DE112020005864T5

DE112020005864T5 - Verfahren und Einrichtung zur Verifizierung der Authentizität eines Produkts

Info

Publication number: DE112020005864T5
Application number: DE112020005864.6T
Authority: DE
Inventors: Yu Gao; Hui Xie; Wanlin Yang
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2020-03-10
Filing date: 2020-03-10
Publication date: 2022-10-13
Also published as: WO2021179157A1; CN115244542A

Abstract

Das vorliegende Erfindung betrifft ein Verfahren und eine Einrichtung zur Verifizierung der Authentizität eines Produkts. Das Verfahren umfasst: Extrahieren von zufällig in einem Produktkennzeichen verteilten Mikropunkt-Merkmalen aus einem Bild des Produktkennzeichens eines zu verifizierenden Produkts; Extrahieren von Liniensegment-Merkmalen des Produktkennzeichens aus mindestens einem Linien enthaltenden Bereich in dem Bild unter Verwendung einer Liniensegmente beschreibenden Methode in der Bildverarbeitungstechnologie, wobei es sich bei den Liniensegment-Merkmalen um einen Liniensegment-Deskriptor handelt, der unter Verwendung der Liniensegmente beschreibenden Methode generiert wird; und Verifizieren der Authentizität des zu verifizierenden Produkts basierend auf den extrahierten Mikropunkt-Merkmalen und den extrahierten Liniensegment-Merkmalen. Bei den Ausführungsbeispielen der vorliegenden Erfindung wird die Verifizierung eines authentischen bzw. gefälschten Produktkennzeichens mittels der Mikropunkt-Merkmale, der Liniensegment-Merkmale und/oder der Beschreibung der Qualität des Bildes der Kennzeichens durchgeführt werden, so dass die Genauigkeit der Verifizierung erheblich verbessert werden kann.

Description

Technisches Gebiet
Die vorliegende Erfindung bezieht sich auf ein Verfahren und eine Einrichtung zur Verifizierung der Authentizität eines Produkts, insbesondere auf ein Verfahren und eine Einrichtung, die basierend auf Mikropunkt-Merkmalen, Liniensegment-Merkmalen und/oder Bildqualitätsbewertung eines Bildes eines Produktkennzeichens die Authentizität des Produktkennzeichens verifizieren.
Stand der Technik
Gefälschte und minderwertige Produkte verursachen enorme Verluste sowohl für Hersteller als auch für Verbraucher, weswegen ihnen durch den Einsatz sicherer und zuverlässiger Fälschungsschutztechnologien entgegengewirkt werden muss. Zu den herkömmlichen Fälschungsschutztechnologien für Produkte gehören digitale Fälschungsschutztechnologien und Fälschungsschutztechnologien mittels Texturen.
Bei digitalen Fälschungsschutztechnologien werden Barcodes oder QC-Codes verwendet, um einem Produkt eine eindeutige Identifikation (ID) für die fälschungssichere Verifizierung und die Rückverfolgbarkeit zu verleihen, wobei jedoch diese digitale Fälschungsschutztechnologie leicht zu kopieren ist und eine schlechte Sicherheit aufweist.
Bei der Fälschungsschutztechnologie mittels Texturen werden zufällig erzeugte natürliche Texturen als fälschungssichere Merkmale verwendet, wobei diese Texturen physikalisch nicht kopierbar und nicht reproduzierbar sind. Allerdings fehlt es den herkömmlichen Fälschungsschutztechnologien an der Fähigkeit, fälschungssichere Merkmale automatisch zu identifizieren. Die Fähigkeit zur automatischen Identifizierung erfordert, dass die fälschungssicheren Merkmale eine visuelle Erkennbarkeit aufweisen, oder sie ist auf der Zugabe eines Fasermaterials im Produktionsprozess angewiesen, um die fälschungssicheren Merkmale zu bilden, was zu einer Erhöhung der Kosten für die fälschungssicheren Produkte und zu Unannehmlichkeiten bei der Herstellung führt.
Gegenwärtig sind neue Technologien entstanden, bei denen Barcodes bzw. QC-Codes mit gedruckten Mikropunkt-Merkmalen kombiniert werden, um die Fälschungssicherheit des Produktkennzeichens weiter zu verbessern und gleichzeitig den Produktionsprozess von fälschungssicheren Produkten zu vereinfachen sowie die Produktionskosten zu senken. Während der Verifizierung eines Produktkennzeichens ist es jedoch zunächst erforderlich, ein Bild des Produktkennzeichens des zu verifizierenden Produkts zu erhalten. Beispielsweise muss der Benutzer ein Handy oder eine digitale Kamera verwenden, um ein Bild des Produktkennzeichens aufzunehmen. Aufgrund der Unterschiede in der Aufnahmefunktion von Handys oder Kameras, der Aufnahmeumgebung (z. B. Licht) und der Fertigkeit (z. B. Aufnahmewinkel, Aufnahmeentfernung, Kamerastabilität) und anderer Faktoren wird die Bildqualität in unterschiedlichem Maße beeinflusst, so dass eine Abweichung im Verifizierungsergebnis auftreten kann, beispielsweise könnte ein Bild eines authentischen Produktkennzeichens als gefälschtes Produkt identifiziert werden oder umgekehrt.
Offenbarung der Erfindung
Im Hinblick auf mindestens eines der obigen Probleme des Standes der Technik stellen Ausführungsbeispiele der vorliegenden Erfindung ein Verfahren und eine Vorrichtung zur Verifizierung der Authentizität eines Produkts bereit, mit denen die Genauigkeit der Verifizierung der Authentizität des Produkts verbessert werden kann.
Bei einem Ausführungsbeispiel der vorliegenden Erfindung wird ein Verfahren zur Verifizierung der Authentizität eines Produkts bereitgestellt, wobei das Produkt ein Produktkennzeichen mit zufällig verteilten Mikropunkten aufweist, wobei das Verfahren die folgenden Schritte umfasst: Extrahieren von Mikropunkt-Merkmalen in einem Produktkennzeichen aus einem Bild des Produktkennzeichens eines zu verifizierenden Produkts; Extrahieren von Liniensegment-Merkmalen des Produktkennzeichens aus mindestens einem Linien enthaltenden Bereich in dem Bild unter Verwendung einer Liniensegmente beschreibenden Methode in der Bildverarbeitungstechnologie, wobei es sich bei den Liniensegment-Merkmalen um einen Liniensegment-Deskriptor handelt, der unter Verwendung der Liniensegmente beschreibenden Methode generiert wird; und Verifizieren der Authentizität des zu verifizierenden Produkts basierend auf den extrahierten Mikropunkt-Merkmalen und den extrahierten Liniensegment-Merkmalen.
Bei einem weiteren Ausführungsbeispiel der vorliegenden Erfindung wird ein Verfahren zur Verifizierung der Authentizität eines Produkts bereitgestellt, wobei das Produkt ein Produktkennzeichen mit zufällig verteilten Mikropunkten aufweist, wobei das Verfahren die folgenden Schritte umfasst: Extrahieren von Mikropunkt-Merkmalen in einem Produktkennzeichen aus einem Bild des Produktkennzeichens eines zu verifizierenden Produkts; Generieren einer Bildqualitätsbewertung für das Bild des Produktkennzeichens unter Verwendung eines Algorithmus zur Bewertung der Bildqualität; und Verifizieren der Authentizität des zu verifizierenden Produkts basierend auf der Bildqualitätsbewertung und den extrahierten Mikropunkt-Merkmalen.
Bei noch einem weiteren Ausführungsbeispiel der vorliegenden Erfindung ist eine Einrichtung zur Verifizierung der Authentizität eines Produkts bereitgestellt, wobei das Produkt ein Produktkennzeichen mit zufällig verteilten Mikropunkten aufweist, wobei die Einrichtung umfasst: ein Modul zum Extrahieren von Mikropunkt-Merkmalen, das zum Extrahieren von Mikropunkt-Merkmalen in einem Produktkennzeichen aus einem Bild des Produktkennzeichens eines zu verifizierenden Produkts verwendet wird; ein Modul zum Extrahieren von Liniensegment-Merkmalen, das zum Extrahieren von Liniensegment-Merkmalen des Produktkennzeichens aus mindestens einem Linien enthaltenden Bereich in dem Bild unter Verwendung einer Liniensegmente beschreibenden Methode in der Bildverarbeitungstechnologie verwendet wird; wobei es sich bei den Liniensegment-Merkmalen um einen Liniensegment-Deskriptor handelt, der unter Verwendung der Liniensegmente beschreibenden Methode generiert wird; und ein Verifizierungsmodul, das zum Verifizieren der Authentizität des zu verifizierenden Produkts basierend auf den extrahierten Mikropunkt-Merkmalen und den extrahierten Liniensegment-Merkmalen verwendet wird.
Bei noch einem weiteren Ausführungsbeispiel der vorliegenden Erfindung ist eine Einrichtung zur Verifizierung der Authentizität eines Produkts bereitgestellt, wobei das Produkt ein Produktkennzeichen mit zufällig verteilten Mikropunkten aufweist, wobei die Einrichtung umfasst: ein Modul zum Extrahieren von Mikropunkt-Merkmalen, das zum Extrahieren von Mikropunkt-Merkmalen in einem Produktkennzeichen aus einem Bild des Produktkennzeichens eines zu verifizierenden Produkts verwendet wird; ein Modul zum Generieren einer Bildqualitätsbewertung, das zum Generieren einer Bildqualitätsbewertung für das Bild des Produktkennzeichens unter Verwendung eines Algorithmus zur Bewertung der Bildqualität verwendet wird; und ein Verifizierungsmodul, das zum Verifizieren der Authentizität des zu verifizierenden Produkts basierend auf der Bildqualitätsbewertung und den extrahierten Mikropunkt-Merkmalen verwendet wird.
Bei noch einem weiteren Ausführungsbeispiel der vorliegenden Erfindung ist eine Vorrichtung zur Verifizierung der Authentizität eines Produkts bereitgestellt, wobei das Produkt ein Produktkennzeichen mit zufällig verteilten Mikropunkten aufweist, wobei die Vorrichtung umfasst: einen Speicher zum Speichern von Anweisungen; und einen mit dem Speicher gekoppelten Prozessor, wobei die Anweisungen beim Ausführen durch den Prozessor den Prozessor veranlassen, das Verfahren zur Verifizierung der Authentizität eines Produkts gemäß den vorstehenden Ausführungsbeispielen durchzuführen.
Bei noch einem Ausführungsbeispiel ist ein computerlesbares Speichermedium bereitgestellt, auf dem ausführbare Anweisungen gespeichert sind, wobei die ausführbaren Anweisungen beim Ausführen durch einen Computer den Computer veranlassen, das Verfahren zur Verifizierung der Authentizität eines Produkts gemäß den vorstehenden Ausführungsbeispielen durchzuführen.
Gemäß den Lösungen der Ausführungsbeispiele der vorliegenden Erfindung basiert die Verifizierung der Authentizität des Produktkennzeichens nicht nur auf den Mikropunkt-Merkmalen im Produktkennzeichen, sondern auch auf den Liniensegment-Merkmalen, die unter Verwendung der Liniensegmente beschreibenden Methode in der Bildverarbeitungstechnologie aus dem Bild des Produktkennzeichens extrahiert werden, und/oder der Bildqualitätsbewertung, die unter Verwendung eines Algorithmus zur Bewertung der Bildqualität für das Bild des Produktkennzeichens generiert wird, so dass die Genauigkeit der Verifizierung der Authentizität des Produktkennzeichens erhöht werden kann.
Figurenliste
Weitere Merkmale, Eigenschaften, Nutzen und Vorteile der vorliegenden Erfindung werden aus der ausführlichen Beschreibung in Verbindung mit den beigefügten Zeichnungen deutlicher. Dabei zeigen:

1 ein Flussdiagramm eines Verfahrens zur Verifizierung der Authentizität eines Produkts gemäß einem ersten Ausführungsbeispiel der vorliegenden Erfindung;
2(a) eine schematische Ansicht zum Einbetten von Mikropunkt-Merkmalen in einen QC-Code des Produkts gemäß einem Ausführungsbeispiel;
2(b) eine schematische Ansicht eines Positionierungsblocks im QC-Code;
3(a) und 3(b) jeweils ein Bild der Wahrscheinlichkeitsdichtefunktion, wenn die Gleichverteilungsfunktion als Zufallsverteilungsfunktion der Mikropunkte verwendet wird, und ein Mikropunktverteilungsdiagramm, das durch Abtasten der Zufallsverteilung erhalten wird;
4 ein Flussdiagramm eines Verfahrens zur Verifizierung der Authentizität eines Produkts gemäß einem zweiten Ausführungsbeispiel der vorliegenden Erfindung;
5 ein Flussdiagramm eines Verfahrens zur Verifizierung der Authentizität eines Produkts gemäß einem dritten Ausführungsbeispiel der vorliegenden Erfindung;
6 ein Flussdiagramm eines Verfahrens zur Verifizierung der Authentizität eines Produkts gemäß einem vierten Ausführungsbeispiel der vorliegenden Erfindung;
7 ein Flussdiagramm eines Verfahrens zur Verifizierung der Authentizität eines Produkts gemäß einem fünften Ausführungsbeispiel der vorliegenden Erfindung;
8 ein Blockdiagramm einer Struktur einer Einrichtung zur Verifizierung der Authentizität eines Produkts gemäß einem sechsten Ausführungsbeispiel der vorliegenden Erfindung; und
9 ein Blockdiagramm einer Struktur einer Einrichtung zur Verifizierung der Authentizität eines Produkts gemäß einem siebten Ausführungsbeispiel der vorliegenden Erfindung.

Ausführliche Ausführungsformen
Nachstehend werden die Ausführungsbeispiele der vorliegenden Erfindung unter Bezugnahme auf die beigefügten Zeichnungen näher beschrieben.
1 zeigt ein Flussdiagramm eines Verfahrens 100 zur Verifizierung der Authentizität eines Produkts basierend auf Mikropunkt-Merkmalen und Liniensegment-Merkmalen gemäß einem ersten Ausführungsbeispiel der vorliegenden Erfindung. Das in 1 gezeigte Verfahren 100 kann durch irgendeine Rechenvorrichtung mit Rechenfähigkeiten implementiert werden. Die Rechenvorrichtung kann ein Desktop-Computer, ein Laptop-Computer, ein Tablet-Computer, ein Server oder ein Smartphone sein, ist aber nicht darauf beschränkt.
Wie in 1 gezeigt, weist das Verifizierungsverfahren 100 auf: Extrahieren von Mikropunkt-Merkmalen im Produktkennzeichen aus einem Bild des Produktkennzeichens eines zu verifizierenden Produkts (Schritt 101); Extrahieren von Liniensegment-Merkmalen des Produktkennzeichens aus mindestens einem Linien enthaltenden Bereich in dem Bild des Produktkennzeichens unter Verwendung einer Liniensegmente beschreibenden Methode in der Bildverarbeitungstechnologie, wobei die Liniensegment-Merkmale auf einem Liniensegment-Deskriptor basieren, der unter Verwendung der Liniensegmente beschreibenden Methode generiert wird (Schritt 102); und Verifizieren der Authentizität des zu verifizierenden Produkts basierend auf den extrahierten Mikropunkt-Merkmalen und den extrahierten Liniensegment-Merkmalen (Schritt 103). Beispielsweise kann durch Vergleichen der extrahierten Mikropunkt-Merkmale bzw. der extrahierten Liniensegment-Merkmale mit Mikropunkt-Merkmalen bzw. Liniensegment-Merkmalen im Bild eines authentischen Produktkennzeichens die Authentizität des zu verifizierenden Produkts verifiziert werden.
In einem Ausführungsbeispiel der vorliegenden Erfindung weist der Schritt 103 des Verifizierens auf: Vergleichen der aus dem Bild des Produktkennzeichens extrahierten Mikropunkt-Merkmale mit Mikropunkt-Merkmalen in einem Bild eines authentischen Produktkennzeichens, um ein Vergleichsergebnis der Mikropunkt-Merkmale zu erhalten; Vergleichen der extrahierten Liniensegment-Merkmale mit Liniensegment-Merkmalen in einem Bild eines authentischen Produktkennzeichens, um ein Vergleichsergebnis der Liniensegment-Merkmale zu erhalten; Bilden eines Beschreibungsvektors über das Produktkennzeichen basierend auf dem Vergleichsergebnis der Liniensegment-Merkmale und dem Vergleichsergebnis der Mikropunkt-Merkmale; und Bestimmen der Authentizität des Produktkennzeichens des zu verifizierenden Produkts basierend auf dem Beschreibungsvektor unter Verwendung eines Klassifikators.
In einem Ausführungsbeispiel der vorliegenden Erfindung weisen die extrahierten Liniensegment-Merkmale zumindest Druckmerkmale auf, die im Zusammenhang mit dem Drucken eines Linien enthaltenden Bereichs im Produktkennzeichen stehen, wobei es sich bei den Druckmerkmalen um Merkmale handelt, die dem Papier, der Tinte und/oder der Druckvorrichtung, die beim Druck des Produktkennzeichens eines authentischen Produkts verwendet werden, zugeordnet sind.
Das Drucken eines Produktkennzeichens kann das Drucken einer digitalen Datei auf ein physisches Papier oder andere Bedruckstoffe sein. Beim Drucken derselben digitalen Datei können aufgrund einer komplexen Kombination von verschiedenen Druckereinstellungen, verschiedenen Arten von Druckmaschinen, verschiedenen Tinten bzw. Tonern bzw. Färbemitteln und verschiedenen Papiereigenschaften usw. die Einzelheiten von gedruckten gleichen digitalen Bildern unterschiedlich sein. Derartige Einzelheiten spiegeln die Druckmerkmale wider. Beispielsweise können die gedruckten Linien geringfügige Unterschiede, wie fein gezackte Teile unterschiedlicher Form oder Anordnung an Rändern, aufweisen, weil unterschiedliche Papiere, Tinten oder Druckvorrichtungen verwendet werden. Beispielsweise enthält der zweidimensionale Code in dem Produktkennzeichen mehrere schwarze Blöcke und weiße Blöcke. Der Positionierungsblock 2031 in dem QC-Code 203, wie in 2(a) und 2(b) gezeigt, kann zwei schwarze Blöcke und einen weißen Block umfassen, wobei alle Grenzen zwischen schwarzen und weißen Blöcken in verschiedenen Drucksituationen unterschiedlich sein können. Je nach Papier, Tinte oder Druckvorrichtung variieren außerdem auch die gedruckten Farben oder Graustufen. Dieser Druckunterschied verteilt sich über den Druckbereich des gesamten QC-Codes. Anhand dieses Unterschieds können die Druckmerkmale des Produktkennzeichens extrahiert werden. Die Druckmerkmale, die in einem durch eine Reproduktionstechnologie hergestellten gefälschten Produktkennzeichen enthalten sind, unterscheiden sich von denen des authentischen Produktkennzeichens. Beispielsweise gibt es einen geringfügigen Unterschied in der Kontur der Grenzlinie an der Grenze zwischen schwarzen und weißen Blöcken des Positionierungsblocks 2031 im QC-Code eines authentischen Produkts und eines gefälschten Produkts, wobei dieser Unterschied deutlicher sichtbar ist als ein Unterschied, der innerhalb der schwarzen oder weißen Blöcke vorliegt. Dadurch ist es möglich, anhand der Druckmerkmale im Bereich um das Liniensegment die Authentizität des Produktkennzeichens zu verifizieren.
Der Liniensegment-Deskriptor, der die Liniensegment-Merkmale enthält, kann Bildgradienten-Informationen eines Umgebungsbereichs des Liniensegments beschreiben. Die Bildgradienten-Informationen können den Unterschied zwischen einem authentischen Kennzeichen und einem gefälschten Kennzeichen widerspiegeln. In dem Beispiel ist normalerweise das Liniensegment in dem Bild des authentischen Produktkennzeichens glatter, während das Liniensegment in dem Bild des gefälschten Produktkennzeichens rauer ist; alternativ ist der weiße Bereich im authentischen Etikettenbild relativ sauber, während im weißen Bereichen des gefälschten Kennzeichenbildes mehr Druckgeräusche usw. vorliegen. Daher können durch Verwendung von Liniensegment-Deskriptoren (line segment descriptor) und dann durch Vergleich sichtbare Unterschiede im Druckbereich des Liniensegments erhalten werden. Daher kann das Liniensegment im festen Bereich des Produktkennzeichens dazu betragen, zwischen authentischen und gefälschten Produktkennzeichen zu unterscheiden.
In einem Ausführungsbeispiel der vorliegenden Erfindung weist der Schritt 102 des Extrahierens von Liniensegment-Merkmalen auf: Abtasten des Bildes des Produktkennzeichens, um einen Skalenraum des Bildes zu erstellen; Extrahieren von Linienmerkmalen für jede Schicht im Skalenraum, um Liniensegmente im Skalenraum zu extrahieren; Ausschneiden eines Bereichs, der mindestens ein extrahiertes Liniensegment umgibt, aus dem Bild, und Unterteilen des entnommenen Bereichs in mehrere streifenförmige Teilbereiche als Liniensegment-Unterstützungsbereiche (LSR); Erstellen eines Liniensegment-Streifen-Deskriptors (LBD) für jeden der streifenförmigen Teilbereiche, und Erhalten einer Streifen-Deskriptor-Matrix. Die in diesem Ausführungsbeispiel verwendete, Liniensegmente beschreibende Methode ist ein relativ häufig verwendeter Liniensegment-Streifen-Deskriptor (Line Band descriptor, LBD)-Algorithmus. Die Ausführungsbeispiele der vorliegenden Erfindung sind jedoch nicht darauf beschränkt, und es können auch andere Liniensegmente beschreibende Methoden, wie skaleninvarianter Mittelwert-Standardabweichungs-Liniensegment-Deskriptor (Scale invariant mean-standard deviation line segment descriptor, SMLSD)-Algorithmus, verwendet werden.
In einem Ausführungsbeispiel der vorliegenden Erfindung ist vorgesehen, dass das Vergleichsergebnis der Liniensegment-Merkmale durch die folgenden Schritte erhalten wird: Berechnen eines Mittelwerts und einer Varianz mindestens eines der Linie entsprechenden LBD als LBD-Wert; Vergleichen des berechneten LBD-Werts mit einem LBD-Referenzwert des Bildes des authentischen Produktkennzeichens, um ein Vergleichsergebnis der Liniensegment-Merkmale zu erhalten.
Im Folgenden wird am Beispiel des LBD-Algorithmus eine spezifische Ausführungsform zum Extrahieren der Liniensegment-Merkmale und Erhalten der Vergleichsergebnisse von Liniensegment-Merkmalen in den Ausführungsbeispielen der vorliegenden Erfindung angegeben.
Die Beschreibung von Liniensegmenten ist eine häufig verwendete Methode auf dem Gebiet der Bildverarbeitung, mit der eine eindeutige Beschreibung für ein bestimmtes Liniensegment in einem Bild erzeugt wird. Beispielsweise wird ein Bereich um ein Liniensegment herum in mehrere Teilbereiche unterteilt. Für jedes Pixel in den Teilbereichen werden die Größe und die Richtung des Gradienten des jeweiligen Pixels berechnet. Dann werden diese berechneten Informationen als ein Liniensegment-Beschreibungsvektor mit beispielsweise 256 Dimensionen aggregiert.
Ein Liniensegment-Merkmal beschreibt ein Liniensegment in einem Bild und ist einem spezifischen Druckmerkmal des durch Drucken erzeugten fälschungssicheren QC-Codes eines authentischen Produkts zugeordnet. Das Liniensegment in den Ausführungsbeispielen der vorliegenden Erfindung kann ein QC-Code des Produkts sein. Der zweidimensionale Code umfasst üblicherweise einen Codierungsteil und einen Positionierungsteil. Da der Codierungsteil kein ausreichend langes stabiles Liniensegment als Objekt der Liniensegmentbeschreibung hat, werden nur drei große schwarze quadratische Teile des Positionierungsteils als Bereich für die Liniensegmentbeschreibung verwendet, wie beispielsweise der in 2(a) und 2(b) gezeigte Positionierungsblock 2031. Wie in 2(b) gezeigt, können für jeden Positionierungsblock drei Gruppen von Grenzkonturen zwischen den schwarzen und weißen Blöcken darin und zwischen den leeren Bereichen um ihn herum gefunden werden. Jede Gruppe von Grenzkonturen besteht aus zwei horizontalen Grenzlinien und zwei vertikalen Grenzlinien, sodass daraus 1 bis 12 Liniensegmente extrahiert werden können. Jeder zweidimensionale Code weist drei große Positionierungsblöcke auf, sodass maximal 3 * 12 = 36 Liniensegmente verwendet werden können. Die Anzahl der extrahierbaren Liniensegmente kann je nach Spezifikation des QC-Codes variieren.
Es sei darauf hingewiesen, dass es im tatsächlichen Druckprozess unmöglich ist, ein ideales eindimensionales Liniensegment zu drucken, und dass ein Liniensegment mit einer Breite von mehreren Pixeln gedruckt werden kann, wobei der Druckprozess auch die Pixelwerte im Bereich neben dem Liniensegment beeinflusst. Ein aufgenommenes Bild des gedruckten Liniensegments wird in einen Bereich mit einer Breite abgetastet. Die Druckmerkmale im Bild des gefälschten Produktkennzeichens unterscheiden sich von denen des authentischen Produktkennzeichens und können beispielsweise rau oder unscharf werden. Der Vergleich zwischen authentischen und gefälschten Produkten wird für Liniensegmente an der gleichen Position durchgeführt, und dann wird dafür jeweils ein Liniensegment-Beschreibungsvektor erzeugt. Durch Zählen des Mittelwerts der Liniensegment-Deskriptoren des authentischen Produkts kann festgestellt werden, dass der Liniensegment-Beschreibungsvektor des gefälschten bzw. nachgeahmten Produkts weit vom durchschnittlichen Beschreibungsvektor des authentischen Produkts entfernt ist. Daher wird durch Extrahieren des Liniensegments der entsprechenden Position aus dem Bild des zu verifizierenden Produktkennzeichens und Erzeugen des Beschreibungsvektors ein Abstand mit einem Mittelwert, der für die positiven Proben zuvor berechnet wurde und auch ein Vektor ist, ermittelt. Dieser Abstand ist ein Vektor, der dem Beschreibungsvektor zur endgültigen Bestimmung der Authentizität hinzugefügt werden kann.
Beim LBD-Algorithmus, welcher als Liniensegmente beschreibende Methode verwendet wird, ist es zunächst erforderlich, eine Bildpyramide mit N Schichten (in der Regel ist N größer oder gleich 3) für ein eingegebene Bild des QC-Codes als Skalenraum zu erstellen. Eine Skalenpyramide mit N Schichten kann erhalten werden, indem das Bild N-mal durch eine Gruppe von Skalierungsfaktoren und eine Gaußsche Unschärfe abgetastet wird. Dann wird ein Algorithmus zur Erkennung von Liniensegmenten (wie EDLine-Algorithmus) verwendet, um Liniensegmente aus jeder Schicht des Skalenraums zu extrahieren, wobei beispielsweise im idealen Fall vier Liniensegmente aus jeder Schicht extrahiert werden können, wonach gemäß der Position und Richtung jedes Liniensegments N LineVec-Variablen als Liniensegment-Merkmale gebildet sind, wobei jede LineVec-Variable N Liniensegmente in den N Pyramidenschichten, die sich in derselben Region befinden und dieselbe Richtung aufweisen, aufweist. Für jedes Liniensegment in den LineVec-Variablen muss eine Berechnung des Liniensegment-Unterstützungsbereichs (Line Support Region, LSR) durchgeführt werden. Die LineVec-Variablen enthalten mehrere Liniensegmente, die sich in verschiedenen Pyramidenschichten befinden, wobei für diese Liniensegmente ein LSR im Bild der jeweiligen Schicht erstellt werden muss.
Liniensegment-Deskriptoren können aus den LSR-Liniensegment-Unterstützungsbereichen berechnet werden, die durch Liniensegmente gebildet werden. Ein Bereich des Bildes um das zu beschreibende Liniensegment herum wird ausgeschnitten, wobei dieser Bereich in m streifenförmige Teilbereiche unterteilt sind, wobei jeder der streifenförmigen Teilbereiche eine Breite von w aufweist (z. B. m = 5, w = 3, Breiteneinheit: Pixel). Abhängig von der Richtung des Liniensegments wird ein neues LSR-Koordinatensystem eingerichtet, wobei die Richtung des Liniensegments d_L für die Abszissenachse des neuen LSR-Koordinatensystems steht, wobei d_⊥ orthogonal zu d_L für die Ordinatenachse des neuen LSR-Koordinatensystems steht, wobei der Mittelpunkt des Liniensegments der Ursprung des neuen LSR Koordinatensystem ist; für jedes Pixel auf dem Streifen wird die Gradientenrichtung basierend auf dem neu erstellten LSR berechnet; für das gesamte LSR werden zwei Gaußsche Funktionen f_g und f_L jeweils als globale Gewichtungskoeffizienten und lokale Gewichtungskoeffizienten verwendet, also $f_{g} (i) = (1 / \sqrt{2 π} σ_{g}) e^{- d_{i}^{2} / 2 σ_{g}^{2}}$
$f_{l} (k) = (1 / \sqrt{2 π} σ_{g}) e^{- d_{i}^{2} / 2 σ_{l}^{2}}$
wobei i bzw. k für die i-te Reihe bzw. die k-te Reihe des Streifens Bj im LSR steht, wobei di für einen Abstand von der i-ten Reihe zur mittleren Reihe im LSR steht, wobei d'k für einen Abstand von der k-ten Reihe zur mittleren Reihe des Streifens Bj steht, mit σ_g = 0,5(m·w - 1), σ_l = w. Der Zweck des globalen Gaußschen Fensters besteht darin, die Wichtigkeit von Gradienten, die weit von dem Liniensegment entfernt sind, zu verringern, wodurch die Empfindlichkeit gegenüber kleinen Änderungen in der vertikalen Richtung des Liniensegments gemildert wird. Der Zweck des lokalen Gaußschen Fensters besteht darin, Kanteneffekte zu reduzieren und abrupte Änderungen der Deskriptoren beim Übergehen des Pixels von einem Streifen in den nächsten Streifen zu vermeiden.
Für jeden Streifen (BD) müssen die folgenden Parameter berechnet werden: $v 1_{j}^{k} = λ \sum_{g_{d} > 0} {g^{'}}_{d_{L}}, v 2_{j}^{k} = λ \sum_{g_{d} < 0} \cdot {g^{'}}_{d}$
$v 3_{j}^{k} = λ \sum_{{g^{'}}_{d_{L}} > 0} {g^{'}}_{d_{L}}, v 4_{j}^{k} = λ \sum_{{g^{'}}_{d_{L}} < 0} - {g^{'}}_{d_{L} .}$
wobei k für die k-te Reihe von Streifen Bj steht, wobei λ = f_g(k)f_l(k) für ein Produkt aus einer globalen Gaußschen Gewichtung und einer lokalen Gaußschen Gewichtung an der entsprechenden Position steht, wobei j für die Streifennummer steht und n für die Anzahl von Pixelreihen, die in dem Streifen enthalten sind, steht. Aus den vier oben berechneten Parametern kann eine Streifen-Deskriptor-Matrix (BDM) erstellt werden: $B D M_{j} = (\begin{matrix} v 1_{j}^{1} & v 1_{j}^{2} & \dots & v 1_{j}^{n} \\ v 2_{j}^{1} & v 2_{j}^{1} & \dots & v 2_{j}^{n} \\ v 3_{j}^{1} & v 3_{j}^{1} & \dots & v 3_{j}^{n} \\ v 4_{j}^{1} & v 4_{j}^{1} & \dots & v 4_{j}^{n} \end{matrix}) \in ℜ^{4 \times n}$
Abhängig von der erstellten Streifen-Deskriptor-Matrix BDM können die folgenden endgültigen Liniensegment-Deskriptoren erhalten werden: $L B D = {(M_{1}^{T}, S_{1}^{T}, M_{2}^{T}, S_{2}^{T}, \dots M_{m}^{T}, S_{m}^{T},)}^{T} \in ℜ^{8 m}$
wobei M für einen Mittelwertvektor der entsprechenden v Reihen, die dem m-ten Streifen entspricht, steht, wobei S für einen Varianzvektor, der v Reihen entspricht, steht, weswegen für einen Streifen 8 Beschreibungsvektoren erzeugt werden, wobei schließlich m * 8 Vektoren Ende an Ende verbunden sind, um den Deskriptor LBD zu bilden.
In einem beispielhaften Prozess kann für eine QC-Codes-Probe eines authentischen Produkts (also eine positive Probe) ein Positionierungsblock als Verifizierungsbereich verwendet werden, wobei vier Liniensegmente darin als Verifizierungsliniensegmente verwendet werden können; für die vier Liniensegmente wird ein Liniensegment-Unterstützungsbereich (LSR) generiert; für jeden LSR wird ein LBD-Wert generiert; dieser Prozess wird auf den entsprechenden Liniensegmenten der entsprechenden Positionierungsblöcke aller positiven Proben wiederholt, um LBD-Werte zu generieren, wobei der Mittelwert aller entsprechenden LBD-Werte als LBD-Referenzwert ermittelt wird.
In einem weiteren beispielhaften Prozess wird für das eingegebene Bild des QC-Codes des zu verifizierenden Produkts ein Liniensegment an einer entsprechenden zu verifizierenden Position ausgeschnitten; für das Liniensegment wird ein LSR generiert; für jeden LSR wird ein LBD-Wert ermittelt; eine Differenz zwischen diesem LBD-Wert und dem im vorherigen Beispiel berechneten LBD-Referenzwert wird berechnet; der Maximalwert der vier Differenzen, die den vier Liniensegmenten entsprechen, wird als ausgegebenes Vergleichsergebnis der Liniensegment-Merkmale verwendet.
In einem Ausführungsbeispiel der vorliegenden Erfindung kann der Schritt 103 des Verifizierens ferner aufweisen: Verifizieren der Authentizität des Produktkennzeichens des zu verifizierenden Produkts unter Verwendung eines Klassifikators, der mit einem Maschinenlernalgorithmus trainiert wurde; wobei der Klassifikator trainiert wird, indem mehrere Bilder von authentischen Produktkennzeichen als positive Probe und mehrere Bilder von gefälschten Produktkennzeichen als negative Probe verwendet werden. Es handelt sich bei dem zum Trainieren des Klassifikators verwendeten Maschinenlernalgorithmus um einen Maschinenlernalgorithmus, der Merkmalsvektoren klassifizieren kann. Positive Proben können Etiketten von QC-Codes mehrerer authentischer Produkte umfassen, während negative Proben Kopien dieser positiven Probe sein können, die auf verschiedene Weise erhalten werden. Die negativen Proben weisen gleiche Etiketten von QC-Codes wie die positiven Proben auf, aber ihre Mikropunkt-Merkmale und Druckmerkmale unterscheiden sich von denen der authentischen Produkte durch Einzelheiten. Durch die Verwendung des Maschinenlernalgorithmus kann die Genauigkeit des Klassifikators bei der Bestimmung der Authentizität des Produkts kontinuierlich verbessert werden.
In einem Ausführungsbeispiel ist vorgesehen, dass der Beschreibungsvektor Daten betreffend mindestens eines der Folgenden aufweist: eine Differenz zwischen dem LBD-Wert des zu verifizierenden Produktkennzeichens und dem LBD-Referenzwert des Bildes des authentischen Produktkennzeichens, eine Übereinstimmungsrate zwischen den extrahierten Mikropunkt-Merkmalen und vorgespeicherten Mikropunkt-Merkmalen, einen statistischen Parameter eines Pixelabstands vom übereinstimmenden Mikropunkt zum vorgespeicherten Mikropunkt in einem Bildkoordinatensystem, eine Anzahl der Mikropunkte im Bild des Produktkennzeichens des zu verifizierenden Produkts, deren Merkmale mit den vorgespeicherten Mikropunkt-Merkmalen nicht übereinstimmen, und eine Bildqualitätsbewertung des zu verifizierenden Produktkennzeichens.
In einem Ausführungsbeispiel der vorliegenden Erfindung weist der Schritt 101 des Extrahierens von Mikropunkt-Merkmalen auf: Extrahieren, unter Verwendung der Bildverarbeitungstechnologie, mindestens eines von Formmerkmalen, Positionsmerkmalen, Graustufenmerkmalen und Farbmerkmalen der Mikropunkte aus dem Bild des Produktkennzeichens.
In einem Ausführungsbeispiel der vorliegenden Erfindung ist vorgesehen, dass das Produktkennzeichen ein zweidimensionaler Grafikcode ist, wobei die Linie im zweidimensionalen Grafikcode eine Blockgrenzlinie an einem Positionierungsblock im zweidimensionalen Grafikcode ist. Beispielsweise sind der zweidimensionale Code 203 und der Positionierungsblock 2031 darin in 2(a) und 2(b) gezeigt. In Ausführungsbeispielen der vorliegenden Erfindung kann das Produktkennzeichen auch ein Barcode oder ein anderes Muster mit Linien sein. In einem Ausführungsbeispiel der vorliegenden Erfindung kann das Verfahren zur Verifizierung der Authentizität eines Produkts ferner aufweisen: Generieren, unter Verwendung eines Algorithmus zur Bewertung der Bildqualität, einer Bildqualitätsbewertung für das Bild des Produktkennzeichens; und Verifizieren der Authentizität des zu verifizierenden Produkts basierend auf der Bildqualitätsbewertung, den extrahierten Mikropunkt-Merkmalen und den extrahierten Liniensegment-Merkmalen.
In der Bildverarbeitungstechnologie gibt es viele Vorgehensweisen, mit denen die Bildqualität des Zielbilds bewertet werden kann. Beispielsweise kann mit dieser Methode bewertet werden, ob die Hell-Dunkel-Verteilung im Bild des Kennzeichens angemessen ist, ob das Bild zu hell oder zu dunkel ist und ob das Bild klar genug ist. Durch das Bewerten des erhaltenen Bilds des Kennzeichens wird eine Bildqualitätsbewertung generiert. Die Bildqualität steht allerdings im Zusammenhang mit dem Extrahieren von Mikropunkt-Merkmalen, Liniensegment-Merkmalen und/oder anderen Bildmerkmalen aus dem Bild und beeinflusst auch die Verifizierung sowie Erkennung der Mikropunkt-Merkmale, der Liniensegment-Merkmale und/oder der anderen Bildmerkmale in dem Bild. Daher trägt die Einbeziehung von Bildqualitätsbewertungen in die Verifizierung des Produktkennzeichens dazu bei, die Authentizität des Produktkennzeichens genauer zu verifizieren.
