CN104077561B - 指纹自动比对方法 - Google Patents
指纹自动比对方法 Download PDFInfo
- Publication number
- CN104077561B CN104077561B CN201410098313.5A CN201410098313A CN104077561B CN 104077561 B CN104077561 B CN 104077561B CN 201410098313 A CN201410098313 A CN 201410098313A CN 104077561 B CN104077561 B CN 104077561B
- Authority
- CN
- China
- Prior art keywords
- archives
- fingerprint
- partial structurtes
- characteristic point
- data
- 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.)
- Expired - Fee Related
Links
Landscapes
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种指纹自动比对方法,包括以下步骤:S10、读取样本指纹数据,得到样本指纹特征点数据;S20、读取档案指纹数据,得到档案指纹特征点数据;S30、利用GPU和CPU的结合实现所述样本指纹特征点数据和档案指纹特征点数据的比对;S40、判断是否存在未读取的档案指纹数据:如果存在,执行步骤S20;如果不存在,执行步骤S50;S50、输出比对结果。本发明的指纹自动比对方法通过利用GPU和CPU的结合实现指纹特征点数据的比对,因此,本发明的比对速度提升明显;从而无需并行多个计算机,也不存在多台计算机并行时的占地面积大、耗电量大和散热困难等难题。
Description
技术领域
本发明涉及一种指纹自动识别方法,尤其涉及一种指纹自动比对方法。
背景技术
目前的指纹比对方法中的各种运算均采用CPU计算来实现,因此,该指纹比对方法的计算速度一直依赖于CPU的性能。而近几年随着指纹数据库容量的增加、多种查询任务的提交、提交查询单位对比对任务返回速度的要求和公安基层实际应用工作的需要,对指纹比对速度的要求越来越高,采用单个计算机实现指纹比对已不能满足上述需要。虽然多台计算机并行进行指纹比对能够提高比对速度,但是并行计算机超过一定的数量,比如超过100台,将遇到数据更新和同步等管理的瓶颈;且多台计算机并行的方式也存在占地面积大、耗电量大和散热困难等难题。
发明内容
本发明目的是提供一种不需要多台计算机并行进行指纹比对的指纹自动比对方法。
本发明解决技术问题采用如下技术方案:一种指纹自动比对方法,包括以下步骤:
S10、读取样本指纹数据,得到样本指纹特征点数据;
S20、读取档案指纹数据,得到档案指纹特征点数据;
S30、利用GPU和CPU的结合实现所述样本指纹特征点数据和档案指纹特征点数据的比对;
S40、判断是否存在未读取的档案指纹数据:如果存在,执行步骤S20;如果不存在,执行步骤S50;
S50、输出比对结果。
可选的,所述步骤S10和S20之间还包括步骤S15:
S15、对样本指纹特征点数据中的特殊点对进行极坐标变换,得到变换后的特殊点对。
可选的,所述步骤S20具体为:
S201、设置每次发起GPU计算的数据量的预设值,按照所述预设值对档案指纹数据进行分块,得到档案指纹数据块;
S202、将所述档案指纹数据块存入全局内存中;
S203、将所述档案指纹数据块从全局内存复制到GPU设备的全局显存中;
S204、将全局显存中的所述档案指纹数据块绑定到GPU的纹理内存中;
S205、得到存储在GPU的纹理内存中的档案指纹数据块中每一个档案指纹数据的特征点数据。
可选的,所述步骤S30具体为:
S301、利用GPU并行计算所述变换后的样本指纹特殊点对与每一个档案指纹特征点数据中的每一组特殊点对之间的差异度,得到特殊点对差异度;
S302、在CPU中对所述特殊点对差异度进行判别:当所述特殊点对差异度大于阈值时,舍弃该特殊点对;当所述特殊点对差异度小于等于阈值时,所述档案指纹特征点数据中的特殊点对为比中的特殊点对;
S303、利用GPU并行计算方式,将所述比中的特殊点对所在局部结构与对应的档案指纹特殊点对所在局部结构进行坐标变换,然后进行局部结构的差异度计算,得到局部结构差异度;进而得出局部结构相似度;
S304、将所述局部结构相似度传回内存;
S305、根据所述局部结构相似度计算出校准中心;
S306、根据所选取的校准中心对档案指纹特征点数据进行坐标旋转变换,得到变换后的档案指纹特征点数据;
S307、将样本指纹特征点数据和档案指纹特征点数据按校准中心对齐,计算所述样本指纹特征点数据和变换后的档案指纹特征点数据之间的差异度,得到全局差异度;
S308、以最小的全局差异度作为样本指纹和档案指纹间最终匹配组合,计算所述样本指纹特征点数据和变换后的档案指纹特征点数据之间的相似度,得到全局相似度分数;
S309、按照全局相似度分数由高至低的顺序,对所述档案指纹数据的匹配结果进行排序。
可选的,所述步骤S301和S303中的并行计算的并发数为所述预设值。
可选的,所述步骤S301具体为:
S3011、发起GPU计算;
S3012、将所述档案指纹特殊点数据进行极坐标变换;
S3013、计算所述变换后的特殊点对和档案指纹特征点数据中的每一组特殊点对之间的差异度,得到特殊点对差异度;
S3014、结束GPU运算。
可选的,所述步骤S303具体为:
S3031、发起GPU计算;
S3032、将所述档案指纹特征点数据进行极坐标变换;
S3033、计算所述样本指纹特征点数据中包含所述变换后的特殊点对的局部结构与每一个档案指纹特征点数据中的包含所述比中的特殊点对的局部结构之间的差异度,得到局部结构差异度;
S3034、结束GPU运算。
可选的,所述步骤S305具体为:
S3051、从通过局部结构匹配的档案指纹中选取一枚档案指纹,所述通过局部结构匹配的档案指纹即所述局部结构相似度不为0的档案指纹;
S3052、如果档案指纹中仅存在一个局部结构,则将该局部结构的中心点作为校准中心;如果档案指纹中存在多个局部结构,则通过档案指纹中多个局部结构之间相似度的不相容性,采用加权竞争的计算方法,将对应的局部结构相似度进行加权,得到每一个局部结构的权值,将该权值与阈值进行比较;
S3053、在符合阈值条件的多个局部结构中进行相关性的检查;如果多个局部结构之间具有相关性,即以这些局部结构为基础的坐标变换方法为同一个坐标变换方法,则选取具有相关性的多个局部结构中的权值最大的局部结构的中心点作为校准中心点;如果多个局部结构之间不具有相关性,则将每一个局部结构的中心点分别作为校准中心点。
本发明具有如下有益效果:本发明的指纹自动比对方法通过利用GPU和CPU的结合实现指纹特征点数据的比对,且由于GPU的计算模式为大规模线程并行计算,更进一步,由于两枚指纹的特征点数据之间的比较具有独立性,因此,本发明的指纹自动比对方法相比于单独采用CPU进行比较,在准确率相同的情况下,比对速度提升明显;从而无需并行多个计算机,也不存在多台计算机并行时的占地面积大、耗电量大和散热困难等难题。
附图说明
图1为本发明的指纹自动比对方法的流程图;
具体实施方式
下面结合实施例及附图对本发明的技术方案作进一步阐述。
实施例1
参考图1,本实施例提供了一种指纹自动比对方法,包括以下步骤:
S10、读取样本指纹数据,得到样本指纹特征点数据;
S20、读取档案指纹数据,得到档案指纹特征点数据;
S30、利用GPU和CPU的结合实现所述样本指纹特征点数据和档案指纹特征点数据的比对;
S40、判断是否存在未读取的档案指纹数据:如果存在,执行步骤S20;如果不存在,执行步骤S50;
S50、输出比对结果。
本发明的指纹自动比对方法通过利用GPU和CPU的结合实现指纹特征点数据的比对,且由于GPU的计算模式为大规模线程并行计算,更进一步,由于两枚指纹的特征点数据之间的比较具有独立性,因此,本发明的指纹自动比对方法相比于单独采用CPU进行比较,在准确率相同的情况下,比对速度提升明显;从而无需并行多个计算机,也不存在多台计算机并行时的占地面积大、耗电量大和散热困难等难题。
本实施例中,可选的,所述步骤S10和S20之间还包括步骤S15:
S15、对样本指纹特征点数据中的特殊点对进行极坐标变换,得到变换后的特殊点对,以通过对特殊点对的特征点数据进行极坐标变化,提高指纹比对过程的运算速度;所述特殊点对为指纹中相邻近的两个特征点,二者的方向交角为0度或180度,即若两特征点为(mi,mj),坐标分别为(x1,y1,θ1)、(x2,y2,θ2),x、θ和y表示特征点的直角坐标系的三个参数,即特征点坐标位置和特征点的角度,且min(|θ1-θ2|,360°-|θ1-θ2|)∈(0°,10°)or(170°,180°),则两特征点即为特殊点对。所述特殊点对在指纹中具有一定普遍性,在保证了同一指纹的通过率的同时能够有效减少明显无关的指纹数量。
本实施例中,所述的极坐标变换的方法为:以特殊点对中的mi点为基准,进行直角坐标向极坐标的坐标转换得出mi、mj的极坐标:
特征点mi的极坐标
