CN110135491A - 一种基于svm的图像或视频识别的商品外观防伪方法 - Google Patents

一种基于svm的图像或视频识别的商品外观防伪方法 Download PDF

Info

Publication number
CN110135491A
CN110135491A CN201910393662.2A CN201910393662A CN110135491A CN 110135491 A CN110135491 A CN 110135491A CN 201910393662 A CN201910393662 A CN 201910393662A CN 110135491 A CN110135491 A CN 110135491A
Authority
CN
China
Prior art keywords
counterfeit
image
commodity
exterior
svm
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
CN201910393662.2A
Other languages
English (en)
Inventor
李银
宋江
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.)
Sichuan Zhongxinhua Sou Information Technology Co Ltd
Original Assignee
Sichuan Zhongxinhua Sou Information 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 Sichuan Zhongxinhua Sou Information Technology Co Ltd filed Critical Sichuan Zhongxinhua Sou Information Technology Co Ltd
Priority to CN201910393662.2A priority Critical patent/CN110135491A/zh
Publication of CN110135491A publication Critical patent/CN110135491A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)
  • Credit Cards Or The Like (AREA)

Abstract

本发明公开了一种基于SVM的图像或视频识别的商品外观防伪方法，属于商品防伪技术领域，一种基于SVM的图像或视频识别的商品外观防伪方法，包括以下步骤：商品信息采集，生产厂商对实物商品进行全方位视频采集，并置于不同环境中分别录制若干份，并标记：真品，采集完毕后，上传视频至本系统；商品信息预处理；建立SVM模型训练，用户使用；可以实现提供一种识别标准更接近于真人识别的防伪识别方式，便于消费者更加快捷准确的识别真假商品，极大地减少消费者买到假货的情况，同时便于商家对自身产品的防伪识别技术进行相应升级，利于对自身正版产品进行保护的同时，提升自身产品的竞争力。

Description

一种基于SVM的图像或视频识别的商品外观防伪方法
技术领域
本发明涉及商品防伪技术领域，更具体地说，涉及一种基于SVM的图像或视频识别的商品外观防伪方法。
背景技术
防伪技术是指为了达到防伪目的而采取的措施，它在一定范围内能准确鉴别真伪，并不易被仿制和复制的技术。简单的说就是防止仿造，仿冒的技术。防伪是对以欺骗为目的，且未经所有权人准许而进行仿制或复制的活动而采取的防止措施。防伪技术产品是以防伪为目的，而采用了防伪技术制成的，具有防伪功能的产品，防伪技术制作的产品本身难以复制和仿制，本身价格合理，易于检验，用于保护标的物不被复制的特殊技术，具备在一定时限内不被第三者成功复制的特点。
目前对商品的外观防伪技术大多分两类:1,印刷防伪；2，图像生成及识别算法防伪。
1，印刷防伪技术主要是利用特殊材料及垄断性印刷技术将商品商标、特殊图片图标印刷在商品外包装上，这类防伪技术基本上能杜绝造假者模仿和复制，但是最大的问题在于计算机系统不具备有效的识别能力，消费者自身对这样的防伪印刷技术也缺少识别的能力，所以此类技术能防止造假者复制，但却解决不了识别问题。
2，图像识别算法防伪现在市场流行的方案有很多，各有不同，其大致思想如下：将特定的信息加密之后，利用计算机图像算法生成特定的图像印在商品上，消费者利用智能终端(如智能手机)安装指定识别软件系统扫描图像并识别出该信息，然后该软件系统判断此信息是否有效。此类方法能有效利用计算机识别能力，但是弊端在于无法防止造假者复制和伪造图像，即使能做到防止复制，也极有可能需要消费者购买之后拆开包装之后才能进行验证，这样的代价太大，没有任何意义。
目前基本上每一种防伪手段都有相应的识别手段，如果消费者按照指导的识别手段也基本能识别出来，但现实的情况是：
1，消费者没有渠道获取到这些识别手段；
2，商品种类繁多，每种商品都有不同的识别手段，1000种商品就得掌握1000种识别手段，消费者掌握不了那么多技能；
3，商品在不断更新迭代，识别手段在更新，消费者信息更新不及时。
发明内容
1.要解决的技术问题
针对现有技术中存在的问题，本发明的目的在于提供一种基于SVM的图像或视频识别的商品外观防伪方法，它可以实现提供一种识别标准更接近于真人识别的防伪识别方式，便于消费者更加快捷准确的识别真假商品，极大地减少消费者买到假货的情况，同时便于商家对自身产品的防伪识别技术进行相应升级，利于对自身正版产品进行保护的同时，提升自身产品的竞争力。
2.技术方案
为解决上述问题，本发明采用如下的技术方案。
一种基于SVM的图像或视频识别的商品外观防伪方法，包括以下步骤：
(1)S1商品信息采集，生产厂商对实物商品进行全方位视频采集，并置于不同环境中分别录制若干份，并标记：真品，S2再找若干市场上仿冒本商品的样品进行视频采集，并标记：假品，S3采集完毕后，上传视频至本系统；
(2)商品信息预处理，从采集的视频中抽取图片，再通过图片处理算法调整所有图片大小为统一大小；
(3)建立SVM模型训练，
S4、将每张图片转换为三维矩阵，设训练集合为D＝{(x1,y1)，(x2,y2)…(xm,ym)},xm表示每个三维矩阵转化的向量，ym表示xm属于真品或者假品；
S5、对于集合D存在多个划分超平面将两类数据分开，设超平面为：为法向量(268203维向量)，b决定超平面的方向，b为位移项，决定超平面和原点之间的距离，则任意倒超平面的距离为：
设超平面能将数据正确分类，即对于(xi,yi)∈D，若yi＝+1，则有若若yi＝-1，则有
令
距离超平面最近的这几个点使上式等号成立，两个异类支持向量倒超平面的距离之和为：
为找到最大间隔，使得真品和假品尽可能分开，即：
等价于：
S6、为解决异或问题，引入核函数，将数据升到高维空间，在高维空间一定存在一个超平面使真品和假品可分，这里使用高斯(RBF)核函数，如下
x x为所有数据中的随机挑选，xi为任意数据，δ这里设置为2，所以求解公式为：
所述间隔中间部分数据满足约束条件，
所以最终公式如下
(4)用户使用，模型训练完毕之后，部署至服务器，用户通过扫描商品外包装，并上传扫描拍摄的图片至服务器，服务器得到图片数据xi，带入超平面计算，如果为-1表示假品，如果为+1表示正品，可以实现提供一种识别标准更接近于真人识别的防伪识别方式，便于消费者更加快捷准确的识别真假商品，极大地减少消费者买到假货的情况，同时便于商家对自身产品的防伪识别技术进行相应升级，利于对自身正版产品进行保护的同时，提升自身产品的竞争力。
进一步的，所述步骤(1)S1商品信息采集过程中，生产厂商对实物商品进行全方位视频采集使用的摄像设备为双机双镜头3D摄像机，便于对实物商品进行全角度的完整拍摄，从而采集足量的商品图像信息。
进一步的，所述步骤一商品信息采集过程中，对假品的寻找和录取视频为非必选项。
进一步的，所述步骤二商品信息预处理，所述图片处理算法为双线性插值法，主要方式为利用邻域像素的不同占比程度而计算得出最合适的插值像素，从而完成插值，通过选用双线性插值法对图像进行处理，便于形成颗粒感较强的图像数据，便于后续点位公式位置的划分。
进一步的，所述步骤二商品信息预处理过程中，从采集的视频中抽取的图片大小为二九九乘二九九的像素范围。
进一步的，所述步骤(3)建立SVM模型训练步骤中，S4对于任意ym∈{-1,+1}，+1表示真品，-1表示假品。
进一步的，所述
等价于：式属于凸二次规划问题，可以使用拉格朗日乘子法求解。
进一步的，所述在运算过程中，为了防止模型训练过拟合，允许部分数据不可以不满足约束条件，这样才能对未来的数据具备更良好的预测能力。
进一步的，所述最终公式m中C为
常数，可以根据样本的数量以及精度来自行调整。
进一步的，所述步骤(4)用户使用过程中，收集用户使用商品之后的反馈，明确这个商品是否为真，得到的数据用于再次训练模型，让模型的准确率更高。
3.有益效果
相比于现有技术，本发明的优点在于：
(1)本方案可以实现提供一种识别标准更接近于真人识别的防伪识别方式，便于消费者更加快捷准确的识别真假商品，极大地减少消费者买到假货的情况，同时便于商家对自身产品的防伪识别技术进行相应升级，利于对自身正版产品进行保护的同时，提升自身产品的竞争力。
(2)步骤(1)S1商品信息采集过程中，生产厂商对实物商品进行全方位视频采集使用的摄像设备为双机双镜头3D摄像机，便于对实物商品进行全角度的完整拍摄，从而采集足量的商品图像信息。
(3)步骤二商品信息预处理，所述图片处理算法为双线性插值法，主要方式为利用邻域像素的不同占比程度而计算得出最合适的插值像素，从而完成插值，通过选用双线性插值法对图像进行处理，便于形成颗粒感较强的图像数据，便于后续点位公式位置的划分。
附图说明
图1为本发明的主要工序流程图。
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。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接，可以是机械连接，也可以是电连接，可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通，对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1：
请参阅图1，一种基于SVM的图像或视频识别的商品外观防伪方法，包括以下步骤：
(1)S1商品信息采集，生产厂商对实物商品进行全方位视频采集，并置于不同环境中分别录制若干份，并标记：真品，S2再找若干市场上仿冒本商品的样品进行视频采集，并标记：假品，S3采集完毕后，上传视频至本系统；
(2)商品信息预处理，从采集的视频中抽取图片，再通过图片处理算法调整所有图片大小为统一大小；
(3)建立SVM模型训练，
S4、将每张图片转换为三维矩阵，设训练集合为D＝{(x1,y1)，(x2,y2)…(xm,ym)},xm表示每个三维矩阵转化的向量，ym表示xm属于真品或者假品；
S5、对于集合D存在多个划分超平面将两类数据分开，设超平面为：为法向量(268203维向量)，决定超平面的方向，b为位移项，决定超平面和原点之间的距离，则任意倒超平面的距离为：
设超平面能将数据正确分类，即对于(xi,yi)∈D，若yi＝+1，则有若yi＝-1，则有
令
距离超平面最近的这几个点使上式等号成立，两个异类支持向量倒超平面的距离之和为：
为找到最大间隔，使得真品和假品尽可能分开，即：
等价于：
S6、为解决异或问题，引入核函数，将数据升到高维空间，在高维空间一定存在一个超平面使真品和假品可分，这里使用高斯(RBF)核函数，如下
x x为所有数据中的随机挑选，xi为任意数据，δ这里设置为2，所以求解公式为：
间隔中间部分数据满足约束条件，
所以最终公式如下
(4)用户使用，模型训练完毕之后，部署至服务器，用户通过扫描商品外包装，并上传扫描拍摄的图片至服务器，服务器得到图片数据xi，带入超平面计算，如果为-1表示假品，如果为+1表示正品，可以实现提供一种识别标准更接近于真人识别的防伪识别方式，便于消费者更加快捷准确的识别真假商品，极大地减少消费者买到假货的情况，同时便于商家对自身产品的防伪识别技术进行相应升级，利于对自身正版产品进行保护的同时，提升自身产品的竞争力。
步骤(1)S1商品信息采集过程中，生产厂商对实物商品进行全方位视频采集使用的摄像设备为双机双镜头3D摄像机，便于对实物商品进行全角度的完整拍摄，从而采集足量的商品图像信息。
步骤一商品信息采集过程中，对假品的寻找和录取视频为非必选项。
步骤二商品信息预处理，图片处理算法为双线性插值法，主要方式为利用邻域像素的不同占比程度而计算得出最合适的插值像素，从而完成插值，通过选用双线性插值法对图像进行处理，便于形成颗粒感较强的图像数据，便于后续点位公式位置的划分。
步骤二商品信息预处理过程中，从采集的视频中抽取的图片大小为二九九乘二九九的像素范围。
步骤(3)建立SVM模型训练步骤中，S4对于任意ym∈{-1,+1}，+1表示真品，-1表示假品。
等价于：式属于凸二次规划问题，可以使用拉格朗日乘子法求解。
在运算过程中，为了防止模型训练过拟合，允许部分数据不可以不满足约束条件，这样才能对未来的数据具备更良好的预测能力。
最终公式i＝1,2，…，m中C为常数，可以根据
样本的数量以及精度来自行调整。
步骤(4)用户使用过程中，收集用户使用商品之后的反馈，明确这个商品是否为真，得到的数据用于再次训练模型，让模型的准确率更高。
本发明可以实现提供一种识别标准更接近于真人识别的防伪识别方式，便于消费者更加快捷准确的识别真假商品，极大地减少消费者买到假货的情况，同时便于商家对自身产品的防伪识别技术进行相应升级，利于对自身正版产品进行保护的同时，提升自身产品的竞争力。
以上所述，仅为本发明较佳的具体实施方式；但本发明的保护范围并不局限于此。任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其改进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。

Claims (10)

1.一种基于SVM的图像或视频识别的商品外观防伪方法，其特征在于：包括以下步骤：
(1)S1商品信息采集，生产厂商对实物商品进行全方位视频采集，并置于不同环境中分别录制若干份，并标记：真品，S2再找若干市场上仿冒本商品的样品进行视频采集，并标记：假品，S3采集完毕后，上传视频至本系统；
(2)商品信息预处理，从采集的视频中抽取图片，再通过图片处理算法调整所有图片大小为统一大小；
(3)建立SVM模型训练，
S4、将每张图片转换为三维矩阵，设训练集合为D＝{(x1,y1)，(x2,y2)...(xm,ym)},xm表示每个三维矩阵转化的向量，ym表示xm属于真品或者假品；
S5、对于集合D存在多个划分超平面将两类数据分开，设超平面为： 为法向量(268203维向量)，b决定超平面的方向，b为位移项，决定超平面和原点之间的距离，则任意倒超平面的距离为：
设超平面能将数据正确分类，即对于(xi,yi)∈D，若yi＝+1，则有若yi＝-1，则有
令
距离超平面最近的这几个点使上式等号成立，两个异类支持向量倒超平面的距离之和为：
为找到最大间隔，使得真品和假品尽可能分开，即：
等价于：
S6、为解决异或问题，引入核函数，将数据升到高维空间，在高维空间一定存在一个超平面使真品和假品可分，这里使用高斯(RBF)核函数，如下为所有数据中的随机挑选，xi为任意数据，δ这里设置为2，所以求解公式为：
所述间隔中间部分数据满足约束条件，
所以最终公式如下
(4)用户使用，模型训练完毕之后，部署至服务器，用户通过扫描商品外包装，并上传扫描拍摄的图片至服务器，服务器得到图片数据xi，带入超平面计算，如果为-1表示假品，如果为+1表示正品。
2.根据权利要求1所述的一种基于SVM的图像或视频识别的商品外观防伪方法，其特征在于：所述步骤(1)S1商品信息采集过程中，生产厂商对实物商品进行全方位视频采集使用的摄像设备为双机双镜头3D摄像机。
3.根据权利要求1所述的一种基于SVM的图像或视频识别的商品外观防伪方法，其特征在于：所述步骤一商品信息采集过程中，对假品的寻找和录取视频为非必选项。
4.根据权利要求1所述的一种基于SVM的图像或视频识别的商品外观防伪方法，其特征在于：所述步骤二商品信息预处理，所述图片处理算法为双线性插值法，主要方式为利用邻域像素的不同占比程度而计算得出最合适的插值像素，从而完成插值。
5.根据权利要求1所述的一种基于SVM的图像或视频识别的商品外观防伪方法，其特征在于：所述步骤二商品信息预处理过程中，从采集的视频中抽取的图片大小为二九九乘二九九的像素范围。
6.根据权利要求1所述的一种基于SVM的图像或视频识别的商品外观防伪方法，其特征在于：所述步骤(3)建立SVM模型训练步骤中，S4对于任意ym∈{-1,+1}，+1表示真品，-1表示假品。
7.根据权利要求1所述的一种基于SVM的图像或视频识别的商品外观防伪方法，其特征在于：所述等价于：式属于凸二次规划问题，可以使用拉格朗日乘子法求解。
8.根据权利要求1所述的一种基于SVM的图像或视频识别的商品外观防伪方法，其特征在于：所述在运算过程中，为了防止模型训练过拟合，允许部分数据不可以不满足约束条件，这样才能对未来的数据具备更良好的预测能力。
9.根据权利要求1所述的一种基于SVM的图像或视频识别的商品外观防伪方法，其特征在于：所述最终公式中C为常数，可以根据样本的数量以及精度来自行调整。
10.根据权利要求1所述的一种基于SVM的图像或视频识别的商品外观防伪方法，其特征在于：所述步骤(4)用户使用过程中，收集用户使用商品之后的反馈，明确这个商品是否为真，得到的数据用于再次训练模型，让模型的准确率更高。
CN201910393662.2A 2019-05-13 2019-05-13 一种基于svm的图像或视频识别的商品外观防伪方法 Pending CN110135491A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910393662.2A CN110135491A (zh) 2019-05-13 2019-05-13 一种基于svm的图像或视频识别的商品外观防伪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910393662.2A CN110135491A (zh) 2019-05-13 2019-05-13 一种基于svm的图像或视频识别的商品外观防伪方法

Publications (1)

Publication Number Publication Date
CN110135491A true CN110135491A (zh) 2019-08-16

Family

ID=67573372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910393662.2A Pending CN110135491A (zh) 2019-05-13 2019-05-13 一种基于svm的图像或视频识别的商品外观防伪方法

Country Status (1)

Country Link
CN (1) CN110135491A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929804A (zh) * 2019-12-03 2020-03-27 无限极（中国）有限公司 一种栽培品产地识别方法、装置、设备及介质
CN116309597A (zh) * 2023-05-23 2023-06-23 成都工业学院 一种药盒混装缺陷的视觉在线检测方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008399A (zh) * 2014-06-12 2014-08-27 哈尔滨工业大学 一种仪表检测中基于支持向量机的仪表指针抖动的识别方法
CN104298989A (zh) * 2014-08-20 2015-01-21 深圳大学 基于斑马线红外图像特征的鉴伪方法及其系统
CN107045641A (zh) * 2017-04-26 2017-08-15 广州图匠数据科技有限公司 一种基于图像识别技术的货架识别方法
CN107609559A (zh) * 2017-09-27 2018-01-19 广州市万表科技股份有限公司 一种基于vr防伪技术的识别方法和系统
CN108268889A (zh) * 2017-12-28 2018-07-10 王道顺 对雕刻凹印真伪检测方法、检测平台及检测系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008399A (zh) * 2014-06-12 2014-08-27 哈尔滨工业大学 一种仪表检测中基于支持向量机的仪表指针抖动的识别方法
CN104298989A (zh) * 2014-08-20 2015-01-21 深圳大学 基于斑马线红外图像特征的鉴伪方法及其系统
CN107045641A (zh) * 2017-04-26 2017-08-15 广州图匠数据科技有限公司 一种基于图像识别技术的货架识别方法
CN107609559A (zh) * 2017-09-27 2018-01-19 广州市万表科技股份有限公司 一种基于vr防伪技术的识别方法和系统
CN108268889A (zh) * 2017-12-28 2018-07-10 王道顺 对雕刻凹印真伪检测方法、检测平台及检测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
司马海峰 等: "《遥感图像分类中的智能计算方法》", 31 January 2018 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929804A (zh) * 2019-12-03 2020-03-27 无限极（中国）有限公司 一种栽培品产地识别方法、装置、设备及介质
CN110929804B (zh) * 2019-12-03 2024-04-09 无限极（中国）有限公司 一种栽培品产地识别方法、装置、设备及介质
CN116309597A (zh) * 2023-05-23 2023-06-23 成都工业学院 一种药盒混装缺陷的视觉在线检测方法及装置

Similar Documents

Publication Publication Date Title
US10546417B2 (en) Method and apparatus for estimating body shape
Laptev et al. Local velocity-adapted motion events for spatio-temporal recognition
Bui et al. Compact descriptors for sketch-based image retrieval using a triplet loss convolutional neural network
Luo et al. Spatio-temporal feature extraction and representation for RGB-D human action recognition
Bober MPEG-7 visual shape descriptors
Wang et al. Dense trajectories and motion boundary descriptors for action recognition
US7035467B2 (en) Method and system for processing images for themed imaging services
JP2022043070A (ja) 無人販売システム
CN102110285B (zh) 数据校正设备、其控制方法以及图像判别设备
CN101661622B (zh) 图像处理装置和图像处理方法
Geng et al. Fine-grained grocery product recognition by one-shot learning
Wang et al. Background-driven salient object detection
Tonioni et al. Domain invariant hierarchical embedding for grocery products recognition
CN110147774A (zh) 表格式图片版面分析方法和计算机存储介质
CN104915673B (zh) 一种基于视觉词袋模型的目标分类方法和系统
Hegazi et al. An improved copy-move forgery detection based on density-based clustering and guaranteed outlier removal
CN104603833B (zh) 用于将印刷对象与电子内容链接的方法和系统
CN110135491A (zh) 一种基于svm的图像或视频识别的商品外观防伪方法
Bhattacharjee et al. Query adaptive instance search using object sketches
Charles et al. A novel local mesh color texture pattern for image retrieval system
Gevers et al. Image search engines: An overview
Daniilidis et al. Computer Vision--ECCV 2010: 11th European Conference on Computer Vision, Heraklion, Crete, Greece, September 5-11, 2010, Proceedings, Part V
Soni et al. Keypoints based enhanced multiple copy‐move forgeries detection system using density‐based spatial clustering of application with noise clustering algorithm
Premalatha et al. Improved gait recognition through gait energy image partitioning
Hotta Local co-occurrence features in subspace obtained by KPCA of local blob visual words for scene classification

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: 20190816