CN106503694A - 基于八邻域特征的数字识别方法 - Google Patents
基于八邻域特征的数字识别方法 Download PDFInfo
- Publication number
- CN106503694A CN106503694A CN201611090923.6A CN201611090923A CN106503694A CN 106503694 A CN106503694 A CN 106503694A CN 201611090923 A CN201611090923 A CN 201611090923A CN 106503694 A CN106503694 A CN 106503694A
- Authority
- CN
- China
- Prior art keywords
- point
- neighborhood
- degree
- character
- 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.)
- Granted
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
- G06V30/32—Digital ink
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V30/32—Digital ink
- G06V30/333—Preprocessing; Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种基于八邻域特征的数字识别方法,包括步骤:1)获取手写体数字的原图;2)对原图进行预处理;3)对预处理后的图像进行分割,以获得单个字符;4)获取单个字符在八邻域方向上的激活频次和激活率;5)特征向量的提取;6)特征向量的优化;7)相似性度量。本发明基于八邻域特征提取,只提取了图像数量的有用信息,减少了输入模型数据的数量,从而提高了算法的执行速率;字符距离特征用相对距离表示,从而消除了字符大小对识别结果的影响,达到了优化特征值的目的,提高了特征值对字符的表征程度;字符识别算法采用的是欧几里得度量,算法简单且结果明显;本发明能实现对手写体数字的高效和高准确率识别。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及一种手写体数字的识别方法。
背景技术
人类的进步推动科学技术的发展,技术的进度又不断给人类提出新的挑战。随着网络技术的诞生,人们的生活变得越来越便利,也让人们越来越依赖网络。近几年掀起的电子商务狂潮,以及人们在网络上的通讯和娱乐使人们在网络上的交互变得越来越频繁,从而使人们的信息和隐私的安全受到威胁,网络安全日渐成为时下关注的热点问题。验证码的出现正是为了解决网络安全问题。
在过去的几十年,随着数字化、信息化在社会生活方方面面的推广及普及,手写体的识别成为模式识别的研究热点。数字手写体多用于邮政编码、统计报表、财务报表、银行票据等方面,人们的关注焦点也越来越集中到手写体数字的识别上。但是很多方法只是停留在理论研究之中,实际生活中手写体数字因个人书写风格的不同而存在字符变形多样的问题,造成现有算法在手写体识别中识别率低、稳定性差、鲁棒性不足等多方面的问题。研究高性能的手写体数字识别算法仍然是一个具有相当挑战性的课题。
卷积神经网络(CNN)在数字识别中已得到广泛应用,它的优点是用完整图像作为模型的输入,避免了特征提取的过程。在一定程度上降低了网络模型的复杂度,减少了权值的数量。但是,卷积神经网络算法用图像作为模型输入,这在算法的运行时间上就不够理想,并且识别的字符受到训练集的影响,所以卷积神经算法在一定程度上对数字识别的效果还不够理想,所以有必要研究减少输入模型的数据量并且运行效率高的算法。
发明内容
有鉴于此,本发明的目的是提供一种基于八邻域特征的数字识别方法,以实现对手写体数字的高效和准确识别。
本发明基于八邻域特征的数字识别方法,包括以下步骤:
1)获取手写体数字的原图;
2)对原图进行预处理
第一步,将彩色原图进行灰度化;
第二步,将灰度化后的图像再进行二值化;
第三步,对二值图像进行去噪声处理,得到预处理后的图像;
3)对预处理后的图像进行分割,以获得单个字符;
4)获取单个字符在八邻域方向上的激活频次和激活率;
所述八邻域方向:即某一像素点周围八个相邻的像素点构成了它的八邻域,八邻域与该像素点的相对位置构成了该像素的八邻域方向;某一像素点的八邻域方向包括:0度、45度、90度、135度、180度、225度、270度、315度;
激活点:在二值图像中,如果一个像素的值为1,而且其八邻域中有一个值为0的像素点,则称该点为激活点,表示该点包含了八邻域特征;
所述激活频次:激活点的某一邻域上的值为0,表明该点在这一邻域方向被激活一次;某一邻域方向的激活频次即为所有激活点在此邻域方向被激活的总次数,0度方向、45度方向、90度方向、135度方向、180度方向、225度方向、270度方向、315度方向的激活频次依次记为f1,f2,f3,f4,f5,f6,f7,f8;
激活频率:某一邻域方向的激活频率即为此邻域的激活频次在激活总频次的占比,记为:
其中,i为第i个方向,i={1,2,3,…8}。
5)将二值图像分为五个象限,计算每一个象限激活点占比I=[i(1),i(2),i(3),i(4),i(5)];第一到第四象限激活点重心角度A=[a(1),a(2),a(3),a(4),a(5)];激活点重心到中心点的距离D=[d(1),d(2),d(3),d(4),d(5)];从而得到分割出的字符特征向量W=(P,I,A,D);
6)特征向量的提取
第一步,通过公式
提取每个象限的重心点坐标,n为第i个象限重心点的激活点个数,xi为激活点的横坐标,yi为激活点的纵坐标;Xj为第j个象限重心点横坐标,Yj第j个象限重心点纵坐标
第二步,根据公式
计算激活点重心角度,P(i,1)为第i个象限的重心点纵坐标,centerpx为图像中心点纵坐标;
第三步,根据公式
计算第i个象限重心点到图片中心点的距离;图像中心的横坐标为X=w/2,纵坐标为Y=h/2;h、w分别为图像的高和宽;
7)特征向量的优化
第一步,细化操作
a)对数字图形进行预腐蚀,将所有腐蚀可去除的像素点标明,但不立即去除;
b)以第一步标注的可去除像素点为基础,选择消除那些消除后不会破坏字符连通性的点,并保留其他点,以确保字符图像的拓扑结构;
第一步,调整特征值
a)激活率I=[i(1),i(2),i(3),i(4),i(5)]以百分制表示,增加激活率的量级;
b)调整距离特征值D=[d(1),d(2),d(3),d(4),d(5)],通过公式
计算激活点重心到二值图像中心点的距离,xi为第i个象限的重心点的横坐标,yi为第i个象限的重心点的纵坐标,X为图像中心点的横坐标,同时也为图像宽的1/2,Y为图像中心点的纵坐标,同时也为图像高的1/2;
8)相似性度量
第一步,选取0,1,2,3,4,5,6,7,8,9这九个书写标准的手写体数字,用前述步骤4)至6)所述的方法分别提取各数字的特征向量W=(P,I,A,D),并将这10个数字的特征向量存为数字的标准特征,作为待识别字符特征向量比较的标准;
第二步,采用欧几里得度量计算标准数字特征与待识别字符特征的相似性,通过比较相似性的大小判断待识别字符。
进一步,在步骤2)对原图进行预处理的第二步中,通过Matlab中自带函数lev=graythresh(j)获得阈值,再用函数im2bw(j,lev)得到二值化结果。
进一步,在步骤2)对原图进行预处理的第三步中,选用3×3的滑动窗口对二值化图像进行中值滤波。
进一步,在步骤3)对预处理后的图像进行分割中,将单行数字图像作为输入,利用垂直投影法获得单个字符图像。
本发明的有益效果:
本发明基于八邻域特征的数字识别方法,其基于八邻域特征提取,减少了图片的数量,只提取了图像数量的有用信息,减少了输入模型数据的数量,从而提高了算法的执行速率;本发明解决字符的相对位置问题是通过算法抠出字符本身大小的字符图像,然后进行特征提取,距离特征用相对距离表示,这样距离特征对字符本身的表征程度较小,从而消除了字符大小对识别结果的影响,达到了优化特征值的目的,提高了特征值对字符的表征程度;本发明中字符识别算法采用的是欧几里得度量,算法简单且结果明显;本发明能实现对手写体数字的高效和高准确率识别。
附图说明
图1为本发明基于八邻域特征的数字识别方法的流程图;
图2为激活点的八邻域图;
图3为八邻域统计图;
图4为象限分割与激活点分布示意图;
图5为特征向量提取算法流程图;
图6为字符分割算法流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步描述。
本实施例基于八邻域特征的数字识别方法,包括以下步骤:
1)获取手写体数字的原图,例如获取手写体数字验证码原图;
2)对数字验证码原图进行预处理
第一步,将彩色原图进行灰度化,具体为采用Matlab中自带算法rgb2gray函数实现彩色图像灰度化;
第二步,将灰度化后的图像再进行二值化,具体的为通过Matlab中自带函数lev=graythresh(j)获得阈值,再用函数im2bw(j,lev)得到二值化结果;
第三步,对二值图像进行去噪声处理,得到预处理后的图像;具体的为选用3×3的滑动窗口对二值化图像进行中值滤波,首先运用3×3的滑动窗口模板对二值图像进行检测并消除孤立噪声点,再运用Matlab中bwmorph()函数对二值化图像进一步消除噪声点;