2(a) zeigt eine schematische Ansicht zum Einbetten von Mikropunkt-Merkmalen in einen QC-Code des Produkts gemäß einem Ausführungsbeispiel, wobei die schwarzen Mikropunkt-Merkmale 202 aufgrund ihrer zu geringen Größe in der Figur nicht gezeigt sind. Während des Generierens von Mikropunkt-Merkmalen wird zunächst ein Algorithmus verwendet, um ein spezifisches hochdimensionales Zufallsverteilungsdiagramm 201 von Mikropunkten zu generieren, das als die Verteilungseigenschaften von mindestens einer von Positionsverteilung, Graustufenverteilung, Farbverteilung und Mikromorphologie aller Mikropunkt-Merkmale dient, wobei Produkte derselben Kategorie oder derselben Charge einer bestimmten Verteilungseigenschaft gemeinsam folgen können, wobei die einzelnen Produkte weitere verschiedene Mikropunkt-Merkmale zum Unterscheiden aufweisen. Beispielsweise können für die Produkte verschiedener Chargen verschiedene Zufallsverteilungsdiagramme verwendet werden, während für verschiedene Produkte derselben Charge verschiedene Mikropunkte verwendet werden. Danach wird der Algorithmus verwendet, um die Zufallsverteilungsdiagramme der Mikropunkte abzutasten, wobei für jedes Produkt (oder Produktkennzeichen bzw. Etikett) ein Mikropunkt-Merkmal 202 mit eindeutiger Identität generiert wird, wonach das generierte Mikropunkt-Merkmal gemäß einer Vermeidungsregel in ein digitales zweidimensionales Kennzeichen 203 (z.B., einen Quick-Response-Matrix-Code, nämlich QC-Code) des Produkts eingebettet wird, und wobei der zweidimensionale Code mit dem eingebetteten Mikropunkt-Merkmal auf einer Oberfläche des Produkts oder einer Oberfläche der Produktverpackung als Produktkennzeichen gedruckt wird oder auf einer Oberfläche des Produktetiketts gedruckt wird, um ein digitales Produktkennzeichen (ID) mit Mikropunkten zu bilden. Die Vermeidungsregel kann mindestens eine von spezifischer Positionsverteilung, Graustufenverteilung und Farbverteilung der Mikropunkte einschränken. Beispielsweise kann die Vermeidungsregel für die Positionsverteilung sicherstellen, dass lediglich in weißen Blöcken des QC-Codes schwarze oder dunkle Mikropunkte generiert werden. Die Vermeidungsregel für die Graustufenverteilung oder Farbverteilung kann sicherstellen, dass die Graustufen oder die Farben der Mikropunkte bestimmte Graustufen- und Sättigungsgrenzen erfüllen und die weißen Blöcke des QC-Codes nicht stören. Diese Vermeidungsregeln wirken zusammen, um sicherzustellen, dass das Lesen des QC-Codes selbst nicht durch die eingebetteten Mikropunkt-Merkmale beeinflusst wird und der zweidimensionale Code nach dem Hinzufügen des Mikropunkt-Merkmals die entsprechenden nationalen und/oder internationalen Standards noch erfüllen.
In einigen Ausführungsbeispielen kann das weiße Mikropunkt-Merkmal 202 auch in den schwarzen Block des QC-Codes 203 eingebettet sein, wobei die Vermeidungsregel die zu generierenden Mikropunkte nur auf den schwarzen Block des QC-Codes beschränkt, so dass der zweidimensionale Code nach dem Hinzufügen des Mikropunkt-Merkmals die entsprechenden nationalen und/oder internationalen Standards noch erfüllen. Die weißen Mikropunkte behalten den höchsten Kontrast in den schwarzen Blöcken des QC-Codes bei, und die weißen Mikropunkte werden durch kurze Pausen im Drucktintenstrahl während des Druckprozesses erzeugt.
Die Zusammensetzung eines Mikropunkt-Merkmals umfasst die grundlegendsten zweidimensionalen Koordinaten (X, Y) und kann auch andere optionale Eigenschaften wie Farbe, Graustufe, Form usw. enthalten. In der Regel werden die Nicht-Reproduzierbarkeit und die Fälschungssicherheit der Mikropunkte zunächst durch die zufällige Verteilung der zweidimensionalen Positionen der Mikropunkte realisiert. Die Farb-, Graustufen- oder Formeigenschaften der Mikropunkte können verwendet werden, um die Fälschungssicherheit des Produkts weiter zu verbessern. Die zufällig verteilten Mikropunkt-Merkmale können auch zufällig verteilte Mikropunkt-Texturmerkmale bilden.
Nach Abschluss der Produktion des Produktkennzeichens oder während dessen Produktionsprozesses müssen die Mikropunkt-Merkmalsinformationen des Produktkennzeichens in der Datenbank zur einer nachfolgenden Verifizierung der Authentizität des Produkts gespeichert werden. Die gespeicherten Mikropunkt-Merkmalsinformationen umfassen zum Beispiel Merkmale der zufällig verteilten Positionen und weitere Merkmale wie etwa Farbe, Graustufe oder Form.
Jeder zweidimensionale Code 203 in 2(a) enthält drei Positionierungsblöcke 2031, die jeweils in der oberen linken Ecke, der oberen rechten Ecke und der unteren linken Ecke angeordnet sind. Der Positionierungsblock wird auch als Positionserkennungsgrafik bezeichnet und wird verwendet, um die Rechteckgröße des QC-Codes zu markieren. Wie in 2(b) gezeigt, weist jeder Positionierungsblock 2031 einen in der Mitte angeordneten schwarzen rechteckigen massiven Block, einen in der Mitte angeordneten weißen quadratischen Block und einen außen angeordneten schwarzen quadratischen Block auf. Diese drei Farbblöcke bilden drei Gruppen von Konturen mit Blockgrenzlinien, wobei die Blockgrenzlinien jeder Gruppe von Konturen aus zwei horizontalen Linien und zwei vertikalen Linien bestehen. Diese Blockgrenzlinien können als Objekte der Liniensegmente beschreibenden Methode in den Ausführungsbeispielen dienen. Die vorliegende Erfindung ist jedoch nicht darauf beschränkt, und das Objekt der Liniensegmente beschreibenden Methode kann irgendein Liniensegment im Produktkennzeichen sein.
Als ein Beispiel der Mikropunkt-Merkmale zeigen 3(a) und 3(b) ein Bild der Wahrscheinlichkeitsdichtefunktion, wenn die Gleichverteilungsfunktion als Zufallsverteilungsfunktion der Mikropunkte verwendet wird, und ein Mikropunktverteilungsdiagramm, das durch Abtasten der Zufallsverteilung erhalten wird. Dabei lautet die Wahrscheinlichkeitsdichtefunktion der Gleichverteilungsfunktion: PDF(x, y) = const
Im Bild der Wahrscheinlichkeitsdichtefunktion in 3(a) steht die Z-Koordinate für die Wahrscheinlichkeitsdichte, wobei die horizontale Koordinate X und die vertikale Koordinate Y die Position (x, y) des Mikropunktes angeben. Das Mikropunktverteilungsdiagramm in 3(b) wird beim Erzeugen von Mikropunkt-Koordinaten (x, y) durch Abtasten aus dem Zufallsverteilungsdiagramm der 3(a) erhalten, wobei in den Figuren zufällig verteilte schwarze Mikropunkte dargestellt sind.
4 zeigt ein Flussdiagramm eines Verfahrens 400 zur Verifizierung der Authentizität eines Produkts gemäß einem zweiten Ausführungsbeispiel der vorliegenden Erfindung. Das zweite Ausführungsbeispiel ist auch ein Ausführungsbeispiel zur Verifizierung eines Produktkennzeichens basierend auf Liniensegment-Merkmalen und Mikropunkt-Merkmalen. In dem Verfahren 400 wird zunächst ein Bild bzw. Abbild des Produktkennzeichens des zu verifizierenden Produkts erhalten (Schritt 401). Zum Beispiel kann der Benutzer nach dem Kauf eines Produkts ein Bild des Produktkennzeichens aufnehmen, das einen Strichcode oder einen QC-Code enthält, wonach er das aufgenommene Bild des Produktkennzeichens an eine Verifizierungspartei oder eine Verifizierungsvorrichtung überträgt, um die Authentizität des Bildes des erhaltenen Produktkennzeichens zu verifizieren. Beim vorliegenden Ausführungsbeispiel ist die Verarbeitung des den QC-Code enthaltenden Bildes in zwei Teile unterteilt, und zwar einen Liniensegment-Verarbeitungsteil (einschließlich der Schritte 402-405) und einen Mikropunkt-Verarbeitungsteil (einschließlich der Schritte 406-409). In diesen zwei Verarbeitungsteilen muss das Bild zunächst vorverarbeitet werden (Schritte 402 und 406). Beispielsweise werden die Einstellung der Helligkeit, das Ausschneiden effektiver Teile, die Kontrastverbesserung an Teilen des Bildes durchgeführt, die effektive Merkmale (wie etwa zweidimensionale Codes) enthalten; oder gängige Vorverarbeitungen in Bildverarbeitungstechnologien wie Bildschärfung und Bildnormalisierung werden verwendet.
Im Liniensegment-Verarbeitungsteil für Bilder wird nach dem Vorverarbeitungsschritt 402 ein Liniensegment-Beschreibungsalgorithmus in der Bildverarbeitungstechnologie verwendet, um mindestens ein Liniensegment und leere Bereiche, die zum Liniensegment benachbart sind, in dem Bild des Produktkennzeichens zu beschreiben (Schritt 403). Da sich die schwarzen und weißen Blöcke im Codierungsteil des QC-Codes mit den Informationen des QC-Codes ändern und es keine stabilen schwarzen und weißen Blöcke sowie Grenzlinien gibt, kann ein Liniensegment auf dem Positionierungsblock (wie in 2(a) und 2(b) gezeigt) mit stabilen Farbblöcken im QC-Code verwendet werden, um eine spezifische Liniensegmentbeschreibung zu generieren. Dann wird die generierte Liniensegmentbeschreibung mit der Liniensegmentbeschreibung des entsprechenden Liniensegments im Bild des authentischen QC-Codes verglichen, um ein Vergleichsergebnis der Liniensegment-Merkmale zu erhalten (Schritt 404).
Die Liniensegmentbeschreibung des entsprechenden Liniensegments im Bild des authentischen QC-Codes wird abhängig von dem Bild des authentischen QC-Codes erzeugt und enthält Druckmerkmale betreffend das Drucken des entsprechenden Bereichs. Bei gefälschten Produktkennzeichen führt das Kopieren des QC-Codes der authentischen Produktkennzeichen zum Verlust der Druckmerkmale in dem Teil des Bereichs, der die Liniensegmente enthält. Bei dem Vergleich in Schritt 404 kann die Liniensegmentbeschreibung des Bildes des QC-Codes des zu verifizierenden Produkts mit der Liniensegmentbeschreibung des Bildes des authentischen QC-Codes verglichen werden, um ein Vergleichsergebnis der Liniensegment-Merkmale zu erhalten; das Vergleichsergebnis der Liniensegment-Merkmale kann auch durch Vergleichen mit dem Mittelwert von Liniensegmentbeschreibungen an derselben Position in mehreren Bilden von authentischen QC-Codes erhalten werden. Der kopierte zweidimensionale Code in gefälschtem Kennzeichen weist aufgrund des Verlustes von subtilen Druckmerkmalen im entsprechenden Liniensegment offensichtliche Unterschiede zur Liniensegmentbeschreibung des Bildes des authentischen QC-Codes auf. Solche Unterschiede sind im Wesentlichen Bildunterschiede um das entsprechende Liniensegment herum, die an einer Position der Schwarz-Weiß-Blocktrennung aufgrund des Kopierens und der verwendeten unterschiedlichen Druckvorrichtungen oder Papiere usw. erzeugt werden.
In Schritt 405 wird das Vergleichsergebnis der Liniensegment-Merkmale als eine Beschreibung des Authentizitätsgrads des Liniensegments ausgegeben. In einem Beispiel ist das Vergleichsergebnis der Liniensegment-Merkmale eine Differenz zwischen dem LBD-Wert des zu verifizierenden Produktkennzeichens und dem LBD-Referenzwert des Bildes des authentischen Produktkennzeichens, wobei der LBD-Referenzwert des Bildes des authentischen Produktkennzeichens ein Mittelwert von LBD-Referenzwerten mehrerer Bilder der authentischen Produktkennzeichen sein kann. Da in einem weiteren Beispiel der Beschreibungsvektor des Liniensegments in dem QC-Code des authentischen Produktkennzeichens vorliegt, kann beispielsweise eine Vektordifferenz (euklidischer Abstand) zwischen der Liniensegmentbeschreibung, die für das entsprechende Liniensegment in dem Bild des kopierten QC-Codes des gefälschten Produktkennzeichens generiert wird, und der Liniensegmentbeschreibung im Bild des authentischen Produktkennzeichens weiterhin ermittelt werden.
Im Mikropunkt-Verarbeitungsteil werden nach dem Vorverarbeitungsschritt 406 Mikropunkt-Merkmale im Bild unter Verwendung eines Algorithmus zum Extrahieren von Mikropunkten extrahiert (Schritt 407), wobei die Bildverarbeitungstechnologie verwendet werden kann, um zufällig verteilte Mikropunkt-Merkmale, die statistische Daten basierend auf mindestens einer von Position, Größe, Farbe oder Graustufe der Mikropunkte aufweisen, in einem Bereich zu lesen, in dem sich das zu verifizierende Produktkennzeichen befindet. Beispielsweise können durch Berechnen der Größe jedes Mikropunktbereichs (z. B. der Anzahl von Pixeln, die in jedem Mikropunkt enthalten sind) oder durch Berechnen des durchschnittlichen RGB-Dreikanalwerts jedes Bereichs die Graustufeninformationen des Mikropunktbereichs im Bild erhalten werden. Dann werden die entsprechenden Mikropunkt-Merkmale der vorgespeicherten authentischen Produktkennzeichen aus einer Datenbank extrahiert, wobei die gelesenen Mikropunkt-Merkmale mit den Mikropunkt-Merkmalen in der Datenbank verglichen werden (Schritt 408), wodurch das Vergleichsergebnis der Mikropunkt-Merkmale ausgegeben wird (Schritt 409), das als eine der Grundlagen zum Bestimmen der Authentizität des Produktkennzeichens dient.
Danach werden das in Schritt 405 ausgegebene Vergleichsergebnis der Liniensegment-Merkmale und das in Schritt 409 ausgegebene Vergleichsergebnis der Mikropunkt-Merkmale verwendet (dabei können unterschiedliche statistische Daten normalisiert werden), um einen Beschreibungsvektor X zu bilden (Schritt 410). Beispielsweise dient das ausgegebene Vergleichsergebnis der Liniensegment-Merkmale als eine Merkmalsdimension wie x1. Das Vergleichsergebnis der Mikropunkt-Merkmale kann mehrere statistische Daten enthalten, die beim Vergleich nach einer Verarbeitung der Übereinstimmung und Quantisierung der Mikropunktmerkmale erhalten sind. Beispielsweise wird ein Prozentsatz der im QC-Ziel-Code gefundenen Mikropunkte, die mit den Mikropunkten des entsprechenden QC-Codes in der Datenbank übereinstimmen, als x2 bezeichnet, wobei statistische Parameter, wie Mittelwert und Varianz, des Pixelabstands der übereinstimmenden Mikropunkte im Bildkoordinatensystem von Mikropunkten in der Datenbank als x3 und x4 bezeichnet sind, wobei eine Strafe für nicht übereinstimmende Mikropunkte (falsche Übereinstimmung) als x5 usw. bezeichnet ist. Unter Verwendung der obigen Informationen kann ein fünfdimensionaler Beschreibungsvektor des zu verifizierenden Produktkennzeichens gebildet werden. Darüber hinaus können dem Beschreibungsvektor auch Bildqualitätsbeschreibungen wie die Schärfe des Bildes, der Mittelwert und die Varianz der Hell-Dunkel-Verteilung des Bildes usw. als weitere Merkmalsdimensionen hinzugefügt werden.
Im Ausführungsbeispiel der vorliegenden Erfindung können alle gesammelten Bilder von Produktkennzeichen positiver Proben und negativer Proben verarbeitet werden, um entsprechende Liniensegment-Merkmale, LBD-Differenzen und statistische Mikropunkt-Merkmale zu erhalten, wodurch entsprechende Beschreibungsvektoren als Probendatensatz erhalten sind, dessen einer Teil (z. B. 80%) als Trainingssatz zum Trainieren des Klassifikators verwendet werden, und dessen anderer Teil (z. B. 20%) als Testsatz verwendet werden kann. Basierend auf dem Probendatensatz können populärere Maschinenlernalgorithmen verwendet werden, um den Klassifikator zu trainieren und zu testen. Zu den wählbaren Klassifikatortypen gehören Support-Vector-Maschine (SVM), Boost-Tree, Entscheidungsbaum, flaches neuronales Netzwerk, k-Nächster-Nachbar-Algorithmus, zufälliger Wald usw. Der vortrainierte Klassifikator kann das zu verifizierende Produktkennzeichen basierend auf den Beschreibungsmerkmalen (einschließlich der Vergleichsergebnisse von Liniensegment-Merkmalen und der statistischen Mikropunkt-Merkmale) in dem in Schritt 410 erhaltenen Beschreibungsvektor identifizieren und klassifizieren (Schritt 411), wodurch das Identifizierungsergebnis der Authentizität des zu verifizierenden Produktkennzeichens ausgegeben wird (Schritt 412).
Im Vorbereitungsprozess von Bildproben zum Trainieren können mit verschiedenen Handys auf dem Markt Bilder von mehreren authentischen Produktkennzeichen in unterschiedlichen Beleuchtungsumgebungen aufgenommen werden, wobei die erhaltenen Bilder als positive Probe verwendet werden; mit verschiedenen Handys auf dem Markt werden Bilder von hergestellten gefälschten Etiketten in unterschiedlichen Beleuchtungsumgebungen aufgenommen, wobei die erhaltenen Bilder als negative Probe verwendet werden; dann werden die positiven und negativen Proben nach dem Zufallsprinzip in einen Probesatz zum Trainieren und einen Probesatz zum Testen aufgeteilt. Durch kontinuierliches Training des Klassifikators mit den angesammelten Proben von Produktkennzeichen kann der Klassifikator eine genauere Identifizierung der Authentizität bei der tatsächlichen Verifizierung von Produktkennzeichen bereitstellen.
Gemäß dem durch die oben erwähnten Ausführungsbeispiele der vorliegenden Erfindung bereitgestellten Verfahren zur Verifizierung eines Produktkennzeichens kann die Genauigkeit der Verifizierung der Authentizität des Produktkennzeichens weiterhin verbessert werden, indem beispielsweise das Produktkennzeichen mit einem QC-Code und die Mikropunkt-Merkmale in Verbindung mit den Liniensegment-Merkmalen verwendet werden.
5 zeigt ein Flussdiagramm eines Verfahrens 500 zur Verifizierung der Authentizität eines Produkts basierend auf Mikropunkt-Merkmalen und Bildqualitätsbewertungen gemäß einem dritten Ausführungsbeispiel der vorliegenden Erfindung. Wie in 5 gezeigt, weist das Verifizierungsverfahren 500 auf: Extrahieren von zufällig im Produktkennzeichen verteilten Mikropunkt-Merkmalen aus einem Bild des Produktkennzeichens eines zu verifizierenden Produkts (Schritt 501); Generieren, unter Verwendung eines Algorithmus zur Bewertung der Bildqualität, einer Bildqualitätsbewertung für das Bild des Produktkennzeichens (Schritt 502); und Verifizieren der Authentizität des zu verifizierenden Produkts basierend auf der Bildqualitätsbewertung und den extrahierten Mikropunkt-Merkmalen (Schritt 503).
Die Bildqualität des Bilds des Kennzeichens kann mit einer Vielzahl von Methoden in der Bildverarbeitungstechnologie bewertet werden, um eine Bildqualitätsbewertung zu generieren. Die Bildqualität steht allerdings im Zusammenhang mit dem Extrahieren von Mikropunkt-Merkmalen und/oder anderen Bildmerkmalen aus dem Bild und beeinflusst auch die Verifizierung sowie Erkennung der Mikropunkt-Merkmale und/oder der anderen Bildmerkmale in dem Bild. Daher trägt die Einbeziehung von Bildqualitätsbewertungen in die Verifizierung des Produktkennzeichens dazu bei, die Authentizität des Produktkennzeichens genauer zu verifizieren, und kann insbesondere das Problem lösen, dass gefälschte Produktetiketten mit guter Qualität der Bildaufnahme und authentische Produktetiketten mit schlechter Qualität der Bildaufnahme fälschlicherweise verifiziert werden.
Beispielsweise hängt die Identifizierung der Authentizität des fälschungssicheren Bilds des QC-Codes von der Qualität der Bildaufnahme ab, wobei insbesondere bei Anwendungen an mobilen Endgeräten die Handys verschiedener Marken unterschiedliche Präferenzen für die Bildverarbeitung aufweisen; bei verschiedenen Aufnahmeszenarien stellen die durch verschiedene Handys aufgenommenen Bilder desselben Produktetiketts aufgrund der unterschiedlichen Präferenzen für die Verarbeitung der Handys unterschiedliche Bilddetails dar. Daher kann die Genauigkeit der Verifizierung der Authentizität erheblich reduziert werden, wenn für alle Bilder ein einfacher und konsistenter Schwellenwert für die Identifizierung der Authentizität verwendet wird; basierend auf unterschiedlichen Bildqualitätsbewertungen können beispielsweise verschiedene Schwellenwerte für die Identifizierung der Authentizität verwendet werden, um die Authentizität zu verifizieren, wodurch die Genauigkeit der Verifizierung von Produktetiketten verbessert werden kann.
In einem Ausführungsbeispiel der vorliegenden Erfindung weist der Schritt 503 des Verifizierens auf: Vergleichen der extrahierten Mikropunkt-Merkmale mit Mikropunkt-Merkmalen in einem Bild eines authentischen Produktkennzeichens, um ein Vergleichsergebnis der Mikropunkt-Merkmale zu erhalten; Bilden eines Beschreibungsvektors über das Produktkennzeichen basierend auf der Bildqualitätsbewertung und den Mikropunkt-Merkmalen; und Bestimmen der Authentizität des Produktkennzeichens des zu verifizierenden Produkts basierend auf dem Beschreibungsvektor unter Verwendung eines Klassifikators.
In einem Ausführungsbeispiel der vorliegenden Erfindung weist der Schritt 503 des Verifizierens ferner auf: Verifizieren der Authentizität des Produktkennzeichens des zu verifizierenden Produkts unter Verwendung eines Klassifikators, der mit einem Maschinenlernalgorithmus trainiert wurde; wobei der Klassifikator trainiert wird, indem mehrere Bilder von authentischen Produktkennzeichen als positive Probe und mehrere Bilder von gefälschten Produktkennzeichen als negative Probe verwendet werden. Es handelt sich bei dem zum Trainieren des Klassifikators verwendeten Maschinenlernalgorithmus um einen Maschinenlernalgorithmus, der Merkmalsvektoren klassifizieren kann. Positive Proben können Etiketten von QC-Codes mehrerer authentischer Produkte umfassen, während negative Proben Kopien dieser positiven Probe sind, die auf verschiedene Weise erhalten werden. Die negativen Proben weisen gleiche Etiketten von QC-Codes wie die positiven Proben auf, aber ihre Mikropunkt-Merkmale und die Korrelation zwischen Mikropunktmerkmalen und Bildqualität unterscheiden sich von denen der Etiketten von QC-Codes der authentischen Produkte durch Einzelheiten. Durch die Verwendung des Maschinenlernalgorithmus kann die Genauigkeit des Klassifikators bei der Bestimmung der Authentizität des Produkts kontinuierlich verbessert werden. Zum Beispiel wird die Verifizierung der Authentizität dadurch durchgeführt, dass unter Verwendung des Maschinenlernalgorithmus der Klassifikator lernt, verschiedene Schwellenwerte für die Identifizierung der Authentizität bei verschiedenen Bildqualitätsbewertungen zu verwenden.
Die Bildqualitätsbewertungen können unter Verwendung verschiedener Algorithmen zur Bewertung der Bildqualität in Bildverarbeitungstechnologien generiert werden. Im Folgenden wird der Blind/Referenceless-Image-Spatial-Quality Evaluator (BRISQUE)-Algorithmus als Beispiel genannt, aber die vorliegende Erfindung ist nicht darauf beschränkt.
Der BRISQUE-Algorithmus weist auf: Standardisieren von eingegebenen Rohbildern, um natürliche Szenenstatistiken (NSS) aus den Rohbildern zu extrahieren, Berechnen von Merkmalsvektoren und Einschätzen der Bildqualitätsbewertungen mithilfe von Maschinenlernalgorithmus (z. B. Support-Vector-Maschine).
Die Verteilung von Pixelintensitäten natürlicher Bilder unterscheidet sich von der Verteilung von Pixelintensitäten verzerrter Bilder. Dieser Verteilungsunterschied ist ausgeprägter, wenn eine Verarbeitung normalisierter Pixelintensitäten an den eingegebenen Rohbildern vorgenommen wird und die Verteilung über diese normalisierten Intensitäten berechnet wird. Insbesondere folgen nach der Normalisierung die Pixelintensitäten natürlicher Bilder einer Gaußschen Verteilung (Glockenkurve), während die Pixelintensitäten unnatürlicher oder verzerrter Bilder keiner Gaußschen Verteilung (Glockenkurve) folgen. Dadurch können Bilder für die Bewertung der Bildqualität gewonnen werden.
Das Verfahren „Mean Subtracted Contrast Normalization“ (MSCN) ist ein Verfahren zum Standardisieren von Bildern.