特征点mj的极坐标
式中,r是特征点与坐标系中心的距离,是特征点和坐标系中心连线与坐标轴正向夹角,α特征点方向与坐标轴正向夹角。
本实施例中,可选的,所述步骤S20具体为:
S201、设置每次发起GPU计算的数据量的预设值,按照所述预设值对档案指纹数据进行分块,得到档案指纹数据块,本实施例中,所述预设值为393216;
S202、将所述档案指纹数据块存入全局内存中;
S203、将所述档案指纹数据块从全局内存复制到GPU设备的全局显存中;
S204、将全局显存中的所述档案指纹数据块绑定到GPU的纹理内存中;
S205、得到存储在GPU的纹理内存中的档案指纹数据块中每一个档案指纹数据的特征点数据,以将所述档案指纹数据块存入所述GPU的纹理内存中,从而有效提高利用GPU进行指纹比对计算的运算速度。
本实施例中,可选的,所述步骤S30具体为:
S301、利用GPU并行计算所述变换后的样本指纹特殊点对与每一个档案指纹特征点数据中的每一组特殊点对之间的差异度,得到特殊点对差异度;
S302、在CPU中对所述特殊点对差异度进行判别:当所述特殊点对差异度大于阈值时,舍弃该特殊点对;当所述特殊点对差异度小于等于阈值时,所述档案指纹特征点数据中的特殊点对为比中的特殊点对;
S303、利用GPU并行计算方式,将所述比中的特殊点对所在局部结构与对应的档案指纹特殊点对所在局部结构进行坐标变换,然后进行局部结构的差异度计算,得到局部结构差异度;进而得出局部结构的相似度;
S304、将所述局部结构相似度传回内存;
S305、根据所述局部结构相似度计算出校准中心;
S306、根据所选取的校准中心对档案指纹特征点数据进行坐标旋转变换,得到变换后的档案指纹特征点数据;
S307、将两指纹特征点集按校准中心对齐,计算所述样本指纹特征点数据和变换后的档案指纹特征点数据之间的差异度,得到全局差异度;
S308、以最小的全局差异度作为样本指纹和档案指纹间最终匹配组合,计算所述样本指纹特征点数据和变换后的档案指纹特征点数据之间的相似度,得到全局相似度分数;
S309、按照全局相似度分数由高至低的顺序,对所述档案指纹数据的匹配结果进行排序。
本实施例中,可选的,所述步骤S301和S303中的并行计算的并发数为所述预设值。
本实施例中,可选的,所述步骤S301具体为:
S3011、发起GPU计算;
S3012、将所述档案指纹特殊点数据进行极坐标变换;
S3013、计算所述变换后的特殊点对和档案指纹特征点数据中的每一组特殊点对之间的差异度,得到特殊点对差异度;
S3014、结束GPU运算。
本实施例中,所述步骤S3013具体为:计算特殊点对(mi,mj)与特殊点对(mi',m'j)的差异度。对齐mi,mi'两点,特殊点对差异度表示为mj,m'j两点的坐标差异:
Δr=|rj-rj'|;
Δα=min(|αj-α'j|,360°-|αj-α'j|)。
本实施例中,可选的,所述步骤S302具体为:如果Δr≤rthreshold1、和Δα≤αthreshold1,则特殊点对(mi',m'j)为比中的特殊点对,所述比中的特殊点对可作为下一级匹配的基准点。其中rthreshold1=10,αthreshold1=20。由于特殊点对为相邻点,因此其采集的误差相对较小,此处的阈值选择较为宽松,以保证较低的拒识率。
本实施例中,可选的,所述步骤S303具体为:
S3031、发起GPU计算;
S3032、将所述档案指纹特征点数据进行极坐标变换;
S3033、计算所述样本指纹特征点数据中包含所述变换后的特殊点对的局部结构与每一个档案指纹特征点数据中的包含所述比中的特殊点对的局部结构之间的差异度,得到局部结构差异度;
S3034、结束GPU运算。
本实施例中,可选的,所述局部结构为:由一个特征点和以它为圆心的一定半径的圆内所有细节点组成,本实施例中半径大小设置为50。
本实施例中,可选的,所述步骤S3033具体为:以mi为基准,对所述局部结构中的相邻点进行极坐标变换,所述极坐标变换方法如前文所述。设P、Q为样本指纹和档案指纹中的两个待比对局部结构,i,j为所述局部结构中各自的相邻点,则所述局部结构差异度为:
;
局部结构相似度为:
其中rthreshold2、αthreshold2为所述局部结构中某个特殊点对的坐标参数差异度阈值,取rthreshold2=10,αthreshold2=20,将不为0的相似度进行记录。
如果两个局部结构共有n个匹配的点对,n为大于2的自然数,则局部结构的相似度为:式中k指第k个匹配点对,k为2到n内的自然数。
本实施例中,可选的,所述步骤S305具体为:
S3051、从通过局部结构匹配的档案指纹中选取一枚档案指纹,所述通过局部结构匹配的档案指纹即所述局部结构相似度不为0的档案指纹;
