CN107423717B - 一种基于联合非负矩阵二分解的手工绘制电气符号和标准电气符号的匹配识别方法 - Google Patents
一种基于联合非负矩阵二分解的手工绘制电气符号和标准电气符号的匹配识别方法 Download PDFInfo
- Publication number
- CN107423717B CN107423717B CN201710648770.0A CN201710648770A CN107423717B CN 107423717 B CN107423717 B CN 107423717B CN 201710648770 A CN201710648770 A CN 201710648770A CN 107423717 B CN107423717 B CN 107423717B
- Authority
- CN
- China
- Prior art keywords
- symbol
- electrical
- manually drawn
- symbols
- standard
- 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.)
- Expired - Fee Related
Links
Images
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
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/42—Document-oriented image-based pattern recognition based on the type of document
- G06V30/422—Technical drawings; Geographical maps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
Abstract
一种基于联合非负矩阵二分解的手工绘制电气符号和标准电气符号的匹配识别方法,包括对所建立数据库的电气符号进行去躁和归一化处理,得到符合相同标准的电气符号;对标准电气符号和手工绘制电气符号提取Gabor特征,同时对Gabor特征进行主成分分析处理;相同类型的手工绘制电气符号与标准电气符号具有内在的联系,具有共同的符号表示信息,为了得到了其共同表示信息,对所得标准电气符号和手工绘制电气符号特征进行联合非负矩阵二分解;之后采用线性判别分析进行建模;最后采用基于欧式距离的最近邻分类器进行分类识别。本发明充分利用了手工绘制电气符号和标准电气符号之间的共同表示信息,具有较强的鲁棒性。
Description
技术领域
本发明涉及一种基于联合非负矩阵二分解的手工绘制电气符号和标准电气符号的匹配识别方法,属于符号识别以及机器学习的技术领域。
背景技术
电气原理图是继电电路系统设计中不可缺少的一部分,是继电电路系统设计中的重要环节,是其他后续设计工作的基础,因此电气原理图是一种重要的工程图。随着计算机和集成电路的不断发展以及计算机应用的普及,越来越多的电气原理图采用计算机进行设计,相对于之前的手工图纸绘制设计来说,缩短了设计与制造周期,大大提高了设计效率。
然而,就目前来说,仍旧有相当一部分手工绘制图纸应用于各大工程当中,而手工绘制图纸具有不易保存,副本复制质量差等缺点,因此将现有手工绘制图纸进行电子化便成为了一项必要的课题。如果采用相关人员进行手工录入的方式对手工绘制图纸进行电子化的话,由于工作量巨大,相关人员的出错率便会提高,同时所花费的成本也成倍的提升;同时,由于电气原理图在继电电路系统设计中的重要地位,对于电气原理图的容错性要求十分高,不适合采用手工录入的方式对手工绘制图纸进行电子化。因此,对手工绘制电气符号的匹配识别便成为了电子化手工绘制图纸的必要环节。
中国专利CN106650820 A公开了一种手写电气元器件符号与标准电气元器件符号的匹配识别方法,利用字典学习来进行手工绘制符号与标准电气符号之间的识别,由于标准电气符号与手工绘制符号在特征集上处于不同的空间,所以需要将它们投影到同一个空间里进行字典学习,从而探索两者之间的关系,但该方法在一定程度上增加了计算的复杂度,降低了计算效率;
中国专利CN 106709524 A公开了一种电气工程图中的元件符号检测与识别方法,通过数字图像处理以及模式识别的相关知识,对电气工程图中的元件进行检测以及识别,但该方法采用数字图像处理的相关原理进行元件符号的检测,不具有较强的鲁棒性。
发明内容
针对现有技术的不足,本发明提出了一种基于联合非负矩阵二分解的手工绘制电气符号和标准电气符号的匹配识别方法。其中所述联合非负矩阵二分解可以充分利用手工绘制电气符号和标准电气符号之间的共同符号表示信息,提高识别性能,具有较强的鲁棒性。
发明概述:
一种基于联合非负矩阵二分解的手工绘制电气符号和标准电气符号的匹配识别方法,包括:数据预处理、特征提取、矩阵分解、线性判别分析和分类识别。
本发明的技术方案如下:
一种基于联合非负矩阵二分解的手工绘制电气符号和标准电气符号的匹配识别方法,包括:
1)对标准电气符号与手工绘制电气符号进行去噪和归一化处理;
2)对标准电气符号和手工绘制电气符号分别提取Gabor特征;优选的,对所述Gabor特征进行主成分分析处理;该步骤是为减少后续计算的复杂度;
3)对标准电气符号和手工绘制电气符号进行联合非负矩阵二分解,从而得到标准电气符号和手工绘制电气符号的公共部分;由于标准电气符号和手工绘制电气符号是相同类型电气符号的不同表现形式,所以相同类型的手工绘制电气符号与标准电气符号具有内在的联系,具有共同的符号表示信息,为了得到其共同表示信息,对所得标准电气符号和手工绘制电气符号特征进行联合非负矩阵二分解;
4)利用标准电气符号和手工绘制电气符号的公共部分,求得电气符号关于所述公共部分的系数,对相应的系数采用线性判别分析处理;
5)通过基于欧氏距离的最近邻分类器对所述手工绘制电气符号进行分类识别。
根据本发明优选的,所述步骤1)中,对标准电气符号与手工绘制电气符号进行去噪和归一化处理
所述去噪 处理是指:通过中值滤波对标准电气符号与手工绘制电气符号进行滤波;由于对电气符号扫描时,会引入噪声,即错误像素点,因此通过中值滤波对电气符号图像进行滤波,有效去消除噪声干扰;
所述归一化处理是指:将所述电气符号对应图片矩阵的值限定为[0,1],即将所述电气符号的矩阵图像变成列向量的形式再除以其2-范数值,得到归一化后的向量。由于手工绘制电气符号与标准电气符号没有对齐,而位置的变化对实验结果的影响,所以对图形进行归一化。由于电气符号样式繁多,按照粗略形状来分类可分成直线、圆形、矩形等,因此首先按照形状对手工绘制电气符号及标准电气符号进行粗略分类,分为线型、矩形、圆形、其他。之后,求出手工绘制电气符号和标准电气符号的重心,此处的重心即为手工绘制电气符号和标准电气符号的几何中心。进一步地,按照重心对齐的方式对符号进行对齐,所造成的像素缺失填充为背景色,形成所述电气符号对应图片。
根据本发明优选的,所述步骤2)中,所述分别提取Gabor特征的方法为:利用2DGabor滤波器,得到标准电气符号和手工绘制电气符号的Gabor特征, 2D Gabor滤波器的定义如下:
其中,z代表的是像素的位置,z=(x,y)~x+iy,其中, kv=kmax/fv,kmax为最大频率,f是频率域的采样间隔,取kmax=π/2,v∈{0,1,...,4},μ∈{0,1,...,7},i是虚数单位,δ=2π。
根据本发明优选的,所述步骤3)中,所述联合非负矩阵二分解的数学描述如下:
其中,是标准电气符号的特征集,xi表示的是第i 个标准电气符号的特征。是手工绘制电气符号的特征集, yj表示的是第j个手工绘制电气符号的特征。m表示的是电气符号的特征维数, nx,ny分别表示标准电气符号的样本数和手工绘制电气符号的样本数; W=[Wc Wd]∈Rm×k,U=[Uc Ud]∈Rm×k,k=kc+kd,Wc,Uc表示的是标准电气符号和手工绘制电气符号的相同部分,Hc,Vc表示的是相同部分Wc,Uc对应的系数,Wd,Ud分别表示的是标准电气符号和手工绘制电气符号的特性部分,kc代表的是相同部分的列数,kd代表的是保证各自特性部分的列数。
由公式(2)看出,联合非负矩阵二值分解保证找到标准电气符号与手工绘制电气符号之间的公共部分W,U;
为了求解公共部分W,U,将公式(2)中的W,H,U,V按照下述方式进行元素分解:
其中,wi,hi,ui,vi,分别代表的是 W,H,U,V,Wc,Hc,Uc,Vc,Wd,Hd,Ud,Vd的第i列,对公式(2)的各个未知向量分别进行求导,并令导数得0,得到各个未知向量的更新规则:
[x]+=max(x,0),即表示的是x和0较大的一个。(·)ii表示的是矩阵的第(i,i) 个元素,(·)·i表示的是矩阵的第i列;v的更新规则也如同上述方法。这部分主要是对W,U进行求解,即公共部分进行求解。
根据本发明优选的,所述步骤4)中,对相应的系数采用线性判别分析处理:利用线性判别分析将相应的系数投影到新的空间,保证在新的空间中具有最大的类间距离和最小的类内距离,方法如下:
已经求得Wc,Uc,根据公式(8)和公式(9)求得Hc,Vc的最优解,
令M=[Hc;Vc],采用线性判别分析进行建模,以公式(10)得到建立模型的 P*:
其中,Sb是基于M计算得到的类间散度矩阵,St是基于M计算得到的总体散度矩阵。
根据本发明优选的,通过基于欧氏距离的最近邻分类器对所述手工绘制电气符号进行分类识别的具体方法如下:
其中,πi是指第i个注册样本的分类标签。
本发明的有益效果是:
本发明提供的是一种基于联合非负矩阵二分解的手工绘制电气符号和标准电气符号的匹配识别方法,利用机器学习的相关思想,将手工绘制电气符号和标准电气符号相联系,相比于已有的电气符号匹配识别方法,本发明充分利用了手工绘制电气符号和标准电气符号之间的共同符号表示信息,提高了电气符号识别性能,具有较强的鲁棒性,直接利用手工绘制电气符号和标准电气符号的特征信息,减少了计算的复杂度。
附图说明
图1本发明所述方法的流程图;
图2本发明中所述手工绘制电气符号数据库(部分)示意图;
图3本发明中所述标准电气符号数据库(部分)示意图。
具体实施方式
下面结合附图和实例对本发明进行详细的描述,但不限于此。
实施例1、
一种基于联合非负矩阵二分解的手工绘制电气符号和标准电气符号的匹配识别方法,包括:
1)对标准电气符号与手工绘制电气符号进行去噪和归一化处理;
2)对标准电气符号和手工绘制电气符号分别提取Gabor特征;优选的,对所述Gabor特征进行主成分分析处理;该步骤是为减少后续计算的复杂度;
3)对标准电气符号和手工绘制电气符号进行联合非负矩阵二分解,从而得到标准电气符号和手工绘制电气符号的公共部分;由于标准电气符号和手工绘制电气符号是相同类型电气符号的不同表现形式,所以相同类型的手工绘制电气符号与标准电气符号具有内在的联系,具有共同的符号表示信息,为了得到其共同表示信息,对所得标准电气符号和手工绘制电气符号特征进行联合非负矩阵二分解;
4)利用标准电气符号和手工绘制电气符号的公共部分,求得电气符号关于所述公共部分的系数,对相应的系数采用线性判别分析处理;
5)通过基于欧氏距离的最近邻分类器对所述手工绘制电气符号进行分类识别。
所述步骤1)中,对标准电气符号与手工绘制电气符号进行去噪和归一化处理
所述去噪 处理是指:通过中值滤波对标准电气符号与手工绘制电气符号进行滤波;由于对电气符号扫描时,会引入噪声,即错误像素点,因此通过中值滤波对电气符号图像进行滤波,有效去消除噪声干扰;
由于手工绘制电气符号与标准电气符号没有对齐,而位置的变化对实验结果的影响,所以对图形进行归一化。由于电气符号样式繁多,按照粗略形状来分类可分成直线、圆形、矩形等,因此首先按照形状对手工绘制电气符号及标准电气符号进行粗略分类,分为线型、矩形、圆形、其他。之后,求出手工绘制电气符号和标准电气符号的重心,此处的重心即为手工绘制电气符号和标准电气符号的几何中心。进一步地,按照重心对齐的方式对符号进行对齐,所造成的像素缺失填充为背景色。
所述归一化处理是指:将所述电气符号对应图片矩阵的值限定为[0,1],即将所述电气符号的矩阵图像变成列向量的形式再除以其2-范数值,得到归一化后的向量。由于手工绘制电气符号与标准电气符号没有对齐,而位置的变化对实验结果的影响,所以对图形进行归一化。由于电气符号样式繁多,按照粗略形状来分类可分成直线、圆形、矩形等,因此首先按照形状对手工绘制电气符号及标准电气符号进行粗略分类,分为线型、矩形、圆形、其他。之后,求出手工绘制电气符号和标准电气符号的重心,此处的重心即为手工绘制电气符号和标准电气符号的几何中心。进一步地,按照重心对齐的方式对符号进行对齐,所造成的像素缺失填充为背景色,形成所述电气符号对应图片。
所述步骤2)中,所述分别提取Gabor特征的方法为:利用2D Gabor滤波器,得到标准电气符号和手工绘制电气符号的Gabor特征,2D Gabor滤波器的定义如下:
其中,z代表的是像素的位置,z=(x,y)~x+iy,其中, kv=kmax/fv,kmax为最大频率,f是频率域的采样间隔,取kmax=π/2,v∈{0,1,...,4},μ∈{0,1,...,7},i是虚数单位,δ=2π。
所述步骤3)中,所述联合非负矩阵二分解的数学描述如下:
其中,是标准电气符号的特征集,xi表示的是第i 个标准电气符号的特征。是手工绘制电气符号的特征集, yj表示的是第j个手工绘制电气符号的特征。m表示的是电气符号的特征维数, nx,ny分别表示标准电气符号的样本数和手工绘制电气符号的样本数; W=[Wc Wd]∈Rm×k,U=[Uc Ud]∈Rm×k,k=kc+kd,Wc,Uc表示的是标准电气符号和手工绘制电气符号的相同部分,Hc,Vc表示的是相同部分Wc,Uc对应的系数,Wd,Ud分别表示的是标准电气符号和手工绘制电气符号的特性部分,kc代表的是相同部分的列数,kd代表的是保证各自特性部分的列数。
由公式(2)看出,联合非负矩阵二值分解保证找到标准电气符号与手工绘制电气符号之间的公共部分W,U;
为了求解公共部分W,U,将公式(2)中的W,H,U,V按照下述方式进行元素分解:
[x]+=max(x,0),即表示的是x和0较大的一个。(·)ii表示的是矩阵的第(i,i) 个元素,(·)·i表示的是矩阵的第i列;v的更新规则也如同上述方法。这部分主要是对W,U进行求解,即公共部分进行求解。
所述步骤4)中,对相应的系数采用线性判别分析处理:利用线性判别分析将相应的系数投影到新的空间,保证在新的空间中具有最大的类间距离和最小的类内距离,方法如下:
已经求得Wc,Uc,根据公式(8)和公式(9)求得Hc,Vc的最优解,
令M=[Hc;Vc],采用线性判别分析进行建模,以公式(10)得到建立模型的 P*:
其中,Sb是基于M计算得到的类间散度矩阵,St是基于M计算得到的总体散度矩阵。
实施例2、
如实施例1所述的一种基于联合非负矩阵二分解的手工绘制电气符号和标准电气符号的匹配识别方法,其区别在于,通过基于欧氏距离的最近邻分类器对所述手工绘制电气符号进行分类识别的具体方法如下:
给定注册样本给定测试样本
其中,πi是指第i个注册样本的分类标签。
对比例、
通过在本发明所述实施例1、2所建立的手工绘制电气符号数据库和标准电气符号数据库上验证本发明所提算法来评估本专利所提出算法的有效性。手工绘制电气符号数据库包含300个样本,共30类,每类10个样本;标准电气符号数据库包含300个样本,共30类,每类10个样本。从手工绘制电气符号和标准电气符号数据库中,每类分别随机取5个样本作为训练样本,取剩余5个为测试样本。随机作十次实验取平均值,实验结果如表1所示。
表1本发明所提供的方法的实验结果
特征维数 | 50 | 100 | 150 | 200 | 250 |
识别率 | 0.98 | 0.87 | 0.90 | 0.64 | 0.64 |
从表1中可以看出,本发明所提出的一种基于联合非负矩阵二分解的手工绘制电气符号和标准电气符号的匹配识别方法,在特征维数为50时,平均识别率可以达到98%,说明本发明所述方法在手工绘制电气符号和标准电气符号的匹配识别中具有良好的识别效果。
Claims (1)
1.一种基于联合非负矩阵二分解的手工绘制电气符号和标准电气符号的匹配识别方法,其特征在于,该识别方法包括:
1)对标准电气符号与手工绘制电气符号进行去噪和归一化处理;
2)对标准电气符号和手工绘制电气符号分别提取Gabor特征;对所述Gabor特征进行主成分分析处理;
3)对标准电气符号和手工绘制电气符号进行联合非负矩阵二分解,从而得到标准电气符号和手工绘制电气符号的公共部分;
4)利用标准电气符号和手工绘制电气符号的公共部分,求得电气符号关于所述公共部分的系数,对相应的系数采用线性判别分析处理;
5)通过基于欧氏距离的最近邻分类器对所述手工绘制电气符号进行分类识别;
所述步骤3)中,所述联合非负矩阵二分解的数学描述如下:
其中,是标准电气符号的特征集,xi表示的是第i个标准电气符号的特征;是手工绘制电气符号的特征集,yj表示的是第j个手工绘制电气符号的特征;m表示的是电气符号的特征维数,nx,ny分别表示标准电气符号的样本数和手工绘制电气符号的样本数;W=[Wc Wd]∈Rm×k,U=[Uc Ud]∈Rm×k,k=kc+kd,Wc,Uc表示的是标准电气符号和手工绘制电气符号的相同部分,Hc,Vc表示的是相同部分Wc,Uc对应的系数,Wd,Ud分别表示的是标准电气符号和手工绘制电气符号的特性部分,kc代表的是相同部分的列数,kd代表的是保证各自特性部分的列数;
所述步骤1)中,对标准电气符号与手工绘制电气符号进行去噪和归一化处理:
所述去噪处理是指:通过中值滤波对标准电气符号与手工绘制电气符号进行滤波;
所述归一化处理是指:将所述电气符号对应图片矩阵的值限定为[0,1],即将所述电气符号的矩阵图像变成列向量的形式再除以其2-范数值,得到归一化后的向量;
所述步骤2)中,所述分别提取Gabor特征的方法为:利用2D Gabor滤波器,得到标准电气符号和手工绘制电气符号的Gabor特征,2D Gabor滤波器的定义如下:
其中,z代表的是像素的位置,z=(x,y)~x+iy,其中,kv=kmax/fv,kmax为最大频率,f是频率域的采样间隔,取kmax=π/2,v∈{0,1,...,4},μ∈{0,1,...,7},i是虚数单位,δ=2π;
所述步骤4)中,对相应的系数采用线性判别分析处理:利用线性判别分析将相应的系数投影到新的空间,保证在新的空间中具有最大的类间距离和最小的类内距离,方法如下:
已经求得Wc,Uc,根据以下公式求得Hc,Vc的最优解,
令M=[Hc;Vc],采用线性判别分析进行建模,以下公式得到建立模型的P*:
其中,Sb是基于M计算得到的类间散度矩阵,St是基于M计算得到的总体散度矩阵;通过基于欧氏距离的最近邻分类器对所述手工绘制电气符号进行分类识别的具体方法如下:
其中,πi是指第i个注册样本的分类标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710648770.0A CN107423717B (zh) | 2017-08-01 | 2017-08-01 | 一种基于联合非负矩阵二分解的手工绘制电气符号和标准电气符号的匹配识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710648770.0A CN107423717B (zh) | 2017-08-01 | 2017-08-01 | 一种基于联合非负矩阵二分解的手工绘制电气符号和标准电气符号的匹配识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107423717A CN107423717A (zh) | 2017-12-01 |
CN107423717B true CN107423717B (zh) | 2020-01-14 |
Family
ID=60437063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710648770.0A Expired - Fee Related CN107423717B (zh) | 2017-08-01 | 2017-08-01 | 一种基于联合非负矩阵二分解的手工绘制电气符号和标准电气符号的匹配识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423717B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221243A (zh) * | 2007-11-01 | 2008-07-16 | 复旦大学 | 基于非负矩阵因式分解的遥感图像混合像元分解方法 |
CN101853239A (zh) * | 2010-05-06 | 2010-10-06 | 复旦大学 | 一种用于聚类的基于非负矩阵分解的降维方法 |
CN102073871A (zh) * | 2011-01-12 | 2011-05-25 | 广州市伟时信息系统技术有限公司 | 一种基于非负矩阵分解的离线中文字符识别方法 |
CN102592148A (zh) * | 2011-12-29 | 2012-07-18 | 华南师范大学 | 基于非负矩阵分解和多种距离函数的人脸识别方法 |
CN104268510A (zh) * | 2014-09-17 | 2015-01-07 | 西安电子科技大学 | 基于稀疏约束的非负矩阵分解的sar图像目标识别方法 |
CN104463084A (zh) * | 2013-09-24 | 2015-03-25 | 江南大学 | 一种基于非负矩阵分解的离线手写签名识别 |
CN105335732A (zh) * | 2015-11-17 | 2016-02-17 | 西安电子科技大学 | 基于分块及鉴别非负矩阵分解的有遮挡人脸识别方法 |
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 |
-
2017
- 2017-08-01 CN CN201710648770.0A patent/CN107423717B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221243A (zh) * | 2007-11-01 | 2008-07-16 | 复旦大学 | 基于非负矩阵因式分解的遥感图像混合像元分解方法 |
CN101853239A (zh) * | 2010-05-06 | 2010-10-06 | 复旦大学 | 一种用于聚类的基于非负矩阵分解的降维方法 |
CN102073871A (zh) * | 2011-01-12 | 2011-05-25 | 广州市伟时信息系统技术有限公司 | 一种基于非负矩阵分解的离线中文字符识别方法 |
CN102592148A (zh) * | 2011-12-29 | 2012-07-18 | 华南师范大学 | 基于非负矩阵分解和多种距离函数的人脸识别方法 |
CN104463084A (zh) * | 2013-09-24 | 2015-03-25 | 江南大学 | 一种基于非负矩阵分解的离线手写签名识别 |
CN104268510A (zh) * | 2014-09-17 | 2015-01-07 | 西安电子科技大学 | 基于稀疏约束的非负矩阵分解的sar图像目标识别方法 |
