CN105809180A - 图像处理方法及装置 - Google Patents
图像处理方法及装置 Download PDFInfo
- Publication number
- CN105809180A CN105809180A CN201410855857.1A CN201410855857A CN105809180A CN 105809180 A CN105809180 A CN 105809180A CN 201410855857 A CN201410855857 A CN 201410855857A CN 105809180 A CN105809180 A CN 105809180A
- Authority
- CN
- China
- Prior art keywords
- check code
- image
- training
- subsample
- test image
- 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
Abstract
本发明公开了一种图像处理方法及装置,该图像处理方法包括:预先创建训练模型;采用训练样本对训练模型进行训练,得到多个分类器;根据多个分类器对第一测试图像及第二测试图像进行处理,生成与第一预测图像及第二预测图像对应的第一校验码及第二校验码;通过预先创建的图像比对模型对第一校验码和第二校验码进行比对,得到比对结果;根据比对结果对第一测试图像及第二测试图像的相似度进行判断。本发明通过上述技术方案在进行图像比对操作时大大减少额外参数的影响,并且有效地提高了图像对比的准确率并且整个技术方案实现简单稳定性高。
Description
技术领域
本发明涉及图像处理领域,具体来说,涉及一种图像处理方法及装置。
背景技术
机器视觉系统中,经常需要进行人脸比对操作,例如公安、安防、电子商务及银行等领域。常见的人脸比对方法有基于几何特征的人脸比对方法、基于特征脸的人脸比对方法、基于关键点周围纹理特征的人脸比对方法、基于支持向量机(SVM)的人脸比对方法等,但这些方法人脸比对正确率普遍不高。
现有技术中有技术人员提出了一种基于ECOC纠错输出码的人脸比对方法,将人脸比对问题转换成多个二分类的问题,但是其是使用MLP(多层感知器)训练二类问题分类器,开发一个MLP要做大量的试验,有较多的参数需要开发,并且对输入和输出的设计也需要特别的注意。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种图像处理方法及装置,能够提高图像对比的准确率并且方案实现简单。
本发明的技术方案是这样实现的:
根据本发明的一个方面,提供了一种图像处理方法。
该图像处理方法包括:
预先创建训练模型;
采用训练样本对训练模型进行训练,得到多个分类器;
根据多个分类器对第一测试图像及第二测试图像进行处理,生成与第一预测图像及第二预测图像对应的第一校验码及第二校验码;
通过预先创建的图像比对模型对第一校验码和第二校验码进行比对,得到比对结果;
根据比对结果对第一测试图像及第二测试图像的相似度进行判断。
其中,采用训练样本对训练模型进行训练,得到多个分类器,包括:
对训练样本中的训练子样本生成与训练子样本对应的校验码;
根据训练子样本对应的校验码的每一位及训练子样本对应的纹理特征通过ADABOOST算法生成训练子样本对应的分类器。
优选的,可以根据训练子样本对应的校验码的每一位将训练子样本分为两类;
当任何一位为0的情况下,将训练子样本标记为第一类;
当任何一位为1的情况下,将训练子样本标记为第二类。
其中,根据多个分类器对第一测试图像及第二测试图像进行处理,生成与第一预测图像及第二预测图像对应的第一校验码及第二校验码,包括:
提取目标测试图像的纹理特征,目标图像为第一测试图像或第二测试图像;
根据多个分类器及目标测试图像的纹理特征得到目标测试图像的校验码,目标测试图像的校验码的长度与多个分类器的数量相同。
其中,通过预先创建的图像比对模型对第一校验码和第二校验码进行比对,得到比对结果,包括:
计算第一校验码与第二校验码不相同的位数;
将不相同的位数与预先设定的阈值相比较;
当不相同的位数大于阈值的情况下,则判定第一测试图像与第二测试图像不为同一人。
其中,训练模型及图像对比模型是基于ECOC和ADABOOST算法建立的。
此外,纹理特征包括以下至少之一:
SIFT特征、LBP特征、哈尔特征。
根据本发明的另一方面,还提供了一种图像处理装置,该装置包括:
创建模块,用于预先创建训练模型;
训练模块,用于采用训练样本对训练模型进行训练,得到多个分类器;
