CN108198324B - 一种基于图像指纹的多国纸币币种识别方法 - Google Patents
一种基于图像指纹的多国纸币币种识别方法 Download PDFInfo
- Publication number
- CN108198324B CN108198324B CN201810130525.5A CN201810130525A CN108198324B CN 108198324 B CN108198324 B CN 108198324B CN 201810130525 A CN201810130525 A CN 201810130525A CN 108198324 B CN108198324 B CN 108198324B
- Authority
- CN
- China
- Prior art keywords
- bank note
- character string
- picture
- currency type
- background picture
- 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
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
- G07D7/20—Testing patterns thereon
- G07D7/2016—Testing patterns thereon using feature extraction, e.g. segmentation, edge detection or Hough-transformation
-
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开一种基于图像指纹的多国纸币币种识别方法,属于纸币模式识别技术领域。基于多国纸币背景图片的模板集和样本集,利用感知哈希算法生成训练样本数据,构建基于SVM分类器的分类模型,并利用训练样本数据对分类模型进行训练,利用训练好的分类模型对待处理纸币图片进行预测,识别币种。本发明方法将纸币识别过程中的单个特征转换为多个特征,并采用基于SVM分类器的方法进行识别,对样本需求量小,训练速度快,识别速度快,而且具有很好的抗干扰能力,能提高预测时的容错率。
Description
技术领域
本发明涉及纸币模式识别技术领域,特指一种基于图像指纹的多国纸币币种识别方法。
背景技术
当前支持多国货币处理的金融机具设备已成为一种发展趋势,基于数字图像处理的货币识别技术也得到广泛应用。
在此类支持多国货币处理的金融机具中,当处理不同国家的币种时,往往需要人工设置当前待处理的货币类别,自动化程度低;目前基于数字图像处理的货币识别技术,通常采用的识别算法计算复杂,时间复杂度高,尤其是当货币种类增加时,货币识别时间会呈指数级别增长,往往需要功能强大的硬件平台,才能满足识别算法运算能力的需求;通常的纸币模式识别方式由于待识别的模式比较多,且纸币流通过程中可能存在磨损,使得多数纸币图像识别方法的准确率不能满足高指标的需求。
在目前的纸币币种识别研究过程中出现了很多提取特征的算法,很多好的特征提取算法在提升识别准确率方面起到了关键作用,例如遗传算法特征提取技术,通过一系列交叉选择和操作,使得提取的方法得到优化,从本质上说它是对提取技术的预处理,能够很大程度上提高泛化能力,并能有效的缩短学习的时间。Fisher线性鉴别分析也被广泛的应用到纸币识别领域,Fisher线性鉴别分析能够有效的反应不同类别之间的差异特征,是特征提取的经典方法之一。传统的币种识别有的是通过对冠字号的投影、序列号的首字母或是序列号的位数等方法来进行判断,所要进行的工作比较繁琐,并且如果对字符的处理不当可能直接导致识别的结果出现很大的偏差。在特征提取方面,传统的方法是提取图像的多个局部特征作为分类的依据,这种方法对图片的处理要求很高,如果图片中有噪点或处理不到位,会对识别的结果有很大的影响,抗干扰能力弱。传统模式识别中用到的模板匹配的算法,通过对大量的模板进行匹配,还需要考虑到模板的大小和方向等问题,识别的效率比较低。
发明内容
本发明的目的是提供一种基于图像指纹的多国纸币币种识别方法,以提高多国纸币识别过程中的识别速度、准确率和自动化程度。
为解决上述技术问题,本发明的技术方案如下:
一种基于图像指纹的多国纸币币种识别方法,其特征在于:包括以下几个步骤:
步骤1:利用多国纸币背景图片的模板集和样本集生成训练样本数据;
所述步骤1中模板集的生成方法是:对N个不同国家的纸币背景图片按国家类别进行归类存放,得到N个模板,其中第i个模板中国家纸币背景图片的数量为Pi;所述步骤1中的样本集是没有进行归类的A张不同国家纸币背景图片的集合。
所述步骤1中生成训练样本数据的具体步骤是:
步骤1.1:利用感知哈希算法提取模板集中所有纸币背景图片的指纹字符串;
步骤1.2:对样本集中第j张纸币背景图片,利用感知哈希算法提取其指纹字符串,并与模板集中第i个国家的Pi张纸币背景图片对应的指纹字符串分别进行相似度对比,得到Pi个汉明距离,将这Pi个汉明距离的均值作为第j张纸币背景图片指纹字符串的一个特征值,并给特征值加入对应国家的标签;
步骤1.3:对样本集中第j张纸币背景图片和模板集中剩余的N-1个国家对应的纸币背景图片,重复步骤1.2,共得到样本集中第j张纸币背景图片对应的N个特征值;
步骤1.4:对样本集中A张纸币背景图片,重复步骤1.2-1.3,生成A个训练样本数据,每个训练样本数据有N个特征值;
所述步骤1.1中感知哈希算法的具体过程是:首先将纸币背景图片缩小至8×8,并转换为64级灰度,然后将图片中每个像素点的灰度值与图片中所有像素点灰度值的平均值进行对比,大于平均值则取1,小于平均值则取0,所有像素点对比后的取值组成指纹字符串。
所述步骤1.2中汉明距离的计算公式为:
其中,S和T表示两张不同纸币背景图片的指纹字符串,D(S,T)表示指纹字符串S和T之间的汉明距离,L表示指纹字符串S和T的长度,S[z]表示指纹字符串S中第z个字符,表示异或操作。
步骤2:构建基于SVM分类器的分类模型,并利用训练样本数据对分类模型进行训练;
所述步骤2中构建基于SVM分类器的分类模型并进行训练的具体方法是:
步骤2.1:设置SVM分类器,并通过输入不同参数,得到M个基础核函数;
步骤2.2:对M个基础核函数,设置T次AdaBoost线性组合,其中第m个基础函数在第t次线性组合中被选中的概率是St(m),每个基础核函数在第1次线性组合中被选中的概率都设置为1;
步骤2.3:对第m个基础函数在第t+1次线性组合中被选中的概率St+1(m)进行更新,选中概率的更新公式如下:
其中,表示在第t次线性组合中第m个核函数组成的SVM分类器对于整个样本集的训练错误率,表示更新权重;
然后找出所有St+1(m)中的最大值ZS,得到最终选中概率St+1(m)←St(m)/ZS;
步骤2.4:将M个基础核函数中被选中的基础核函数通过AdaBoost加权组成MKBOOST多核分类器,其中第t个基础核函数在训练过程中的错误率为εt,则第t个分类器所占的权重为
步骤2.5:当步骤2.4中得到的MKBOOST多核分类器个数大于1时,将得到的MKBOOST多核分类器同样通过上述AdaBoost方法线性组合成分类能力更强的多核分类器。
步骤3:利用训练好的分类模型对待处理纸币图片进行预测,识别币种。
所述步骤3中识别币种的具体方法是:
步骤3.1:利用感知哈希算法提取待处理纸币背景图片的指纹字符串;
步骤3.2:利用步骤1.2-1.3的方法,得到待处理纸币背景图片的N个特征值,并将最小汉明距离所对应的指纹字符串模板标号K记录下来;
步骤3.3:把特征值输入训练好的SVM分类器模型中,当计算到指纹字符串模板标号K时,对其到分类面的距离加入±1.5的偏差值,得出最终的识别结果。
本发明的有益效果为:
1)本发明采用SVM分类器,SVM分类器通过对线性不可分的数据进行升维的方式让其达到线性可分,对样本的需求小,训练速度快,识别速度快,对于计算机硬件要求也不高。
2)本发明通过输入不同参数训练得到多个SVM分类器,结合AdaBoost方法对多个SVM分类器进行线性组合得到MKBOOST多核分类器,只保留了分类错误率比较低的强分类器,能有效提升分类器的稳定性和准确性;
3)本发明方法在特征提取过程中,为了防止出现待识别的背景图片和某个模板相似度过高的问题,本发明通过对待预测图片与模板集中的图片进行指纹字符串相似度对比,将单个特征转换为多个特征,即使图片的局部存在破损等问题,对整幅图片的识别影响不大,可以提高预测时的容错率,具有很好的抗干扰能力;
