一种可消除底单干扰的印鉴真伪识别方法

摘要

本发明公开了一种可消除底单干扰的印鉴真伪识别方法，该方法按照以下步骤具体实施：印鉴图像的预处理；预处理结果图像的修复；印鉴图像与预存标准印鉴图像的配准；膨胀处理；对消除底单干扰的图像进行滤波；将配准后的标准印鉴图像进行一次腐蚀处理；进一步消除残留干扰；对印鉴图像的真伪进行粗判别；对印鉴图像的真伪进行精细判别。本发明的真伪识别方法适用于实际盖印条件下的票据印鉴，印鉴图像的预处理环节主要是消除票据叠加在印鉴之上的底单表格、文字等干扰，采用了颜色提取，印鉴的签字叠加缺损修复，局部干扰滤波去除等步骤完成；印鉴图像的真伪鉴别，则通过定义左差及右差的方式，根据残差比的分布特性给出真伪鉴别的结果。

主权项

1.一种可消除底单干扰的印鉴真伪识别方法，其特征在于，该方法按照以下步骤具体实施：步骤1，印鉴图像的预处理：假设盖印的印泥颜色为红色，设输入的大小为m×n的印鉴票据图像的红、绿、蓝三颜色通道值分别为[R(x，y)]_m×n，[G(x，y)]_m×n，[B(x，y)]_m×n，则其灰度值为[F(x，y)]_m×n：F(x，y)＝0.299·R(x，y)+0.587·G(x，y)+0.114·B(x，y)，x＝1，2，...，m，y＝1，2，...，n  (1)对灰度化后的印章图像[F(x，y)]_m×n采用最大类间类内方差比法进行二值化处理，消除纸张背景影响，得到二值图像[F_b(x，y)]_m×n，即：$F_b(x,y)=\left\{\begin{array}{cc}1& F(x,y)\ge \mathrm{Th}\\ 0& F(x,y)<\mathrm{Th}\end{array}\right.,$x＝1，2，...，m，y＝1，2，...，n            (2)其中，Th为阈值，采用类间类内方差比法确定，之后计算每个像素点的红色占比：$P_R(x,y)=\frac{R(x,y)}{R(x,y)+G(x,y)+B(x,y)},$x＝1，2，...，m，y＝1，2，...，n    (3)则预处理后的印鉴图像[I(x，y)]_m×n为：x＝1，2，...，m，y＝1，2，...，n            (4)其中，P_th为阈值，在20％-50％的范围内选择；步骤2，对上步预处理后的印鉴图像[I(x，y)]_m×n进行修复，具体按照以下步骤进行修复：首先，提取签名信息，对[I(x，y)]_m×n和[F_b(x，y)]_m×n进行异或运算得[S(x，y)]_m×n，即：x＝1，2，...，m，y＝1，2，...，n    (5)根据手写体签名一般是采用黑色或者是蓝色笔书写而成，所以，根据原图的灰度分布消除[S(x，y)]_m×n中的噪声，得到签名信息[S_b(x，y)]_m×n即：x＝1，2，...，m，y＝1，2，...，n    (6)其中，Th₀为灰度图像中较小的阈值，以判断黑色或蓝色签名的灰度值，之后，用[S_b(x，y)]_m×n来修复因叠加导致的印鉴预处理图像[I(x，y)]_m×n的缺损，采用以下的方法来进行修复：找到所有[I(x，y)]_m×n为0，但[S_b(x，y)]_m×n为1的点，设为{(x₁，y₁)，...，(x_K，y_K)}，分别在以点(x_i，y_i)，i＝1，2，...，K为中心，覆盖一个N×N的模板，N为奇数，统计该模板中为1像素个数，记作N_b，如果N_b≥(N×N)/2，则该点置I(x_i，y_i)，i＝1，2，...，K为1，否则，不做处理；步骤3，对上步修复后的印鉴图像[I(x，y)]_m×n与预存标准印鉴图像[I_s(x，y)]_m×n进行配准：对预存标准印鉴图像[I_s(x，y)]_m×n进行平移与旋转，找到与[I(x，y)]_m×n相比残差最小的位置，即完成两者的配准，配准后的标准印鉴图像仍为[I_s(x，y)]_m×n；步骤4，将[I_s(x，y)]_m×n进行膨胀处理：设膨胀后的标准印鉴图像为[I_sd(x，y)]_m×n，用其消除印鉴图像[I(x，y)]_m×n的底单干扰，特别是当底单的表格与文字均为红色时的干扰，消除底单干扰的图像[I_R(x，y)]_m×n计算公式为：x＝1，2，...，m，y＝1，2，...，n     (7)步骤5，对消除底单干扰的图像[I_R(x，y)]_m×n进行滤波，消除残留的局部干扰，消除残留的局部干扰的具体操作如下：5.1)设计长度为N_m的十字形模板，N_m为奇数，设模板的中心为(x₀，y₀)，则模板为：Tem＝{(x₀-N_m/2，y₀)，...，(x₀，y₀)，...(x₀+N_m/2，y₀)，(x₀，y₀-N_m/2)，...，(x₀，y₀-1)，(x₀，y₀+1)，...，(x₀，y₀+N_m/2)}5.2)将模板Tem依次作用于[I_R(x，y)]_m×n上所有值为1的点，模板的中心点(x₀，y₀)依次为待处理像素的位置，计算[I_R(x，y)]_m×n上模板范围内的所有为1的像素点的个数，如果该个数超过(N_m+1)/2，则该点修正为背景点，由此，消除局部的残留干扰，经过处理后的印鉴图像记为[I_Rs(x，y)]_m×n；步骤6，将由步骤3得到的配准后的标准印鉴图像[I_s(x，y)]_m×n进行腐蚀处理，结构元素采用步骤5中的十字形模板，得到的结果记作[I_se(x，y)]_m×n；步骤7，将[I_se(x，y)]_m×n与[I_Rs(x，y)]_m×n进行“或”操作，以在保持输入印鉴图像的基本特征的同时，进一步消除残留干扰，结果为[I_Rf(x，y)]_m×n，即：式(8)中x＝1，2，...，m，y＝1，2，...，n；步骤8，对印鉴图像的真伪进行粗判别：8.1)将步骤7得到的印鉴图像[I_Rf(x，y)]_m×n与配准后的标准印鉴[I_s(x，y)]_m×n做差异检测，得到残差图为[e(x，y)]_m×n，即：x＝1，2，...，m，y＝1，2，...，n    (9)8.2)对[e(x，y)]_m×n进行贴标签处理，统计所有连通域的大小，保留的面积大于阈值S_Th的连通域，统计保留下来的所有连通域中的像素个数，记作N_k；统计标准印鉴图像[I_s(x，y)]_m×n的目标像素点数，记作N_s，残差率ρ_e计算公式为：${\rho }_e=\frac{N_k}{N_s}---\left(10\right)$8.3)当残差率ρ_e大于阈值为5％-10％，则表明该印鉴为伪造精度不高的假印鉴，如果ρ_e不大于阈值ρ_Th，则进入精细判别环节；步骤9，对印鉴图像的真伪进行精细判别：9.1)将步骤7得到的印鉴图像[I_Rf(x，y)]_m×n与配准后的标准印鉴[I_s(x，y)]_m×n，分别进行左差检测和右差检测，左差图[e_L(x，y)]_m×n和右差图[e_R(x，y)]_m×n的计算公式如下：x＝1，2，...，m，y＝1，2，...，n    (11)x＝1，2，...，m，y＝1，2，...，n    (12)记左差不为0的像素点个数为N_L，右差不为0的像素点个数为N_R；9.2)对左差图[e_L(x，y)]_m×n进行贴标签处理，统计所有连通域的大小，保留的面积大于阈值的连通域，这些连通域为疑似伪造残差，设这些连通域有K_L个，记作其连通域的面积分别为9.3)对K_L个疑似伪造残差区域分别进行三次膨胀，以获得其邻域范围，设为其邻域面积分别为9.4)分别统计右差图中相应的邻域范围内为1的像素点数，分别记作9.5)分别按照下面公式计算右残差率即：${\rho }_{R_k}=\frac{N_{R_k}}{N_{{\Omega }_{L_k}}},$k＝1，2，...，K_L                     (13)9.6)如果大于阈值为20％-50％，则保留该左差连通域，否则，将其删除；9.7)统计所有保留下来的左差连通域的面积总和，记为计算左差的总残差率ρ_L为：${\rho }_L=\frac{N_{{\Omega }_L}}{N_L}---\left(14\right)$9.8)对右差图[e_R(x，y)]_m×n进行贴标签处理，统计所有连通域的大小，保留的面积大于阈值的连通域，这些连通域为疑似伪造残差，设这些连通域有K_R个，记作其连通域的面积分别为9.9)对K_R个疑似伪造残差区域分别进行三次膨胀，以获得其邻域范围，设为其邻域面积分别为9.10)分别统计左差图中相应的邻域范围内为1的像素点数，分别记作9.11)分别按照下面公式计算左残差率即：${\rho }_{L_k}=\frac{N_{L_k}}{N_{{\Omega }_{R_k}}},$k＝1，2，...，K_R                        (15)9.12)如果大于阈值为20％-60％，则保留该右差连通域，否则，将其删除；9.13)统计所有保留下来的右差连通域的面积总和，记为计算右差的总残差率ρ_R：${\rho }_R=\frac{N_{{\Omega }_R}}{N_R}---\left(16\right)$9.14)计算总残差率ρ：ρ＝(ρ_L+ρ_R)/2，如果ρ大于阈值ρ_Th，ρ_Th为1％-5％，则判断为假印鉴，否则判断为真印鉴。