CN110599665A - 纸纹识别方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种纸纹识别方法、装置、计算机设备和存储介质。方法包括：获得待验证纸纹图像的去污特征区域图像；提取去污特征区域图像内特征点，根据特征点获取检索特征向量；根据检索特征向量在预设纸纹数据库内进行特征检索，获得预存纸纹图像；将预存纸纹图像的特征点与去污特征区域图像的特征点进行特征匹配，获得纸纹识别结果。本申请的纸纹识别方法只需要获得待验证指纹图像的去污特征图像，而不需要大量拍摄，从而可以节省大量时间。

Description

纸纹识别方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种票据识别方法、装置、计算机设备和存储介质。

背景技术

纸纹，是指纸张内部的自然的纤维纹理分布特性，可以称之为“纸纹”。传统意义上的纸纹，指的是造纸机在造纸的时候，纸浆被均匀的分布到运动的毛毯上，使纸浆中的纤维形成了随机分布的纹路，对纸纹的概念仅停留在光亮度、光泽度、纸纹深度、纸纹宽度、纸纹方向等的区分上。然而，事实上纸纹是大自然赋予每一张纸独一无二的特征。

而票据一般为纸质的，犯罪分子常采用涂改、描绘、复印、印刷等方法，伪造或变造票据。所以需要对票据进行识别检验，目前可以通过纸纹鉴别法来识别票据。即比对纸张纸纹。通过提取和识别纸张纸纹，在票据解付(贴现与承兑)时通过比对签发时提取的纸纹，对比是否一致，来确认票据是否为原票。

然而现有的纸纹鉴别方法在纸纹的检测流程需要拍摄大量图像，导致纸纹检测过程耗时长。

发明内容

基于此，有必要针对上述技术问题，提供一种纸纹识别方法、装置、计算机设备和存储介质。

一种纸纹识别方法，所述方法包括：

获得待验证纸纹图像的去污特征区域图像；

提取所述去污特征区域图像内特征点，根据所述特征点生成特征向量；

根据所述特征向量生成检索特征向量；

根据所述检索特征向量在预设纸纹数据库内进行特征检索，获得预存纸纹图像；

将所述预存纸纹图像的特征点与所述去污特征区域图像的特征点进行特征匹配，获得纸纹识别结果。

在其中一个实施例中，所述获得待验证纸纹图像的去污特征区域图像之前还包括：

获得预存纸纹图像的去污特征区域图像；

提取所述去污特征区域图像内特征点，根据所述特征点获取检索特征向量；

将所述预存纸纹图像的检索特征向量存入预存纸纹数据库。

在其中一个实施例中，所述获得待验证纸纹图像的去污特征区域图像之前包括：

获取待验证纸纹图像的特征区域图像，通过Yolo-v2模型检测所述特征区域图像中的污染所在区域，并在所述特征区域图像中去除所述污染所在区域，获得去污特征区域图像。

在其中一个实施例中，所述提取所述去污特征区域图像内特征点，根据所述特征点获取检索特征向量具体包括：

提取所述去污特征区域图像内特征点，根据所述特征点生成特征向量；

根据所述特征向量生成检索特征向量。

在其中一个实施例中，所述提取所述去污特征区域图像内特征点，根据所述特征点生成特征向量包括：

根据所述去污特征区域图像构建尺度空间；

获取所述尺度空间的极值点；

去除所述极值点中曲率不对称的极值点，获得所述去污特征区域图像的特征点；

根据所述去污特征区域图像的特征点确定方向参数；

根据所述方向参数生成特征向量。

在其中一个实施例中，所述根据所述特征向量生成检索特征向量包括：

将所述特征向量输入预设DBN网络模型，获得检索特征向量。

在其中一个实施例中，所述根据所述检索特征向量在预设纸纹数据库内进行特征检索，获得预存纸纹图像之后还包括：

获取签发票据的纸纹图像的特征点与所述去污特征区域图像的特征点中匹配成功的特征点的像素坐标；

计算匹配成功的特征点间像素坐标的最短路径。

一种纸纹识别装置，所述装置包括：

去污图像获取模块，用于获得待验证纸纹图像的去污特征区域图像；

检索特征向量提取模块，用于提取所述去污特征区域图像内特征点，根据所述特征点生成检索特征向量；

特征检索模块，用于根据所述检索特征向量在预设纸纹数据库内进行特征检索，获得预存纸纹图像；

纸纹识别模块，用于将所述预存纸纹图像的特征点与所述去污特征区域图像的特征点进行特征匹配，获得纸纹识别结果。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获得待验证纸纹图像的去污特征区域图像；

提取所述去污特征区域图像内特征点，根据所述特征点获取检索特征向量；

根据所述检索特征向量在预设纸纹数据库内进行特征检索，获得预存纸纹图像；

将所述预存纸纹图像的特征点与所述去污特征区域图像的特征点进行特征匹配，获得纸纹识别结果。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获得待验证纸纹图像的去污特征区域图像；

提取所述去污特征区域图像内特征点，根据所述特征点获取检索特征向量；

根据所述检索特征向量在预设纸纹数据库内进行特征检索，获得预存纸纹图像；

将所述预存纸纹图像的特征点与所述去污特征区域图像的特征点进行特征匹配，获得纸纹识别结果。

上述票据识别方法、装置、计算机设备和存储介质，通过获得待验证纸纹图像的去污特征区域图像，而后提取去污特征区域图像的特征点，根据特征点获取特征向量，并进一步获得检索特征向量从而在预设纸纹数据库内的中查找与待验证纸纹图像匹配的预存纸纹图像，并将获取的预存纸纹图像的特征点与待验证纸纹图像的特征点进行对比，获得纸纹识别结果。本申请的纸纹识别方法只需要获得待验证指纹图像的去污特征图像，而不需要大量拍摄，从而可以节省大量时间。

附图说明

图1为一个实施例中纸纹识别方法的流程示意图；

图2为另一个实施例中纸纹识别方法的流程示意图；

图3为另一个实施例中纸纹识别方法的流程示意图；

图4为一个实施例中YOLO-V2模型的网络结构图；

图5为一个实施例中步骤S400的流程示意图；

图6为一个实施例中步骤S410的流程示意图；

图7为另一个实施例中纸纹识别方法的流程示意图；

图8为一个实施例中纸纹识别装置的结构框图；

图9为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的纸纹识别方法，可以应用于终端中。终端上可以对拍摄的图像进行处理。终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。

在一个实施例中，如图1所示，提供了一种纸纹识别方法，以该方法应用于上述终端为例进行说明，包括以下步骤：

S200，获得待验证纸纹图像的去污特征区域图像。

待验证纸纹图像是指将被识别纸纹的图像。在其中一个实施例中，待验证纸纹图像可以是已签发的票据，该票据在签发时已经其纸纹信息存储在预设的纸纹数据库内。待验证纸纹图像包含了特征区域图像。去污特征区域图像是指去除了污染后的特征区域图像。在其中一个实施例中，可以通过红外拍摄来获取被识别纸纹的图像的特征区域图像。污染具体是指图像上污染物或印刷字符等特征干扰信息。在其中一个实施例中，可以通过Yolo-v2深度学习模型来识别待验证纸纹图像中的污染，并去除污染。

首先获取待验证纸纹图像的去污特征区域图像，防止待验证纸纹图像中的污染对纸纹识别造成干扰。

S400，提取去污特征区域图像内特征点，根据特征点获取检索特征向量。

特征点是指用于表征该去污特征区域图像，进而表征该待验证纸纹图像的特殊的点，对于一个去污特征区域图像，可以有多个与其对应特征点。检索特征向量是用于预设纸纹数据库中进行快速检索的特殊向量。

首先提取去污特征区域图像内特征点，而后根据特征点获取检索特征向量。在其中一个实施例中可以通过SIFT(Scale-invariant feature transform，尺度不变特征转换)算法提取去污区域图像内的特征点并对特征点进行处理得到特征向量。而后将特征向量输入预设的DBN(Deep Belief Nets，深度信念网络)模型中来获取检索特征向量。

S600，根据检索特征向量在预设纸纹数据库内进行特征检索，获得预存纸纹图像。

预设纸纹数据库是指存储有预存纸纹图像的检索特征向量的数据库。预存纸纹图像是指与待验证纸纹图像可以一一匹配的纸纹图像。

根据所获得的检索特征向量在存储有预存纸纹图像的预设纸纹数据库内进行特征检索，当在预设数据库内检索到与输入的检索特征向量相同的预存检索特征向量时，获得与预存的检索特征向量向对应的预存纸纹图像。