3)对预处理后的图像进行分割,以获得单个字符,具体的为将单行数字图像作为输入,利用垂直投影法获得单个字符图像;
给定一行字符后,由于字符间独立成块,水平方向之间并无交集,因而,可在对单行图像进行垂直投影后利用投影图像中的空白间隙对字符集合进行分割;垂直投影法的计算公式为:
和
其中:h是图像的高度,w是图像的宽度,k(i,j)为图像第i行第j列元素的灰度值,对于二值图像,其值为1或0;
4)获取单个字符在八邻域方向上的激活频次和激活率;
所述八邻域方向:即某一像素点周围八个相邻的像素点构成了它的八邻域,八邻域与该像素点的相对位置构成了该像素的八邻域方向;某一像素点的八邻域方向包括:0度、45度、90度、135度、180度、225度、270度、315度;
激活点:在二值图像中,如果一个像素的值为1,而且其八邻域中有一个值为0的像素点,则称该点为激活点,表示该点包含了八邻域特征;
所述激活频次:激活点的某一邻域上的值为0,表明该点在这一邻域方向被激活一次;某一邻域方向的激活频次即为所有激活点在此邻域方向被激活的总次数,0度方向、45度方向、90度方向、135度方向、180度方向、225度方向、270度方向、315度方向的激活频次依次记为f1,f2,f3,f4,f5,f6,f7,f8;
激活频率:某一邻域方向的激活频率即为此邻域的激活频次在激活总频次的占比,记为
其中,i为第i个方向,i={1,2,3,…8}。
5)将二值图像分为五个象限,计算每一个象限激活点占比I=[i(1),i(2),i(3),i(4),i(5)];第一到第四象限激活点重心角度A=[a(1),a(2),a(3),a(4),a(5)];激活点重心到中心点的距离D=[d(1),d(2),d(3),d(4),d(5)];从而得到分割出的字符特征向量W=(P,I,A,D);
6)特征向量的提取
第一步,通过公式
提取每个象限的重心点坐标,n为当前象限的激活点数,xi为激活点的横坐标,yi为激活点的纵坐标;图像中心的横坐标为X=h/2,纵坐标为Y=w/2;h,w分别为图像的高和宽;
第二步,根据公式
计算激活点重心角度,P(i,1)为第i个象限的重心点纵坐标,centerpx为图像中心点纵坐标;
第三步,根据公式
计算第i个象限重心点到图片中心点的距离;
7)特征向量的优化
第一步,细化操作
a)对数字图形进行预腐蚀,将所有腐蚀可去除的像素点标明但不立即去除;
b)以第一步标注的可去除像素点为基础,选择消除那些消除后不会破坏字符连通性的点,并保留其他点,以确保字符图像的拓扑结构;
第一步,调整特征值
a)激活率I=[i(1),i(2),i(3),i(4),i(5)]以百分制表示,增加激活率的量级;b)调整距离特征值D=[d(1),d(2),d(3),d(4),d(5)],通过公式
计算激活点重心到二值图像中心点的距离,xi为第i个象限的重心点的横坐标,yi为第i个象限的重心点的纵坐标,X为图像中心点的横坐标,同时也为图像宽的1/2,Y为图像中心点的纵坐标,同时也为图像高的1/2;
8)相似性度量
第一步,选取0,1,2,3,4,5,6,7,8,9这九个书写标准的手写体数字,用前述步骤4)至6)所述的方法分别提取各数字的特征向量W=(P,I,A,D),并将这10个数字的特征向量存为数字的标准特征,作为待识别字符特征向量比较的标准;
第二步,采用欧几里得度量计算标准数字特征与待识别字符特征的相似性,通过比较相似性的大小判断待识别字符;
欧几里得度量的公式为:n为向量的维数,W提取的特征向量,S为标准数字的特征向量。
本实施例数字识别方法,其基于八邻域特征提取,减少了图片的数量,只提取了图像数量的有用信息,减少了输入模型数据的数量,从而提高了算法的执行速率;本发明解决字符的相对位置问题是通过算法抠出字符本身大小的字符图像,然后进行特征提取,距离特征用相对距离表示,这样距离特征对字符本身的表征程度较小,从而消除了字符大小对识别结果的影响,达到了优化特征值的目的,提高了特征值对字符的表征程度;本发明中字符识别算法采用的是欧几里得度量,算法简单且结果明显;本发明能实现对手写体数字的高效和高准确率识别。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.基于八邻域特征的数字识别方法,其特征在于:包括以下步骤:
1)获取手写体数字的原图;
2)对原图进行预处理
第一步,将彩色原图进行灰度化;
第二步,将灰度化后的图像再进行二值化;
第三步,对二值图像进行去噪声处理,得到预处理后的图像;
3)对预处理后的图像进行分割,以获得单个字符;
4)获取单个字符在八邻域方向上的激活频次和激活率;
所述八邻域方向:即某一像素点周围八个相邻的像素点构成了它的八邻域,八邻域与该像素点的相对位置构成了该像素的八邻域方向;某一像素点的八邻域方向包括:0度、45度、90度、135度、180度、225度、270度、315度;
