CN116057583A - 用于分析一个或多个被拍摄对象的一个或多个元素以便检测一个或多个修改的方法,以及相关联的分析设备 - Google Patents
用于分析一个或多个被拍摄对象的一个或多个元素以便检测一个或多个修改的方法,以及相关联的分析设备 Download PDFInfo
- Publication number
- CN116057583A CN116057583A CN202180057261.5A CN202180057261A CN116057583A CN 116057583 A CN116057583 A CN 116057583A CN 202180057261 A CN202180057261 A CN 202180057261A CN 116057583 A CN116057583 A CN 116057583A
- Authority
- CN
- China
- Prior art keywords
- data
- analyzer
- decision
- analysis
- analyzed
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012986 modification Methods 0.000 title claims abstract description 14
- 230000004048 modification Effects 0.000 title claims abstract description 14
- 238000004458 analytical method Methods 0.000 title claims description 93
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 16
- 238000007639 printing Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000007647 flexography Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007431 microscopic evaluation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000019612 pigmentation Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/64—Computer-aided capture of images, e.g. transfer from script file into camera, check of taken image quality, advice or proposal for image composition or decision on when to take image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
一种分析与对象相关联并代表后者的元素的方法(100‑150)。所述方法包括以下步骤:‑接收(130)第一数据,其定义由拍照捕获产生的所述元素的至少一部分的数字图像,‑将第一数据提供(140)给包括至少一个学习人工智能模块的分析器,该学习人工智能模块预先配置有至少一个参考元素的第二学习数据,以便做出与从这些第一数据的至少一部分的选择中接收的第一数据相关的决定(150),该第一数据的至少一部分定义所选择的感兴趣区并由至少一个所选择的图像特征表征,这个决定与被分析元素相对于对应参考元素的潜在修改相关。
Description
本发明涉及用于分析一个或多个被拍摄对象的一个或多个元素的方法和设备,以及计算机程序和便携式通信装备。
本发明更具体地涉及对与对象相关联并代表对象的至少一个元素的分析,以便确定这个元素是真实的还是已被修改(或篡改),例如在搜索假冒对象的上下文中。应当注意的是,与对象相关联的元素可以是例如印刷的标签(可能带有图像和/或字母数字符号和/或条形码(可能是QR码类型)),或在对象或其包装上做出的特定标签(例如,通过印刷)。而且,添加的元素可以直接添加到对象或对象包装(或封装)上。
为了进行此类分析,特别是在专利文献US 10,691,922B2中已经提出了一种分析方法,包括以下步骤:
-接收第一数据,该第一数据定义由拍照捕获产生的对象元素的至少一部分的数字图像,
-将这个接收到的第一数据提供给分析器,该分析器包括至少一个学习人工智能模块,该学习人工智能模块先前配置有至少一个参考元素的第二训练数据,以便相对于所提供的第一数据做出决定,以及
-由分析器作出所述决定。
因此,此类方法在于向可经由服务器(可能是互联网)访问的人工智能分析器提供对象元素的拍照图像,例如可经由互联网访问或借助于具有拍照功能的便携式通信装备(诸如蜂窝电话或平板计算机)获得,以便将这个拍照图像的内容的至少一部分与存储的训练数据进行对比,其目的是确定这个对象元素是否真实或是否已被篡改或修改。
这种类型的已知分析方法的缺点在于,它仅对待分析的元素执行非常局部的“宏观”分析(本质上是其图像内容的一部分的形式)。但是,如今,大多数假冒或被盗物品的制造商和分销商都能够将视觉上看起来与“真实”对象(即,合法制造和销售的对象)相关联的元素完全相同的元素与他们相关联。这种情况特别是由于当前打印机提供的再现质量以及当前润饰、处理和计算机辅助设计软件提供的许多图像处理选项。因此,目前只检测包括宏观篡改或修改的元素,但并未检测包括微观篡改或修改的所有那些元素。
