CN105740786A - 书写人的身份识别方法及装置 - Google Patents
书写人的身份识别方法及装置 Download PDFInfo
- Publication number
- CN105740786A CN105740786A CN201610049241.4A CN201610049241A CN105740786A CN 105740786 A CN105740786 A CN 105740786A CN 201610049241 A CN201610049241 A CN 201610049241A CN 105740786 A CN105740786 A CN 105740786A
- Authority
- CN
- China
- Prior art keywords
- network model
- convolutional network
- degree
- depth convolutional
- image block
- 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.)
- Pending
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
- G06V40/30—Writer recognition; Reading and verifying signatures
- G06V40/33—Writer recognition; Reading and verifying signatures based only on signature image, e.g. static signature recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Character Discrimination (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于计算机技术领域,提供了书写人的身份识别方法及装置,包括:构建深度卷积网络模型,所述深度卷积网络模型包括N个输入,一个输出,在所述输入和所述输出之间包括多个卷积层,还包括池化层和全连接层,所述N为大于1的整数;通过训练数据训练所述深度卷积网络模型;将手写文本图像随机切割成图像块后,相邻的N个所述图像块分为一组,将每组所述图像块分别输入训练好的所述深度卷积网络模型,得到每组所述图像块对应的输出向量;将得到的所有所述输出向量的每个元素分别取平均值,将所述平均值最大的元素对应的书写人作为所述手写文本图像的识别结果。本发明实现了与内容无关的书写人身份识别,提高了书写人身份识别的准确率。
Description
技术领域
本发明属于计算机技术领域,尤其涉及书写人的身份识别方法及装置。
背景技术
不同人的书写习惯不同,不同的书写习惯会导致手写字体呈现不同的特征,这些特征具有一定的统计规律,因此,可以通过对这些统计规律进行学习,区分不同的书写人,实现对书写人的身份识别。对书写人的身份识别,在公共安全、移动终端的访问控制以及金融支付等领域具有重要作用。
目前常用的书写人身份识别方法对手写字体图像的纹理、笔画的宽度变化、笔画的连接等特征进行计算,然后根据预先设计的统计方式,将这些特征编码以形成高级向量,把高级向量输入分类器以进行识别,然而,以上方案只能针对特定的文本内容(如签名)对书写人进行身份识别,识别范围受限,且特定的文本内容容易被模仿,由此增加了手写字体被模仿的风险,降低了身份识别的安全性。
发明内容
有鉴于此,本发明实施例提供了书写人的身份识别方法及装置,以解决现有技术增加了手写字体被模仿的风险,降低了身份识别的安全性的问题。
第一方面,提供了一种书写人的身份识别方法,包括:
构建深度卷积网络模型,所述深度卷积网络模型包括N个输入,一个输出,在所述输入和所述输出之间包括多个卷积层,还包括池化层和全连接层,所述N为大于1的整数;
通过训练数据训练所述深度卷积网络模型;
将手写文本图像随机切割成图像块后,相邻的N个所述图像块分为一组,将每组所述图像块分别输入训练好的所述深度卷积网络模型,得到每组所述图像块对应的输出向量;
将得到的所有所述输出向量的每个元素分别取平均值,将所述平均值最大的元素对应的书写人作为所述手写文本图像的识别结果。
第二方面,提供了一种书写人的身份识别装置,包括:
构建单元,用于构建深度卷积网络模型,所述深度卷积网络模型包括N个输入,一个输出,在所述输入和所述输出之间包括多个卷积层,还包括池化层和全连接层,所述N为大于1的整数;
训练单元,用于通过训练数据训练所述深度卷积网络模型;
计算单元,用于将手写文本图像随机切割成图像块后,相邻的N个所述图像块分为一组,将每组所述图像块分别输入训练好的所述深度卷积网络模型,得到每组所述图像块对应的输出向量;
识别单元,用于将得到的所有所述输出向量的每个元素分别取平均值,将所述平均值最大的元素对应的书写人作为所述手写文本图像的识别结果。