CN105335732A (zh) * | 2015-11-17 | 2016-02-17 | 西安电子科技大学 | 基于分块及鉴别非负矩阵分解的有遮挡人脸识别方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN107423717A (zh) | 2017-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Vehicle type classification using a semisupervised convolutional neural network | |
Laga et al. | Landmark-free statistical analysis of the shape of plant leaves | |
US8494273B2 (en) | Adaptive optical character recognition on a document with distorted characters | |
CN111639558B (zh) | 一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法 | |
CN107516316B (zh) | 一种在fcn中引入聚焦机制对静态人体图像进行分割的方法 | |
CN104200239A (zh) | 一种基于图像特征融合识别的签名鉴伪系统及方法 | |
Gao et al. | CW-SSIM based image classification | |
CN106650820B (zh) | 一种手写电气元器件符号与标准电气元器件符号的匹配识别方法 | |
CN106650696B (zh) | 一种基于奇异值分解的手写电气元件符号识别方法 | |
CN113592923A (zh) | 一种基于深度局部特征匹配的批图像配准方法 | |
Pham et al. | Accurate junction detection and characterization in line-drawing images | |
CN109635637A (zh) | 一种车牌识别方法、装置和计算设备 | |
Laadjel et al. | Combining Fisher locality preserving projections and passband DCT for efficient palmprint recognition | |
Zhao et al. | Robust and adaptive algorithm for hyperspectral palmprint region of interest extraction | |
CN108197577B (zh) | 联合Sobel和MFRAT的指静脉图像特征提取方法 | |
CN112651323B (zh) | 一种基于文本行检测的中文手写体识别方法及系统 | |
Lee et al. | Probabilistic orientation field estimation for fingerprint enhancement and verification | |
CN107423717B (zh) | 一种基于联合非负矩阵二分解的手工绘制电气符号和标准电气符号的匹配识别方法 | |
Kälber et al. | U-Net based Zero-hour Defect Inspection of Electronic Components and Semiconductors. | |
Zaafouri et al. | A new method for expiration code detection and recognition using Gabor features based collaborative representation | |
CN108197529B (zh) | 一种融合DLDP与sobel的表情特征提取方法 | |
Valois et al. | Online recognition of sketched electrical diagrams | |
Chen et al. | Boosting semi-supervised face recognition with raw faces | |
CN109598262A (zh) | 一种儿童人脸表情识别方法 | |
Pham et al. | A robust approach for local interest point detection in line-drawing images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200114 Termination date: 20200801 |