CN104268587B - 一种基于指波变换和svm的假指纹检测方法 - Google Patents
一种基于指波变换和svm的假指纹检测方法 Download PDFInfo
- Publication number
- CN104268587B CN104268587B CN201410566885.1A CN201410566885A CN104268587B CN 104268587 B CN104268587 B CN 104268587B CN 201410566885 A CN201410566885 A CN 201410566885A CN 104268587 B CN104268587 B CN 104268587B
- Authority
- CN
- China
- Prior art keywords
- block
- fingerprint
- fingerprint image
- svm
- false
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1382—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
- G06V40/1359—Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于指波变换和SVM的假指纹检测方法,包括以下步骤:1:采集真、假指纹图像;2:对采集的真、假指纹图像进行指波变换;3:提取采集的指纹图像的指波变换参数作为特征向量;4:对所提取的特征向量进行归一化处理;5:对归一化的特征向量进行支持向量机训练得到基于支持向量机(SVM)的分类器;步骤6:对归一化的待检测指纹的特征向量,使用步骤5中得到的SVM分类模型进行分类,得到“真”或“假”的SVM分类结果。本发明将指纹图像通过指波变换后提取特征向量,输入到支持向量机SVM中进行分类,在不改变指纹采集仪硬件的条件下,能够很好的区分真假指纹。实验结果表明本发明准确率高,拒真率和认假率低,且成本低,实用性好。
Description
技术领域
本发明设计属于图像处理和模式识别领域,涉及一种假指纹的检测方法,具体涉及一种基于指波变换和SVM的假指纹检测方法。
背景技术
目前指纹识别技术广泛的应用于各种身份识别系统,在识别准确率及操作的便利性等方面其均有较好的优势。
然而有许多不法分子利用各种材料来伪造指纹借此通过指纹识别系统。真指纹也叫活体指纹,是指具有人体生物特征的手指的指纹,即是活着的人体的手指指纹。而相对应的假指纹也叫死体指纹,其中包括各种材料制成的指纹,如硅胶、粘土、印刷了指纹图像的纸等,甚至是离开人体的手指都叫死体指纹。
区分真指纹和假指纹,目前常用的方法是利用假指纹在采集过程中与真指纹的不同,通过升级采集设备,达到目的。例如,在指纹采集仪上加装一个温度探测器,在采集指纹的同时检测温度,若偏离人体温度较大,则可判定为假指纹;也可以利用人体与其他制作假指纹材料的电阻率的不同,采集过程中同时检测电阻率,来区分真假指纹。虽然以上这些方法都能有效的区分真假指纹,但需要对硬件进行升级,成本高,不利于推广,且这些方法都易受环境因素影响。因此,通过纯软件的方法来区分真假指纹是目前来说最好的方法。
真指纹图像示例图见图2,假指纹图像示例图见图3,仅凭人眼是无法将真假指纹区分开的。许多文献和研究表明假指纹与真指纹的不同,主要是肉眼不可分辨的一些统计特性、频域特性。但目前在区分真假指纹的方法中,只是提取一些简单的统计特性和频域特性,方法过于简单,且不能有效的区分真假指纹。
发明内容
本发明克服现有假指纹检测技术不成熟,且识别正确率较低的现状,提出了一种在不改变采集设备的前提下,基于指波分解和SVM的假指纹的检测方法。
本发明所采用的技术方案是:一种基于指波变换和SVM的假指纹检测方法,其特征在于,包括以下步骤:
步骤1:采集真、假指纹图像;
步骤2:对采集的真、假指纹图像进行指波变换;
步骤3:提取采集的指纹图像的指波变换参数作为特征向量;
步骤4:对所提取的特征向量进行归一化处理;
步骤5:对归一化的特征向量进行支持向量机训练得到基于支持向量机(SVM)的分类器;
步骤6:对归一化的待检测指纹的特征向量,使用步骤5中得到的SVM分类模型进行分类,得到“真”或“假”的SVM分类结果。
作为优选,步骤2中所述的对采集的真、假指纹图像进行指波变换,其具体实现包括以下子步骤:
步骤2.1:初始的块分割;将指纹图像不重合的分割成若干个正方形块,定义块参数bs:bs=Mean/Std,其中Mean表示块内灰度均值、Std表示块内灰度标准差;给定一个阈值T,当bs≥T时,定义此块为曲线块;否则,定义此块为直线块;于是一副指纹图像F就分割成了一系列的直线块和曲线块:
F=ΣxLx+ΣyCy
其中Lx表示第x个直线块,Cy表示第y个曲线块;
步骤2.2:曲线块的分解;利用Mallat算法,将F中曲线块部分Cy按下式分解到J个尺度:
其中CyJ是曲线块中的近似部分,Wyj是曲线块中分解到第j个尺度的细节部分;
Wyj在空间域由下式进一步分解为K个块,
其中Syjk是Wyj在空间域分解的第k个块,Syjk就可以被视为指纹图像中的直线部分,因此曲线块就分解成了一系列的更小尺度的直线块。从而得到:
F=ΣxLx+Σy(CyJ+ΣjΣkSyjk);
于是一副指纹图像就分解成一系列的不同尺度的直线块;
步骤2.3:脊波变换;利用脊波变换处理步骤2.2中得到的一系列不同尺度的直线块,提取出相应的脊波分解系数,这些系数就是指波变换系数,从而得到每一个直线块的指波变换系数。
作为优选,步骤3中所述的提取采集的指纹图像的指波变换参数作为特征向量,所述的指波变换参数包括联合均值、联合方差及联合变异系数,其提取方法包括以下子步骤:
步骤3.1:步骤2.3中得到每一个直线块的指波变换系数,这些系数是一个大小为m行n列的矩阵,其中每一列代表变换后每一个方向的系数;
步骤3.2:提取指纹图像的联合均值;
计算每一个方向的系数均值meanj;
计算每一个方向的权重:
weightj=j×2π/(n+1);
其中weightj表示第j个方向的权重;
计算指纹图像中每一块的联合均值:
其中Cmeani表示第i个块的联合均值;
计算一副指纹图像的联合均值:
其中p表示一副指纹图像中直线块的个数,Ci表示第i行的权重;
步骤3.3:提取指纹图像的联合方差;
计算每一个方向的系数方差stdj;
计算指纹图像中每一块的联合方差:
其中Cstdi表示第i个块的联合方差;
计算一副指纹图像的联合方差:
其中p表示一副指纹图像中直线块的个数,Ci表示第i行的权重;
步骤3.4:提取指纹图像的联合变异系数;
计算每一个方向的变异系数cvj:
cvj=stdj/meanj;
其中cvj表示第j个方向的变异系数;
计算指纹图像中每一块的联合变异系数:
其中Ccvi表示第i个块的联合变异系数。
计算一副指纹图像的联合变异系数:
其中p表示一副指纹图像中直线块的个数,Ci表示第i行的权重。
作为优选,步骤4中所述的对所提取的特征向量进行归一化处理,归一化到[0 1]的区间范围内。
作为优选,步骤5中所述的对归一化的特征向量进行支持向量机训练得到基于支持向量机(SVM)的分类器,其具体实现包括以下子步骤:
步骤5.1:利用网格参数法(GA)和粒子群优化算法(PSO)寻优得到最优的SVM损失函数的参数c值以及核函数中的gamma函数的参数g值;
步骤5.2:将SVM的c、g参数值设为此最优值,然后利用样本数据训练得到最佳的SVM分类器。
本发明的有益效果是提出了一种新的指纹图像处理的算法,通过指波变换后提取特征向量,输入到SVM中进行分类,在不改变指纹采集仪硬件的条件下,能够较好的区分真假指纹。
附图说明
图1:为本发明实施例的假指纹检测流程图;
图2:为本发明实施例的真指纹图像实例图;
图3:为本发明实施例的假指纹图像实例图;
图4:为本发明实施例的指波变换流程图;
图5:为本发明实施例的指纹图像直线块实例图;
图6:为本发明实施例的指纹图像曲线块实例图;
图7:为本发明实施例的20组实验的准确率;
图8:为本发明实施例的20组实验的认假率和拒真率。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
由于多尺度变换具有较强的图像处理能力,故在处理指纹图像的过程中就有两种较好的变换方法:脊波变换和曲波变换。脊波变换在表示直线块时具有较小的近似误差,而曲波变换在表示曲线块时具有较小的近似误差。但指纹图像是既包含有直线块又有曲线块,单一的脊波变换或是曲波变换是不能很好的表示指纹图像。指波变换是一种将脊波变换和曲波变换相结合的方法,可以很好的分析指纹图像。
SVM是一种建立在统计学习理论的上分类方法,具有结构简单、学习速度快、推广性能好、优化求解时具有唯一的极小点、不同核函数有不同的分类曲面等优点。区分真假属于二分类问题,采用SVM可以高效、准确的完成分类。
请见图1,本发明所采用的技术方案是:一种基于指波变换和SVM的假指纹检测方法,包括以下步骤:
步骤1:采集真、假指纹图像;
采集真指纹的过程中,应随机选取人群,且在不同的环境(干燥、潮湿)下进行采集。在假指纹的材料选取中,应选择成像效果好的、应用较为广泛的材料,如硅胶制成的指纹膜。在采集过程中,应注意按压指纹采集仪是要受力均匀。得到的指纹图像要具有一般性,应剔除图像不完整,和太模糊的图像。
步骤2:对采集的真、假指纹图像进行指波变换;请见图4,其具体实现包括以下子步骤:
步骤2.1:初始的块分割;将指纹图像不重合的分割成若干个正方形块,定义块参数bs:bs=Mean/Std,其中Mean表示块内灰度均值、Std表示块内灰度标准差;给定一个阈值T,当bs≥T时,定义此块为曲线块;否则,定义此块为直线块;于是一副指纹图像F就分割成了一系列的直线块和曲线块:
F=ΣxLx+ΣyCy
其中Lx表示第x个直线块,Cy表示第y个曲线块;请见图5,为本实施例的直线块实例图,请见图6,为本实施例的曲线块实例图。
步骤2.2:曲线块的分解;利用Mallat算法,将F中曲线块部分Cy按下式分解到J个尺度:
其中CyJ是曲线块中的近似部分,Wyj是曲线块中分解到第j个尺度的细节部分;
Wyj在空间域由下式进一步分解为K个块,
其中Syjk是Wyj在空间域分解的第k个块。Syjk就可以被视为指纹图像中的直线部分,因此曲线块就分解成了一系列的更小尺度的直线块。从而得到:
F=ΣxLx+Σy(CyJ+ΣjΣkSyjk);
于是一副指纹图像就分解成一系列的不同尺度的直线块;
步骤2.3:脊波变换;利用脊波变换处理步骤2.2中得到的一系列不同尺度的直线块,提取出相应的脊波分解系数,这些系数就是指波变换系数,从而得到每一个直线块的指波变换系数。
步骤3:提取采集的指纹图像的指波变换参数作为特征向量;其中指波变换参数包括联合均值、联合方差及联合变异系数,其提取方法包括以下子步骤:
步骤3.1:步骤2.3中得到每一个直线块的指波变换系数,这些系数是一个大小为m行n列的矩阵,其中每一列代表变换后每一个方向的系数;
步骤3.2:提取指纹图像的联合均值;
计算每一个方向的系数均值meanj;
计算每一个方向的权重:
weightj=j×2π/(n+1);
其中weightj表示第j个方向的权重;
计算指纹图像中每一块的联合均值:
其中Cmeani表示第i个块的联合均值;
计算一副指纹图像的联合均值:
其中p表示一副指纹图像中直线块的个数,Ci表示第i行的权重;
步骤3.3:提取指纹图像的联合方差;
计算每一个方向的系数方差stdj;
计算指纹图像中每一块的联合方差:
其中Cstdi表示第i个块的联合方差;
计算一副指纹图像的联合方差:
其中p表示一副指纹图像中直线块的个数,Ci表示第i行的权重;
步骤3.4:提取指纹图像的联合变异系数;
计算每一个方向的变异系数cvj:
cvj=stdj/meanj;
其中cvj表示第j个方向的变异系数;
计算指纹图像中每一块的联合变异系数:
其中Ccvi表示第i个块的联合变异系数。
计算一副指纹图像的联合变异系数:
其中p表示一副指纹图像中直线块的个数,Ci表示第i行的权重。
步骤4:对所提取的特征向量进行归一化处理;了减少SVM训练的计算量,缩短训练计算时间,将所有前述过程得到的特征向量值归一化到[0 1]的区间范围内。
步骤5:对归一化的特征向量进行支持向量机训练得到基于支持向量机(SVM)的分类器;其具体实现包括以下子步骤:
步骤5.1:利用网格参数法(GA)和粒子群优化算法(PSO)寻优得到最优的SVM损失函数的参数c值以及核函数中的gamma函数的参数g值;
步骤5.2:将SVM的c、g参数值设为此最优值,然后利用样本数据训练得到最佳的SVM分类器。
步骤6:对归一化的待检测指纹的特征向量,使用步骤5中得到的SVM分类模型进行分类,得到“真”或“假”的SVM分类结果。
为评价本发明的效果,在不同的天气环境下随机选取人群采集了300个真指纹,并用硅胶制作指纹膜,选取了质量较好的300个假指纹。其中真假指纹中男女比例都为2:1。
实验中,随机的选取真指纹和假指纹各150个用于训练,并检测剩下的指纹图像中的150个真指纹和150个假指纹,得到预测结果。并重复上述过程,做了20组实验。
此实验中得到的实验结果随真、假指纹的质量的好坏有较大的波动,但在本实例中所使用的指纹图像都是质量很好,用肉眼一般难以区分的真、假指纹。故本实例得到的实验结果波动小,可信度高。
请见图7、图8,通过20组实验,得到的实验结果,准确率为90%~96.7%,其拒真率和认假率分别为1.8%~5%和2%~6%。
由实例可知,本发明提出的算法在假指纹检测中不需要改变采集仪等硬件设备,就可以高准确率的分辨真假指纹。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (4)
1.一种基于指波变换和SVM的假指纹检测方法,其特征在于,包括以下步骤:
步骤1:采集真、假指纹图像;
步骤2:对采集的真、假指纹图像进行指波变换;其具体实现包括以下子步骤:
步骤2.1:初始的块分割;将指纹图像不重合的分割成若干个正方形块,定义块参数bs:bs=Mean/Std,其中Mean表示块内灰度均值、Std表示块内灰度标准差;给定一个阈值T,当bs≥T时,定义此块为曲线块;否则,定义此块为直线块;于是一副指纹图像F就分割成了一系列的直线块和曲线块:
F=∑xLx+∑yCy
其中Lx表示第x个直线块,Cy表示第y个曲线块;
步骤2.2:曲线块的分解;利用Mallat算法,将F中曲线块部分Cy按下式分解到J个尺度:
其中CyJ是曲线块中的近似部分,Wyj是曲线块中分解到第j个尺度的细节部分;
Wyj在空间域由下式进一步分解为K个块,
其中Syjk是Wyj在空间域分解的第k个块,Syjk就可以被视为指纹图像中的直线部分,因此曲线块就分解成了一系列的更小尺度的直线块;从而得到:
F=∑xLx+∑y(CyJ+∑j∑kSyjk);
于是一副指纹图像就分解成一系列的不同尺度的直线块;
步骤2.3:脊波变换;利用脊波变换处理步骤2.2中得到的一系列不同尺度的直线块,提取出相应的脊波分解系数,这些系数就是指波变换系数,从而得到每一个直线块的指波变换系数;
步骤3:提取采集的指纹图像的指波变换参数作为特征向量;
步骤4:对所提取的特征向量进行归一化处理;
步骤5:对归一化的特征向量进行支持向量机训练得到基于支持向量机(SVM)的分类器;
步骤6:对归一化的待检测指纹的特征向量,使用步骤5中得到的SVM分类模型进行分类,得到“真”或“假”的SVM分类结果。
2.根据权利要求1所述的基于指波变换和SVM的假指纹检测方法,其特征在于:步骤3中所述的提取采集的指纹图像的指波变换参数作为特征向量,所述的指波变换参数包括联合均值、联合方差及联合变异系数,其提取方法包括以下子步骤:
步骤3.1:步骤2.3中得到每一个直线块的指波变换系数,这些系数是一个大小为m行n列的矩阵,其中每一列代表变换后每一个方向的系数;
步骤3.2:提取指纹图像的联合均值;
计算每一个方向的系数均值meanj;
计算每一个方向的权重:
weightj=j×2π/(n+1);
其中weightj表示第j个方向的权重;
计算指纹图像中每一块的联合均值:
其中Cmeani表示第i个块的联合均值;
计算一副指纹图像的联合均值:
其中p表示一副指纹图像中直线块的个数,Ci表示第i行的权重;
步骤3.3:提取指纹图像的联合方差;
计算每一个方向的系数方差stdj;
计算指纹图像中每一块的联合方差:
其中Cstdi表示第i个块的联合方差;
计算一副指纹图像的联合方差:
其中p表示一副指纹图像中直线块的个数,Ci表示第i行的权重;
步骤3.4:提取指纹图像的联合变异系数;
计算每一个方向的变异系数cvj:
cvj=stdj/meanj;
其中cvj表示第j个方向的变异系数;
计算指纹图像中每一块的联合变异系数:
其中Ccvi表示第i个块的联合变异系数;
计算一副指纹图像的联合变异系数:
其中p表示一副指纹图像中直线块的个数,Ci表示第i行的权重。
3.根据权利要求1所述的基于指波变换和SVM的假指纹检测方法,其特征在于:步骤4中所述的对所提取的特征向量进行归一化处理,归一化到[01]的区间范围内。
4.根据权利要求1所述的基于指波变换和SVM的假指纹检测方法,其特征在于:
步骤5中所述的对归一化的特征向量进行支持向量机训练得到基于支持向量机(SVM)的分类器,其具体实现包括以下子步骤:
步骤5.1:利用网格参数法(GA)和粒子群优化算法(PSO)寻优得到最优的SVM损失函数的参数c值以及核函数中的gamma函数的参数g值;
步骤5.2:将SVM的c、g参数值设为此最优值,然后利用样本数据训练得到最佳的SVM分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410566885.1A CN104268587B (zh) | 2014-10-22 | 2014-10-22 | 一种基于指波变换和svm的假指纹检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410566885.1A CN104268587B (zh) | 2014-10-22 | 2014-10-22 | 一种基于指波变换和svm的假指纹检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104268587A CN104268587A (zh) | 2015-01-07 |
CN104268587B true CN104268587B (zh) | 2017-05-24 |
Family
ID=52160107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410566885.1A Active CN104268587B (zh) | 2014-10-22 | 2014-10-22 | 一种基于指波变换和svm的假指纹检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104268587B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794440B (zh) * | 2015-04-15 | 2018-03-13 | 杭州景联文科技有限公司 | 一种基于多分块多尺度lbp的假指纹检测方法 |
CN105528591B (zh) * | 2016-01-14 | 2019-04-16 | 电子科技大学 | 基于多象限编码的活体指纹识别方法 |
CN106295555A (zh) * | 2016-08-08 | 2017-01-04 | 深圳芯启航科技有限公司 | 一种活体指纹图像的检测方法 |
CN107704795A (zh) * | 2016-08-09 | 2018-02-16 | 上海图檬信息科技有限公司 | 基于微距图像的指纹识别方法 |
CN106663203B (zh) * | 2016-11-04 | 2019-03-22 | 深圳市汇顶科技股份有限公司 | 活体指纹识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7136515B2 (en) * | 2001-09-13 | 2006-11-14 | Intel Corporation | Method and apparatus for providing a binary fingerprint image |
CN101266646A (zh) * | 2008-04-25 | 2008-09-17 | 重庆大学 | 融合小波分析与矩特征的人耳图像识别方法 |
CN101303728A (zh) * | 2008-07-01 | 2008-11-12 | 山东大学 | 面向图像质量的指纹识别方法 |
CN101673340A (zh) * | 2009-08-13 | 2010-03-17 | 重庆大学 | 综合多方向多尺度与bp神经网络的人耳识别方法 |
CN103324944A (zh) * | 2013-06-26 | 2013-09-25 | 电子科技大学 | 一种基于svm和稀疏表示的假指纹检测方法 |
-
2014
- 2014-10-22 CN CN201410566885.1A patent/CN104268587B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7136515B2 (en) * | 2001-09-13 | 2006-11-14 | Intel Corporation | Method and apparatus for providing a binary fingerprint image |
CN101266646A (zh) * | 2008-04-25 | 2008-09-17 | 重庆大学 | 融合小波分析与矩特征的人耳图像识别方法 |
CN101303728A (zh) * | 2008-07-01 | 2008-11-12 | 山东大学 | 面向图像质量的指纹识别方法 |
CN101673340A (zh) * | 2009-08-13 | 2010-03-17 | 重庆大学 | 综合多方向多尺度与bp神经网络的人耳识别方法 |
CN103324944A (zh) * | 2013-06-26 | 2013-09-25 | 电子科技大学 | 一种基于svm和稀疏表示的假指纹检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104268587A (zh) | 2015-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
CN106778902B (zh) | 基于深度卷积神经网络的奶牛个体识别方法 | |
Al Bashish et al. | Detection and classification of leaf diseases using K-means-based segmentation and | |
CN104268587B (zh) | 一种基于指波变换和svm的假指纹检测方法 | |
Mosleh et al. | A preliminary study on automated freshwater algae recognition and classification system | |
Gulhane et al. | Diagnosis of diseases on cotton leaves using principal component analysis classifier | |
Dey et al. | Automatic detection of whitefly pest using statistical feature extraction and image classification methods | |
RU2018142757A (ru) | Система и способ обнаружения болезней растений | |
CN108734283A (zh) | 神经网络系统 | |
CN102156887A (zh) | 一种基于局部特征学习的人脸识别方法 | |
Ibrahim et al. | Leaf recognition using texture features for herbal plant identification | |
CN104408469A (zh) | 基于图像深度学习的烟火识别方法及系统 | |
CN106295661A (zh) | 叶片图像多特征融合的植物种类识别方法及装置 | |
CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
CN103077399B (zh) | 基于集成级联架构的生物显微图像分类方法 | |
Raghukumar et al. | Comparison of machine learning algorithms for detection of medicinal plants | |
CN109190698B (zh) | 一种网络数字虚拟资产的分类识别系统及方法 | |
Singh et al. | A review on: Various techniques of plant leaf disease detection | |
CN105678341B (zh) | 一种基于Gabor小波分析的羊毛羊绒识别算法 | |
Rashmi et al. | A machine learning technique for identification of plant diseases in leaves | |
CN106778714B (zh) | 基于非线性特征和模型合并的lda人脸识别方法 | |
CN103390170A (zh) | 一种基于多光谱遥感图像纹理元的地物类型纹理分类方法 | |
Sabri et al. | Nutrient deficiency detection in maize (Zea mays L.) leaves using image processing | |
CN105894035B (zh) | 基于sar-sift和dbn的sar图像分类方法 | |
Aygün et al. | A benchmarking: Feature extraction and classification of agricultural textures using LBP, GLCM, RBO, Neural Networks, k-NN, and random forest |
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 |