S3052、如果档案指纹中仅存在一个局部结构,则将该局部结构的中心点作为校准中心点;如果档案指纹中存在多个局部结构,则通过档案指纹中多个局部结构之间相似度的不相容性,采用加权竞争的计算方法,对每组对应的局部结构相似度进行加权,得到每一个局部结构的权值,将该权值与阈值进行比较;
S3053、在符合阈值条件的多个局部结构中进行相关性的检查;如果多个局部结构之间具有相关性,即以这些局部结构为基础的坐标变换方法为同一个坐标变换方法,则选取具有相关性的多个局部结构中的权值最大的局部结构中心点作为校准中心点;如果多个局部结构之间不具有相关性,则将每一个局部结构的中心点分别作为校准中心点。
本实施例中,可选的,所述加权竞争的计算方法为:设Pairs1(P1,Q1)、Pairs2(P2,Q2)分别为两组匹配的局部结构,两个局部结构之间的差异度可用两个局部结构的中心点差异度表示;即两组局部结构的差异度参数表示为(Δθ,Δx,Δy),则P1、P2的相似性表示为:
取I=30°,X=20,Y=20;
定义VS(Pi,Qi)为局部结构的相似性竞争评价值,即局部结构的权值,则:
其中n是匹配上的局部结构数量,C是常数,取C=0.5;
若则以i点对为中心点的局部结构符合相似度筛选条件,选取i点对做为校准点对。
本实施例中,所述步骤S3053具体为:若存在多个VS(Pi,Qi)大于阈值的情况,则判断其相互的V(P1,P2),将相互间V(P1,P2)=1的若干局部结构作为相容的一组,取其中VS(Pi,Qi)最大值作为校准中心,其余舍弃。
所述步骤S306具体为:
设校准中心点为点对Ai(xi,yi,θi)和Bj(xj,yj,θj),则全局变换系数为:
全局变换矩阵为:
对于档案指纹中每个特征点Pi(xi,yi,θi),经过全局变换,得到新的特征点
Pi'(xi,,yi,,θi')为:
本实施例中,所述步骤S307具体为:
设Gi是全局比对得到的样本指纹和档案指纹的某一特殊点对mi(xi,yi,di)、mi'(xi',yi',di')间的欧式距离差异度,则其中C为常数10;将所有特征点对的差异度相加即得到全局差异度G,即:
以上实施例的先后顺序仅为便于描述,不代表实施例的优劣。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种指纹自动比对方法,其特征在于,包括以下步骤:
S10、读取样本指纹数据,得到样本指纹特征点数据;
S15、对样本指纹特征点数据中的特殊点对进行极坐标变换,得到变换后的特殊点对;
S20、读取档案指纹数据,得到档案指纹特征点数据;
S30、利用GPU和CPU的结合实现所述样本指纹特征点数据和档案指纹特征点数据的比对;
S40、判断是否存在未读取的档案指纹数据:如果存在,执行步骤S20;如果不存在,执行步骤S50;
S50、输出比对结果;
其中,所述步骤S20具体为:S201、设置每次发起GPU计算的数据量的预设值,按照所述预设值对档案指纹数据进行分块,得到档案指纹数据块;S202、将所述档案指纹数据块存入全局内存中;S203、将所述档案指纹数据块从全局内存复制到GPU设备的全局显存中;S204、将全局显存中的所述档案指纹数据块绑定到GPU的纹理内存中;S205、得到存储在GPU的纹理内存中的档案指纹数据块中每一个档案指纹数据的特征点数据;
所述S30具体为:
S301、利用GPU并行计算所述变换后的样本指纹特殊点对与每一个档案指纹特征点数据中的每一组特殊点对之间的差异度,得到特殊点对差异度;
S302、在CPU中对所述特殊点对差异度进行判别:当所述特殊点对差异度大于阈值时,舍弃该特殊点对;当所述特殊点对差异度小于等于阈值时,所述档案指纹特征点数据中的特殊点对为比中的特殊点对;
S303、利用GPU并行计算方式,将所述比中的特殊点对所在局部结构与对应的档案指纹特殊点对所在局部结构进行坐标变换,然后进行局部结构的差异度计算,得到局部结构差异度;进而得出局部结构相似度;
S304、将所述局部结构相似度传回内存;
S305、根据所述局部结构相似度计算出校准中心;
S306、根据所选取的校准中心对档案指纹特征点数据进行坐标旋转变换,得到变换后的档案指纹特征点数据;
S307、将样本指纹特征点数据和档案指纹特征点数据按校准中心对齐,计算所述样本指纹特征点数据和变换后的档案指纹特征点数据之间的差异度,得到全局差异度;
S308、以最小的全局差异度作为样本指纹和档案指纹间最终匹配组合,计算所述样本指纹特征点数据和变换后的档案指纹特征点数据之间的相似度,得到全局相似度分数;
S309、按照全局相似度分数由高至低的顺序,对所述档案指纹数据的匹配结果进行排序。
2.根据权利要求1所述的指纹自动比对方法,其特征在于,所述步骤S301和S303中的并行计算的并发数为所述预设值。
3.根据权利要求2所述的指纹自动比对方法,其特征在于,所述步骤S301具体为:
S3011、发起GPU计算;
S3012、将所述档案指纹特殊点数据进行极坐标变换;
S3013、计算所述变换后的特殊点对和档案指纹特征点数据中的每一组特殊点对之间的差异度,得到特殊点对差异度;
S3014、结束GPU运算。
4.根据权利要求2或3所述的指纹自动比对方法,其特征在于,所述步骤S303具体为:
S3031、发起GPU计算;
S3032、将所述档案指纹特征点数据进行极坐标变换;
S3033、计算所述样本指纹特征点数据中包含所述变换后的特殊点对的局部结构与每一个档案指纹特征点数据中的包含所述比中的特殊点对的局部结构之间的差异度,得到局部结构差异度;
S3034、结束GPU运算。
5.根据权利要求1所述的指纹自动比对方法,其特征在于,所述步骤S305具体为:
S3051、从通过局部结构匹配的档案指纹中选取一枚档案指纹,所述通过局部结构匹配的档案指纹即所述局部结构相似度不为0的档案指纹;
S3052、如果档案指纹中仅存在一个局部结构,则将该局部结构的中心点作为校准中心;如果档案指纹中存在多个局部结构,则通过档案指纹中多个局部结构之间相似度的不相容性,采用加权竞争的计算方法,将对应的局部结构相似度进行加权,得到每一个局部结构的权值,将该权值与阈值进行比较;
S3053、在符合阈值条件的多个局部结构中进行相关性的检查;如果多个局部结构之间具有相关性,即以这些局部结构为基础的坐标变换方法为同一个坐标变换方法,则选取具有相关性的多个局部结构中的权值最大的局部结构的中心点作为校准中心点;如果多个局部结构之间不具有相关性,则将每一个局部结构的中心点分别作为校准中心点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410098313.5A CN104077561B (zh) | 2014-03-17 | 2014-03-17 | 指纹自动比对方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410098313.5A CN104077561B (zh) | 2014-03-17 | 2014-03-17 | 指纹自动比对方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104077561A CN104077561A (zh) | 2014-10-01 |
CN104077561B true CN104077561B (zh) | 2017-07-04 |
Family
ID=51598809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410098313.5A Expired - Fee Related CN104077561B (zh) | 2014-03-17 | 2014-03-17 | 指纹自动比对方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104077561B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462343B (zh) * | 2014-12-08 | 2018-12-25 | 北京庆世昌明科技有限公司 | 一种大数据比对碰撞系统 |
CN104850829B (zh) * | 2015-05-05 | 2018-01-30 | 中国人民解放军国防科学技术大学 | 基于粗粒度并行的指纹匹配单元 |
CN105005776A (zh) * | 2015-07-30 | 2015-10-28 | 广东欧珀移动通信有限公司 | 指纹识别方法及装置 |
CN107545215A (zh) * | 2016-06-23 | 2018-01-05 | 杭州海康威视数字技术股份有限公司 | 一种指纹识别方法及装置 |
CN109614965A (zh) * | 2019-02-19 | 2019-04-12 | 北京英奇芯片技术有限公司 | 一种含nfc识别功能的指纹模组及其指纹识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3097028B2 (ja) * | 1996-09-04 | 2000-10-10 | 富士通電装株式会社 | 指掌紋採取装置 |
US8135181B2 (en) * | 2007-03-26 | 2012-03-13 | The Hong Kong Polytechnic University | Method of multi-modal biometric recognition using hand-shape and palmprint |
US8265347B2 (en) * | 2008-04-24 | 2012-09-11 | The Hong Kong Polytechnic University | Method and system for personal identification using 3D palmprint imaging |
CN103413116A (zh) * | 2013-06-14 | 2013-11-27 | 南京信息工程大学 | 一种有效的指纹方向场计算方法 |
-
2014
- 2014-03-17 CN CN201410098313.5A patent/CN104077561B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104077561A (zh) | 2014-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104077561B (zh) | 指纹自动比对方法 | |
Nekrasov et al. | Real-time joint semantic segmentation and depth estimation using asymmetric annotations | |
CN106407311A (zh) | 获取搜索结果的方法和装置 | |
CN110059157A (zh) | 一种图文跨模态检索方法、系统、装置和存储介质 | |
US20100021068A1 (en) | System and method for extracting boundary elements of an object | |
CN110223292A (zh) | 图像评估方法、装置及计算机可读存储介质 | |
CN106780528B (zh) | 基于边缘线匹配的图像对称轴检测方法 | |
Fan et al. | Satellite image matching method based on deep convolutional neural network | |
CN108334644A (zh) | 图像识别方法和装置 | |
CN104268629B (zh) | 一种基于先验信息和网络固有信息的复杂网络社区检测方法 | |
CN109993275A (zh) | 一种信号处理方法及装置 | |
CN109086871A (zh) | 神经网络的训练方法、装置、电子设备和计算机可读介质 | |
CN109189892A (zh) | 一种基于文章评论的推荐方法及装置 | |
CN106355607A (zh) | 一种宽基线彩色图像模板匹配方法 | |
Cai et al. | HTMatch: An efficient hybrid transformer based graph neural network for local feature matching | |
CN109118082A (zh) | 电源接入系统评价体系灰色密切值评估模型 | |
Wei et al. | Edge devices clustering for federated visual classification: A feature norm based framework | |
CN106503245A (zh) | 一种支撑点集合的选择方法及装置 | |
CN105260739B (zh) | 面向二进制特征的图像匹配方法及其系统 | |
CN117036291A (zh) | 混凝土裂缝轻量化检测模型及检测方法 | |
TW202127312A (zh) | 影像處理方法及存儲介質 | |
CN110070120B (zh) | 基于判别采样策略的深度度量学习方法及系统 | |
CN108875445A (zh) | 一种行人再识别方法及装置 | |
CN110503205A (zh) | 一种多模态数据处理方法及系统 | |
CN115331021A (zh) | 基于多层特征自身差异融合的动态特征提取与描述方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170704 |