CN102737254B - 一种标志图像的识别方法 - Google Patents
一种标志图像的识别方法 Download PDFInfo
- Publication number
- CN102737254B CN102737254B CN201210198831.5A CN201210198831A CN102737254B CN 102737254 B CN102737254 B CN 102737254B CN 201210198831 A CN201210198831 A CN 201210198831A CN 102737254 B CN102737254 B CN 102737254B
- Authority
- CN
- China
- Prior art keywords
- sign image
- global
- centerdot
- reference point
- distribution matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种标志图像的识别方法,包括:步骤一,输入一个待识别标志图像到标志图像数据库;步骤二,将标志图像分割成大小相等的网格,并将每个网格的几何中心点设置为参考点;步骤三,逐一遍历并计算对应于每个网格内参考点的局部几何约束分布直方图;步骤四,计算全局几何约束分布矩阵,并将其大小归一化;步骤五,遍历标志图像数据库中的每一个标志图像,重复步骤二至步骤四,得到标志图像数据库中的每一个标志所对应的全局几何约束分布矩阵,并分别计算待识别标志图像与标志图像数据库中的每一个标志的曼哈顿距离作为对应的相似度;步骤六,将标志间的相似度数值从低到高排序输出,完成标志图像的识别。
Description
技术领域
本发明涉及一种标志图像的识别方法,特别是一种从标志图像数据库中采用基于多参考点直方图矩阵描述的标志图像的识别方法。
背景技术
随着信息技术的飞速发展以及各种数字化设备的大量普及,每天都有大量的图像、视频等多媒体资料产生,面对如此海量的多媒体信息,如何从中识别出自己感兴趣的特定标志已经成为一个亟待解决的问题,具有较高的商业、经济价值和市场前景。
目前存在的标志识别方法主要有基于结构的识别方法和基于统计的识别方法。其中基于结构的识别方法对存在扭曲变形及噪声等退化情况不具有较强的鲁棒性,但其可以较好的捕获到标志的结构细节信息,对于标志的精细匹配起到良好作用;基于统计的标志识别方法正好和基于统计的方法相反,其对扭曲变形及噪声等具有鲁棒性,但不能捕获到标志的结构细节信息。
发明内容
发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种标志图像的识别方法,从而从标志图像数据库中快速准确的查找到与输入的待识别标志图像最接近的标志图像。
为了解决上述技术问题,本发明公开了一种标志图像的识别方法,包括以下步骤:
步骤一,输入一个待识别标志图像到标志图像数据库,所述待识别标志图像以及标志图像数据库中的标志图像中都包含若干有效像素点;
步骤二,将标志图像划分为大小相等的网格,计算每个网格的几何中心点,将该几何中心点设置为参考点;把一个标志图像划分为H个网格,对H个网格的参考点依次编号为R0,R1,...,RH-1;
步骤三,遍历一个标志图像中的任意两个像素组成的像素对,并计算每对像素点相对于当前参考点的几何约束特征值,所述几何约束特征值包括角度θ和长度比L;将所有像素对计算出来的约束特征值分别投影到各自的一维坐标系中;长度比L的取值范围为[0,1],将取值范围[0,1]划分为Q个等值段;角度θ的其取值范围为[0°,180°],将取值范围[0°,180°]划分为W个等值段;分别统计落在Q个等值段中的长度比L的数量百分比和落在W个等值段中的角度θ的数量百分比,从而构成两个直方图,即为当前参考点对应的局部几何约束分布直方图;
遍历一个标志图像中所有参考点,得到每个参考点对应的局部几何约束分布直方图;
步骤四,将一个标志图像中所有参考点对应的局部几何约束分布直方图进行组合,得到一个标志图像对应的全局几何约束分布矩阵,并对其进行大小归一化;
步骤五,重复步骤二至步骤四,遍历标志待识别标志图像和图像数据库中的每一个标志图像,得到每一个标志图像所对应的全局几何约束分布矩阵;
分别计算待识别标志图像与标志图像数据库中的每一个标志图像的曼哈顿距离作为对应的相似度;
步骤六,按照标志图像间的相似度数值从低到高排序输出对应的标志图像,完成标志图像的识别。
本发明步骤三中,由长度比L和角度θ描述的几何约束特征值的计算如下:
C(Rl)={(Lij,θij)|i∈[1,S-1],j∈[i+1,S]},
Lij=min{|PiRl|/|PjRl|,|PjRl|/|PiRl|},Lij∈[0,1],
θij=∠PiRlPj,
S为图像中像素点的个数,对S个像素点依次进行编号0,...,i,...,j,...,S-1,i和j是其中任意两个编号,Pi和Pj分别为标志图像上S个像素点中的第i个和第j个像素,Rl代表当前网格内的参考点,0≤j≤H-1;|PiRl|和|PjRl|分别表示向量和的长度值;∠PiRlPj为上述两个向量形成的夹角;Lij和θij分别为第i个和第j个像素与参考点Rl形成的长度比值和角度值;C(Rl)表示所有的像素点相对于参考点Rl所形成的长度比值和角度值集合;min表示获取多个元素中的最小元素;对于参考点Rl,总共有S(S-1)/2对约束特征值。
进一步地,在步骤三中,所述当前参考点对应的局部几何约束分布直方图的计算如下:
对于长度比Lij,对Q个等值段进行编号0,...,k,...,Q-1;
对于角度θij,对W个等值段进行编号0,...,t,...,W-1;
nk(Rl)表示参考点Rl所对应的长度比直方图中第k个等值段对应的数值,单个字母n无特定含义;f(Lij)函数表示长度比Lij的值是否落在第k个等值段内,如果在该等值段内,f(Lij)为1,否则为0;
对于参考点Rl,其角度直方图表示为:
mt(Rl)表示参考点Rl所对应的角度直方图中第t个等值段对应的数值;g(θij)函数表示θij的值是否落在第t个等值段内,如果在该等值段内,g(θij)为1,否则为0。
本发明步骤四中,在得到每个参考点对应的局部几何约束分布直方图之后,将这些直方图组合起来便可以得到标志对应的全局几何约束分布矩阵。其计算过程如下:
由于把整个标志划分为了H个小网格,对H个网格的参考点依次编号为R0,R1,...,RH-1,用步骤三中得到的H个向量来构筑全局长度比约束分布矩阵:
全局角度约束分布矩阵表示为:
本发明步骤四中,在得到全局几何约束分布矩阵之后,要将全局长度比约束分布矩阵和全局角度约束分布矩阵分别进行大小归一化,其计算过程如下:
对于全局长度比约束分布矩阵中的第a列,这列总共包含H个元素,记为:
{na(Rp)|p=0,1,...H-1},na(Rp)∈[0,1];单个字母n无特定含义;
每个元素的取值范围为[0,1],将[0,1]划分成M个等值段,对M个等值段进行编号0,...,r,...,M-1,将第a列表示为:
na(Rp)代表全局长度比约束分布矩阵中第a列的一个元素,代表全局长度比约束分布矩阵第a列经过大小归一化之后的列向量,za(r)表示该列向量中第r个值;p代表一列中从上到下的H个元素中的一个,f(na(Rp))函数表示na(Rp)的值是否落在第r个分段内,如果在该分段内,f(na(Rp))为1,否则为0。
将长度比L的取值范围[0,1]划分为Q个等值段,得到如下矩阵:
全局角度约束分布矩阵的大小归一化方法和上述类似。
对于全局角度约束分布矩阵中的第b列,这列总共包含H个元素,记为:
{mb(Rq)|q=0,1,...H-1},mb(Rq)∈[0°,180°];
每个元素的取值范围为[0°,180°],将[0°,180°]划分成N个等值段,对N个等值段进行编号0,...,x,...,N-1,将第b列表示为:
mb(Rq)代表全局角度约束分布矩阵中第b列的一个元素,代表全局角度约束分布矩阵第b列经过大小归一化之后的列向量,db(x)表示该列向量中第x个值;q代表一列中从上到下的H个元素中的一个,f(mb(Rq))函数表示mb(Rq)的值是否落在第x个分段内,如果在该分段内,f(mb(Rq))为1,否则为0。
此处将[0°,180°]划分成N个等值段,由于在步骤三中,将[0°,180°]划分为W个等值段,所以经过大小归一化后的全局角度约束分布矩阵的形式如下:
本发明步骤五中,在分别得到待识别标志和标志图像数据库中的所有标志的全局几何约束分布矩阵之后,要分别计算待识别标志和标志图像数据库中的标志的相似度。其中,两个标志S和T之间的相似度按如下公式计算:
dis=sum[abs(LRHS-LRHT)]+sum[abs(AHS-AHT)],
其中,LRH表示全局长度比约束分布矩阵,AH表示全局角度约束分布矩阵;待比较的两个标志图像的全局约束分布矩阵分别为{LRHS,AHS}和{LRHT,AHT};dis表示标志图像S和标志图像T的相似度,abs为绝对值函数,sum为求和函数。
有益效果:本发明是一种标志图像的识别方法,提取了像素之间的几何约束关系,获得像素对应于每个参考点的局部约束分布直方图,且将局部约束进行组合生成全局的约束分布矩阵,比其它基于统计特征的标志识别方法具有更好的标志局部细节区分能力。另外,本发明还具有对缩放和旋转变换鲁棒的优点。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和或其他方面的优点将会变得更加清楚。
图1为本发明流程图。
图2为本发明一对像素点相对于当前参考点的长度比和角度的计算示例。
图3为从标志图像数据库中分别识别七个标志所得到的结果示例。
具体实施方式:
本发明所述的一种标志图像的识别方法,基本出发点是通过对标志进行等大小的网格划分,并将每个网格的几何中心点设置为参考点,然后计算每一对像素点相对于参考点的长度比和角度几何约束特征值,形成局部的描述算子,最后再将所有参考点对应的局部描述子组成全局的约束分布矩阵,以此作为标志的描述符来进行标志的识别。
本发明公开了一种标志图像的识别方法,包括以下步骤:
步骤一,输入一个待识别标志图像到标志图像数据库,所述待识别标志图像以及标志图像数据库中的标志图像中都包含若干有效像素点。
步骤二,将标志图像划分为大小相等的网格,计算每个网格的几何中心点,将该几何中心点设置为参考点;把一个标志图像划分为H个网格,对H个网格的参考点依次编号为R0,R1,...,RH-1。
步骤三,遍历一个标志图像中的任意两个像素组成的像素对,并计算每对像素点相对于当前参考点的几何约束特征值,所述几何约束特征值包括角度θ和长度比L;将所有像素对计算出来的约束特征值分别投影到各自的一维坐标系中;长度比L的取值范围为[0,1],将取值范围[0,1]划分为Q个等值段;角度θ的其取值范围为[0°,180°],将取值范围[0°,180°]划分为W个等值段;分别统计落在Q个等值段中的长度比L的数量百分比和落在W个等值段中的角度θ的数量百分比,从而构成两个直方图,即为当前参考点对应的局部几何约束分布直方图。
遍历一个标志图像中所有参考点,得到每个参考点对应的局部几何约束分布直方图。
步骤三中,所述几何约束特征值中的长度比和角度计算方法如下:
C(Rl)={(Lij,θij)|i∈[1,S-1],j∈[i+1,S]},
Lij=min{|PiRl|/|PjRl|,|PjRl|/|PiRl|},Lij∈[0,1],
θij=∠PiRlPj,
S为图像中像素点的个数,对S个像素点依次进行编号0,...,i,...,j,...,S-1,i和j是其中任意两个编号,Pi和Pj分别为标志图像上S个像素点中的第i个和第j个像素,Ri代表当前网格内的参考点,0≤j≤H-1;|PiRl|和|PjRl|分别表示向量和的长度值;∠PiRlPj为上述两个向量形成的夹角;Lij和θij分别为第i个和第j个像素与参考点Rl形成的长度比值和角度值;C(Rl)表示所有的像素点相对于参考点Rl所形成的长度比值和角度值集合;min表示获取多个元素中的最小元素;对于参考点Rl,总共有S(S-1)/2对约束特征值。
步骤三中,所述当前参考点对应的局部几何约束分布直方图的计算如下:
对于长度比Lij,对Q个等值段进行编号0,...,k,...,Q-1;
对于角度θij,对W个等值段进行编号0,...,t,...,W-1;
nk(Rl)表示参考点Rl所对应的长度比直方图中第k个等值段对应的数值;
mt(Rl)表示参考点Rl所对应的角度直方图中第t个等值段对应的数值。
步骤四,将一个标志图像中所有参考点对应的局部几何约束分布直方图进行组合,得到一个标志图像对应的全局几何约束分布矩阵,并对其进行大小归一化;
步骤四中,所述全局长度比约束分布矩阵的表示为:
全局角度约束分布矩阵表示为:
步骤四中,对全局几何约束分布矩阵进行大小归一化的方法如下:
对于全局长度比约束分布矩阵中的第a列,这列总共包含H个元素,记为:
{na(Rp)|p=0,1,...H-1},na(Rp)∈[0,1];
每个元素的取值范围为[0,1],将[0,1]划分成M个等值段,对M个等值段进行编号0,...,r,...,M-1,将第a列表示为:
将长度比L的取值范围[0,1]划分为Q个等值段,得到如下归一化后的矩阵:
对于全局角度约束分布矩阵中的第b列,这列总共包含H个元素,记为:
{mb(Rq)|q=0,1,...H-1},mb(Rq)∈[0°,180°];
每个元素的取值范围为[0°,180°],将[0°,180°]划分成N个等值段,对N个等值段进行编号0,...,x,...,N-1,将第b列表示为:
经过大小归一化后的全局角度约束分布矩阵的形式如下:
步骤五,重复步骤二至步骤四,遍历标志待识别标志图像和图像数据库中的每一个标志图像,得到每一个标志图像所对应的全局几何约束分布矩阵;
分别计算待识别标志图像与标志图像数据库中的每一个标志图像的曼哈顿距离作为对应的相似度;
步骤五中,两个标志图像之间的相似度的计算如下:
dis=sum[abs(LRHS-LRHT)]+sum[abs(AHS-AHT)],
其中,LRH表示全局长度比约束分布矩阵,AH表示全局角度约束分布矩阵;待比较的两个标志图像的全局约束分布矩阵分别为{LRHS,AHS}和{LRHT,AHT};dis表示标志图像S和标志图像T的相似度,abs为绝对值函数,sum为求和函数。
步骤六,按照标志图像间的相似度数值从低到高排序输出对应的标志图像,完成标志图像的识别。
实施例
下面结合附图对本实施例作更加详细的解释:
如图1所示,步骤1,起始。
步骤2,输入待识别标志图像S。经过下面步骤的计算,即可返回与标志S相似的标志序列(按照与标志S的相似度大小排序)。
步骤3,对标志进行大小相等的网格划分。
步骤4,将每个网格内的几何中心点设置为参考点。
步骤5,依次选取每个网格内的参考点作为当前参考点。
步骤6,计算标志上的每一对像素点对于当前参考点的长度比L和角度θ约束特征值:
Lij=min{|PiRl|/|PjRl|,|PjRl|/|PiRl|},Lij∈[0,1],θij=∠PiRlPj,
步骤7,将每一对像素点计算出来的两个约束特征值分别进行直方图统计,对于长度比Lij,其计算如下:
对于角度θij,其计算如下:
步骤8,生成对应于当前网格参考点的局部几何约束分布直方图,对于长度比Lij,将其取值范围[0,1]划分为Q个等值段;对于角度θij,将其取值范围[0°,180°]划分为W个等值段。对于当前参考点Rl,它的长度比直方图可用如下向量来进行表示:
重复步骤5至步骤8,直到标志所有参考点对应的局部几何约束分布直方图全部计算结束,进行步骤10,如果没有遍历所有的分割体,则返回步骤5;
步骤10,在遍历完所有参考点之后,将每个参考点对应的局部几何约束分布直方图进行组合生成全局的几何约束分布矩阵:
假定把整个标志划分为了H个小网格,那么便可以用步骤8中得到的H个向量来构筑全局长度比约束分布矩阵:
全局角度约束分布矩阵和上述类似,其形式如下:
然后再将上述长度比约束分布矩阵和角度约束分布矩阵分别进行大小归一化。至此得到了一个标志的描述算子,即是标志的全局几何约束分布矩阵。
步骤11,判断当前处理的标志是否为待识别标志,若是,则在步骤12中,将得到的全局几何约束分布矩阵记为MS,然后执行步骤13;若不是,则执行步骤14,之后执行步骤15。
在步骤13,从标志图像数据库中取出一个标志,按步骤3到10计算该标志的全局几何约束分布矩阵。
步骤14,记全局几何约束分布矩阵为MT。
步骤15,判断是否遍历了所有标志图像数据库中的所有标志,如果是,则进行步骤16,否则执行步骤13。
步骤16,计算待识别标志和标志图像数据库中的其它标志的全局几何约束分布矩阵描述算子之间的曼哈顿距离,以此作为标志之间的相似度度量值。
步骤17,对标志之间的相似度按从小到大进行排序。相似度的值越小,则说明该标志和待识别标志S越相似。
步骤18,输出检索的结果。
步骤19,结束。
如图2所示,图中的黑色圆点Rl代表了该网格的几何中心点,同时也是该网格的参考点。图中由Pi和Rl构成的直线代表了前面所述的向量类似的,由Pj和Rl构成的直线代表了向量图中由向量和构成的夹角就是θij。
如图3所示,七个标志识别的例子:Query代表待识别标志,No.1-9是计算返回结果的前9个,其下方数字表示该标志与待识别标志之间的相似度,相似度越小,表示相似程度越高。在GREC2005图形基准测试库上的实验表明,本发明中提出的标志识别方法比以往的方法在识别率上平均提升了二十多个百分点。
本发明提供了一种标志图像的识别方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (1)
1.一种标志图像的识别方法,其特征在于,包括以下步骤:
步骤一,输入一个待识别标志图像到标志图像数据库,所述待识别标志图像以及标志图像数据库中的标志图像中都包含若干有效像素点;
步骤二,将标志图像划分为大小相等的网格,计算每个网格的几何中心点,将该几何中心点设置为参考点;把一个标志图像划分为H个网格,对H个网格的参考点依次编号为R0,R1,...,RH-1;
步骤三,遍历一个标志图像中的任意两个像素组成的像素对,并计算每对像素点相对于当前参考点的几何约束特征值,所述几何约束特征值包括角度θ和长度比L;将所有像素对计算出来的约束特征值分别投影到各自的一维坐标系中;长度比L的取值范围为[0,1],将取值范围[0,1]划分为Q个等值段;角度θ的其取值范围为[0°,180°],将取值范围[0°,180°]划分为W个等值段;分别统计落在Q个等值段中的长度比L的数量百分比和落在W个等值段中的角度θ的数量百分比,从而构成两个直方图,即为当前参考点对应的局部几何约束分布直方图;
遍历一个标志图像中所有参考点,得到每个参考点对应的局部几何约束分布直方图;
步骤四,将一个标志图像中所有参考点对应的局部几何约束分布直方图进行组合,得到一个标志图像对应的全局几何约束分布矩阵,并对其进行大小归一化;
步骤五,重复步骤二至步骤四,遍历标志待识别标志图像和图像数据库中的每一个标志图像,得到每一个标志图像所对应的全局几何约束分布矩阵;
分别计算待识别标志图像与标志图像数据库中的每一个标志图像的曼哈顿距离作为对应的相似度;
步骤六,按照标志图像间的相似度数值从低到高排序输出对应的标志图像,完成标志图像的识别;
步骤三中,所述几何约束特征值中的长度比和角度计算方法如下:
C(Rl)={(Lij,θij)|i∈[1,S-1],j∈[i+1,S]},
Lij=min{|PiRl|/|PjRl|,|PjRl|/|PiRl|},Lij∈[0,1],
θij=∠PiRlPj,
S为图像中像素点的个数,对S个像素点依次进行编号0,...,i,...,j,...,S-1,i和j是其中任意两个编号,Pi和Pj分别为标志图像上S个像素点中的第i个和第j个像素,Rl代表当前网格内的参考点,0≤j≤H-1;|PiRl|和|PjRl|分别表示向量和的长度值;∠PiRlPj为上述两个向量形成的夹角;Lij和θij分别为第i个和第j个像素与参考点Rl形成的长度比值和角度值;C(Rl)表示所有的像素点相对于参考点Rl所形成的长度比值和角度值集合;min表示获取多个元素中的最小元素;对于参考点Rl,总共有S(S-1)/2对约束特征值;
步骤三中,所述当前参考点对应的局部几何约束分布直方图的计算如下:
对于长度比Lij,对Q个等值段进行编号0,...,k,...,Q-1;
对于角度θij,对W个等值段进行编号0,...,t,...,W-1;
nk(Rl)表示参考点Rl所对应的长度比直方图中第k个等值段对应的数值;
对于参考点Rl,其角度直方图表示为:
mt(Rl)表示参考点Rl所对应的角度直方图中第t个等值段对应的数值;
步骤四中,所述全局长度比约束分布矩阵的表示为:
,
全局角度约束分布矩阵表示为:
;
步骤四中,对全局几何约束分布矩阵进行大小归一化的方法如下:
对于全局长度比约束分布矩阵中的第a列,这列总共包含H个元素,记为:
{na(Rp)|p=0,1,...H-1},na(Rp)∈[0,1];
每个元素的取值范围为[0,1],将[0,1]划分成M个等值段,对M个等值段进行编号0,...,r,...,M-1,将第a列表示为:
将长度比L的取值范围[0,1]划分为Q个等值段,得到大小归一化后的全局长度比约束分布矩阵:
;
对于全局角度约束分布矩阵中的第b列,这列总共包含H个元素,记为:
{mb(Rq)|q=0,1,...H-1},mb(Rq)∈[0°,180°];
每个元素的取值范围为[0°,180°],将[0°,180°]划分成N个等值段,对N个等值段进行编号0,...,x,...,N-1,将第b列表示为:
经过大小归一化后的全局角度约束分布矩阵的形式如下:
;
步骤五中,两个标志图像之间的相似度的计算如下:
dis=sum[abs(LRHS-LRHT)]+sum[abs(AHS-AHT)],
其中,LRH表示全局长度比约束分布矩阵,AH表示全局角度约束分布矩阵;待比较的两个标志图像的全局约束分布矩阵分别为{LRHS,AHS}和{LRHT,AHT};dis表示标志图像S和标志图像T的相似度,abs为绝对值函数,sum为求和函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210198831.5A CN102737254B (zh) | 2012-06-15 | 2012-06-15 | 一种标志图像的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210198831.5A CN102737254B (zh) | 2012-06-15 | 2012-06-15 | 一种标志图像的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102737254A CN102737254A (zh) | 2012-10-17 |
CN102737254B true CN102737254B (zh) | 2014-04-02 |
Family
ID=46992718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210198831.5A Active CN102737254B (zh) | 2012-06-15 | 2012-06-15 | 一种标志图像的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102737254B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112284B (zh) * | 2013-04-22 | 2017-10-13 | 阿里巴巴集团控股有限公司 | 一种图片的相似度检测方法和设备 |
CN109325138B (zh) * | 2018-07-12 | 2022-07-15 | 上海电机学院 | 一种基于扩展与亚像素矩阵结合的图像快速识别方法 |
CN113221604B (zh) * | 2020-02-05 | 2024-06-18 | 北京京东乾石科技有限公司 | 目标识别方法、装置、存储介质及电子设备 |
CN111504194A (zh) * | 2020-05-15 | 2020-08-07 | 深圳市振邦智能科技股份有限公司 | 应用在焊点检测aoi中的焊点定位方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101470805B (zh) * | 2007-12-28 | 2012-01-04 | 北大方正集团有限公司 | 静态图像目标的特征信息提取方法及装置 |
CN101763516B (zh) * | 2010-01-15 | 2012-02-29 | 南京航空航天大学 | 一种基于拟合函数的文字识别方法 |
CN102074010A (zh) * | 2011-01-12 | 2011-05-25 | 山东大学 | 弦长位置矩阵形状特征提取方法 |
-
2012
- 2012-06-15 CN CN201210198831.5A patent/CN102737254B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN102737254A (zh) | 2012-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zamir et al. | Accurate image localization based on google maps street view | |
CN101877007B (zh) | 融合空间方位关系语义的遥感图像检索方法 | |
CN102542058B (zh) | 一种融合全局与局部视觉特征的层次化地标识别方法 | |
CN101763516B (zh) | 一种基于拟合函数的文字识别方法 | |
CN102722712B (zh) | 基于连续度的多尺度高分辨图像目标检测方法 | |
CN112016605B (zh) | 一种基于边界框角点对齐和边界匹配的目标检测方法 | |
CN105956560A (zh) | 一种基于池化多尺度深度卷积特征的车型识别方法 | |
CN100433016C (zh) | 基于信息突变的图像检索方法 | |
CN103413145B (zh) | 基于深度图像的关节点定位方法 | |
CN103383700B (zh) | 基于边缘方向差直方图的图像检索方法 | |
CN102663401B (zh) | 一种图像特征提取和描述方法 | |
CN102737254B (zh) | 一种标志图像的识别方法 | |
CN103235947B (zh) | 一种手写体数字识别方法及装置 | |
CN103226584B (zh) | 形状描述符的构建方法及基于该描述符的图像检索方法 | |
CN113239954A (zh) | 基于注意力机制的图像语义分割特征融合方法 | |
CN104050483A (zh) | 一种基于局部正交对齐的特征降维方法 | |
CN111709291B (zh) | 一种基于融合信息的外卖人员身份识别方法 | |
CN103399863B (zh) | 基于边缘方向差特征袋的图像检索方法 | |
CN105654122A (zh) | 基于核函数匹配的空间金字塔物体识别方法 | |
CN102930291B (zh) | 用于图形图像的k近邻局部搜索遗传自动聚类方法 | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
Huang et al. | VEFNet: An event-RGB cross modality fusion network for visual place recognition | |
CN104537377A (zh) | 一种基于二维核熵成分分析的图像数据降维方法 | |
CN107240107A (zh) | 一种基于图像检索的显著性检测元评估方法 | |
CN104657751B (zh) | 一种基于主线方向特征的深度信念网络图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |