CN106203457A - 一种基于改进的胡氏不变矩的坦克识别系统及方法 - Google Patents
一种基于改进的胡氏不变矩的坦克识别系统及方法 Download PDFInfo
- Publication number
- CN106203457A CN106203457A CN201610513194.4A CN201610513194A CN106203457A CN 106203457 A CN106203457 A CN 106203457A CN 201610513194 A CN201610513194 A CN 201610513194A CN 106203457 A CN106203457 A CN 106203457A
- Authority
- CN
- China
- Prior art keywords
- eta
- phi
- image
- moment
- sigma
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于改进的胡氏不变矩的坦克识别系统及方法,该识别系统包括电源管理板、稳压电源、RGB模拟摄像头、ARM开发板和计算机;方法为:步骤1,对待识别图像进行中值滤波预处理,得到预处理后的图像;步骤2,采用改进的最大类间方差法对预处理后的图像进行图像分割,提取所需的目标;步骤3,对分割后的图像进行形态学处理;步骤4,采用改进的胡氏不变矩提取目标的特征;步骤5,确定待识别图形与数据库中图形特征之间的相似度,实现对坦克的识别。本发明采用改进的胡氏不变矩方法,能够有效的识别出地面上的坦克目标,具有识别率高、识别速度快等优点。
Description
技术领域
本发明涉及机器识别技术领域,特别是一种基于改进的胡氏不变矩的坦克识别系统及方法。
背景技术
随着计算机视觉技术和图像并行处理技术的发展,目标识别技术在军事领域和航空航天、科学探测、天文观测以及视频监控等民用领域具有越来越广泛的应用。特别是在军事领域中,若果对地面上的坦克进行有效的识别,就可以对坦克进行精确的打击,大大提高武器系统的运动攻击性能及作战指标。
目前坦克的识别方法主要包括声波、红外探测、激光雷达、光学等手段,红外探测易受太阳光照、大气辐射、视角、距离及环境背景的综合影响,图像对比度差、噪声大,目标边缘模糊识别稳健性不高,而声波、激光雷达使用的成本较高、占用空间面积较大,光学手段由于其成本较低,易于实现等优点已成为研究的热点。
采用光学手段识别坦克,主要提取坦克的特征信息。一般情况下,对坦克的特征描述采用傅里叶描述子、小波变换、Zernike矩等方式描述,但这些情况下在不同的尺度下的识别率很差,很难对坦克进行精确的识别。
发明内容
本发明的目的是提供一种成本低、识别率较高的基于改进的胡氏不变矩的坦克识别系统及方法,以克服图像中目标的平移、旋转和缩放等因素影响。
实现本发明目的的技术解决方案为:一种基于改进的胡氏不变矩的坦克识别系统,包括电源管理板、稳压电源、RGB模拟摄像头、ARM开发板和计算机,其中稳压电源接入电源管理板,电源管理板的输出端分别接入RGB模拟摄像头、ARM开发板,RGB模拟摄像头通过ARM开发板与计算机相连;
所述RGB模拟摄像头采集所需的图片,ARM开发板通过采集卡对RGB模拟摄像头拍摄的图片进行采集,并通过ARM开发板中的图像识别模块对图片中是否有坦克进行识别;稳压电源分别为RGB模拟摄像头、ARM开发板提供稳定电源;计算机是通过wifi与ARM开发板进行通信,从而控制ARM开发板驱动RGB模拟摄像头采集图片。
优选地,所述ARM开发板是采用型号为华北工控EM3500的ARM开发板。
一种基于改进的胡氏不变矩的坦克识别方法,包括以下步骤:
步骤1,对待识别图像进行中值滤波预处理,得到预处理后的图像;
步骤2,采用改进的最大类间方差法对预处理后的图像进行图像分割,提取所需的目标;
步骤3,对分割后的图像进行形态学处理;
步骤4,采用改进的胡氏不变矩提取目标的特征;
步骤5,确定待识别图形与数据库中图形特征之间的相似度,实现对坦克的识别。
进一步地,步骤2所述采用改进的最大类间方差法对预处理后的图像进行图像分割,提取所需的目标,具体如下:
改进的最大类间方差法即改进的otsu算法是将当前图像像素用一个阈值t分为两个部分C0和C1,其中C0是由0~t灰度范围内的像素组成,C1是由(t+1)~L灰度范围内的像素组成,L是图像像素最大的灰度值,灰度值为i的像素值个数为ni,则总的像素个数为N,如公式(1)所示:
各灰度值出现的概率为pi,如公式(2)所示:
其中,pi≥0,
C0出现的概率和C1出现的概率分别如下:
C0、C1两类的灰度均值分别为
图像总的灰度平均值ω0为:
建立新的方差σ2如公式(6)所示:
式中:
其中,ΔA、ΔB、Δ0分别表示区域C0、区域C1与整幅图片的方差;
从0~L依次改变t值,取到σ2最大时t即为最佳阈值;然后对该图像进行二值化处理,即其中H为图像任意一点的像素值,进而提取出目标。
进一步地,步骤3所述对分割后的图像进行形态学处理,包括对图像先进行膨胀然后进行腐蚀。
进一步地,步骤4中所述改进的胡氏不变矩,具体如下:
先设一个M×N数字图像的灰度分布为f(x,y),那么它的(p+q)阶几何矩mpq定义如公式(13)所示:
式中:x,y是图像的坐标点;
中心矩μpq的定义如公式(14)所示:
式中:(x0,y0)是矩心,x0=m10/m00,y0=m01/m00,p,q=0,1,2,···,m10是图像的(1+0)阶几何矩,m00是图像的(0+0)阶几何矩,m01是图像的(0+1)阶几何矩;
用零阶中心矩μpq进行归一化,归一化中心矩ηpq为:
式中:p+q=2,3···,μ00是零阶中心矩;
构造胡氏不变矩Φ1~Φ7为:
式中:Φ1~Φ7为胡氏不变矩的7个矩不变量;
那么改进的胡氏不变矩I1~I10公式为:
式中:I1~I10为改进的胡氏不变矩的10个矩不变量。
进一步地,步骤5中所述待识别图形与数据库中图形特征之间的相似度为:
其中:X,Y分别为待检测的图像和模板中的图像,表示X这个图像第1个改变的胡氏不变矩特征值,表示Y这个图像第1个改变的胡氏不变矩特征值;通过计算待识别图像与不同的模板图像的相似度,取最小的相似度所对应的模板图像,判断该模板图像属于哪一类模板,若属于含有坦克的模板,那么待测图片含有坦克,否则不含有坦克。
本发明与现有技术相比,其显著优点为:(1)基于改进的胡氏不变矩,成本较低,坦克识别的准确率较高,易于工程实现;(2)具有旋转、平移和缩放不变性,能够克服旋转、平移、缩放带来的影响;(3)运算速度快,能保证实时性。
附图说明
图1为本发明基于改进的胡氏不变矩的坦克识别系统的结构图。
图2为本发明基于改进的胡氏不变矩的坦克识别方法的流程图。
图3为本发明的改进的otsu算法提取目标的处理过程图,其中(a1)~(a8)为原图,(b1)~(b8)为中值滤波图,(c1)~(c8)为改进的otsu算法处理结果图,(d1)~(d8)为形态学处理结果图。
图4为本发明的改进的otsu算法提取目标和otsu算法提取目标对比图,其中(a1)~(a4)为原图,(b1)~(b4)为中值滤波图,(c1)~(c4)为otsu算法处理结果图,(d1)~(d4)为otsu算法对应的形态学处理结果图,(e1)~(e4)为改进的otsu算法处理结果图,(f1)~(f4)为改进的otsu算法对应的形态学处理结果图。
图5为本发明采用改进的胡氏不变矩取不同目标的特征值曲线图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明的硬件主要包括电源管理板、稳压电源、RGB模拟摄像头、ARM开发板和计算机,其中稳压电源接入电源管理板,电源管理板的输出端分别接入RGB模拟摄像头、ARM开发板。RGB模拟摄像头通过ARM开发板与计算机相连,它是用来采集所需的图片;ARM开发板是选用华北工控EM3500型号,它通过采集卡对RGB模拟摄像头拍摄的图片进行采集,并通过ARM开发板中的图像识别模块对图片中是否有坦克进行识别;计算机是通过wifi与ARM开发板进行通信,可以将所编写的程序移植到ARM开发板中并且通过控制ARM开发板驱动RGB模拟摄像头采集图片。
如图2所示,本发明基于改进的胡氏不变矩的坦克识别方法,包括图像分割提取目标、对提取的目标进行形态学处理、对目标采用改进的胡氏不变取其特征值、计算待识别图形与数据库中图形特征之间的相似度,包含以下步骤:
步骤1,对待识别图像进行中值滤波预处理,得到预处理后的图像;
步骤2,采用改进的最大类间方差法对预处理后的图像进行图像分割,提取所需的目标;
步骤3,对分割后的图像进行形态学处理;
步骤4,采用改进的胡氏不变矩提取目标的特征;
步骤5,确定待识别图形与数据库中图形特征之间的相似度,实现对坦克的识别。
