CN113012145A - 一种化妆品外包装字符缺陷检测的方法 - Google Patents
一种化妆品外包装字符缺陷检测的方法 Download PDFInfo
- Publication number
- CN113012145A CN113012145A CN202110388274.2A CN202110388274A CN113012145A CN 113012145 A CN113012145 A CN 113012145A CN 202110388274 A CN202110388274 A CN 202110388274A CN 113012145 A CN113012145 A CN 113012145A
- Authority
- CN
- China
- Prior art keywords
- character
- outer package
- image
- cosmetic outer
- model
- 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.)
- Withdrawn
Links
- 239000002537 cosmetic Substances 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000007547 defect Effects 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 230000000007 visual effect Effects 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 239000000428 dust Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012856 packing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000001179 sorption measurement Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 6
- 230000006872 improvement Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000012847 fine chemical Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种化妆品外包装字符缺陷检测的方法,涉及缺陷检测技术领域,包括以下步骤:集成样本库、提取特征值、构建模型、产品检测、字符比对、测量尺寸和位置对比;本发明收集成品化妆品外包装的图像,提取颜色、文字纹理的特征值,并构建化妆品外包装对比模型,检测时,拍摄待检测的化妆品外包装图像,提取颜色、文字纹理的特征值,在概念检测框架中,利用可视重叠对比法,将图像特征值重叠,概念检测框架标记出特征值的不同处,从而确定缺陷及缺陷位置,综上,利用纹理提取和特征值比对标记,检测效率好,检测更完善,且本发明根据测量字符的坐标戳,确定字符位置是否正确,避免出现字符偏移的包装。
Description
技术领域
本发明涉及缺陷检测技术领域,尤其涉及一种化妆品外包装字符缺陷检测的方法。
背景技术
化妆品是指以涂抹、喷洒或者其他类似方法,散布于人体表面的任何部位,如皮肤、毛发、指趾甲、唇齿等,以达到清洁、保养、美容、修饰和改变外观,或者修正人体气味,保持良好状态为目的的化学工业品或精细化工产品,在化妆品的生产和售卖中,化妆品通常需要用精美的包装进行装饰和保护;
在化妆品包装中,需要打上相应的字符,这些字符包括对化妆品的成分介绍、功效介绍,以及品牌的logo字符,这些字符是消费者购买化妆品的重要依据,然而,在打上字符的过程中,有时候会出现字符缺陷的情况,现有技术中,一般为检测人员肉眼识别,找出字符缺陷的包装,这种识别容易眼花,难以检测完全,因此,本发明提出一种化妆品外包装字符缺陷检测的方法以解决现有技术中存在的问题。
发明内容
针对上述问题,本发明提出一种化妆品外包装字符缺陷检测的方法,该化妆品外包装字符缺陷检测的方法收集成品化妆品外包装的图像,提取颜色、文字纹理的特征值,并构建化妆品外包装对比模型,检测时,拍摄待检测的化妆品外包装图像,提取颜色、文字纹理的特征值,在概念检测框架中,利用可视重叠对比法,将图像特征值重叠,概念检测框架标记出特征值的不同处,从而确定缺陷及缺陷位置,综上,利用纹理提取和特征值比对标记,检测效率好,检测更完善。
为实现本发明的目的,本发明通过以下技术方案实现:一种化妆品外包装字符缺陷检测的方法,包括以下步骤:
步骤一:集成样本库
收集成品化妆品外包装的图像,对图像的字符标签面进行降噪锐化,去除噪点,集成为样本库;
步骤二:提取特征值
对样本库进行去重,选择像素密度2k以上的图像,该图像具备凸出的字符纹理和颜色特征,然后提取颜色、文字纹理的特征值,构建对比库;
步骤三:构建模型
以数字图像为载体融合对比库的图像特征值构建化妆品外包装对比模型,设定该模型与实际化妆品外包装的尺寸比例为1∶1;
步骤四:产品检测
拍摄待检测的化妆品外包装图像,降噪后识别该图像中的颜色特征和文字纹理,提取颜色、文字纹理的特征值;
步骤五:字符比对
构建概念检测框架,利用可视重叠对比法,对比化妆品外包装对比模型和待检测的化妆品外包装的颜色文字特征值,从而确定外包装的字符缺陷;
步骤六:测量尺寸
在待检测的化妆品外包装图像中,测量字符面的尺寸以及字符位置,然后再次调节化妆品外包装对比模型字符面的尺寸,测量字符位置;
步骤七:位置比对
对比待检测化妆品外包装图像的字符位置和化妆品外包装对比模型中的字符位置,确定字符位置是否正确。
进一步改进在于:所述步骤一中,成品化妆品外包装选用字符完善,位置标准,表面无灰尘吸附的成品。
进一步改进在于:所述步骤二中,利用ENVI软件识别成品化妆品外包装的图像,并转换为HLS图像,提取颜色特征,然后通过ENVI软件的滤波功能对模型中化妆品外包装的图像进行滤波,并将其滤波提取的纹理结果置于ARCGIS进行密度分析,确定文字的纹理细密度,接着对图像进行光谱二阶导数的求取,在ENVI IDL中编写二阶导数运算算法,确定图像的特征值。
进一步改进在于:所述步骤三中,将对比库的特征值集合输入ArcGIS软件中,将参数进行拉伸立体化,构建立体模型,接着利用SVG对模型中相对应的颜色特征、文字纹理特征的特征值矢量化,再采用ContextCapture基于影像自动化进行三维影像模型构建,得到化妆品外包装对比模型。
进一步改进在于:所述步骤四中,提取特征值的具体流程为:应用高斯滤波来平滑图像,去除噪声,然后利用ENVI软件将拍摄的待检测化妆品外包装图像直接转换为HLS图像,并提取颜色特征,然后通过ENVI软件的滤波功能进行沿总体走向的方向滤波,提取文字纹理,并将其滤波提取的纹理结果置于ARCGIS进行密度分析,确定文字的纹理细密度,接着对图像进行光谱二阶导数的求取,在ENVI IDL中编写二阶导数运算算法,确定每张图像的特征值。
进一步改进在于:所述步骤五中,基于Faster R-CNN、R-FCN、YOLO卷积神经网络的目标检测模型来构建概念检测框架,且该概念检测框架中,基于TensorFlow和PyTorch平台以卷积神经网络为基本框架输入可视重叠对比法。
进一步改进在于:所述步骤五中,可视重叠对比法对比具体流程为:在概念检测框架中,以基元特征和排列规则进行纹理分割,待检测的化妆品外包装的颜色文字特征值输入至化妆品外包装对比模型中,与对比模型中的图像特征值重叠,概念检测框架标记出特征值的不同处,确定缺陷及缺陷位置。
进一步改进在于:所述步骤六中,调节化妆品外包装对比模型字符面的尺寸时,保证该尺寸与待检测的化妆品外包装图像字符面的尺寸相同,字符位置以所有字符标记为整体进行测量。
进一步改进在于:所述步骤七中,将待检测化妆品外包装图像中的字符位置和化妆品外包装对比模型中的字符位置,根据字符面尺寸打上坐标戳,比对坐标戳,确定字符位置是否正确。
本发明的有益效果为:
1、本发明收集成品化妆品外包装的图像,提取颜色、文字纹理的特征值,并构建化妆品外包装对比模型,检测时,拍摄待检测的化妆品外包装图像,提取颜色、文字纹理的特征值,在概念检测框架中,利用可视重叠对比法,将图像特征值重叠,概念检测框架标记出特征值的不同处,从而确定缺陷及缺陷位置,综上,利用纹理提取和特征值比对标记,检测效率好,检测更完善。
2、本发明通过调节化妆品外包装对比模型字符面的尺寸,使其与待检测的化妆品外包装图像字符面的尺寸相同,来测量二者字符面上的字符位置,根据字符面尺寸打上坐标戳,比对坐标戳,即可确定字符位置是否正确,方便测量化妆品包装上的字符位置是否规整,避免出现字符偏移的包装,检测更全面。
附图说明
图1为本发明的流程图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
根据图1所示,本实施例提出了一种化妆品外包装字符缺陷检测的方法,包括以下步骤:
步骤一:集成样本库
收集成品化妆品外包装的图像,成品化妆品外包装选用字符完善,位置标准,表面无灰尘吸附的成品,对图像的字符标签面进行降噪锐化,去除噪点,集成为样本库;
步骤二:提取特征值
对样本库进行去重,选择像素密度2k以上的图像,该图像具备凸出的字符纹理和颜色特征,然后提取颜色、文字纹理的特征值,具体流程为:利用ENVI软件识别成品化妆品外包装的图像,并转换为HLS图像,提取颜色特征,然后通过ENVI软件的滤波功能对模型中化妆品外包装的图像进行滤波,并将其滤波提取的纹理结果置于ARCGIS进行密度分析,确定文字的纹理细密度,接着对图像进行光谱二阶导数的求取,在ENVI IDL中编写二阶导数运算算法,确定图像的特征值,构建对比库;
步骤三:构建模型
以数字图像为载体融合对比库的图像特征值构建化妆品外包装对比模型,具体流程为:将对比库的特征值集合输入ArcGIS软件中,将参数进行拉伸立体化,构建立体模型,接着利用SVG对模型中相对应的颜色特征、文字纹理特征的特征值矢量化,再采用ContextCapture基于影像自动化进行三维影像模型构建,得到化妆品外包装对比模型,设定该模型与实际化妆品外包装的尺寸比例为1∶1;
步骤四:产品检测
拍摄待检测的化妆品外包装图像,降噪后识别该图像中的颜色特征和文字纹理,提取颜色、文字纹理的特征值,具体流程为:应用高斯滤波来平滑图像,去除噪声,然后利用ENVI软件将拍摄的待检测化妆品外包装图像直接转换为HLS图像,并提取颜色特征,然后通过ENVI软件的滤波功能进行沿总体走向的方向滤波,提取文字纹理,并将其滤波提取的纹理结果置于ARCGIS进行密度分析,确定文字的纹理细密度,接着对图像进行光谱二阶导数的求取,在ENVI IDL中编写二阶导数运算算法,确定每张图像的特征值;
步骤五:字符比对
基于Faster R-CNN、R-FCN、YOLO卷积神经网络的目标检测模型来构建概念检测框架,且该概念检测框架中,基于TensorFlow和PyTorch平台以卷积神经网络为基本框架输入可视重叠对比法,利用可视重叠对比法,对比化妆品外包装对比模型和待检测的化妆品外包装的颜色文字特征值,从而确定外包装的字符缺陷,具体流程为:在概念检测框架中,以基元特征和排列规则进行纹理分割,待检测的化妆品外包装的颜色文字特征值输入至化妆品外包装对比模型中,与对比模型中的图像特征值重叠,概念检测框架标记出特征值的不同处,确定缺陷及缺陷位置;
步骤六:测量尺寸
在待检测的化妆品外包装图像中,测量字符面的尺寸以及字符位置,然后再次调节化妆品外包装对比模型字符面的尺寸,保证该尺寸与待检测的化妆品外包装图像字符面的尺寸相同,测量字符位置,字符位置以所有字符标记为整体进行测量;
步骤七:位置比对
对比待检测化妆品外包装图像的字符位置和化妆品外包装对比模型中的字符位置,具体流程为:将待检测化妆品外包装图像中的字符位置和化妆品外包装对比模型中的字符位置,根据字符面尺寸打上坐标戳,比对坐标戳,确定字符位置是否正确。
本发明收集成品化妆品外包装的图像,提取颜色、文字纹理的特征值,并构建化妆品外包装对比模型,检测时,拍摄待检测的化妆品外包装图像,提取颜色、文字纹理的特征值,在概念检测框架中,利用可视重叠对比法,将图像特征值重叠,概念检测框架标记出特征值的不同处,从而确定缺陷及缺陷位置,综上,利用纹理提取和特征值比对标记,检测效率好,检测更完善,且本发明通过调节化妆品外包装对比模型字符面的尺寸,使其与待检测的化妆品外包装图像字符面的尺寸相同,来测量二者字符面上的字符位置,根据字符面尺寸打上坐标戳,比对坐标戳,即可确定字符位置是否正确,方便测量化妆品包装上的字符位置是否规整,避免出现字符偏移的包装,检测更全面。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种化妆品外包装字符缺陷检测的方法,其特征在于,包括以下步骤:
步骤一:集成样本库
收集成品化妆品外包装的图像,对图像的字符标签面进行降噪锐化,去除噪点,集成为样本库;
步骤二:提取特征值
对样本库进行去重,选择像素密度2k以上的图像,该图像具备凸出的字符纹理和颜色特征,然后提取颜色、文字纹理的特征值,构建对比库;
步骤三:构建模型
以数字图像为载体融合对比库的图像特征值构建化妆品外包装对比模型,设定该模型与实际化妆品外包装的尺寸比例为1∶1;
步骤四:产品检测
拍摄待检测的化妆品外包装图像,降噪后识别该图像中的颜色特征和文字纹理,提取颜色、文字纹理的特征值;
步骤五:字符比对
构建概念检测框架,利用可视重叠对比法,对比化妆品外包装对比模型和待检测的化妆品外包装的颜色文字特征值,从而确定外包装的字符缺陷;
步骤六:测量尺寸
在待检测的化妆品外包装图像中,测量字符面的尺寸以及字符位置,然后再次调节化妆品外包装对比模型字符面的尺寸,测量字符位置;
步骤七:位置比对
对比待检测化妆品外包装图像的字符位置和化妆品外包装对比模型中的字符位置,确定字符位置是否正确。
2.根据权利要求1所述的一种化妆品外包装字符缺陷检测的方法,其特征在于:所述步骤一中,成品化妆品外包装选用字符完善,位置标准,表面无灰尘吸附的成品。
3.根据权利要求1所述的一种化妆品外包装字符缺陷检测的方法,其特征在于:所述步骤二中,利用ENVI软件识别成品化妆品外包装的图像,并转换为HLS图像,提取颜色特征,然后通过ENVI软件的滤波功能对模型中化妆品外包装的图像进行滤波,并将其滤波提取的纹理结果置于ARCGIS进行密度分析,确定文字的纹理细密度,接着对图像进行光谱二阶导数的求取,在ENVI IDL中编写二阶导数运算算法,确定图像的特征值。
4.根据权利要求1所述的一种化妆品外包装字符缺陷检测的方法,其特征在于:所述步骤三中,将对比库的特征值集合输入ArcGIS软件中,将参数进行拉伸立体化,构建立体模型,接着利用SVG对模型中相对应的颜色特征、文字纹理特征的特征值矢量化,再采用ContextCapture基于影像自动化进行三维影像模型构建,得到化妆品外包装对比模型。
5.根据权利要求1所述的一种化妆品外包装字符缺陷检测的方法,其特征在于:所述步骤四中,提取特征值的具体流程为:应用高斯滤波来平滑图像,去除噪声,然后利用ENVI软件将拍摄的待检测化妆品外包装图像直接转换为HLS图像,并提取颜色特征,然后通过ENVI软件的滤波功能进行沿总体走向的方向滤波,提取文字纹理,并将其滤波提取的纹理结果置于ARCGIS进行密度分析,确定文字的纹理细密度,接着对图像进行光谱二阶导数的求取,在ENVI IDL中编写二阶导数运算算法,确定每张图像的特征值。
6.根据权利要求1所述的一种化妆品外包装字符缺陷检测的方法,其特征在于:所述步骤五中,基于Faster R-CNN、R-FCN、YOLO卷积神经网络的目标检测模型来构建概念检测框架,且该概念检测框架中,基于TensorFlow和PyTorch平台以卷积神经网络为基本框架输入可视重叠对比法。
7.根据权利要求6所述的一种化妆品外包装字符缺陷检测的方法,其特征在于:所述步骤五中,可视重叠对比法对比具体流程为:在概念检测框架中,以基元特征和排列规则进行纹理分割,待检测的化妆品外包装的颜色文字特征值输入至化妆品外包装对比模型中,与对比模型中的图像特征值重叠,概念检测框架标记出特征值的不同处,确定缺陷及缺陷位置。
8.根据权利要求1所述的一种化妆品外包装字符缺陷检测的方法,其特征在于:所述步骤六中,调节化妆品外包装对比模型字符面的尺寸时,保证该尺寸与待检测的化妆品外包装图像字符面的尺寸相同,字符位置以所有字符标记为整体进行测量。
9.根据权利要求1所述的一种化妆品外包装字符缺陷检测的方法,其特征在于:所述步骤七中,将待检测化妆品外包装图像中的字符位置和化妆品外包装对比模型中的字符位置,根据字符面尺寸打上坐标戳,比对坐标戳,确定字符位置是否正确。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110388274.2A CN113012145A (zh) | 2021-04-10 | 2021-04-10 | 一种化妆品外包装字符缺陷检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110388274.2A CN113012145A (zh) | 2021-04-10 | 2021-04-10 | 一种化妆品外包装字符缺陷检测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113012145A true CN113012145A (zh) | 2021-06-22 |
Family
ID=76388258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110388274.2A Withdrawn CN113012145A (zh) | 2021-04-10 | 2021-04-10 | 一种化妆品外包装字符缺陷检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113012145A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115935462A (zh) * | 2022-10-18 | 2023-04-07 | 美的集团股份有限公司 | 外包装建模方法及装置 |
CN116309573A (zh) * | 2023-05-19 | 2023-06-23 | 成都工业学院 | 一种牛奶包装盒印刷字符的缺陷检测方法 |
-
2021
- 2021-04-10 CN CN202110388274.2A patent/CN113012145A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115935462A (zh) * | 2022-10-18 | 2023-04-07 | 美的集团股份有限公司 | 外包装建模方法及装置 |
CN115935462B (zh) * | 2022-10-18 | 2023-12-26 | 美的集团股份有限公司 | 外包装建模方法及装置 |
CN116309573A (zh) * | 2023-05-19 | 2023-06-23 | 成都工业学院 | 一种牛奶包装盒印刷字符的缺陷检测方法 |
CN116309573B (zh) * | 2023-05-19 | 2023-07-25 | 成都工业学院 | 一种牛奶包装盒印刷字符的缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alldieck et al. | imghum: Implicit generative models of 3d human shape and articulated pose | |
CN107578418B (zh) | 一种融合色彩和深度信息的室内场景轮廓检测方法 | |
CN108985181B (zh) | 一种基于检测分割的端对端人脸标注方法 | |
CN105445277B (zh) | 一种fpc表面质量视觉智能检测方法 | |
JP2021524103A (ja) | 画像内のオブジェクトの代表特性を抽出する方法、装置及びコンピュータプログラム | |
CN105279787B (zh) | 基于拍照的户型图识别生成三维房型的方法 | |
Olsen et al. | Naturasketch: Modeling from images and natural sketches | |
CN113012145A (zh) | 一种化妆品外包装字符缺陷检测的方法 | |
CN101807114B (zh) | 一种基于三维手势的自然交互方法 | |
Dutta et al. | A color edge detection algorithm in RGB color space | |
CN108460369A (zh) | 一种基于机器视觉的绘图方法及系统 | |
CN106643508A (zh) | 一种用于规则三维对象体积测量的方法和系统 | |
CN105528589A (zh) | 基于多列卷积神经网络的单张图像人群计数算法 | |
US20100315424A1 (en) | Computer graphic generation and display method and system | |
CN102254333B (zh) | 基于图像的水墨画画风图像生成方法 | |
CN107341436B (zh) | 手势检测网络训练、手势检测及控制方法、系统及终端 | |
CN103177446A (zh) | 基于邻域和非邻域平滑先验的图像前景精准提取方法 | |
CN103914699A (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
CN104063890A (zh) | 一种人脸卡通动漫形象化方法及系统 | |
CN102096934A (zh) | 一种基于机器学习的人脸卡通画生成方法 | |
Sarkar et al. | Structured low-rank matrix factorization for point-cloud denoising | |
Loconsole et al. | Real-time emotion recognition: an improved hybrid approach for classification performance | |
CN108230297B (zh) | 一种基于服装替换的色彩搭配评估方法 | |
Zhao et al. | Research on the application of computer image processing technology in painting creation | |
CN106295673A (zh) | 物品信息处理方法及处理装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210622 |