本发明实施例中,采用了深度卷积网络,深度卷积网络是一种监督式的深度学习模型,通过多层的卷积网络,从手写字体图像训练数据中自动学习特征并进行分类识别,实现与内容无关的书写人身份识别,降低了手写字体被模仿的风险,提高了身份识别的安全性,并同时大幅提高了书写人身份识别的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的书写人的身份识别方法的实现流程图;
图2是本发明实施例提供的优选的深度卷积网络模型的网络结构图;
图3是本发明实施例提供的手写文本图像随机裁剪的示意图;
图4是本发明实施例提供的手写文本图像裁剪前的示例图;
图5是本发明实施例提供的手写文本图像裁剪后得到的图像块的示例图;
图6是本发明实施例提供的书写人的身份识别装置的结构框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透切理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
本发明实施例中,采用了深度卷积网络,深度卷积网络是一种监督式的深度学习模型,通过多层的卷积网络,从手写字体图像训练数据中自动学习特征并进行分类识别,实现与内容无关的书写人身份识别,降低了手写字体被模仿的风险,提高了身份识别的安全性,并同时大幅提高了书写人身份识别的准确率。
图1示出了本发明实施例提供的书写人的身份识别方法的实现流程,详述如下:
在S101中,构建深度卷积网络模型,所述深度卷积网络模型包括N个输入,一个输出,在所述输入和所述输出之间包括多个卷积层,还包括池化层和全连接层,所述N为大于1的整数。
在本发明实施例中,优选地,可以构建如图2所示的深度卷积网络模型:包括Conv1~Conv5均为卷积层,其中,5×5和3×3均表示卷积核的大小;pool为池化层,采用Maxpool,窗口大小均为3×3,步长为2;Fc6和Fc7为全连接层,其中,1024表示神经元个数;在Fc6层和Fc7层之后,均使用Dropout防止过拟合;网络激活函数均采用受限制的线性单元(RectifiedLinearUnits,ReLU)函数,以此来激活变换卷积层的输出特征,不仅可以避免卷积负值在网络中的流动,还能增加模型的稀疏性,加速收敛过程;Patch1和Patch2为两个手写字体图像输入块,二者通过相同的网络分别得到输出Out1和Out2,将Out1和Out2按位相加,得到高级向量,最后将高级向量送入Softmax层进行分类,得到识别结果。
在图2所示的深度卷积网络的结构中,使用了较小的卷积核以保留更多的图像细节;使用的全连接层大小合适,一方面减少了计算量,另一方面降低了模型的复杂度,防止过拟合;通过参数共享的方式,在不增加学习参数的条件下,利用了更多的图像信息,能够得到更好的识别准确率。
在S102中,通过训练数据训练所述深度卷积网络模型。
示例性地,在训练数据时,使用的手写体数据库可以分别采用英文手写体数据库IAMV3.0和中文手写体数据库HWDB1.1,其中,IAM数据库含有657名书写人,他们的手写体以300dpi像素进行扫描,并保存为256个灰度级的图像,在实验中,从IAM数据库中抽取了301名书写了两页内容及以上的书写人进行实验;HWDB数据库含有300名书写人,他们的手写体以300dpi像素进行扫描,背景以全白(灰度级255)进行存储,前景(字体)以0至254共255个灰度级进行存储,在HWDB数据库中,每名书写人各书写了约3755个汉字。
进一步地,作为本发明的一个实施例,为了提供更充分的数据进行模型训练,在本发明实施例中,对训练数据中的手写文本图像进行非形变扩增,以此在保留书写习惯特征的同时,大大增加了训练数据,具体地:在保持图像原有的长宽比例的条件下,对图像进行随机裁剪,得到了113*113大小的图像块,用于训练深度卷积网络模型。图3示出了随机裁剪的过程:整个长条矩形代表输入的手写文本图像,矩形1至矩形5分别代表从输入的手写文本图像中随机裁剪出的五个图像块,例如,图4为实际输入的手写文本图像,图5为通过以上随机裁剪过程从图4中随机裁剪出的部分图像块。
Caffe是一个开源的深度学习框架平台,其以结构清晰、运行高效、简单快速上手的优势,受到广大深度学习研究者们的青睐,在实验中,对深度卷积网络模型的训练是在Linux下的caffe平台环境下利用GPU加速进行的,可以把每名书写人书写的手写文本图像按4:1:1的比例划分为训练集、验证集和测试集,采用随机梯度下降算法在训练数据上进行深度模型的训练,并验证测试得到的识别结果,根据该识别结果调整网络的迭代次数和学习步长。
进一步地,作为本发明的一个实施例,可以在训练过程中在不同语言的手写文本图像上进行联合训练,由于不同语言的手写文本图像共享部分特征,因此可以加速收敛,提升深度卷积网络模型的识别准确率。例如,可以通过中文手写数据库和英文手写数据库来同时训练深度神经网络的参数,这样训练出来的模型,其性能要好于仅仅通过中文手写数据库训练出来的模型。
以上述实验数据为例,则在训练过程中,首先在数据量较大的中文手写数据库HWDB1.1上进行随机梯度下降训练,共迭代45万次,初始学习步长为0.01,冲量0.9,权重衰减系数0.0005,每隔10万次迭代,学习步长减小为当前学习步长的十分之一;其次,在前一步训练得到的模型的基础上,在英文手写数据库IAM上进行随机梯度下降,共迭代4万次,Conv1层至Fc7层的初始学习率为0.001,Softmax层的初始学习率为0.01,冲量0.9,权重衰减系数0.0005,每隔2万次迭代,学习步长减小为当前学习步长的十万分之一。
在S103中,将手写文本图像随机切割成图像块后,相邻的N个所述图像块分为一组,将每组所述图像块分别输入训练好的所述深度卷积网络模型,得到每组所述图像块对应的输出向量。
在S104中,将得到的所有所述输出向量的每个元素分别取平均值,将所述平均值最大的元素对应的书写人作为所述手写文本图像的识别结果。
输入手写文本图像,将手写文本图像进行等比例缩放,使得图像短边长为113,然后进行随机裁剪,得到若干113×113的图像块。将相邻的两个图像块分成一组,形成多组图像块,并将这多组图像块输入网络,分别得到多个Softmax层输出,每个输出为向量形式,向量中的每个位置上的元素分别代表一位书写人,将得到的所有输出向量每个位置上的元素分别进行求和取平均,取Softmax层输出的最大平均值元素对应的书写人作为预测结果。
为验证本发明实施例中提出的深度卷积网络模型在书写人的身份识别任务中的可行性,在此,在IAM数据库和HWDB1.1数据库上进行了测试实验,并和现有技术中的方法进行了对比:
在IAM数据库上,采用本发明实施例提出的深度卷积网络模型,总共对301名书写人进行识别,使用约两个英文字母的书写内容,识别准确率为97.24%;使用一个英文句子的书写内容,识别准确率为99.05%。而现有技术在IAM数据库上,总共对127名书写人进行识别,使用两页书写内容,才达到99.2%的识别准确率。
在HWDB1.1数据库上,采用本发明实施例提出的深度卷积网络模型,总共对300名书写人进行识别,使用单个汉字的书写内容,识别准确率为93.45%。
由此可见,采用本发明实施例提出的深度卷积网络模型,对中英文的手写内容进行书写人身份识别,均能达到很高的识别准确率,且达到相同识别准确率所需要的手写文本数量大大少于现有方法,本发明实施例能够达到很高的识别准确率,其原因如下:(1)利用深度卷积网络实现特征提取与分类器的联合优化训练;(2)采用了非形变数据扩增;(3)采用了适当尺度的卷积核和全连接层;(4)采用了中英文数据联合训练策略;(5)在不增加自由参数的情况下利用了更多的输入信息。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的书写人的身份识别方法,图6示出了本发明实施例提供的书写人的身份识别装置的结构框图。为了便于说明,仅示出了与本实施例相关的部分。
参照图6,该装置包括:
构建单元61,构建深度卷积网络模型,所述深度卷积网络模型包括N个输入,一个输出,在所述输入和所述输出之间包括多个卷积层,还包括池化层和全连接层,所述N为大于1的整数;
训练单元62,通过训练数据训练所述深度卷积网络模型;
计算单元63,将手写文本图像随机切割成图像块后,相邻的N个所述图像块分为一组,将每组所述图像块分别输入训练好的所述深度卷积网络模型,得到每组所述图像块对应的输出向量;
识别单元64,将得到的所有所述输出向量的每个元素分别取平均值,将所述平均值最大的元素对应的书写人作为所述手写文本图像的识别结果。
可选地,所述训练单元62还用于:
对训练数据中的手写文本图像进行非形变扩增。
可选地,所述深度卷积网络模型包括五个卷积层,卷积核的大小为5×5和3×3。
可选地,所述全连接层的神经元个数为1024个。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明实施例各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述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实施例各实施例技术方案的精神和范围。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种书写人的身份识别方法,其特征在于,包括:
构建深度卷积网络模型,所述深度卷积网络模型包括N个输入,一个输出,在所述输入和所述输出之间包括多个卷积层,还包括池化层和全连接层,所述N为大于1的整数;
通过训练数据训练所述深度卷积网络模型;
将手写文本图像随机切割成图像块后,相邻的N个所述图像块分为一组,将每组所述图像块分别输入训练好的所述深度卷积网络模型,得到每组所述图像块对应的输出向量;
将得到的所有所述输出向量的每个元素分别取平均值,将所述平均值最大的元素对应的书写人作为所述手写文本图像的识别结果。
2.如权利要求1所述的方法,其特征在于,所述通过训练数据训练所述深度卷积网络模型还包括:
对训练数据中的手写文本图像进行非形变扩增。
3.如权利要求1所述的方法,其特征在于,所述深度卷积网络模型包括五个卷积层,卷积核的大小为5×5和3×3。
