基于轮胎内壁随机纹理的防伪方法与流程

本发明属于汽车后市场，具体涉及一种基于轮胎内壁随机纹理的防伪方法。

背景技术：

随着城市基础设施的快速发展和国民生活水平的提高，我国汽车保有量持续快速增长，汽车后市场潜力持续释放，国内汽车后市场领域的o2o服务平台达到了上千家，竞争异常激烈，通过创新带来更加优质的服务体验成为各大o2o服务平台赢得用户的关键。

国内仅有的几款涵盖轮胎保障的保险都属于产品质量保险，轮胎意外保险尚属于空白领域，保险公司对轮胎意外不赔不保的主要原因在于轮胎属于易损件且容易替换，在缺乏轮胎标识技术的情况下针对轮胎的投保核保难度极大。目前尚未出现任何针对所出售的轮胎进行唯一标识的方法，已有的基于商品防伪方法实施复杂、且轮胎防伪检测的难度大、周期长。

技术实现要素：

本发明针对现有技术的不足，提出了一种基于轮胎内壁随机纹理的防伪方法。

本发明将外部涂料扩散到轮胎内壁上，外部涂料干燥固化后发生随机微变形，从而使轮胎内壁产生随机的纹理，通过图像特征提取算法得到与原始纹理图像一一对应的特征码，将特征码保存在轮胎防伪数据库中；用户通过手机对待验证轮胎的纹理图像进行拍照上传到服务器，通过相同的图像特征提取算法得到待验证轮胎的验证特征码，根据两个特征码的相似度判断待验证轮胎纹理图像与原图像是否匹配，匹配成功则证明该轮胎由平台销售，即可享受平台提供的轮胎意外保障服务。

本发明的有益效果：

(1)可行性强，本发明将轮胎内壁纹理特征和外部涂料相结合，使轮胎防伪图像采集区域固化在轮胎内部，以轮胎本身固有的纹理特征作为防伪识别标记成本低、防伪方法简单易行，便于工业化制作。

(2)纹理结构唯一性，通过轮胎内壁花纹与涂料的不规则结合保证了生成的轮胎内壁纹理结构随机性和唯一性。

(3)仿造难度高，本发明将轮胎内壁随机纹理特征信息通过图片采集保存在平台内部，通过算法提取到的特征码能够有效保存纹理结构图像的细节特征，即使试图伪造相似的轮胎内壁纹理结构提取出的特征码也不相同。

(4)准确率高，基于轮胎内侧局部结构的相似性，采用近邻域投票的方法剔除错误匹配点对得到精确的匹配点集，有效提高了特征码相似度识别的准确率。

(5)检测速度快，本发明完全嵌入电商平台现有使用场景内部，消费者通过无损的拍照方式快速查询轮胎是否由本平台销售，检测的周期短，检测成功后消费者可以迅速享受到平台提供的轮胎意外保障服务，有效地改善了用户体验并且提高了车主对于平台的忠诚度。

附图说明

图1为基于轮胎内壁随机纹理防伪方法整体流程图；

图2为图像预处理流程图；

图3为原始轮胎内壁纹理；

图4为原始轮胎内壁纹理；

图5为待验证轮胎内壁纹理；

图6高斯平滑并otsu二值化后图；

图7为形态学腐蚀后图；

图8为形态学膨胀后图；

图9为最小包围盒定位后图；

图10为特征码匹配结果可视化展示图。

具体实施方式

以下结合附图和实施例对本发明作进一步说明。

如图1所示，本发明的技术方案包括四个步骤：

步骤1：轮胎内壁随机纹理生成：

自古以来印章作为一种信物，在我国是法定权利的代表，是社会团体、国家机关、企事业单位或个人在行使法定职权时证明真实性和有效性的重要依据，印迹是印章的印面通过印泥、印油盖印出来的痕迹，印油因为具有良好的耐水性、耐热性、耐光性、耐酸碱性等优点可直接使用于轮胎内壁。为了使印油在轮胎内壁上产生较大的流延变形幅度可选择扩散性强的印油来印刷，将印油通过印章印刷到轮胎内壁上，形成一个随机纹理结构图像采集区域供后续防伪识别。主要通过以下方法的有效组合生成唯一的随机纹理：

(1)不同品牌、不同型号的轮胎内壁花纹一般都不相同，轮胎内壁的花纹凹凸不平导致印油在其上扩散时不规则、扩散方向随机。

(2)相同品牌、相同型号的轮胎内壁花纹即使相同，印章所盖的位置随机。

(3)印油被印刷到轮胎内壁上之后，印油尚未彻底干燥固化之前，通过不同方向的风等外力推动印油发生微小位移，从而与轮胎内壁凹凸不平的花纹结合产生出更加显著的、个性化的随机纹理，同时加快了印油的干燥速度。

步骤2：图像预处理：

将步骤1产生的随机纹理结构图像与二维高斯函数的一阶偏导数卷积，使原始图像达到平滑的效果，高斯平滑后输出图像转换为灰度图像，通过最大类间方差法求得前景和背景之间的最佳分割阈值，根据该阈值将灰度图像转化为二值图像，对得到的二值图像进行若干次数学形态学腐蚀运算，以去除二值图像中面积明显小于随机纹理区域的背景噪声，然后通过若干次数学形态学膨胀运算恢复随机纹理区域面积大小，最后运用最小包围盒算法定位出二值图像中的感兴趣区域并将感兴趣区域的彩色纹理图像输出给下一步骤。图像预处理流程图如图2所示。

步骤3：轮胎内壁纹理特征提取与选择：

sift算法是最好的特征点提取和描述算子，它提取的特征点对尺度和旋转具有不变性，同时对于亮度和三维视角变化具有一定的不变性。本发明利用sift算法的这一特点提取步骤2产生的轮胎内壁随机纹理，主要步骤如下：

(1)尺度空间的构建：尺度空间的构建是为了模拟图像数据的多尺度特征，随机纹理特征提取在多尺度空间内完成，能够保证提取出的特征具有尺度不变性，使平台保存的原始轮胎内壁纹理图像与用户采集的待验证轮胎内壁纹理图像一致，大尺度保存轮胎内壁的概貌特征，小尺度保存轮胎内壁的细节特征。

(2)关键点的检测：在高斯差分尺度空间中检测三维极值点作为候选的特征点，然后对三维极值点用二次函数来进行拟合，拟合函数为

其中，x＝(x，y，σ),为了得到极值点的偏移量，将式(1)求导并让方程等于0，式(1)可得到式(2)，

利用的值可以剔除低对比度的不稳定特征点，以增强下一步特征点匹配的稳定性、提高抗噪能力，由于高斯差分算子会产生强边缘响应点，因此需要剔除，使用候选点的hessian矩阵进行处理；

(3)确定关键点的方向：基于轮胎内壁随机纹理图像的局部属性，为每个关键点指定一个或若干个方向，并且每个关键点的描述子都与这些方向密切相关，从而实现描述子的不变性。每个关键点的方向由该点邻域内各个像素的模和方向决定，某像素点的模和梯度方向计算公式如下：

θ(x，y)＝tan^-1((l(x，y+1)-l(x，y-1))/(l(x+1，y)-l(x-1，y)))(5)

其中，l(x，y)为某组尺度空间上的图像，m(x，y)为在(x,y)处像素点的梯度模值，θ(x，y)为在(x,y)处像素点的梯度方向，利用式(4)和式(5)可得到每个关键点邻域内各个像素的梯度模和方向，对于检测到的每一个特征点在其邻域内统计尺度方向直方图，求得直方图的峰值作为特征点的主方向。

(4)关键特征点描述子的生成：经过上述处理后特征点包含坐标信息、尺度信息、主方向信息等，根据主方向将坐标系进行旋转，从而确保生成的描述子对图像旋转具有不变性，为了避免描述子的突变情况，使离描述子窗口中心远的梯度影响所占比重较小，减少对匹配误差的影响，引入高斯加权函数，为描述子窗口中的每个像素点分配一个权值，离特征关键点远的像素点权重小，越靠近关键点的像素梯度方向的信息贡献越大，对每个子窗口中的像素点的梯度方向从八个方向进行方向直方图统计，这时就会在以关键点为中心的d*d窗口内生成n个数据，对于每个关键点来说，生成的n维特征向量即是所需要的特征点描述子。

关键点的n维特征向量形成以后，为了去除光照变化的影响，需要对它们进行归一化处理，并且对于图像灰度值整体的漂移，由于图像各点的梯度是邻域像素相减得到，所以也能够去除。由于轮胎内壁图像采集环境因素造成的非线性光照影响会造成某些方向的梯度模值过大，但是对梯度方向影响微弱，通过设置门限值截断较大的梯度值从而降低模值较大梯度的影响，然后再进行一次归一化处理，提高描述子的质量。

(5)原始纹理图像的特征码入防伪数据库：将计算出的特征点描述子组合成为原始纹理图像的特征码录入防伪数据库中保存。

步骤4：特征码相似度判断：假设平台保存的原始纹理图像中的某一个特征点a，其对应的特征点描述子为步骤3产生的向量da，用户提交的待验证纹理图像中存在特征点b和c，其中特征点b为与特征点a欧氏距离最近的点，c为次最近点，二者对应的特征点描述子分别为向量db和向量dc，若欧式距离比满足式(6)，则认为用户提交的待验证纹理图像中特征点b为原始纹理图像中特征点a的候选匹配点。

由于轮胎内壁的局部结构相似等因素的影响，基于欧式距离为相似性度量的特征匹配结果中可能存在错误的匹配。正是由于轮胎内侧局部结构的相似性，在正确匹配点的周围一定存在更多的正确匹配结果，若不是正确的匹配结果，那么其邻域内匹配点很少，甚至根本不存在匹配点，因此可以累计周围的匹配点在局部主方向和距离上对该候选匹配点的贡献，并判断待验证纹理图像与原始纹理图像的匹配点对距离相关度及局部夹角相关度是否在阈值范围内，若在阈值范围内的则为正确匹配点，否则放弃该候选匹配点，本发明所采用的近邻域投票的方法能够剔除错误匹配点，得到精确的匹配点集。最终通过匹配点集的数量与阈值进行比较判断特征码间的相似程度。

实施例：

步骤1：轮胎内壁随机纹理生成

原始轮胎内壁纹理如图3所示，内壁凹凸不平的纹理伴随着轮胎制作过程而产生，不同品牌、不同型号的轮胎内壁花纹一般都不相同，且一般轮胎均为黑色，本实施例采用白色印油制作随机纹理，通过方形印章将白色印油印刷在轮胎内壁上，并通过不同方向的风使印油快速干燥并发生微小的位移。本发明的实施例仅选取一种类型的印章举例，包括但不仅限于此种类型的印章，其他形状的印章扣印在轮胎内侧均在本发明的保护范围内。

制作完成的轮胎内壁纹理结构如图4所示。为了模拟实际场景，从不同角度对同一个内壁纹理结构采集两幅照片，一幅作为平台保留的原始轮胎内壁纹理图像，如图4所示，另外一幅为消费者拍摄的待验证轮胎纹理图像如图5所示。

步骤2：图像预处理

将图5中的纹理结构彩色图像通过灰度化转化为灰度图像，经过高斯平滑去除噪声后，并通过最大类间方差法求得前景和背景之间的最佳分割阈值，通过该阈值将灰度图像转化为二值图像，如图6所示。

对得到的二值图像经过若干次形态学腐蚀运算(如图7)，以去除二值图像中面积明显小于随机纹理区域的背景噪声，然后通过若干次数学形态学膨胀运算扩大随机纹理区域面积以便于最小包围盒算法定位(如图8)。

最后运用最小包围盒算法定位出二值图像中的感兴趣区域并将感兴趣区域用红色圆圈标出(如图9)，把该区域的彩色图像输出给下一步骤。使用数字图像处理技术的有效组合定位出的轮胎内侧随机纹理区域均在本发明的保护范围内。

步骤3：轮胎内壁随机纹理特征提取与选择

首先在高斯差分尺度空间中检测三维极值点作为候选特征点，然后通过式(2)剔除低对比度的特征点，对三维极值点进行精确定位，对于本实施例中所遇到的所有极值点，若极值点的拟合极值则认为此点为低对比度的采样点，并将其去除。

沿着边缘方向高斯差分函数有着很强的响应，而且在边缘处的极值点很难定位，因此在边缘处的极值点不稳定，也容易受少量噪声的影响，采用hessian矩阵处理候选特征点，本实施例式(3)中的λ0取10，当式(3)成立时作为特征点进行保留，否则将该点作为强边缘响应点进行剔除处理。

利用式(4)和(5)可得到每个关键点邻域内各个像素的梯度模和方向，因为关键点的方向由该点邻域内各个像素的模和方向决定，所以需要为关键点建立一个方向直方图，该方向直方图将把360°平均分为36个区块，每一区块的区间宽度为10°，像素的梯度方向决定了模值放在直方图的哪个区块内，然后将这个像素点的模值进行高斯加权后加进该区块，就形成了该关键点的方向直方图。

方向直方图的最大峰值所在区块对应的方向即为该关键点的主方向；将坐标轴旋转到关键点的主方向后，将关键点周围邻域分为4×4的子区域，并计算每个4×4区域的图像小块在8个方向的梯度方向直方图，计算每个梯度方向的累加值，由此形成一个由8维的向量表示的种子点，因此4×4个种子点产生一个4×4×8＝128维的特征向量，该128维的特征向量即为特征码，具有轮胎内壁随机纹理的细节特征，特征向量提取结果如下：

为了消除光照变化对特征向量的影响，需要对特征向量作标准化处理，针对线性的光照变化，将特征向量标准化为单位长度，针对非线性光照变化，先设置阈值使单位特征向量的值不超过0.2，然后再将特征向量标准化为单位长度。本实施例仅以sift特征提取方法举例，其他具有尺度、旋转不变性的角点提取算法也在本发明的保护范围内。

步骤4：特征码匹配和相似度判断

假设a为图4原始纹理图像中的某一个特征点，其对应的特征码为步骤3产生的向量da，图5用户提交的待验证纹理图像中存在特征点b和c，二者对应的特征码分别为向量db和向量dc，其中特征点b为与特征点a欧氏距离最近的点，c为次最近点，若欧式距离比满足式(6)，本实施例中t一般设为0.8，则可以认为a和b可以对应匹配，然后采用近邻域投票的方法剔除错误匹配点。

图10为图4和图5部分特征点匹配结果可视化展示，直线连接的两端为算法判定的同一特征点，根据感兴趣区域中匹配点集数量与阈值进行比较判断相似程度，本实施例中阈值为50，若两个感兴趣区域中匹配点集的数量大于等于50则认为两特征码相似，原始纹理图像与待验证纹理图像相同，反之则认为两纹理图像不同。