4)本发明利用感知哈希算法提取纸币背景图片的指纹字符串时,首先对图片进行缩小至8*8,可以减少算法的时间复杂度,将图片灰度转为64级灰度,使图片的每个像素都对应具体的整数值,然后通过均值滤波方法求出图片的灰度均值,可以很好地去除图片的噪声干扰;
5)本发明将训练模板中的汉明距离的最小值对应的图片集标号提取出来,在计算待测图片到这类模板字符分类面的距离时加上±1.5的偏差值(经验值),相当于对差异度最小类的增加权重,可更好地提高容错率。
附图说明
图1是本发明方法的总体流程图;
图2是生成训练样本数据方法的流程图;
图3是本发明构建分类模型方法的流程图;
图4是本发明识别纸币背景图片的流程图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本实施例提供一种基于图像指纹的多国纸币币种识别方法,具体实施方式如下:
步骤1:利用多国纸币背景图片的模板集和样本集生成训练样本数据;
模板集的生成方法是:对N个不同国家的纸币背景图片按国家类别进行归类存放,得到N个模板,其中第i个模板中国家纸币背景图片的数量为Pi;
样本集是没有进行归类的A张不同国家纸币背景图片的集合。
在具体实施过程中,取N=15,A=20,Pi的取值范围是1≤Pi≤5。
生成训练样本数据的具体方法如图2所示:
步骤1.1:利用感知哈希算法提取模板集中所有纸币背景图片的指纹字符串;
步骤1.2:对样本集中第j张纸币背景图片,利用感知哈希算法提取其指纹字符串,并与模板集中第i个国家的Pi张纸币背景图片对应的指纹字符串分别进行相似度对比,得到Pi个汉明距离,将这Pi个汉明距离的均值作为第j张纸币背景图片指纹字符串的一个特征值,并给特征值加入对应国家的标签;
步骤1.3:对样本集中第j张纸币背景图片和模板集中剩余的N-1个国家对应的纸币背景图片,重复步骤1.2,共得到样本集中第j张纸币背景图片对应的N个特征值;
步骤1.4:对样本集中A张纸币背景图片,重复步骤1.2-1.3,生成A个训练样本数据,每个训练样本数据有N个特征值;
感知哈希算法的具体过程是:首先将纸币背景图片缩小至8×8,并转换为64级灰度,然后将图片中每个像素点的灰度值与图片中所有像素点灰度值的平均值进行对比,大于平均值则取1,小于平均值则取0,所有像素点对比后的取值组成指纹字符串。
汉明距离的计算公式为:
其中,S和T表示两张不同纸币背景图片的指纹字符串,D(S,T)表示指纹字符串S和T之间的汉明距离,L表示指纹字符串S和T的长度,S[z]表示指纹字符串S中第z个字符,表示异或操作。
步骤2:构建基于SVM分类器的分类模型,并利用训练样本数据对分类模型进行训练,如图3所示,具体方法是:
步骤2.1:设置SVM分类器,并通过输入不同参数,得到M个基础核函数,在具体实施过程中,取M=10;
步骤2.2:对M个基础核函数,设置T次AdaBoost线性组合,其中第m个基础函数在第t次线性组合中被选中的概率是St(m),每个基础核函数在第1次线性组合中被选中的概率都设置为1,在具体实施过程中,取T=20;
步骤2.3:对第m个基础核函数在第t+1次线性组合中被选中的概率St+1(m)进行更新,选中概率的更新公式如下:
其中,表示在第t次线性组合中第m个核函数组成的SVM分类器对于整个样本集的训练错误率,表示更新权重。
然后找出所有St+1(m)中的最大值ZS,得到最终选中概率St+1(m)←St(m)/ZS。
步骤2.4:将M个基础核函数中被选中的基础核函数通过AdaBoost加权组成MKBOOST多核分类器,其中第t个基础核函数在训练过程中的错误率为εt,则第t个分类器所占的权重为
步骤2.5:当步骤2.4中得到的MKBOOST多核分类器个数大于1时,将得到的MKBOOST多核分类器同样通过上述AdaBoost方法线性组合成分类能力更强的多核分类器。
步骤3:利用训练好的分类模型对待处理纸币图片进行预测,识别币种,如图4所示,具体方法是:
步骤3.1:利用感知哈希算法提取待处理纸币背景图片的指纹字符串;
步骤3.2:利用步骤1.2-1.3的方法,得到待处理纸币背景图片的N个特征值,并将最小汉明距离所对应的指纹字符串模板标号K记录下来;
步骤3.3:把特征值输入训练好的SVM分类器模型中,当计算到指纹字符串模板标号K时,对其到分类面的距离加入±1.5的偏差值,得出最终的识别结果。
在进行预测时,将汉明距离最小的模板图片集对应的标号在分类模型计算待分类图片到对应类的分类面的距离时加入±1.5的偏差值,±1.5是经验值,正负号取决于此标号在分类模型进行分类时被分为正类还是负类,,如果是正类,则+1.5,如果是负类,则-1.5,这样可以提高图片识别的准确率。
本发明的还具有很好的自适应效果,当预测样本发生错误时,只需要将预测样本的图片加入到图片集中即可,并且对原有模型的影响很小,能够保证正确率的前提下,实现对样本集的自动扩充。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (6)
1.一种基于图像指纹的多国纸币币种识别方法,其特征在于:包括以下几个步骤:
步骤1:利用多国纸币背景图片的模板集和样本集生成训练样本数据;
步骤1.1:利用感知哈希算法提取模板集中所有纸币背景图片的指纹字符串;
步骤1.2:对样本集中第j张纸币背景图片,利用感知哈希算法提取其指纹字符串,并与模板集中第i个国家的Pi张纸币背景图片对应的指纹字符串分别进行相似度对比,得到Pi个汉明距离,将这Pi个汉明距离的均值作为第j张纸币背景图片指纹字符串的一个特征值,并给特征值加入对应国家的标签;
步骤1.3:对样本集中第j张纸币背景图片和模板集中剩余的N-1个国家对应的纸币背景图片,重复步骤1.2,共得到样本集中第j张纸币背景图片对应的N个特征值;
步骤1.4:对样本集中A张纸币背景图片,重复步骤1.2-1.3,生成A个训练样本数据,每个训练样本数据有N个特征值;
步骤2:构建基于SVM分类器的分类模型,并利用训练样本数据对分类模型进行训练;
步骤3:利用训练好的分类模型对待处理纸币图片进行预测,识别币种。
2.根据权利要求1所述的基于图像指纹的多国纸币币种识别方法,其特征在于:所述步骤1中模板集的生成方法是:对N个不同国家的纸币背景图片按国家类别进行归类存放,得到N个模板,其中第i个模板中国家纸币背景图片的数量为Pi;所述步骤1中的样本集是没有进行归类的A张不同国家纸币背景图片的集合。
3.根据权利要求1所述的基于图像指纹的多国纸币币种识别方法,其特征在于:所述步骤1.1中感知哈希算法的具体过程是:首先将纸币背景图片缩小至8×8,并转换为64级灰度,然后将图片中每个像素点的灰度值与图片中所有像素点灰度值的平均值进行对比,大于平均值则取1,小于平均值则取0,所有像素点对比后的取值组成指纹字符串。
4.根据权利要求1所述的基于图像指纹的多国纸币币种识别方法,其特征在于:所述步骤1.2中汉明距离的计算公式为:
其中,S和T表示两张不同纸币背景图片的指纹字符串,D(S,T)表示指纹字符串S和T之间的汉明距离,L表示指纹字符串S和T的长度,S[z]表示指纹字符串S中第z个字符,⊕表示异或操作。
5.根据权利要求1所述的基于图像指纹的多国纸币币种识别方法,其特征在于:所述步骤2中构建基于SVM分类器的分类模型并进行训练的具体方法是:
步骤2.1:设置SVM分类器,并通过输入不同参数,得到M个基础核函数;
步骤2.2:对M个基础核函数,设置T次AdaBoost线性组合,其中第m个基础函数在第t次线性组合中被选中的概率是St(m),每个基础核函数在第1次线性组合中被选中的概率都设置为1;
步骤2.3:对第m个基础函数在第t+1次线性组合中被选中的概率St+1(m)进行更新,选中概率的更新公式如下:
其中,表示在第t次线性组合中第m个核函数组成的SVM分类器对于整个样本集的训练错误率,表示更新权重;
然后找出所有St+1(m)中的最大值ZS,得到最终选中概率St+1(m)←St(m)/ZS;
步骤2.4:将M个基础核函数中被选中的基础核函数通过AdaBoost加权组成MKBOOST多核分类器,其中第t个基础核函数在训练过程中的错误率为εt,则第t个分类器所占的权重为
步骤2.5:当步骤2.4中得到的MKBOOST多核分类器个数大于1时,将得到的MKBOOST多核分类器同样通过上述AdaBoost方法线性组合成分类能力更强的多核分类器。
6.根据权利要求1所述的基于图像指纹的多国纸币币种识别方法,其特征在于:所述步骤3中识别币种的具体方法是:
步骤3.1:利用感知哈希算法提取待处理纸币背景图片的指纹字符串;
步骤3.2:利用步骤1.2-1.3的方法,得到待处理纸币背景图片的N个特征值,并将最小汉明距离所对应的指纹字符串模板标号K记录下来;