Unter der Annahme, dass W bzw. H für die Breite bzw. Höhe eines eingegebenen Bildes steht, wird gemäß der folgenden Formel die Bildintensität l(i, j) am Pixel (i, j) in die Leuchtdichte Î(i, j) umgewandelt, um die MSCN-Parameter zu berechnen: $\begin{array}{l} \hat{I} (i, j) = \frac{I (i, j) - μ (i, j)}{σ (i, j) + C} \\ i \in 1,2, \dots M, j \in 1,2 \dots N \end{array}$
wobei µ(i, j) bzw. σ(i, j) für einen lokalen Mittelwert bzw. eine lokale Varianz steht. $μ = W * I$
$σ = \sqrt{W * {(I - μ)}^{2}}$
w steht für das Gaußsche Unschärfefenster, µ steht für das Ergebnis des gemäß Gaußscher Unschärfe verarbeiteten Rohbildes I, σ steht für eine Quadratwurzel eines gemäß Gaußscher Unschärfe verarbeiteten Quadrats einer Differenz, die durch das Rohbild abzüglich des Gaußschen unscharfen Bildes µ gebildet ist.
Da der Unterschied zwischen natürlichen Bildern und verzerrten Bildern nicht auf die Pixelintensitätsverteilung beschränkt ist, sondern auch die Beziehung zwischen benachbarten Pixeln aufweist, ist es auch notwendig, die Beziehung zu benachbarten Pixeln in vier Richtungen, und zwar horizontaler Richtung (H), vertikaler Richtung (V), linker Diagonalrichtung (D1) und rechter Diagonalrichtung (D2), zu ermitteln, also folgende Produktparameter benachbarter Pixel: $H (i, j) = \hat{I} (i, j) \hat{I} (i, j + 1)$
$V (i, j) = \hat{I} (i, j) \hat{I} (i + 1, j)$
$D 1 (i, j) = \hat{I} (i, j) \hat{I} (i + 1, j + 1)$
$D 2 (i, j) = \hat{I} (i, j) \hat{I} (i + 1, j - 1)$
Dann wird der Merkmalsvektor unter Verwendung der oben berechneten MSCN-Parameter und der vier Produktparameter benachbarter Pixel berechnet. Beispielsweise werden durch das Einpassen der MSCN-Parameter in eine verallgemeinerte Gaußsche Verteilung (GGD) die ersten beiden Merkmalsvektorelemente (Formparameter und Varianz) von 36 × 1 Merkmalsvektoren, wobei durch das Einpassen jedes der vier Produktparameter benachbarter Pixel in eine asymmetrische verallgemeinerte Gaußsche Verteilung (AGGD) vier Merkmalsvektorelemente (Formparameter, Mittelwert, linke Varianz, rechte Varianz) der Merkmalsvektoren berechnet. Schließlich werden 18 Merkmalsvektorelemente als Bilddeskriptoren zum Beschreiben des gesamten eingegebenen Bildes erhalten.
Die vorhandenen Bildqualitätsdatensätze enthalten bereits Human-Scoring-Bewertungen für unverzerrte Bilder und Bilder mit unterschiedlichen Verzerrungsgraden. Unter Verwendung einer Bildqualitätsbewertung z im öffentlichen Bildqualitätsbewertungs-Datensatz und eines vom BRISQUE-Algorithmus generierten Deskriptors x in Kombination mit irgendeinem linearen Regressionsalgorithmus wie SVR (Support Vector Regression) kann durch Trainieren ein Regressionsmodell erhalten werden. Dieses Regressionsmodell verarbeitet das eingegebene Bild, um Deskriptoren zu generieren, und übergibt die Deskriptoren an das trainierte Modell, wonach eine Bewertung erhalten werden kann, die den Verzerrungsgrad des Bildes beschreibt. In einem Beispiel stellt eine Bildqualitätsbewertung von 0 keine Verzerrung dar, während eine Bildqualitätsbewertung von100 eine starke Verzerrung darstellt, wobei die ausgegebene Bildqualitätsbewertung zwischen 0 und 100 liegt. Die Bildqualitätsbewertung kann auch zwischen 0 und 1 normalisiert werden und als ein Datenelement im Beschreibungsvektor dienen.
In einem typischen Anwendungsbeispiel für maschinelles Lernen wird ein Bild zunächst in einen Merkmalsvektor umgewandelt. Dann werden die Merkmalsvektoren und Ausgaben (also, Qualitätsbewertungen) aller Bilder im Trainingsdatensatz zum Training in eine Support-Vector-Maschine (SVM) eingegeben. Alle Merkmalsvektorelemente und Bildqualitätsbewertungen sind mit einem Support-Vector-Maschine-Toolkit (LIBSVM) für das Training geladen. Während des Trainingsprozesses wird der Merkmalsvektor zunächst auf -1 bis 1 skaliert. Und das trainierte Modell wird verwendet, um die Bildqualität vorherzusagen. Nach den Vorhersagen durch das trainierte Modell kann eine endgültige Qualitätsbewertung für jede Verzerrung abgeleitet werden.
In einem Ausführungsbeispiel ist vorgesehen, dass der Beschreibungsvektor Daten betreffend mindestens eines der Folgenden aufweisen kann: eine Übereinstimmungsrate zwischen den extrahierten Mikropunkt-Merkmalen und vorgespeicherten Mikropunkt-Merkmalen, ein statistischer Parameter eines Pixelabstands vom übereinstimmten Mikropunkt zum vorgespeicherten Mikropunkt in einem Bildkoordinatensystem, eine Anzahl der Mikropunkte im Bild des Produktkennzeichens des zu verifizierenden Produkts, deren Merkmale mit den vorgespeicherten Mikropunkt-Merkmalen nicht übereinstimmen, und die Bildqualitätsbewertung.
In einem Ausführungsbeispiel der vorliegenden Erfindung ist vorgesehen, dass die Bildqualitätsbewertung basierend auf Bildqualitätsdaten des mindestens einen Teilbereichs im Kennzeichenbild generiert wird, wobei die Bildqualitätsdaten im Zusammenhang mit mindestens einer der folgenden Arten von Bildverzerrung stehen: Gaußscher Überlagerungsrauschverzerrung, Farbkomponentenverzerrung, Beleuchtungsverzerrung, räumlicher Korrelationsverzerrung, Impulsverzerrung, Verzerrung der Bildbewegungsunschärfe, Bildrauschverzerrung bei schwachem Licht, Verzerrung bei Bilddateikomprimierung und Kontrastverzerrung.
Bei der Bildqualitätsbewertung kann ein eingegebenes Referenzbild verwendet werden, um die Qualität des vorhandenen Bilds zu bewerten; alternativ kann die Bildqualitätsbewertung ohne das Referenzbild direkt durchgeführt werden. Bei der Bildqualitätsbewertung wird ein Bildbewertungsalgorithmus verwendet, um eine Bildqualitätsbewertung zu generieren, die die Qualität der Bildaufnahme darstellt. Übliche intuitive Bewertungen umfassen, ob das Bild klar ist, wie viel Geräusch im Bild vorhanden ist und ob die Helligkeit des Lichts angemessen ist. Techniken zur Bewertung der Bildqualität können diese intuitiven Bewertungen in verschiedene Arten von Bildverzerrungen quantifizieren. Die oben aufgeführten Arten von Bildverzerrungen sind nur einige gebräuchliche Arten. Die vorliegende Erfindung ist nicht darauf beschränkt, die oben beschriebenen Arten von Bildverzerrungen zu verwenden, um Bildqualitätsbewertungen zu generieren.
In einem Ausführungsbeispiel der vorliegenden Erfindung weist der Schritt 501 des Extrahierens von Mikropunkt-Merkmalen auf: Extrahieren, unter Verwendung der Bildverarbeitungstechnologie, mindestens eines von Formmerkmalen, Positionsmerkmalen, Graustufenmerkmalen und Farbmerkmalen der Mikropunkte aus dem Bild des Kennzeichens.
6 zeigt ein Flussdiagramm eines Verfahrens zur Verifizierung der Authentizität eines Produkts basierend auf Mikropunkt-Merkmalen und Bildqualitätsbewertungen gemäß einem vierten Ausführungsbeispiel der vorliegenden Erfindung. In dem Verfahren 600 wird zunächst ein Bild bzw. Abbild des Produktkennzeichens des zu verifizierenden Produkts erhalten (Schritt 601). Die Schritte 602 bis 605 gehören zu dem Mikropunkt-Verarbeitungsteil und sind jeweils dieselben wie die Schritte 406 bis 409 in dem zweiten Ausführungsbeispiel des Verfahrens, das in 4 gezeigt ist, und werden hier nicht näher beschrieben. Die Schritte 606 bis 608 gehören zum Bildqualitäts-Bewertungsteil. In dem Bildqualitäts-Bewertungsteil muss das Bild zunächst vorverarbeitet werden (Schritt 606). Beispielsweise werden die Licht- und Schattenanpassung, das Ausschneiden effektiver Teile, die Kontrastverbesserung an Teilen des Bildes durchgeführt, die effektive Merkmale (wie etwa zweidimensionale Codes) enthalten; oder gängige Vorverarbeitungen in Bildverarbeitungstechnologien wie Bildschärfung und Bildnormalisierung werden verwendet. Dann wird eine Bildqualitätsbeschreibung des Bilds aus dem vorverarbeiteten Bild extrahiert (Schritt 607), wobei verschiedene Bilder beschreibende Methoden in den Bildverarbeitungstechnologien verwendet werden können, um die Qualität des Zielbildes zu beschreiben, z. B. ob die Hell-Dunkel-Verteilung angemessen ist, ob es zu hell oder zu dunkel ist, ob das Bild klar genug ist oder Verzerrungen enthält. Der Schritt 607 kann der oben genannte Prozess zum Generieren der Bildqualitätsbeschreibung durch einen BRISQUE-Algorithmus sein und wird hier nicht näher beschrieben. In Schritt 608 wird die Bildqualitätsbeschreibung ausgegeben.
Danach werden das in Schritt 605 ausgegebene Vergleichsergebnis der Mikropunkt-Merkmale (dabei können unterschiedliche statistische Daten normalisiert werden) und die in Schritt 608 ausgegebene Bildqualitätsbeschreibung verwendet, um einen Beschreibungsvektor X zu bilden (Schritt 610). Beispielsweise dient die ausgegebene Bildqualitätsbewertung als eine Merkmalsdimension wie x1. Das Vergleichsergebnis der Mikropunkt-Merkmale kann mehrere statistische Daten enthalten, die beim Vergleich nach einer Verarbeitung der Übereinstimmung und Quantisierung der Mikropunktmerkmale erhalten werden. Beispielsweise wird ein Prozentsatz der im QC-Ziel-Code gefundenen Mikropunkte, die mit den Mikropunkten des entsprechenden QC-Codes in der Datenbank übereinstimmen, als x2 bezeichnet, wobei statistische Parameter, wie Mittelwert und Varianz, des Pixelabstands der übereinstimmenden Mikropunkte im Bildkoordinatensystem von Mikropunkten in der Datenbank als x3 und x4 bezeichnet sind, wobei eine Strafe für nicht übereinstimmende Mikropunkte (falsche Übereinstimmung) als x5 usw. bezeichnet ist. Unter Verwendung der obigen Informationen kann ein fünfdimensionaler Beschreibungsvektor X des zu verifizierenden Produktkennzeichens gebildet werden.
Im Ausführungsbeispiel der vorliegenden Erfindung können alle gesammelten Bilder von Produktkennzeichen positiver Proben und negativer Proben verarbeitet werden, um entsprechende Bildqualitätsbewertungen und statistische Mikropunkt-Merkmale zu erhalten, wodurch entsprechende Beschreibungsvektoren als Probendatensatz erhalten werden, dessen einer Teil (z. B. 80%) als Trainingssatz zum Trainieren des Klassifikators verwendet werden, und dessen anderer Teil (z. B. 20%) als Testsatz verwendet werden kann. Basierend auf dem Probendatensatz können populärere Maschinenlernalgorithmen verwendet werden, um den Klassifikator zu trainieren und zu testen. Zu den wählbaren Klassifikatortypen gehören Support-Vector-Maschine (SVM), Boost-Tree, Entscheidungsbaum, flaches neuronales Netzwerk, k-Nächster-Nachbar-Algorithmus, zufälliger Wald usw. Der vortrainierte Klassifikator kann das zu verifizierende Produktkennzeichen basierend auf den Beschreibungsmerkmalen (einschließlich der statistischen Mikropunkt-Merkmale und der Bildqualitätsbewertungen) in dem in Schritt 610 erhaltenen Beschreibungsvektor identifizieren und klassifizieren (Schritt 611), wodurch das Identifizierungsergebnis der Authentizität des zu verifizierenden Produktkennzeichens ausgegeben wird (Schritt 612).
Beim Verfahren zur Verifizierung des Produktkennzeichens, das durch vorstehend beschriebene Ausführungsbeispiele der vorliegenden Erfindung bereitgestellt ist, werden beispielsweise das Produktkennzeichen mit einem QC-Code und die Mikropunkt-Merkmale in Verbindung mit der Bildqualitätsbeschreibung verwendet, wodurch Genauigkeit der Verifizierung der Authentizität des Produktkennzeichens verbessert werden kann und insbesondere das Problem, dass gefälschte Produktetiketten mit guter Qualität der Bildaufnahme und authentische Produktetiketten mit schlechter Qualität der Bildaufnahme fälschlicherweise verifiziert werden, gelöst werden kann. Das heißt, egal wie gut die Bildqualität des gefälschten Produktetiketts ist, es kann immer noch genau als gefälschtes Produkt identifiziert werden; und egal wie schlecht die Bildqualität des authentischen Produktetiketts ist, es kann immer noch als authentisches Produktetikett verifiziert werden. Somit kann der Benutzer verschiedene Handys oder Kameras verwenden, um Bilder des Produktkennzeichens in verschiedenen externen Umgebungen aufzunehmen.