专利文献WO 2015/157526 A1中当然提出了对对象的一部分的拍照图像执行显微分析,但这要求用具有红外显微功能的装备来分析这种拍照图像。这种解决方案是有限制的、昂贵的,而且相当有限,因为它只允许分析皮革的纹理。
因此,可以期望对(一个或多个)对象元素执行分析,使得有可能至少避免一些上面提到的缺点和约束。
因此,例如提出了一种方法,用于分析与对象相关联并代表该对象的至少一个元素,所述方法包括以下步骤:
-接收第一数据,该第一数据定义由拍照捕获产生的这个元素的至少一部分的数字图像,
-将这些接收到的第一数据提供给包括至少一个学习人工智能模块的分析器,该学习人工智能模块预先配置有至少一个参考元素的第二学习数据,以便做出与所提供的第一数据相关的决定,
-由分析器做出这个决定。
这个方法的特征在于做出决定是根据所提供的第一数据的至少一部分的选择来执行的事实,该第一数据的至少一部分定义所选择的感兴趣区并由至少一个所选择的图像特征表征,并且与被分析元素相对于对应参考元素的潜在修改相关。
由于对至少一个图像特征的这种分析,现在不仅有可能确定宏观改变,而且还有可能确定元素内的微观改变,因为图像特征处理图像尺度上的小细节越多,就越有可能确定待分析元素与对应参考元素之间的小(微观)差异。
根据本发明的方法可以包括可以单独或组合采取的其它特征,包括:
-在做出决定步骤中,可以在颜色、纹理、渐变、字形、字形间距离、绘图线、印刷方法特征和半色调点的集合当中选择每个图像特征;
-在做出决定步骤中,可以对接收到的第一数据执行初始处理,以便将它们变换成与代表对应参考元素的第二训练数据可比较的第三数据;
-在做出决定步骤中,处理可以包括在空间上重新定向被分析的元素部分,以便后者具有与参考元素的对应部分完全相同的空间朝向,和/或删除第一数据中的一些,以便剩余的第一数据与代表对应参考元素的第二训练数据对应,和/或对相关第一数据的对比度和/或亮度和/或饱和度做出改变,
-在做出决定步骤中,可以以预定义的方式选择每个图像特征。在这种情况下,它包括在接收步骤之前的指令步骤,并且在该指令步骤中要求用户拍照捕获第一数据,该第一数据定义由预定义指令描述的元素的至少一部分的数字图像;
-可替代地,它可以包括随机选择每个图像特征的初始化步骤,以及初始化步骤之后和接收步骤之前的指令步骤,在该指令步骤中要求用户根据初始化步骤中随机选择的每个图像特征拍照捕获第一数据,该第一数据定义由预定义指令描述的元素的至少一部分的数字图像;
-它可以包括初步配置步骤,其中向分析器提供第二训练数据的至少两个集合,这两个集合分别定义同一个参考元素的至少一部分的数字图像并且分别来自不同的拍照捕获,使得它对每个学习人工智能模块进行配置,使得它适于对与这个参考元素对应的每个待分析元素做出决定;
-可替代地,它可以包括初步配置步骤,其中,对于K个参考元素中的每个参考元素,K≥2,为分析器提供第二训练数据的对的至少两个集合的集合,这两个集合分别定义所考虑的参考元素的至少一部分的数字图像并且分别从不同的拍照捕获产生,每对包括未修改的参考元素的第二训练数据的第一子集和相对于这个未修改的参考元素修改的元素的第二训练数据的第二子集,使得它配置每个学习人工智能模块以适于针对与K个参考元素之一或从那些K个参考元素可推导出的元素对应的待分析的不同元素做出决定。在这种情况下,在接收步骤中,可以接收定义待分析元素的至少一部分的数字图像的第一数据和定义与这个元素对应的未修改的参考元
素的至少一部分的数字图像的第四数据;
-可以使用分析器,其中每个学习人工智能模块都与图像特征
相关联;
-可以使用分析器,其中每个学习人工智能模块是卷积神经网
络,可能是贝叶斯网络;
-当一个人开始分析元素时,可以确定这个人的地理位置和/
或在这个人用来开始分析的装备内与这个人相关联的标识符。然后,可以访问数据库以检查所确定的地理位置是否与已知的欺诈或伪造区域对应和/或所确定的标识符是否与已知的欺诈者或伪造者相关联和/或元素是否已知被频繁修改。如果答案是肯定的,那么分析该元素,并且如果检测到该元素已被修改,那么发出指示该元素未被修改的决定,或者如果检测到该元素未被修改,那么发出指示该元素已被修改的决定。例如,当检测到该元素已被修改时,还可以记录所确定的地理位置和/或所确定的标识符以及优选地这个元素的定义,并且可以触发将(一个或多个)后者传输到负责收集与欺诈和假冒相关的信息的服务器。
本发明还提出了一种可以从通信网络下载和/或存储在计算机可读介质上和/或由处理器执行的计算机程序。这个计算机程序的特征在于当在基于处理器的装备或计算机上执行时它包括用于执行上述类型的分析方法的步骤的指令的事实。
本发明还提出了一种用于分析与对象相关联并代表对象的至少一个元素的分析设备,这种设备包括至少一个处理单元和至少一个存储器,适于接收定义由拍照捕获产生的这个元素的至少一部分的至少一个数字图像的第一数据,并且定义包括至少一个学习人工智能模块的分析器,该学习人工智能模块先前配置有至少一个参考元素的第二训练数据以便做出与接收到的第一数据相关的决定。
这种分析设备的特征在于以下事实,其分析器被布置为执行以下操作:从接收到的第一数据的至少一部分的选择中做出决定,该第一数据的至少一部分定义所选择的感兴趣区并且特征在于至少一个所选择的图像特征,这个决定与被分析元素相对于对应参考元素的潜在修改相关。
本发明还提出了一种通信装备,包括上述类型的分析设备或上述类型的计算机程序。
本发明将在以下描述的帮助下得到更好的理解,该描述仅以示例的方式给出并且参考附图进行,其中:
图1示意性地图示了与待分析元素相关联的对象和便携式且包括拍照功能的通信设备,以及包括根据本发明的分析设备的计算机,
图2示意性和功能性地图示了图1的便携式通信设备中使用的计算机的实施例的示例,以及
图3示意性地图示了实现根据本发明的分析方法的算法的示例。
本发明的目的特别是提出一种分析方法和相关联的分析设备1,旨在允许分析与至少一个对象3相关联的至少一个元素2,其目的在于以自动方式并且不需要将特定装置耦合到执行拍照捕获的装备4就验证这个元素2是否已被修改(或篡改)。
图1示意性地和功能性地表示对象3,元素2与该对象相关联,并且要通过实现根据本发明的分析方法对其进行分析。
如图3中示例算法的非限制性说明的,根据本发明的分析方法至少包括接收步骤130、提供步骤140和做出决定步骤150。这种分析方法可以至少部分地通过根据本发明的分析设备1或通过在(一个或多个)处理器装备或计算机上运行的专用计算机程序来实现。这个专用计算机程序包括用于执行分析方法的步骤的指令并且可从通信网络下载和/或存储在计算机可读介质上和/或可由执行分析的装备4的处理器(或处理单元)执行。
接收步骤130包括接收第一数据,该第一数据定义与对象3相关联的元素2的至少一部分的数字图像,并且由拍照捕获产生。重要的是要注意,接收第一数据的是包括分析设备1(或专用计算机程序)的装备。但是这个装备不一定是通过拍照捕获获取这些第一数据的装备。实际上,可以设想,第一数据由第一装备(诸如例如数码相机或具有拍照功能的便携式通信装备(可能是蜂窝电话或电子平板电脑))获取,然后这些第一数据被传输到第二远程装备并且包括分析设备1或专用计算机程序(诸如例如服务器或计算机)。这种传输可以从第一装备到第二装备进行,例如经由至少一个通信网络(有线或无线)。
在图1中所示的非限制性示例中,装备4包括拍照捕获功能5和分析设备1(或专用计算机程序)。因此,在此第一数据是在装备4的用户的控制下由拍照捕获功能5获取,并且在内部传输到分析设备1(在此形成计算机6的一部分)。例如,并且如非限制性所示,这个装备4可以是便携式通信装备,诸如蜂窝电话。但它也可以是电子平板电脑或便携式计算机,或者甚至是专用于(一个或多个)对象元素的分析并具有拍照捕获功能的设备。可替代地,第一数据可以在用户的控制下通过装备的拍照功能获取,然后传输(可能经由互联网)到包括分析设备1(可能是分析服务器)的另一个远程装备。这种变体使得有可能驱逐所有计算(分析和可能的预处理),并使访问源代码(或专用于分析的计算机程序)变得特别困难。
分析方法的提供步骤140包括将接收到的第一数据提供给分析器,该分析器包括至少一个学习人工智能模块,该学习人工智能模块之前已配置有至少一个参考元素的第二训练数据,以便做出与这些提供的第一数据相关的决定。
“参考元素”在此是指真实的元素,因此没有被更改(或篡改)。优选地,这些第二训练数据定义了至少一个参考元素的至少一部分的至少一个数字图像,该至少一个参考元素被授权与真实的(既不是偷来的也不是伪造的)对象合法关联。在这种情况下,每个参考元素的第二训练数据是在分析器的配置和训练阶段之前通过(一个或多个)拍照捕获获取的。我们稍后会回到这些第二训练数据。
分析器是分析设备1的一部分或由专用计算机程序定义。
如图2中非限制性所示,分析设备1包括至少一个处理单元7和至少一个存储器8,适于接收第一数据(定义从拍照捕获产生的待分析元素2的至少一部分的数字图像),以及定义分析器,该分析器包括至少一个先前配置的学习人工智能模块(具有至少一个参考元素的第二训练数据)以便相对于所述接收到的第一数据做出决定。处理单元7例如可以是处理器,可能是数字信号处理器(或DSP)。存储器8存储数据文件和(一个或多个)计算机程序,其指令旨在由处理单元7(或处理器)执行。这个存储器8例如可以是RAM(“随机存取存储器”)类型。这些处理单元7和存储器8被布置为一起执行特别有助于做出决定的操作。
在图2中非限制性所示的示例中,分析设备1是便携式通信设备4的计算机6的一部分。应当注意的是,这个计算机6可以是分析设备1的一部分。因此,计算机6可能专用于元素2的分析。如图所示,计算机6还可以包括用于接收至少第一数据以用于计算或处理的输入接口9,可能在借助于数字信号处理器10以本身已知的方式整形和/或解调和/或放大它们之后。此外,这个计算机6还可以包括输出接口11,特别是递送定义所采取的决定的消息,和/或大容量存储器12。
计算机6可以以可能是微编程或微接线的电气或电子电路或组件(或“硬件”)以及软件模块(或“软件”)的组合的形式实现。
例如,分析器的每个学习人工智能模块可以是卷积神经网络(CNN)。而且,例如,分析器的每个学习人工智能模块可以是贝叶斯卷积神经网络,即,递送“真”(或此处未修改)、“假”(或此处修改)或“不知道”的决定。稍后将了解其用处。但是这里可以使用其它类型的学习人工智能模块,特别是那些称为“连体神经网络”、“自动编码器”(人工神经网络)和“生成对抗网络”的模块。这些神经网络是本领域技术人员众所周知的,因此这里将不再更详细地描述。简单地回忆一下,一些经过配置和训练(此处用第二训练数据)的神经网络能够例如根据至少一个其它参考图像的对应部分(由第二训练数据定义的),确定图像的一部分(由(输入中)馈送给它的第一数据定义)是否已经修改。而且,神经网络的配置要求参数的定义,诸如层的布置的结构参数(数量、维度、连接)、内核的维度、卷积步骤、边际数量、拟合参数(特定于(一个或多个)图像特征的分析)。在被配置和训练之前,每个神经网络可能已经基于对至少一个其它可比较元素或对象执行的训练进行了预训练。
分析方法的做出决定步骤150在于操作分析器(将接收到的第一数据作为输入),以便它递送与接收到的第一数据相关的决定,并且更确切地说,与被分析元素2相对于对应参考元素的潜在的修改(或篡改)相关。
这种做出决定是基于对提供的第一数据的至少一部分的选择来执行的,该第一数据的至少一部分定义所选择的感兴趣区并且特征在于至少一个所选择的图像特征。
换句话说,分析器确定被分析元素2的至少一个感兴趣区的至少一个图像特征是否已经相对于对应参考元素的对应感兴趣区域发生改变。这种对至少一个图像特征的分析不仅允许确定宏观变化,而且允许确定微观变化。应该理解的是,图像特征越是涉及图像尺度的小细节,就可以确定待分析特征与对应参考特征之间的越微小(微观)差异。此外,被分析的图像特征的数量越多,检测到的被修改的特征的数量就越多(因为特征的一个图像特征可能未被修改,而同一特征的另一个图像特征可能被修改)。而且,如果用于产生元素的技术是可区分的,那么修改将更容易检测到,因为它们会引起可识别出的内在错误(尤其是在打印(用专业印刷机)或数字复印时)。
应当注意的是,所做的决定借助于文本消息(显示在他/她用来开始分析的装备4的屏幕13上)和/或音频消息(通过他/她用来开始分析的装备4的至少一个扬声器广播)提供给请求分析元素2的用户。当由用户开始分析所使用的装备以外的另一个装备执行分析时,这另一个装备经由至少一个通信网络将每个决定消息传输到用户的装备。
还应该注意的是,分析设备1或等效的计算机程序可以仅专用于分析与单个参考元素对应的元素2,或者可以专用于分析与预定义数量M的参考元素2(M≥2)对应,或专用于由于自我富集而随时间增长的多个参考元素。
优选地,在做出决定步骤150中,每个图像特征可以选自颜色、纹理、渐变、字形(印刷符号(字符或重音)或字符连字的图形表示)、字形间距离、绘图线、打印方法特征和半色调点的集合(对打印的图像像素的最小贡献)。
作为图像特征的颜色很难测量并且甚至更难从一个打印机完全相同地复制到另一个打印机(即使对于同一品牌的同一型号),并且当打印方法(例如,胶印、柔印或雕刻)在参考元素和复制元素之间有差异时,甚至更难。校准和色素沉着是部分原因。
作为图像特征的纹理或渐变也很难测量,并且甚至更难从一个打印机完全相同地复制到另一个打印机(即使对于同一品牌的同一型号),并且当打印方法在参考元素和复制元素之间有差异时甚至更难。这特别是由垂直和水平的微位移和微失真引起的。
作为图像特征的字形和字形间距离也很难从一种型号的打印机完全相同地复制到另一种型号的另一个打印机。这特别是因为造假者并不准确知道所使用的字体及其参数设置,以及字体的多样性,而且还因为一些打印机只能复制某些字体的事实,并且仍然具有参考元素与复制的元素的印制方法不同时它们之间的微差异。
作为图像特征的绘图线也很难从一个打印机完全相同地复制到另一个打印机(即使对于同一品牌的同一型号),特别是当线条的形状复杂和/或取决于线的空间朝向时。
作为图像特征的打印方法特征也很难从一个打印机完全相同地复制到另一个台打印机(即使对于同一品牌的同一型号),当参考元素与复制的元素之间打印方法不同时更是如此。这特别是由于对于相同的打印方法,由于所使用的相同机械零件之间的尺寸微变化和所使用的这些机械零件之间的装配微变化,人们将具有相同固有误差的空间变化这一事实。而且,在印版印刷的情况下,印版一般具有不同的和未知的制造缺陷。
空间定义的感兴趣区中的半色调点的集合作为图像特征也很难从一个打印机完全相同地复制到另一个打印机(即使对于同一品牌的同一型号),并且当参考元素与复制的元素之间的打印方法不同时更是如此。这特别是由垂直和水平的微移位引起的,这意味着参考元素的集合的所有半色调点不一定会分别在被分析元素的相同位置找到(集合中的一些点甚至可以已经消失在限制的水平以及点之间的相对位置可以变化)。
应当注意的是,在做出决定步骤150中,有可能在必要时首先对接收到的第一数据执行处理,以便将它们变换成可以与第二教学数据进行比较的第三数据,第二教学数据代表与(由这些第一数据表示的)被分析元素2对应的参考元素。
可以执行任何类型的图像处理以启用与第二训练数据的对应关系。事实上应该理解的是,不仅拍摄待分析元素2和参考元素的照片的人不同,而且用于拍摄这些照片的装备的拍照捕获功能的光学特征也可以不同,此外,在拍摄这些照片期间的光环境可以不同,这尤其会导致不同的放大倍数和/或不同的空间朝向和/或图像格式的变化和/或颜色的变化(更一般地与环境光相关的任何参数)。例如,在做出决定步骤150中,处理可以包括在空间上重新定向分析的元素部分(基于特征图像像素),使其具有与参考元素的相应部分相同的空间朝向,和/或删除第一数据中的一些(重构和/或背景移除),使得剩余的第一数据与代表对应参考元素的第二训练数据对应,和/或执行相关第一数据的对比度和/或亮度和/或饱和度修改,和/或放大(“缩放”)所拍摄元素部分的子部分。
在一个实施例中,在做出决定步骤150中,可以例如以预定义的方式选择每个图像特征。换句话说,在每次分析期间,分析器将始终分析相同的一个或多个图像特征。在这种情况下,分析方法可以包括在接收步骤130之前的指令步骤,并且其中要求想要分析元素2的用户(用他的设备4)拍照捕获第一数据,该第一数据定义由预定义指令描述的这个元素2的至少一部分的数字图像。(描述要拍摄的元素的(每个)部分)的这些指令借助于文本和/或视觉消息(显示在他/她用来开始分析的设备4的屏幕13上)和/或音频消息(由他/她用来开始分析的设备4的至少一个扬声器广播)提供给用户。例如,视觉消息可以是说明用户必须拍摄什么以便进行分析的图像或照片。当由不同于用户开始分析所使用的装备的另一个装备执行分析时,该另一个装备经由至少一个通信网络向用户的装备传输每个指令消息。
在先前实施例的变体中,例如可以随机选择每个图像特征。在这种情况下,如图3非限制性所示,分析方法可以包括在接收步骤130之前的初始化步骤110和指令步骤120。在初始化步骤110中,一旦被告知用户想要分析元素2,每个图像特征就被随机选择(由分析器)。在初始化步骤110之后和接收步骤130之前的指令步骤120中,(由分析器)要求用户拍摄获取第一数据,该第一数据定义由预定义指令描述的该元素2的至少一部分的数字图像,这取决于在初始化步骤110中随机选择的每个图像特征。如前面的实施例一样,这些指令(描述要拍摄的元素的(每个)部分)借助于文本和/或视觉消息(显示在他/她用来开始分析的设备4的屏幕13上)和/或声音消息(由他/她用来开始分析的设备4的至少一个扬声器广播)提供给用户。当由不同于用户开始分析所使用的装备的另一个装备执行分析时,该另一个装备经由至少一个通信网络向用户的装备传输每个指令消息。这种变体可能阻止欺诈者和伪造者,因为他们被迫生成复制至少一个图像特征(这已经非常困难)的元素,而不知道它是否是要分析的特征。
在前述变体的变体中,分析器可以被编程为根据可以通过预定义编程分析的不同图像特征的顺序在每J个分析时执行相同图像特征的分析。这种变体也可能会阻止欺诈者和伪造者,因为他们被迫生成复制至少一个图像特征的元素,而不知道它是否是将被分析的特征。
还可以设想,分析器被编程为对随时间改变的元素部分执行分析。在这种情况下,提供给用户的用于(第一数据的)拍照捕获的指令将随时间改变。这也是对欺诈者和伪造者的抑制,因为它迫使他们生成在每个点至少复制一个图像特征的元素,因为他们完全无法知道元素的哪个子部分将被分析。
当分析器可以对至少两个图像特征执行分析时,可以考虑一种操作机制,其中分析器首先对元素2的第一个图像特征进行第一次分析,并且如果从这个第一次分析产生的决定指示元素2已被修改,然后分析器向用户发信号通知这一点并停止工作,而如果第一次分析的结果指示元素2未被修改(或者在不确定性的情况下(用贝叶斯CNN))然后分析器对元素2的第二个图像特征执行第二次分析。再次,如果第二次分析产生的决定指示元素2已被修改,那么分析器向用户发信号通知这一点,然后停止工作,而如果第二次分析产生的决定指示元素2没有被修改(或者在不确定的情况下(用贝叶斯CNN))然后分析器执行元素2的第三个图像特征的第三次分析,依此类推,可能直到分析完所有可分析的图像特征(可能是可配置的数量)。如果在最后一个图像特征的最后可能分析结束时没有检测到元素2的修改,那么分析器向用户发信号通知这一点。可以对同一元素2的不同子部分或不同元素2执行不同的分析。
应当注意的是,如图3非限制性所示,分析方法可以包括初步配置步骤100,其中在设计阶段为分析器提供第二训练数据的至少两个集合,它们分别定义同一参考元素的至少一部分的数字图像并且它们分别来自不同的拍照捕获。这些集合旨在允许分析器配置它包括的每个学习人工智能模块,以便它适于为与相关参考元素对应的每个待分析元素做出决定。为了便于分析并允许快速决定,优选的是与相同参考元素相关联的第二训练数据集的数量N大并且如果可能的话非常大。通常对于每个参考元素,有利的是N介于1000和20000之间。对于相同的参考元素,可以针对不同的观察角度和/或使用不同类型的设备和/或针对不同的照明条件和/或具有不同的焦距和/或具有不同的放大倍率和/或具有不同的图像格式和/或具有不同的分辨率获得N个集合。这样配置的分析器可以说是“专业”的。
作为替代方案,分析方法可以包括初步配置步骤100,其中在设计阶段提供分析器,对于K中的每个参考元素,K≥2,具有第二训练数据对的至少两个集合的集合,这两个集合分别定义所考虑的参考元素的至少一部分的数字图像并且分别从不同的拍照捕获产生。在这种情况下,每一对包括未修改的参考元素的第二训练数据的第一子集和关于该未修改的参考元素的修改后的元素的第二训练数据的第二子集。这些成对的集合旨在允许分析器配置每个学习人工智能模块,使其适于针对与K个参考元素之一和相关联的经修改的元素,或者从这K个参考元素和相关联的经修改的元素可推导的元素对应的不同待分析元素做出决定。还是在上面提到的情况下,在接收步骤130中,接收第一数据(其定义待分析元素2的至少一部分的数字图像)和第四数据(其定义与待分析的这个元素2对应的未修改的参考元素的至少一部分的数字图像)。换句话说,每次用户想要分析元素2时,他/她不仅必须提供这个元素2的照片(第一数据),而且还必须提供这个元素2所对应的参考元素的照片(第四数据),因为分析器需要一个上下文来开始它的分析。这样配置的分析器可以说是“多面手”,因为它能够从与其对应的参考图像(第四数据)和从它对许多参考元素与相关联的经修改的参考元素(第二训练数据)之间的差异的全局知识中确定待分析元素2(第一数据)是否已经被修改。
根据另一方面,本发明还可以使得有可能打击欺诈者和伪造者。事实上,当一个人开始分析元素2时,有可能是欺诈者或伪造者执行了分析或为欺诈(或篡改)或伪造对象进行了分析,并且想知道是否这个元素2被认为已修改或未修改。因此,当一个人发起对元素2的分析时,分析器可以在该人使用的装备内以自动方式确定该人的地理位置和/或与该人相关联的标识符(诸如互联网协议(IP)或微信或Facebook标识符,或电话号码)。然后,分析器可以访问数据库(存储在服务器中或由分析设备1存储)以便检查所确定的地理位置是否与已知的欺诈或伪造区域对应和/或所确定的标识符是否与已知的欺诈者或伪造者相关联和/或是否已知元素2经常被修改。如果是,那么分析器执行其分析,并且如果它检测到元素2已被修改,那么它发出元素2未被修改的决定,以免引起潜在欺诈者或伪造者的注意,或者如果分析器检测到元素2没有被修改,那么它会发出它已经被修改以扰乱潜在的欺诈者或伪造者的决定。例如,当分析器检测到元素2已被修改时,它记录确定的地理位置和/或确定的标识符以及优选地元素2的定义并触发将其传输到负责收集与欺诈和假冒相关的信息的服务器。
