CN104751163B - 对货物进行自动分类识别的透视检查系统和方法 - Google Patents

对货物进行自动分类识别的透视检查系统和方法 Download PDF

Info

Publication number
CN104751163B
CN104751163B CN201310734373.7A CN201310734373A CN104751163B CN 104751163 B CN104751163 B CN 104751163B CN 201310734373 A CN201310734373 A CN 201310734373A CN 104751163 B CN104751163 B CN 104751163B
Authority
CN
China
Prior art keywords
zonule
classification
image
cargo
feature
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
Application number
CN201310734373.7A
Other languages
English (en)
Other versions
CN104751163A (zh
Inventor
赵自然
刘耀红
顾建平
李强
张健
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.)
Nuctech Co Ltd
Original Assignee
Nuctech 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 Nuctech Co Ltd filed Critical Nuctech Co Ltd
Priority to CN201310734373.7A priority Critical patent/CN104751163B/zh
Priority to KR1020167020383A priority patent/KR101873135B1/ko
Priority to JP2016543181A priority patent/JP6338674B2/ja
Priority to PCT/CN2014/094494 priority patent/WO2015096677A1/zh
Priority to EP14200148.6A priority patent/EP2889838B1/en
Priority to PL14200148T priority patent/PL2889838T3/pl
Priority to ES14200148.6T priority patent/ES2656315T3/es
Priority to US14/580,488 priority patent/US10122973B2/en
Publication of CN104751163A publication Critical patent/CN104751163A/zh
Application granted granted Critical
Publication of CN104751163B publication Critical patent/CN104751163B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G01V5/22—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G06T2207/10121—Fluoroscopy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30112—Baggage; Luggage; Suitcase
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/05—Recognition of patterns representing particular kinds of hidden objects, e.g. weapons, explosives, drugs

Abstract

本发明涉及一种能够对货物进行自动分类识别的透视检查系统和方法，所述系统包括：图像数据获取单元，用于使用X射线扫描装置对集装箱进行扫描成像，以获取扫描图像；图像分割单元，用于将所述扫描图像分割成灰度与纹理特征都相似的小区域；特征提取单元，用于对所述小区域进行特征提取；训练单元，用于根据标注图像生成分类器；以及分类识别单元，用于根据所提取的特征利用分类器对各个小区域进行识别，得到各个小区域属于各类货物的概率，并对小区域进行融合，得到大区域及其类别。本发明利用所提取的特征来判断扫描图像中各个小区域属于各类货物的概率，然后对小区域进行融合，获得大区域的类别，这种策略提高了货物整体识别的效率和准确性。