步骤2所述采用改进的最大类间方差法对预处理后的图像进行图像分割,提取所需的目标,具体如下:
改进的最大类间方差法(即改进的otsu算法)是将当前图像像素用一个阈值t分为两个部分C0和C1,其中C0是由0~t灰度范围内的像素组成,C1是由(t+1)~L灰度范围内的像素组成,L是图像像素最大的灰度值,灰度值为i的像素值个数为ni,则总的像素个数为N,如公式(1)所示:
各灰度值出现的概率为pi,如公式(2)所示:
其中,pi≥0,
C0出现的概率和C1出现的概率分别如下:
C0、C1两类的灰度均值分别为
图像总的灰度平均值ω0为:
建立新的方差σ2如公式(6)所示:
式中:
其中,ΔA、ΔB、Δ0分别表示区域C0、区域C1与整幅图片的方差;
从0~L依次改变t值,取到σ2最大时t即为最佳阈值;然后对该图像进行二值化处理,即其中H为图像任意一点的像素值,进而提取出目标。
步骤3所述对分割后的图像进行形态学处理,包括对图像先进行膨胀然后进行腐蚀。
步骤4中所述改进的胡氏不变矩,具体如下:
先设一个M×N数字图像的灰度分布为f(x,y),那么它的(p+q)阶几何矩mpq定义如公式(13)所示:
式中:x,y是图像的坐标点;
中心矩μpq的定义如公式(14)所示:
式中:(x0,y0)是矩心,x0=m10/m00,y0=m01/m00,p,q=0,1,2,···,m10是图像的(1+0)阶几何矩,m00是图像的(0+0)阶几何矩,m01是图像的(0+1)阶几何矩。
用零阶中心矩μpq进行归一化,归一化中心矩ηpq为:
式中,μ00是零阶中心矩。
构造胡氏不变矩Φ1~Φ7为:
式中:Φ1~Φ7为胡氏不变矩的7个矩不变量。
那么改进的胡氏不变矩I1~I10公式为:
式中:I1~I10为改进的胡氏不变矩的10个矩不变量。
所述步骤5中待识别图形与数据库中图形特征之间的相似度为:
其中:X,Y分别为待检测的图像和模板中的图像,表示X这个图像第1个改变的胡氏不变矩特征值,表示Y这个图像第1个改变的胡氏不变矩特征值。通过计算待识别图像与不同的模板图像的相似度,取其最小的相似度所对应的模板图像,判断该模板图像属于哪一类模板,若属于含有坦克的模板,那么待测图片含有坦克,否则不含有坦克。
实施例
本发明提出的识别算法对不同的地面目标进行实验,采用的样本库中的图像分别为坦克、轿车、货车、挖掘机。共有50张,其中坦克14张包含了坦克的旋转和缩放的图片,货车12张包含了货车的旋转和缩放的图片,轿车12张包含了轿车的旋转和缩放的图片,挖掘机12张包含了挖掘机的旋转和缩放的图片,分辨率为480*320。取其中的7张坦克图片、5张货车图片、5张轿车图片、5张挖掘机图片作为测试的样本,其余作为训练样本。
如图3所示,对部分测试样本先进行采用中值滤波滤除图像中的噪声,然后采用改进的otsu算法进行图像分割提取目标,最后对提取的目标进行形态学处理,其中(a1)~(a8)为原图,(b1)~(b8)为中值滤波图,(c1)~(c8)为改进的otsu算法处理结果图,(d1)~(d8)为形态学处理结果图。
如图4所示,采用otsu算法对图像分割提取目标与采用改进的otsu算法进行图像分割提取目标,其中(a1)~(a4)为原图,(b1)~(b4)为中值滤波图,(c1)~(c4)为otsu算法处理结果图,(d1)~(d4)为otsu算法对应的形态学处理结果图,(e1)~(e4)为改进的otsu算法处理结果图,(f1)~(f4)为改进的otsu算法对应的形态学处理结果图。从图中可以看出改进的otsu算法进行图像分割能够很好提取出目标,提取的目标包含的噪声较少。
采用改进的胡氏不变矩提取目标特征值,如图5所示部分样本中的目标采用改进的胡氏不变矩获取的特征值。
由图中可以看出,不同的地面目标采用改进的胡氏不变矩获取的特征值相差较大,相同类型的目标的特征值相差不大。
用公式(18)计算测试的样本与训练的样本的相似度。
取其最小的相似度所对应的模板图像,判断该模板图像属于哪一类模板图像,若属于含有坦克的模板图像,那么测试样本含有坦克,否则不含有坦克。
为了体现本发明的优越性,对样本中提取的目标分别采用采用胡氏不变矩、改进的胡氏不变矩进行识别,对着两种算法的识别率、识别时间进行统计如表1所示。
表1两种不同算法的识别效果
由表1可知,由本发明提出的改进的胡氏不变矩,对地面上的坦克进行识别比采用胡氏不变矩取其特征进行识别高出22个百分点,识别时间上有所降低。结果表明,本文提出的改进的胡氏不变矩对坦克的识别识别率较高,识别速率较快。
以上实施例是对本发明的具体实施方式的说明,采用与本发明的实施方式相同的技术,均在本发明的保护范围之内。
Claims (7)
1.一种基于改进的胡氏不变矩的坦克识别系统,其特征在于,包括电源管理板、稳压电源、RGB模拟摄像头、ARM开发板和计算机,其中稳压电源接入电源管理板,电源管理板的输出端分别接入RGB模拟摄像头、ARM开发板,RGB模拟摄像头通过ARM开发板与计算机相连;
所述RGB模拟摄像头采集所需的图片,ARM开发板通过采集卡对RGB模拟摄像头拍摄的图片进行采集,并通过ARM开发板中的图像识别模块对图片中是否有坦克进行识别;稳压电源分别为RGB模拟摄像头、ARM开发板提供稳定电源;计算机是通过wifi与ARM开发板进行通信,从而控制ARM开发板驱动RGB模拟摄像头采集图片。
2.根据权利要求1所述的基于改进的胡氏不变矩的坦克识别系统,其特征在于,所述ARM开发板是采用型号为华北工控EM3500的ARM开发板。
3.一种基于改进的胡氏不变矩的坦克识别方法,其特征在于,包括以下步骤:
步骤1,对待识别图像进行中值滤波预处理,得到预处理后的图像;
步骤2,采用改进的最大类间方差法对预处理后的图像进行图像分割,提取所需的目标;
步骤3,对分割后的图像进行形态学处理;
步骤4,采用改进的胡氏不变矩提取目标的特征;
步骤5,确定待识别图形与数据库中图形特征之间的相似度,实现对坦克的识别。
4.根据权利要求3所述的基于改进的胡氏不变矩的坦克识别方法,其特征在于,步骤2所述采用改进的最大类间方差法对预处理后的图像进行图像分割,提取所需的目标,具体如下:
改进的最大类间方差法即改进的otsu算法是将当前图像像素用一个阈值t分为两个部分C0和C1,其中C0是由0~t灰度范围内的像素组成,C1是由(t+1)~L灰度范围内的像素组成,L是图像像素最大的灰度值,灰度值为i的像素值个数为ni,则总的像素个数为N,如公式(1)所示:
各灰度值出现的概率为pi,如公式(2)所示:
其中,pi≥0,
C0出现的概率和C1出现的概率分别如下:
C0、C1两类的灰度均值分别为
图像总的灰度平均值ω0为:
建立新的方差σ2如公式(6)所示:
式中:
其中,ΔA、ΔB、Δ0分别表示区域C0、区域C1与整幅图片的方差;
从0~L依次改变t值,取到σ2最大时t即为最佳阈值;然后对该图像进行二值化处理,即其中H为图像任意一点的像素值,进而提取出目标。
5.根据权利要求3所述的基于改进的胡氏不变矩的坦克识别方法,其特征在于,步骤3所述对分割后的图像进行形态学处理,包括对图像先进行膨胀然后进行腐蚀。
6.根据权利要求3所述的基于改进的胡氏不变矩的坦克识别方法,其特征在于,步骤4中所述改进的胡氏不变矩,具体如下:
先设一个M×N数字图像的灰度分布为f(x,y),那么它的(p+q)阶几何矩mpq定义如公式(13)所示:
式中:x,y是图像的坐标点;
中心矩μpq的定义如公式(14)所示:
式中:(x0,y0)是矩心,x0=m10/m00,y0=m01/m00,p,q=0,1,2,···,m10是图像的(1+0)阶几何矩,m00是图像的(0+0)阶几何矩,m01是图像的(0+1)阶几何矩;
用零阶中心矩μpq进行归一化,归一化中心矩ηpq为:
式中:μ00是零阶中心矩;
构造胡氏不变矩Φ1~Φ7为:
式中:Φ1~Φ7为胡氏不变矩的7个矩不变量;
那么改进的胡氏不变矩I1~I10公式为:
式中:I1~I10为改进的胡氏不变矩的10个矩不变量。
7.根据权利要求3所述的基于改进的胡氏不变矩的坦克识别方法,其特征在于:步骤5中所述待识别图形与数据库中图形特征之间的相似度为:
其中:X,Y分别为待检测的图像和模板中的图像,表示X这个图像第1个改变的胡氏不变矩特征值,表示Y这个图像第1个改变的胡氏不变矩特征值;通过计算待识别图像与不同的模板图像的相似度,取最小的相似度所对应的模板图像,判断该模板图像属于哪一类模板,若属于含有坦克的模板,那么待测图片含有坦克,否则不含有坦克。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610513194.4A CN106203457A (zh) | 2016-06-30 | 2016-06-30 | 一种基于改进的胡氏不变矩的坦克识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610513194.4A CN106203457A (zh) | 2016-06-30 | 2016-06-30 | 一种基于改进的胡氏不变矩的坦克识别系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106203457A true CN106203457A (zh) | 2016-12-07 |