4.如权利要求1所述的方法,其特征在于,所述全连接层的神经元个数为1024个。
5.一种书写人的身份识别装置,其特征在于,包括:
构建单元,用于构建深度卷积网络模型,所述深度卷积网络模型包括N个输入,一个输出,在所述输入和所述输出之间包括多个卷积层,还包括池化层和全连接层,所述N为大于1的整数;
训练单元,用于通过训练数据训练所述深度卷积网络模型;
计算单元,用于将手写文本图像随机切割成图像块后,相邻的N个所述图像块分为一组,将每组所述图像块分别输入训练好的所述深度卷积网络模型,得到每组所述图像块对应的输出向量;
识别单元,用于将得到的所有所述输出向量的每个元素分别取平均值,将所述平均值最大的元素对应的书写人作为所述手写文本图像的识别结果。
6.如权利要求5所述的装置,其特征在于,所述训练单元还用于:
对训练数据中的手写文本图像进行非形变扩增。
7.如权利要求5所述的装置,其特征在于,所述深度卷积网络模型包括五个卷积层,卷积核的大小为5×5和3×3。
8.如权利要求5所述的装置,其特征在于,所述全连接层的神经元个数为1024个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610049241.4A CN105740786A (zh) | 2016-01-25 | 2016-01-25 | 书写人的身份识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610049241.4A CN105740786A (zh) | 2016-01-25 | 2016-01-25 | 书写人的身份识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105740786A true CN105740786A (zh) | 2016-07-06 |
Family
ID=56246569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610049241.4A Pending CN105740786A (zh) | 2016-01-25 | 2016-01-25 | 书写人的身份识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740786A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171144A (zh) * | 2017-12-26 | 2018-06-15 | 四川大学 | 信息处理方法、装置、电子设备及存储介质 |
CN109766825A (zh) * | 2019-01-08 | 2019-05-17 | 哈尔滨理工大学 | 基于神经网络的手写签名识别系统 |
CN110321864A (zh) * | 2019-07-09 | 2019-10-11 | 西北工业大学 | 基于多尺度裁剪机制的遥感图像文字说明生成方法 |
CN110717447A (zh) * | 2019-09-30 | 2020-01-21 | 上海数禾信息科技有限公司 | 图像识别方法以及装置、设备、存储介质 |
CN113792150A (zh) * | 2021-11-15 | 2021-12-14 | 湖南科德信息咨询集团有限公司 | 一种人机协同的智能需求识别方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329735A (zh) * | 2008-06-27 | 2008-12-24 | 北京中星微电子有限公司 | 一种手写签名鉴定设备及其方法 |
CN103279770A (zh) * | 2013-06-06 | 2013-09-04 | 哈尔滨工业大学 | 基于笔画片段和轮廓特征的笔迹识别方法 |
CN104966097A (zh) * | 2015-06-12 | 2015-10-07 | 成都数联铭品科技有限公司 | 一种基于深度学习的复杂文字识别方法 |
-
2016
- 2016-01-25 CN CN201610049241.4A patent/CN105740786A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329735A (zh) * | 2008-06-27 | 2008-12-24 | 北京中星微电子有限公司 | 一种手写签名鉴定设备及其方法 |
CN103279770A (zh) * | 2013-06-06 | 2013-09-04 | 哈尔滨工业大学 | 基于笔画片段和轮廓特征的笔迹识别方法 |
CN104966097A (zh) * | 2015-06-12 | 2015-10-07 | 成都数联铭品科技有限公司 | 一种基于深度学习的复杂文字识别方法 |
Non-Patent Citations (1)
Title |
---|
WEIXIN YANG ET AL.: "DeepWriterID: An End-to-end Online Text-independent Writer Identification System", 《ARXIV》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171144A (zh) * | 2017-12-26 | 2018-06-15 | 四川大学 | 信息处理方法、装置、电子设备及存储介质 |
CN108171144B (zh) * | 2017-12-26 | 2020-12-11 | 四川大学 | 信息处理方法、装置、电子设备及存储介质 |
CN109766825A (zh) * | 2019-01-08 | 2019-05-17 | 哈尔滨理工大学 | 基于神经网络的手写签名识别系统 |
CN110321864A (zh) * | 2019-07-09 | 2019-10-11 | 西北工业大学 | 基于多尺度裁剪机制的遥感图像文字说明生成方法 |
CN110717447A (zh) * | 2019-09-30 | 2020-01-21 | 上海数禾信息科技有限公司 | 图像识别方法以及装置、设备、存储介质 |
CN113792150A (zh) * | 2021-11-15 | 2021-12-14 | 湖南科德信息咨询集团有限公司 | 一种人机协同的智能需求识别方法和系统 |
CN113792150B (zh) * | 2021-11-15 | 2022-02-11 | 湖南科德信息咨询集团有限公司 | 一种人机协同的智能需求识别方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10671878B1 (en) | Systems and methods for text localization and recognition in an image of a document | |
CN109902622B (zh) | 一种用于登机牌信息验证的文字检测识别方法 | |
CN111291181B (zh) | 经由主题稀疏自编码器和实体嵌入的用于输入分类的表示学习 | |
CN109934293B (zh) | 图像识别方法、装置、介质及混淆感知卷积神经网络 | |
Thai et al. | Image classification using support vector machine and artificial neural network | |
CN105740786A (zh) | 书写人的身份识别方法及装置 | |
CN110837836A (zh) | 基于最大化置信度的半监督语义分割方法 | |
CN105912990A (zh) | 人脸检测的方法及装置 | |
CN106156766A (zh) | 文本行分类器的生成方法及装置 | |
CN107516096A (zh) | 一种字符识别方法及装置 | |
CN113822209B (zh) | 高光谱图像识别方法、装置、电子设备及可读存储介质 | |
CN109977861A (zh) | 离线手写体数学公式识别方法 | |
CN102591854A (zh) | 针对文本特征的广告过滤系统及其过滤方法 | |
CN104866578A (zh) | 一种不完整数据混合填充方法 | |
CN107679585A (zh) | 基于时间残差长短时记忆网络的阿拉伯文识别方法及系统 | |
CN112949476B (zh) | 基于图卷积神经网络的文本关系检测方法、装置及存储介质 | |
CN105631466A (zh) | 图像分类的方法及装置 | |
CN105654056A (zh) | 人脸识别的方法及装置 | |
CN111062036A (zh) | 恶意软件识别模型构建、识别方法及介质和设备 | |
CN111488732A (zh) | 一种变形关键词检测方法、系统及相关设备 | |
CN110175588B (zh) | 一种基于元学习的少样本面部表情识别方法及系统 | |
Lyu et al. | The early Japanese books reorganization by combining image processing and deep learning | |
Nazemi et al. | Offline handwritten mathematical symbol recognition utilising deep learning | |
CN113408418A (zh) | 一种书法字体与文字内容同步识别方法及系统 | |
CN111553442B (zh) | 一种分类器链标签序列的优化方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160706 |
|
RJ01 | Rejection of invention patent application after publication |