[发明专利]一种适用于物体自身纹理的通用特征检索防伪方法

权利要求书

1.一种适用于物体自身纹理的通用特征检索防伪方法，其特征在于，包括以下步骤：

S1、获取计算机识别的目标物品，并对所述目标物品进行目标图像的采集，并获得作为训练的目标图像的数据集；

S2、将数据集输入孪生网络中进行训练，训练完成后获得两个模型，分别为相似度模型与拆解网络层后的特征提取模型；

所述相似度模型，用于对待测物品与目标物品的特征点相似度计算；

所述特征提取模型，用于计算物品的特征向量以及特征向量库的构建；

S3、对待检真伪物品的图像进行拍摄，并对图像进行显著性检测，将待检真伪物品的图像抠出，得到无干扰因素的待检真伪物品的图像数据；

S4、将S3获得的待检真伪物品的图像数据输入到所述特征提取模型中，对待测真伪物品本身的特征进行提取，并输出待检真伪物品的特征向量；

S5、依据提取的待检真伪物品的特征向量，在S2中构建的特征向量库进行检索，并筛选出k个相似结果；

S6、将k个相似结果输入至孪生网络的相似度模型中进行相似度计算，再利用传统视觉算法匹配特征点个数，根据个数值进行降序排列，在k个相似结果中取特征点相似个数最多的为最终结果。

2.根据权利要求1所述的适用于物体自身纹理的通用特征检索防伪方法，其特征在于，所述S2中特征向量库的构建：将单个物品的目标图像数据输入到所述特征提取模型中，提取出同维度的特征向量，用于构建特征向量库。

3.根据权利要求1所述的适用于物体自身纹理的通用特征检索防伪方法，其特征在于，所述S3中待检真伪物品图像数据的获取方法：通过U2Net网络对拍摄的待检真伪物品图片进行显著性检测，根据显著性检测结果，去除待检测真伪物品图像中其他干扰特征提取的因素。

4.根据权利要求1所述的适用于物体自身纹理的通用特征检索防伪方法，其特征在于，所述S5中检索过程如下：

通过特征提取模型，提取待检真伪物品图像特征的同维特征向量，通过SPTAG树图结合对特征向量库中的向量进行计算。

根据计算结果，将与待检测物体最为相似的原始物品限定在k个数量范围之内。

5.根据权利要求4所述的适用于物体自身纹理的通用特征检索防伪方法，其特征在于，所述距离计算采用欧式距离、余弦相似度、汉明距离、曼哈顿距离计算方法；

以曼哈顿距离为例，假设X和Y都是同维向量，则计算公式为

再将计算出来的距离进行两次全连接，结果取sigmod，使得输出的结果在0～1区间，代表两个输入的相似度；

以欧式距离为例，假设X和Y都是同维向量，则计算公式为

根据计算结果从小到大的顺序，越小的则相似度越高。

6.根据权利要求1所述的适用于物体自身纹理的通用特征检索防伪方法，其特征在于，所述S6中通过SPTAG树图结合算法对限定在k数量范围之内的相似结果的特征点进行匹配，并对特征点进行筛选过滤，选出较好的特征点匹配，具体方法如下：

假设m为原始样本特征距离，n为待配准样本特征距离，r为符合条件的特征配对，x为配准系数，初始为1，则按进行递归，距离越小，则代表匹配结果越可信，直至r为0或不存在；随后根据x对r进行降序排序，得到最终配准结果；

若满足r0即r存在且x初始值，则认为待检测物品为真。

7.根据权利要求6所述的适用于物体自身纹理的通用特征检索防伪方法，其特征在于，所述孪生网络为具备自我学习能力的深度学习模型，包括数据集的自动划分，具体方法如下：通过传统视觉算法配准的逻辑将待训练样本与一张采样的样本进行比对，配准符合的特征点数r，若配准存在r0的情况，则自动划分/扩充同类训练数据集。

8.根据权利要求1所述的适用于物体自身纹理的通用特征检索防伪方法，其特征在于，步骤S1中目标图像数据集的构建方法如下：对同一目标物品按照不同角度、光线、背景、尺度拍照后，按照单个目标物品进行分组，同时统一每组数据数量，相当于对数据进行分类标记，完成数据集的构建。