生成模块,用于根据多个分类器对第一测试图像及第二测试图像进行处理,生成与第一预测图像及第二预测图像对应的第一校验码及第二校验码;
比对模块,用于通过预先创建的图像比对模型对第一校验码和第二校验码进行比对,得到比对结果;
判断模块,用于根据比对结果对第一测试图像及第二测试图像的相似度进行判断。
其中,训练模块进一步包括:
第一生成单元,用于对训练样本中的训练子样本生成与训练子样本对应的校验码;
第二生成单元,用于根据训练子样本对应的校验码的每一位及训练子样本对应的纹理特征通过ADABOOST算法生成训练子样本对应的分类器。
其中,训练模块进一步包括:
分类单元,用于根据训练子样本对应的校验码的每一位将训练子样本分为两类;
其中,当任何一位为0的情况下,将训练子样本标记为第一类;
当任何一位为1的情况下,将训练子样本标记为第二类。
其中,生成模块进一步包括:
提取单元,用于提取目标测试图像的纹理特征,目标图像为第一测试图像或第二测试图像;
获得单元,用于根据多个分类器及目标测试图像的纹理特征得到目标测试图像的校验码,目标测试图像的校验码的长度与多个分类器的数量相同。
其中,比对模块进一步包括:
计算单元,用于计算第一校验码与第二校验码不相同的位数;
比较单元,用于将不相同的位数与预先设定的阈值相比较;
判定单元,用于当不相同的位数大于阈值的情况下,则判定第一测试图像与第二测试图像不为同一人。
此外,训练模型及图像对比模型基于ECOC和ADABOOST算法建立。
此外,纹理特征包括以下至少之一:
SIFT特征、LBP特征、哈尔特征。
本发明通过上述技术方案在进行图像比对操作时大大减少额外参数的影响,并且有效地提高了图像对比的准确率并且整个技术方案实现简单稳定性高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的图像处理方法的流程图;
图2至图5是根据本发明实施例的图像处理方法的示意性流程图;
图6是根据本发明实施例的图像处理装置的框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明的实施例,提供了一种图像处理方法。
如图1所示,根据本发明实施例的图像处理方法包括:
步骤S101,预先创建训练模型;
步骤S103,采用训练样本对训练模型进行训练,得到多个分类器;
步骤S105,根据多个分类器对第一测试图像及第二测试图像进行处理,生成与第一预测图像及第二预测图像对应的第一校验码及第二校验码;
步骤S107,通过预先创建的图像比对模型对第一校验码和第二校验码进行比对,得到比对结果;
步骤S109,根据比对结果对第一测试图像及第二测试图像的相似度进行判断。
其中,采用训练样本对训练模型进行训练,得到多个分类器,包括:
对训练样本中的训练子样本生成与训练子样本对应的校验码;
根据训练子样本对应的校验码的每一位及训练子样本对应的纹理特征通过ADABOOST算法生成训练子样本对应的分类器。
进一步的,可以根据训练子样本对应的校验码的每一位将训练子样本分为两类;
当任何一位为0的情况下,将训练子样本标记为第一类;
当任何一位为1的情况下,将训练子样本标记为第二类。
其中,根据多个分类器对第一测试图像及第二测试图像进行处理,生成与第一预测图像及第二预测图像对应的第一校验码及第二校验码,包括:
提取目标测试图像的纹理特征,目标图像为第一测试图像或第二测试图像;
根据多个分类器及目标测试图像的纹理特征得到目标测试图像的校验码,目标测试图像的校验码的长度与多个分类器的数量相同。
其中,通过预先创建的图像比对模型对第一校验码和第二校验码进行比对,得到比对结果,包括:
计算第一校验码与第二校验码不相同的位数;
将不相同的位数与预先设定的阈值相比较;
当不相同的位数大于阈值的情况下,则判定第一测试图像与第二测试图像不为同一人。
其中,训练模型及图像比对模型是基于ECOC和ADABOOST算法建立的。
此外,上述的纹理特征包括以下至少之一:
SIFT特征、LBP特征、哈尔特征。
为了更清楚的理解本发明的技术方案,下面将例举多个具体的实施例对本发明的技术方案进行详细介绍,下面以人脸比对为例对本发明的技术方案做出进一步说明。
请参照图2所示,图2示出了本发明方案的人脸比对方法的示意性流程图。
首先根据训练样本对预先建立的ECOC_ADABOOST训练模型进行训练生成多个分类器,然后通过这多个分类器对测试图像1及测试图像2进行处理生成这两个预测图像对应的预测码,通过预先建立的ECOC_ADABOOST人脸比对模型对上述获取的两个预测码进行比对,得到比对结果,最后根据比对结果从而可以判断出测试图像1的人脸与测试图像2中的人脸是否为同一个人。此外,有上述内容可以明确的知道,ECOC_ADABOOST人脸比对模型和ECOC_ADABOOST训练模型均是基于ECOC(本领域公知的一种校验码标准)和ADABOOST算法建立的。
