CN108830217A - 一种基于模糊均值哈希学习的签名自动判别方法 - Google Patents
一种基于模糊均值哈希学习的签名自动判别方法 Download PDFInfo
- Publication number
- CN108830217A CN108830217A CN201810620961.0A CN201810620961A CN108830217A CN 108830217 A CN108830217 A CN 108830217A CN 201810620961 A CN201810620961 A CN 201810620961A CN 108830217 A CN108830217 A CN 108830217A
- Authority
- CN
- China
- Prior art keywords
- image
- signature
- hash
- data
- study
- 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
- G06V30/333—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明公开了一种基于模糊均值哈希学习的签名自动判别方法,涉及计算机应用技术领域,包括步骤一、对签字正数据集中的图像进行预处理,学习图像特征,利用卷积神经网络算法对签字正数据集中的图像提取图像特征。本发明的应用装置多样化,即可以通过移动终端直接访问服务端系统,也可以通过电子屏连接服务端系统,适用面广,通过本发明可以自动判别签字是否为本人,提高了身份识别的准确性;本发明自动学习用户签字模型,简化了判别真伪的难度,降低了专家人员的负担,通过实时处理的方式进行哈希学习,大大降低了计算机内存的开销,减轻了服务端的硬件压力。
Description
技术领域
本发明涉及计算机应用技术领域,特别涉及一种基于模糊均值哈希学习的签名自动判别方法。
背景技术
目前,工作人员在工作中比对是否为用户本人签字时,存在辨别过程难、用户隐私安全性不足和相似图像的区别度比较方法匮乏等问题,而且,一般的签字区分系统需要耗费大量的专家资源,该领域专家的培养成本很高,生活中比较匮乏。
现有的图像系统大都是采用近似近邻搜索,缺乏针对相似图片中具体区别域的分析;现有哈希学习方法大都应用在近似近邻检索领域,没有针对区分相似图像区别的方法,而且已有的哈希方法难以应对数据的在线处理,缺乏反馈机制,哈希学习一般需要大量训练数据,而现实中想采集大量同一个人的签字数据是很困难的。因此,需要一个可以实时处理,自动反馈的签字判别系统,有助于帮助工作人员识别用户的身份信息,减轻专家负担,提高系统安全性。
发明内容
本发明实施例提供了一种基于模糊均值哈希学习的签名自动判别方法,用以解决现有技术中存在的问题。
一种基于模糊均值哈希学习的签名自动判别方法,包括
步骤一、对签字正数据集中的图像进行预处理
利用卷积神经网络算法对签字正数据集中的图像提取图像特征,降低噪声数据对签字正数据集中的图像在哈希学习过程中造成的影响;
步骤二、对签字正数据集中的图像特征进行哈希编码
采用模糊均值哈希算法,对提取的图像特征数据进行动态哈希学习,模糊均值哈希算法首先采用在线模糊C均值聚类算法对图像特征数据进行聚类,得到动态更新的聚类中心后,再通过偏移超平面进行哈希编码,得到具有区域代表性的签字正数据集中的图像的哈希码段;
步骤三、对签字负数据集中的图像进行预处理
利用卷积神经网络算法对签字负数据集中的图像提取图像特征,降低噪声数据对签字负数据集中的图像在哈希学习过程中造成的影响;
步骤四、对签字负数据集中的图像特征进行哈希编码
采用模糊均值哈希算法,对提取的图像特征数据进行动态哈希学习,模糊均值哈希算法首先采用在线模糊C均值聚类算法对图像特征数据进行聚类,得到动态更新的聚类中心后,再通过偏移超平面进行哈希编码,得到具有区域代表性的签字负数据集中的图像的哈希码段;
步骤五、对签字正负数据集中的图像的哈希码段进行近似度区分
比对签字正负数据集中的图像的哈希码段,计算签字正负数据集中的图像间的哈希码距离,得到签字正负数据集中的图像的近似度区分系数,用于对签结果字图像区分时使用;
步骤六、对签字结果图像进行判别
首先利用卷积神经网络算法对签字结果图像进行预处理,得到签字结果图像特征,然后再对签字结果图像特征进行哈希编码,得到签字结果图像的哈希码段,再将签字结果图像的哈希码段与现有签字正负数据集图像的近似度区分系数进行比较,得到判别结果,同时将判别结果进行反馈,调整签字正负数据集中的图像的近似度区分系数。
较佳地,所述签字结果图像通过电子屏获取签字输入并扫描上传,或者通过移动设备拍照或扫描上传,所述电子屏为压感式触摸屏,所述移动设备为手机或ipad。
本发明有益效果:
(1)本发明应用装置多样化,即可以通过移动终端直接访问服务端系统,也可以通过电子屏连接服务端系统,适用面广;
(2)本发明可以自动判别签字是否为本人,提高了身份识别的准确性;
(3)本发明通过自动学习用户签字模型,简化了判别真伪的难度,降低了专家人员的负担;
(4)本发明通过实时处理的方式进行哈希学习,大大降低了计算机内存的开销,减轻了服务端的硬件压力。
附图说明
图1为本发明实施例提供的一种基于模糊均值哈希学习的签名自动判别方法的结构示意图;
图2为卷积层的结构示意图;
图3为哈希层的结构示意图;
图4为签名自动判别系统的结构示意图;
图5为本发明实施例提供的一种基于模糊均值哈希学习的签名自动判别方法的流程示意图;
图6为正样本的签名图片;
图7为正样本的编码结果;
图8为负样本的签名图片;
图9为负样本的编码结果;
图10为查询样本的签名图片;
图11为查询样本的编码结果;
图12为查询样本的判别结果。
具体实施方式
下面结合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、完整的描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
为了解决工作人员在工作中比对是否为用户本人签字的过程难、用户隐私安全性不足和相似图像的区别度比较方法匮乏等问题,本发明通过软硬件结合的方式,设计实现一种基于卷积神经网络和模糊均值哈希学习的B/S结构的签字自动判别系统,它充分利用卷积神经网络挖掘图像内部特征的能力,和哈希编码查询快的特点,解决了签字验证系统判别难,需要大量专业人士进行比对等问题。本发明是结合大数据哈希检索的信息校对系统实例的。
参照图1、图2和图3,本发明提供了一种基于模糊均值哈希学习的签名自动判别方法,包括
步骤一、对签字正数据集中的图像进行预处理
利用卷积神经网络算法对签字正数据集中的图像提取图像特征,降低噪声数据对签字正数据集中的图像在哈希学习过程中造成的影响;
利用卷积层学习图像特征,利用卷积神经网络算法对图像处理的有效性提取图像特征,降低掉噪声数据对图像样本在哈希学习过程中造成的影响。而且由于卷积神经网络属于局部连接网络,可以提取出图像的局部特征信息,有利于判别签字图像细节的区别,卷积层的计算方法如下:
其中,“act”表示激活函数;“X′”表示输入的灰度图像矩阵,由于签字主要需要图像的形态,所以选用灰度图像;“W”表示卷积核,智能签字判别系统中采用较常见的Sobel卷积核;代表进行卷积操作;“bias”表示偏置位,对数据进行偏移操作。
步骤二、对签字正数据集中的图像特征进行哈希编码
采用模糊均值哈希算法,对动态加入的数据进行动态哈希学习,模糊均值哈希算法首先采用在线模糊C均值聚类算法对图像特征数据进行聚类,得到动态更新的聚类中心后,再通过偏移超平面进行哈希编码,得到具有区域代表性的正数据集中的图像的哈希码段,便于比较签字图像的区别;
利用哈希层对签字正数据集中的图像特征进行哈希编码,所述哈希层,包括无监督学习层、量化层和编码层,所述无监督学习层包括初始静态无监督学习层和动态无监督学习层,所述量化层包括选取最大近邻组对层和建立偏移超平面层,所述编码层用于对样本进行数据的二值化学习;
所述哈希层采用一种模糊均值哈希算法,该算法可以对动态加入的数据进行动态哈希学习,有效的解决了现有哈希算法难以应对数据实时更新的问题;模糊均值哈希算法首先利用一种在线模糊C均值聚类算法(OFCM)对无标记数据进行聚类,采用最小二乘法降低损失函数,有效的提高了聚类学习过程,聚类结果可以用来对数据进行区分度学习。
聚类过程采用一种带权的损失函数:
其中,xi代表数据样本,cj代表聚类中心,代表隶属度,即每个数据样本对于聚类类别的隶属度,通过约束条件得到聚类中心的动态更新公式:
其中,xi代表数据样本,cj (t)代表初始聚类中心,
其中,xi代表数据样本,代表初始隶属度;
通过上述公式得到动态更新的聚类中心后,再通过聚类中心的偏移超平面进行哈希编码,得到具有区域代表性的哈希码段,便于比较签字图像的区别。
步骤三、对签字负数据集中的图像进行预处理
利用卷积神经网络算法对签字负数据集中的图像提取图像特征,降低噪声数据对签字负数据集中的图像在哈希学习过程中造成的影响。
步骤四、对签字负数据集中的图像特征进行哈希编码
采用模糊均值哈希算法,对动态加入的数据进行动态哈希学习,模糊均值哈希算法首先采用在线模糊C均值聚类算法对图像特征数据进行聚类,得到动态更新的聚类中心后,再通过偏移超平面进行哈希编码,得到具有区域代表性的签字负数据集中的图像的哈希码段,便于比较签字图像的区别。
步骤五、对现有签字正负数据集图像的哈希码段进行近似度区分
比对现有签字正负数据集中的图像的哈希码段,计算现有签字正负数据集中的图像间的哈希码距离,得到签字正负数据集中的图像的近似度区分系数,用于对签结果字图像区分时使用;
利用近似度区分层计算签字图像间哈希码距离,得到正负集区分度属性,主要通过比对正负集的编码聚类,得到一个近似度区分系数,用于对签字图像区分时使用,在签名自动判别系统中采用计算哈希距离和查找区别位的方式锁定区别空间,判断签字正误。
步骤六、对签字结果图像进行判别
首先利用卷积神经网络算法对签字结果图像进行预处理,得到签字结果图像特征,然后再对签字结果图像特征进行哈希编码,得到签字结果图像的哈希码段,再将签字结果图像的哈希码段与签字正负数据集中的图像的近似度区分系数进行比较,得到判别结果,同时将判别结果进行反馈,调整现有签字正负数据集图像的近似度区分系数。
利用判别层对签字结果图像进行判断,主要针对测试数据,通过与近似度系数的比较,得到签字结果图像结果,再将结果反馈回近似度区分层,调整区分度系数,通过该反馈机制延长了系统的使用寿命,还有助于提高判别系统的准确率。
硬件实施例,参照图4和图5,包括
步骤一、通过电子屏获取签字输入并扫描上传,或者通过移动设备拍照或扫描上传,所述电子屏为压感式触摸屏,所述移动设备为手机或ipad,所以,即可以通过人为手动触摸输入,屏幕可以根据感应压力大小变换笔尖粗细,也可以通过工作人员扫描后,自动截取签字区域获取签字内容,方便使用在多个领域,实现即可以用户手动输入,也可以工作人员扫描输入的高效率多功能输入端设备。
步骤二、判断输入是否有效,若无效,则重新输入或拍照或扫描并上传,若有效,则利用签名自动判别系统进行签名自动判别,通过无线WiFi连接互联网,将签字内容上传到主机进行自动判别,并返回判别结果。
步骤三、判别结束后,电子屏接收判别结果并反馈,或者移动设备接收判别结果并反馈。
本发明通过签字系统测试人员输入的签字图像实例,实时将签字图像传到主机,通过主机上的智能判别系统算法,判断出该签字是否是本人所签。
本发明首先通过深度学习技术中的卷积神经网络训练一个模型,训练阶段根据现有的签字正负集为数据集,对系统进行一种实时的训练,这种方法有利于解决已有的签名数据集样本量的不足造成系统判别结果的不准确的缺点。
训练阶段充分的利用了卷积神经网络提取图像样本的准确度的特点,对图像进行预处理,防止噪声样本对学习造成影响。
利用了模糊均值哈希学习算法,对样本提出一种模糊度,有效的利用了半监督哈希学习应对带错误样本进行哈希学习的容错性,提高了系统的鲁棒性。
卷积神经网络通过将图像进行分块,最层扫描,提取每一小区域的特征,再根据输出层的维度输出相应的图像特征,通过这个预处理的过程可以提高哈希学习过程的效率。
哈希学习通过分析数据的特征结构,将数据从原始空间映射到由{0,1}组成的汉明空间中,在计算机中计算汉明距离可以通过与或计位器快速实现,经过哈希学习后,数据被映射到不同的哈希编码子空间中,在再哈希子空间中进行图像的区别度比对,可以提高计算效率,减小内存开销。
采用自动反馈机制,即使针对少量的数据样本仍然可以训练出优秀的网络架构,进而对无标记样本进行区分,延长判别系统的生命周期。
使用数位板驱动接口实现签字压感识别,提高电子屏签字的区分度。
软件实施例:参照图6,为正样本的签名图片,参照图7,为正样本的在系统中的编码结果;
参照图8,为负样本的签名图片,参照图9,为负样本的在系统中的编码结果;
参照图10,为查询样本的签名图片,参照图11,为查询样本在系统中的的编码结果;
参照图12,为查询样本的判别结果,可知查询样本确实为本人签名。
综上所述,本发明的应用装置多样化,即可以通过移动终端直接访问服务端系统,也可以通过电子屏连接服务端系统,适用面广;本发明可以自动判别签字是否为本人,提高了身份识别的准确性;本发明通过自动学习用户签字模型,简化了判别真伪的难度,降低了专家人员的负担;本发明通过实时处理的方式进行哈希学习,大大降低了计算机内存的开销,减轻了服务端的硬件压力。
以上公开的仅为本发明的一个具体实施例,但是,本发明实施例并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (2)
1.一种基于模糊均值哈希学习的签名自动判别方法,其特征在于,包括:
步骤一、对签字正数据集中的图像进行预处理
利用卷积神经网络对签字正数据集中的图像提取图像特征,降低噪声数据对签字正数据集中的图像在哈希学习过程中造成的影响;
步骤二、对签字正数据集中的图像特征进行哈希编码
采用模糊均值哈希算法,对提取的图像特征数据进行动态哈希学习,模糊均值哈希算法首先采用在线模糊C均值聚类算法对图像特征数据进行聚类,得到动态更新的聚类中心后,再通过偏移超平面进行哈希编码,得到具有区域代表性的正数据集中的图像的哈希码段;
步骤三、对签字负数据集中的图像进行预处理
利用卷积神经网络对签字负数据集中的图像提取图像特征,降低噪声数据对签字负数据集中的图像在哈希学习过程中造成的影响;
步骤四、对签字负数据集中的图像特征进行哈希编码
采用模糊均值哈希算法,对提取的图像特征数据进行动态哈希学习,模糊均值哈希算法首先采用在线模糊C均值聚类算法对图像特征数据进行聚类,得到动态更新的聚类中心后,再通过偏移超平面进行哈希编码,得到具有区域代表性的签字负数据集中的图像的哈希码段;
步骤五、对签字正负数据集中的图像的哈希码段进行近似度区分
比对签字正负数据集中的图像的哈希码段,计算签字正负数据集中的图像间的哈希距离,得到签字正负数据集中的图像的近似度区分系数,用于对签结果字图像区分时使用;
步骤六、对签字结果图像进行判别
首先利用卷积神经网络对签字结果图像进行预处理,得到签字结果图像特征,然后再对签字结果图像特征进行哈希编码,得到签字结果图像的哈希码段,再将签字结果图像的哈希码段与签字正负数据集中的图像的近似度区分系数进行比较,得到判别结果,同时将判别结果进行反馈,调整签字正负数据集中的图像的近似度区分系数。
2.如权利要求1所述的方法,其特征在于,所述签字结果图像通过电子屏获取签字输入并扫描上传,或者通过移动设备拍照或扫描上传,所述电子屏为压感式触摸屏,所述移动设备为手机或ipad。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810620961.0A CN108830217B (zh) | 2018-06-15 | 2018-06-15 | 一种基于模糊均值哈希学习的签名自动判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810620961.0A CN108830217B (zh) | 2018-06-15 | 2018-06-15 | 一种基于模糊均值哈希学习的签名自动判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108830217A true CN108830217A (zh) | 2018-11-16 |
CN108830217B CN108830217B (zh) | 2021-10-26 |
Family
ID=64142252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810620961.0A Active CN108830217B (zh) | 2018-06-15 | 2018-06-15 | 一种基于模糊均值哈希学习的签名自动判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830217B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310294A (zh) * | 2019-07-08 | 2019-10-08 | 江苏易图地理信息科技股份有限公司 | 一种利用自适应分割面模糊c均值聚类的点云分割方法 |
CN112102908A (zh) * | 2020-09-22 | 2020-12-18 | 合肥易康达医疗卫生信息科技有限公司 | 一种电子病历可信云签名方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101252561A (zh) * | 2006-11-20 | 2008-08-27 | 美国博通公司 | 补偿数据信号的第一分量和第二分量间失衡的方法及系统 |
US20090220166A1 (en) * | 2008-02-28 | 2009-09-03 | Yahoo! Inc. | Filter for blocking image-based spam |
US20120076422A1 (en) * | 2010-09-28 | 2012-03-29 | Futurewei Technologies, Inc. | System and Method for Image Authentication |
CN103516682A (zh) * | 2012-06-19 | 2014-01-15 | Tcl集团股份有限公司 | 一种基于人脸追踪的身份认证方法、系统及电视机 |
US20140201126A1 (en) * | 2012-09-15 | 2014-07-17 | Lotfi A. Zadeh | Methods and Systems for Applications for Z-numbers |
CN104298713A (zh) * | 2014-09-16 | 2015-01-21 | 北京航空航天大学 | 一种基于模糊聚类的图片检索方法 |
CN104715021A (zh) * | 2015-02-27 | 2015-06-17 | 南京邮电大学 | 一种基于哈希方法的多标记学习的设计方法 |
US20160162671A1 (en) * | 2014-12-08 | 2016-06-09 | Intel Corporation | Multiple user biometric for authentication to secured resources |
CN106503792A (zh) * | 2016-10-25 | 2017-03-15 | 辽宁工程技术大学 | 一种基于自适应模块化神经网络的瓦斯浓度预测方法 |
CN106779073A (zh) * | 2016-12-27 | 2017-05-31 | 西安石油大学 | 基于深度神经网络的媒体信息分类方法及装置 |
CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
CN106980641A (zh) * | 2017-02-09 | 2017-07-25 | 上海交通大学 | 基于卷积神经网络的无监督哈希快速图片检索系统及方法 |
CN107403153A (zh) * | 2017-07-20 | 2017-11-28 | 大连大学 | 一种基于卷积神经网络和哈希编码的掌纹图像识别方法 |
CN107679563A (zh) * | 2017-09-15 | 2018-02-09 | 广东欧珀移动通信有限公司 | 图像处理方法和装置、系统、计算机设备 |
-
2018
- 2018-06-15 CN CN201810620961.0A patent/CN108830217B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101252561A (zh) * | 2006-11-20 | 2008-08-27 | 美国博通公司 | 补偿数据信号的第一分量和第二分量间失衡的方法及系统 |
US20090220166A1 (en) * | 2008-02-28 | 2009-09-03 | Yahoo! Inc. | Filter for blocking image-based spam |
US20120076422A1 (en) * | 2010-09-28 | 2012-03-29 | Futurewei Technologies, Inc. | System and Method for Image Authentication |
CN103516682A (zh) * | 2012-06-19 | 2014-01-15 | Tcl集团股份有限公司 | 一种基于人脸追踪的身份认证方法、系统及电视机 |
US20140201126A1 (en) * | 2012-09-15 | 2014-07-17 | Lotfi A. Zadeh | Methods and Systems for Applications for Z-numbers |
CN104298713A (zh) * | 2014-09-16 | 2015-01-21 | 北京航空航天大学 | 一种基于模糊聚类的图片检索方法 |
US20160162671A1 (en) * | 2014-12-08 | 2016-06-09 | Intel Corporation | Multiple user biometric for authentication to secured resources |
CN104715021A (zh) * | 2015-02-27 | 2015-06-17 | 南京邮电大学 | 一种基于哈希方法的多标记学习的设计方法 |
CN106503792A (zh) * | 2016-10-25 | 2017-03-15 | 辽宁工程技术大学 | 一种基于自适应模块化神经网络的瓦斯浓度预测方法 |
CN106779073A (zh) * | 2016-12-27 | 2017-05-31 | 西安石油大学 | 基于深度神经网络的媒体信息分类方法及装置 |
CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
CN106980641A (zh) * | 2017-02-09 | 2017-07-25 | 上海交通大学 | 基于卷积神经网络的无监督哈希快速图片检索系统及方法 |
CN107403153A (zh) * | 2017-07-20 | 2017-11-28 | 大连大学 | 一种基于卷积神经网络和哈希编码的掌纹图像识别方法 |
CN107679563A (zh) * | 2017-09-15 | 2018-02-09 | 广东欧珀移动通信有限公司 | 图像处理方法和装置、系统、计算机设备 |
Non-Patent Citations (4)
Title |
---|
JING ZHANG 等: "An Efficient Hyperspectral Image Retrieval Method: Deep Spectral-Spatial Feature Extraction with DCGAN and Dimensionality Reduction Using t-SNE-Based NM Hashing", 《REMOTE SENSING》 * |
JUN-YI LI 等: "Fast image search with deep convolutional neural networks and efficient hashing codes", 《2015 12TH INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY》 * |
孙银辉: "色素性皮肤病图像预处理与内容检索研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
宋晓男: "基于深度学习与相关反馈的图像检索", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310294A (zh) * | 2019-07-08 | 2019-10-08 | 江苏易图地理信息科技股份有限公司 | 一种利用自适应分割面模糊c均值聚类的点云分割方法 |
CN110310294B (zh) * | 2019-07-08 | 2022-12-09 | 江苏易图地理信息科技股份有限公司 | 一种利用自适应分割面模糊c均值聚类的点云分割方法 |
CN112102908A (zh) * | 2020-09-22 | 2020-12-18 | 合肥易康达医疗卫生信息科技有限公司 | 一种电子病历可信云签名方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108830217B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102682309B (zh) | 一种基于模板学习的人脸注册方法及装置 | |
US20210312166A1 (en) | System and method for face recognition based on dynamic updating of facial features | |
CN104778470B (zh) | 基于组件树和霍夫森林的文字检测和识别方法 | |
CN103735253A (zh) | 一种基于移动终端的中医舌象分析系统及方法 | |
US20230119593A1 (en) | Method and apparatus for training facial feature extraction model, method and apparatus for extracting facial features, device, and storage medium | |
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 | |
CN111695392B (zh) | 基于级联的深层卷积神经网络的人脸识别方法及系统 | |
CN110543811B (zh) | 一种基于深度学习的非配合式考试人员管理方法及其系统 | |
CN110008909A (zh) | 一种基于ai的实名制业务实时稽核系统 | |
CN107491728A (zh) | 一种基于边缘计算模型的人脸侦测方法及装置 | |
CN107273783A (zh) | 人脸识别系统及其方法 | |
US20190205589A1 (en) | Latent fingerprint ridge flow map improvement | |
CN108564040A (zh) | 一种基于深度卷积特征的指纹活性检测方法 | |
CN108446687A (zh) | 一种基于移动端和后台互联的自适应人脸视觉认证方法 | |
CN101582113A (zh) | 一种具有身份的人脸图像分层比对识别方法 | |
CN108537143A (zh) | 一种基于重点区域特征比对的人脸识别方法与系统 | |
CN105654054A (zh) | 基于半监督近邻传播学习和多视觉词典模型的智能视频分析方法 | |
CN108830217A (zh) | 一种基于模糊均值哈希学习的签名自动判别方法 | |
CN111695520A (zh) | 一种高精度的儿童坐姿检测与矫正方法及装置 | |
CN105184236A (zh) | 机器人人脸识别系统 | |
CN106407906A (zh) | 人脸面部识别方法 | |
CN114241557A (zh) | 图像识别方法、装置及设备、智能门锁及介质 | |
CN203970354U (zh) | 一种基于移动终端的中医舌象分析系统 | |
Shashikala et al. | Attendance Monitoring System Using Face Recognition | |
CN113673343B (zh) | 一种基于加权元度量学习的开放集掌纹识别系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |