CN107180422A - 一种基于词袋特征的标贴破损检测方法 - Google Patents

一种基于词袋特征的标贴破损检测方法 Download PDF

Info

Publication number
CN107180422A
CN107180422A CN201710215108.6A CN201710215108A CN107180422A CN 107180422 A CN107180422 A CN 107180422A CN 201710215108 A CN201710215108 A CN 201710215108A CN 107180422 A CN107180422 A CN 107180422A
Authority
CN
China
Prior art keywords
mtd
bag
mtr
mapping
msub
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
CN201710215108.6A
Other languages
English (en)
Inventor
袁宵
董蓉
梁振华
李勃
查俊
黄璜
陈和国
周子卿
史春阳
史德飞
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.)
Nanjing Huichuan Image Visual Technology Co Ltd
Original Assignee
Nanjing Huichuan Image Visual Technology Co Ltd
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 Nanjing Huichuan Image Visual Technology Co Ltd filed Critical Nanjing Huichuan Image Visual Technology Co Ltd
Priority to CN201710215108.6A priority Critical patent/CN107180422A/zh
Publication of CN107180422A publication Critical patent/CN107180422A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种基于词袋特征的标贴破损检测方法,利用特征点中提取的词袋特征进行标贴破损检测，首先利用FAST角点检测方法提取特征点，根据特征点进行模板图和待测图的图像配准；然后，将配准后的图像进行差分，对差分图像进行形态学操作，初步确定破损区域；最后，计算从模板图与待测图相应区域的特征点中提取的词袋特征的欧氏距离，判定破损区域。本发明一方面利用从图像中提取的特征点计算其词袋特征，准确地实现破损区域地判断，另一方面以无破损模板图为对照，实现了对待测图在破损、撕裂、印刷错漏等各种质量问题地检测。本发明既能保证对标贴破损全方面的检测又具有较高的正确率。

Description

一种基于词袋特征的标贴破损检测方法
技术领域
本发明涉及计算机图像处理技术与工业自动化领域，具体为一种基于词袋特征的标贴破损检测方法。
背景技术
随着工业化技术的发展，人们对于产品的质量要求越来越高，然而传统罐装行业中的标贴破损检测依然以人工肉眼检测为主，这种检测方法存在着：人眼长时间观察易疲劳导致漏检、效率低下、人工成本高等问题，越来越难以跟上大规模工业生产的脚步。基于计算机图像处理技术研发的标贴破损在线自动检测系统可以很好地解决这个问题。
基于形态学的标贴破损检测，一般使用背面打光方式拍摄图像，可以较容易的检测标贴撕裂、缺失等异常，但是损失了印刷信息，无法同时检测印刷内容是否正确；基于特征点匹配的标贴检测方法只能检测标贴整体的错漏，无法分辨局部的印刷错漏、局部破损等小范围异常；其他物体瑕疵检测的方法，例如图像滤波:Gabor滤波、小波变换，统计特征：局部二值模式(Local Binary Pattern，LBP)特征、灰度共生矩阵特征、规则带(RegularBand，RB)特征等，适用于背景单一或者背景是规律性纹理的物体，对于标贴这种背景复杂且无明显规律的目标不太适用，且易受光照、形变等变化干扰。为了满足工业生产对于标贴质量的需求，算法必须能够同时检测局部破损、撕裂、印刷内容错漏，而现有算法鲜有能够满足要求。
发明内容
本发明要解决的问题：现有罐装行业中标贴破损多依赖人眼检测，准确率与效率低下；现有标贴检测方法能够检测的异常类型单一，无法满足产业对于标贴质量检测的要求；现有物体瑕疵检测方法，对于复杂背景图案的标贴难以兼容。总之，现有检测方法难以全面地满足工业生产上的质量检测要求。
本发明的技术方案为：一种基于词袋特征的标贴破损检测方法，利用从模板图和待测图中提取的特征点进行图像匹配，并利用这些特征点进行局部词袋特征的提取，用于最终缺陷区域的确定，具体为：首先，利用FAST角点检测方法提取模板图和待测图中的特征点，进行特征点匹配，同时计算出描述模板图和待测图之间仿射变换关系的单应性矩阵；然后，将待测图通过单应性矩阵变换后与模板图进行差分，对差分后的图像进行区域性的灰度平均值计算，根据灰度平均值大小确定初步的破损可疑区域；最后，通过之前所提取到的模板图与待测图破损可疑区域的特征点，提取破损可疑区域的词袋特征，通过模板图和待测图中词袋特征的欧氏距离来判定破损可疑区域是否是破损区域。
本发明具体步骤如下：
1)利用FAST角点检测方法提取无破损模板图和待测图中的特征点，并用BRIEF算法进行二进制描述；
2)使用快速最近邻搜索算法对提取到的特征点进行匹配，采用RANSAC算法剔除噪声干扰导致的误匹配点，并计算出描述模板图和待测图之间仿射变换关系的单应性矩阵；
3)将待测图经过单应矩阵变换后与无破损模板图进行差分，通过对差分图各区域的灰度平均值大小判断初步确定破损可疑区域；
4)从之前提取的特征点中计算破损可疑区域的词袋特征，计算模板图和待测图中相应区域词袋特征的欧氏距离d，若d大于设定地阈值Td，则此区域为标贴破损区域。
其中，模板图与待测图之间的仿射变换矩阵满足关系：
其中，点(x,y)为模板图M(x,y)中的点，点(x′,y′)为待测图P(x,y)中与模板图中(x,y)匹配的点。
通过差分图确定初步地破损可疑区域地方法为：
设模板图为M(x,y)，待测图为P(x,y)，仿射变换矩阵H，有：
P＝H*M (2)
待测图P(x,y)变换后图为P′(x,y)，则：
P′＝H-1*P (3)
差分图D(x,y)，则：
D(x,y)＝M(x,y)-P′(x,y) (4)
将差分图D(x,y)划分为若干个w*w大小的图像块，对每一个图像块计算灰度平均值，将灰度平均值大于设定阈值t的区域标记成破损可疑区域。
词袋特征提取的方法为：针对一个大小为w*w的图像区域，将提取得到的所述图像区域中的特征点和描述子使用K-means聚类算法聚成k类，形成k个视觉单词，所有的视觉单词进行组合即为视觉词典，视觉单词的个数即为视觉词典的大小，该图像区域由此表示为基于视觉单词的统计直方图，统计直方图每一簇的高度即为聚类中心的大小，所述统计直方图即为该图像区域的词袋特征。
本发明提出一种基于词袋特征的的标贴破损检测方法，能够满足工业质量检测对于破损、印刷错漏等全方面需求。其创新点在于：1)首次将图像词袋特征用于破损检测，不同于一般词袋模型需要提前收集图片样本进行训练，本发明只需将待测图与无破损模板进行比对，即可确定破损区域，提高了灵活性和适应性；2)本发明只提取一次特征点，将其与对应描述子在图像配准和计算词袋特征时进行复用，节省了计算成本，提高了运行效率。
附图说明
图1为本发明方法的流程框图。
图2为本发明方法中的词袋直方图特征示意图。
图3为本发明实施例模板图及待检测标贴图。
图4为本发明实施例差分图。
图5为本发明实施例由差分图计算得到的可疑破损区域。
图6为本发明实施例检测结果图。
具体实施方式
本发明提出一种基于词袋特征的标贴破损检测方法。利用FAST(Features fromAccelerated Segment Test)角点检测方法提取特征点，BRIEF(Binary RobustIndependent Elementary Features)算法计算描述子，根据特征点进行模板图和待测图的图像配准，将配准后的图像进行差分，对差分图像进行形态学操作，初步确定破损区域，然后利用从特征点中提取的词袋特征，对待确定的破损区域进行最终判断。本发明提出了一种全新的标贴破损检测方法，精确、自动化地实现全面的标贴破损检测。本发明方法主要包括基于特征点提取的图像配准、基于图像差分的可疑破损区域提取和基于词袋特征的破损检测三个部分。
如图1所示，本发明首先提取模板图和待测图中的特征点，并用BRIEF算法进行二进制描述；然后使用快速最近邻搜索算法进行特征点匹配，并使用RANSAC算法RandomSample Consensus，随机样本一致性)剔除误匹配点，计算出描述模板图和待测图之间仿射变换关系的单应性矩阵；其次，将待测图通过单应性矩阵变换后与模板图进行差分，对差分后的图像进行简单的图像处理操作，初步确定破损可疑区域；最后，通过之前所提取到的特征点，提取破损可疑区域的词袋特征，通过模板图和待测图中词袋特征的欧氏距离来判定是否是破损区域，具体实施方式如下：
1、基于特征点提取的图像配准
利用FAST角点检测方法提取无破损模板图(如图3中(a)所示)和待测图(如图3中(b)所示)中的特征点，并用BRIEF算法进行二进制描述，得到32位二进制描述符；使用快速最近邻搜索算法对提取到的特征点进行匹配，得到的匹配点对由于噪声干扰存在大量误匹配点，采用RANSAC算法剔除误匹配点，并计算出描述模板图和待测图之间仿射变换关系的单应性矩阵。模板图M(x,y)和待测图P(x,y)满足下式：
其中，点(x,y)为模板图中的点，点(x′,y′)为待测图中的点，点(x,y)和点(x′,y′)为匹配点，所求出的仿射变换矩阵
2、基于图像差分的可疑破损区域提取
由于要检测的破损、撕裂、印刷错漏等异常情况是不可预知的，故本发明采用的方法是以一张满足生产质量需求的标贴作为模板，将待检测图像与模板进行比对，与模板差异超出设定的判为异常。所以将待测图利用计算得到的与模板图的映射关系变换到与模板图一致后进行差分，得到的差分图如图4所示，对差分图像进行分区域处理，从而初步确定异常区域。差分图像D(x,y)的计算方法为：
D(x,y)＝M(x,y)-H-1*P(x,y) (4)
其中，H-1为单应性矩阵H的逆矩阵，H满足：
P＝H*M (2)
上式中，M(x,y)表示模板图，P(x,y)表示待测图。
将差分图D(x,y)划分为若干个w*w大小的图像块，对每一个图像块计算灰度平均值，将灰度平均值大于设定阈值t的区域标记成破损可疑区域，如图5，图中白框所示区域即为破损可疑区域。
3、基于词袋特征的破损检测
为了降低计算成本，提高算法效率，此部分直接使用前面第1步中提取和计算出的特征点和其对应的描述子。针对每一个w*w的可疑区域，将此区域中的特征点和描述子，使用K-means聚类算法聚成k类，形成k个视觉单词，所有的视觉单词进行组合即为视觉词典，视觉单词的个数即为视觉词典的大小，该区域图像即可表示为基于视觉单词的统计直方图，直方图每一簇的高度即为此聚类中心的大小。模板图和待测图相应区域可以分别得到一个基于视觉单词的统计直方图，即此区域的词袋特征，如图2所示，计算模板图和待测图对应区域的词袋特征的欧氏距离d，若d大于设定阈值Td，则此可疑区域为破损区域，欧氏距离d的计算方法为：
其中，X(x1,x2,…,xk)表示模板图该区域的词袋特征，X′(x1,x2,…,xk)表示待测图该区域的词袋特征。
图3为本发明实施模板图与待测图示例，图2、4、5、6为本发明实施效果图，其中区域窗口大小w为50，聚类数目k＝15，阈值Td＝0.7。图2为某个图像区域的词袋特征直方图示例，图4为图2中待测图经变换后与模板图差分后的结果图，图5为从差分图中计算得到的可疑破损区域，即图中白框区域，每个区域大小50*50。图6为本发明的检测效果图，图中上方黑框所示区域为破损区域，由此可知，本发明所述方法可以准确地检测出标贴破损区域。

Claims (5)

1.一种基于词袋特征的标贴破损检测方法，其特征是利用从模板图和待测图中提取的特征点进行图像匹配，并利用这些特征点进行局部词袋特征的提取，用于最终缺陷区域的确定，具体为：首先，利用FAST角点检测方法提取模板图和待测图中的特征点，进行特征点匹配，同时计算出描述模板图和待测图之间仿射变换关系的单应性矩阵；然后，将待测图通过单应性矩阵变换后与模板图进行差分，对差分后的图像进行区域性的灰度平均值计算，根据灰度平均值大小确定初步的破损可疑区域；最后，通过所述模板图与待测图破损可疑区域的特征点，提取破损可疑区域的词袋特征，通过模板图和待测图中词袋特征的欧氏距离来判定破损可疑区域是否是破损区域。
2.根据权利要求1所述的一种基于词袋特征的标贴破损检测方法，其特征是具体步骤如下：
1)利用FAST角点检测方法提取无破损模板图和待测图中的特征点，并用BRIEF算法进行二进制描述；
2)使用快速最近邻搜索算法对提取到的特征点进行匹配，采用RANSAC算法剔除噪声干扰导致的误匹配点，并计算出描述模板图和待测图之间仿射变换关系的单应性矩阵；
3)将待测图经过单应矩阵变换后与无破损模板图进行差分，通过对差分图各区域的灰度平均值大小判断初步确定破损可疑区域；
4)从之前提取的特征点中计算破损可疑区域的词袋特征，计算模板图和待测图中相应区域词袋特征的欧氏距离d，若d大于设定地阈值Td，则此区域为标贴破损区域。
3.根据权利要求1或2所述的一种基于词袋特征的标贴破损检测方法，其特征是模板图与待测图之间的仿射变换矩阵满足关系：
<mrow> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msup> <mi>x</mi> <mo>&amp;prime;</mo> </msup> </mtd> </mtr> <mtr> <mtd> <msup> <mi>y</mi> <mo>&amp;prime;</mo> </msup> </mtd> </mtr> </mtable> </mfenced> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>h</mi> <mn>0</mn> </msub> </mtd> <mtd> <msub> <mi>h</mi> <mn>1</mn> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>h</mi> <mn>3</mn> </msub> </mtd> <mtd> <msub> <mi>h</mi> <mn>4</mn> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>h</mi> <mn>6</mn> </msub> </mtd> <mtd> <msub> <mi>h</mi> <mn>7</mn> </msub> </mtd> </mtr> </mtable> </mfenced> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mi>x</mi> </mtd> </mtr> <mtr> <mtd> <mi>y</mi> </mtd> </mtr> </mtable> </mfenced> <mo>+</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>h</mi> <mn>2</mn> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>h</mi> <mn>5</mn> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>h</mi> <mn>8</mn> </msub> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中，点(x,y)为模板图M(x,y)中的点，点(x′,y′)为待测图P(x,y)中与模板图中(x,y)匹配的点。
4.根据权利要求1或2所述的一种基于词袋特征的标贴破损检测方法，其特征是通过差分图确定初步地破损可疑区域地方法为：
设模板图为M(x,y)，待测图为P(x,y)，仿射变换矩阵H，有：
P＝H*M (2)
待测图P(x,y)变换后图为P′(x,y)，则：
P′＝H-1*P (3)
差分图D(x,y)，则：
D(x,y)＝M(x,y)-P′(x,y) (4)
将差分图D(x,y)划分为若干个w*w大小的图像块，对每一个图像块计算灰度平均值，将灰度平均值大于设定阈值t的区域标记成破损可疑区域。
5.根据权利要求1或2所述的一种基于词袋特征的标贴破损检测方法，其特征是词袋特征提取的方法为：
针对一个大小为w*w的图像区域，将提取得到的所述图像区域中的特征点和描述子使用K-means聚类算法聚成k类，形成k个视觉单词，所有的视觉单词进行组合即为视觉词典，视觉单词的个数即为视觉词典的大小，该图像区域由此表示为基于视觉单词的统计直方图，统计直方图每一簇的高度即为聚类中心的大小，所述统计直方图即为该图像区域的词袋特征。
CN201710215108.6A 2017-04-02 2017-04-02 一种基于词袋特征的标贴破损检测方法 Pending CN107180422A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710215108.6A CN107180422A (zh) 2017-04-02 2017-04-02 一种基于词袋特征的标贴破损检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710215108.6A CN107180422A (zh) 2017-04-02 2017-04-02 一种基于词袋特征的标贴破损检测方法

Publications (1)

Publication Number Publication Date
CN107180422A true CN107180422A (zh) 2017-09-19

Family

ID=59830461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710215108.6A Pending CN107180422A (zh) 2017-04-02 2017-04-02 一种基于词袋特征的标贴破损检测方法

Country Status (1)

Country Link
CN (1) CN107180422A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596829A (zh) * 2018-04-19 2018-09-28 广东工业大学 一种pcb裸板图片配准方法和装置
CN109033084A (zh) * 2018-07-26 2018-12-18 国信优易数据有限公司 一种语义层次树构建方法以及装置
CN109299652A (zh) * 2018-07-30 2019-02-01 华晓精密工业(苏州)有限公司 一种用于图像定位的模型训练方法、图像定位方法及装置
CN110211102A (zh) * 2019-05-23 2019-09-06 杭州良淋电子科技股份有限公司 一种无人网络租售机之羽毛球拍断线检测方法
CN110490872A (zh) * 2019-08-27 2019-11-22 北京理工大学 加工设备的异物检测方法和系统
CN110807354A (zh) * 2019-09-09 2020-02-18 杭州朗阳科技有限公司 一种工业流水线产品计数方法
CN114897810A (zh) * 2022-05-06 2022-08-12 阿里巴巴达摩院(杭州)科技有限公司 图像检测方法、装置、存储介质、电子设备
CN115082722A (zh) * 2022-08-22 2022-09-20 四川金信石信息技术有限公司 基于正向样本的设备缺陷检测方法、系统、终端及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663446B (zh) * 2012-04-24 2013-04-24 南方医科大学 一种医学病灶图像的词袋模型的构建方法
CN105631892A (zh) * 2016-02-23 2016-06-01 武汉大学 一种基于阴影和纹理特征的航空影像建筑物损毁检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663446B (zh) * 2012-04-24 2013-04-24 南方医科大学 一种医学病灶图像的词袋模型的构建方法
CN105631892A (zh) * 2016-02-23 2016-06-01 武汉大学 一种基于阴影和纹理特征的航空影像建筑物损毁检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
毛金莲: "《智能图像检索关键技术研究》", 30 June 2015, 北京理工大学出版社 *
汪清芳: "《基于机器视觉的标签缺陷检测系统设计与实现》", 《万方学位论文数据库》 *
苏松志 等: "《行人检测：理论与实践》", 31 March 2016, 厦门大学出版社 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596829A (zh) * 2018-04-19 2018-09-28 广东工业大学 一种pcb裸板图片配准方法和装置
CN109033084A (zh) * 2018-07-26 2018-12-18 国信优易数据有限公司 一种语义层次树构建方法以及装置
CN109299652A (zh) * 2018-07-30 2019-02-01 华晓精密工业(苏州)有限公司 一种用于图像定位的模型训练方法、图像定位方法及装置
CN109299652B (zh) * 2018-07-30 2020-11-13 华晓精密工业(苏州)有限公司 一种用于图像定位的模型训练方法、图像定位方法及装置
CN110211102A (zh) * 2019-05-23 2019-09-06 杭州良淋电子科技股份有限公司 一种无人网络租售机之羽毛球拍断线检测方法
CN110211102B (zh) * 2019-05-23 2021-01-19 杭州良淋电子科技股份有限公司 一种无人网络租售机之羽毛球拍断线检测方法
CN110490872A (zh) * 2019-08-27 2019-11-22 北京理工大学 加工设备的异物检测方法和系统
CN110490872B (zh) * 2019-08-27 2022-03-01 北京理工大学 加工设备的异物检测方法和系统
CN110807354A (zh) * 2019-09-09 2020-02-18 杭州朗阳科技有限公司 一种工业流水线产品计数方法
CN110807354B (zh) * 2019-09-09 2024-02-20 杭州朗阳科技有限公司 一种工业流水线产品计数方法
CN114897810A (zh) * 2022-05-06 2022-08-12 阿里巴巴达摩院(杭州)科技有限公司 图像检测方法、装置、存储介质、电子设备
CN115082722A (zh) * 2022-08-22 2022-09-20 四川金信石信息技术有限公司 基于正向样本的设备缺陷检测方法、系统、终端及介质

Similar Documents

Publication Publication Date Title
CN107180422A (zh) 一种基于词袋特征的标贴破损检测方法
CN110443806B (zh) 一种基于目标增强处理的水面透明漂浮危化品图像分割方法
CN109377485B (zh) 一种方便面包装缺陷机器视觉检测方法
CN107563377A (zh) 一种利用边缘和文字区域的证件关键区域检测定位方法
CN104217221A (zh) 基于纹理特征的书画作品检测方法
CN107610114A (zh) 基于支持向量机的光学卫星遥感影像云雪雾检测方法
CN110826408B (zh) 一种分区域特征提取人脸识别方法
CN108376403B (zh) 基于霍夫圆变换的网格菌落图像分割方法
CN106683076A (zh) 基于纹理特征聚类的机车轮对踏面损伤检测的方法
CN104700092A (zh) 一种基于模板和特征匹配相结合的小字符数字识别方法
CN104680130A (zh) 一种身份证汉字识别方法
CN103729856B (zh) 一种利用s变换信号提取的布匹疵点检测方法
CN108710909B (zh) 一种可变形旋转不变装箱物体清点方法
CN103955496B (zh) 一种快速的现场轮胎痕迹花纹检索算法
CN110222661B (zh) 一种用于运动目标识别及跟踪的特征提取方法
CN105005565A (zh) 现场鞋底痕迹花纹图像检索方法
CN113516619B (zh) 一种基于图像处理技术的产品表面瑕疵识别方法
CN108090492B (zh) 基于尺度线索抑制的轮廓检测方法
CN103854278A (zh) 基于连通区域质心形状上下文的印刷电路板图像配准方法
CN103680145B (zh) 一种基于局部图像特征的人车自动识别方法
CN103942526B (zh) 一种离散数据点集的线特征提取方法
Cao et al. Automatic latent value determination
CN107742357A (zh) 一种纸币冠字号的识别方法及装置
CN114581658A (zh) 一种基于计算机视觉的目标检测方法及装置
CN104408721A (zh) 基于背景密度估计的印章图像提取方法

Legal Events

Date Code Title Description
PB01 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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170919