CN103955496A - 一种快速的现场轮胎痕迹花纹检索算法 - Google Patents

一种快速的现场轮胎痕迹花纹检索算法 Download PDF

Info

Publication number
CN103955496A
CN103955496A CN201410158569.0A CN201410158569A CN103955496A CN 103955496 A CN103955496 A CN 103955496A CN 201410158569 A CN201410158569 A CN 201410158569A CN 103955496 A CN103955496 A CN 103955496A
Authority
CN
China
Prior art keywords
image
decorative pattern
tire trace
stock
searching algorithm
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.)
Granted
Application number
CN201410158569.0A
Other languages
English (en)
Other versions
CN103955496B (zh
Inventor
王新年
何晓光
李博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
DALIAN EVERSPRY SCI & TECH Co Ltd
Original Assignee
DALIAN EVERSPRY SCI & TECH Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by DALIAN EVERSPRY SCI & TECH Co Ltd filed Critical DALIAN EVERSPRY SCI & TECH Co Ltd
Priority to CN201410158569.0A priority Critical patent/CN103955496B/zh
Publication of CN103955496A publication Critical patent/CN103955496A/zh
Application granted granted Critical
Publication of CN103955496B publication Critical patent/CN103955496B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种快速的现场轮胎痕迹花纹检索算法，首先通过分析待测图像的特点，对图像预处理；然后在算法误差允许范围内提取库存图像和待测图像的具有旋转、缩放、平移不变及满足一定的抗噪性和轻微缺损不变性的特征；最后结合提取的特征进行特征检索。本发明一种快速的现场轮胎痕迹花纹检索算法，兼顾整体与局部的特征检索策略，具有旋转、缩放、平移不变性，并具有对噪声不敏感的特性，在分类检索方面具有明显的优势，在大样本数据库的基础上进行实验，取得了较好的检索结果，尤其是针对对比度较低、残缺较大、有畸变的现场轮胎痕迹花纹图像，检索结果较好。

Description

一种快速的现场轮胎痕迹花纹检索算法
技术领域
本发明涉及一种检索算法，特别是一种快速的现场轮胎痕迹花纹检索算法，属于轮胎痕迹检索方法领域。
背景技术
轮胎痕迹花纹及细节作为车辆的“指纹”，未来在公安和法庭科学上将会有一席之地，对道路交通事故处理与事故责任认定必将具有重要的意义。目前轮胎痕迹花纹自动检索技术主要有四种：基于变换域的轮胎痕迹花纹检索、基于特征的轮胎痕迹花纹检索、基于人工神经网络的轮胎痕迹花纹检索和基于图像分割的轮胎痕迹花纹检索。此外，国外的一些研究者建立了交通肇事案件侦破系统和车体信息资料数据库，提出了基于文本的轮胎痕迹检索技术，此技术的前提是建立完备的车体资料信息数据库，但是实际实施时存在很大的难度。
基于变换域的轮胎痕迹花纹检索方法主要是通过某种特定变换去除图像像素间、区域间信息相关性，尽可能消除轮胎采集设备与采集环境给检索带来的影响。根据变换的不同，基于变换域的轮胎痕迹花纹检索方法可以分为：基于傅里叶变换的轮胎痕迹花纹检索方法、基于Gabor变换的轮胎痕迹花纹检索方法与基于Contourlet变换的轮胎痕迹花纹检索方法。基于傅里叶变换的轮胎痕迹花纹检索方法主要是进行粗分类，在分类技术上有很大的局限性，不能实现查找与待检索图像细节信息更相似的标准图像。基于Gabor变换的轮胎痕迹花纹检索方法通过Gabor变换提取图像在不同尺度、不同方向上的局部特征，然后利用得到的局部特征进行相似度计算，但是Gabor变换的效果依赖于Gabor参数的选择。基于Contourlet变换的轮胎痕迹花纹检索方法采用非下采样金字塔(NonSubsampled Pyramid,NSP)对图像进行多尺度分解，得到图像的低通子带系数和带通方向性子带系数，通过非下采样方向滤波器(NonSubsampled Directional FilterBanks，NSDFB)将带通子带分解为若干个方向，从而得到不同尺度、不同方向的子带图像系数。非下采样Contourlet变换的速度较慢，对于旋转稍微较大的轮胎图像，其识别效果较差。
基于特征的轮胎痕迹花纹检索方法的一般过程是：首先从待测图像和库存图像中提取对缩放(Scale)、旋转(Rotate)、平移(Translation)变换具有不变性的特征点，然后针对特征点进行相似度计算，从而达到图像分类识别的目的。基于SIFT变换的轮胎痕迹花纹检索方法在一定程度上可以解决目标的旋转、缩放、平移，图像仿射，投影变换，光照影响，目标遮挡，杂物场景，噪声等问题，但是检索效果取决于各种参数的选取，并且对现场低对比度、低质量的轮胎痕迹检索效果不好。
目前存在的基于人工神经网络的轮胎痕迹花纹检索算法计算复杂度高，不适用于实际应用中。基于图像分割的轮胎痕迹花纹检索效果的好坏严重依赖于分割轮胎图像时阈值的选取和轮胎花纹的对比度和清晰程度。
虽然国内外在轮胎痕迹花纹检索方面取得了一些成果，但是在实际中也存在着许多问题：存在的算法只支持理想图像检索，没有充分考虑现场各种强干扰条件，并且未有支持大样本数据库的算法。
有鉴于此特提出本发明。
发明内容
本发明要解决的技术问题在于克服现有技术的不足，提供一种快速的现场轮胎痕迹花纹检索算法，包括针对对比度较低、残缺较大、有畸变的图像的特征提取方法和兼顾整体与局部特征的检索策略，并使其能够适用于大样本数据库并能够应用到实际系统中。
为解决上述技术问题，本发明采用技术方案的基本构思是：
一种快速的现场轮胎痕迹花纹检索算法，首先通过分析待测图像的特点，对图像预处理；然后在算法误差允许范围内提取库存图像和待测图像的具有旋转、缩放、平移不变及满足一定的抗噪性和轻微缺损不变性的特征；最后结合提取的特征对待测图像在库存图像中进行特征检索。
进一步的，图像预处理包括增加图像对比度、对图像进行分块二值化两方面。
进一步的，提取特征的方法为：提取图像的方向性频谱，并利用大部分轮胎花纹具有明显的周期性及其纹理方向性进行主频方向检测，确定主频的频率能量值和方向。
进一步的，应用傅里叶变换的原理来对图像提取频谱特征，再对提取的频谱进行极坐标变换，计算方向性频谱特征，以解决旋转、缩放、平移问题。
进一步的，根据轮胎花纹的特点，从轮胎花纹的整体花纹形状入手先进行粗匹配，然后根据花纹的局部细节信息进行精确的匹配。
进一步的，进行粗匹配时，根据待测图像和库存图像的主频方向的能量值是否大于设定参数,判断图像是否有纵沟，进行图像有无纵沟的粗分类。
进一步的，在进行检索时，若待测图像与库存图像均有纵沟，则进行训练特征，去除纵沟对检索认定的影响。
进一步的，在进行检索时，若待测图像与库存图像一个有纵沟，一个没有纵沟，则进行加权计算得到待测图像与库存图像相似度。
进一步的，在训练特征时，根据实际图像情况将待测图像方向性频谱的第一主频某一角度阈值范围内的值全部赋零，在赋零后的方向性频谱中寻找最大值，将其加上某一数值后作为去除参数H，将库存图像方向性频谱中位于待测图像主频某一角度阈值范围内高于H的值赋零。
采用上述技术方案后，本发明与现有技术相比具有以下有益效果。
本发明一种快速的现场轮胎痕迹花纹检索算法，该算法针对轮胎滚压形成的花纹痕迹及待测图像，经过图像预处理，以待测图像在轮胎花纹库中查找相同花纹轮胎图像，以此确定轮胎的品牌和型号。方向频谱特征和兼顾整体与局部的特征检索策略，具有旋转、缩放、平移不变性，并具有对噪声不敏感的特性，在分类检索方面具有明显的优势，在大样本数据库的基础上进行实验，取得了较好的检索结果，尤其是针对对比度较低、残缺较大、有畸变的现场轮胎痕迹花纹图像，检索结果较好。
下面结合附图对本发明的具体实施方式作进一步详细的描述。
附图说明
图1是本发明一种快速的现场轮胎痕迹花纹检索算法的流程图。
具体实施方式
如图1所示，检索是通过对两幅图像的对比得出结果，因此，需要对库存图像进行读取，即获取数据库图像，基于一定的比例因子进行尺度归一化处理，对库存图像计算其各个角度方向能量，并排序寻找其主频的频率能量值和方向，后储存数据，对待测图像进行相应的读取并基于相同的比例因子进行尺度归一化处理，对待测图像计算其各个角度方向能量，并排序寻找其主频的频率能量值和方向。读取之前储存的库存图像即数据库样本的特征与待测图像即待测样本的特征进行比较。
本发明一种快速的现场轮胎痕迹花纹检索算法，首先通过分析现场轮胎痕迹花纹图像的特点，对图像预处理；然后在算法误差允许范围内提取具有旋转、缩放、平移不变及满足一定的抗噪性和轻微缺损不变性的特征；最后结合提取的特征进行特征检索。
图像预处理包括增加图像对比度、对图像进行分块二值化两方面。
一般的现场轮胎痕迹花纹图像通常含有各种各样的噪声和畸变，图像质量很低，为了达到更好的检索效果，首先从增加图像对比度、对图像进行分块二值化两方面对现场轮胎痕迹花纹图像进行预处理，将现场轮胎痕迹花纹图像作为待测图像；对库存图像基于相同的预处理方法进行预处理。预处理的过程大致为读取库存图像和待测图像，并转化为灰度图，并进行分块二值化，将库存图像和待测图像调整为正方形，并且提取库存图像和待测图像特征。
提取特征的方法为：提取库存图像和待测图像的方向性频谱,并利用大部分轮胎花纹具有明显的周期性及其纹理方向性进行主频方向检测，确定主频的频率能量值和方向。具体步骤如下：
对于读入的二值图像，进行五步的处理：
1、将图像进行傅里叶变换。
2、带通滤波器滤波，并取绝对值。
3、极坐标变换。
4、各个方向取绝对值求和。
5、将各个方向的频谱能量进行排序，确定主频的频谱能量值和方向。
应用傅里叶变换的原理来对图像提取频谱特征，再对提取的频谱进行极坐标变换，提取各个方向的频率能量，求和后得到方向性的频率能量作为方向性频谱特征，以解决旋转、缩放、平移问题。并利用大部分轮胎花纹具有明显的周期性及其纹理方向性进行主频方向检测，确定主频的频率能量值和方向。
