CN109117898A - 一种手写字符识别方法及系统 - Google Patents

一种手写字符识别方法及系统 Download PDF

Info

Publication number
CN109117898A
CN109117898A CN201810935216.5A CN201810935216A CN109117898A CN 109117898 A CN109117898 A CN 109117898A CN 201810935216 A CN201810935216 A CN 201810935216A CN 109117898 A CN109117898 A CN 109117898A
Authority
CN
China
Prior art keywords
feature
hand
written character
character
convolutional neural
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
CN201810935216.5A
Other languages
English (en)
Inventor
吴香莲
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.)
Ennew Digital Technology Co Ltd
Original Assignee
Ennew Digital 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 Ennew Digital Technology Co Ltd filed Critical Ennew Digital Technology Co Ltd
Priority to CN201810935216.5A priority Critical patent/CN109117898A/zh
Publication of CN109117898A publication Critical patent/CN109117898A/zh
Pending legal-status Critical Current

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
    • G06V30/24—Character recognition characterised by the processing or recognition method
    • G06V30/242—Division of the character sequences into groups prior to recognition; Selection of dictionaries
    • G06V30/244—Division of the character sequences into groups prior to recognition; Selection of dictionaries using graphical properties, e.g. alphabet type or font
    • G06V30/2455—Discrimination between machine-print, hand-print and cursive writing
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Character Discrimination (AREA)

Abstract

本发明提出了一种手写字符识别方法及系统，所述方法及系统采用了多特征融合的特征提取策略，提取输入手写字符的梯度特征、Gabor特征、卷积神经网络特征将其融合，充分的提取字符的有用信息；同时，针对卷积神经网络分类层的分类性能一般的问题，采用支撑向量机分类器，将上述三种特征进行串行连接，然后输入主成分分析模型进行降维处理得到特征向量，输入支撑向量机分类器实现字符识别，提高分类能力，增加字符提取准确率。

Description

一种手写字符识别方法及系统
技术领域
本发明涉及人工智能领域，更具体地，涉及人工智能领域内一种手写字符识别方法及系统。
背景技术
字符识别技术是人工智能领域一个极其重要的分支。字符识别尤其是手写字符识别一直是图像识别领域的热点和难点。
目前的手写字符识别方法主要分为两类。一类是传统的手写字符识别方法。该类方法主要通过对字符进行预处理、分割出单个字符，然后提取单个字符的人工特征，主要为结构特征和统计特征，结构特征又包括笔画特征、角点特征、拓扑结构等，统计特征又包括网格特征、方向线素特征等，然后将这些人工特征通过某种方式组合成特征向量，再将特征向量送到传统的分类器中进行训练和识别、或者直接通过决策树进行识别。该方法需要人工提取字符特征，特征选择和提取复杂而繁琐，且背景复杂的字符图片提取到的特征可能含有大量的噪声。
另一类是基于深度学习的手写字符识别方法。该类方法主要通过深度神经网络(一般为卷积神经网络，CNN)对手写字符进行识别。首先通过海量的样本对CNN进行训练，然后将字符图像原图输入到已经训练好的CNN网络中，从输出层得到识别结果。该类方法也存在一定的缺陷，在CNN中，字符图像从低层到高层逐层传递，必然存在有用信息的逐层损耗。另外，卷积神经网络本身特征提取能力较强，但是其分类层分类性能一般。
发明内容
针对上述技术问题，本发明提供一种手写字符识别方法及系统，以解决现有的卷积神经网络手写字符识别的特征损耗和分类器性能低的问题。为解决上述技术问题，本发明采用如下技术方案：
一种手写字符识别方法，包括：
输入手写字符；
提取所述输入手写字符的梯度特征；
提取所述输入手写字符的Gabor特征；
提取所述输入手写字符的卷积神经网络特征；
将所述梯度特征、所述Gabor特征、所述卷积神经网络特征进行串行连接，然后输入主成分分析模型进行降维处理；
将所述输入主成分分析模型进行降维处理后的特征输入支撑向量机模型进行分类，识别所述字符。
优选的，所述提取所述输入手写字符的梯度特征包括提取手写字符的n 方向梯度特征，梯度算子采取Sobel算子。将n个梯度特征图分别按块计算块平均值，将所有块的平均值串联成特征向量，得到梯度特征向量，其中， n>1。
优选的，所述提取所述输入手写字符的Gabor梯度特征包括提取手写字符的n方向、m个频率尺度的Gabor特征，将得到的n×m个特征图分别按块计算块平均值，将所有块的平均值串联成特征向量，得到Gabor梯度特征向量。
优选的，所述提取所述输入手写字符的卷积神经网络特征包括训练卷积神经网络网络，提取卷积神经网络与分类层相连的最后一层全连接层的输出，作为提取到的卷积神经网络特征。
优选的，所述将所述梯度特征、所述Gabor梯度特征、所述卷积神经网络特征进行串行连接包括将所述梯度特征、所述Gabor梯度特征、所述卷积神经网络特征按1:1:1的连接权值进行串行连接。
优选的，所述将所述输入主成分分析模型进行降维处理后的特征输入支撑向量机模型进行分类，识别所述字符包括训练支撑向量机模型分类器，并将降维后的特征向量送入支撑向量机模型中进行分类，得到识别结果。
一种手写字符识别系统，包括：
手写字符输入模块，用于输入所述手写字符；
第一特征提取模块，用于提取所述手写字符输入模块输入的手写字符的梯度特征；
第二特征提取模块，用于提取所述手写字符输入模块输入的手写字符的 Gabor特征；
第三特征提取模块，用于提取所述手写字符输入模块输入的手写字符的卷积神经网络特征；
特征串行模块，用于将所述第一特征提取模块提取的所述梯度特征、所述第二特征提取模块提取的所述Gabor梯度特征、所述第三特征提取模块提取的所述卷积神经网络特征进行串行连接，然后输入主成分分析模型进行降维处理；
分类模块，用于将所述输入主成分分析模型进行降维处理后的特征输入支撑向量机模型进行分类，识别所述字符。
优选的，所述第一特征提取模块用于提取手写字符的n方向梯度特征，梯度算子采取Sobel算子。将n个梯度特征图分别按块计算块平均值，将所有块的平均值串联成特征向量，得到梯度特征向量，其中，n>1。。
优选的，所述第二特征提取模块用于提取手写字符的n方向、m个频率尺度的Gabor特征，将得到的n×m个特征图分别按块计算块平均值，将所有块的平均值串联成特征向量，得到Gabor梯度特征向量,其中，m≥1。
优选的，所述第三特征提取模块用于训练卷积神经网络网络，提取卷积神经网络与分类层相连的最后一层全连接层的输出，作为提取到的卷积神经网络特征。
优选的，所述特征串行模块用于将所述梯度特征、所述Gabor梯度特征、所述卷积神经网络特征按1:1:1的连接权值进行串行连接。
优选的，所述分类模块用于将所述输入主成分分析模型进行降维处理后的特征输入支撑向量机模型进行分类，识别所述字符包括训练支撑向量机分类器，并将降维后的特征向量送入支撑向量机中进行分类，得到识别结果。
本发明的字符识别方法及系统将传统的字符特征和深度学习相结合，进行多特征融合，可以充分的提取字符的有用信息，避免在信息的逐层传递中有用信息的丢失。另外，本发明并用传统的支撑向量机代替卷积神经网络的分类层，分类能力大大增强，可以有效提高手写字符的识别准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的手写字符识别方法的整体流程图。
图2为本发明实施例所述的水平和垂直方向sobel算子模板。
图3为本发明实施例所述的字符经过特度特征提取后得到的8个不同方向的特征图。
图4为本发明实施例所述的字符经过Gabor特征提取后得到的16个不同方向和尺度的Gabor特征图。
图5为本发明实施例所述的手写字符识别系统的整体结构图。
具体实施方式
以下结合说明书附图及具体实施例对本发明的技术方案进行清楚、完整地描述。
实施例一：
参照说明书附图1，本发明的手写字符的识别方法的技术方案实现流程如下：
S1.输入手写字符。
具体的，手写字符可以为图像格式。
S2.提取输入手写字符的梯度特征；
具体的，现以8方向Gradient(梯度特征)特征为例进行说明。
提取输入手写字符的8方向Gradient特征(梯度特征)，梯度算子采取 Sobel算子(索贝尔算子)，将8个梯度特征图分别按块计算该块的平均值，将所有块的平均值串联成特征向量，即为Gradient梯度特征向量。
具体的，首先将字符图像I归一化到48*48的尺度大小，并提取手写字符图像的Gradient八方向梯度特征Xgradient，梯度算子采用常用的3*3的Sobel 算子模板。为了得到图像水平和垂直方向的梯度值，只需将图像分别与这两种模板作进行卷积运算，如图2所示。
进一步地，如果以Gx及Gy分别代表图像像素点(x,y)经过横向边缘检测和纵向边缘检测后的灰度值，其可以表示为公式(1)：
将得到的梯度特征值向量分解成0、π/8、π/4、3π/4、π、5π/8、3π/4、7π/8等n个不同方向的投影向量，这样每个像素点的Gradient特征都可以用一个n维的特征向量表示。分解过程可以用下列公式(2)表示：
假设某像素点的梯度值G被分解为最近的π/4和π/2两个方向，可以计算得到该像素点的八方向梯度向量为(G1,G2,0,0,0,0,0,0)，如此对于一个字符图像，可以得到8个不同方向的梯度特征图，每个梯度特征图表示字符所有像素点在一个方向的梯度值。将每个特征图均匀的划分为多个“小块”，块的大小为 6*6，分别计算每个块的平均值，最终将所有块的平均值串联得到Gradient 特征向量X1×384。图3表示字符提取到的8方向梯度特征图。
S3.提取输入手写字符的Gabor特征(加布尔特征)。
具体的，现以8方向Gradient(梯度特征)特征，2个频率尺度的Gabor 特征为例进行说明。
提取手写字符的n方向、2个频率尺度的Gabor特征，将得到的16个特征图分别按块计算块平均值，将所有块的平均值串联成特征向量，即为Gabor 梯度特征向量。
具体的，提取手写字符n个方向、2个频率尺度的Gabor特征。二维 Gabor变换函数可以简化为公式(3)：
其中：
x′＝xcosθ+ysinθ
y′＝ycosθ-xsinθ
w＝2πf (3)
Gabor滤波器的特性由其频率尺度f和方向参数θ决定，θ决定Gabor滤波器的方向，f表示Gabor滤波器的中心频率，不同的f和θ可以得到一组方向不同的滤波器组。对于图像I(x,y)而言，其Gabor特征即为Gabor滤波器与原始图像卷积的幅值，同样，可以得到16个Gabor特征图。本发明实施例中选择0、π/8、π/4、3π/4、π、5π/8、3π/4、7π/88个不同的滤波方向进行滤波，得到不同方向的纹理信息。经过试验，频率尺度选择时滤波器提取到的纹理信息比较丰富，附图图4为8个不同方向、2个尺度共16个Gabor滤波器的实部图以及待识别字符“报”分别经过16个Gabor滤波器滤波后得到的 Gabor特征图。同样，将每个特征图均匀的划分为多个“小块”，每个块的大小为6*8，分别按块计算平均值，并将所有的平均值串联得到Gabor特征向量X1×576。
S4.提取输入手写字符的CNN(卷积神经网络)特征。
具体的，训练CNN网络，提取CNN与分类层相连的最后一层全连接层。

Claims (12)

1.一种手写字符识别方法，包括：
输入手写字符；
提取所述输入手写字符的梯度特征；
提取所述输入手写字符的Gabor特征；
提取所述输入手写字符的卷积神经网络特征；
将所述梯度特征、所述Gabor特征、所述卷积神经网络特征进行串行连接，然后输入主成分分析模型进行降维处理；
将所述输入主成分分析模型进行降维处理后的特征输入支撑向量机模型进行分类，识别所述字符。
2.如权利要求1所述的手写字符识别方法，其特征在于：
所述提取所述输入手写字符的梯度特征包括提取手写字符的n方向梯度特征，梯度算子采取Sobel算子；
将n个梯度特征图分别按块计算块平均值，将所有块的平均值串联成特征向量，得到梯度特征向量；
其中，n>1。
3.如权利要求2所述的手写字符识别方法，其特征在于：
所述提取所述输入手写字符的Gabor特征包括提取手写字符的n方向、m个频率尺度的Gabor特征，将得到的n×m个特征图分别按块计算块平均值，将所有块的平均值串联成特征向量，得到Gabor特征向量；
其中，m≥1。
4.如权利要求3所述的手写字符识别方法，其特征在于：
所述提取所述输入手写字符的卷积神经网络特征包括训练卷积神经网络网络，提取卷积神经网络与分类层相连的最后一层全连接层的输出，作为提取到的卷积神经网络特征。
5.如权利要求4所述的手写字符识别方法，其特征在于：
所述将所述梯度特征、所述Gabor特征、所述卷积神经网络特征进行串行连接包括将所述梯度特征、所述Gabor特征、所述卷积神经网络特征按1:1:1的连接权值进行串行连接。
6.如权利要求5所述的手写字符识别方法，其特征在于：
所述将所述输入主成分分析模型进行降维处理后的特征输入支撑向量机模型进行分类，识别所述字符包括训练支撑向量机分类器，并将降维后的特征向量送入支撑向量机中进行分类，得到识别结果。
7.一种手写字符识别系统，包括：
手写字符输入模块，用于输入所述手写字符；
第一特征提取模块，用于提取所述手写字符输入模块输入的手写字符的梯度特征；
第二特征提取模块，用于提取所述手写字符输入模块输入的手写字符的Gabor特征；
第三特征提取模块，用于提取所述手写字符输入模块输入的手写字符的卷积神经网络特征；
特征串行模块，用于将所述第一特征提取模块提取的所述梯度特征、所述第二特征提取模块提取的所述Gabor特征、所述第三特征提取模块提取的所述卷积神经网络特征进行串行连接，然后输入主成分分析模型进行降维处理；
分类模块，用于将所述输入主成分分析模型进行降维处理后的特征输入支撑向量机模型进行分类，识别所述字符。
8.如权利要求7所述的手写字符识别系统，其特征在于：
所述第一特征提取模块用于提取所述手写字符输入模块输入的手写字符的n方向梯度特征，梯度算子采取Sobel算子；
将n个梯度特征图分别按块计算块平均值，将所有块的平均值串联成特征向量，得到梯度特征向量；其中，n>1。
9.如权利要求n所述的手写字符识别系统，其特征在于：
所述第二特征提取模块用于提取所述手写字符输入模块输入的手写字符的n方向、m个频率尺度的Gabor特征，将得到的n×m个特征图分别按块计算块平均值，将所有块的平均值串联成特征向量，得到Gabor特征向量，其中，m≥1。
10.如权利要求9所述的手写字符识别系统，其特征在于：
所述第三特征提取模块，用于接收所述手写字符输入模块输入的手写字符，训练卷积神经网络网络，提取卷积神经网络与分类层相连的最后一层全连接层的输出，作为提取到的卷积神经网络特征。
11.如权利要求10所述的手写字符识别系统，包括：
所述特征串行模块，用于将所述梯度特征、所述Gabor特征、所述卷积神经网络特征按1:1:1的连接权值进行串行连接。
12.如权利要求11所述的手写字符识别系统，其特征在于：
所述分类模块，用于将所述输入主成分分析模型进行降维处理后的特征输入支撑向量机模型进行分类，识别所述字符包括训练支撑向量机分类器，并将降维后的特征向量送入支撑向量机中进行分类，得到识别结果。
CN201810935216.5A 2018-08-16 2018-08-16 一种手写字符识别方法及系统 Pending CN109117898A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810935216.5A CN109117898A (zh) 2018-08-16 2018-08-16 一种手写字符识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810935216.5A CN109117898A (zh) 2018-08-16 2018-08-16 一种手写字符识别方法及系统

Publications (1)

Publication Number Publication Date
CN109117898A true CN109117898A (zh) 2019-01-01

Family

ID=64853326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810935216.5A Pending CN109117898A (zh) 2018-08-16 2018-08-16 一种手写字符识别方法及系统

Country Status (1)

Country Link
CN (1) CN109117898A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753575A (zh) * 2019-03-26 2020-10-09 杭州海康威视数字技术股份有限公司 文本识别方法、装置及设备
CN112507866A (zh) * 2020-12-03 2021-03-16 润联软件系统(深圳)有限公司 一种汉字字向量生成方法、装置、计算机设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254196A (zh) * 2011-06-22 2011-11-23 江苏奥博洋信息技术有限公司 计算机鉴别手写汉字的方法
CN102509112A (zh) * 2011-11-02 2012-06-20 珠海逸迩科技有限公司 车牌识别方法及其识别系统
CN106529592A (zh) * 2016-11-07 2017-03-22 湖南源信光电科技有限公司 一种基于混合特征与灰度投影的车牌识别方法
CN106845510A (zh) * 2016-11-07 2017-06-13 中国传媒大学 基于深度层级特征融合的中国传统视觉文化符号识别方法
CN107004140A (zh) * 2014-12-05 2017-08-01 星球智能有限责任公司 文本识别方法和计算机程序产品
CN107688784A (zh) * 2017-08-23 2018-02-13 福建六壬网安股份有限公司 一种基于深层特征和浅层特征融合的字符识别方法及存储介质
CN108197622A (zh) * 2017-12-26 2018-06-22 新智数字科技有限公司 一种车牌检测方法、装置以及设备
US20180190377A1 (en) * 2016-12-30 2018-07-05 Dirk Schneemann, LLC Modeling and learning character traits and medical condition based on 3d facial features

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254196A (zh) * 2011-06-22 2011-11-23 江苏奥博洋信息技术有限公司 计算机鉴别手写汉字的方法
CN102509112A (zh) * 2011-11-02 2012-06-20 珠海逸迩科技有限公司 车牌识别方法及其识别系统
CN107004140A (zh) * 2014-12-05 2017-08-01 星球智能有限责任公司 文本识别方法和计算机程序产品
CN106529592A (zh) * 2016-11-07 2017-03-22 湖南源信光电科技有限公司 一种基于混合特征与灰度投影的车牌识别方法
CN106845510A (zh) * 2016-11-07 2017-06-13 中国传媒大学 基于深度层级特征融合的中国传统视觉文化符号识别方法
US20180190377A1 (en) * 2016-12-30 2018-07-05 Dirk Schneemann, LLC Modeling and learning character traits and medical condition based on 3d facial features
CN107688784A (zh) * 2017-08-23 2018-02-13 福建六壬网安股份有限公司 一种基于深层特征和浅层特征融合的字符识别方法及存储介质
CN108197622A (zh) * 2017-12-26 2018-06-22 新智数字科技有限公司 一种车牌检测方法、装置以及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴香莲: "卷积神经网字符识别算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753575A (zh) * 2019-03-26 2020-10-09 杭州海康威视数字技术股份有限公司 文本识别方法、装置及设备
CN112507866A (zh) * 2020-12-03 2021-03-16 润联软件系统(深圳)有限公司 一种汉字字向量生成方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN104268583B (zh) 基于颜色区域特征的行人重识别方法及系统
CN108460356A (zh) 一种基于监控系统的人脸图像自动处理系统
CN105718889B (zh) 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法
CN108549926A (zh) 一种用于精细化识别车辆属性的深度神经网络及训练方法
CN102194114B (zh) 一种基于边缘梯度方向金字塔直方图的虹膜识别方法
CN105956560A (zh) 一种基于池化多尺度深度卷积特征的车型识别方法
CN107729872A (zh) 基于深度学习的人脸表情识别方法及装置
CN103714181B (zh) 一种层级化的特定人物检索方法
CN105005765A (zh) 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法
CN105205804A (zh) 血细胞图像中白细胞的核浆分离方法、分类方法及装置
CN106548149A (zh) 监控视频序列中人脸微表情图像序列的识别方法
CN110082821A (zh) 一种无标签框微地震信号检测方法及装置
CN107066966A (zh) 一种基于关键点区域图像的人脸识别方法
CN108710916A (zh) 图片分类的方法及装置
Kuijper et al. Scale space hierarchy
CN109241814A (zh) 基于yolo神经网络的行人检测方法
CN107622261A (zh) 基于深度学习的人脸年龄估计方法及装置
CN110046544A (zh) 基于卷积神经网络的数字手势识别方法
CN105956552A (zh) 一种人脸黑名单监测方法
CN110009051A (zh) 特征提取单元及方法、dcnn模型、识别方法及介质
CN109117898A (zh) 一种手写字符识别方法及系统
CN115393944A (zh) 一种基于多维特征融合的微表情识别方法
CN107578005A (zh) 一种复数小波变换域lbp人脸识别方法
CN114782979A (zh) 一种行人重识别模型的训练方法、装置、存储介质及终端
CN112766145B (zh) 人工神经网络的人脸动态表情识别方法及装置

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: 20190101