设备
CN112101191A (zh) * 2020-09-11 2020-12-18 中国平安人寿保险股份有限公司 基于边框注意力网络的表情识别方法、装置、设备及介质
WO2022066736A1 (en) * 2020-09-23 2022-03-31 Proscia Inc. Critical component detection using deep learning and attention
CN113052931A (zh) * 2021-03-15 2021-06-29 沈阳航空航天大学 基于多约束gan的dce-mri图像生成方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHENGUANG SONG 等: "A Multimodal Fake News Detection Model Based on Crossmodal Attention Residual and Multichannel Convolutional Neural Networks", 《RESEARCHGATE》 *
支洪平 等: "基于深度学习的 X 光安检图像智能识别设备的设计与实现", 《前沿科技》 *
穆大强 等: "基于多模态融合的人脸反欺骗技术", 《图学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116436619A (zh) * 2023-06-15 2023-07-14 武汉北大高科软件股份有限公司 一种基于国密算法的流媒体数据签名验证方法及装置
CN116436619B (zh) * 2023-06-15 2023-09-01 武汉北大高科软件股份有限公司 一种基于国密算法的流媒体数据签名验证方法及装置
CN116934697A (zh) * 2023-07-13 2023-10-24 衡阳市大井医疗器械科技有限公司 一种基于内窥镜的血管图像获取方法及装置
CN116934697B (zh) * 2023-07-13 2024-10-22 衡阳市大井医疗器械科技有限公司 一种基于内窥镜的血管图像获取方法及装置

Also Published As

Publication number Publication date
CN114782796B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN111444881B (zh) 伪造人脸视频检测方法和装置
Wang et al. Vehicle type recognition in surveillance images from labeled web-nature data using deep transfer learning
CN114782796B (zh) 一种物品图像防伪的智能验证方法和装置
CN103279936B (zh) 基于画像的人脸伪照片自动合成及修正方法
CN112418074A (zh) 一种基于自注意力的耦合姿态人脸识别方法
CN110838119B (zh) 人脸图像质量评估方法、计算机装置及计算机可读存储介质
CN116824307B (zh) 基于sam模型的图像标注方法、装置及相关介质
US20110110581A1 (en) 3d object recognition system and method
CN110427972B (zh) 证件视频特征提取方法、装置、计算机设备和存储介质
CN111222487A (zh) 视频目标行为识别方法及电子设备
CN112560831A (zh) 一种基于多尺度空间校正的行人属性识别方法
CN111275070B (zh) 一种基于局部特征匹配的签名验证方法及设备
CN116664961B (zh) 基于信码的防伪标签智能识别方法及系统
CN114444565B (zh) 一种图像篡改检测方法、终端设备及存储介质
CN115983874A (zh) 酒类防伪溯源方法及其系统
CN118155261B (zh) 基于双流特征提取和多尺度特征增强的伪造图像检测方法
CN117558011B (zh) 基于自一致性矩阵和多尺度损失的图像文本篡改检测方法
CN107784284A (zh) 人脸识别方法及系统
CN111046755A (zh) 字符识别方法、装置、计算机设备和计算机可读存储介质
Agarwal et al. The advent of deep learning-based image forgery detection techniques
CN116935180A (zh) 基于人工智能的信码防伪标签数据信息采集方法及系统
CN115035533B (zh) 一种数据鉴真处理方法、装置、计算机设备及存储介质
CN116975828A (zh) 一种人脸融合攻击检测方法、装置、设备及存储介质
Tapia et al. Simulating Print/Scan Textures for Morphing Attack Detection
Krishnamurthy et al. IFLNET: Image Forgery Localization Using Dual Attention Network.

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: An intelligent verification method and device for anti-counterfeiting of item images

Granted publication date: 20230502

Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd.

Pledgor: WUHAN PKU HIGH-TECH SOFT Co.,Ltd.

Registration number: Y2024980009351

PE01 Entry into force of the registration of the contract for pledge of patent right