Description

对货物进行自动分类识别的透视检查系统和方法
技术领域
本发明涉及辐射透视成像集装箱安全检查系统，具体地，涉及集装箱大宗货物自动分析与智能查验方法、集装箱大宗货物的自动分类与识别方法、大宗货物扫描图像的语义分割与归类，并且涉及集装箱违规夹带货物分析、货物数量估计、税额计算等智能查验方法。
背景技术
智能查验是集装箱安检领域发展必然趋势，而货物自动分类识别是智能查验的一项重要核心内容。基于能谱分析的材料识别技术目前有X射线双能材料识别与中子-X射线技术。双能技术只能识别有机物、无机物、混合物与重金属四个类别，分辨的类别比较少，中子-X射线技术能分辨较多类别，但中子发生装置昂贵，中子射线防护困难，对有机物穿透力差，这些缺陷使其在集装箱货物安检方面应用困难。
基于图像分析的扫描图像货物自动分类识别技术多年来研究进展缓慢，算法功能还不能满足客户实际需求。造成这个问题的原因，一方面是货物纷繁复杂，难以找到有效的特征与规律进行有效分类；另一方面扫描设备分散，各海关对扫描图像保密，难以获得比较全面的图像数据用于训练分类器；再另一方面就是基于海量数据分析的图像分类识别对算法与计算硬件的要求都比较高，给研究工作造成一定的难度。
现在，对货物的分类识别进行研究是必要且可行的。一方面，业界和学界也认识到了智能查验面对的问题，比如欧盟FP7计划中立项的XtRayner项目，是一个跨厂商智能查验平台。它主要的目的在于搜集并标注数据，并规划了基础算法方面的研究。另一方面，图像理解与模式识别近年来的飞速发展，比较高端的适合于海量数据分类识别的算法如条件随机场、深度学习理论逐渐成熟，使得集装箱扫描图像的自动分类与识别变为可行。
发明内容
因此，希望提供一种能够对货物进行自动分类识别的透视检查系统和方法。
根据本发明的一个方面，提供了一种对货物进行自动分类识别的透视检查系统，所述系统包括：图像数据获取单元，用于使用X射线扫描装置对集装箱进行扫描成像，以获取扫描图像；图像分割单元，用于将所述扫描图像分割成灰度与纹理特征都相似的小区域；特征提取单元，用于对所述小区域进行特征提取；训练单元，用于根据标注图像生成分类器；以及分类识别单元，用于根据所提取的特征利用分类器对各个小区域进行识别，得到各个小区域属于各类货物的概率，并对小区域进行融合，得到大区域及其类别。
本发明提出的对货物进行自动分类识别的透视检查系统，能够对集装箱扫描图像进行分析，根据特征相似性将图像划分成几个部分，并分析每个部分对应的货物属于哪一类货物。其中，利用所提取的特征来判断扫描图像中各个小区域属于各类货物的概率，然后对小区域进行融合，获得大区域的类别，这种策略提高了货物整体识别的效率和准确性；并且利用本发明实施例所述的配置，随着货物识别量的累积，能够进一步提高货物识别的效率和准确性。本发明根据类别信息可与报关单进行对比，从中发现违规夹带；根据货物类别及图像中的面积，可以估算货物数量；可以用估算的货物数量与报关单进行对比，从而发现隐瞒货物数量的瞒带情况；还可以进一步根据货物数量自动根据税率进行税额估算。
优选地，所述分类识别单元还用于对小区域进行融合，得到大区域及其类别。
优选地，所述系统还包括查验终端；所述分类识别单元还用于估算每个类别货物的数量，以及将结果提交给查验终端。由此，查验员可以根据所述结果对图像做进一步分析，并可以与报关单进行对比，核查货物种类、数量、税额是否正确。
优选地，对货物的分类识别包括训练阶段和识别阶段。
训练阶段需要大量集装箱货物扫描图像，量级为10万幅以上。优选地，在训练阶段中，获取集装箱货物扫描图像后首先需要对每幅图像进行预分割，将图像分割成灰度与纹理特征都相似的小区域，把这些小区域叫做超像素（Superpixel），并对这些小区域进行特征提取；然后需要根据每幅图像对应的报关单对其进行标注，即明确地标注出每个小区域属于哪一类货物，类别相同而且相邻或联通的小区域将直接融合成大区域，称之为簇（Cluster）；最后把这些大区域中各小区域的特征构成为特征簇，根据这些已知类别的特征簇训练分类器，用于后续识别。其中，标注阶段将货物分为多少个类别，识别阶段就能够分出多少个类别。由于扫描图像的透射性与投影性，实物的表面轮廓特征损失殆尽，给识别造成很大困难。如果分的类别太多反而会降低准确率。为使得分类结果更具实用价值，发明人根据《中华人民共和国海关进出口商品规范申报目录》等相关规定，将货物分为22类。
特征提取的方法，可以采用SIFT (Scale-invariant feature transform)、MR8(Maximum Response Sets)等算子获得多个特征，然后采用特征融合(Feature Fusion)或者决策融合(Decision Fusion)的方法对多个特征进行融合，获取关键特征。
训练阶段，每幅图像中每个小区域（超像素）都会包含比较多的特征，这样训练图像库就会生成一个海量特征库。可以采用字典方法(Dictionary Learning)来有效地组织这些特征。具体来说就是把相似的特征聚类成词汇，众多词汇最终构成字典。这样，每个小区域的特征就会转换为一个字典中词汇的直方图，这个直方图被认为是该小区域的最终特征。类别相同而且相邻或联通的小区域将融合成大区域（簇）后，一个大区域包含一簇直方图特征，这一簇直方图属于同一类。其中，字典的形成有两大类方法：可以是Kmeans，然后用BOW(bag of words)描述区域；也可以用K-SVD(K Singular Value Decomposition) ，用sparse representation描述区域。
可选地，在所述训练阶段中，通过对采集的图像进行人工标注而获得子类图像数据库。
优选地，在识别阶段中，首先对集装箱货物进行扫描，对扫描图像进行预分割，生成若干灰度与纹理比较一致的小区域（超像素）；然后对所述小区域进行特征提取，并根据所提取的特征利用训练所生成的分类器对各个区域进行识别，得到各小区域属于各类货物的概率；最后利用所述概率及相邻小区域之间的关联性构建概率图模型，对小区域进行融合，得到大区域及其类别，完成货物分类。其中，概率图模型可以用隐马尔可夫模型（HMM,Hide Markov Mode）、条件随机场模型（CRF, Conditional Random Field）或结构输出预测模型（SOP，Structure Output Prediction）,也可以不用构建这些复杂模型，而直接根据相似性进行融合，然后输出一个综合类别作为融合区域的类别。
根据本发明的另一方面，提供了一种对货物进行自动分类识别的透视检查方法，所述方法包括：使用X光扫描装置对集装箱进行扫描成像，以获取扫描图像；将所述扫描图像分割成灰度与纹理特征都相似的小区域；对所述小区域进行特征提取；根据标注图像生成分类器；以及根据所提取的特征利用分类器对各个小区域进行识别，得到各个小区域属于各类货物的概率，并对小区域进行融合，得到大区域及其类别。
优选地，所述方法还包括估算每个类别货物的数量，以及将结果提交给查验终端。
优选地，所述方法包括训练阶段和识别阶段。