步骤3.3:把特征值输入训练好的SVM分类器模型中,当计算到指纹字符串模板标号K时,对其到分类面的距离加入±1.5的偏差值,得出最终的识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810130525.5A CN108198324B (zh) | 2018-02-08 | 2018-02-08 | 一种基于图像指纹的多国纸币币种识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810130525.5A CN108198324B (zh) | 2018-02-08 | 2018-02-08 | 一种基于图像指纹的多国纸币币种识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108198324A CN108198324A (zh) | 2018-06-22 |
CN108198324B true CN108198324B (zh) | 2019-11-08 |
Family
ID=62593432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810130525.5A Expired - Fee Related CN108198324B (zh) | 2018-02-08 | 2018-02-08 | 一种基于图像指纹的多国纸币币种识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108198324B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345684A (zh) * | 2018-07-11 | 2019-02-15 | 中南大学 | 一种基于gmdh-svm的多国纸币冠字号识别方法 |
CN110969757A (zh) * | 2019-10-12 | 2020-04-07 | 恒银金融科技股份有限公司 | 一种多国钞票类型快速识别技术 |
CN111310628B (zh) * | 2020-02-10 | 2023-05-30 | 武汉科技大学 | 一种基于纸币印刷图案特征的纸币形成方式检验鉴定方法 |
CN111738079A (zh) * | 2020-05-19 | 2020-10-02 | 武汉卓目科技有限公司 | 一种钞票面额识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8917914B2 (en) * | 2011-04-05 | 2014-12-23 | Alcorn State University | Face recognition system and method using face pattern words and face pattern bytes |
CN104616392A (zh) * | 2015-01-30 | 2015-05-13 | 华中科技大学 | 一种基于局部二值模式的纸币鉴伪方法 |
CN105512289A (zh) * | 2015-12-07 | 2016-04-20 | 郑州金惠计算机系统工程有限公司 | 基于深度学习和哈希的图像检索方法 |
CN105894656A (zh) * | 2016-03-30 | 2016-08-24 | 浙江大学 | 一种纸币图像识别方法 |
CN106203487A (zh) * | 2016-06-30 | 2016-12-07 | 北京航空航天大学 | 一种基于多核学习分类器融合的图像分类方法及装置 |
-
2018
- 2018-02-08 CN CN201810130525.5A patent/CN108198324B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8917914B2 (en) * | 2011-04-05 | 2014-12-23 | Alcorn State University | Face recognition system and method using face pattern words and face pattern bytes |
CN104616392A (zh) * | 2015-01-30 | 2015-05-13 | 华中科技大学 | 一种基于局部二值模式的纸币鉴伪方法 |