7 zeigt ein Flussdiagramm eines Verfahrens zur Verifizierung der Authentizität eines Produkts gemäß einem fünften Ausführungsbeispiel der vorliegenden Erfindung. Das Verfahren 700 verifiziert die Authentizität des Produkts basierend auf Mikropunkt-Merkmalen, Liniensegment-Merkmalen und Bildqualitätsbewertungen. In dem Verfahren 700 wird zunächst ein Bild bzw. Abbild des Produktkennzeichens des zu verifizierenden Produkts erhalten (Schritt 701). Die Schritte 702 bis 705 in 7 gehören zu dem Liniensegment-Verarbeitungsteil und sind jeweils dieselben wie die Schritte 402 bis 405 in dem zweiten Ausführungsbeispiel des Verfahrens, das in 4 gezeigt ist, wobei nach der Verarbeitung das Vergleichsergebnis der Liniensegment-Merkmale des Bildes des Produktkennzeichens ausgegeben wird. Die Schritte 706 bis 709 in 7 gehören zu dem Mikropunkt-Verarbeitungsteil und sind jeweils dieselben wie die Schritte 406 bis 409 in dem zweiten Ausführungsbeispiel des Verfahrens, das in 4 gezeigt ist, wobei nach der Verarbeitung das Vergleichsergebnis der Mikropunkt-Merkmale des Produktkennzeichens ausgegeben wird. Die Schritte 710 bis 712 in 7 gehören zu dem Bildqualitäts-Bewertungsteil und sind jeweils dieselben wie die Schritte 606 bis 608 in dem vierten Ausführungsbeispiel des Verfahrens, das in 6 gezeigt ist. Die Bildqualitätsbeschreibung des Produktkennzeichens wird nach der Bewertung ausgegeben, was hier nicht näher beschrieben wird.
Danach werden das in Schritt 705 ausgegebene Vergleichsergebnis der Liniensegment-Merkmale, das in Schritt 709 ausgegebene Vergleichsergebnis der Mikropunkt-Merkmale (dabei können unterschiedliche statistische Daten normalisiert werden) und die in Schritt 712 ausgegebene Bildqualitätsbeschreibung verwendet, um einen Beschreibungsvektor X zu bilden (Schritt 713). Beispielsweise dient das ausgegebene Vergleichsergebnis der Liniensegment-Merkmale als eine Merkmalsdimension wie x1. Das Vergleichsergebnis der Mikropunkt-Merkmale kann mehrere statistische Daten enthalten, die beim Vergleich nach einer Verarbeitung der Übereinstimmung und Quantisierung der Mikropunkt-merkmale erhalten werden. Beispielsweise wird ein Prozentsatz der im QC-Ziel-Code gefundenen Mikropunkte, die mit den Mikropunkten des entsprechenden QC-Codes in der Datenbank übereinstimmen, als x2 bezeichnet, wobei statistische Parameter, wie Mittelwert und Varianz, des Pixelabstands der übereinstimmenden Mikropunkte im Bildkoordinatensystem von Mikropunkten in der Datenbank als x3 und x4 bezeichnet sind, wobei eine Strafe für nicht übereinstimmende Mikropunkte (falsche Übereinstimmung) als x5 usw. bezeichnet ist. Die ausgegebene Bildqualitätsbewertung dient als eine Merkmalsdimension, wie x6. Unter Verwendung der obigen Informationen kann ein sechsdimensionaler Beschreibungsvektor X des zu verifizierenden Produktkennzeichens gebildet werden.
Im Ausführungsbeispiel der vorliegenden Erfindung können alle gesammelten Bilder von Produktkennzeichen positiver Proben und negativer Proben verarbeitet werden, um entsprechende statistische Mikropunkt-Merkmale, Liniensegmentmerkmale und Bildqualitätsbewertungen zu erhalten, wodurch entsprechende Beschreibungsvektoren als Probendatensatz erhalten werden, dessen einer Teil (z. B. 80%) als Trainingssatz zum Trainieren des Klassifikators verwendet werden, und dessen anderer Teil (z. B. 20%) als Testsatz verwendet werden kann. Basierend auf dem Probendatensatz können populärere Maschinenlernalgorithmen verwendet werden, um den Klassifikator zu trainieren und zu testen. Zu den wählbaren Klassifikatortypen gehören Support-Vector-Maschine (SVM), Boost-Tree, Entscheidungsbaum, flaches neuronales Netzwerk, k-Nächster-Nachbarn-Algorithmus, zufälliger Wald usw. Der vortrainierte Klassifikator kann das zu verifizierende Produktkennzeichen basierend auf den Beschreibungsmerkmalen (einschließlich der statistischen Mikropunkt-Merkmale, der Liniensegmentmerkmale und der Bildqualitätsbewertungen) in dem in Schritt 713 erhaltenen Beschreibungsvektor identifizieren und klassifizieren (Schritt 714), wodurch das Identifizierungsergebnis der Authentizität des zu verifizierenden Produktkennzeichens ausgegeben wird (Schritt 715).
8 zeigt ein Blockdiagramm einer Struktur einer Einrichtung zur Verifizierung der Authentizität eines Produkts gemäß einem sechsten Ausführungsbeispiel der vorliegenden Erfindung. Die Einrichtung 800 weist auf: ein Modul (801) zum Extrahieren von Mikropunkt-Merkmalen, das zum Extrahieren von zufällig im Produktkennzeichen verteilten Mikropunkt-Merkmalen aus einem Bild des Produktkennzeichens eines zu verifizierenden Produkts verwendet wird; ein Modul (802) zum Extrahieren von Liniensegment-Merkmalen des Produktkennzeichens aus mindestens einem Linien enthaltenden Bereich in dem Bild unter Verwendung einer Liniensegmente beschreibenden Methode in der Bildverarbeitungstechnologie; wobei es sich bei den Liniensegment-Merkmalen um einen Liniensegment-Deskriptor handelt, der unter Verwendung der Liniensegmente beschreibenden Methode generiert wird; und ein Verifizierungsmodul (803), das zum Verifizieren der Authentizität des zu verifizierenden Produkts basierend auf den extrahierten Mikropunkt-Merkmalen und den extrahierten Liniensegment-Merkmalen verwendet wird.
Gemäß diesem Ausführungsbeispiel kann die Einrichtung 800 ferner aufweisen: ein Modul (804) zum Generieren von Bildqualitätsbewertungen, das zum Generieren, unter Verwendung eines Algorithmus zur Bewertung der Bildqualität, einer Bildqualitätsbewertung für das Bild des Produktkennzeichens verwendet wird; ein Verifizierungsmodul (803), das zum Verifizieren der Authentizität des Produktkennzeichens des zu verifizierenden Produkts basierend auf einer durch das Modul (804) zum Generieren von Bildqualitätsbewertungen generierten Bildqualitätspunkzahl, den durch das Modul (801) zum Extrahieren von Mikropunkt-Merkmalen extrahierten Mikropunkt-Merkmalen und den durch das Modul (802) zum Extrahieren von Liniensegment-Merkmalen extrahierten Liniensegment-Merkmalen verwendet wird.
9 zeigt ein Blockdiagramm einer Struktur einer Einrichtung zur Verifizierung der Authentizität eines Produkts gemäß einem siebten Ausführungsbeispiel der vorliegenden Erfindung. Die Einrichtung 900 weist auf: ein Modul (901) zum Extrahieren von Mikropunkt-Merkmalen, das zum Extrahieren von Mikropunkt-Merkmalen im Produktkennzeichen aus einem Bild des Produktkennzeichens eines zu verifizierenden Produkts verwendet wird; ein Modul (902) zum Generieren von Bildqualitätsbewertungen, das zum Generieren, unter Verwendung eines Algorithmus zur Bewertung der Bildqualität, einer Bildqualitätsbewertung für das Bild des Produktkennzeichens verwendet wird; und ein Verifizierungsmodul (903), das zum Verifizieren der Authentizität des Produktkennzeichens des zu verifizierenden Produkts basierend auf einer durch das Modul (902) zum Generieren von Bildqualitätsbewertungen generierten Bildqualitätspunkzahl und den durch das Modul (901) zum Extrahieren von Mikropunkt-Merkmalen extrahierten Mikropunkt-Merkmalen verwendet wird.
Die in 8 und 9 gezeigten Einrichtungen 800 und 900 können mittels Software, Hardware oder einer Kombination aus Software und Hardware implementiert werden und können so ausgelegt werden, dass sie entsprechende Module zum Implementieren der oben erwähnten Ausführungsbeispiele verschiedener erfindungsgemäßer Verfahren zur Verifizierung der Authentizität eines Produkts aufweisen.
Die Ausführungsbeispiele der vorliegenden Erfindung können ferner eine Vorrichtung zur Verifizierung der Authentizität eines Produkts bereitstellen, die aufweist: einen Speicher zum Speichern von Anweisungen; und einen mit dem Speicher gekoppelten Prozessor, wobei diese Anweisungen bei ihrem Ausführen durch den Prozessor den Prozessor veranlassen, das Verfahren zur Verifizierung der Authentizität eines Produkts gemäß den vorstehenden Ausführungsbeispielen der vorliegenden Erfindung durchzuführen. Im Speicher kann auch eine Datenbank gespeichert sein. Die Datenbank kann mindestens Mikropunkt-Merkmale und Liniensegment-Merkmale authentischer Produktkennzeichen zum Vergleich mit den Mikropunkt-Merkmalen und Liniensegment-Merkmalen der zu verifizierenden Produktkennzeichen enthalten.
Im Speicher dieses Ausführungsbeispiels kann ferner eine Probenbank gespeichert werden, wobei die Probenbank mehrere authentische Kennzeichenbilder als positive Probe und mehrere gefälschte Kennzeichenbilder als negative Probe aufweist. Der Prozessor ist konfiguriert, um einen Klassifikator zum Verifizieren des Produktkennzeichens unter Verwendung von mindestens einem Anteil der Proben in der Probebank zu trainieren.
Beim Trainingsprozess des Klassifikators wird zunächst eine Gruppe von Merkmalsvektoren positiver/negativer Proben zufällig aus der Probebank im Speicher entnommen und dem Klassifikator bereitgestellt, wobei der Klassifikator eine Klassifikation von authentischen und gefälschten Produkten durchführt. Dann wird abhängig vom bekannten wahren Wert der Probe ein Verlustwert des Klassifizierungsergebnisses berechnet, wobei es bestimmt wird, ob der Verlustwert kleiner als ein voreingestellter Schwellenwert ist. Wenn bestimmt wird, dass der Verlustwert immer noch größer oder gleich dem Schwellenwert ist, werden die Parameter des Klassifikators abhängig von dem Verlustwert aktualisiert. Dann führt der Klassifikator abhängig von aktualisierten Parametern die Klassifikation von authentischen und gefälschten Produkten weiterhin durch. Der obige Prozess wird kontinuierlich wiederholt, bis es bestimmt wird, dass der Verlustwert kleiner als der Schwellenwert ist. Nun wird das Training des Klassifikators beendet.
Bei dem Verfahren und der Vorrichtung zur Verifizierung eines Produkts, die durch die oben erwähnten Ausführungsbeispiele der vorliegenden Erfindung bereitgestellt sind, werden verschiedene Lösungen in Kombination, wie beispielsweise Produktkennzeichen mit einem QC-Code oder Barcode, Mikropunkt-Merkmale, Liniensegment-Merkmale und die Verwendung der Bildqualitätsbeschreibung, verwendet, wodurch die Genauigkeit der Verifizierung der Authentizität des Produktkennzeichens erheblich verbessert wird, sodass Benutzer, die die Produkte kaufen, verschiedene Handys oder Kameras bei unterschiedlichen Lichtverhältnissen verwenden können, um Bilder der Produktkennzeichen aufzunehmen und eine genaue Verifizierung durchzuführen.
Die oben offenbarten Ausführungsbeispiele der vorliegenden Erfindung sind beispielhaft und nicht einschränkend. Der Fachmann soll verstehen, dass verschiedene Modifikationen, Änderungen und Variationen an den oben offenbarten Ausführungsbeispielen ohne Abweichung vom Wesen der vorliegenden Erfindung vorgenommen werden können. Solche Modifikationen, Änderungen und Variationen sollen in den Schutzumfang des vorliegenden Patents fallen. Der Schutzumfang des vorliegenden Patents soll durch die beigefügten Ansprüche definiert werden.

Claims

Verfahren zur Verifizierung der Authentizität eines Produkts, wobei das Produkt ein Produktkennzeichen mit zufällig verteilten Mikropunkten aufweist, wobei das Verfahren die folgenden Schritte umfasst: Extrahieren von Mikropunkt-Merkmalen in einem Produktkennzeichen aus einem Bild des Produktkennzeichens eines zu verifizierenden Produkts; Extrahieren von Liniensegment-Merkmalen des Produktkennzeichens aus mindestens einem Linien enthaltenden Bereich in dem Bild unter Verwendung einer Liniensegmente beschreibenden Methode in der Bildverarbeitungstechnologie, wobei es sich bei den Liniensegment-Merkmalen um einen Liniensegment-Deskriptor handelt, der unter Verwendung der Liniensegmente beschreibenden Methode generiert wird; und Verifizieren der Authentizität des zu verifizierenden Produkts basierend auf den extrahierten Mikropunkt-Merkmalen und den extrahierten Liniensegment-Merkmalen.
Verfahren nach Anspruch 1, wobei der Schritt des Verifizierens umfasst: Vergleichen der extrahierten Mikropunkt-Merkmale mit Mikropunkt-Merkmalen in einem Bild eines authentischen Produktkennzeichens, um ein Vergleichsergebnis der Mikropunkt-Merkmale zu erhalten; Vergleichen der extrahierten Liniensegment-Merkmale mit Liniensegment-Merkmalen in einem Bild eines authentischen Produktkennzeichens, um ein Vergleichsergebnis der Liniensegment-Merkmale zu erhalten; Bilden eines Beschreibungsvektors über das Produktkennzeichen basierend auf dem Vergleichsergebnis der Liniensegment-Merkmale und dem Vergleichsergebnis der Mikropunkt-Merkmale; und Bestimmen der Authentizität des Produktkennzeichens des zu verifizierenden Produkts basierend auf dem Beschreibungsvektor unter Verwendung eines Klassifikators.
Verfahren nach Anspruch 1, wobei die extrahierten Liniensegment-Merkmale zumindest Druckmerkmale umfassen, die dem Drucken eines Linien enthaltenden Bereichs im Produktkennzeichen zugeordnet sind, wobei es sich bei den Druckmerkmalen um Merkmale handelt, die zu dem Papier, der Tinte und/oder der Druckvorrichtung, die beim Druck des Produktkennzeichens einer positiven Probe verwendet werden, zugeordnet sind.
Verfahren nach Anspruch 1, wobei der Schritt des Extrahierens von Liniensegment-Merkmalen umfasst: Abtasten des Bildes, um einen Skalenraum des Bildes zu erstellen; Extrahieren von Linienmerkmalen für jede Schicht im Skalenraum, um Liniensegmente im Skalenraum zu extrahieren; Ausschneiden eines Bereichs, der mindestens ein extrahiertes Liniensegment umgibt, aus dem Bild, und Unterteilen des ausgeschnittenen Bereichs in mehrere streifenförmige Teilbereiche als Liniensegment-Unterstützungsbereiche (LSR); Erstellen eines Liniensegment-Streifen-Deskriptors (LBD) für jeden der streifenförmigen Teilbereiche, und Erhalten einer Streifen-Deskriptor-Matrix.
Verfahren nach Anspruch 4, wobei das Vergleichsergebnis der Liniensegment-Merkmale durch die folgenden Schritte erhalten wird: Berechnen eines Mittelwerts und einer Varianz mindestens eines der Linie entsprechenden LBD als LBD-Wert; Vergleichen des LBD-Werts mit einem LBD-Referenzwert des Bildes des authentischen Produktkennzeichens, um ein Vergleichsergebnis der Liniensegment-Merkmale zu erhalten.
Verfahren nach Anspruch 2, wobei der Schritt des Verifizierens ferner umfasst: Verifizieren der Authentizität des Produktkennzeichens des zu verifizierenden Produkts unter Verwendung eines Klassifikators, der mit einem Maschinenlernalgorithmus trainiert wurde; wobei der Klassifikator trainiert wurde, indem mehrere Bilder von authentischen Produktkennzeichen als positive Probe und mehrere Bilder von gefälschten Produktkennzeichen als negative Probe verwendet wurden, wobei es sich bei dem zum Trainieren des Klassifikators verwendeten Maschinenlernalgorithmus um einen Maschinenlernalgorithmus handelt, der Merkmalsvektoren klassifizieren kann.
Verfahren nach Anspruch 2, wobei der Beschreibungsvektor Daten, die mindestens einem der Parameter zugeordnet sind, umfasst: die Differenz zwischen dem LBD-Wert des zu verifizierenden Produktkennzeichens und dem LBD-Referenzwert des Bildes des authentischen Produktkennzeichens, eine Übereinstimmungsrate zwischen den extrahierten Mikropunkt-Merkmalen und vorgespeicherten Mikropunkt-Merkmalen, einen statistischen Parameter über einen Pixelabstand von übereinstimmenden Mikropunkten zum vorgespeicherten Mikropunkt in einem Bildkoordinatensystem, eine Anzahl der Mikropunkte im Bild des Produktkennzeichens des zu verifizierenden Produkts, deren Merkmale mit den vorgespeicherten Mikropunkt-Merkmalen nicht übereinstimmen, und eine Bildqualitätsbewertung des zu verifizierenden Produktkennzeichens.
Verfahren nach Anspruch 1, wobei der Schritt des Extrahierens von Mikropunkt-Merkmalen umfasst: Extrahieren mindestens eines von Formmerkmalen, Positionsmerkmalen, Graustufenmerkmalen und Farbmerkmalen der Mikropunkte aus dem Bild unter Verwendung einer Bildverarbeitungstechnologie.
Verfahren nach Anspruch 1, wobei das Produktkennzeichen ein QR-Code ist, und wobei die Linie eine Blockgrenzlinie an einem Positionierungsblock im QR-Code ist.
Verfahren nach einem der Ansprüche 1 bis 9, ferner umfassend: Generieren einer Bildqualitätsbewertung für das Bild des Produktkennzeichens unter Verwendung eines Algorithmus zur Bewertung der Bildqualität; und Verifizieren der Authentizität des zu verifizierenden Produkts basierend auf der Bildqualitätsbewertung, den extrahierten Mikropunkt-Merkmalen und den extrahierten Liniensegment-Merkmalen.
Verfahren zur Verifizierung der Authentizität eines Produkts, wobei das Produkt ein Produktkennzeichen mit zufällig verteilten Mikropunkten aufweist, wobei das Verfahren die folgenden Schritte umfasst: Extrahieren von Mikropunkt-Merkmalen in einem Produktkennzeichen aus einem Bild des Produktkennzeichens eines zu verifizierenden Produkts; Generieren einer Bildqualitätsbewertung für das Bild des Produktkennzeichens unter Verwendung eines Algorithmus zur Bewertung der Bildqualität; und Verifizieren der Authentizität des zu verifizierenden Produkts basierend auf der Bildqualitätsbewertung und den extrahierten Mikropunkt-Merkmalen.
Verfahren nach Anspruch 11, wobei der Schritt des Verifizierens umfasst: Vergleichen der extrahierten Mikropunkt-Merkmale mit Mikropunkt-Merkmalen in einem Bild eines authentischen Produktkennzeichens, um ein Vergleichsergebnis der Mikropunkt-Merkmale zu erhalten; Bilden eines Beschreibungsvektors über das Produktkennzeichen basierend auf der Bildqualitätsbewertung und dem Vergleichsergebnis der Mikropunkt-Merkmale; und Bestimmen der Authentizität des Produktkennzeichens des zu verifizierenden Produkts basierend auf dem Beschreibungsvektor unter Verwendung eines Klassifikators.
Verfahren nach Anspruch 12, wobei der Schritt des Verifizierens ferner umfasst: Verifizieren der Authentizität des Produktkennzeichens des zu verifizierenden Produkts unter Verwendung eines Klassifikators, der mit einem Maschinenlernalgorithmus trainiert wurde; wobei der Klassifikator trainiert wurde, indem mehrere Bilder von authentischen Produktkennzeichen als positive Probe und mehrere Bilder von gefälschten Produktkennzeichen als negative Probe verwendet wurden, wobei es sich bei dem zum Trainieren des Klassifikators verwendeten Maschinenlernalgorithmus um einen Maschinenlernalgorithmus handelt, der Merkmalsvektoren klassifizieren kann.
Verfahren nach Anspruch 12, wobei der Beschreibungsvektor Daten, die mindestens einem der Parameter zugeordnet sind, umfasst: eine Übereinstimmungsrate zwischen den extrahierten Mikropunkt-Merkmalen und vorgespeicherten Mikropunkt-Merkmalen, einen statistischen Parameter über einen Pixelabstand von übereinstimmenden Mikropunkten zum vorgespeicherten Mikropunkt in einem Bildkoordinatensystem, eine Anzahl der Mikropunkte im Bild des Produktkennzeichens des zu verifizierenden Produkts, deren Merkmale mit den vorgespeicherten Mikropunkt-Merkmalen nicht übereinstimmen, und eine Bildqualitätsbewertung.
Verfahren nach Anspruch 11, wobei der Schritt des Extrahierens von Mikropunkt-Merkmalen umfasst: Extrahieren mindestens eines von Formmerkmalen, Positionsmerkmalen, Graustufenmerkmalen und Farbmerkmalen der Mikropunkte aus dem Bild unter Verwendung einer Bildverarbeitungstechnologie.
Verfahren nach Anspruch 11, wobei die Bildqualitätsbewertung basierend auf Bildqualitätsdaten mindestens eines Teilbereichs im Bild generiert wird, wobei die Bildqualitätsdaten mindestens einer der folgenden Arten von Bildverzerrung zugeordnet sind: Gaußsche Überlagerungsrauschverzerrung, Farbkomponentenverzerrung, Beleuchtungsverzerrung, räumliche Korrelationsverzerrung, Impulsverzerrung, Verzerrung der Bildbewegungsunschärfe, Bildrauschverzerrung bei schwachem Licht, Verzerrung bei Bilddateikomprimierung und Kontrastverzerrung.
Einrichtung zur Verifizierung der Authentizität eines Produkts, wobei das Produkt ein Produktkennzeichen mit zufällig verteilten Mikropunkten aufweist, wobei die Einrichtung umfasst: ein Modul zum Extrahieren von Mikropunkt-Merkmalen, das zum Extrahieren von Mikropunkt-Merkmalen in einem Produktkennzeichen aus einem Bild des Produktkennzeichens eines zu verifizierenden Produkts verwendet wird; ein Modul zum Extrahieren von Liniensegment-Merkmalen, das zum Extrahieren von Liniensegment-Merkmalen des Produktkennzeichens aus mindestens einem Linien enthaltenden Bereich in dem Bild unter Verwendung einer Liniensegmente beschreibenden Methode in der Bildverarbeitungstechnologie verwendet wird; wobei es sich bei den Liniensegment-Merkmalen um einen Liniensegment-Deskriptor handelt, der unter Verwendung der Liniensegmente beschreibenden Methode generiert wird; und ein Verifizierungsmodul, das zum Verifizieren der Authentizität des zu verifizierenden Produkts basierend auf den extrahierten Mikropunkt-Merkmalen und den extrahierten Liniensegment-Merkmalen verwendet wird.
Einrichtung nach Anspruch 17, ferner umfassend: ein Modul zum Generieren einer Bildqualitätsbewertung, das zum Generieren einer Bildqualitätsbewertung für das Bild des Produktkennzeichens unter Verwendung eines Algorithmus zur Bewertung der Bildqualität verwendet wird; wobei das Verifizierungsmodul basierend auf den extrahierten Mikropunkt-Merkmalen, den extrahierten Liniensegment-Merkmalen und der Bildqualitätsbewertung die Authentizität des zu verifizierenden Produkts verifiziert.
Einrichtung zur Verifizierung der Authentizität eines Produkts, wobei das Produkt ein Produktkennzeichen mit zufällig verteilten Mikropunkten aufweist, wobei die Einrichtung umfasst: ein Modul zum Extrahieren von Mikropunkt-Merkmalen, das zum Extrahieren von Mikropunkt-Merkmalen in einem Produktkennzeichen aus einem Bild des Produktkennzeichens eines zu verifizierenden Produkts verwendet wird; ein Modul zum Generieren einer Bildqualitätsbewertung, das zum Generieren einer Bildqualitätsbewertung für das Bild des Produktkennzeichens unter Verwendung eines Algorithmus zur Bewertung der Bildqualität verwendet wird; und ein Verifizierungsmodul, das zum Verifizieren der Authentizität des zu verifizierenden Produkts basierend auf der Bildqualitätsbewertung und den extrahierten Mikropunkt-Merkmalen verwendet wird.
Vorrichtung zur Verifizierung der Authentizität eines Produkts, wobei das Produkt ein Produktkennzeichen mit zufällig verteilten Mikropunkten aufweist, wobei die Vorrichtung umfasst: einen Speicher zum Speichern von Anweisungen; und einen mit dem Speicher gekoppelten Prozessor, wobei die Anweisungen beim Ausführen durch den Prozessor den Prozessor veranlassen, das Verfahren nach einem der Ansprüche 1 bis 16 durchzuführen.
Computerlesbares Speichermedium, auf dem ausführbare Anweisungen gespeichert sind, wobei die ausführbaren Anweisungen beim Ausführen durch einen Computer den Computer veranlassen, das Verfahren nach einem der Ansprüche 1 bis 16 durchzuführen.