CN110210503B - 一种印章识别方法和装置以及设备 - Google Patents
一种印章识别方法和装置以及设备 Download PDFInfo
- Publication number
- CN110210503B CN110210503B CN201910515734.6A CN201910515734A CN110210503B CN 110210503 B CN110210503 B CN 110210503B CN 201910515734 A CN201910515734 A CN 201910515734A CN 110210503 B CN110210503 B CN 110210503B
- Authority
- CN
- China
- Prior art keywords
- seal
- training
- sample
- twin network
- deep
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 142
- 238000005260 corrosion Methods 0.000 claims abstract description 28
- 230000007797 corrosion Effects 0.000 claims abstract description 28
- 238000011478 gradient descent method Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 230000008901 benefit Effects 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000003247 decreasing effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 abstract description 61
- 238000010801 machine learning Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种印章识别方法和装置以及设备。其中，所述方法包括：将经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对，输入深度孪生网络进行参数训练，和采用对比损失函数作为该进行参数训练的深度孪生网络的损失函数，和将该进行参数训练的训练样本划分成不同大小的梯度下降，在不同的梯度下降上利用随机梯度下降法训练深度孪生网络，完成对深度孪生网络的训练，以及根据该完成训练的深度孪生网络，对印章进行识别。通过上述方式，能够实现在缺少足够可利用的印章训练样本的情况下，能够将机器学习方式应用于印章识别中，提高了印章识别的识别率。
Description
技术领域
本发明涉及印章识别技术领域，尤其涉及一种印章识别方法和装置以及设备。
背景技术
随着经济的迅猛发展，企事业单位之间、个体和单位之间的票据往来迅速增长，犯罪分子伪造印章获取高额利润的案例也随之日益增多，由于缺乏对印章的有效识别，使得犯罪分子进行商业诈骗谋取暴利的行为得以实现，给社会带来极大损失。早期的人工折角识别印章真伪的方式无论是在检测速度上还是检测精度上都已经无法满足要求，而且识别过程中具有强烈的主观因素。
为了提高印章识别成效，预防与减少印章身份犯罪对个体和社会的巨额损失，采用机器视觉技术准确识别印章已成为迫切需要解决的问题。快速准确地识别印章真伪对于个人、社会团体、单位具有重大的现实意义，也成为社会稳定发展的迫切需求。
目前，传统机器学习通常有两个基本假设，即训练样本与测试样本满足独立同分布的假设和必须有足够可利用的训练样本假设。而印章识别中，由于缺少足够可利用的训练样本，因此很难将传统的机器学习方法应用于印章识别中。
但是，发明人发现现有技术中至少存在如下问题：
现有的印章识别方案，由于缺少足够可利用的印章训练样本，很难将机器学习方式应用于印章识别中。
发明内容
有鉴于此，本发明的目的在于提出一种印章识别方法和装置以及设备，能够实现在缺少足够可利用的印章训练样本的情况下，能够将机器学习方式应用于印章识别中，提高了印章识别的识别率。
根据本发明的一个方面，提供一种印章识别方法，包括：
利用数字扫描设备对企业的预留印鉴卡进行扫描，获得同一企业的不同预留印章数字图像；
将所述获得的同一企业的不同预留印章数字图像的样本集进行分类，并进行标定，形成训练样本；
利用尺度不变特征转换算法，以基准印章样本为标准，对每个企业的印章进行旋转，平移，移位变换后，形成新的印章，并对所述形成的新的印章进行两两组合形成同向样本对和反向样本对分类；
对所述形成的训练样本和所述形成的新的印章进行两两组合形成同向样本对和反向样本对分类进行图像的腐蚀或膨胀运算，以模拟盖章时墨浓淡的情况，并对所述经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对；
将所述经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对，输入深度孪生网络进行参数训练；
采用对比损失函数作为所述进行参数训练的深度孪生网络的损失函数；
将所述进行参数训练的训练样本划分成不同大小的梯度下降，在不同的梯度下降上利用随机梯度下降法训练深度孪生网络，完成对深度孪生网络的训练；
根据所述完成训练的深度孪生网络，对印章进行识别。
其中，所述将所述获得的同一企业的不同预留印章数字图像的样本集进行分类，包括：
将同一企业的不同预留印章数字图像中的其中一个数字图像做为数字图像基准印章样本；
根据所述做为数字图像基准印章样本，所述将所述获得的同一企业的不同预留印章数字图像的样本集进行两两组合形成同向样本对和反向样本对分类。
其中，所述作为所述进行参数训练的深度孪生网络的损失函数的对比损失函数的形式，包括：
其中，X1，X2为深度孪生网络的输入，Y为判别因子，说明X1和X2是否匹配的二值标签，如果X1和X2相似，则Y＝0，如果不相似则Y＝1，w表示深度孪生网络的参数，其中Dw为深度孪生网络输出的两个特征向量的欧式距离，其形式包括：
Dw(X1,X2)＝||Fw(X1)-Fw(X2)||2；
其中Fw(X1)表示输入为X1时深度孪生网络所输出的特征向量，Fw(X2)表示输入为X2时深度孪生网络所输出的特征向量。|| ||2表示2范数，这样的好处是能够实现将对比损失函数作为所述进行参数训练的深度孪生网络的损失函数。
其中，假设所述深度孪生神经网络有K层，第k层(k＝1,2,…,K)输入为：
则第k层输出为：
wk表示第k层的系数，bk为第k层的偏置向量，f()为S型生长曲线Sigmoid函数；其中，所述深度孪生神经网络的输出的特征向量，包括：
所述随机梯度下降法训练深度孪生网络参数过程，包括：
深度孪生网络的训练目标为最小化损失函数L(w,Y,X1,X1)，训练参数wk和bk，使得当输入相似印章样本时的Dw单调递减，当输入不同的印章时的Dw单调递增，这样的好处是能够便于对所述深度孪生神经网络进行训练。
其中，在所述根据所述完成训练的深度孪生网络，对印章进行识别之后，还包括：
对所述进行识别之后的印章进行管理。
根据本发明的一个方面，提供一种印章识别装置，包括：
获得模块、形成模块、分类模块、组合模块、参数训练模块、作为模块、训练模块和识别模块；
所述获得模块，用于利用数字扫描设备对企业的预留印鉴卡进行扫描，获得同一企业的不同预留印章数字图像；
所述形成模块，用于将所述获得的同一企业的不同预留印章数字图像的样本集进行分类，并进行标定，形成训练样本；
所述分类模块，用于利用尺度不变特征转换算法，以基准印章样本为标准，对每个企业的印章进行旋转，平移，移位变换后，形成新的印章，并对所述形成的新的印章进行两两组合形成同向样本对和反向样本对分类；
所述组合模块，用于对所述形成的训练样本和所述形成的新的印章进行两两组合形成同向样本对和反向样本对分类进行图像的腐蚀或膨胀运算，以模拟盖章时墨浓淡的情况，并对所述经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对；
所述参数训练模块，用于将所述经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对，输入深度孪生网络进行参数训练；
所述作为模块，用于采用对比损失函数作为所述进行参数训练的深度孪生网络的损失函数；
所述训练模块，用于将所述进行参数训练的训练样本划分成不同大小的梯度下降，在不同的梯度下降上利用随机梯度下降法训练深度孪生网络，完成对深度孪生网络的训练；
所述识别模块，用于根据所述完成训练的深度孪生网络，对印章进行识别。
其中，所述形成模块，具体用于：
将同一企业的不同预留印章数字图像中的其中一个数字图像做为数字图像基准印章样本，和根据所述做为数字图像基准印章样本，所述将所述获得的同一企业的不同预留印章数字图像的样本集进行两两组合形成同向样本对和反向样本对分类。
其中，所述作为所述进行参数训练的深度孪生网络的损失函数的对比损失函数的形式，包括：
其中，X1，X2为深度孪生网络的输入，Y为判别因子，说明X1和X2是否匹配的二值标签，如果X1和X2相似，则Y＝0，如果不相似则Y＝1，w表示深度孪生网络的参数，其中Dw为深度孪生网络输出的两个特征向量的欧式距离，其形式包括：
Dw(X1,X2)＝||Fw(X1)-Fw(X2)||2；
其中Fw(X1)表示输入为X1时深度孪生网络所输出的特征向量，Fw(X2)表示输入为X2时深度孪生网络所输出的特征向量。|| ||2表示2范数。
其中，假设所述深度孪生神经网络有K层，第k层(k＝1,2,…,K)输入为：
则第k层输出为：
wk表示第k层的系数，bk为第k层的偏置向量，f()为S型生长曲线Sigmoid函数；其中，所述深度孪生神经网络的输出的特征向量，包括：
所述随机梯度下降法训练深度孪生网络参数过程，包括：
深度孪生网络的训练目标为最小化损失函数L(w,Y,X1,X1)，训练参数wk和bk，使得当输入相似印章样本时的Dw单调递减，当输入不同的印章时的Dw单调递增。
其中，所述印章识别装置，还包括：
管理模块；
所述管理模块，用于对所述进行识别之后的印章进行管理。
根据本发明的又一个方面，提供一种印章识别设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的印章识别方法。
根据本发明的再一个方面，提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的印章识别方法。
可以发现，以上方案，可以利用数字扫描设备对企业的预留印鉴卡进行扫描，获得同一企业的不同预留印章数字图像，和将该获得的同一企业的不同预留印章数字图像的样本集进行分类，并进行标定，形成训练样本和利用尺度不变特征转换算法，以基准印章样本为标准，对每个企业的印章进行旋转，平移，移位等变换后，形成新的印章，并对该形成的新的印章进行两两组合形成同向样本对和反向样本对分类，和对该形成的训练样本和该形成的新的印章进行两两组合形成同向样本对和反向样本对分类进行图像的腐蚀或膨胀运算，以模拟盖章时墨浓淡的情况，并对该经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对，和将该经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对，输入深度孪生网络进行参数训练，和采用对比损失函数作为该进行参数训练的深度孪生网络的损失函数，和将该进行参数训练的训练样本划分成不同大小的梯度下降，在不同的梯度下降上利用随机梯度下降法训练深度孪生网络，完成对深度孪生网络的训练，以及根据该完成训练的深度孪生网络，对印章进行识别，能够实现在缺少足够可利用的印章训练样本的情况下，能够将机器学习方式应用于印章识别中，提高了印章识别的识别率。
进一步的，以上方案，可以将同一企业的不同预留印章数字图像中的其中一个数字图像做为数字图像基准印章样本，和根据该做为数字图像基准印章样本，该将该获得的同一企业的不同预留印章数字图像的样本集进行两两组合形成同向样本对和反向样本对分类，这样的好处是能够实现对同一企业的不同预留印章数字图像的样本集进行分类。
进一步的，以上方案，该作为该进行参数训练的深度孪生网络的损失函数的对比损失函数的形式可以包括：
进一步的，以上方案，可以假设该深度孪生神经网络有K层，第k层(k＝1,2,…,K)输入为：
则第k层输出为
wk表示第k层的系数，bk为第k层的偏置向量，f()为S型生长曲线Sigmoid函数；其中，该深度孪生神经网络的输出的特征向量，可以包括
该随机梯度下降法训练深度孪生网络参数过程，可以包括
深度孪生网络的训练目标为最小化损失函数L(w,Y,X1,X1)，训练参数wk和bk，使得当输入相似印章样本时的Dw单调递减，当输入不同的印章时的Dw单调递增，这样的好处是能够便于对该深度孪生神经网络进行训练。
进一步的，以上方案，可以对该进行识别之后的印章进行管理，这样的好处是能够实现对经识别后的印章进行有效管理。
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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明印章识别方法一实施例的流程示意图；
图2是本发明印章识别方法另一实施例的流程示意图；
图3是本发明印章识别装置一实施例的结构示意图；
图4是本发明印章识别装置另一实施例的结构示意图；
图5是本发明印章识别设备一实施例的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明作进一步的详细描述。特别指出的是，以下实施例仅用于说明本发明，但不对本发明的范围进行限定。同样的，以下实施例仅为本发明的部分实施例而非全部实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明提供一种印章识别方法，能够实现在缺少足够可利用的印章训练样本的情况下，能够将机器学习方式应用于印章识别中，提高了印章识别的识别率。
请参见图1，图1是本发明印章识别方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括如下步骤：
S101：利用数字扫描设备对企业的预留印鉴卡进行扫描，获得同一企业的不同预留印章数字图像。
在本实施例中，一般每个企业可以得到一定数量例如5-6个印章数字图像。
S102：将该获得的同一企业的不同预留印章数字图像的样本集进行分类，并进行标定，形成训练样本。
其中，该将该获得的同一企业的不同预留印章数字图像的样本集进行分类，可以包括：
将同一企业的不同预留印章数字图像中的其中一个数字图像做为数字图像基准印章样本；
根据该做为数字图像基准印章样本，该将该获得的同一企业的不同预留印章数字图像的样本集进行两两组合形成同向样本对和反向样本对分类，这样的好处是能够实现对同一企业的不同预留印章数字图像的样本集进行分类。
在本实施例中，同向样本对可以由基准印章样本和同一企业的预留印章样本组成，反向样本对可以由基准印章样本和不同企业的预留印章样本组成，本发明不加以限定。
S103：利用SIFT(Scale-Invariant Feature Transform，尺度不变特征转换)算法，以基准印章样本为标准，对每个企业的印章进行旋转，平移，移位等变换后，形成新的印章，并对该形成的新的印章进行两两组合形成同向样本对和反向样本对分类。
在本实施例中，利用该SIFT算法，可以对数字图像进行特征点提取，可以根据该提取的特征点，建立尺度空间并及中寻找极值点。
尺度空间L(x,y,σ)可由基准印章样本I(x,y)和高斯核卷积G(x,y,σ)得到，为了提取稳定具有尺度无关性的特征点，可提出高斯差分空间DoG(Diferent of Gaussian)检测局部极值点。其中，该DoG算子定义如下：
其中，
L(x,y,kσ)＝G(x,y,σ)×I(x,y)，(x,y)为空间坐标；σ为尺度空间银子,k表示层数。
S104：对该形成的训练样本和该形成的新的印章进行两两组合形成同向样本对和反向样本对分类进行图像的腐蚀或膨胀运算，以模拟盖章时墨浓淡的情况，并对该经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对。
S105：将该经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对，输入深度孪生网络进行参数训练。
在本实施例中，深度孪生网络可以由一对孪生的两个深度神经网络构成，这个两个神经网络之间共享权值和偏置等参数，每个深度神经网络由特征提取网络和相似度计算层组成。特征提取网络由5层卷积层，4层池化层交替再加上两个全连接层组成。每个卷积层是使用非线性的Sigmoid(S型生长曲线)激活函数，而池化层采用Mean-Pooling(均值池化)方法保持平移、旋转、尺度等不变形，并增加dropout(随机失活)层来防止过拟合。最后一层全连接层输出特征给相似度计算层进行判断。相似度计算层计算两个特征提取网络所给出的特征的欧式距离得到他们之间的相似度。
S106：采用对比损失函数(constructive loss)作为该进行参数训练的深度孪生网络的损失函数。
其中，该作为该进行参数训练的深度孪生网络的损失函数的对比损失函数的形式，可以包括：
其中，X1，X2为深度孪生网络的输入，Y为判别因子，说明X1和X2是否匹配的二值标签，如果X1和X2相似，则Y＝0，如果不相似则Y＝1，w表示深度孪生网络的参数，其中Dw为深度孪生网络输出的两个特征向量的欧式距离，其形式可以包括：
Dw(X1,X2)＝||Fw(X1)-Fw(X2)||2；
其中Fw(X1)表示输入为X1时深度孪生网络所输出的特征向量，Fw(X2)表示输入为X2时深度孪生网络所输出的特征向量。|| ||2表示2范数，这样的好处是能够实现将对比损失函数作为该进行参数训练的深度孪生网络的损失函数。
S107：将该进行参数训练的训练样本划分成不同大小的mini-batch(梯度下降)，在不同的梯度下降mini-batch上利用随机梯度下降法训练深度孪生网络，完成对深度孪生网络的训练。
其中，可以假设该深度孪生神经网络有K层，第k层
输入为：
则第k层输出为：
wk表示第k层的系数，bk为第k层的偏置向量，f()为S型生长曲线Sigmoid函数；其中，该深度孪生神经网络的输出的特征向量，可以包括：
该随机梯度下降法训练深度孪生网络参数过程，可以包括：
深度孪生网络的训练目标为最小化损失函数L(w,Y,X1,X1)，训练参数wk和bk，使得当输入相似印章样本时的Dw单调递减，当输入不同的印章时的Dw单调递增，这样的好处是能够便于对该深度孪生神经网络进行训练。
S108：根据该完成训练的深度孪生网络，对印章进行识别。
在本实施例中，可以针对目前银行业务中的印章识别问题，克服传统机器学习中需要海量的训练集的问题，采用深度孪生网络来进行识别。本深度孪生网络是由具有相同结构和共享参数的两组多层神经网络组成，每组神经网络有多层卷积层、Sigmoid激活函数、Mean-Pooling及全连接层组成，并利用Dropout来预防过拟合；并结合SIFT技术和银行预留印章特点来扩充有效训练集，极大地提高了印章的识别率。
其中，在该根据该完成训练的深度孪生网络，对印章进行识别之后，还可以包括：
对该进行识别之后的印章进行管理，这样的好处是能够实现对经识别后的印章进行有效管理。
可以发现，在本实施例中，可以利用数字扫描设备对企业的预留印鉴卡进行扫描，获得同一企业的不同预留印章数字图像，和将该获得的同一企业的不同预留印章数字图像的样本集进行分类，并进行标定，形成训练样本和利用尺度不变特征转换算法，以基准印章样本为标准，对每个企业的印章进行旋转，平移，移位等变换后，形成新的印章，并对该形成的新的印章进行两两组合形成同向样本对和反向样本对分类，和对该形成的训练样本和该形成的新的印章进行两两组合形成同向样本对和反向样本对分类进行图像的腐蚀或膨胀运算，以模拟盖章时墨浓淡的情况，并对该经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对，和将该经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对，输入深度孪生网络进行参数训练，和采用对比损失函数作为该进行参数训练的深度孪生网络的损失函数，和将该进行参数训练的训练样本划分成不同大小的梯度下降，在不同的梯度下降上利用随机梯度下降法训练深度孪生网络，完成对深度孪生网络的训练，以及根据该完成训练的深度孪生网络，对印章进行识别，能够实现在缺少足够可利用的印章训练样本的情况下，能够将机器学习方式应用于印章识别中，提高了印章识别的识别率。
进一步的，在本实施例中，可以将同一企业的不同预留印章数字图像中的其中一个数字图像做为数字图像基准印章样本，和根据该做为数字图像基准印章样本，该将该获得的同一企业的不同预留印章数字图像的样本集进行两两组合形成同向样本对和反向样本对分类，这样的好处是能够实现对同一企业的不同预留印章数字图像的样本集进行分类。
进一步的，在本实施例中，该作为该进行参数训练的深度孪生网络的损失函数的对比损失函数的形式可以包括：
进一步的，在本实施例中，可以假设该深度孪生神经网络有K层，第k层(k＝1,2,…,K)输入为：
则第k层输出为
wk表示第k层的系数，bk为第k层的偏置向量，f()为S型生长曲线Sigmoid函数；其中，该深度孪生神经网络的输出的特征向量，可以包括
该随机梯度下降法训练深度孪生网络参数过程，可以包括
深度孪生网络的训练目标为最小化损失函数L(w,Y,X1,X1)，训练参数wk和bk，使得当输入相似印章样本时的Dw单调递减，当输入不同的印章时的Dw单调递增，这样的好处是能够便于对该深度孪生神经网络进行训练。
请参见图2，图2是本发明印章识别方法另一实施例的流程示意图。本实施例中，该方法包括以下步骤：
S201：利用数字扫描设备对企业的预留印鉴卡进行扫描，获得同一企业的不同预留印章数字图像。
可如上S101所述，在此不作赘述。
S202：将该获得的同一企业的不同预留印章数字图像的样本集进行分类，并进行标定，形成训练样本。
可如上S102所述，在此不作赘述。
S203：利用尺度不变特征转换算法，以基准印章样本为标准，对每个企业的印章进行旋转，平移，移位等变换后，形成新的印章，并对该形成的新的印章进行两两组合形成同向样本对和反向样本对分类。
可如上S103所述，在此不作赘述。
S204：对该形成的训练样本和该形成的新的印章进行两两组合形成同向样本对和反向样本对分类进行图像的腐蚀或膨胀运算，以模拟盖章时墨浓淡的情况，并对该经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对。
S205：将该经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对，输入深度孪生网络进行参数训练。
可如上S105所述，在此不作赘述。
S206：采用对比损失函数作为该进行参数训练的深度孪生网络的损失函数。
可如上S106所述，在此不作赘述。
S207：将该进行参数训练的训练样本划分成不同大小的梯度下降，在不同的梯度下降上利用随机梯度下降法训练深度孪生网络，完成对深度孪生网络的训练。
可如上S107所述，在此不作赘述。
S208：根据该完成训练的深度孪生网络，对印章进行识别。
可如上S108所述，在此不作赘述。
S209：对该进行识别之后的印章进行管理。
可以发现，在本实施例中，可以对该进行识别之后的印章进行管理，这样的好处是能够实现对经识别后的印章进行有效管理。
本发明还提供一种印章识别装置，能够实现在缺少足够可利用的印章训练样本的情况下，能够将机器学习方式应用于印章识别中，提高了印章识别的识别率。
请参见图3，图3是本发明印章识别装置一实施例的结构示意图。本实施例中，该印章识别装置30包括获得模块31、形成模块32、分类模块33、组合模块34、参数训练模块35、作为模块36、训练模块37和识别模块38。
该获得模块31，用于利用数字扫描设备对企业的预留印鉴卡进行扫描，获得同一企业的不同预留印章数字图像。
该形成模块32，用于将该获得的同一企业的不同预留印章数字图像的样本集进行分类，并进行标定，形成训练样本。
该分类模块33，用于利用尺度不变特征转换算法，以基准印章样本为标准，对每个企业的印章进行旋转，平移，移位等变换后，形成新的印章，并对该形成的新的印章进行两两组合形成同向样本对和反向样本对分类。
该组合模块34，用于对该形成的训练样本和该形成的新的印章进行两两组合形成同向样本对和反向样本对分类进行图像的腐蚀或膨胀运算，以模拟盖章时墨浓淡的情况，并对该经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对。
该参数训练模块35，用于将该经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对，输入深度孪生网络进行参数训练。
该作为模块36，用于采用对比损失函数作为该进行参数训练的深度孪生网络的损失函数。
该训练模块37，用于将该进行参数训练的训练样本划分成不同大小的梯度下降，在不同的梯度下降上利用随机梯度下降法训练深度孪生网络，完成对深度孪生网络的训练。
该识别模块38，用于根据该完成训练的深度孪生网络，对印章进行识别。
可选地，该形成模块32，可以具体用于：
将同一企业的不同预留印章数字图像中的其中一个数字图像做为数字图像基准印章样本，和根据该做为数字图像基准印章样本，该将该获得的同一企业的不同预留印章数字图像的样本集进行两两组合形成同向样本对和反向样本对分类。
可选地，该作为该进行参数训练的深度孪生网络的损失函数的对比损失函数的形式，可以包括：
其中，X1，X2为深度孪生网络的输入，Y为判别因子，说明X1和X2是否匹配的二值标签，如果X1和X2相似，则Y＝0，如果不相似则Y＝1，w表示深度孪生网络的参数，其中Dw为深度孪生网络输出的两个特征向量的欧式距离，其形式可以包括：
Dw(X1,X2)＝||Fw(X1)-Fw(X2)||2；
其中Fw(X1)表示输入为X1时深度孪生网络所输出的特征向量，Fw(X2)表示输入为X2时深度孪生网络所输出的特征向量。|| ||2表示2范数。
可选地，可以假设该深度孪生神经网络有K层，第k层(k＝1,2,…,K)输入为：
则第k层输出为：
wk表示第k层的系数，bk为第k层的偏置向量，f()为S型生长曲线Sigmoid函数；其中，该深度孪生神经网络的输出的特征向量，可以包括：
该随机梯度下降法训练深度孪生网络参数过程，可以包括：
深度孪生网络的训练目标为最小化损失函数L(w,Y,X1,X1)，训练参数wk和bk，使得当输入相似印章样本时的Dw单调递减，当输入不同的印章时的Dw单调递增。
请参见图4，图4是本发明印章识别装置另一实施例的结构示意图。区别于上一实施例，本实施例所述印章识别装置40还包括管理模块41。
该管理模块41，用于对该进行识别之后的印章进行管理。
该印章识别装置30/40的各个单元模块可分别执行上述方法实施例中对应步骤，故在此不对各单元模块进行赘述，详细请参见以上对应步骤的说明。
本发明又提供一种印章识别设备，如图5所示，包括：至少一个处理器51；以及，与至少一个处理器51通信连接的存储器52；其中，存储器52存储有可被至少一个处理器51执行的指令，指令被至少一个处理器51执行，以使至少一个处理器51能够执行上述的印章识别方法。
其中，存储器52和处理器51采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器51和存储器52的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器51处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器51。
处理器51负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器52可以被用于存储处理器51在执行操作时所使用的数据。
本发明再提供一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
可以发现，以上方案，可以利用数字扫描设备对企业的预留印鉴卡进行扫描，获得同一企业的不同预留印章数字图像，和将该获得的同一企业的不同预留印章数字图像的样本集进行分类，并进行标定，形成训练样本和利用尺度不变特征转换算法，以基准印章样本为标准，对每个企业的印章进行旋转，平移，移位等变换后，形成新的印章，并对该形成的新的印章进行两两组合形成同向样本对和反向样本对分类，和对该形成的训练样本和该形成的新的印章进行两两组合形成同向样本对和反向样本对分类进行图像的腐蚀或膨胀运算，以模拟盖章时墨浓淡的情况，并对该经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对，和将该经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对，输入深度孪生网络进行参数训练，和采用对比损失函数作为该进行参数训练的深度孪生网络的损失函数，和将该进行参数训练的训练样本划分成不同大小的梯度下降，在不同的梯度下降上利用随机梯度下降法训练深度孪生网络，完成对深度孪生网络的训练，以及根据该完成训练的深度孪生网络，对印章进行识别，能够实现在缺少足够可利用的印章训练样本的情况下，能够将机器学习方式应用于印章识别中，提高了印章识别的识别率。
进一步的，以上方案，可以将同一企业的不同预留印章数字图像中的其中一个数字图像做为数字图像基准印章样本，和根据该做为数字图像基准印章样本，该将该获得的同一企业的不同预留印章数字图像的样本集进行两两组合形成同向样本对和反向样本对分类，这样的好处是能够实现对同一企业的不同预留印章数字图像的样本集进行分类。
进一步的，以上方案，该作为该进行参数训练的深度孪生网络的损失函数的对比损失函数的形式可以包括：
进一步的，以上方案，可以假设该深度孪生神经网络有K层，第k层(k＝1,2,…,K)输入为：
则第k层输出为
wk表示第k层的系数，bk为第k层的偏置向量，f()为S型生长曲线Sigmoid函数；其中，该深度孪生神经网络的输出的特征向量，可以包括
该随机梯度下降法训练深度孪生网络参数过程，可以包括
深度孪生网络的训练目标为最小化损失函数L(w,Y,X1,X1)，训练参数wk和bk，使得当输入相似印章样本时的Dw单调递减，当输入不同的印章时的Dw单调递增，这样的好处是能够便于对该深度孪生神经网络进行训练。
进一步的，以上方案，可以对该进行识别之后的印章进行管理，这样的好处是能够实现对经识别后的印章进行有效管理。
在本发明所提供的几个实施方式中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的部分实施例，并非因此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种印章识别方法，其特征在于，包括：
利用数字扫描设备对企业的预留印鉴卡进行扫描，获得同一企业的不同预留印章数字图像；
将所述获得的同一企业的不同预留印章数字图像的样本集进行分类，并进行标定，形成训练样本；
利用尺度不变特征转换算法，以基准印章样本为标准，对每个企业的印章进行旋转，平移，移位变换后，形成新的印章，并对所述形成的新的印章进行两两组合形成同向样本对和反向样本对分类；
对所述形成的训练样本和所述形成的新的印章进行两两组合形成同向样本对和反向样本对分类进行图像的腐蚀或膨胀运算，以模拟盖章时墨浓淡的情况，并对所述经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对；
将所述经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对，输入深度孪生网络进行参数训练；
采用对比损失函数作为所述进行参数训练的深度孪生网络的损失函数；
将所述进行参数训练的训练样本划分成不同大小的梯度下降，在不同的梯度下降上利用随机梯度下降法训练深度孪生网络，完成对深度孪生网络的训练；
根据所述完成训练的深度孪生网络，对印章进行识别；
其中，所述同向样本对由基准印章样本和同一企业的预留印章样本组成，所述反向样本对由基准印章样本和不同企业的预留印章样本组成。
2.如权利要求1所述的印章识别方法，其特征在于，所述将所述获得的同一企业的不同预留印章数字图像的样本集进行分类，包括：
将同一企业的不同预留印章数字图像中的其中一个数字图像做为数字图像基准印章样本；
根据所述做为数字图像基准印章样本，所述将所述获得的同一企业的不同预留印章数字图像的样本集进行两两组合形成同向样本对和反向样本对分类。
3.如权利要求1所述的印章识别方法，其特征在于，所述作为所述进行参数训练的深度孪生网络的损失函数的对比损失函数的形式，包括：
其中，X1，X2为深度孪生网络的输入，Y为判别因子，说明X1和X2是否匹配的二值标签，如果X1和X2相似，则Y＝0，如果不相似则Y＝1，w表示深度孪生网络的参数，其中Dw为深度孪生网络输出的两个特征向量的欧式距离，其形式包括：
Dw(X1,X2)＝||Fw(X1)-Fw(X2)||2；
其中Fw(X1)表示输入为X1时深度孪生网络所输出的特征向量，Fw(X2)表示输入为X2时深度孪生网络所输出的特征向量，||||2表示2范数，这样的好处是能够实现将对比损失函数作为所述进行参数训练的深度孪生网络的损失函数。
4.如权利要求1所述的印章识别方法，其特征在于，假设所述深度孪生神经网络有K层，第k层，k＝1,2,...,K，输入为：
则第k层输出为：
wk表示第k层的系数，bk为第k层的偏置向量，f()为S型生长曲线Sigmoid函数；其中，所述深度孪生神经网络的输出的特征向量，包括：
所述随机梯度下降法训练深度孪生网络参数过程，包括：
深度孪生网络的训练目标为最小化损失函数L(w,Y,X1,X1)，训练参数wk和bk，使得当输入相似印章样本时的Dw单调递减，当输入不同的印章时的Dw单调递增，这样的好处是能够便于对所述深度孪生神经网络进行训练。
5.如权利要求1所述的印章识别方法，其特征在于，在所述根据所述完成训练的深度孪生网络，对印章进行识别之后，还包括：
对所述进行识别之后的印章进行管理。
6.一种印章识别装置，其特征在于，包括：
获得模块、形成模块、分类模块、组合模块、参数训练模块、作为模块、训练模块和识别模块；
所述获得模块，用于利用数字扫描设备对企业的预留印鉴卡进行扫描，获得同一企业的不同预留印章数字图像；
所述形成模块，用于将所述获得的同一企业的不同预留印章数字图像的样本集进行分类，并进行标定，形成训练样本；
所述分类模块，用于利用尺度不变特征转换算法，以基准印章样本为标准，对每个企业的印章进行旋转，平移，移位变换后，形成新的印章，并对所述形成的新的印章进行两两组合形成同向样本对和反向样本对分类；
所述组合模块，用于对所述形成的训练样本和所述形成的新的印章进行两两组合形成同向样本对和反向样本对分类进行图像的腐蚀或膨胀运算，以模拟盖章时墨浓淡的情况，并对所述经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对；
所述参数训练模块，用于将所述经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对，输入深度孪生网络进行参数训练；
所述作为模块，用于采用对比损失函数作为所述进行参数训练的深度孪生网络的损失函数；
所述训练模块，用于将所述进行参数训练的训练样本划分成不同大小的梯度下降，在不同的梯度下降上利用随机梯度下降法训练深度孪生网络，完成对深度孪生网络的训练；
所述识别模块，用于根据所述完成训练的深度孪生网络，对印章进行识别；
其中，所述同向样本对由基准印章样本和同一企业的预留印章样本组成，所述反向样本对由基准印章样本和不同企业的预留印章样本组成。
7.如权利要求6所述的印章识别装置，其特征在于，所述形成模块，具体用于：
将同一企业的不同预留印章数字图像中的其中一个数字图像做为数字图像基准印章样本，和根据所述做为数字图像基准印章样本，所述将所述获得的同一企业的不同预留印章数字图像的样本集进行两两组合形成同向样本对和反向样本对分类。
8.如权利要求6所述的印章识别装置，其特征在于，所述作为所述进行参数训练的深度孪生网络的损失函数的对比损失函数的形式，包括：
其中，X1，X2为深度孪生网络的输入，Y为判别因子，说明X1和X2是否匹配的二值标签，如果X1和X2相似，则Y＝0，如果不相似则Y＝1，w表示深度孪生网络的参数，其中Dw为深度孪生网络输出的两个特征向量的欧式距离，其形式包括：
Dw(X1,X2)＝||Fw(X1)-Fw(X2)||2；
其中Fw(X1)表示输入为X1时深度孪生网络所输出的特征向量，Fw(X2)表示输入为X2时深度孪生网络所输出的特征向量，||||2表示2范数。
9.如权利要求6所述的印章识别装置，其特征在于，假设所述深度孪生神经网络有K层，第k层，k＝1,2,...,K，输入为：
则第k层输出为：
wk表示第k层的系数，bk为第k层的偏置向量，f()为S型生长曲线Sigmoid函数；其中，所述深度孪生神经网络的输出的特征向量，包括：
所述随机梯度下降法训练深度孪生网络参数过程，包括：
深度孪生网络的训练目标为最小化损失函数L(w,Y,X1,X1)，训练参数wk和bk，使得当输入相似印章样本时的Dw单调递减，当输入不同的印章时的Dw单调递增。
10.如权利要求6所述的印章识别装置，其特征在于，所述印章识别装置，还包括：
管理模块；
所述管理模块，用于对所述进行识别之后的印章进行管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910515734.6A CN110210503B (zh) | 2019-06-14 | 2019-06-14 | 一种印章识别方法和装置以及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910515734.6A CN110210503B (zh) | 2019-06-14 | 2019-06-14 | 一种印章识别方法和装置以及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110210503A CN110210503A (zh) | 2019-09-06 |
| CN110210503B true CN110210503B (zh) | 2021-01-01 |
Family
ID=67792871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910515734.6A Active CN110210503B (zh) | 2019-06-14 | 2019-06-14 | 一种印章识别方法和装置以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110210503B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728330A (zh) * | 2019-10-23 | 2020-01-24 | 腾讯科技（深圳）有限公司 | 基于人工智能的对象识别方法、装置、设备及存储介质 |
| CN111091144B (zh) * | 2019-11-27 | 2023-06-27 | 云南电网有限责任公司电力科学研究院 | 基于深度伪孪生网络的图像特征点匹配方法及装置 |
| CN112633517B (zh) * | 2020-12-29 | 2024-02-02 | 重庆星环人工智能科技研究院有限公司 | 一种机器学习模型的训练方法、计算机设备及存储介质 |
| CN112990367A (zh) * | 2021-04-25 | 2021-06-18 | 杭州晟视科技有限公司 | 一种图像处理方法、装置、设备以及存储介质 |
| CN116010642B (zh) * | 2023-03-27 | 2023-06-20 | 北京滴普科技有限公司 | 一种基于hog特征的印章快速查询方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203901991U (zh) * | 2014-03-04 | 2014-10-29 | 杭州华杭科技有限公司 | 一种印痕记录系统 |
| KR20160134314A (ko) * | 2015-05-15 | 2016-11-23 | 주식회사 세중에스앤씨 | 반송 우편물 자동처리 시스템 및 방법 |
| CN205982107U (zh) * | 2016-08-08 | 2017-02-22 | 厦门历思科技服务有限公司 | 一种远程印章提取系统 |
| CN107944452A (zh) * | 2017-12-12 | 2018-04-20 | 深圳市创业印章实业有限公司 | 一种圆形印章文字识别方法 |
| CN108446621A (zh) * | 2018-03-14 | 2018-08-24 | 平安科技（深圳）有限公司 | 票据识别方法、服务器及计算机可读存储介质 |
| CN108734151A (zh) * | 2018-06-14 | 2018-11-02 | 厦门大学 | 基于相关滤波以及深度孪生网络的鲁棒长程目标跟踪方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108681738A (zh) * | 2018-03-21 | 2018-10-19 | 江苏善壶网络科技有限公司 | 一种印章识别方法及系统 |
-
2019
- 2019-06-14 CN CN201910515734.6A patent/CN110210503B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203901991U (zh) * | 2014-03-04 | 2014-10-29 | 杭州华杭科技有限公司 | 一种印痕记录系统 |
| KR20160134314A (ko) * | 2015-05-15 | 2016-11-23 | 주식회사 세중에스앤씨 | 반송 우편물 자동처리 시스템 및 방법 |
| CN205982107U (zh) * | 2016-08-08 | 2017-02-22 | 厦门历思科技服务有限公司 | 一种远程印章提取系统 |
| CN107944452A (zh) * | 2017-12-12 | 2018-04-20 | 深圳市创业印章实业有限公司 | 一种圆形印章文字识别方法 |
| CN108446621A (zh) * | 2018-03-14 | 2018-08-24 | 平安科技（深圳）有限公司 | 票据识别方法、服务器及计算机可读存储介质 |
| CN108734151A (zh) * | 2018-06-14 | 2018-11-02 | 厦门大学 | 基于相关滤波以及深度孪生网络的鲁棒长程目标跟踪方法 |
Non-Patent Citations (2)
| Title |
|---|
| Seal image registration based on shape and layout characteristics;Xiaoyang Wang等;《CISP 2009》;20091231;全文 * |
| 图像中印章的检测定位与识别研究;姚敏等;《信息技术与信息化》;20181231;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110210503A (zh) | 2019-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110210503B (zh) | 一种印章识别方法和装置以及设备 | |
| Elmahmudi et al. | Deep face recognition using imperfect facial data | |
| Emeršič et al. | Evaluation and analysis of ear recognition models: performance, complexity and resource requirements | |
| Cherny et al. | The recognition of handwritten digits using neural network technology | |
| CN110427972B (zh) | 证件视频特征提取方法、装置、计算机设备和存储介质 | |
| Fourati et al. | Anti-spoofing in face recognition-based biometric authentication using image quality assessment | |
| Tsai et al. | Deep learning for printed document source identification | |
| Bristow et al. | Why do linear SVMs trained on HOG features perform so well? | |
| Abrahim et al. | RETRACTED ARTICLE: Splicing image forgery identification based on artificial neural network approach and texture features | |
| Champ et al. | A comparative study of fine-grained classification methods in the context of the LifeCLEF plant identification challenge 2015 | |
| CN113128271A (zh) | 脸部图像的伪造检测 | |
| Anam et al. | Classification of scaled texture patterns with transfer learning | |
| Rizvi et al. | Optical character recognition based intelligent database management system for examination process control | |
| CN114842478A (zh) | 文本区域的识别方法、装置、设备及存储介质 | |
| CN104899551B (zh) | 一种表单图像分类方法 | |
| Nanda et al. | A person re-identification framework by inlier-set group modeling for video surveillance | |
| Jun et al. | A novel illumination-robust face recognition using statistical and non-statistical method | |
| Singh et al. | Performance Analysis of ELA-CNN model for Image Forgery Detection | |
| Kabilesh et al. | Medical image counterfeit detection for smart healthcare | |
| Hannan et al. | Analysis of Detection and Recognition of Human Face Using Support Vector Machine | |
| Bi et al. | Face sketch synthesis: a survey | |
| Xu et al. | Deep learning on spatial rich model for steganalysis | |
| Bajpai et al. | Real Time Face Recognition with limited training data: Feature Transfer Learning integrating CNN and Sparse Approximation | |
| Mishra et al. | Quantum Transfer Learning Approach for Deepfake Detection | |
| Ying et al. | Simulation of computer image recognition technology based on image feature extraction |
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 |