[发明专利]一种货架图像翻拍检测方法

说明书

一种货架图像翻拍检测方法，所述方法包括以下步骤：(1)获得待检测的货架图像；(2)对步骤(1)中所述货架图像进行预处理；(3)使用LBP计算方法处理步骤(2)中得到的图像，得到纹理描述图谱；(4)提取步骤(3)中纹理描述图谱的LBP特征向量；(5)将步骤(4)中得到的LBP特征向量向量输入XGBoost模型，得到图像所属的类别标签。本发明通过多尺度LBP捕捉翻拍图像中十分细微的摩尔纹特征，再采用XGBoost模型结合进行分类识别翻拍图像。能够帮助快消品企业有效解决业务中的问题。

技术领域

本发明涉及图像处理领域，具体涉及一种货架图像翻拍检测方法。

背景技术

快消品企业对线下销售终端的管理，依赖于门店主上传店内货架的图像，再由审核人员在线审核。

通常，快消品企业会约束门店主在使用手机上传图像时只能调用手机摄像头拍摄、IP地址必须定位于门店附近等，以避免一些常见的作弊手段。但门店主往往会上传翻拍图像。而翻拍图像与真实图像十分相似，即使是经验丰富的图像审核人员也很难识别出翻拍的图像。翻拍作弊手段不仅给企业带来了直接的经济损失，也给企业的营销管理造成了误导性信息。因此，识别门店主上传的图像是否翻拍是快消品企业的迫切需求。

翻拍图像由于相机感光元件的空间频率与液晶屏呈现图像的空间分布的干涉往往会产生摩尔纹现象，通过检测摩尔纹可以判断图像是否翻拍。

局部二值模式(Local Binary Pattern，LBP)是一种描述局部纹理特征的算子。通过比较图像的窗口范围内目标像素点和邻域像素点的像素值大小，能够计算、提取出目标像图像的纹理信息。在LBP的基础上，可以组合不同尺寸的LBP窗口，以提取图像多尺度范围下的纹理信息。

XGBoost是boosting算法的其中一种。Boosting算法的思想是将许多弱分类器集成在一起形成一个强分类器。因为XGBoost是一种提升树模型，所以它是将许多树模型集成在一起，形成一个很强的分类器。而所用到的树模型则是分类回归树(CART，Classification and Regression Tree)。

发明内容

为了解决上述问题，本发明提供了一种基于局部二值模式(Local BinaryPattern，LBP)的货架图像的翻拍检测方法。该方法利用LBP对局部纹理特征表现力强的特点，捕捉翻拍图像中摩尔纹的特征，再利用XGBoost模型进行分类，判断图像是否翻拍。

本发明解决其技术问题所采用的技术方案是：

一种货架图像翻拍检测方法，包括以下步骤：

(1)获得待检测的货架图像；

(2)对步骤(1)中所述货架图像进行预处理；

(3)使用LBP计算方法处理步骤(2)中得到的图像，得到纹理描述图谱；

(4)提取步骤(3)中纹理描述图谱的LBP特征向量；

(5)将步骤(4)中得到的LBP特征向量向量输入XGBoost模型，得到图像所属的类别标签。

进一步，所述步骤(2)中，图像预处理包括以下步骤：

(2a)将原始的RGB三通道图像转化为单通道的灰度图像，转换公式为：

Gray＝0.299R+0.587G+0.114B；

(2b)根据步骤(2a)得到的灰度图，将其均匀划分为8×8张子图。

再进一步，所述步骤(3)中，所述提取纹理描述图谱过程包括以下步骤：