为了更清楚的理解本发明的技术方案,请参照图3,图3示出了本发明方案的人脸比对方法中训练分类器过程的示意性流程图。
首先根据训练集中的人数生成ECOC码,为训练集中的每一个人分配一个ECOC码。由于ECOC码是01格式,所以ECOC码的任意一位都把训练样本分为了两类(0为负样本,1为正样本),本发明使用ADABOOST训练方法来解决ECOC每一位的二类分类问题,其中使用的训练特征为纹理特征,最终生成的分类器个数与ECOC码长度相同
进一步参照图4所示,图4示出了本发明方案的人脸比对方法中生成校验码的示意性流程图,首先获取人脸图像的纹理特征,通过多位分类器的预测,得到人脸图像的预测值。预测值为01格式,长度与分类器个数相同。
进一步参照图5所示,图5示出了本发明方案的人脸比对方法中人脸比对过程的示意性流程图,两张测试图片分别通过分类器得到一组预测值,计算这两组预测值不相同的位数,记为两组预测值的距离。将得到的距离与预定的阈值进行比较,如果大于阈值则判定为不同一个人,否则为同一个人。
此外,本发明的技术方案还可以应用于从人脸数据库中找出与给定的人脸图片最相近的人脸图片,即从人脸数据库中找出于目标人脸图像预测值距离最近的图像。
具体实施过程如下:
首先将目标图像通过多个分类器得到该目标图像的预测值,然后将数据库中的多个备选图像通过多个分类器得到该多个图像的预测值,然后将目标图像的预测值的距离与多个备选图像的预测值的距离进行比较,选取距离最接近的一个,则该图像为与目标图像最相似的。
根据本发明的实施例还提供了一种图像处理装置,如图6所示,该装置包括:
创建模块61,用于预先创建训练模型;
训练模块62,用于采用训练样本对训练模型进行训练,得到多个分类器;
生成模块63,用于根据多个分类器对第一测试图像及第二测试图像进行处理,生成与第一预测图像及第二预测图像对应的第一校验码及第二校验码;
比对模块64,用于通过预先创建的图像比对模型对第一校验码和第二校验码进行比对,得到比对结果;
判断模块65,用于根据比对结果对第一测试图像及第二测试图像的相似度进行判断。
其中,训练模块62进一步包括:
第一生成单元(未示出),用于对训练样本中的训练子样本生成与训练子样本对应的校验码;
第二生成单元(未示出),用于根据训练子样本对应的校验码的每一位及训练子样本对应的纹理特征通过ADABOOST算法生成训练子样本对应的分类器。
其中,训练模块62还可以进一步包括:
分类单元(未示出),用于根据训练子样本对应的校验码的每一位将训练子样本分为两类;
其中,当任何一位为0的情况下,将训练子样本标记为第一类;
当任何一位为1的情况下,将训练子样本标记为第二类。
其中,生成模块63进一步包括:
提取单元(未示出),用于提取目标测试图像的纹理特征,目标图像为第一测试图像或第二测试图像;
获得单元(未示出),用于根据多个分类器及目标测试图像的纹理特征得到目标测试图像的校验码,目标测试图像的校验码的长度与多个分类器的数量相同。
其中,比对模块64进一步包括:
计算单元(未示出),用于计算第一校验码与第二校验码不相同的位数;
比较单元(未示出),用于将不相同的位数与预先设定的阈值相比较;
判定单元(未示出),用于当不相同的位数大于阈值的情况下,则判定第一测试图像与第二测试图像不为同一人。
此外,本发明中训练模型及图像比对模型是基于ECOC和ADABOOST算法建立的。
此外,纹理特征包括以下至少之一:
SIFT特征、LBP特征、哈尔特征。
综上所述,借助于本发明的上述技术方案,本发明基于ECOC和ADABOOST算法,使用ADABOOST算法训练每一位ECOC分类器,并使用纹理特征作为训练特征,使得人脸图像更具有人脸区分性,此外,本发明通过上述技术方案在进行图像比对操作时大大减少额外参数的影响,并且有效地提高了图像对比的准确率并且整个技术方案实现简单稳定性高。
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、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种图像处理方法,其特征在于,包括:
预先创建训练模型;
采用训练样本对所述训练模型进行训练,得到多个分类器;
根据所述多个分类器对第一测试图像及第二测试图像进行处理,生成与所述第一预测图像及所述第二预测图像对应的第一校验码及第二校验码;
通过预先创建的图像比对模型对所述第一校验码和所述第二校验码进行比对,得到比对结果;
根据所述比对结果对所述第一测试图像及所述第二测试图像的相似度进行判断。
2.根据权利要求1所述的方法,其特征在于,所述采用训练样本对所述训练模型进行训练,得到多个分类器,包括:
对所述训练样本中的训练子样本生成与所述训练子样本对应的校验码;
根据所述训练子样本对应的校验码的每一位及所述训练子样本对应的纹理特征通过ADABOOST算法生成所述训练子样本对应的分类器。
3.根据权利要求2所述的方法,其特征在于,进一步包括:
根据所述训练子样本对应的校验码的每一位将所述训练子样本分为两类;
当所述训练子样本对应的校验码的任何一位为0的情况下,将所述训练子样本标记为第一类;
当所述训练子样本对应的校验码的任何一位为1的情况下,将所述训练子样本标记为第二类。
4.根据权利要求1所述的方法,其特征在于,所述根据所述多个分类器对第一测试图像及第二测试图像进行处理,生成与所述第一预测图像及所述第二预测图像对应的第一校验码及第二校验码,包括:
提取目标测试图像的纹理特征,所述目标图像为所述第一测试图像或所述第二测试图像;
根据所述多个分类器及所述目标测试图像的纹理特征得到所述目标测试图像的校验码,所述目标测试图像的校验码的长度与所述多个分类器的数量相同。
5.根据权利要求1所述的方法,其特征在于,所述通过预先创建的图像比对模型对所述第一校验码和所述第二校验码进行比对,得到比对结果,包括:
计算所述第一校验码与所述第二校验码不相同的位数;
将所述不相同的位数与预先设定的阈值相比较;
当所述不相同的位数大于所述阈值的情况下,则判定所述第一测试图像与所述第二测试图像不为同一人。
6.根据权利要求1所述的方法,其特征在于,所述训练模型及图像比对模型基于ECOC和ADABOOST算法建立。
7.根据权利要求2所述的方法,其特征在于,所述纹理特征包括以下至少之一:
SIFT特征、LBP特征、哈尔特征。
8.一种图像处理装置,其特征在于,包括:
创建模块,用于预先创建训练模型;
训练模块,用于采用训练样本对所述训练模型进行训练,得到多个分类器;
生成模块,用于根据所述多个分类器对第一测试图像及第二测试图像进行处理,生成与所述第一预测图像及所述第二预测图像对应的第一校验码及第二校验码;
比对模块,用于通过预先创建的图像比对模型对所述第一校验码和所述第二校验码进行比对,得到比对结果;
判断模块,用于根据所述比对结果对所述第一测试图像及所述第二测试图像的相似度进行判断。
9.根据权利要求8所述的装置,其特征在于,所述训练模块进一步包括:
第一生成单元,用于对所述训练样本中的训练子样本生成与所述训练子样本对应的校验码;
第二生成单元,用于根据所述训练子样本对应的校验码的每一位及所述训练子样本对应的纹理特征通过ADABOOST算法生成所述训练子样本对应的分类器。
10.根据权利要求9所述的装置,其特征在于,所述训练模块进一步包括:
分类单元,用于根据所述训练子样本对应的校验码的每一位将所述训练子样本分为两类;
其中,当所述训练子样本对应的校验码的任何一位为0的情况下,将所述训练子样本标记为第一类;
当所述训练子样本对应的校验码的任何一位为1的情况下,将所述训练子样本标记为第二类。
11.根据权利要求8所述的装置,其特征在于,所述生成模块进一步包括:
提取单元,用于提取目标测试图像的纹理特征,所述目标图像为所述第一测试图像或所述第二测试图像;
获得单元,用于根据所述多个分类器及所述目标测试图像的纹理特征得到所述目标测试图像的校验码,所述目标测试图像的校验码的长度与所述多个分类器的数量相同。
12.根据权利要求8所述的装置,其特征在于,所述比对模块进一步包括:
计算单元,用于计算所述第一校验码与所述第二校验码不相同的位数;
比较单元,用于将所述不相同的位数与预先设定的阈值相比较;
判定单元,用于当所述不相同的位数大于所述阈值的情况下,则判定所述第一测试图像与所述第二测试图像不为同一人。
13.根据权利要求8所述的装置,其特征在于,所述训练模型及图像比对模型基于ECOC和ADABOOST算法建立。
14.根据权利要求9所述的装置,其特征在于,所述纹理特征包括以下至少之一:
SIFT特征、LBP特征、哈尔特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410855857.1A CN105809180A (zh) | 2014-12-31 | 2014-12-31 | 图像处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410855857.1A CN105809180A (zh) | 2014-12-31 | 2014-12-31 | 图像处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105809180A true CN105809180A (zh) | 2016-07-27 |
Family
ID=56465066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410855857.1A Pending CN105809180A (zh) | 2014-12-31 | 2014-12-31 | 图像处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105809180A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133231A (zh) * | 2017-12-14 | 2018-06-08 | 江苏大学 | 一种尺度自适应的实时车辆检测方法 |
CN109886282A (zh) * | 2019-02-26 | 2019-06-14 | 腾讯科技(深圳)有限公司 | 对象检测方法、装置、计算机可读存储介质和计算机设备 |
CN112885298A (zh) * | 2021-01-21 | 2021-06-01 | 北京欧铼德微电子技术有限公司 | 驱动方法、装置、芯片、显示面板及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1543625A (zh) * | 2001-05-31 | 2004-11-03 | 全感知有限公司 | 个人身份验证方法和系统 |
CN1971582A (zh) * | 2005-11-24 | 2007-05-30 | 中国科学院自动化研究所 | 一种基于掌纹图像识别的身份鉴别方法 |
CN101616232A (zh) * | 2008-06-27 | 2009-12-30 | 佳能株式会社 | 信息处理装置及信息处理方法 |
US20100329544A1 (en) * | 2009-06-30 | 2010-12-30 | Sony Corporation | Information processing apparatus, information processing method, and program |
CN102044073A (zh) * | 2009-10-09 | 2011-05-04 | 汉王科技股份有限公司 | 判断图像中人群密度的方法及系统 |
CN103246893A (zh) * | 2013-03-20 | 2013-08-14 | 西交利物浦大学 | 基于拒识的随机子空间的ecoc编码分类方法 |
CN103426004A (zh) * | 2013-07-04 | 2013-12-04 | 西安理工大学 | 基于纠错输出编码的车型识别方法 |
-
2014
- 2014-12-31 CN CN201410855857.1A patent/CN105809180A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1543625A (zh) * | 2001-05-31 | 2004-11-03 | 全感知有限公司 | 个人身份验证方法和系统 |
CN1971582A (zh) * | 2005-11-24 | 2007-05-30 | 中国科学院自动化研究所 | 一种基于掌纹图像识别的身份鉴别方法 |
CN101616232A (zh) * | 2008-06-27 | 2009-12-30 | 佳能株式会社 | 信息处理装置及信息处理方法 |
US20100329544A1 (en) * | 2009-06-30 | 2010-12-30 | Sony Corporation | Information processing apparatus, information processing method, and program |
CN102044073A (zh) * | 2009-10-09 | 2011-05-04 | 汉王科技股份有限公司 | 判断图像中人群密度的方法及系统 |
CN103246893A (zh) * | 2013-03-20 | 2013-08-14 | 西交利物浦大学 | 基于拒识的随机子空间的ecoc编码分类方法 |
CN103426004A (zh) * | 2013-07-04 | 2013-12-04 | 西安理工大学 | 基于纠错输出编码的车型识别方法 |
Non-Patent Citations (1)
Title |
---|
倪心强: "SAR图像分类与自动目标识别技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133231A (zh) * | 2017-12-14 | 2018-06-08 | 江苏大学 | 一种尺度自适应的实时车辆检测方法 |
CN109886282A (zh) * | 2019-02-26 | 2019-06-14 | 腾讯科技(深圳)有限公司 | 对象检测方法、装置、计算机可读存储介质和计算机设备 |
CN109886282B (zh) * | 2019-02-26 | 2021-05-28 | 腾讯科技(深圳)有限公司 | 对象检测方法、装置、计算机可读存储介质和计算机设备 |
CN112885298A (zh) * | 2021-01-21 | 2021-06-01 | 北京欧铼德微电子技术有限公司 | 驱动方法、装置、芯片、显示面板及电子设备 |
CN112885298B (zh) * | 2021-01-21 | 2023-02-17 | 北京欧铼德微电子技术有限公司 | 驱动方法、装置、芯片、显示面板及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI753039B (zh) | 圖像識別方法及裝置 | |
CN105426356B (zh) | 一种目标信息识别方法和装置 | |
WO2018166116A1 (zh) | 车损识别方法、电子装置及计算机可读存储介质 | |
CN108734283B (zh) | 神经网络系统 | |
CN106650740B (zh) | 一种车牌识别方法及终端 | |
CN108235770A (zh) | 图像识别方法及云端系统 | |
CN111103317B (zh) | 扫描晶片的系统及方法 | |
US10423827B1 (en) | Image text recognition | |
CN111241989A (zh) | 图像识别方法及装置、电子设备 | |
CN111898538B (zh) | 证件鉴伪方法、装置、电子设备及存储介质 | |
CN108491794A (zh) | 面部识别的方法和装置 | |
WO2021151277A1 (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
CN104573680B (zh) | 图像检测方法、图像检测装置以及交通违法检测系统 | |
CN103793926A (zh) | 基于样本重选择的目标跟踪方法 | |
CN109598298B (zh) | 图像物体识别方法和系统 | |
CN111652046A (zh) | 基于深度学习的安全穿戴检测方法、设备及系统 | |
CN114902299A (zh) | 图像中关联对象的检测方法、装置、设备和存储介质 | |
CN105809180A (zh) | 图像处理方法及装置 | |
CN113033271A (zh) | 利用人工智能模块学习脸部辨识的处理方法 | |
JP2019215728A (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP2012123631A (ja) | 注目領域検出方法、注目領域検出装置、及びプログラム | |
KR101532652B1 (ko) | 영상 인식 계산 장치 및 그 방법 | |
CN107609454A (zh) | 一种识别图像中的手势的方法及装置 | |
CN112580505B (zh) | 网点开关门状态识别方法、装置、电子设备及存储介质 | |
Pramanik et al. | Finding the optimum classifier: Classification of segmentable components in offline handwritten Devanagari words |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160727 |
|
RJ01 | Rejection of invention patent application after publication |