根据轮胎花纹的特点，从轮胎花纹的整体花纹形状入手先进行粗匹配，然后根据花纹的局部细节信息进行精确的特征匹配。
如图1所示，在进行两幅图像比对时，根据主频的频率能量的大小按不同的权值进行逐一比对，具体做法为：
1、根据待测图像是否有纵沟即待测图像的轮胎花纹是否有纵沟来设定阈值M。若待测图像无纵沟，则将阈值M取一个极大的值，否则M取一个经验值。
2、如果待测图像即待测样本与库存图像即数据库样本的最大主频能量均大于等于M，并且主频方向一致，则进行训练特征和求相关操作，系数为R1，权值为W1。
3、如果待测图像即待测样本与库存图像即数据库样本的最大主频能量小于M，并且主频方向一致，则进行求相关操作，系数为R2，权值为W2。
4、如果待测图像即待测样本与库存图像即数据库样本的最大主频能量一个大于M，一个小于M，则进行求相关操作，系数为R3，权值为W3。
5、如果待测图像即待测样本与库存图像即数据库样本的最大主频能量大于等于M，并且主频方向不一致，则进行求相关操作，系数为R4，权值为W4。
6、如果待测图像即待测样本与库存图像即数据库样本的最大主频能量小于M，并且主频方向不一致，则进行求相关操作，系数为R5，权值为W5。
7、根据上述具体做法2至6确定的各种情形下的相关系数Ri和权值Wi，分别计算两幅图像的相似度R=Ri*Wi。
8、待测图像与数据库中的不同的库存图像进行比较得到不同的相似度R，按所求得的相似度R由大到小进行排序。
上述具体做法中，主频方向一致，意味着花纹走向相似。主频方向不一致，意味着花纹走向不相似。
上述具体做法2中，训练特征的具体过程为：（1）将待测图像方向性频谱的主频角度阈值A范围内的值全部赋零，即去掉最大主频能量，其目的是为了减小纵沟对检索结果的影响。去掉最大主频能量实际就是在认可有纵沟的前提下，去掉纵沟对检索认定的影响。（2）在赋零后的方向性频谱中寻找最大值，将其加上a后作为去除参数H；a为根据实际图像情况得到的一个经验值。（3）将库存图像的方向性频谱中位于待测图像主频某一角度阈值范围内高于H的值赋零。
当待测图像与库存图像主频能量足够大和方向一致且是非同类图时，主频的频率能量值对相似度计算影响较大，训练特征的目的在于减弱其影响。
上述Ri是指求相关操作后所得到的结果，Wi是根据轮胎花纹满足的不同条件赋予的权值，为一经验值。
最终，库存图像和待测图像两幅图像的相似度R为Ri与Wi的乘积。两幅图像的相似度R对应为图1中的相似度或加权相似度。
在上述具体做法的2、3中，计算所得的结果为相似度。具体做法的4、5、6中，计算所得的结果为加权相似度。
计算相似度是指在权值Wi为1的情况下计算两幅图像的相似度，即库存图像和待测图像两幅图像中的轮胎均有纵沟或均无纵沟的情况下计算两幅图像的相似度。
计算加权相似度是指在权值Wi不是1的情况下计算两幅图像的相似度，即库存图像和待测图像两幅图像中的轮胎一个有纵沟，一个没有纵沟的情况下计算两幅图像的相似度。
本发明一种快速的现场轮胎痕迹花纹检索算法，该算法针对轮胎滚压形成的花纹痕迹及待测图像，经过图像预处理，以待测图像在轮胎花纹库中查找相同花纹轮胎图像，以此确定轮胎的品牌和型号。方向频谱特征和兼顾整体与局部的特征检索策略，具有旋转、缩放、平移不变性，并具有对噪声不敏感的特性，在分类检索方面具有明显的优势，能够快速检索，在大样本数据库的基础上进行实验，取得了较好的检索结果，尤其是针对对比度较低、残缺较大、有畸变的现场轮胎痕迹花纹图像，检索结果较好。
上述实施例中的实施方案可以进一步组合或者替换，且实施例仅仅是对本发明的优选实施例进行描述，并非对本发明的构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域中专业技术人员对本发明的技术方案作出的各种变化和改进，均属于本发明的保护范围。