优选地，在所述训练阶段中，获取集装箱货物扫描图像后首先对每幅图像进行预分割，将图像分割成灰度与纹理特征都相似的小区域，并对这些小区域进行特征提取；然后根据每幅图像对应的报关单对其进行标注，类别相同而且相邻或联通的小区域将融合成大区域；最后把这些大区域中各小区域的特征构成为特征簇，根据这些已知类别的特征簇训练分类器，用于后续识别。
优选地，在所述训练阶段中，采用SIFT、MR8算子获得多个特征，然后采用特征融合或者决策融合的方法对所述多个特征进行融合，以提取特征；并且，采用字典方法来组织所提取的特征。
优选地，在所述训练阶段中，通过对采集的图像进行人工标注而获得子类图像数据库。
优选地，在所述识别阶段中，首先对集装箱货物进行扫描，对扫描图像进行预分割，生成若干灰度与纹理比较一致的小区域；然后对所述小区域进行特征提取，并根据所提取的特征利用训练所生成的分类器对各个区域进行识别，得到各小区域属于各类货物的概率；最后利用所述概率及相邻小区域之间的关联性构建概率图模型，对小区域进行融合，得到大区域及其类别，完成货物分类。
优选地，在所述识别阶段中，用隐马尔可夫模型、条件随机场模型或结构输出预测模型构建所述概率图模型；或者直接根据相似性进行融合，然后输出一个综合类别作为融合区域的类别。
利用本发明的对货物进行自动分类识别的透视检查系统和方法，对集装箱扫描图像中的大宗货物进行分割、实现货物分类识别，还能够进一步估算货物数量，并在图像上为各类别货物加上相应的伪彩色，对图像查验有很大的帮助。如果图像分类的类别数与报关单货物类别数不一致，或数量不一致，则提示查验员货物有隐瞒；如果能查询到各类货物的税率，系统还能估算出税额以供参考。
附图说明
通过参考以下描述的实施例，本发明的这些和其他方面将是清楚的并得到阐述。在附图中：
图1示出了根据本发明的实施例的查验流程图；
图2示出了根据本发明的实施例的训练阶段的示意图；以及
图3示出了根据本发明的实施例的识别阶段的示意图。
具体实施例
为使本发明的目的、结构和优点更加清楚，下面结合附图对本发明进一步地进行详细描述。其中，为简化起见，在附图和说明书中仅示出了多种可能的设置之一。本领域技术人员能够理解，在不脱离本发明精神的情况下，能够对本发明的以下实施例作出各种改变和替换。
类别描述
本发明采用世界海关组织主持制定的《商品名称及编码协调制度》(HS, TheHarmonized Commodity Description and Coding System ) 与《中华人民共和国海关进出口商品规范申报目录》相关规定，将扫描货物分为22类，类别大略描述如下：
1、活动物，活物产品。
2、植物产品。
3、动动、植物油、脂及其分解产品；精制的食用油脂；动、植物蜡。
4、食品；饮料、酒及醋；烟草、烟草及烟草代用品的制品。
5、矿产品。
6、化学工业及其相关工业的产品。
7、塑料及其制品；橡胶及其制品。
8、生皮、皮革、毛皮及其制品；鞍具、挽具；旅行用品、手提包及类似物品；动物肠线（蚕胶丝除外）制品。
9、木及木制品；木炭软木及软禁制品稻草，秸秆，其它编结材料制品；篮筐及柳条编结品。
10、木浆及其他纤维状纤维素浆；纸及纸板的废碎品；纸、纸板及其制品。
11、纺织原料及纺织制品。
12、鞋、帽、伞、杖、鞭及其零件，已加工的羽毛及其制品；人造花；人发制品。
13、石料，石膏，水泥，石板，云母及类似的制品；陶瓷产品；玻璃其制品。
14、天然或养殖珍珠、宝石或半宝石、贵金属、包贵金属及其制品；仿首饰；硬币。
15、贱金属及其制品。
16、机器、机械器具、电气 设备及其零件；录音机 及放声机、电视图像、声音的录制和重放设备及零件、附件。
17、车辆、航空器、船舶及有关运输设备。
18、光学、照相、电影、计量、检验、医疗或外科用仪器及设备、精密仪器及设备；钟表 ；乐器 ；上述物品的零件、附件。
19、武器，弹药及其零件、附件。
20、杂项制品。
21、艺术品、收藏品及古物。
22、特殊交易品及未分类商品。
需要注意的是，本发明仅为了与实际应用贴近而将货物分成上述22类。实际上，还可以采用这22类的子集或更细致(如这22大类下定义的98类)的分类定义。
根据本发明的实施例，对货物进行自动分类识别的透视检查系统包括：图像数据获取单元，用于使用X光扫描装置对集装箱进行扫描成像，以获取扫描图像；图像分割单元，用于将所述扫描图像分割成灰度与纹理特征都相似的小区域；特征提取单元，用于对所述小区域进行特征提取；训练单元，用于根据标注图像生成分类器；以及分类识别单元，用于根据所提取的特征利用分类器对各个小区域进行识别，得到各个小区域属于各类货物的概率，并对小区域进行融合，得到大区域及其类别。
图1示出了根据本发明的实施例的查验流程图。其中，以车载集装箱的查验为例，在车辆检入之后，系统首先对车辆进行扫描以获取透视图像；利用将在以下详细描述的图像分析和分类识别，并结合文字辅助信息，对图像进行检查；在获得了分类识别的结果后，可以向查验终端发送所述结果；并在验出车辆后发送验出结果。
本发明提出的对货物进行自动分类识别的透视检查系统，能够对集装箱扫描图像进行分析，根据特征相似性将图像划分成几个部分，并分析每个部分对应的货物属于哪一类货物。其中，利用所提取的特征来判断扫描图像中各个小区域属于各类货物的概率，提高了货物整体识别的效率和准确性；并且利用本发明实施例所述的配置，随着货物识别量的累积，能够进一步提高货物识别的效率和准确性。本发明根据类别信息可与报关单进行对比，从中发现违规夹带；根据货物类别及图像中的面积，可以估算货物数量；可以用估算的货物数量与报关单进行对比，从而发现隐瞒货物数量的瞒带情况；还可以进一步根据货物数量自动根据税率进行税额估算。
优选地，所述系统对货物的自动分类识别包括训练阶段和识别阶段。然而本领域技术人员能够理解，在实际操作中，当具备了足够数量的子类样本时，所述系统对货物的自动分类识别可以不再包括训练阶段，因为此时系统已获得了足够的由特征汇聚而成的“词汇”。
训练阶段（如图2所示）
1、图像获取
为满足分类器训练要求，对每类货物采集约100幅图像，并尽量使这些图像包含不同的物品。如在食品中，尽量多的包含各种不同种类、不同形态和包装的食品。另外对于难于获取的货物如活物与武器，采用类似的模拟物进行扫描。
2、人工标注类别
对采集的图像，进行人工标注（即，标注图像）。一般的方法为：对图像中每个像素或哪个区域属于哪个类别进行详细标注。标注后，即形成图1中的子类图像数据库。并且，根据标注图像，生成分类器。
3、特征提取
首先，对图像有类别标注的区域进行特征提取，一般的，使用密集的图像描述子(Image Descriptor)表示特征。图像描述子可采用多种算法，如方向梯度直方图(HOG-Histogram of Oriented Gradients)特征、最大响应集(Maximum Response Sets，或称MR8)、尺度不变特征转换(SIFT- Scale-invariant feature transform)等。优选的，本专利采用三种特征进行决策融合(Decision Fusion)，因此在提取特征时，分别提取密集的HOG、MR8、SIFT特征(此处所述密集，是指采用较小的均匀间隔在图像上设置特征提取点的位置)。算法实现可采用开源软件如opencv、vlfeat等开源库。
使用图像分割算法对图像进行分割。不失一般性，采用统计区域合并(Statistical Region Merging)方法进行分割，分割得到的区域称之为超像素。对超像素区域内抽取的三种特征进行平均，即可得到此超像素的特征描述。对同一张图像上的、属于同一类别且类别而且相邻或联通的小区域将融合成大区域，称之为簇。簇中至少包含一个超像素。事实上，一个簇一般包含数十至数百个超像素。优选的，采用词袋法(BOW-Bag ofWords)来描述簇的特征。将HOG意义下生成的BOW特征称为HOG-BOW，MR8意义下生成的BOW特征为MR8-BOW，SIFT意义下生成的特征为SIFT-BOW。为充分使用样本，根据簇的面积，将簇均匀分块，使得每个簇包含不少于20个的BOW特征。此时，每个BOW特征由{HOG-BOW,MR8-BOW,SIFT-BOW}三个高维矢量组成。
4、分类器训练
用第3步中得到的特征训练分类器。根据上文描述，针对三种特征，构建三种分类器：HOG分类器、MR8分类器与SIFT分类器。由于每类约有100幅图像，每幅图像至少有20个BOW特征，则每个分类器均为22类分类器，每类至少有2000个特征样本。分类器可采用各类线性、非线性、集成分类器、神经网络，如Fisher分类器、支持向量机(SVM)、自助法(Boosting)、随机森林、多层感知机等。不失一般性，本实施例采用SVM分类器。该分类器有多种开源软件实现方案，如LibSVM等。
另外，也可以将三种特征进行特征融合(Feature Fusion)，但由于三种特征的维数都较高，因此此处优选的使用决策融合策略。
在得到分类器后，即可进行分类计算。
分类识别阶段（如图3所示）
1、图像分割
对未知图像进行分割，其方法与训练阶段的第3步中的图像分割相同，分割所得到的区域均为超像素。
2、特征提取
特征提取基本方法与训练阶段的第3步中的特征提取方法类似，不同之处在于此处没有类别信息，无法准确得到簇的特征。因此，对于每个超像素，将其周围一定面积内(参考生成簇时区域划分面积)生成的特征形成一个虚拟的局部簇，计算这个簇的BOW特征。此时超像素中的多个特征不再求平均，而是直接生成BOW特征。
不同于训练时每个簇包含至少20个BOW特征，此时局部簇只包含一个BOW特征，而这个特征由{HOG-BOW,MR8-BOW,SIFT-BOW}三个高维矢量组成。
3、分类
将HOG-BOW,MR8-BOW,SIFT-BOW三个高维矢量分别通过训练好的三个分类器，则可得到三个矢量属于22个类别的三维置信度矢量。矢量中每个值表示该特征属于某一类的置信度。
对三维置信度矢量求和、求平均、求最大均可得到决策融合结果。优选的，此处对三维置信度矢量求均值，得到一维置信度矢量。其中每个值，即为超像素属于某个类别的置信度。这个矢量中的最大值，即表示超像素的类别以及置信度。
优选的，可以在得到每个超像素的置信度后，对置信度图进行后处理。不失一般性，可采用条件随机场(CRF-Conditional Random Field)得到更为准确的结果。
货物重量估算
在射线成像系统中，每种物质在单位厚度(如1cm)下成像灰度值是可计算的，或者说是确定的。因此，构造一张22类货物在各个厚度下可能的最大灰度和最小灰度表。
在识别阶段的第3步中，已经得到了货物的种类，再参照图像灰度与上述灰度表，易得货物的最小可能重量与最大可能重量。
人机交互方式
本发明涉及的分类与识别方法，可采用多种人机交互方法，辅助设备操作人员更有效的分析图像。其方法可以但不限于：
1、作为人机交互的一种方法，可以在分类识别后，根据货物种类，对不同的货物进行不同颜色的显示，提示设备操作人员图像中包含几种货物，每种货物属于22类中的哪一类。
2、作为人机交互的一种方法，可以在分类识别后，根据操作人员的点击操作，在某区域(如鼠标附近)显示点击位置的货物种类与该类货物的最小可能重量与最大可能重量。
3、作为人机交互的一种方法，设备操作人员可以人工输入货物种类(属于哪一大类)。在分类识别后，如果结果与人工输入的类别号有所不同，则在图像上将不同处以明显的颜色标出。
4、作为人机交互的一种方法，系统通过自动分析报关单(电子报关单或通过字符识别的、数字化的报关单)，得到货物种类与相应的重量信息。在分类识别后，如果结果与自动分析结果有所不同，则在图像上将不同处以明显的颜色标出。
根据本发明的实施例，还提出了一种对货物进行自动分类识别的透视检查方法，其包括：使用X光扫描装置对集装箱进行扫描成像，以获取扫描图像；将所述扫描图像分割成灰度与纹理特征都相似的小区域；对所述小区域进行特征提取；根据标注图像生成分类器；以及根据所提取的特征利用分类器对各个小区域进行识别，得到各个小区域属于各类货物的概率，并对小区域进行融合，得到大区域及其类别。
优选地，所述方法还包括估算每个类别货物的数量，以及将结果提交给查验终端。
优选地，所述方法包括训练阶段和识别阶段。
优选地，在所述训练阶段中，获取集装箱货物扫描图像后首先对每幅图像进行预分割，将图像分割成灰度与纹理特征都相似的小区域，并对这些小区域进行特征提取；然后根据每幅图像对应的报关单对其进行标注，类别相同而且相邻或联通的小区域将融合成大区域；最后把这些大区域中各小区域的特征构成为特征簇，根据这些已知类别的特征簇训练分类器，用于后续识别。
优选地，在所述训练阶段中，采用SIFT、MR8算子获得多个特征，然后采用特征融合或者决策融合的方法对所述多个特征进行融合，以提取特征；并且，采用字典方法来组织所提取的特征。
优选地，在所述训练阶段中，通过对采集的图像进行人工标注而获得子类图像数据库。
优选地，在所述识别阶段中，首先对集装箱货物进行扫描，对扫描图像进行预分割，生成若干灰度与纹理比较一致的小区域；然后对所述小区域进行特征提取，并根据所提取的特征利用训练所生成的分类器对各个区域进行识别，得到各小区域属于各类货物的概率；最后利用所述概率及相邻小区域之间的关联性构建概率图模型，对小区域进行融合，得到大区域及其类别，完成货物分类。
优选地，在所述识别阶段中，用隐马尔可夫模型、条件随机场模型或结构输出预测模型构建所述概率图模型；或者直接根据相似性进行融合，然后输出一个综合类别作为融合区域的类别。
利用本发明的对货物进行自动分类识别的透视检查系统和方法，对集装箱扫描图像中的大宗货物进行分割、实现货物分类识别，还能够进一步估算货物数量，并在图像上为各类别货物加上相应的伪彩色，对图像查验有很大的帮助。如果图像分类的类别数与报关单货物类别数不一致，或数量不一致，则提示查验员货物有隐瞒；如果能查询到各类货物的税率，系统还能估算出税额以供参考。
尽管已在附图以及前述描述中详细说明及描述了本发明，但该说明及描述将被视为说明性或例示性的而非限制性的；本发明并不限于所公开的实施例。本领域技术人员在实践所主张的本发明时可从对附图、公开内容及附加的权利要求的研究来理解并实现所公开的实施例的其他变化。
在权利要求中，词语“包含”不排除其他元素或步骤，且“一”不排除复数个。单个元素或其他单元可实现权利要求中所叙述的若干项的功能。在相互不同的从属权利要求中叙述某些措施的仅有事实并不指示不可有利地使用这些措施的组合。不应将权利要求中的任何附图标记解释为限制范围。

Claims (17)

1.一种对货物进行自动分类识别的透视检查系统，所述系统包括：
图像数据获取单元，用于使用X射线扫描装置对集装箱进行扫描成像，以获取扫描图像；
图像分割单元，用于将所述扫描图像分割成灰度与纹理特征都相似的小区域；
特征提取单元，用于对所述小区域进行特征提取；
训练单元，用于根据标注图像生成分类器；以及
分类识别单元，用于根据所提取的特征利用分类器对各个小区域进行识别，得到各个小区域属于各类货物的概率，并对小区域进行融合，得到大区域及其类别。
2.根据权利要求1所述的系统，其特征在于：所述系统还包括查验终端；所述分类识别单元还用于估算每个类别货物的数量，以及将结果提交给查验终端。
3.根据权利要求1或2所述的系统，其特征在于：所述系统对货物的自动分类识别包括训练阶段和识别阶段。
4.根据权利要求3所述的系统，其特征在于：在所述训练阶段中，获取集装箱货物扫描图像后首先对每幅图像进行预分割，将图像分割成灰度与纹理特征都相似的小区域，并对这些小区域进行特征提取；然后根据每幅图像对应的报关单对其进行标注，类别相同而且相邻或联通的小区域将融合成大区域；最后把这些大区域中各小区域的特征构成为特征簇，根据这些已知类别的特征簇训练分类器，用于后续识别。
5.根据权利要求4所述的系统，其特征在于：在所述训练阶段中，采用SIFT、MR8算子获得多个特征，然后采用特征融合或者决策融合的方法对所述多个特征进行融合，以提取特征；并且，采用字典方法来组织所提取的特征。
6.根据权利要求4所述的系统，其特征在于：在所述训练阶段中，通过对采集的图像进行人工标注而获得子类图像数据库。
7.根据权利要求4-6之一所述的系统，其特征在于：在所述识别阶段中，首先对集装箱货物进行扫描，对扫描图像进行预分割，生成若干灰度与纹理比较一致的小区域；然后对所述小区域进行特征提取，并根据所提取的特征利用训练所生成的分类器对各个区域进行识别，得到各小区域属于各类货物的概率；最后利用所述概率及相邻小区域之间的关联性构建概率图模型，对小区域进行融合，得到大区域及其类别，完成货物分类。
8.根据权利要求7所述的系统，其特征在于：在所述识别阶段中，用隐马尔可夫模型、条件随机场模型或结构输出预测模型构建所述概率图模型；或者直接根据相似性进行融合，然后输出一个综合类别作为融合区域的类别。
9.一种对货物进行自动分类识别的透视检查方法，所述方法包括：
使用X光扫描装置对集装箱进行扫描成像，以获取扫描图像；
将所述扫描图像分割成灰度与纹理特征都相似的小区域；
对所述小区域进行特征提取；
根据标注图像生成分类器；以及
根据所提取的特征利用分类器对各个小区域进行识别，得到各个小区域属于各类货物的概率，并对小区域进行融合，得到大区域及其类别。
10.根据权利要求9所述的方法，其特征在于：所述方法还包括估算每个类别货物的数量，以及将结果提交给查验终端。
11.根据权利要求9或10所述的方法，其特征在于：所述方法包括训练阶段和识别阶段。
12.根据权利要求11所述的方法，其特征在于：在所述训练阶段中，获取集装箱货物扫描图像后首先对每幅图像进行预分割，将图像分割成灰度与纹理特征都相似的小区域，并对这些小区域进行特征提取；然后根据每幅图像对应的报关单对其进行标注，类别相同而且相邻或联通的小区域将融合成大区域；最后把这些大区域中各小区域的特征构成为特征簇，根据这些已知类别的特征簇训练分类器，用于后续识别。
13.根据权利要求12所述的方法，其特征在于：在所述训练阶段中，采用SIFT、MR8算子获得多个特征，然后采用特征融合或者决策融合的方法对所述多个特征进行融合，以提取特征；并且，采用字典方法来组织所提取的特征。
14.根据权利要求12所述的方法，其特征在于：在所述训练阶段中，通过对采集的图像进行人工标注而获得子类图像数据库。
15.根据权利要求12-14之一所述的方法，其特征在于：在所述识别阶段中，首先对集装箱货物进行扫描，对扫描图像进行预分割，生成若干灰度与纹理比较一致的小区域；然后对所述小区域进行特征提取，并根据所提取的特征利用训练所生成的分类器对各个区域进行识别，得到各小区域属于各类货物的概率；最后利用所述概率及相邻小区域之间的关联性构建概率图模型，对小区域进行融合，得到大区域及其类别，完成货物分类。
16.根据权利要求15所述的方法，其特征在于：在所述识别阶段中，用隐马尔可夫模型、条件随机场模型或结构输出预测模型构建所述概率图模型；或者直接根据相似性进行融合，然后输出一个综合类别作为融合区域的类别。
17.根据权利要求15所述的方法，其特征在于：在所述识别阶段中，还包括构造一张各类货物在各个厚度下可能的最大灰度和最小灰度表；参照图像灰度与上述最大灰度和最小灰度表，得到货物的最小可能重量与最大可能重量。
CN201310734373.7A 2013-12-27 2013-12-27 对货物进行自动分类识别的透视检查系统和方法 Active CN104751163B (zh)

Priority Applications (8)

Application Number Priority Date Filing Date Title
CN201310734373.7A CN104751163B (zh) 2013-12-27 2013-12-27 对货物进行自动分类识别的透视检查系统和方法
JP2016543181A JP6338674B2 (ja) 2013-12-27 2014-12-22 貨物を自動で分類認識する透視検査システム及び方法
PCT/CN2014/094494 WO2015096677A1 (zh) 2013-12-27 2014-12-22 对货物进行自动分类识别的透视检查系统和方法
KR1020167020383A KR101873135B1 (ko) 2013-12-27 2014-12-22 화물을 자동으로 분류 인식하는 투시 검사 시스템 및 방법
EP14200148.6A EP2889838B1 (en) 2013-12-27 2014-12-23 Fluoroscopic inspection system and method for automatic classification and recognition of cargoes
PL14200148T PL2889838T3 (pl) 2013-12-27 2014-12-23 Układ kontroli fluoroskopowej i sposób automatycznej klasyfikacji i rozpoznawania ładunków
ES14200148.6T ES2656315T3 (es) 2013-12-27 2014-12-23 Sistema de inspección fluoroscópica y procedimiento para la clasificación y el reconocimiento automáticos de cargas
US14/580,488 US10122973B2 (en) 2013-12-27 2014-12-23 Fluoroscopic inspection method, device and storage medium for automatic classification and recognition of cargoes

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310734373.7A CN104751163B (zh) 2013-12-27 2013-12-27 对货物进行自动分类识别的透视检查系统和方法

Publications (2)

Publication Number Publication Date
CN104751163A CN104751163A (zh) 2015-07-01
CN104751163B true CN104751163B (zh) 2018-06-19

Family

ID=52278444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310734373.7A Active CN104751163B (zh) 2013-12-27 2013-12-27 对货物进行自动分类识别的透视检查系统和方法

Country Status (8)

Country Link
US (1) US10122973B2 (zh)
EP (1) EP2889838B1 (zh)
JP (1) JP6338674B2 (zh)
KR (1) KR101873135B1 (zh)
CN (1) CN104751163B (zh)
ES (1) ES2656315T3 (zh)
PL (1) PL2889838T3 (zh)
WO (1) WO2015096677A1 (zh)

Families Citing this family (54)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8463053B1 (en) 2008-08-08 2013-06-11 The Research Foundation Of State University Of New York Enhanced max margin learning on multimodal data mining in a multimedia database
FR3019957B1 (fr) * 2014-04-09 2016-05-27 Actility Procedes de codage et decodage de trames dans un reseau de telecommunication
CN106353828B (zh) 2015-07-22 2018-09-21 清华大学 在安检系统中估算被检查物体重量的方法和装置
SG10201606360VA (en) 2015-08-03 2017-03-30 Angel Playing Cards Co Ltd Fraud detection system in casino
CN106706677B (zh) * 2015-11-18 2019-09-03 同方威视技术股份有限公司 检查货物的方法和系统
EP3363506B1 (en) 2015-11-19 2022-01-05 Angel Playing Cards Co., Ltd. Table management system, game token, and inspection apparatus
CN105426845A (zh) * 2015-11-22 2016-03-23 华北水利水电大学 一种料场物料种类自动识别装置和方法
SG11201900576RA (en) 2016-08-02 2019-05-30 Angel Playing Cards Co Ltd Game management system
WO2018089068A1 (en) 2016-08-12 2018-05-17 University Of Washington Millimeter wave imaging systems and methods using direct conversion receivers and/or modulation techniques
CN106503121B (zh) * 2016-10-19 2019-12-06 公安部第三研究所 一种x光安检图像的结构化描述方法及系统
WO2018147929A2 (en) * 2016-12-08 2018-08-16 University Of Washington Millimeter wave and/or microwave imaging systems and methods including examples of partioned inverse and enhanced resolution modes and imaging devices
US11205103B2 (en) 2016-12-09 2021-12-21 The Research Foundation for the State University Semisupervised autoencoder for sentiment analysis
CN108572183B (zh) * 2017-03-08 2021-11-30 清华大学 检查设备和分割车辆图像的方法
CN107122713B (zh) * 2017-03-27 2020-07-28 华南理工大学 一种基于深度学习的似物性检测方法
CN107045727B (zh) * 2017-03-27 2020-07-24 中国科学院深圳先进技术研究院 一种纹理合成方法及其装置
CN108694404B (zh) * 2017-04-06 2021-04-23 同方威视技术股份有限公司 基于辐射图像进行货物检查的方法及装置
CN108734183A (zh) * 2017-04-14 2018-11-02 清华大学 检查方法和检查设备
CA3064559A1 (en) * 2017-05-22 2018-11-29 L3 Security & Detection Systems, Inc. Systems and methods for image processing
CN109214235A (zh) * 2017-06-29 2019-01-15 沈阳新松机器人自动化股份有限公司 室外场景分类方法及系统
CN109598517B (zh) * 2017-09-29 2023-09-12 阿里巴巴集团控股有限公司 商品通关处理、对象的处理及其类别预测方法和装置
CN107742122A (zh) * 2017-10-27 2018-02-27 浙江大华技术股份有限公司 一种x光图像的分割方法及装置
CN108021939A (zh) * 2017-11-30 2018-05-11 安徽理工大学 一种旧图书的自动分类方法
KR101884575B1 (ko) * 2017-12-06 2018-08-02 한국공항공사 보안 검색 시스템
CN108256549B (zh) * 2017-12-13 2019-03-15 北京达佳互联信息技术有限公司 图像分类方法、装置及终端
CN107886136A (zh) * 2017-12-18 2018-04-06 南京云计趟信息技术有限公司 一种基于深度学习技术识别货物介质种类的方法
CN109978985B (zh) * 2017-12-28 2023-11-07 同方威视科技江苏有限公司 数据处理方法及装置、存储介质、电子设备
KR101969022B1 (ko) * 2017-12-29 2019-04-15 (주)제이엘케이인스펙션 영상 분석 장치 및 방법
KR20210126163A (ko) * 2018-02-14 2021-10-19 가부시끼가이샤 이시다 검사 장치
KR101981031B1 (ko) * 2018-05-18 2019-05-23 제이에이치데이터시스템 주식회사 인공지능 기반 철 스크랩 플랫폼
CN110610495B (zh) * 2018-06-15 2022-06-07 北京京东尚科信息技术有限公司 图像处理方法、系统和电子设备
CN110715939A (zh) * 2018-07-12 2020-01-21 卓峰智慧生态有限公司 基于人工智能的皮革检测方法以及皮革制品生产方法
CN110569692B (zh) * 2018-08-16 2023-05-12 创新先进技术有限公司 多车识别方法、装置及设备
KR102032796B1 (ko) * 2018-12-07 2019-11-08 (주)제이엘케이인스펙션 영상 분석 장치 및 방법
CN109711773B (zh) * 2018-12-11 2022-08-26 武汉理工大学 一种基于聚类算法的集装箱货物流向流量统计方法
CN111325217B (zh) * 2018-12-14 2024-02-06 京东科技信息技术有限公司 数据处理方法、装置、系统和介质
CN109726661B (zh) * 2018-12-21 2021-12-17 网易有道信息技术（北京）有限公司 图像处理方法及装置、介质和计算设备
CN109685796B (zh) * 2018-12-26 2021-05-18 上海联影智能医疗科技有限公司 医学图像处理方法、装置、设备和存储介质
CN111461152B (zh) * 2019-01-21 2024-04-05 同方威视技术股份有限公司 货物检测方法及装置、电子设备和计算机可读介质
CN111723601A (zh) * 2019-03-19 2020-09-29 杭州海康威视数字技术股份有限公司 一种图像处理的方法及装置
CA3140559A1 (en) * 2019-06-05 2020-12-10 Luc Perron Automated inspection method for a manufactured article and system for performing same
CN111191723B (zh) * 2019-12-30 2023-06-20 创新奇智(北京)科技有限公司 基于级联分类器的少样本商品分类系统及分类方法
CN111275682A (zh) * 2020-01-19 2020-06-12 上海箱云物流科技有限公司 集装箱检测方法、装置及计算机可读存储介质
CN111368789B (zh) * 2020-03-18 2023-05-26 腾讯科技（深圳）有限公司 图像识别方法、装置、计算机设备和存储介质
CN111553914B (zh) * 2020-05-08 2021-11-12 深圳前海微众银行股份有限公司 基于视觉的货物检测方法、装置、终端及可读存储介质
CN111860361B (zh) * 2020-07-24 2023-07-25 吉林大学 一种绿色通道货物扫描图像夹带自动识别器及识别方法
KR102378742B1 (ko) 2020-07-30 2022-03-28 한국과학기술연구원 사용자의 x-ray 영상 판독을 지원하는 시스템 및 방법
JP2020189169A (ja) * 2020-08-24 2020-11-26 エンゼルプレイングカード株式会社 テーブルゲームの管理システムおよび遊戯用代用貨幣
CN112326699A (zh) * 2020-11-02 2021-02-05 合肥格泉智能科技有限公司 一种基于x光机货物图像管理系统
TWI764473B (zh) * 2020-12-25 2022-05-11 鴻海精密工業股份有限公司 物體檢測方法、裝置、電子設備及存儲介質
US20220215452A1 (en) * 2021-01-05 2022-07-07 Coupang Corp. Systems and method for generating machine searchable keywords
CN112784729A (zh) * 2021-01-19 2021-05-11 澜途集思生态科技集团有限公司 一种水体漂浮物自动识别方法
CN113723388B (zh) * 2021-08-06 2023-12-29 盛视科技股份有限公司 一种基于x光图像的袋装垃圾分类检测方法
CN114581376B (zh) * 2022-01-31 2023-03-24 南通摩瑞纺织有限公司 基于图像识别的纺织用蚕茧自动拣选方法及系统
CN116664883A (zh) * 2023-05-12 2023-08-29 海南港航物流有限公司 一种基于卷积神经网络的货物图像识别方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101389004A (zh) * 2007-09-13 2009-03-18 中国科学院自动化研究所 一种基于在线学习的运动目标分类方法
CN101900695A (zh) * 2009-05-27 2010-12-01 清华大学 伪双能欠采样物质识别系统和方法
CN102175698A (zh) * 2007-11-15 2011-09-07 同方威视技术股份有限公司 物质识别系统中创建分类曲线的方法和设备
CN103345631A (zh) * 2013-06-04 2013-10-09 北京大学深圳研究生院 图像特征提取、训练、检测方法及模块、装置、系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2632671Y (zh) * 2003-07-04 2004-08-11 清华同方威视技术股份有限公司 一种机械结构模块化的集装货物/车辆检查装置
EP1886257A1 (en) * 2005-05-11 2008-02-13 Optosecurity Inc. Method and system for screening luggage items, cargo containers or persons
CN101614683B (zh) * 2008-06-27 2011-10-05 清华大学 物质识别系统中的实时标定设备和方法
US8391617B2 (en) * 2008-11-04 2013-03-05 Eastman Kodak Company Event recognition using image and location information
CN102947862B (zh) * 2010-03-11 2015-09-09 皇家飞利浦电子股份有限公司 基于模型的分割的概率细化
CN102651136B (zh) * 2011-02-28 2014-11-26 国际商业机器公司 图像的颜色映射方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101389004A (zh) * 2007-09-13 2009-03-18 中国科学院自动化研究所 一种基于在线学习的运动目标分类方法
CN102175698A (zh) * 2007-11-15 2011-09-07 同方威视技术股份有限公司 物质识别系统中创建分类曲线的方法和设备
CN101900695A (zh) * 2009-05-27 2010-12-01 清华大学 伪双能欠采样物质识别系统和方法
CN103345631A (zh) * 2013-06-04 2013-10-09 北京大学深圳研究生院 图像特征提取、训练、检测方法及模块、装置、系统

Also Published As

Publication number Publication date
US10122973B2 (en) 2018-11-06
JP6338674B2 (ja) 2018-06-06
ES2656315T3 (es) 2018-02-26
EP2889838A1 (en) 2015-07-01
KR20160108373A (ko) 2016-09-19
CN104751163A (zh) 2015-07-01
WO2015096677A1 (zh) 2015-07-02
PL2889838T3 (pl) 2018-07-31
KR101873135B1 (ko) 2018-06-29
US20150189239A1 (en) 2015-07-02
JP2017507391A (ja) 2017-03-16
EP2889838B1 (en) 2017-11-01

Similar Documents

Publication Publication Date Title
CN104751163B (zh) 对货物进行自动分类识别的透视检查系统和方法
CN106446933B (zh) 基于上下文信息的多目标检测方法
CN109493308A (zh) 基于条件多判别生成对抗网络的医疗图像合成与分类方法
CN108596046A (zh) 一种基于深度学习的细胞检测计数方法及系统
CN107977671A (zh) 一种基于多任务卷积神经网络的舌象分类方法
CN107533649A (zh) 使用图像分类的自动脑肿瘤诊断方法和系统
CN108846828A (zh) 一种基于深度学习的病理图像目标区域定位方法及系统
Budd et al. Confident head circumference measurement from ultrasound with real-time feedback for sonographers
Courtenay et al. Cut marks and raw material exploitation in the lower pleistocene site of Bell's Korongo (BK, Olduvai Gorge, Tanzania): A geometric morphometric analysis
Jolly et al. How do convolutional neural networks learn design?
CN109214302A (zh) 一种基于多光谱的物质识别方法
Guo et al. Quality grading of jujubes using composite convolutional neural networks in combination with RGB color space segmentation and deep convolutional generative adversarial networks
Nagpal et al. An application of deep learning for sweet cherry phenotyping using yolo object detection
CN109447009A (zh) 基于子空间核范数正则化回归模型的高光谱图像分类方法
Sriram et al. Classification of human epithelial type-2 cells using hierarchical segregation
Mulyana et al. Gender Classification for Anime Character Face Image Using Random Forest Classifier Method and GLCM Feature Extraction
Hauri Detecting signatures in scanned document images
Gonzalez-Soler et al. Semi-synthetic data generation for tattoo segmentation
Putri et al. Artistic Style Characterization of Vincent Van Gogh’s Paintings using Extracted Features from Visible Brush Strokes
Wang et al. A study on emotion classification of image based on BP neural network
Gavhale et al. Medicinal plant identification using image processing technique.
Praveen et al. Emoji creation with facial emotion detection using cnn
CN113780084A (zh) 基于生成式对抗网络的人脸数据扩增方法、电子设备和存储介质
Kalpana et al. Recognition and Classification of Image Based Coal and Coal Gangue Using Deep Learning Techniques
Vatti Detecting Pests on Tomato Plants using Convolutional Neural Networks

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