CN105868760A - 模式识别方法及系统 - Google Patents

模式识别方法及系统 Download PDF

Info

Publication number
CN105868760A
CN105868760A CN201610153386.9A CN201610153386A CN105868760A CN 105868760 A CN105868760 A CN 105868760A CN 201610153386 A CN201610153386 A CN 201610153386A CN 105868760 A CN105868760 A CN 105868760A
Authority
CN
China
Prior art keywords
image
analysis network
component analysis
matrix
principle component
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
Application number
CN201610153386.9A
Other languages
English (en)
Inventor
赵喜玲
何勇
马巍
吴桂玲
刘丽娟
周瑞乾
黄蓉
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.)
Xinyang Agriculture and Forestry University
Original Assignee
Xinyang Agriculture and Forestry University
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 Xinyang Agriculture and Forestry University filed Critical Xinyang Agriculture and Forestry University
Priority to CN201610153386.9A priority Critical patent/CN105868760A/zh
Publication of CN105868760A publication Critical patent/CN105868760A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种模式识别方法及系统，该模式识别方法包括如下步骤：根据联通分量将输入的待识别图像切分成若干个区域块，将区域块中每一像素点分别转换成对数极坐标，将每一对数极坐标分别转换为一维矩阵，并计算第一层核主成分分析网络的滤波器和第一层核主成分分析网络的训练输出图像；获取第一层核主成分分析网络的训练输出图像的局部特征矩阵，并计算第二层核主成分分析网络的滤波器和第二层核主成分分析网络的训练输出图像；将第二层核主成分分析网络的训练输出图像中的每幅图像二值化，并计算所得二值化图像与图库中每幅图像的图像相似度，输出识别结果。本发明提高了字符识别的准确率，提高了识别的精确度。

Description

模式识别方法及系统
技术领域
本发明涉及图像识别方法，具体涉及一种模式识别方法及系统。
背景技术
目前，计算机软件在进行字符识别时通常是使用标准OCR(光学字符识别)或者模板进行匹配，这些方案都只能处理标准字符，而且需要提供大量的样本库文件，无法对具有缩放、旋转、重叠和扭曲的字符进行识别，这使得现有技术对变形字或手写体字符等特殊字符的识别存在很大难度，并且缺少准确性。
发明内容
为解决上述问题，本发明提供了一种模式识别方法及系统。
为实现上述目的，本发明采取的技术方案为：
模式识别方法，包括如下步骤：
S1、输入待识别图像；
S2、根据联通分量将输入的待识别图像切分成x个区域块，其中，x为正整数，若x等于该图像包含的字符数，则执行S3，若x小于该图像包含的字符数，则根据横向投影将该x个区域块切分成若干个区域块后，再执行S3；
S3、将区域块中每一像素点分别转换成对数极坐标，将每一对数极坐标分别转换为一维矩阵；
S4、计算所有一维矩阵的协方差矩阵均值，选择任意一个核函数，将协方差矩阵均值映射到高维空间的核子空间当中，得到核子空间当中的协方差矩阵K，并对K去均值得到通过对进行奇异值分解，得到主成分，从而获得第一层核主成分分析网络的滤波器；
S5、分别将一维矩阵与所得第一层核主成分分析网络的滤波器卷积，得到第一层核主成分分析网络的训练输出图像；
S6、获取第一层核主成分分析网络的训练输出图像的局部特征矩阵，计算所有局部特征矩阵的协方差矩阵均值，选择任意一个核函数，将协方差矩阵均值映射到高维空间的核子空间当中，得到核子空间当中的协方差矩阵K，并对K去均值得到通过对进行奇异值分解，得到主成分，从而获得第二层核主成分分析网络的滤波器，分别将局部特征矩阵与所得第一层核主成分分析网络的滤波器卷积，得到以及第二层核主成分分析网络的训练输出图像；
S7、将第二层核主成分分析网络的训练输出图像中的每幅图像二值化，得二值化图像；
S8、计算所得二值化图像与图库中每幅图像的图像相似度，根据相似度值对图库中的所有图像进行排序，并按要求返回相关图像作为识别结果。
其中，所述步骤S4的具体步骤为：
S41、分别计算一维矩阵的协方差矩阵，并对得到的协方差矩阵求平均值；
S42、选择线性核函数、多项式核函数、高斯核函数、指数核函数、拉普拉斯核函数、双曲正切核函数、有理二次核函数、逆多元二次核函数、圆核函数中的任意一个核函数将映射到高维空间中的核子空间，得协方差矩阵，并对矩阵进行去均值；
S43、对K进行奇异值分解，找出的L1个主成分，并将的L1个主成分作为第一层核主成分分析网络的滤波器：
S44、将一维矩阵分别与j＝1，2，...，L1进行卷积，得到第一层核主成分分析网络的训练输出图像。
其中，所述步骤S6的具体步骤为：
S61、在N幅大小为m×n的第一层核主成分分析网络的训练输出图像中随机选取N1幅作为训练图像数据库；用一个大小为k1×k2的滑块遍历训练第一层核主成分分析网络的训练输出图像中的每幅训练图像i＝1，2，…，N1的每一个像素，得到，得到mn个长度为k1k2的列向量，将所得列向量去均值后组合，从而得到每幅训练图像的局部特征矩阵；
S62、分别求局部特征矩阵的协方差矩阵，并对得到的协方差矩阵求平均值；
S63、选择线性核函数、多项式核函数、高斯核函数、指数核函数、拉普拉斯核函数、双曲正切核函数、有理二次核函数、逆多元二次核函数、圆核函数中的任意一个核函数将映射到高维空间中的核子空间，得协方差矩阵，并对矩阵进行去均值；
S64、对K进行奇异值分解，找出的L2个主成分，并将的L2个主成分作为第二层核主成分分析网络的滤波器：
S65、将局部特征矩阵分别与j＝1，2，...，L2进行卷积，得到第二层核主成分分析网络的训练输出图像。
其中，所述步骤S3的具体步骤为：
S31、将待转换为对数极坐标的像素点作为极坐标的圆心，半径为区域块中像素点之间的最大距离，并对半径进行归一化处理；
S32、将极坐标圆的半径和角度进行等量划分；
S33、根据划分后每个区域内的像素点数得出二维矩阵；
S34、将S33得到的二维矩阵转化成一维矩阵；
S35、将一维矩阵进行一维傅里叶变换。
为解决上述问题，本发明还提供了一种模式识别系统，包括
图像输入模块，用于输入待识别图像，并将所输入的图像发送到图像分割模块；
图像分割模块，用于将输入的待识别图像切分成若干个区域块；
坐标转换模块，用于将区域块中每一像素点分别转换成对数极坐标；
矩阵转换模块，用于将每一对数极坐标分别转换为一维矩阵；
第一层核主成分分析网络的滤波器生成模块，用于通过预设的算法获取所得第一矩阵的第一层核主成分分析网络的滤波器；
第一层核主成分分析网络的训练输出图像，用于将所得的一维矩阵与所得第一层核主成分分析网络的滤波器卷积，得到第一层核主成分分析网络的训练输出图像；
局部特征矩阵计算模块，用于获取第一层核主成分分析网络的训练输出图像的局部特征矩阵；
第二层核主成分分析网络的滤波器生成模块，用于通过预设的算法获取所得局部特征矩阵的第二层核主成分分析网络的滤波器；
第二层核主成分分析网络的训练输出图像，用于将所得的局部特征矩阵与所得第二层核主成分分析网络的滤波器卷积，得到第二层核主成分分析网络的训练输出图像；
图像二值化处理模块，用于将所得的第二层核主成分分析网络的训练输出图像二值化；
图像比较模块，用于计算所得二值化图像与图库中每幅图像的图像相似度，根据相似度值对图库中的所有图像进行排序，并按要求返回相关图像作为识别结果。
其中，所述图像分割模块包括
分割模块，用于根据联通分量将待识别图像切分成x个区域块，x为正整数；
比较模块，用于将x与带识别图像包含的字符数进行比较，若相等，则将进行所得区域块的坐标转换，若x小于带识别图像包含的字符数，则根据横向投影将该x个区域块切分成若干个区域块。
本发明具有以下有益效果：
通过极坐标的半径和角度的奇数划分可以轻松的区分具有包含关系的字符，提高字符识别的准确率，通过核主成分分析法提高了识别的精确度。
具体实施方式
为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供了模式识别方法，包括如下步骤：
S1、输入待识别图像；
S2、根据联通分量将输入的待识别图像切分成x个区域块，其中，x为正整数，若x等于该图像包含的字符数，则执行S3，若x小于该图像包含的字符数，则根据横向投影将该x个区域块切分成若干个区域块后，再执行S3；
S3、将区域块中每一像素点分别转换成对数极坐标，将每一对数极坐标分别转换为一维矩阵；具体的，
S31、将待转换为对数极坐标的像素点作为极坐标的圆心，半径为区域块中像素点之间的最大距离，并对半径进行归一化处理；
S32、将极坐标圆的半径和角度进行等量划分；
S33、根据划分后每个区域内的像素点数得出二维矩阵；
S34、将S33得到的二维矩阵转化成一维矩阵；
S35、将一维矩阵进行一维傅里叶变换。
S4、计算所有一维矩阵的协方差矩阵均值，选择任意一个核函数，将协方差矩阵均值映射到高维空间的核子空间当中，得到核子空间当中的协方差矩阵K，并对K去均值得到通过对进行奇异值分解，得到主成分，从而获得第一层核主成分分析网络的滤波器；具体的：
S41、分别计算一维矩阵的协方差矩阵，并对得到的协方差矩阵求平均值；
S42、选择线性核函数、多项式核函数、高斯核函数、指数核函数、拉普拉斯核函数、双曲正切核函数、有理二次核函数、逆多元二次核函数、圆核函数中的任意一个核函数将映射到高维空间中的核子空间，得协方差矩阵，并对矩阵进行去均值；
S43、对K进行奇异值分解，找出的L1个主成分，并将的L1个主成分作为第一层核主成分分析网络的滤波器：
S44、将一维矩阵分别与j＝1，2，...，L1进行卷积，得到第一层核主成分分析网络的训练输出图像。
S5、分别将一维矩阵与所得第一层核主成分分析网络的滤波器卷积，得到第一层核主成分分析网络的训练输出图像；
S6、获取第一层核主成分分析网络的训练输出图像的局部特征矩阵，计算所有局部特征矩阵的协方差矩阵均值，选择任意一个核函数，将协方差矩阵均值映射到高维空间的核子空间当中，得到核子空间当中的协方差矩阵K，并对K去均值得到通过对进行奇异值分解，得到主成分，从而获得第二层核主成分分析网络的滤波器，分别将局部特征矩阵与所得第一层核主成分分析网络的滤波器卷积，得到以及第二层核主成分分析网络的训练输出图像；具体的，
S61、在N幅大小为m×n的第一层核主成分分析网络的训练输出图像中随机选取N1幅作为训练图像数据库；用一个大小为k1×k2的滑块遍历训练第一层核主成分分析网络的训练输出图像中的每幅训练图像i＝1，2，…，N1的每一个像素，得到，得到mn个长度为k1k2的列向量，将所得列向量去均值后组合，从而得到每幅训练图像的局部特征矩阵；
S62、分别求局部特征矩阵的协方差矩阵，并对得到的协方差矩阵求平均值；
S63、选择线性核函数、多项式核函数、高斯核函数、指数核函数、拉普拉斯核函数、双曲正切核函数、有理二次核函数、逆多元二次核函数、圆核函数中的任意一个核函数将映射到高维空间中的核子空间，得协方差矩阵，并对矩阵进行去均值；
S64、对K进行奇异值分解，找出的L2个主成分，并将的L2个主成分作为第二层核主成分分析网络的滤波器；
S65、将局部特征矩阵分别与j＝1，2，...，L2进行卷积，得到第二层核主成分分析网络的训练输出图像。
S7、将第二层核主成分分析网络的训练输出图像中的每幅图像二值化，得二值化图像；
S8、计算所得二值化图像与图库中每幅图像的图像相似度，根据相似度值对图库中的所有图像进行排序，并按要求返回相关图像作为识别结果。
为解决上述问题，本发明实施例还提供了一种模式识别系统，包括
图像输入模块，用于输入待识别图像，并将所输入的图像发送到图像分割模块；
图像分割模块，用于将输入的待识别图像切分成若干个区域块；
坐标转换模块，用于将区域块中每一像素点分别转换成对数极坐标；
矩阵转换模块，用于将每一对数极坐标分别转换为一维矩阵；
第一层核主成分分析网络的滤波器生成模块，用于通过预设的算法获取所得第一矩阵的第一层核主成分分析网络的滤波器；
第一层核主成分分析网络的训练输出图像，用于将所得的一维矩阵与所得第一层核主成分分析网络的滤波器卷积，得到第一层核主成分分析网络的训练输出图像；
局部特征矩阵计算模块，用于获取第一层核主成分分析网络的训练输出图像的局部特征矩阵；
第二层核主成分分析网络的滤波器生成模块，用于通过预设的算法获取所得局部特征矩阵的第二层核主成分分析网络的滤波器；
第二层核主成分分析网络的训练输出图像，用于将所得的局部特征矩阵与所得第二层核主成分分析网络的滤波器卷积，得到第二层核主成分分析网络的训练输出图像；
图像二值化处理模块，用于将所得的第二层核主成分分析网络的训练输出图像二值化；
图像比较模块，用于计算所得二值化图像与图库中每幅图像的图像相似度，根据相似度值对图库中的所有图像进行排序，并按要求返回相关图像作为识别结果。
其中，所述图像分割模块包括
分割模块，用于根据联通分量将待识别图像切分成x个区域块，x为正整数；
比较模块，用于将x与带识别图像包含的字符数进行比较，若相等，则将进行所得区域块的坐标转换，若x小于带识别图像包含的字符数，则根据横向投影将该x个区域块切分成若干个区域块。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.模式识别方法，其特征在于，包括如下步骤：
S1、输入待识别图像；
S2、根据联通分量将输入的待识别图像切分成x个区域块，其中，x为正整数，若x等于该图像包含的字符数，则执行S3，若x小于该图像包含的字符数，则根据横向投影将该x个区域块切分成若干个区域块后，再执行S3；
S3、将区域块中每一像素点分别转换成对数极坐标，将每一对数极坐标分别转换为一维矩阵；
S4、计算所有一维矩阵的协方差矩阵均值，选择任意一个核函数，将协方差矩阵均值映射到高维空间的核子空间当中，得到核子空间当中的协方差矩阵K，并对K去均值得到通过对进行奇异值分解，得到主成分，从而获得第一层核主成分分析网络的滤波器；
S5、分别将一维矩阵与所得第一层核主成分分析网络的滤波器卷积，得到第一层核主成分分析网络的训练输出图像；
S6、获取第一层核主成分分析网络的训练输出图像的局部特征矩阵，计算所有局部特征矩阵的协方差矩阵均值，选择任意一个核函数，将协方差矩阵均值映射到高维空间的核子空间当中，得到核子空间当中的协方差矩阵K，并对K去均值得到通过对进行奇异值分解，得到主成分，从而获得第二层核主成分分析网络的滤波器，分别将局部特征矩阵与所得第一层核主成分分析网络的滤波器卷积，得到以及第二层核主成分分析网络的训练输出图像；
S7、将第二层核主成分分析网络的训练输出图像中的每幅图像二值化，得二值化图像；
S8、计算所得二值化图像与图库中每幅图像的图像相似度，根据相似度值对图库中的所有图像进行排序，并按要求返回相关图像作为识别结果。
2.根据权利要求1所述的模式识别方法，其特征在于，所述步骤S4的具体步骤为：
S41、分别计算一维矩阵的协方差矩阵，并对得到的协方差矩阵求平均值；
S42、选择线性核函数、多项式核函数、高斯核函数、指数核函数、拉普拉斯核函数、双曲正切核函数、有理二次核函数、逆多元二次核函数、圆核函数中的任意一个核函数将映射到高维空间中的核子空间，得协方差矩阵，并对矩阵进行去均值；
S43、对K进行奇异值分解，找出的L1个主成分，并将的L1个主成分作为第一层核主成分分析网络的滤波器：
S44、将一维矩阵分别与j＝1，2，...，L1进行卷积，得到第一层核主成分分析网络的训练输出图像。
3.根据权利要求1所述的模式识别方法，其特征在于，所述步骤S6的具体步骤为：
S61、在N幅大小为m×n的第一层核主成分分析网络的训练输出图像中随机选取N1幅作为训练图像数据库；用一个大小为k1×k2的滑块遍历训练第一层核主成分分析网络的训练输出图像中的每幅训练图像i＝1，2，…，N1的每一个像素，得到，得到mn个长度为k1k2的列向量，将所得列向量去均值后组合，从而得到每幅训练图像的局部特征矩阵；
S62、分别求局部特征矩阵的协方差矩阵，并对得到的协方差矩阵求平均值；
S63、选择线性核函数、多项式核函数、高斯核函数、指数核函数、拉普拉斯核函数、双曲正切核函数、有理二次核函数、逆多元二次核函数、圆核函数中的任意一个核函数将映射到高维空间中的核子空间，得协方差矩阵，并对矩阵进行去均值；
S64、对K进行奇异值分解，找出的L2个主成分，并将的L2个主成分作为第二层核主成分分析网络的滤波器：
S65、将局部特征矩阵分别与j＝1，2，...，L2进行卷积，得到第二层核主成分分析网络的训练输出图像。
4.根据权利要求1所述的模式识别方法，其特征在于，所述步骤S3的具体步骤为：
S31、将待转换为对数极坐标的像素点作为极坐标的圆心，半径为区域块中像素点之间的最大距离，并对半径进行归一化处理；
S32、将极坐标圆的半径和角度进行等量划分；
S33、根据划分后每个区域内的像素点数得出二维矩阵；
S34、将S33得到的二维矩阵转化成一维矩阵；
S35、将一维矩阵进行一维傅里叶变换。
5.模式识别系统，其特征在于，包括
图像输入模块，用于输入待识别图像，并将所输入的图像发送到图像分割模块；
图像分割模块，用于将输入的待识别图像切分成若干个区域块；
坐标转换模块，用于将区域块中每一像素点分别转换成对数极坐标；
矩阵转换模块，用于将每一对数极坐标分别转换为一维矩阵；
第一层核主成分分析网络的滤波器生成模块，用于通过预设的算法获取所得第一矩阵的第一层核主成分分析网络的滤波器；
第一层核主成分分析网络的训练输出图像，用于将所得的一维矩阵与所得第一层核主成分分析网络的滤波器卷积，得到第一层核主成分分析网络的训练输出图像；
局部特征矩阵计算模块，用于获取第一层核主成分分析网络的训练输出图像的局部特征矩阵；
第二层核主成分分析网络的滤波器生成模块，用于通过预设的算法获取所得局部特征矩阵的第二层核主成分分析网络的滤波器；
第二层核主成分分析网络的训练输出图像，用于将所得的局部特征矩阵与所得第二层核主成分分析网络的滤波器卷积，得到第二层核主成分分析网络的训练输出图像；
图像二值化处理模块，用于将所得的第二层核主成分分析网络的训练输出图像二值化；
图像比较模块，用于计算所得二值化图像与图库中每幅图像的图像相似度，根据相似度值对图库中的所有图像进行排序，并按要求返回相关图像作为识别结果。
6.根据权利要求5所述的识别系统，其特征在于，所述图像分割模块包括
分割模块，用于根据联通分量将待识别图像切分成x个区域块，x为正整数；
比较模块，用于将x与带识别图像包含的字符数进行比较，若相等，则将进行所得区域块的坐标转换，若x小于带识别图像包含的字符数，则根据横向投影将该x个区域块切分成若干个区域块。
CN201610153386.9A 2016-03-11 2016-03-11 模式识别方法及系统 Pending CN105868760A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610153386.9A CN105868760A (zh) 2016-03-11 2016-03-11 模式识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610153386.9A CN105868760A (zh) 2016-03-11 2016-03-11 模式识别方法及系统

Publications (1)

Publication Number Publication Date
CN105868760A true CN105868760A (zh) 2016-08-17

Family

ID=56624650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610153386.9A Pending CN105868760A (zh) 2016-03-11 2016-03-11 模式识别方法及系统

Country Status (1)

Country Link
CN (1) CN105868760A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650696A (zh) * 2016-12-30 2017-05-10 山东大学 一种基于奇异值分解的手写电气元件符号识别方法
CN109492593A (zh) * 2018-11-16 2019-03-19 西安电子科技大学 基于主成分分析网络和空间坐标的高光谱图像分类方法
CN113132397A (zh) * 2021-04-23 2021-07-16 信阳农林学院 一种基于深度学习的网络加密流量识别方法、装置及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050238200A1 (en) * 2004-04-27 2005-10-27 Rakesh Gupta Simultaneous localization and mapping using multiple view feature descriptors
CN104573729A (zh) * 2015-01-23 2015-04-29 东南大学 一种基于核主成分分析网络的图像分类方法
CN105139042A (zh) * 2015-09-08 2015-12-09 携程计算机技术（上海）有限公司 图像识别方法及系统
CN105608690A (zh) * 2015-12-05 2016-05-25 陕西师范大学 一种基于图论和半监督学习相结合的图像分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050238200A1 (en) * 2004-04-27 2005-10-27 Rakesh Gupta Simultaneous localization and mapping using multiple view feature descriptors
CN104573729A (zh) * 2015-01-23 2015-04-29 东南大学 一种基于核主成分分析网络的图像分类方法
CN105139042A (zh) * 2015-09-08 2015-12-09 携程计算机技术（上海）有限公司 图像识别方法及系统
CN105608690A (zh) * 2015-12-05 2016-05-25 陕西师范大学 一种基于图论和半监督学习相结合的图像分割方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650696A (zh) * 2016-12-30 2017-05-10 山东大学 一种基于奇异值分解的手写电气元件符号识别方法
CN106650696B (zh) * 2016-12-30 2019-12-10 山东大学 一种基于奇异值分解的手写电气元件符号识别方法
CN109492593A (zh) * 2018-11-16 2019-03-19 西安电子科技大学 基于主成分分析网络和空间坐标的高光谱图像分类方法
CN109492593B (zh) * 2018-11-16 2021-09-10 西安电子科技大学 基于主成分分析网络和空间坐标的高光谱图像分类方法
CN113132397A (zh) * 2021-04-23 2021-07-16 信阳农林学院 一种基于深度学习的网络加密流量识别方法、装置及设备

Similar Documents

Publication Publication Date Title
CN110738207B (zh) 一种融合文字图像中文字区域边缘信息的文字检测方法
Kulkarni et al. A leaf recognition technique for plant classification using RBPNN and Zernike moments
CN102541954B (zh) 一种商标检索方法及系统
CN113591546B (zh) 语义增强型场景文本识别方法及装置
CN108764041B (zh) 用于下部遮挡人脸图像的人脸识别方法
CN113674334B (zh) 基于深度自注意力网络和局部特征编码的纹理识别方法
CN110084238B (zh) 基于LadderNet网络的指静脉图像分割方法、装置和存储介质
CN113343982B (zh) 多模态特征融合的实体关系提取方法、装置和设备
CN104077742B (zh) 基于Gabor特征的人脸素描合成方法及系统
Bahri et al. Robust Kronecker component analysis
CN114066987B (zh) 一种相机位姿估计方法、装置、设备及存储介质
Wakahara et al. k-NN classification of handwritten characters via accelerated GAT correlation
CN111223128A (zh) 目标跟踪方法、装置、设备及存储介质
CN105868760A (zh) 模式识别方法及系统
CN114821255A (zh) 多模态特征的融合方法、装置、设备、介质和产品
CN112749576B (zh) 图像识别方法和装置、计算设备以及计算机存储介质
CN111428612B (zh) 行人重识别方法、终端、装置及存储介质
Sastre et al. Computer algebra algorithms applied to computer vision in a parking management system
CN116310452B (zh) 一种多视图聚类方法及系统
Shahadat et al. Deep residual axial networks
Polic et al. Uncertainty based camera model selection
US20240104890A1 (en) Image processing device, recording medium, and image processing method
Yang et al. Feature similarity rank-based information distillation network for lightweight image superresolution
Zahid Ishraque et al. A local adaptive image descriptor
CN112084874A (zh) 一种物体检测方法、装置及终端设备

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: 20160817

RJ01 Rejection of invention patent application after publication