应当注意的是,分析方法的一个或多个步骤100-150可以由不同的组件执行。因此,该分析方法可以通过多个数字信号处理器、随机存取存储器、大容量存储器、输入接口、输出接口来实现。
还应当注意的是,优选的是使用分析器,其中每个学习人工智能模块都与图像特征相关联。换句话说,如果要分析P个图像特征,且P≥2,那么优选的是分析器包括分别专用于这P个图像特征的P个学习人工智能模块。这使得有可能大大简化分析器的体系架构,尤其是在它是专门的的时候。但是当分析器是多面手时,这个选项就不那么有用了(甚至没用)。
在本文档中,分析方法旨在通过自动数字处理(可能称为“深度学习”)识别经修改(或欺诈或伪造)的元素。因此,使用“分析方法”和“识别方法”这两个术语是等同的。同样,分析设备1以及专用计算机程序旨在允许识别经修改的元素,因此使用表述“分析设备”和“用于通过自动处理检测伪造的设备”是等同的。另一方面,使用“图像参数”和“细节”等术语是等同的,使用词“对象”和“产品”是等同的,以及词“真实”、“未修改”和“原始”是等同的,以及词“分析”和“检查”也是一样。而且,使用术语“第二训练数据”和“未加工数据”是等同的。而且,元素或对象(或产品)的数据(第二数据或未加工数据)有时可以通过来自不同于在富集之前提供它们的来源或来自(一个或多个)计算的结果的来源的附加数据来丰富。换句话说,本发明可以借助于人工智能对所分析(或检查)的元素或对象(或产品)的特征现实进行数字转换。
还应当注意的是,本发明不限于上述实施例。实际上,对于本领域技术人员而言,根据刚刚向他们公开的教导,可以对上述实施例进行各种修改。在本发明的以上详细描述中,所使用的术语不应解释为将本发明限制于本说明书中阐述的实施例,而是应解释为包括所有等同物,通过将他们的一般知识应用到刚刚公开的教导的实施方式中,这些等同物预期在本领域技术人员的掌握范围内。
Claims (15)
1.一种用于分析与对象(3)相关联并代表对象(3)的至少一个元素(2)的方法,所述方法包括以下步骤:
-接收(130)用于定义由拍照捕获产生的所述元素(2)的至少一部分的数字图像的第一数据,
-将接收到的第一数据提供(140)给包括至少一个学习人工智能模块的分析器,该学习人工智能模块预先配置有至少一个参考元素的第二学习数据,以便做出与所提供的第一数据相关的决定,
-由所述分析器做出所述决定(150);
其特征在于所述做出决定(150)是根据所提供的第一数据的至少一部分的选择来执行的,该第一数据的至少一部分定义所选择的感兴趣区并由至少一个所选择的图像特征表征,并且与所述被分析元素(2)相对于对应参考元素的潜在修改相关。
2.根据权利要求1所述的方法,其特征在于在所述做出决定步骤(150)中,在颜色、纹理、渐变、字形、字形间距离、绘图线、印刷方法特征和半色调点的集合当中选择每个图像特征。
3.根据权利要求1或2所述的方法,其特征在于,在所述做出决定步骤(150)中,对接收到的第一数据执行初始处理,以便将它们变换成与代表对应参考元素的第二训练数据可比较的第三数据。
4.根据权利要求3所述的方法,其特征在于,在所述做出决定步骤(150)中,所述处理包括在空间上重新定向被分析的元素部分,以便被分析的元素部分具有与参考元素的对应部分相同的空间朝向,和/或删除所述第一数据中的一些,以便剩余的第一数据与代表对应参考元素的第二训练数据对应,和/或对相关第一数据的对比度和/或亮度和/或饱和度做出改变。
5.根据前述权利要求中的任一项所述的方法,其特征在于,在所述做出决定步骤(150)中,以预定义的方式选择每个图像特征,并且特征在于包括在所述接收步骤(130)之前的指令步骤,并且其中要求用户拍照捕获第一数据,该第一数据定义由预定义指令描述的所述元素(2)的至少一部分的数字图像。
6.根据权利要求1至4中的任一项所述的方法,其特征在于包括随机选择每个图像特征的初始化步骤(110),以及在所述初始化步骤之后和所述接收步骤(130)之前的指令步骤(120),在所述指令步骤中要求用户根据所述初始化步骤(110)中随机选择的每个图像特征拍照捕获第一数据,该第一数据定义由预定义指令描述的所述元素(2)的至少一部分的数字图像。
7.根据前述权利要求中的任一项所述的方法,其特征在于包括初步配置步骤(100),其中向所述分析器提供第二训练数据的至少两个集合,这两个集合分别定义同一个的参考元素的至少一部分的数字图像并且分别来自不同的拍照捕获,使得它对每个学习人工智能模块进行配置,使得它适于对与所述参考元素对应的每个待分析元素做出决定。
8.根据权利要求1至6中的任一项所述的方法,其特征在于包括初步配置步骤(100),其中,对于K个参考元素中的每个参考元素,K≥2,为所述分析器提供第二训练数据对的至少两个集合的集合,这两个集合分别定义所考虑的参考元素的至少一部分的数字图像并且分别从不同的拍照捕获产生,每对包括未修改的参考元素的第二训练数据的第一子集和相对于这个未修改的参考元素修改的元素的第二训练数据的第二子集,使得它配置每个学习人工智能模块以适于针对与所述K个参考元素之一或从所述K个参考元素可推导出的元素对应的待分析的不同元素做出决定,以及在所述接收步骤(130)中,接收定义所述元素(2)的至少一部分的数字图像的所述第一数据和定义与该元素(2)对应的未修改的参考元素的至少一部分的数字图像的第四数据。
9.根据前述权利要求中的任一项所述的方法,其特征在于使用分析器,在所述分析器中每个学习人工智能模块与图像特征相关联。
10.根据前述权利要求中的任一项所述的方法,其特征在于使用分析器,在所述分析器中每个学习人工智能模块是卷积神经网络。
11.根据权利要求10所述的方法,其特征在于每个学习人工智能模块是贝叶斯卷积神经网络。
12.根据前述权利要求之一所述的方法,其特征在于,当一个人开始所述元素(2)的分析时,确定这个人的地理位置和/或在这个人用来开始分析的装备内与所述人相关联的标识符,然后访问数据库以检查所确定的地理位置是否与已知的欺诈或伪造区域对应和/或所确定的标识符是否与已知的欺诈者或伪造者相关联和/或所述元素(2)是否已知被频繁修改,并且如果答案是肯定的,那么分析所述元素(2),并且如果检测到所述元素(2)已被修改,那么发出指示所述元素(2)未被修改的决定,或者如果检测到所述元素未被修改,那么发出指示该元素已被修改的决定。
13.一种可从通信网络下载和/或存储在计算机可读介质上和/或可由处理器执行的计算机程序,其特征在于它包括当在(一个或多个)处理器装备或计算机上执行所述程序时用于执行根据权利要求1至12中的任一项所述的分析方法的步骤的指令。
14.一种用于分析与对象(3)相关联并代表对象(3)的至少一个元素(2)的分析设备(1),所述设备(1)包括至少一个处理单元(7)和至少一个存储器(8),适于接收定义由拍照捕获产生的所述元素(2)的至少一部分的数字图像的第一数据,并且定义包括至少一个学习人工智能模块的分析器,该学习人工智能模块先前配置有至少一个参考元素的第二训练数据以便做出与接收到的第一数据相关的决定,其特征在于所述分析器被布置为基于对接收到的第一数据的至少一部分的选择来执行做出决定的操作,该第一数据的至少一部分定义所选择的感兴趣区并且由至少一个所选择的图像特征表征,该决定与所述被分析元素(2)相对于对应参考元素的潜在修改相关。
15.一种通信装备(4),其特征在于包括根据权利要求14所述的分析设备(1)或根据权利要求13所述的计算机程序。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2005973A FR3111218A1 (fr) | 2020-06-08 | 2020-06-08 | Procédé d’identification et dispositif de détection de la contrefaçon par traitement totalement automatisé des caractéristiques des produits photographiés par un appareil muni d’une caméra digitale |
FRFR2005973 | 2020-06-08 | ||
FR2011334A FR3111214A1 (fr) | 2020-06-08 | 2020-11-04 | Procédé d’analyse d’élément(s) d’objet(s) photographié(s) pour la détection de modification(s), et dispositif d’analyse associé |
FRFR2011334 | 2020-11-04 | ||
PCT/FR2021/050987 WO2021250337A1 (fr) | 2020-06-08 | 2021-06-01 | Procédé d'analyse d'élément(s) d'objet(s) photographié(s) pour la détection de modification(s), et dispositif d'analyse associé |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116057583A true CN116057583A (zh) | 2023-05-02 |
Family
ID=74347273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180057261.5A Pending CN116057583A (zh) | 2020-06-08 | 2021-06-01 | 用于分析一个或多个被拍摄对象的一个或多个元素以便检测一个或多个修改的方法,以及相关联的分析设备 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230281951A1 (zh) |
EP (1) | EP4162390A1 (zh) |
CN (1) | CN116057583A (zh) |
FR (2) | FR3111218A1 (zh) |
WO (1) | WO2021250337A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3129896B1 (en) | 2014-04-09 | 2024-02-14 | Entrupy Inc. | Authenticating physical objects using machine learning from microscopic variations |
CN108520285B (zh) * | 2018-04-16 | 2021-02-09 | 图灵人工智能研究院(南京)有限公司 | 物品鉴别方法、系统、设备及存储介质 |
US10691922B2 (en) | 2018-05-17 | 2020-06-23 | Accenture Global Solutions Limited | Detection of counterfeit items based on machine learning and analysis of visual and textual data |
-
2020
- 2020-06-08 FR FR2005973A patent/FR3111218A1/fr active Pending
- 2020-11-04 FR FR2011334A patent/FR3111214A1/fr active Pending
-
2021
- 2021-06-01 US US18/009,189 patent/US20230281951A1/en active Pending
- 2021-06-01 EP EP21734424.1A patent/EP4162390A1/fr active Pending
- 2021-06-01 CN CN202180057261.5A patent/CN116057583A/zh active Pending
- 2021-06-01 WO PCT/FR2021/050987 patent/WO2021250337A1/fr unknown
Also Published As
Publication number | Publication date |
---|---|
US20230281951A1 (en) | 2023-09-07 |
FR3111218A1 (fr) | 2021-12-10 |
EP4162390A1 (fr) | 2023-04-12 |
WO2021250337A1 (fr) | 2021-12-16 |
FR3111214A1 (fr) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10885531B2 (en) | Artificial intelligence counterfeit detection | |
US11087125B2 (en) | Document authenticity determination | |
US11023708B2 (en) | Within document face verification | |
CN110766033B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN108399405A (zh) | 营业执照识别方法和装置 | |
US20200372628A1 (en) | Methods and systems to ensure correct printing plate usage for encoded signals | |
CN112598627A (zh) | 检测图像缺陷的方法、系统、电子设备及介质 | |
CN112651333B (zh) | 静默活体检测方法、装置、终端设备和存储介质 | |
CN111931783A (zh) | 一种训练样本生成方法、机读码识别方法及装置 | |
JP2010211498A (ja) | 画像処理プログラム及び画像処理システム | |
CN113034421A (zh) | 一种图像检测方法、装置及存储介质 | |
CN108846330A (zh) | 一种纸张字画显微图像智能识别系统及识别方法 | |
CN110533704B (zh) | 油墨标签的识别验伪方法、装置、设备及介质 | |
US11455811B2 (en) | System and method for verifying authenticity of an anti-counterfeiting element, and method for building a machine learning model used to verify authenticity of an anti-counterfeiting element | |
CN108256608A (zh) | 一种二维图像码及其识别方法和设备 | |
CN114463284A (zh) | Pcb缺陷检测方法、装置、设备及存储介质 | |
CN116911883A (zh) | 基于ai鉴真技术和溯源量化的农产防伪溯源方法及云平台 | |
CN116057583A (zh) | 用于分析一个或多个被拍摄对象的一个或多个元素以便检测一个或多个修改的方法,以及相关联的分析设备 | |
JP6432182B2 (ja) | サービス提供装置、方法、及びプログラム | |
Samal | Minimum resolution for human face detection and identification | |
KR101835105B1 (ko) | 위조 인쇄물 감식 방법 | |
CN110415424B (zh) | 一种防伪鉴定方法、装置、计算机设备和存储介质 | |
CN113837026A (zh) | 检测证件真伪的方法及装置 | |
CN112597810A (zh) | 身份证明文件认证方法和系统 | |
EP4038543A1 (en) | Computer-implemented method for optical character recognition |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40093526 Country of ref document: HK |