Family
ID=57464291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610513194.4A Pending CN106203457A (zh) | 2016-06-30 | 2016-06-30 | 一种基于改进的胡氏不变矩的坦克识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203457A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615029A (zh) * | 2018-05-14 | 2018-10-02 | 浙江大学 | 一种自适应群智能优化sar雷达陆地坦克目标识别系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122348A (zh) * | 2011-02-26 | 2011-07-13 | 王枚 | 一种实用的模糊车牌图像复原方法 |
CN103996017A (zh) * | 2014-02-24 | 2014-08-20 | 航天恒星科技有限公司 | 一种基于Hu不变矩和支持向量机的舰船检测方法 |
CN104102900A (zh) * | 2014-06-30 | 2014-10-15 | 南京信息工程大学 | 一种车辆识别系统 |
-
2016
- 2016-06-30 CN CN201610513194.4A patent/CN106203457A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122348A (zh) * | 2011-02-26 | 2011-07-13 | 王枚 | 一种实用的模糊车牌图像复原方法 |
CN103996017A (zh) * | 2014-02-24 | 2014-08-20 | 航天恒星科技有限公司 | 一种基于Hu不变矩和支持向量机的舰船检测方法 |
CN104102900A (zh) * | 2014-06-30 | 2014-10-15 | 南京信息工程大学 | 一种车辆识别系统 |
Non-Patent Citations (4)
Title |
---|
F.J. WAND等: "An improved adaptive genetic algorithm for image segmentation and vision alignment used in microelectronic bonding", 《IEEE/ASME TRANSACTIONS ON MECHATRONICS》 * |
Q. TIAN等: "A new method for vehicle detections using mexicanhat wavelet and moment invariants", 《SIPS 2013 PROCEEDINGS》 * |
刘阁: "《图像测量活学活用 原理、算法模型及DSP实现》", 30 April 2015, 北京:清华大学出版社 * |
曾峦: "《侦查图像获取与融合技术》", 31 May 2015, 北京:国防工业出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615029A (zh) * | 2018-05-14 | 2018-10-02 | 浙江大学 | 一种自适应群智能优化sar雷达陆地坦克目标识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Multi-oriented text detection with fully convolutional networks | |
CN110543837B (zh) | 一种基于潜在目标点的可见光机场飞机检测方法 | |
Afzal et al. | Cutting the error by half: Investigation of very deep cnn and advanced training strategies for document image classification | |
Zou et al. | Ship detection in spaceborne optical image with SVD networks | |
Tao et al. | Principal component 2-D long short-term memory for font recognition on single Chinese characters | |
Han et al. | Livestock detection in aerial images using a fully convolutional network | |
CN107808161B (zh) | 一种基于光视觉的水下目标识别方法 | |
CN108416318A (zh) | 基于数据增强的合成孔径雷达图像目标深度模型识别方法 | |
CN106204651B (zh) | 一种基于改进的判决与生成联合模型的目标跟踪方法 | |
CN107480585B (zh) | 基于dpm算法的目标检测方法 | |
JP2021518944A (ja) | ナンバープレート認識方法、および、そのシステム | |
Woźniak et al. | Graphic object feature extraction system based on cuckoo search algorithm | |
CN111401145B (zh) | 一种基于深度学习与ds证据理论的可见光虹膜识别方法 | |
CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
CN109886086B (zh) | 基于hog特征和线性svm级联分类器的行人检测方法 | |
CN111539916B (zh) | 一种对抗鲁棒的图像显著性检测方法及系统 | |
Lin et al. | Live Face Verification with Multiple Instantialized Local Homographic Parameterization. | |
CN111079571A (zh) | 证卡信息识别及其边缘检测模型训练方法、装置 | |
Ren et al. | Ship recognition based on Hu invariant moments and convolutional neural network for video surveillance | |
CN105335760A (zh) | 一种图像数字字符识别方法 | |
Shu et al. | Center-point-guided proposal generation for detection of small and dense buildings in aerial imagery | |
Li et al. | Airplane detection using convolutional neural networks in a coarse-to-fine manner | |
Xue et al. | Rethinking automatic ship wake detection: state-of-the-art CNN-based wake detection via optical images | |
Raj et al. | Grantha script recognition from ancient palm leaves using histogram of orientation shape context | |
CN109241981A (zh) | 一种基于稀疏编码的特征检测方法 |
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: 20161207 |
|
RJ01 | Rejection of invention patent application after publication |