论文(IEEE TDSC 2026) Joint Texture Descriptor for the Petersen Graph Local Ternary Pattern based on the Hamming Distance (PLTP_HDPLTP): for Anti-counterfeiting Pattern Recognition论文地址https://doi.org/10.1109/TDSC.2026.3736873代码下载https://github.com/DoctorZheng/PLTPHDPLTP1、研究动机一物一码是当前商品防伪的主流思路——给每件商品印刷一个唯一纹理手机拍照即可验真。但这条路有两个老大难- 传统手工纹理描述子LBP/GLCM/Gabor/LGS 等要么只刻画中心像素与邻域的局部灰度关系要么只看空间分布信息特征不完整LBP 类还对噪声、单调灰度变换敏感。- 深度学习虽然准但一物一码意味着每类只有 1 张真实样本根本凑不出训练集手机端实时推理也吃不消。本文目标在小样本、手机拍摄、存在复印/光照/噪声干扰的真实场景下提出一个不训练、离线、可在移动端运行的手工纹理描述子。2、核心方法PLTP HDPLTP 联合直方图作者把三值模式 LTP取值 -1/0/1与 Petersen 图结合分三步1PLTPPetersen Graph LTP不取 LBP 那种圆形邻域而是在 5×5 灰度块上构建 Petersen 图10 顶点、15 条边、每顶点度数为 3。按边方向把像素分为顶点/非顶点像素用三值编码刻画上升 / 下降 / 平稳三种微结构并以整图平均灰度归一提升对噪声与单调光照变换的鲁棒性。2HDPLTP基于汉明距离的 PLTPPLTP 只编码了局部信息未考虑中心码与邻域码之间的空间共现关系。于是计算中心 PLTP 码 Vc 与 8 个邻域码 Vi 之间的汉明距离 d_i求均值 m 后按阈值 T3 做三值编码把纹理在空间上如何散开也编码进去。3联合直方图h_PLTP ∪ h_HDPLTP 拼接局部信息 空间分布信息一次拿全。旋转不变性靠 Petersen 图整体旋转取最小实现多尺度靠更换邻域半径。识别流程角点/透视校正 → 归一化 256×256 → 切成 R9 个方块、步长 L4 → 逐块提取 PLTP/HDPLTP 直方图 → 与模板图做 L2 距离 → 逐块阈值 σ0.21、全局阈值 ω0.84 判定真/假。3、实验结果自采防伪数据集20 种可变数据喷墨防伪图案10 台激光/喷墨/复印机造假7 个品牌手机拍摄共 20 组 ×1 真 10 假。与 14 种主流/前沿手工描述子对比- 稳定性Welch t 检验 T 值整图 60.51、局部区 10.83均为所有方法最大——真假特征分布最可分。- 光照鲁棒高斯模糊/亮度增益扰动下 F1 仍保持 0.95 以上严重过曝/欠曝才明显掉点。- 跨库泛化在 FMD、MIT-Indoor、VisTex、DTD、KTH 五个公开纹理库上平均准确率 68.58%全部第一。- 速度单张 200×200 约 0.084 s比 LBP 慢但满足手机端实时比对。4、一句话总结Petersen 图负责把 5×5 邻域里谁和谁有关系结构化汉明距离负责补上中心纹理与邻域纹理的空间共现信息两者直方图一拼小样本防伪识别 F1 直接拉满 100%。论文https://doi.org/10.1109/TDSC.2026.3736873代码MATLAB R2024ahttps://github.com/DoctorZheng/PLTPHDPLTP
【论文解读】IEEE TDSC 2026｜Petersen 图 + 汉明距离做防伪纹理识别：PLTP_HDPLTP（附开源代码）
论文(IEEE TDSC 2026) Joint Texture Descriptor for the Petersen Graph Local Ternary Pattern based on the Hamming Distance (PLTP_HDPLTP): for Anti-counterfeiting Pattern Recognition论文地址https://doi.org/10.1109/TDSC.2026.3736873代码下载https://github.com/DoctorZheng/PLTPHDPLTP1、研究动机一物一码是当前商品防伪的主流思路——给每件商品印刷一个唯一纹理手机拍照即可验真。但这条路有两个老大难- 传统手工纹理描述子LBP/GLCM/Gabor/LGS 等要么只刻画中心像素与邻域的局部灰度关系要么只看空间分布信息特征不完整LBP 类还对噪声、单调灰度变换敏感。- 深度学习虽然准但一物一码意味着每类只有 1 张真实样本根本凑不出训练集手机端实时推理也吃不消。本文目标在小样本、手机拍摄、存在复印/光照/噪声干扰的真实场景下提出一个不训练、离线、可在移动端运行的手工纹理描述子。2、核心方法PLTP HDPLTP 联合直方图作者把三值模式 LTP取值 -1/0/1与 Petersen 图结合分三步1PLTPPetersen Graph LTP不取 LBP 那种圆形邻域而是在 5×5 灰度块上构建 Petersen 图10 顶点、15 条边、每顶点度数为 3。按边方向把像素分为顶点/非顶点像素用三值编码刻画上升 / 下降 / 平稳三种微结构并以整图平均灰度归一提升对噪声与单调光照变换的鲁棒性。2HDPLTP基于汉明距离的 PLTPPLTP 只编码了局部信息未考虑中心码与邻域码之间的空间共现关系。于是计算中心 PLTP 码 Vc 与 8 个邻域码 Vi 之间的汉明距离 d_i求均值 m 后按阈值 T3 做三值编码把纹理在空间上如何散开也编码进去。3联合直方图h_PLTP ∪ h_HDPLTP 拼接局部信息 空间分布信息一次拿全。旋转不变性靠 Petersen 图整体旋转取最小实现多尺度靠更换邻域半径。识别流程角点/透视校正 → 归一化 256×256 → 切成 R9 个方块、步长 L4 → 逐块提取 PLTP/HDPLTP 直方图 → 与模板图做 L2 距离 → 逐块阈值 σ0.21、全局阈值 ω0.84 判定真/假。3、实验结果自采防伪数据集20 种可变数据喷墨防伪图案10 台激光/喷墨/复印机造假7 个品牌手机拍摄共 20 组 ×1 真 10 假。与 14 种主流/前沿手工描述子对比- 稳定性Welch t 检验 T 值整图 60.51、局部区 10.83均为所有方法最大——真假特征分布最可分。- 光照鲁棒高斯模糊/亮度增益扰动下 F1 仍保持 0.95 以上严重过曝/欠曝才明显掉点。- 跨库泛化在 FMD、MIT-Indoor、VisTex、DTD、KTH 五个公开纹理库上平均准确率 68.58%全部第一。- 速度单张 200×200 约 0.084 s比 LBP 慢但满足手机端实时比对。4、一句话总结Petersen 图负责把 5×5 邻域里谁和谁有关系结构化汉明距离负责补上中心纹理与邻域纹理的空间共现信息两者直方图一拼小样本防伪识别 F1 直接拉满 100%。论文https://doi.org/10.1109/TDSC.2026.3736873代码MATLAB R2024ahttps://github.com/DoctorZheng/PLTPHDPLTP