S800，将预存纸纹图像的特征点与去污特征区域图像的特征点进行特征匹配，获得纸纹识别结果。

而后将所获得的预存纸纹图像的特征点与去污特征区域图像的特征点进行特征匹配，匹配成功时，即可判定识别该纸纹所对应的图像即是预设数据库内预存纸纹图像。在其中一个实施例中，可以通过knnmatch(K-近邻匹配)算法来对所获得的预存纸纹图像的特征点与去污特征区域图像的特征点。在其中一个实施例中，所是别的去污特征区域图像来自票据，当与预设数据库的预存纸纹图像匹配成功时，即可判定该票据为真。

上述票据识别方法，通过获得待验证纸纹图像的去污特征区域图像，而后提取去污特征区域图像的特征点，根据特征点获取特征向量，并进一步获得检索特征向量从而在预设纸纹数据库内的中查找与待验证纸纹图像匹配的预存纸纹图像，并将获取的预存纸纹图像的特征点与待验证纸纹图像的特征点进行对比，获得纸纹识别结果。继而可以简化纸纹识别仪结构，成为便携式纸纹设备。本申请的纸纹识别方法只需要获得待验证指纹图像的去污特征图像，而不需要大量拍摄，从而可以节省大量时间。此外当用于识别票据纸纹时，由于票据纸纹特征数据必须与票据票号关联，而本申请的纸纹识别方法可以在不识别票号信息的条件下，依票据纸纹特征数据快速检索签发数据，减少票号识别错误导致纸纹匹配失败问题；直接票据纸纹特征检索比对，可以实现票据受理无需人机交互，可基本实现纸纹仪器无人值守的要求。

如图2所示，在其中一个实施例中，步骤S200，获得待验证纸纹图像的去污特征区域图像之前还包括：

S121，获得预存纸纹图像的去污特征区域图像。

S123，提取去污特征区域图像内特征点，根据特征点获取检索特征向量。

S125，将预存纸纹图像的检索特征向量存入预存纸纹数据库。

在对纸纹图像进行识别前，需要在预设纸纹数据库内存入预存纸纹图像的检索特征向量，对预存纸纹图像的处理过程与上述步骤S200至步骤S400类似。在其中一个实施例中，预存纸纹图像为已签发的票据，可以在票据签发时对已签发票据进行上述处理以待后续对该票据进行验证。

如图3所示，在其中一个实施例中，步骤S200，获得待验证纸纹图像的去污特征区域图像之前包括：

S140，获取待验证纸纹图像的特征区域图像，通过Yolo-v2模型检测特征区域图像中的污染所在区域，并在特征区域图像中去除污染所在区域，获得去污特征区域图像。

在对待验证纸纹图像进行识别之前，可以通过Yolo-v2算法来检测待验证纸纹图像的特征区域图像进行检测。Yolo-v2的网络模型具体如图4所示，Yolo-v2算法的具体流程为获取待验证图像的特征区域图像，而后将取待验证图像的特征区域图像分为SxS个网格，如果特征区域图像的某个物体的中心落在某个网格中，则这个网格就负责预测这个物体。而每个网格要预测多个目标窗口，每个目标窗口除了要回归自身的位置之外，还要附带预测一个confidence值，confidence值代表了预测的窗口中含有该物体的置信度和这个窗口预测的有多准两重信息。每个窗口还要预测一个类别信息。在测试的时候，每个网格预测的类别信息和目标窗口预测的confidence信息相乘，就得到每个目标窗口的class-specificconfidence score。得到每个窗口的class-specific confidence score以后，设置阈值，滤掉得分低的目标窗口，对保留的目标窗口进行NMS处理，就得到最终的检测结果。通过Yolo-v2识别待验证图像的特征区域图像中的污染以及票面印刷内容，防止其对纸纹识别的干扰。

如图5所示，在其中一个实施例中，步骤S400，提取去污特征区域图像内特征点，根据特征点获取检索特征向量具体包括：

S410，提取去污特征区域图像内特征点，根据特征点生成特征向量。

S430，根据特征向量生成检索特征向量。

可以先提取特征区域图像的特征点，并根据所获得的特征点生成特征向量。而后根据特征向量获得检索特征向量。只通过检索特征向量而不不是通过特征点进行检索可以减少大量检索时间，达到实时对待验证纸纹图像进行识别的效果。

如图6所示，在其中一个实施例中，步骤S410，提取去污特征区域图像内特征点，根据特征点生成特征向量包括：

S411，根据去污特征区域图像构建尺度空间。

S413，获取尺度空间的极值点。

S415，去除极值点中曲率不对称的极值点，获得去污特征区域图像的特征点。

S417，根据去污特征区域图像的特征点确定方向参数。

S419，根据方向参数生成特征向量。

可以通过SIFT算法来提取待验证纸纹图像的特征向量。SIFT算法是一种计算机视觉算法，用来检测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。首先根据待验证图像构建尺度空间，用来模拟图像数据的多次度特征。而后检测尺度空间内的极值点，并去除极值点中曲率不对称的极值点，而将其他极值点作为去污特征区域图像的特征点。具体可以将极值点的边缘阈值作为衡量是否是非常不对称的标准。而后为每个特征点计算一个方向，依照这个方向做进一步的计算,利用特征点邻域像素的梯度方向分布特性为每个特征点指定方向参数，使其具备旋转不变性。具体可以通过公式：

计算点(x,y)处梯度的模值。其中L为特征点所在的尺度。

并通过公式：

计算点(x,y)处的方向。

至此图像的特征点已经检测完毕，每个特征点有三个信息：位置、所处尺度、方向，由此可以确定一个SIFT特征区域。在实际计算时，以特征点为中心的邻域窗口内采样，并用直方图统计邻域像素的梯度方向。梯度直方图的范围是0～360度，其中每45度一个柱，总共8个柱,或者每10度一个柱，总共36个柱。直方图的峰值则代表了该特征点处邻域梯度的主方向，即作为该特征点的方向。

而后将坐标轴旋转为特征点的方向，以确保旋转不变性。以特征点为中心取16×16的窗口,计算关键点周围的16*16的窗口中每一个像素的梯度，而且使用高斯下降函数降低远离中心的权重。这样就可以对每个特征点形成一个4*4*8＝128维的描述子，该描述子即为所获取的与特征点所匹配的特征向量，描述子的每一维都可以表示4*4个格子中一个的梯度与方向.将这个向量归一化之后，就进一步去除了光照对待验证纸纹图像的影响。

在其中一个实施例中，根据特征向量生成检索特征向量包括：

将特征向量输入预设DBN网络模型，获得检索特征向量。

DBN网络模型既可以用于非监督学习，类似于一个自编码机；也可以用于监督学习，作为分类器来使用。从非监督学习来讲，其目的是尽可能地保留原始特征的特点，同时降低特征的维度。从监督学习来讲，其目的在于使得分类错误率尽可能地小。在这里我们采用其用于非监督学习的功能，其目的是在保留元数据特点的同时降低特征向量的维度。将特征向量输入预先训练完成的DBN网络模型，获得用于检索的检索特征向量。

如图7所示，在其中一个实施例中，S600，根据检索特征向量在预设纸纹数据库内进行特征检索，获得预存纸纹图像之后还包括：

S710，获取签发票据的纸纹图像的特征点与去污特征区域图像的特征点中匹配成功的特征点的像素坐标。

S730，计算匹配成功的特征点间像素坐标的最短路径。

像素坐标是用于描述在该像素点在图像中位置的量。特征点匹配过程中计算匹配成功的特征点间像素坐标的最短路径。防止因离散高亮点(即污染点)形成随机特征点，一个大的污染点可能形成多个交叉特征匹配点，超过匹配点阈值后，形成无纸纹特征误匹配情况。

在其中一个实施例中，S800，将预存纸纹图像的特征点与去污特征区域图像的特征点进行特征匹配，获得纸纹识别结果之后还包括：

当特征匹配成功时，同时输出所有特征匹配点对的像素坐标数据。

由坐标数据就可以还原到真实的图像数据，便于数据保留，可直观校验。

在一个实施例中，本申请的纸纹识别方法，包括以下步骤：

获得预存纸纹图像的去污特征区域图像。提取去污特征区域图像内特征点，根据特征点获取检索特征向量。将预存纸纹图像的检索特征向量存入预存纸纹数据库。获取待验证纸纹图像的特征区域图像，通过Yolo-v2模型检测特征区域图像中的污染所在区域，并在特征区域图像中去除污染所在区域，获得去污特征区域图像。获得待验证纸纹图像的去污特征区域图像。根据去污特征区域图像构建尺度空间。获取尺度空间的极值点。去除极值点中曲率不对称的极值点，获得去污特征区域图像的特征点。根据去污特征区域图像的特征点确定方向参数。根据方向参数生成特征向量。将特征向量输入预设DBN网络模型，获得检索特征向量。根据检索特征向量在预设纸纹数据库内进行特征检索，获得预存纸纹图像。获取签发票据的纸纹图像的特征点与去污特征区域图像的特征点中匹配成功的特征点的像素坐标。计算匹配成功的特征点间像素坐标的最短路径。S800，将预存纸纹图像的特征点与去污特征区域图像的特征点进行特征匹配，获得纸纹识别结果。当特征匹配成功时，同时输出所有特征匹配点对的像素坐标数据。

应该理解的是，虽然图1-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-7中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

如图8所示，本申请还提供了一种纸纹识别装置，包括：

去污图像获取模块200，用于获得待验证纸纹图像的去污特征区域图像；

检索特征向量提取模块400，用于提取去污特征区域图像内特征点，根据特征点生成检索特征向量；

特征检索模块600，用于根据检索特征向量在预设纸纹数据库内进行特征检索，获得预存纸纹图像；

纸纹识别模块800，用于将预存纸纹图像的特征点与去污特征区域图像的特征点进行特征匹配，获得纸纹识别结果。

在其中一个实施例中，还包括纸纹图像预存模块，用于：

获得预存纸纹图像的去污特征区域图像；

提取去污特征区域图像内特征点，根据特征点获取检索特征向量；

将预存纸纹图像的检索特征向量存入预存纸纹数据库。

在其中一个实施例中，还包括纸纹去污模块，用于：

获取待验证纸纹图像的特征区域图像，通过Yolo-v2模型检测特征区域图像中的污染所在区域，并在特征区域图像中去除污染所在区域，获得去污特征区域图像。

在其中一个实施例中，检索特征向量提取模块400具体包括：

特征向量提取单元，用于提取去污特征区域图像内特征点，根据特征点生成特征向量；

检索特征向量提取单元，用于根据特征向量生成检索特征向量。

在其中一个实施例中，特征向量提取单元用于：

根据去污特征区域图像构建尺度空间；

获取尺度空间的极值点；

去除极值点中曲率不对称的极值点，获得去污特征区域图像的特征点；

根据去污特征区域图像的特征点确定方向参数；

根据方向参数生成特征向量。

在其中一个实施例中，检索特征向量提取单元用于：

将特征向量输入预设DBN网络模型，获得检索特征向量。

在其中一个实施例中，还包括匹配特征点最短路径计算单元，用于：

获取签发票据的纸纹图像的特征点与去污特征区域图像的特征点中匹配成功的特征点的像素坐标；

计算匹配成功的特征点间像素坐标的最短路径。

关于指纹识别装置的具体限定可以参见上文中对于纸纹识别方法的限定，在此不再赘述。上述纸纹识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种纸纹识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获得待验证纸纹图像的去污特征区域图像；

提取去污特征区域图像内特征点，根据特征点获取检索特征向量；

根据检索特征向量在预设纸纹数据库内进行特征检索，获得预存纸纹图像；

将预存纸纹图像的特征点与去污特征区域图像的特征点进行特征匹配，获得纸纹识别结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获得预存纸纹图像的去污特征区域图像；

提取去污特征区域图像内特征点，根据特征点获取检索特征向量；

将预存纸纹图像的检索特征向量存入预存纸纹数据库。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取待验证纸纹图像的特征区域图像，通过Yolo-v2模型检测特征区域图像中的污染所在区域，并在特征区域图像中去除污染所在区域，获得去污特征区域图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

提取去污特征区域图像内特征点，根据特征点生成特征向量；

根据特征向量生成检索特征向量。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据去污特征区域图像构建尺度空间；

获取尺度空间的极值点；

去除极值点中曲率不对称的极值点，获得去污特征区域图像的特征点；

根据去污特征区域图像的特征点确定方向参数；

根据方向参数生成特征向量。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将特征向量输入预设DBN网络模型，获得检索特征向量。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取签发票据的纸纹图像的特征点与去污特征区域图像的特征点中匹配成功的特征点的像素坐标；

计算匹配成功的特征点间像素坐标的最短路径。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获得待验证纸纹图像的去污特征区域图像；

提取去污特征区域图像内特征点，根据特征点获取检索特征向量；

根据检索特征向量在预设纸纹数据库内进行特征检索，获得预存纸纹图像；

将预存纸纹图像的特征点与去污特征区域图像的特征点进行特征匹配，获得纸纹识别结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获得预存纸纹图像的去污特征区域图像；

提取去污特征区域图像内特征点，根据特征点获取检索特征向量；

将预存纸纹图像的检索特征向量存入预存纸纹数据库。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取待验证纸纹图像的特征区域图像，通过Yolo-v2模型检测特征区域图像中的污染所在区域，并在特征区域图像中去除污染所在区域，获得去污特征区域图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

提取去污特征区域图像内特征点，根据特征点生成特征向量；

根据特征向量生成检索特征向量。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据去污特征区域图像构建尺度空间；

获取尺度空间的极值点；

去除极值点中曲率不对称的极值点，获得去污特征区域图像的特征点；

根据去污特征区域图像的特征点确定方向参数；

根据方向参数生成特征向量。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将特征向量输入预设DBN网络模型，获得检索特征向量。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取签发票据的纸纹图像的特征点与去污特征区域图像的特征点中匹配成功的特征点的像素坐标；

计算匹配成功的特征点间像素坐标的最短路径。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种纸纹识别方法，所述方法包括：

获得待验证纸纹图像的去污特征区域图像；

提取所述去污特征区域图像内特征点，根据所述特征点获取检索特征向量；

根据所述检索特征向量在预设纸纹数据库内进行特征检索，获得预存纸纹图像；

将所述预存纸纹图像的特征点与所述去污特征区域图像的特征点进行特征匹配，获得纸纹识别结果。

2.根据权利要求1所述的方法，其特征在于，所述获得待验证纸纹图像的去污特征区域图像之前还包括：

获得预存纸纹图像的去污特征区域图像；

提取所述去污特征区域图像内特征点，根据所述特征点获取检索特征向量；

将所述预存纸纹图像的检索特征向量存入预存纸纹数据库。

3.根据权利要求1所述的方法，其特征在于，所述获得待验证纸纹图像的去污特征区域图像之前包括：

获取待验证纸纹图像的特征区域图像，通过Yolo-v2模型检测所述特征区域图像中的污染所在区域，并在所述特征区域图像中去除所述污染所在区域，获得去污特征区域图像。

4.根据权利要求1所述的方法，其特征在于，所述提取所述去污特征区域图像内特征点，根据所述特征点获取检索特征向量具体包括：

提取所述去污特征区域图像内特征点，根据所述特征点生成特征向量；

根据所述特征向量生成检索特征向量。

5.根据权利要求4所述的方法，其特征在于，所述提取所述去污特征区域图像内特征点，根据所述特征点生成特征向量包括：

根据所述去污特征区域图像构建尺度空间；

获取所述尺度空间的极值点；

去除所述极值点中曲率不对称的极值点，获得所述去污特征区域图像的特征点；

根据所述去污特征区域图像的特征点确定方向参数；

根据所述方向参数生成特征向量。

6.根据权利要求4所述的方法，其特征在于，所述根据所述特征向量生成检索特征向量包括：

将所述特征向量输入预设DBN网络模型，获得检索特征向量。

7.根据权利要求1所述的方法，其特征在于，所述根据所述检索特征向量在预设纸纹数据库内进行特征检索，获得预存纸纹图像之后还包括：

获取签发票据的纸纹图像的特征点与所述去污特征区域图像的特征点中匹配成功的特征点的像素坐标；

计算匹配成功的特征点间像素坐标的最短路径。

8.一种纸纹识别装置，其特征在于，所述方法包括：

去污图像获取模块，用于获得待验证纸纹图像的去污特征区域图像；

检索特征向量提取模块，用于提取所述去污特征区域图像内特征点，根据所述特征点生成检索特征向量；

特征检索模块，用于根据所述检索特征向量在预设纸纹数据库内进行特征检索，获得预存纸纹图像；

纸纹识别模块，用于将所述预存纸纹图像的特征点与所述去污特征区域图像的特征点进行特征匹配，获得纸纹识别结果。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。