[发明专利]一种基于精细配准的图像同源鉴别平台及其实现方法

说明书

一种基于精细配准的图像同源鉴别平台及其实现方法，基于精细配准的图像同源鉴别平台包括：包括待测图像接收模块、数字图像精细配模块、深度学习训练系统模块、基于深度学习的图像同源鉴别模块、在线鉴别模块，所述数字图像精细配模块与基于深度学习的图像同源鉴别模块第一端相连接，深度学习训练系统模块与基于深度学习的图像同源鉴别模块第二端相连接，在线鉴别模块与基于深度学习的图像同源鉴别模块第三端相连接。本发明能够对待测图像进行精细配准，自动纠正不同条件下形成的图像大小、旋转差异，消除图像传输过程中遭到的噪声污染，鲁棒性好，反应速度快，系统实用性高。

技术领域

本发明涉及图像分析技术领域，具体来说，涉及一种基于精细配准的图像同源鉴别平台及其实现方法。

背景技术

机器学习方法被广泛用于图像分析，通过在给定数据集上训练模型来完成新数据上的特定任务，比如分类、识别和分割等。然而，传统的机器学习算法需要利用先验知识从原始数据中人工提取特征，从而训练模型。由于特征选取难度较大，模型可能存在过拟合问题，泛化能力难以保证；另一方面，传统模型难以适应大规模数据集，模型可扩展性差。

深度学习(Deep Learning)是近几年来机器学习领域最为热门的研究方向，其动机在于建立、模拟人脑进行分析学习，最近已取得了许多突破性的成就。不同于以往常用的浅层模型，例如支持向量机( Support Vector Machine, SVM )、高斯混合模型(GaussianMixture Model, GMM ),隐马尔可夫模型(Hidden Markov Model, HMM)等，深度学习采用深层神经网络模型，即包含多个隐含层的神经网络，是一种数据驱动型模型，能够模拟人脑视觉机理自动地学习到数据各个层次的抽象特征，从而更好地反映数据的本质特征。深层模型中，输入数据经过多个隐含层的依次作用，生成了不同层次的特征映射，因此具有了更好的特征表达和特征提取能力。

生活中，往往通过不同的人为条件(角度、位置、设备情况)、自然条件(天气、亮度、对比度等)对同一物体采集得到的图像呈现差异，有些相似，有些可以相互补充，有些有差异，而这些图像经过人为的操作可以形成对物体场景更精确更全面更详细的展现，这就是图像配准。

随着数字时代的到来，各种电子成像设备（如：手机、数码相机、数码摄像仪、扫描仪、打印机等）日益普及，数字图像己成为了最重要的获取信息手段之一。数字图像承载着丰富的信息，不仅给人们的生活提供了极大的便利和乐趣，同时也在社会、纪实、新闻、法庭等方面起到了现场记录和事实重现的作用，成为了当前不可或缺的记录媒体。特别是在电子商务领域，数字图像在商品标识、防伪、原产地溯源、促销兑奖等商业环节得到了极为广泛的应用。但正是由于数字图像的离散性和数字性为多媒体造假提供了前所未有的便捷条件，各类图像编辑软件（如：Photoshop等）的层出不穷，使得图像的编辑和篡改方面基本上零门檻，这也大大的降低了数字图像的可信度。

因此，判断一张数字图像的原始性、验证其真实性以及检测其完整性已经成为当下亟需解决的问题。

但是现有的图像同源鉴别技术大都采用图像特征取和模式识别方法，存在以下不足之处：

（1）需要手动提取适合数字图像的特征，但是针对不同的厂家或商品提供的图像提取合适的特征需要花费大量的时间，并且需要大量的相关领域的经验。

（2）由于用户使用的图像采集设备不同，拍摄角度不同、拍摄时光线条件千差万别，造成生成的数字图像大小、旋转差异性很大，因此采集的图像不够标准，加上图像传输过程中往往会有噪声污染，往往当前的大多图像同源鉴别准确率不高，鲁棒性不好，实用性不强。

针对相关技术中的问题，目前尚未提出有效的解决方案。

因此本发明中提出了一种基于精细配准和深度学习技术的图像同源鉴别系统及其实现方法。结合本发明设计的框架，能够在各种实际环境中使用确保取得较好的鉴别结果。关于精细配准和深度学习技术的图像同源鉴别方法，迄今仍未见诸于各类文献资料。