[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN109117885B - 一种基于深度学习的邮票识别方法 - Google Patents

一种基于深度学习的邮票识别方法 Download PDF

Info

Publication number
CN109117885B
CN109117885B CN201810937941.6A CN201810937941A CN109117885B CN 109117885 B CN109117885 B CN 109117885B CN 201810937941 A CN201810937941 A CN 201810937941A CN 109117885 B CN109117885 B CN 109117885B
Authority
CN
China
Prior art keywords
stamp
network
authenticity
layer
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810937941.6A
Other languages
English (en)
Other versions
CN109117885A (zh
Inventor
白静
仝京
刘振刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North Minzu University
Original Assignee
North Minzu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North Minzu University filed Critical North Minzu University
Priority to CN201810937941.6A priority Critical patent/CN109117885B/zh
Publication of CN109117885A publication Critical patent/CN109117885A/zh
Application granted granted Critical
Publication of CN109117885B publication Critical patent/CN109117885B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的邮票识别方法，包括步骤：S1、获取基础数据；S2、构建邮票类型自动识别网络DeepNet1和邮票真伪自动辨别网络DeepNet2；S3、基于大量有标识的邮票作为训练数据集，不断训练调优DeepNet1的网络模型的各种参数，识别类型为邮票实例本身与邮票的粗分类；S4、待鉴别邮票通过训练好的DeepNet1得到该邮票的分类结果，通过得到的分类结果匹配原始数据集中对应分类的真实邮票，然后连同带鉴别真伪邮票一同作为DeepNet2的数据输入，通过DeepNet2给出真伪相似度的评价反馈给用户。本发明将图形图像识别技术与邮票鉴别真伪技术相结合，提取正版邮票基本特征，达到高效快捷准确的识别效果。

Description

一种基于深度学习的邮票识别方法
技术领域
本发明涉及计算机图形学、计算机视觉与智能识别的技术领域，尤其是指一种基于深度学习的邮票识别方法。
背景技术
截至目前，集邮成为我国最大群体的收藏门类，集邮以其价格低廉，品种繁多，易于收藏等优势，成为我国国民长盛不衰的受欢迎的收藏门类。集邮群体广泛，群众基础深厚。正因如此，盗版邮票十分泛滥，鉴别手段极其有限，所以如何快速高效的识别和鉴定邮票真伪成为当下必须解决的一个课题。
目前我国集邮爱好者鉴定邮票真伪的手段分为以下三种形式:1)看版别：采用人工方式，大多通过“邮票目录”或“邮票图鉴”，从感应上认识邮票和邮票印制工艺上入手。2)看常规：对邮票的常规纸张、油墨、刷色、齿孔、背胶进行验证。3)看防伪记号：很多设计师，雕刻师或印刷纸在制造邮票时都会做上防伪标记，这种标记是作为鉴别真伪的有力证据。总体而言，以上三种鉴别方式都是通过人工鉴别，借助高倍放大镜等仪器，如果遇到珍稀邮票，还需借助专业仪器进行物化分析检测。随着盗版技术的不断发展，这些检测方式不仅效率低下，而且准确率也不敢保证。
发明内容
本发明的目的在于克服现有技术的不足，提出了一种基于深度学习的邮票识别方法，将图形图像识别技术与邮票鉴别真伪技术相结合，提取正版邮票基本特征，达到高效快捷准确的识别效果，突破传统的邮票识别准确率不高等问题，减少邮票发行部门辨别邮票真伪的工作量，进一步实现邮票识别的高准确率，为打击盗版邮票提供一种技术支持，从而有效缓解现存的盗版邮票横行问题。
为实现上述目的，本发明所提供的技术方案为：一种基于深度学习的邮票识别方法，包括以下步骤：
S1、获取基础数据，包括整版发行的邮票高清图像及邮票版铭描述；
S2、构建邮票类型自动识别网络DeepNet1和邮票真伪自动辨别网络DeepNet2；
S3、基于大量有标识的邮票作为训练数据集，不断训练调优DeepNet1的网络模型的各种参数，识别类型为邮票实例的分类；其中，作为训练以及待识别的邮票数据不需要做额外的数据加工处理；
S4、待鉴别邮票通过训练好的DeepNet1得到该邮票的分类结果，通过得到的分类结果匹配原始数据集中对应分类的真实邮票，然后连同带鉴别真伪邮票一同作为DeepNet2的数据输入，通过DeepNet2给出真伪相似度的评价反馈给用户。
在步骤S1中，在整张邮票纸边上印有的规则匹配信息包括邮票编号、版号、张号、色标、设计者和印刷厂名，高清邮票图片与该邮票的分类标签作为原始输入，对网络进行有监督学习训练。
在步骤S2中，所述邮票类型自动识别网络DeepNet1包括9层，其中第1层为数据输入层，第2-6层为卷积层与池化层交替，第7-9为全连接层，在每一个卷积层中包含了激励函数RELU以及局部响应归一化LRN处理，然后在经过降采样pooling处理；所述邮票类型自动识别网络DeepNet1对已有的标明类别信息的邮票x以及确定的标签为输入，不断迭代训练网络，会得到一个理想的分类模型，为了满足不同尺寸的统一识别，需在DeepNet1中第一个全连接前的池化层替换为空间金子塔池化层，即pooling层替换为SppNet层，以满足多尺度邮票输入。
在步骤S2中，邮票真伪自动辨别网络DeepNet2与DeepNet1是不可分割的，其输入需由DeepNet1的分类结果进行匹配，这里构建Siamese网络，即孪生神经网络作为DeepNet2，这个网络主要的优点是淡化了标签，使得网络具有更加的扩展性，能够对那些没有训练过的类别进行分类，而且这个算法对一些小数据量的数据集也适用，变相地增加了整个数据集的大小，使得数据量相对小的数据集也能用深度网络训练出不错的效果；其中，邮票真伪自动辨别网络DeepNet2由两个相同的神经网络模型组成，两个网络权重一模一样，在代码实现时候，甚至能够使同一个网络，不用实现另一个，这里的卷积神经网络使用LeNet，第1层为卷积层，第2层为池化层，第3层为卷积层，第4层为池化层，第5-7层为全连接层，通过邮票真伪自动辨别网络DeepNet2加权处理得出二分类结果，0为真，1为假，完成给定邮票X的真伪判断，简单来说，该网络能够衡量两个输入的相似程度，孪生神经网络有两个输入，分别为Input1和Input2，将两个输入“喂”入两个神经网络，即该网络DeepNet2的两个分支卷积神经网络，这两个神经网络分别将输入映射到新的空间，形成输入在新的空间中的表示，即低维向量来比较相似度，即距离，针对Input1与Input2分别输出低位空间结果Gw(X1)和Gw(X2)，它们是由Input1与Input2经过网络映射得到，然后将得到的两个输出结果使用能量函数Ew(X1,X2)比较，其中，Ew(X1,X2)＝||Gw(X1)-Gw(X 2)||，通过对比两个输入的欧式距离，当距离大于阈值认为是假，反之为真。
在步骤S3中，由于深度神经网络的参数很多，所以模型的搜索空间也很大，只有足够的数据参与在训练阶段，这样网络模型才能充分提取到各种各样的图形特征，这里不断调优的实质通过大量有标签的图像参与预训练过程，使得卷积核可以响应越来越丰富的特征表示；DeepNet2中待识别邮票与该待识别邮票对应的真实邮票是成对作为输入的，所以对邮票本身实例的确定性识别是为了精确匹配到该邮票对应数据集中真实的邮票，否则不满足DeepNet2的输入限定。
在步骤S4中，DeepNet2的真伪判别中输入数据必须为成对的，其准确率对输入数据合法性极其敏感，假设邮票X本来为标签分类为a但是识别为b，此时作为DeepNet2的输入为真实的标签为b的邮票Y以及真实标签为a的X，这样将会有大几率识别为假邮票，所以DeepNet1模型的分类良好性将很大程度的影响DeepNet2的判别准确率，所以引入测试中的数据可视化，分类结束后将会把待分类邮票与识别匹配的邮票成对首先展现出来，通过人为识别是否整体相同，以保证后续真伪识别输入的合法性。
本发明与现有技术相比，具有如下优点与有益效果：
1、本发明首次实现了利用深度卷积神经网络进行邮票真伪识别，识别迅速，与人工识别相比在分类效率上有很大的效率提升，在真伪鉴别方面的相对评价有很大的参考价值。
2、本发明基于AlexNet(一种浅层卷积神经网络)+siamese(孪生神经网络，该网络提供一种框架模型，其分支神经网络模型不做限定，本文使用LeNet)网络进行构建，考虑到大小不同邮票作为输入对于卷积神经网络的限制，加入SppNet(空间金字塔池化层)使数据的尺寸不被限制,经过实验验证在分类准确率上有一定程度(1％～1.5％)的提升。
附图说明
图1为邮票真伪辨识别流程图。
图2为真伪识别网络DeepNet2网络结构图。
具体实施方式
下面结合具体实施例对本发明进行具体说明：
本实施例所提供的基于深度学习的邮票识别方法，包括以下步骤：
S1、获取基础数据，包括整版发行的邮票高清图像及邮票版铭描述；其中，在整张邮票纸边上印有的规则匹配信息包括邮票编号、版号、张号、色标、设计者和印刷厂名，高清邮票图片与该邮票的分类标签作为原始输入，对网络进行有监督学习训练。
S2、构建邮票类型自动识别网络DeepNet1和邮票真伪自动辨别网络DeepNet2；
所述邮票类型自动识别网络DeepNet1包括9层，其中第1层为数据输入层，第2-6层为卷积层与池化层交替，第7-9为全连接层，在每一个卷积层中包含了激励函数RELU以及局部响应归一化LRN处理，然后在经过降采样pooling处理；所述邮票类型自动识别网络DeepNet1对已有的标明类别信息的邮票x以及确定的标签为输入，不断迭代训练网络，会得到一个理想的分类模型，为了满足不同尺寸的统一识别，需在DeepNet1中第一个全连接前的池化层替换为空间金子塔池化层，即pooling层替换为SppNet层，以满足多尺度邮票输入；
邮票真伪自动辨别网络DeepNet2与DeepNet1是不可分割的，其输入需由DeepNet1的分类结果进行匹配，这里我们构建Siamese网络，即孪生神经网络作为DeepNet2,这个网络主要的优点是淡化了标签，使得网络具有很好的扩展性，可以对那些没有训练过的类别进行分类，这点是优于很多算法的。而且这个算法对一些小数据量的数据集也适用，变相的增加了整个数据集的大小，使得数据量相对较小的数据集也能用深度网络训练出不错的效果.该网络由两个相同的神经网络模型组成，两个网络权重一模一样，在代码实现时候，甚至可以使同一个网络，不用实现另一个，这里的卷积神经网络使用LeNet，第1层为卷积层，第2层为池化层，第3层为卷积层，第4层为池化层，第5-7层为全连接层，通过邮票真伪自动辨别网络DeepNet2加权处理得出二分类结果，0为真，1为假，完成给定邮票X的真伪判断。简单来说，该网络DeepNet2可以衡量两个输入的相似程度，孪生神经网络有两个输入(Input1and Input2),将两个输入“喂”入两个神经网络(即该网络的两个分支卷积神经网络)，这两个神经网络分别将输入映射到新的空间，形成输入在新的空间中的表示(低维向量)可用来比较相似度(距离)，针对Input1与Input2分别输出低位空间结果Gw(X1)和Gw(X2),他们是由Input1与Input2经过网络映射得到。然后将得到的两个输出结果使用能量函数Ew(X1,X2)比较，其中Ew(X1,X2)＝||Gw(X1)-Gw(x2)||。通过对比两个输入的欧式距离，当距离大于阈值认为是假，反之为真。
S3、基于大量有标识的邮票作为训练数据集，不断训练调优DeepNet1的网络模型的各种参数，识别类型为邮票实例的分类；其中，作为训练以及待识别的邮票数据不需要做额外的数据加工处理；由于深度神经网络的参数特别多，所以模型的搜索空间也很大，只有足够的数据参与在训练阶段，这样网络模型才能充分提取到各种各样的图形特征，这里不断调优的实质通过大量有标签的图像参与预训练过程，使得卷积核可以响应越来越丰富的特征表示。DeepNet2中待识别邮票与该待识别邮票对应的真实邮票是成对作为输入的，所以对邮票本身实例的确定性识别是为了精确匹配到该邮票对应数据集中真实的邮票，否则不满足DeepNet2的输入限定。
S4、待鉴别邮票通过训练好的DeepNet1得到该邮票的分类结果，通过得到的分类结果匹配原始数据集中对应分类的真实邮票，然后连同带鉴别真伪邮票一同作为DeepNet2的数据输入，通过DeepNet2给出真伪相似度的评价反馈给用户；其中，DeepNet2的真伪判别中输入数据必须为成对的，其准确率对输入数据合法性极其敏感，假设邮票X本来为标签分类为a但是识别为b，此时作为DeepNet2的输入为真实的标签为b的邮票Y以及真实标签为a的X，这样将会有大几率识别为假邮票，所以DeepNet1模型的分类良好性将很大程度的影响DeepNet2的判别准确率，所以引入测试中的数据可视化，分类结束后将会把待分类邮票与识别匹配的邮票成对首先展现出来，通过人为识别是否整体相同，以保证后续真伪识别输入的合法性。
下面结合附图1和图2，对本实施例上述的邮票识别方法进行具体说明，其中主要使用了移动手机设备，以及云端服务器等，具体如下：
S1、用户通过手机APP拍摄获得待识别邮票，然后程序会将照片中的邮票主体分割出来(考虑到拍摄时可能会加入大量背景噪声所以需要分割，使用Marr-Hilderth边缘检测器这种边缘分割算子进行处理)通过网络传输送到后台服务器端进行识别)。
S2、以下识别流程建立在我们已经通过大量的有标签邮票充分训练了类型识别网络基础上执行。后台服务器端获取到用户获取的待识别邮票X，将X作为DeepNet1的网络输入，这里的DeepNet1我们使用AlexNet(AlexNet是2012年ImageNet竞赛冠军获得者Hinton和他的学生Alex Krizhevsky设计的一种基于卷积神经网络的网络模型)作为分类识别的基础网络，由于考虑到邮票本身的尺寸是多样化的，传统的卷积神经网络会由于全连接层的参数限定，对输入数据的尺寸有严格的统一要求，(例如AlexNet的输入227*227*3，所以对于输入如图像传统方法都采用统一变形处理，例如缩放等，会导致图片的特征失真。本实验将AlexNet处于第7层全连接层前的池化层替换为SPP池化层，不需要预处理图像，满足了多尺度的输入)。通过DeepNet1得到待鉴别邮票的识别标签信息，确定邮票类别。
S3、为了尽可能保证真伪识别的准确性，我们在使用DeepNet1分类结束后采用数据可视化，将识别出的邮票与X一同展现出来，以确保的确是同一类邮票(现在图像分类准确率在一些标准测试数据集上准确率均在百分九十多，仍然有可能分错)。
S4、确定了邮票类别后，通过对应标签查找真实邮票R，然后将带鉴别邮票X与真实邮票R作为DeepNet2的网络输入。本发明主要为了鉴别邮票真伪，采用siamese网络,该网络主要思想是通过一个函数将输入映射到目标空间，在目标空间使用简单的距离(欧式距离等)进行对比相似度，其输入为一组数据分别是待鉴别邮票X，以及真实邮票R。如图2所示，X与R通过convNet(卷积池化等操作)，这里的网络不限定类型，我们使用LeNet作为孪生神经网络的基础类型。这里同样将SppNet加入在全连接层前使得对输入图片尺寸不做要求，FC为全连接层，W表示权值，这里权值(卷积核参数)是共享的，最终X，R会得到一组低维空间结果Gw(R),Gw(x)，分别表示这两个输入之间的相似度，最终使用能量函数Ew(X,R)进行比较,当Ew＝0时，表示X与R相似度超过阈值，X为真；Ew＝1，表示相似度低于阈值，为假，即相同对为(X,R,0),欺骗对为(X，R，1)。
以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (4)

1.一种基于深度学习的邮票识别方法，其特征在于，包括以下步骤：
S1、获取基础数据，包括整版发行的邮票高清图像及邮票版铭描述；
S2、构建邮票类型自动识别网络DeepNet1和邮票真伪自动辨别网络DeepNet2；
所述邮票类型自动识别网络DeepNet1包括9层，其中第1层为数据输入层，第2-6层为卷积层与池化层交替，第7-9为全连接层，在每一个卷积层中包含了激励函数RELU以及局部响应归一化LRN处理，然后在经过降采样pooling处理；所述邮票类型自动识别网络DeepNet1对已有的标明类别信息的邮票x以及确定的标签为输入，不断迭代训练网络，会得到一个理想的分类模型，为了满足不同尺寸的统一识别，需在DeepNet1中第一个全连接前的池化层替换为空间金子塔池化层，即pooling层替换为SppNet层，以满足多尺度邮票输入；
邮票真伪自动辨别网络DeepNet2与DeepNet1是不可分割的，其输入需由DeepNet1的分类结果进行匹配，这里构建Siamese网络，即孪生神经网络作为DeepNet2，这个网络主要的优点是淡化了标签，使得网络具有更加的扩展性，能够对那些没有训练过的类别进行分类，而且这个算法对一些小数据量的数据集也适用，变相地增加了整个数据集的大小，使得数据量相对小的数据集也能用深度网络训练出不错的效果；其中，邮票真伪自动辨别网络DeepNet2由两个相同的神经网络模型组成，两个网络权重一模一样，在代码实现时候，甚至能够使同一个网络，不用实现另一个，这里的卷积神经网络使用LeNet，第1层为卷积层，第2层为池化层，第3层为卷积层，第4层为池化层，第5-7层为全连接层，通过邮票真伪自动辨别网络DeepNet2加权处理得出二分类结果，0为真，1为假，完成给定邮票X的真伪判断，简单来说，该网络能够衡量两个输入的相似程度，孪生神经网络有两个输入，分别为Input1和Input2，将两个输入“喂”入两个神经网络，即该网络DeepNet2的两个分支卷积神经网络，这两个神经网络分别将输入映射到新的空间，形成输入在新的空间中的表示，即低维向量来比较相似度，即距离，针对Input1与Input2分别输出低位空间结果Gw(X1)和Gw(X2)，它们是由Input1与Input2经过网络映射得到，然后将得
到的两个输出结果使用能量函数Ew(X1,X2)比较，其中，Ew(X1,X2)＝||Gw(X1)-Gw(X2)||，通过对比两个输入的欧式距离，当距离大于阈值认为是假，反之为真；
S3、基于大量有标识的邮票作为训练数据集，不断训练调优DeepNet1的网络模型的各种参数，识别类型为邮票实例的分类；其中，作为训练以及待识别的邮票数据不需要做额外的数据加工处理；
S4、待鉴别邮票通过训练好的DeepNet1得到该邮票的分类结果，通过得到的分类结果匹配原始数据集中对应分类的真实邮票，然后连同带鉴别真伪邮票一同作为DeepNet2的数据输入，通过DeepNet2给出真伪相似度的评价反馈给用户。
2.根据权利要求1所述的一种基于深度学习的邮票识别方法，其特征在于：在步骤S1中，在整张邮票纸边上印有的规则匹配信息包括邮票编号、版号、张号、色标、设计者和印刷厂名，高清邮票图片与该邮票的分类标签作为原始输入，对网络进行有监督学习训练。
3.根据权利要求1所述的一种基于深度学习的邮票识别方法，其特征在于：在步骤S3中，由于深度神经网络的参数很多，所以模型的搜索空间也很大，只有足够的数据参与在训练阶段，这样网络模型才能充分提取到各种各样的图形特征，这里不断调优的实质通过大量有标签的图像参与预训练过程，使得卷积核可以响应越来越丰富的特征表示；DeepNet2中待识别邮票与该待识别邮票对应的真实邮票是成对作为输入的，所以对邮票本身实例的确定性识别是为了精确匹配到该邮票对应数据集中真实的邮票，否则不满足DeepNet2的输入限定。
4.根据权利要求1所述的一种基于深度学习的邮票识别方法，其特征在于：在步骤S4中，DeepNet2的真伪判别中输入数据必须为成对的，其准确率对输入数据合法性极其敏感，假设邮票X本来为标签分类为a但是识别为b，此时作为DeepNet2的输入为真实的标签为b的邮票Y以及真实标签为a的X，这样将会有大几率识别为假邮票，所以DeepNet1模型的分类良好性将很大程度的影响DeepNet2的判别准确率，所以引入测试中的数据可视化，分类结束后将会把待分类邮票与识别匹配的邮票成对首先展现出来，通过人为识别是否整体相同，以保证后续真伪识别输入的合法性。
CN201810937941.6A 2018-08-17 2018-08-17 一种基于深度学习的邮票识别方法 Active CN109117885B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810937941.6A CN109117885B (zh) 2018-08-17 2018-08-17 一种基于深度学习的邮票识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810937941.6A CN109117885B (zh) 2018-08-17 2018-08-17 一种基于深度学习的邮票识别方法

Publications (2)

Publication Number Publication Date
CN109117885A CN109117885A (zh) 2019-01-01
CN109117885B true CN109117885B (zh) 2021-08-17

Family

ID=64851861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810937941.6A Active CN109117885B (zh) 2018-08-17 2018-08-17 一种基于深度学习的邮票识别方法

Country Status (1)

Country Link
CN (1) CN109117885B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977750A (zh) * 2019-01-15 2019-07-05 平安科技（深圳）有限公司 印章真伪校验方法、装置及计算机可读存储介质
CN110675546B (zh) * 2019-09-06 2022-07-08 深圳壹账通智能科技有限公司 发票图片识别及验真方法、系统、设备及可读存储介质
CN111046899B (zh) * 2019-10-09 2023-12-08 京东科技控股股份有限公司 身份证真伪识别方法、装置、设备及存储介质
CN112308106A (zh) * 2019-11-15 2021-02-02 北京京邦达贸易有限公司 一种图像标注的方法及系统
EP3839901A1 (en) 2019-12-18 2021-06-23 Deutsche Post AG Method and apparatus for detection of counterfeit and/or reused stamps
CN111523910A (zh) * 2020-04-17 2020-08-11 济南浪潮高新科技投资发展有限公司 一种基于Siamese Network的茶砖识别方法及系统
CN111652318B (zh) * 2020-06-05 2023-09-01 中国银行股份有限公司 一种币种识别方法、识别装置、以及电子设备
CN111667002B (zh) * 2020-06-05 2023-11-24 中国银行股份有限公司 一种币种识别方法、识别装置、以及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102117573A (zh) * 2009-12-30 2011-07-06 北京华旗资讯数码科技有限公司 多媒体邮票
CN107610322A (zh) * 2017-10-11 2018-01-19 深圳怡化电脑股份有限公司 纸币版本的识别方法、装置、电子设备以及存储介质
CN108335402A (zh) * 2017-01-18 2018-07-27 武汉卓目科技有限公司 一种基于深度学习的验钞机红外对管鉴伪方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102117573A (zh) * 2009-12-30 2011-07-06 北京华旗资讯数码科技有限公司 多媒体邮票
CN108335402A (zh) * 2017-01-18 2018-07-27 武汉卓目科技有限公司 一种基于深度学习的验钞机红外对管鉴伪方法
CN107610322A (zh) * 2017-10-11 2018-01-19 深圳怡化电脑股份有限公司 纸币版本的识别方法、装置、电子设备以及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Learning a similarity metric discriminatively, with application to face verification;Chopra S , Hadsell R , Lecun Y;《2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR"05)》;20051231;全文 *
Siamese Network理解;DivinerShi;《CSDN》;20170202;第1-9页 *
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition;Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun;《arXiv》;20150423;第1-14页 *
一种纸币图像特征提取方法;王朋;《黑龙江科技学院学报》;20130531;第308-318页 *

Also Published As

Publication number Publication date
CN109117885A (zh) 2019-01-01

Similar Documents

Publication Publication Date Title
CN109117885B (zh) 一种基于深度学习的邮票识别方法
CN110348319B (zh) 一种基于人脸深度信息和边缘图像融合的人脸防伪方法
CN106650721B (zh) 一种基于卷积神经网络的工业字符识别方法
US8540158B2 (en) Document verification using dynamic document identification framework
Van Beusekom et al. Text-line examination for document forgery detection
US20090154778A1 (en) Identification and verification of an unknown document according to an eigen image process
CN108288088A (zh) 一种基于端到端全卷积神经网络的场景文本检测方法
JP2014232533A (ja) Ｏｃｒ出力検証システム及び方法
CN111310628B (zh) 一种基于纸币印刷图案特征的纸币形成方式检验鉴定方法
CN108681735A (zh) 基于卷积神经网络深度学习模型的光学字符识别方法
WO2021179157A1 (zh) 用于验证产品真伪的方法和装置
CN110502694A (zh) 基于大数据分析的律师推荐方法及相关设备
CN109255414A (zh) 一种用于图书盘点的彩色条码、图书识别方法、电子设备及存储介质
CN110427972A (zh) 证件视频特征提取方法、装置、计算机设备和存储介质
CN109740417A (zh) 发票类型识别方法、装置、存储介质和计算机设备
CN106898078A (zh) 一种港币版本的识别方法及装置
CN110222660B (zh) 一种基于动态与静态特征融合的签名鉴伪方法及系统
Chandrappa et al. Machine Learning Algorithms for Identifying Fake Currencies
CN106875543A (zh) 一种基于rgb‑d相机的视障人士纸币识别系统及识别方法
CN114202759A (zh) 基于深度学习的多币种纸币冠字号识别方法和装置
Akter et al. Evaluating the performance of machine learning models in handwritten signature verification
CN104299000A (zh) 基于局部片段分布特征的笔迹识别方法
CN117935375A (zh) 一种手写电子签名防伪造方法
Khuspe et al. Robust image forgery localization and recognition in copy-move using bag of features and SVM
CN117456262A (zh) 一种基于深度学习技术图文造假识别研究方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant