CN110458200A - 一种基于机器学习的花朵种类识别方法 - Google Patents

一种基于机器学习的花朵种类识别方法 Download PDF

Info

Publication number
CN110458200A
CN110458200A CN201910645481.4A CN201910645481A CN110458200A CN 110458200 A CN110458200 A CN 110458200A CN 201910645481 A CN201910645481 A CN 201910645481A CN 110458200 A CN110458200 A CN 110458200A
Authority
CN
China
Prior art keywords
flower
image
sample
roi region
machine learning
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
CN201910645481.4A
Other languages
English (en)
Inventor
王宪保
杨敬
肖本督
吴梦岚
陈斌
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910645481.4A priority Critical patent/CN110458200A/zh
Publication of CN110458200A publication Critical patent/CN110458200A/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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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]
    • 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
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于机器学习的花朵种类的识别方法，该方法首先从样本库中对每幅图像进行图像预处理后分割ROI区域，根据ROI区域的位置建立二维坐标系，对花朵进行四边定位，确定出花朵的矩形区域位置，对每个样本的ROI区域提取出SIFT特征，然后对每个样本的SIFT特征进行K‑means聚类，得到该样本的关键词及其权重和样本类别信息。随后，把所有样本的关键词及其权重作为输入、样本类别作为输出，来训练一个多类SVM分类器，得到一个包含所有花朵类别的种类信息的分类器，将新采集的未分类的图片输入训练好的多类SVM分类器中，即可输出对应的花朵种类信息。本发明的方法能对花朵类别进行智能识别，识别更快、更方便、识别率更高。

Description

一种基于机器学习的花朵种类识别方法
技术领域
本发明涉及图像处理领域，具体涉及一种基于机器学习的花朵种类的识别方法。
背景技术
人类的身边存在着各种各样的植物，它们是构成地球生物圈的重要组成部分；植物从诞生进化发展到现在，经历了十分漫长的岁月。地球上有着数以亿计的植物，形成了现实的生态系统，它们在维持生态系统的平衡方面发挥着巨大的作用，同时植物也是人类文明发展和延续必不可少的重要因素。因为植物对于生态系统和人类具有着如此重要的意义，对于植物进行研究就显得相当重要。但是因为不同种类的植物在经济价值、生活习性、形态构造等各个方面都表现出不同的特性，为了能够更好、更有效地保护、利用各种植物，我们需要对植物进行识别和分类。
花是植物的重要组成部分之一，能充分的反应植物的特征，通过对花朵的识别可以很好的对植物进行分类。在传统的花朵识别方法中，专业人员依靠自身丰富的经验，根据花朵外部形态上的特征，去识别花的种类。但是非专业的人员很难掌握这些方法，这些方法也很难被应用于日常的生活中。地球上有着数以万计的植物，单纯的依靠人的经验和记忆是很难有效的对植物进行识别的。
传统的花朵识别方法依靠人工方式进行分类,难度大,效率低。如何使人们更方便、快捷、准确的实现对花朵的辨认成为一个技术难题。
发明内容
针对现有技术的不足，本发明提出一种基于机器学习的花朵种类的识别的方法，具体技术方案如下：
一种基于机器学习的花朵种类的识别方法，其特征在于，该方法具体包括如下步骤：
S1：采集用于训练的包含花朵的图片；
S2：对所述的花朵图片进行灰度处理和阈值处理，得到对应的二值化图像；
S3：将该二值化图像中可能包含花朵的ROI区域进行分割提取出来；
S4：然后根据四边定位法对ROI区域进行花朵准确定位，所述的四边定位法具体过程为：
(1)先对ROI区域进行建立二维直角坐标系，根据坐标系确定ROI区域边缘点的坐标；
(2)对于ROI区域的任意一边，随机选取10-20个边缘点，计算边缘点的方差值，然后忽略误差较大的1个或两个边缘点，利用线性回归对剩下的边缘点进行回归直线拟合；
(3)最后对四条边均进行线性回归直线拟合，即得到包含花朵的矩形区域，从而实现对花朵的定位。
S5：对于每个花朵样本，均提取定位图像的所有SIFT特征；
S6：对每个定位图像提取到的所有SIFT特征进行聚类，得到生成特征的K个关键词及其权重；
S7：重复S2-S6，得到所有训练的包含花朵的图片的K个关键词及其权重和样本类别；
S8：将S7得到的所有的K个关键词及其权重作为SVM分类器的输入，样本的类别作为输出，训练一个多类SVM分类器，得到一个包含所有花朵类别的种类信息的分类器，从而实现了花朵识别。
S9：将新采集的未分类的图片输入训练好的SVM分类器中，即可得到对应的花朵种类信息。
进一步地，所述的S5的SIFT特征生成的具体过程为：
S5.1初始化K维计数器向量为0，每一维对应一个关键词的权重；
S5.2然后将每幅图像样本的每个SIFT特征与K个类中心进行距离比较，在对应最小距离的那一维权重加12；
S5.3得到K个关键词对。
进一步地，所述的S6中K-means聚类过程具体为：
S6.1：选取K个类中心，对提取的所有M个SIFT特征，每隔M/K个取一个类中心；
S6.2：计算每个SIFT特征与每个类中心的距离，并将每个SIFT特征归入距离最近的类中心；
S6.3：更新类中心；
S6.4：迭代直到达到指定的精度，获得K个类中心，即K个关键词SIFT特征。
进一步地，所述的S1中花朵图片的采集过程为：
首先选择相机拍照背景为单调深颜色，然后利用此背景对大自然的花朵进行拍照，采集花朵样本，得到的样本图片中背景都为深色。
进一步地，所述的S2中图像的灰度和阈值处理的具体过程为：
S2.1根据公式Y＝0.3R+0.59G+0.11B，将采集的三通道彩色图片转换为单通道灰度图片，式中，B、G、R分别表示彩色图像的三通道颜色像素值。
S2.2根据公式设置固定灰度阈值T，将上述灰度图像中图像阈值大于T的区域分割提取出来，作为ROI区域；其中，g(x,y)为所得的二值图像，f(x,y)为灰度图像，T为所设固定阈值。
进一步地，所述的S3中ROI区域提取需要设定提取面积上、下限值，当提取面积不符合要求时，该图片不符合训练标准，则将其舍弃。
本发明的有益效果如下：
(1)本发明的花朵种类的识别的方法没有过多的图像预处理环节，通过灰度阈值处理找出了ROI矩形区域和四边定位法确定了牡丹花的位置，使用非常方便，而且分类正确率较高；
(2)通过基于机器学习的SVM方法来对花朵进行智能识别，使识别更快、更方便、识别率更高。
附图说明
图1是本发明的基于机器学习的花朵种类的识别方法的流程图；
图2为采用本发明的方法对花朵识别过程图，其中，图2a为灰度图，图2b为二值化的图，图2c为四边定位后的图。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明的原理为：如图1所示，采集用于训练的包含花朵的图片放入样本库中，对每幅图像先进行图像预处理操作分割出ROI区域，在ROI的位置建立二维坐标系，然后对花朵进行四边定位，确定出花朵的矩形区域位置。对每个样本的ROI区域提取出所有的SIFT特征，然后对每个样本的SIFT特征进行K-means聚类，得到该样本信息的K个关键词及其权重。随后，把所有样本的关键词和权重作为输入、花朵类型作为输出，来训练一个多类SVM分类器，得到包含所有花朵的种类信息。
作为其中一种实施例，本发明的基于机器学习的花朵种类的识别方法的具体步骤如下：
S1：采集用于训练的若干类的包含花朵的图片，采集的训练图片中的花朵尽量覆盖尽可能多的种类的花朵，具体过程如下：
选择相机拍照背景为单调深颜色，然后利用此背景对大自然的花朵进行拍照，采集花朵样本，得到的样本图片中背景都为深色。
S2：对所述的花朵图片进行灰度处理(如图2a所示)和阈值处理，得到对应的二值化图像(如图2b所示)，作为其中一种实施方式，具体步骤如下：
S2.1根据公式Y＝0.3R+0.59G+0.11B，将采集的花朵图片三通道彩色图片转换为单通道灰度图片，式中，B、G、R分别表示彩色图像的三通道颜色像素值。
S2.2再根据公式设置固定灰度阈值T，将上述灰度图像中图像阈值大于T的区域分割提取出来，作为ROI区域，其中，g(x,y)为所得的二值图像，f(x,y)为灰度图像，T为所设固定阈值。
S3：将上述二值化图像中可能包含花朵的ROI区域进行分割提取出来，具体如下：
根据固定阈值将图像二值化处理，提取图像中白色的部分，即为包含花朵的可能的区域。当采集的一张花朵图片中包含有多个花朵时，阈值处理后分割出来的白色部分面积比较大；当采集的一张花朵图片中包含花朵很小时以至于不能进行特征提取，或者采集的图像中不包含花朵时，阈值处理后分割出来的白色部分面积比较小，此时这些图片都不能作为有效训练数据，因此需要设定提取面积上、下限值，根据此来自动判断该图片是否符合训练标准。
S4：然后根据四边定位法对ROI区域进行花朵准确定位，所述的四边定位法具体过程为：
(1)先对ROI区域进行建立二维直角坐标系，根据坐标系确定ROI区域边缘点的坐标；
(2)对于ROI区域的任意一边，随机选取10-20个边缘点，计算边缘点的方差值，然后忽略误差较大的1个或两个边缘点，利用线性回归对剩下的边缘点进行回归直线拟合；
(3)最后对四条边均进行线性回归直线拟合，即得到包含花朵的矩形区域，从而实现对花朵的定位(如图2c所示)。
S5：对于每个花朵样本，均提取定位图像的所有SIFT特征，所述的SIFT特征生成的过程为：
(1)初始化K维计数器向量为0，每一维对应一个关键词的权重；
(2)然后将每幅图像样本的每个SIFT特征与K个类中心进行距离比较，在对应最小距离的那一维权重加12；
(3)得到K个关键词对。
S6：对每个定位图像提取到的所有SIFT特征进行聚类，得到生成特征的K个关键词及其权重；
所述的K-means聚类过程为：
(1)选取K个类中心，对提取的所有M个SIFT特征，每隔M/K个取一个类中心；
(2)计算每个SIFT特征与每个类中心的距离，并将每个SIFT特征归入距离最近的类中心；
(3)更新类中心；
(4)迭代直到达到指定的精度，获得K个类中心，即K个关键词SIFT特征。
S7：重复S5，得到所有训练的包括花朵的图片的K个关键词及其权重和样本类别信息；
S8：将S6得到的所有的K个关键词及其权重作为SVM分类器的输入，花朵的种类信息作为输出，训练一个多类SVM分类器，得到一个包含所有花朵类别的种类信息的分类器，从而实现了花朵识别。
S9：将新采集的未分类的图片输入训练好的多类SVM分类器中，即可得到对应的花朵种类信息。
本发明没有过多的图像预处理环节，通过灰度阈值处理找出了ROI矩形区域和四边定位法找出了花朵的位置，使用非常方便，而且分类正确率较高；另外本发明克服了传统人工识别方法的不足，通过基于机器学习的SVM方法来对花朵进行智能识别，使得识别结果很高，同时又省去了图像预处理中的很多环节，故方法简单高效。本发明的方法识别更快、更方便、识别率更高。
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。

Claims (6)

1.一种基于机器学习的花朵种类的识别方法，其特征在于，该方法具体包括如下步骤：
S1：采集用于训练的包含花朵的图片；
S2：对所述的花朵图片进行灰度处理和阈值处理，得到对应的二值化图像；
S3：将该二值化图像中可能包含花朵的ROI区域进行分割提取出来；
S4：然后根据四边定位法对ROI区域进行花朵准确定位，所述的四边定位法具体过程为：
(1)先对ROI区域进行建立二维直角坐标系，根据坐标系确定ROI区域边缘点的坐标；
(2)对于ROI区域的任意一边，随机选取10-20个边缘点，计算边缘点的方差值，然后忽略误差较大的1个或两个边缘点，利用线性回归对剩下的边缘点进行回归直线拟合。
(3)最后对四条边均进行线性回归直线拟合，即得到包含花朵的矩形区域，从而实现对花朵的定位。
S5：对于每个花朵样本，均提取定位图像的所有SIFT特征；
S6：对每个定位图像提取到的所有SIFT特征进行聚类，得到生成特征的K个关键词及其权重；
S7：重复S2-S6，得到所有训练的包含花朵的图片的K个关键词及其权重和样本类别；
S8：将S7得到的所有的K个关键词及其权重作为SVM分类器的输入，样本的类别作为输出，训练一个多类SVM分类器，得到一个包含所有花朵类别的种类信息的分类器，从而实现了花朵识别。
S9：将新采集的未分类的图片输入训练好的SVM分类器中，即可得到对应的花朵种类信息。
2.根据权利要求1所述的基于机器学习的花朵种类的识别的方法，其特征在于，所述的S5的SIFT特征生成的具体过程为：
S5.1初始化K维计数器向量为0，每一维对应一个关键词的权重；
S5.2然后将每幅图像样本的每个SIFT特征与K个类中心进行距离比较，在对应最小距离的那一维权重加12；
S5.3得到K个关键词对。
3.根据权利要求1所述的基于机器学习的花朵种类的识别方法，其特征在于，所述的S6中K-means聚类过程具体为：
S6.1：选取K个类中心，对提取的所有M个SIFT特征，每隔M/K个取一个类中心；
S6.2：计算每个SIFT特征与每个类中心的距离，并将每个SIFT特征归入距离最近的类中心；
S6.3：更新类中心；
S6.4：迭代直到达到指定的精度，获得K个类中心，即K个关键词SIFT特征。
4.根据权利要求1所述的基于机器学习的花朵种类的识别方法，其特征在于，所述的S1中花朵图片的采集过程为：
首先选择相机拍照背景为单调深颜色，然后利用此背景对大自然的花朵进行拍照，采集花朵样本，得到的样本图片中背景都为深色。
5.根据权利要求1所述的基于机器学习的花朵种类的识别方法，其特征在于，所述的S2中图像的灰度和阈值处理的具体过程为：
S2.1根据公式Y＝0.3R+0.59G+0.11B，将采集的三通道彩色图片转换为单通道灰度图片，式中，B、G、R分别表示彩色图像的三通道颜色像素值。
S2.2根据公式设置固定灰度阈值T，将上述灰度图像中图像阈值大于T的区域分割提取出来，作为ROI区域；其中，g(x,y)为所得的二值图像，f(x,y)为灰度图像，T为所设固定阈值。
6.根据权利要求1所述的基于机器学习的花朵种类的识别方法，其特征在于，所述的S3中ROI区域提取需要设定提取面积上、下限值，当提取面积不符合要求时，该图片不符合训练标准，则将其舍弃。
CN201910645481.4A 2019-07-17 2019-07-17 一种基于机器学习的花朵种类识别方法 Pending CN110458200A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910645481.4A CN110458200A (zh) 2019-07-17 2019-07-17 一种基于机器学习的花朵种类识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910645481.4A CN110458200A (zh) 2019-07-17 2019-07-17 一种基于机器学习的花朵种类识别方法

Publications (1)

Publication Number Publication Date
CN110458200A true CN110458200A (zh) 2019-11-15

Family

ID=68482783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910645481.4A Pending CN110458200A (zh) 2019-07-17 2019-07-17 一种基于机器学习的花朵种类识别方法

Country Status (1)

Country Link
CN (1) CN110458200A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111221973A (zh) * 2020-02-17 2020-06-02 河北冀联人力资源服务集团有限公司 一种基于机器学习和边缘计算的职业属性识别方法及系统
CN112116598A (zh) * 2020-08-04 2020-12-22 北京农业信息技术研究中心 一种花卉种类识别方法及系统
CN113658148A (zh) * 2021-08-23 2021-11-16 山东大学 一种基于区域属性提取的中心花识别与定位方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324038A (zh) * 2011-09-06 2012-01-18 北京林业大学 一种基于数字图像的植物种类识别方法
CN104182763A (zh) * 2014-08-12 2014-12-03 中国计量学院 一种基于花朵特征的植物种类识别系统
CN104361348A (zh) * 2014-10-27 2015-02-18 华南理工大学 一种智能终端上的花卉识别方法
CN105740886A (zh) * 2016-01-25 2016-07-06 宁波熵联信息技术有限公司 一种基于机器学习的车标识别方法
CN108171718A (zh) * 2017-11-23 2018-06-15 北京林业大学 一种基于小波变换的小菊花瓣数目自动检测方法
CN109902541A (zh) * 2017-12-10 2019-06-18 彼乐智慧科技（北京）有限公司 一种图像识别的方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324038A (zh) * 2011-09-06 2012-01-18 北京林业大学 一种基于数字图像的植物种类识别方法
CN104182763A (zh) * 2014-08-12 2014-12-03 中国计量学院 一种基于花朵特征的植物种类识别系统
CN104361348A (zh) * 2014-10-27 2015-02-18 华南理工大学 一种智能终端上的花卉识别方法
CN105740886A (zh) * 2016-01-25 2016-07-06 宁波熵联信息技术有限公司 一种基于机器学习的车标识别方法
CN108171718A (zh) * 2017-11-23 2018-06-15 北京林业大学 一种基于小波变换的小菊花瓣数目自动检测方法
CN109902541A (zh) * 2017-12-10 2019-06-18 彼乐智慧科技（北京）有限公司 一种图像识别的方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111221973A (zh) * 2020-02-17 2020-06-02 河北冀联人力资源服务集团有限公司 一种基于机器学习和边缘计算的职业属性识别方法及系统
CN112116598A (zh) * 2020-08-04 2020-12-22 北京农业信息技术研究中心 一种花卉种类识别方法及系统
CN113658148A (zh) * 2021-08-23 2021-11-16 山东大学 一种基于区域属性提取的中心花识别与定位方法及系统
CN113658148B (zh) * 2021-08-23 2023-08-08 山东大学 一种基于区域属性提取的中心花识别与定位方法及系统

Similar Documents

Publication Publication Date Title
CN104599275B (zh) 基于概率图模型的非参数化的rgb-d场景理解方法
WO2017016240A1 (zh) 一种钞票冠字号识别方法
US20210089827A1 (en) Feature representation device, feature representation method, and program
CN109977780A (zh) 一种基于深度学习算法的硅藻的检测与识别方法
CN108830188A (zh) 基于深度学习的车辆检测方法
CN105069481B (zh) 基于空间金字塔稀疏编码的自然场景多标记分类方法
CN105138998B (zh) 基于视角自适应子空间学习算法的行人重识别方法及系统
CN104408449B (zh) 智能移动终端场景文字处理方法
CN110458200A (zh) 一种基于机器学习的花朵种类识别方法
CN104268552B (zh) 一种基于部件多边形的精细类别分类方法
CN102103690A (zh) 一种自动的头发区域分割方法
CN110413824A (zh) 一种相似图片的检索方法及装置
CN105069774B (zh) 基于多示例学习与图割优化的目标分割方法
CN109740572A (zh) 一种基于局部彩色纹理特征的人脸活体检测方法
CN113761259A (zh) 一种图像处理方法、装置以及计算机设备
CN110826408A (zh) 一种分区域特征提取人脸识别方法
CN103824090A (zh) 一种自适应的人脸低层特征选择方法及人脸属性识别方法
CN107067037B (zh) 一种使用llc准则定位图像前景的方法
CN114445879A (zh) 一种高精度人脸识别方法及人脸识别设备
CN105117740A (zh) 字体识别方法及装置
Lodh et al. Flower recognition system based on color and GIST features
Dumaliang et al. Coin identification and conversion system using image processing
CN110223310A (zh) 一种基于深度学习的线结构光中心线和箱体边缘检测方法
CN109800756A (zh) 一种用于中文历史文献密集文本的文字检测识别方法
CN104598898B (zh) 一种基于多任务拓扑学习的航拍图像快速识别系统及其快速识别方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191115

WD01 Invention patent application deemed withdrawn after publication