激活点:在二值图像中,如果一个像素的值为1,而且其八邻域中有一个值为0的像素点,则称该点为激活点,表示该点包含了八邻域特征;
所述激活频次:激活点的某一邻域上的值为0,表明该点在这一邻域方向被激活一次;某一邻域方向的激活频次即为所有激活点在此邻域方向被激活的总次数,0度方向、45度方向、90度方向、135度方向、180度方向、225度方向、270度方向、315度方向的激活频次依次记为f1,f2,f3,f4,f5,f6,f7,f8;
激活频率:某一邻域方向的激活频率即为此邻域的激活频次在激活总频次的占比,记为:
其中,i为第i个方向,i={1,2,3,…8}。
5)将二值图像分为五个象限,计算每一个象限激活点占比I=[i(1),i(2),i(3),i(4),i(5)];第一到第四象限激活点重心角度A=[a(1),a(2),a(3),a(4),a(5)];激活点重心到中心点的距离D=[d(1),d(2),d(3),d(4),d(5)];从而得到分割出的字符特征向量W=(P,I,A,D);
6)特征向量的提取
第一步,通过公式
提取每个象限的重心点坐标,n为第i个象限重心点的激活点个数,xi为激活点的横坐标,yi为激活点的纵坐标;Xj为第j个象限重心点横坐标,Yj第j个象限重心点纵坐标
第二步,根据公式
计算激活点重心角度,P(i,1)为第i个象限的重心点纵坐标,centerpx为图像中心点纵坐标;
第三步,根据公式
计算第i个象限重心点到图片中心点的距离;图像中心的横坐标为X=w/2,纵坐标为Y=h/2;h、w分别为图像的高和宽;
7)特征向量的优化
第一步,细化操作
a)对数字图形进行预腐蚀,将所有腐蚀可去除的像素点标明,但不立即去除;
b)以第一步标注的可去除像素点为基础,选择消除那些消除后不会破坏字符连通性的点,并保留其他点,以确保字符图像的拓扑结构;
第一步,调整特征值
a)激活率I=[i(1),i(2),i(3),i(4),i(5)]以百分制表示,增加激活率的量级;
b)调整距离特征值D=[d(1),d(2),d(3),d(4),d(5)],通过公式
计算激活点重心到二值图像中心点的距离,xi为第i个象限的重心点的横坐标,yi为第i个象限的重心点的纵坐标,X为图像中心点的横坐标,同时也为图像宽的1/2,Y为图像中心点的纵坐标,同时也为图像高的1/2;
8)相似性度量
第一步,选取0,1,2,3,4,5,6,7,8,9这九个书写标准的手写体数字,用前述步骤4)至6)所述的方法分别提取各数字的特征向量W=(P,I,A,D),并将这10个数字的特征向量存为数字的标准特征,作为待识别字符特征向量比较的标准;
第二步,采用欧几里得度量计算标准数字特征与待识别字符特征的相似性,通过比较相似性的大小判断待识别字符。
2.根据权利要求1所述的基于八邻域特征的数字识别方法,其特征在于:在步骤2)对原图进行预处理的第一步中,采用Matlab中自带算法rgb2gray函数实现彩色图像灰度化。
3.根据权利要求1所述的基于八邻域特征的数字识别方法,其特征在于:在步骤2)对原图进行预处理的第二步中,通过Matlab中自带函数lev=graythresh(j)获得阈值,再用函数im2bw(j,lev)得到二值化结果。
4.根据权利要求1所述的基于八邻域特征的数字识别方法,其特征在于:在步骤2)对原图进行预处理的第三步中,选用3×3的滑动窗口对二值化图像进行中值滤波。
5.根据权利要求1所述的基于八邻域特征的数字识别方法,其特征在于:在步骤3)对预处理后的图像进行分割中,将单行数字图像作为输入,利用垂直投影法获得单个字符图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611090923.6A CN106503694B (zh) | 2016-12-01 | 2016-12-01 | 基于八邻域特征的数字识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611090923.6A CN106503694B (zh) | 2016-12-01 | 2016-12-01 | 基于八邻域特征的数字识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106503694A true CN106503694A (zh) | 2017-03-15 |
CN106503694B CN106503694B (zh) | 2018-01-30 |
Family