CN105512289A (zh) * | 2015-12-07 | 2016-04-20 | 郑州金惠计算机系统工程有限公司 | 基于深度学习和哈希的图像检索方法 |
CN105894656A (zh) * | 2016-03-30 | 2016-08-24 | 浙江大学 | 一种纸币图像识别方法 |
CN106203487A (zh) * | 2016-06-30 | 2016-12-07 | 北京航空航天大学 | 一种基于多核学习分类器融合的图像分类方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108198324A (zh) | 2018-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108198324B (zh) | 一种基于图像指纹的多国纸币币种识别方法 | |
CN108320374B (zh) | 一种基于图像指纹的多国纸币冠字号字符识别方法 | |
WO2019179403A1 (zh) | 基于序列宽深学习的欺诈交易检测方法 | |
CN108647736A (zh) | 一种基于感知损失和匹配注意力机制的图像分类方法 | |
CN106776538A (zh) | 企业非标准格式文档的信息提取方法 | |
CN107577990A (zh) | 一种基于gpu加速检索的大规模人脸识别方法 | |
CN100585617C (zh) | 基于分类器集成的人脸识别系统及其方法 | |
CN110349229A (zh) | 一种图像描述方法及装置 | |
CN101604322A (zh) | 一种决策级文本自动分类融合方法 | |
CN110287311B (zh) | 文本分类方法及装置、存储介质、计算机设备 | |
CN109345684A (zh) | 一种基于gmdh-svm的多国纸币冠字号识别方法 | |
CN112347223B (zh) | 文档检索方法、设备及计算机可读存储介质 | |
Lai et al. | Learning discriminative feature hierarchies for off-line signature verification | |
CN106650748A (zh) | 一种基于卷积神经网络的汉字识别方法 | |
Zhou et al. | Fast minutiae extractor using neural network | |
CN114663002A (zh) | 一种自动化匹配绩效考核指标的方法及设备 | |
CN112884061A (zh) | 一种基于参数优化元学习的恶意软件家族分类方法 | |
CN116311323A (zh) | 基于对比学习的预训练文档模型对齐优化方法 | |
Shima et al. | Handwritten digits recognition by using CNN alex-net pre-trained for large-scale object image dataset | |
CN110503090A (zh) | 基于受限注意力模型的字符检测网络训练方法、字符检测方法和字符检测器 | |
CN109344276A (zh) | 一种图像指纹生成方法、图像相似度比较方法及存储介质 | |
Kumar et al. | MDP feature extraction technique for offline handwritten Gurmukhi character recognition | |
CN105139036A (zh) | 一种基于稀疏编码的手写体数字识别方法 | |
CN110674678A (zh) | 视频中敏感标志的识别方法及装置 | |
Shirazi et al. | Persian logo recognition using local binary patterns |
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 | ||
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: 20191108 Termination date: 20210208 |