Claims (9)

1.一种快速的现场轮胎痕迹花纹检索算法，其特征在于：首先通过分析待测图像的特点，对图像预处理；然后在算法误差允许范围内提取库存图像和待测图像的具有旋转、缩放、平移不变及满足一定的抗噪性和轻微缺损不变性的特征；最后结合提取的特征对待测图像在库存图像中进行特征检索。
2.根据权利要求1所述的一种快速的现场轮胎痕迹花纹检索算法，其特征在于：图像预处理包括增加图像对比度、对图像进行分块二值化两方面。
3.根据权利要求1或2所述的一种快速的现场轮胎痕迹花纹检索算法，其特征在于：提取特征的方法为：提取图像的方向性频谱，并利用大部分轮胎花纹具有明显的周期性及其纹理方向性进行主频方向检测，确定主频的频率能量值和方向。
4.根据权利要求3所述的一种快速的现场轮胎痕迹花纹检索算法，其特征在于：应用傅里叶变换的原理来对图像提取频谱特征，再对提取的频谱进行极坐标变换，计算方向性频谱特征，以解决旋转、缩放、平移问题。
5.根据权利要求1所述的一种快速的现场轮胎痕迹花纹检索算法，其特征在于：根据轮胎花纹的特点，从轮胎花纹的整体花纹形状入手先进行粗匹配，然后根据花纹的局部细节信息进行精确的匹配。
6.根据权利要求5所述的一种快速的现场轮胎痕迹花纹检索算法，其特征在于：进行粗匹配时，根据待测图像和库存图像的主频方向的能量值是否大于设定参数,判断图像是否有纵沟，进行图像有无纵沟的粗分类。
7.根据权利要求6所述的一种快速的现场轮胎痕迹花纹检索算法，其特征在于：在进行检索时，若待测图像与库存图像均有纵沟，则进行训练特征，去除纵沟对检索认定的影响。
8.根据权利要求6所述的一种快速的现场轮胎痕迹花纹检索算法，其特征在于：在进行检索时，若待测图像与库存图像一个有纵沟，一个没有纵沟，则进行加权计算得到待测图像与库存图像相似度。
9.根据权利要求7所述的一种快速的现场轮胎痕迹花纹检索算法，其特征在于：在训练特征时，根据实际图像情况将待测图像方向性频谱的第一主频某一角度阈值范围内的值全部赋零，在赋零后的方向性频谱中寻找最大值，将其加上某一数值后作为去除参数H，将库存图像方向性频谱中位于待测图像主频某一角度阈值范围内高于H的值赋零。
CN201410158569.0A 2014-04-18 2014-04-18 一种快速的现场轮胎痕迹花纹检索算法 Active CN103955496B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410158569.0A CN103955496B (zh) 2014-04-18 2014-04-18 一种快速的现场轮胎痕迹花纹检索算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410158569.0A CN103955496B (zh) 2014-04-18 2014-04-18 一种快速的现场轮胎痕迹花纹检索算法

Publications (2)

Publication Number Publication Date
CN103955496A true CN103955496A (zh) 2014-07-30
CN103955496B CN103955496B (zh) 2018-06-12

Family

ID=51332771

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410158569.0A Active CN103955496B (zh) 2014-04-18 2014-04-18 一种快速的现场轮胎痕迹花纹检索算法

Country Status (1)

Country Link
CN (1) CN103955496B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160348A (zh) * 2015-08-04 2015-12-16 大连海事大学 基于图像统计特征的现场痕迹自动同一认定方法及系统
CN109614868A (zh) * 2018-11-09 2019-04-12 公安部交通管理科学研究所 汽车轮胎花纹图像直线识别系统
CN110766075A (zh) * 2019-10-23 2020-02-07 上海眼控科技股份有限公司 轮胎区域图像比对方法、装置、计算机设备和存储介质
CN110948926A (zh) * 2019-12-13 2020-04-03 厦门洪海机械有限公司 一种轮胎生胎胎面定型滚压控制方法
CN115115840A (zh) * 2021-04-09 2022-09-27 公安部交通管理科学研究所 一种轮胎结构形象痕迹自动识别比对方法
CN115795081A (zh) * 2023-01-20 2023-03-14 安徽大学 一种基于多通道融合的跨域残缺足迹图像检索系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985383A (zh) * 2018-08-01 2018-12-11 青岛双星轮胎工业有限公司 轮胎花纹相似度评判方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101414351A (zh) * 2008-11-03 2009-04-22 章毅 一种指纹识别系统及其控制方法
CN101470730A (zh) * 2007-12-26 2009-07-01 中国科学院自动化研究所 基于频谱特征分析的图像重复检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101470730A (zh) * 2007-12-26 2009-07-01 中国科学院自动化研究所 基于频谱特征分析的图像重复检测方法
CN101414351A (zh) * 2008-11-03 2009-04-22 章毅 一种指纹识别系统及其控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王震: "基于轮胎信息的车辆溯源技术", 《中国博士学位论文全文数据库 工程科技 II辑》 *
艾玲梅 等: "基于组合特征提取与多级SVM的轮胎花纹识别", 《计算机工程与应用》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160348A (zh) * 2015-08-04 2015-12-16 大连海事大学 基于图像统计特征的现场痕迹自动同一认定方法及系统
CN105160348B (zh) * 2015-08-04 2018-06-12 大连海事大学 基于图像统计特征的现场痕迹自动同一认定方法及系统
CN109614868A (zh) * 2018-11-09 2019-04-12 公安部交通管理科学研究所 汽车轮胎花纹图像直线识别系统
CN109614868B (zh) * 2018-11-09 2022-05-17 公安部交通管理科学研究所 汽车轮胎花纹图像直线识别系统
CN110766075A (zh) * 2019-10-23 2020-02-07 上海眼控科技股份有限公司 轮胎区域图像比对方法、装置、计算机设备和存储介质
CN110948926A (zh) * 2019-12-13 2020-04-03 厦门洪海机械有限公司 一种轮胎生胎胎面定型滚压控制方法
CN110948926B (zh) * 2019-12-13 2021-07-13 厦门洪海机械有限公司 一种轮胎生胎胎面定型滚压控制方法
CN115115840A (zh) * 2021-04-09 2022-09-27 公安部交通管理科学研究所 一种轮胎结构形象痕迹自动识别比对方法
CN115795081A (zh) * 2023-01-20 2023-03-14 安徽大学 一种基于多通道融合的跨域残缺足迹图像检索系统

Also Published As

Publication number Publication date
CN103955496B (zh) 2018-06-12

Similar Documents

Publication Publication Date Title
CN103955496A (zh) 一种快速的现场轮胎痕迹花纹检索算法
CN101859382B (zh) 一种基于最大稳定极值区域的车牌检测与识别的方法
CN107729818B (zh) 一种基于深度学习的多特征融合车辆重识别方法
CN100485710C (zh) 利用数字图像处理技术识别车辆类型的方法
CN103761531B (zh) 基于形状轮廓特征的稀疏编码车牌字符识别方法
CN102622607B (zh) 一种基于多特征融合的遥感图像分类方法
CN102208038B (zh) 基于视觉词典的图像分类方法
CN108090429B (zh) 一种分级前脸卡口车型识别方法
Nguyen et al. Pavement crack detection using convolutional neural network
CN102346847B (zh) 一种支持向量机的车牌字符识别方法
CN101847208B (zh) 指纹与指静脉双模态识别的二级分类融合识别方法
CN105335702B (zh) 一种基于统计学习的卡口车型识别方法
CN103971097B (zh) 一种基于多尺度笔画模型的车牌识别方法与系统
CN105740886B (zh) 一种基于机器学习的车标识别方法
CN106056086A (zh) 基于快速学习框架的车辆品牌型号识别方法
CN106610969A (zh) 基于多模态信息的视频内容审查系统及方法
CN104680127A (zh) 手势识别方法及系统
CN103870803A (zh) 一种基于粗定位与精定位融合的车牌识别方法和系统
CN102184537A (zh) 基于小波变换和主成分分析的图像区域篡改检测方法
CN105718866A (zh) 一种视觉目标检测与识别方法
CN106127228A (zh) 一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法
CN107480585A (zh) 基于dpm算法的目标检测方法
Liu et al. Integrating the symmetry image and improved sparse representation for railway fastener classification and defect recognition
CN110826415A (zh) 一种场景图像中车辆的重识别方法及设备
CN109255052B (zh) 一种基于多特征的三阶段车辆检索方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant