[发明专利]用于确定信息承载装置的真实性的方法和设备

说明书

公开了认证工具、认证设备和设计认证工具的方法，用于帮助参考物品的捕获的图像或声称的主图像来确定物品的真实性或真正性。使用已训练神经网络，参考捕获的图像是否是真实信息承载装置的主图像来确定物品的真实性或真正性。使用训练图像来训练神经网络，该训练图像包括具有在受控条件下引入的不同程度的图像缺陷的缺陷图像。

技术领域

本公开涉及用于确定信息承载装置的真实性的方法和设备。

背景技术

伪造是不利地影响许多国家的商业和人们的主要问题。许多伪造活动涉及物品和附着到这些物品或与这些物品有关的识别材料(如标签、包装、产品和/或证书)的复制。防伪手段和装置已经被设计成对抗伪造或作为控制真正商品流动的手段。防伪装置也被称为认证装置，并且这些术语在本文中可互换使用。数据编码的图像图案已经被结合到产品或物品识别材料中，以用作防伪装置或其部分。认证装置的典型数据编码的图像图案通常包括嵌入背景装置中的非人类可读或非人类可感知的转换的认证数据。背景装置可以是或可以包括图片、图形、照片、图画、单词、标记、记号、符号等。由于转换的认证数据是非人类可读或非人类可感知的，因此通常使用机器(如基于微处理器的机器)来帮助确定声称(purport)是真实的认证装置的真实性。

在认证操作期间，认证机器通常需要向机器展示认证装置。该机器捕获认证装置的图像，并且执行操作以分析和确定所捕获的图像是对应于真实的认证装置还是对应于非真实的认证装置。非真实的认证装置可以是真实的认证装置的复制品或假的认证装置。

为了胜过不断增加的复杂度和保真度的伪造手段和设备，以不断增加的较高分辨率和不断增加的较高细节清晰度形成认证装置的数据编码的图像图案，并且预期这种竞争会持续。

然而，随着数据编码的图像图案的清晰度越来越高，例如由于人类操作者在图像捕获过程中的限制，即使基于微处理器的认证机器也越来越难以区分真实的认证装置和作为真实的认证装置的高保真复制品的非真实的认证装置。

发明内容

公开了认证工具、认证设备和设计认证工具的方法，用于帮助使用神经网络参考物品的捕获的图像或声称的主图像来确定物品的真实性或真正性(genuineness)。为了便于验证物品的真实性，物品通常与包括诸如标记、标签或印记的信息承载装置的认证装置结合。所述信息承载装置包括数据嵌入的图像图案，并且数据嵌入的图像图案用一组数据隐蔽地编码，使得读取数据嵌入的图像图案的合理的人不能察觉到该数据。在示例实施例中。每个数据是在数据域中具有特征二维或三维坐标值的离散数据，并且坐标值被转换成图像定义元素的空间属性，所述图像定义元素协作以定义整个数据嵌入的图像图案。空间属性包括例如图像定义元素在数据域上的特定一组坐标处的亮度或幅度。数据可以由变换函数隐蔽地编码，该变换函数操作以将数据的坐标值扩展为遍布图像定义元素的空间属性。该组数据或每个单独的离散数据点具有特征信号强度。参考捕获的图像是否是真实信息承载装置的主图像来确定物品的真实性或真正性。在示例实施例中，所述认证工具包括神经网络结构。所述神经网络结构可以包括输入层、输出层以及在所述输入层和所述输出层之间的多个神经网络层。由于技术随时间流逝而进步，神经网络可以具有不同的结构。每个示例神经网络层具有包括多个学习滤波器的一组滤波器。每个学习滤波器包括多个滤波器元件，并且每个滤波器元件具有滤波器值。所述学习滤波器和滤波器值是通过使用多个训练图像(training images)的基于计算机的深度学习(computer based-deep-learning)来构成或构建的。所述训练图像可以包括所述数据嵌入的图像图案的多个主图像和所述数据嵌入的图像图案的数据嵌入的图像图案的多个非主图像。所述训练图像包括具有不同程度的图像缺陷(image imperfections)的缺陷图像。图像缺陷是在图像捕获过程中或由于不同的图像捕获条件而在受控条件下有意引入到缺陷图像中的受控缺陷(controlledimperfections)。图像缺陷被控制在可接受的范围内，这将有助于有意义的训练和真实性的确定。具有一个或多个可接受的范围之外的缺陷的图像不用于训练神经网络。