ID=58329442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611090923.6A Expired - Fee Related CN106503694B (zh) | 2016-12-01 | 2016-12-01 | 基于八邻域特征的数字识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106503694B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292255A (zh) * | 2017-06-13 | 2017-10-24 | 浙江大学 | 基于特征矩阵相似度分析的手写数字识别方法 |
CN109101969A (zh) * | 2018-08-23 | 2018-12-28 | 深圳市深晓科技有限公司 | 一种基于字符识别的图像处理方法及装置 |
CN109472249A (zh) * | 2018-11-22 | 2019-03-15 | 京东方科技集团股份有限公司 | 一种确定书写体优劣等级的方法及装置 |
CN109727363A (zh) * | 2018-11-16 | 2019-05-07 | 恒银金融科技股份有限公司 | 一种在票据中识别大写金额的方法 |
CN110232358A (zh) * | 2019-06-17 | 2019-09-13 | 重庆大学 | 一种基于图像数字识别的菜品识别方法 |
CN111340033A (zh) * | 2020-03-17 | 2020-06-26 | 北京工业大学 | 一种易混字符二次识别方法 |
CN111611988A (zh) * | 2020-05-22 | 2020-09-01 | 上海携程商务有限公司 | 图片验证码识别方法及装置、电子设备和计算机可读介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886309A (zh) * | 2014-02-27 | 2014-06-25 | 华中科技大学 | 人像识别鉴别美元面额的方法 |
CN105389883A (zh) * | 2015-11-04 | 2016-03-09 | 东方通信股份有限公司 | 一种验钞机的纸币冠字号识别方法 |
-
2016
- 2016-12-01 CN CN201611090923.6A patent/CN106503694B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886309A (zh) * | 2014-02-27 | 2014-06-25 | 华中科技大学 | 人像识别鉴别美元面额的方法 |
CN105389883A (zh) * | 2015-11-04 | 2016-03-09 | 东方通信股份有限公司 | 一种验钞机的纸币冠字号识别方法 |
Non-Patent Citations (3)
Title |
---|
MASANORI GOTO等: "Analyzing the Distribution of a Large-scale Character Pattern Set Using Relative Neighborhood Graph", 《2013 12TH INTERNATIONAL CONFERENCE ON DOCUMENT ANALYSIS AND RECOGNITION》 * |
张猛等: "手写体数字识别中图像预处理的研究", 《微计算机信息(测控自动化)》 * |
张盼盼等: "模板匹配法与八邻域分析法在数字识别细化预处理中的应用及比较", 《软件导刊》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292255A (zh) * | 2017-06-13 | 2017-10-24 | 浙江大学 | 基于特征矩阵相似度分析的手写数字识别方法 |
CN107292255B (zh) * | 2017-06-13 | 2020-07-28 | 浙江大学 | 基于特征矩阵相似度分析的手写数字识别方法 |
CN109101969A (zh) * | 2018-08-23 | 2018-12-28 | 深圳市深晓科技有限公司 | 一种基于字符识别的图像处理方法及装置 |
CN109727363A (zh) * | 2018-11-16 | 2019-05-07 | 恒银金融科技股份有限公司 | 一种在票据中识别大写金额的方法 |
CN109727363B (zh) * | 2018-11-16 | 2022-03-29 | 恒银金融科技股份有限公司 | 一种在票据中识别大写金额的方法 |
CN109472249A (zh) * | 2018-11-22 | 2019-03-15 | 京东方科技集团股份有限公司 | 一种确定书写体优劣等级的方法及装置 |
US10902283B2 (en) | 2018-11-22 | 2021-01-26 | Boe Technology Group Co., Ltd. | Method and device for determining handwriting similarity |
CN110232358A (zh) * | 2019-06-17 | 2019-09-13 | 重庆大学 | 一种基于图像数字识别的菜品识别方法 |
CN110232358B (zh) * | 2019-06-17 | 2023-02-10 | 重庆大学 | 一种基于图像数字识别的菜品识别方法 |
CN111340033A (zh) * | 2020-03-17 | 2020-06-26 | 北京工业大学 | 一种易混字符二次识别方法 |
CN111340033B (zh) * | 2020-03-17 | 2023-05-02 | 北京工业大学 | 一种易混字符二次识别方法 |
CN111611988A (zh) * | 2020-05-22 | 2020-09-01 | 上海携程商务有限公司 | 图片验证码识别方法及装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106503694B (zh) | 2018-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106503694B (zh) | 基于八邻域特征的数字识别方法 | |
CN105095856B (zh) | 基于掩模的有遮挡人脸识别方法 | |
Nguyen et al. | Global features for the off-line signature verification problem | |
CN107103317A (zh) | 基于图像融合和盲反卷积的模糊车牌图像识别算法 | |
WO2022121039A1 (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
Zhao et al. | Two-stage segmentation of unconstrained handwritten Chinese characters | |
CN105550658A (zh) | 一种基于高维lbp与卷积神经网络特征融合的人脸比对方法 | |
CN104504383B (zh) | 一种基于肤色和Adaboost算法的人脸检测方法 | |
CN103413119A (zh) | 基于人脸稀疏描述子的单样本人脸识别方法 | |
CN104809481A (zh) | 一种基于自适应色彩聚类的自然场景文本检测的方法 | |
CN103605972A (zh) | 一种基于分块深度神经网络的非限制环境人脸验证方法 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
CN105469047A (zh) | 基于无监督学习深度学习网络的中文检测方法及系统 | |
CN103279752B (zh) | 一种基于改进Adaboost算法和人脸几何特征的眼睛定位方法 | |
CN110070090A (zh) | 一种基于手写文字识别的物流标签信息检测方法及系统 | |
CN103020614B (zh) | 基于时空兴趣点检测的人体运动识别方法 | |
CN106570475B (zh) | 一种紫砂壶印章检索方法 | |
CN105117707A (zh) | 一种基于区域图像的人脸表情识别方法 | |
CN109344856B (zh) | 一种基于多层判别式特征学习的脱机签名鉴别方法 | |
CN106529547B (zh) | 一种基于完备局部特征的纹理识别方法 | |
CN105426890A (zh) | 一种字符扭曲粘连的图形验证码识别方法 | |
CN108664975A (zh) | 一种维吾尔文手写字母识别方法、系统及电子设备 | |
CN107122775A (zh) | 一种基于特征匹配的安卓手机身份证字符识别方法 | |
CN103927555B (zh) | 基于Kinect传感器的静态手语字母识别系统及方法 | |
CN108564040A (zh) | 一种基于深度卷积特征的指纹活性检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180130 Termination date: 20191201 |
|
CF01 | Termination of patent right due to non-payment of annual fee |