CN113420767B - 一种用于字体分类的特征提取方法、系统和装置 - Google Patents
一种用于字体分类的特征提取方法、系统和装置 Download PDFInfo
- Publication number
- CN113420767B CN113420767B CN202110829946.9A CN202110829946A CN113420767B CN 113420767 B CN113420767 B CN 113420767B CN 202110829946 A CN202110829946 A CN 202110829946A CN 113420767 B CN113420767 B CN 113420767B
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- features
- preprocessed
- advanced
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 28
- 238000010606 normalization Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 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
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
本申请公开了一种用于字体分类的特征提取方法、系统及装置,所述方法包括:获取待检测图像,对所述待检测图像进行预处理,得到预处理图像,对所述预处理图像进行基础特征提取,得到图像基础特征,所述图像基础特征包括灰度特征和宽高比特征,对所述预处理图像进行高级特征提取,得到图像高级特征,所述图像高级特征包括外轮廓特征、梯度特征、局部二值特征、尺度不变特征以及几何矩特征,根据所述图像基础特征和所述图像高级特征生成特征空间,所述特征空间包括至少一种图像基础特征和至少一种图像高级特征。通过图像集合中包含的图像基础特征和图像高级特征,能够满足不同使用条件下的使用需求,提升了特征空间在特殊场景的适用性。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种用于字体分类的特征提取方法、系统和装置。
背景技术
文本通过各种载体进行信息传输,人们通过对文本进行观察,进行信息获取。应用机器视觉代替人眼,高效识别图像中的文本已经成为自动化生产的重要组成部分。
现有的基于机器学习的文本识别方法是通过特征空间进行单字符分类,然而,现有的文本识别方法仍存在一定缺点,由于分类精度取决于特征空间的抽象程度,现有的特征空间抽象程度较差,因此特征空间在实际场景中的通用性较差,多数情况下需要根据场景定制。
发明内容
本申请提供了一种用于字体分类的特征提取方法、系统和装置,以解决在现有字体分类识别过程中,特征空间中包含的特征种类较少,无法满足不同使用场景的使用需求的问题。
本申请提供了一种用于字体分类的特征提取方法,所述方法包括:
获取待检测图像;
对所述待检测图像进行预处理,得到预处理图像;
对所述预处理图像进行基础特征提取,得到图像基础特征,所述图像基础特征包括灰度特征和宽高比特征;
对所述预处理图像进行高级特征提取,得到图像高级特征,所述图像高级特征包括外轮廓特征、梯度特征、局部二值特征、尺度不变特征以及几何矩特征;
根据所述图像基础特征和所述图像高级特征生成特征空间,所述特征空间包括至少一种图像基础特征和至少一种图像高级特征。
所述对所述待检测图像进行预处理,得到预处理图像,具体包括以下步骤:
对所述待检测图像进行像素归一化处理,得到像素归一化处理后的待检测图像;
对像素归一化处理后的待检测图像进行尺寸归一化处理,得到预处理图像。
所述对所述预处理图像进行基础特征提取,得到图像基础特征,所述图像基础特征包括灰度特征和宽高比特征,具体包括以下步骤:
提取所述预处理图像中每个像素点的灰度信息作为特征向量,得到灰度特征;
提取所述预处理图像的宽度与高度之比作为特征向量,得到宽高比特征;
将所述灰度特征和所述宽高比特征合并,得到图像基础特征。
所述对所述预处理图像进行高级特征提取,得到图像高级特征,所述图像高级特征包括外轮廓特征、梯度特征、局部二值特征、尺度不变特征以及几何矩特征,具体包括以下步骤:
根据所述预处理图像得到外轮廓特征;
根据所述预处理图像得到梯度特征和局部二值特征;
根据所述预处理图像得到尺度不变特征和几何矩特征;
将所述外轮廓特征、所述梯度特征、所述局部二值特征、所述尺度不变特征以及所述几何矩特征合并,得到图像高级特征。
根据所述预处理图像得到外轮廓特征,具体包括以下步骤:
获取所述预处理图像中的字符区域;
在所述字符区域提取字符轮廓;
记录字符轮廓到所述预处理图像的边界方位信息作为特征向量,得到外轮廓特征。
根据所述预处理图像得到梯度特征和局部二值特征,具体包括以下步骤:
将所述预处理图像分割成大小相同的图像块;
以所述图像块为单位统计梯度直方图和局部二值直方图;
级联所有梯度直方图作为特征向量,得到梯度特征;
级联所有局部二值直方图作为特征向量,得到局部二值特征。
根据所述预处理图像得到梯度特征和局部二值特征,具体包括以下步骤:
将所述预处理图像分割成大小相同的图像块;
以所述图像块为单位统计局部二值直方图;
级联所有局部二值直方图作为特征向量,得到局部二值特征;
提取所述预处理图像中每个像素点的梯度作为特征向量,得到梯度特征。
根据所述预处理图像得到尺度不变特征和几何矩特征,具体包括以下步骤:
对所述预处理图像进行尺度不变特征变换,提取尺度不变特征点作为特征向量,得到尺度不变特征
对所述预处理图像应用惯性矩作为特征向量,得到几何矩特征。
第二方面,本申请提供了一种用于字体分类的特征提取系统,其特征在于,所述系统包括:
图像获取模块:获取待检测图像;
图像预处理模块:对所述待检测图像进行预处理,得到预处理图像;
基础特征提取模块:对所述预处理图像进行基础特征提取,得到图像基础特征,所述图像基础特征包括灰度特征和宽高比特征;
高级特征提取模块:对所述预处理图像进行高级特征提取,得到图像高级特征,所述图像高级特征包括外轮廓特征、梯度特征、局部二值特征、尺度不变特征以及几何矩特征;
特征空间生成模块:根据所述图像基础特征和所述图像高级特征生成特征空间,所述特征空间包括至少一种图像基础特征和至少一种图像高级特征。
第三方面,本申请提供了一种用于字体分类的特征提取装置,所述装置包括:至少一个处理器、存储器和输入输出单元;其中,所述存储器用于存储计算机程序,所述处理器用于调用所述存储器中存储的计算机程序来执行上述方法。
由以上技术方案可知,本申请公开了一种用于字体分类的特征提取方法、系统及装置,所述方法包括:获取待检测图像,对所述待检测图像进行预处理,得到预处理图像,对所述预处理图像进行基础特征提取,得到图像基础特征,所述图像基础特征包括灰度特征和宽高比特征,对所述预处理图像进行高级特征提取,得到图像高级特征,所述图像高级特征包括外轮廓特征、梯度特征、局部二值特征、尺度不变特征以及几何矩特征,根据所述图像基础特征和所述图像高级特征生成特征空间,所述特征空间包括至少一种图像基础特征和至少一种图像高级特征。通过图像集合中包含的图像基础特征和图像高级特征,能够满足不同使用条件下的使用需求,提升了特征空间在特殊场景的适用性。通过对预处理图像的多种特征进行获取,生成特征空间,解决在现有字体分类识别过程中,特征空间中包含的特征种类较少,无法满足不同使用场景的使用需求的问题。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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为本申请提供了一种用于字体分类的特征提取方法的应用场景图;
图2为本申请提供的一种用于字体分类的特征提取方法的流程图;
图3为本申请提供的一种实施例的方法流程图;
图4为本申请提供的第二种实施例的方法流程图;
图5为本申请提供的第三种实施例的方法流程图;
图6为本申请提供的一种用于字体分类的特征提取系统的结构示意图。
具体实施方式
为克服现有技术中存在的问题,本申请提供一种用于字体分类的特征提取方法、系统及装置,以解决在现有字体分类识别过程中,特征空间中包含的特征种类较少,无法满足不同使用场景的使用需求的问题。
参见图1,为本申请一种用于字体分类的特征提取方法的应用场景图,将待检测图像进行归一化处理,得到预处理图像,将预处理图像同时进行初级特征提取和高级特征提取,得到图像基础特征和图像高级特征,所述图像基础特征包括灰度特征和宽高比特征,所述图像高级特征包括外轮廓特征、梯度特征、局部二值特征、尺度不变特征以及几何矩特征,根据所述图像基础特征和所述图像高级特征生成特征空间,所述特征空间包括至少一种图像基础特征和至少一种图像高级特征。通过多种特征自由组合的特征空间实现对不同使用场景下的使用需求。
第一方面,参见图2,本申请提供了一种用于字体分类的特征提取方法,所述方法包括:
S100:获取待检测图像;
S110:对所述待检测图像进行预处理,得到预处理图像;
在一些实施例中,对所述待检测图像进行像素归一化处理,得到像素归一化处理后的待检测图像,对像素归一化处理后的待检测图像进行尺寸归一化处理,得到预处理图像。需要说明的是,所述待检测图像可以为灰度图像或彩色图像,灰度图是由单个像素矩阵组成的,而彩色图像是由三个矩阵所构成的,每个像素矩阵的取值均是0-255之间的整数,虽然可以直接将所述待检测图像进行特征提取,但由于特征提取过程中通常使用较小的权重值来进行拟合,而当训练数据的值是较大整数值时,严重影响特征提取效率,通过对所述待检测图像进行预处理,能够有效提升特征提取效率。
S120:对所述预处理图像进行基础特征提取,得到图像基础特征,所述图像基础特征包括灰度特征和宽高比特征;
S130:对所述预处理图像进行高级特征提取,得到图像高级特征,所述图像高级特征包括外轮廓特征、梯度特征、局部二值特征、尺度不变特征以及几何矩特征;
在一些实施例中,对所述预处理图像进行高级特征提取,得到图像高级特征,所述图像高级特征包括外轮廓特征、梯度特征、局部二值特征、尺度不变特征以及几何矩特征,具体包括以下步骤:根据所述预处理图像得到外轮廓特征,根据所述预处理图像得到梯度特征和局部二值特征,根据所述预处理图像得到尺度不变特征和几何矩特征,将所述外轮廓特征、所述梯度特征、所述局部二值特征、所述尺度不变特征以及所述几何矩特征合并,得到图像高级特征。
S140:根据所述图像基础特征和所述图像高级特征生成特征空间,所述特征空间包括至少一种图像基础特征和至少一种图像高级特征。
通过对多种图像基础特征和图像高级特征进行任意组合,能够满足不同使用场景下的使用需求,提升方法的适用性,提升用户体验。
在一些实施例中,参见图3,所述对所述待检测图像进行预处理,得到预处理图像,具体包括以下步骤:
S111:对所述待检测图像进行像素归一化处理,得到像素归一化处理后的待检测图像;
S112:对像素归一化处理后的待检测图像进行尺寸归一化处理,得到预处理图像。
在一些实施例中,参见图4,所述对所述预处理图像进行基础特征提取,得到图像基础特征,所述图像基础特征包括灰度特征和宽高比特征,具体包括以下步骤:
S121:提取所述预处理图像中每个像素点的灰度信息作为特征向量,得到灰度特征;
S122:提取所述预处理图像的宽度与高度之比作为特征向量,得到宽高比特征;
S123:将所述灰度特征和所述宽高比特征合并,得到图像基础特征。
在一些实施例中,参见图5,所述对所述预处理图像进行高级特征提取,得到图像高级特征,所述图像高级特征包括外轮廓特征、梯度特征、局部二值特征、尺度不变特征以及几何矩特征,具体包括以下步骤:
S131:根据所述预处理图像得到外轮廓特征;
S132:根据所述预处理图像得到梯度特征和局部二值特征;
S133:根据所述预处理图像得到尺度不变特征和几何矩特征;
S134:将所述外轮廓特征、所述梯度特征、所述局部二值特征、所述尺度不变特征以及所述几何矩特征合并,得到图像高级特征。
在一些实施例中,根据所述预处理图像得到外轮廓特征,具体包括以下步骤:
获取所述预处理图像中的字符区域;
在所述字符区域提取字符轮廓;
记录字符轮廓到所述预处理图像的边界方位信息作为特征向量,得到外轮廓特征。
在一些实施例中,根据所述预处理图像得到梯度特征和局部二值特征,具体包括以下步骤:
将所述预处理图像分割成大小相同的图像块;
以所述图像块为单位统计梯度直方图和局部二值直方图;
级联所有梯度直方图作为特征向量,得到梯度特征;
级联所有局部二值直方图作为特征向量,得到局部二值特征。
在另一种实施例中,根据所述预处理图像得到梯度特征和局部二值特征,具体包括以下步骤:
将所述预处理图像分割成大小相同的图像块;
以所述图像块为单位统计局部二值直方图;
级联所有局部二值直方图作为特征向量,得到局部二值特征;
提取所述预处理图像中每个像素点的梯度作为特征向量,得到梯度特征。
通过对预处理图像中每个像素点的梯度作为特征向量,能够有效提升处理效率,在样本量较多时效率优势更为明显。
在一些实施例中,根据所述预处理图像得到尺度不变特征和几何矩特征,具体包括以下步骤:
对所述预处理图像进行尺度不变特征变换,提取尺度不变特征点作为特征向量,得到尺度不变特征
对所述预处理图像应用惯性矩作为特征向量,得到几何矩特征。
第二方面,参见图6,本申请提供了一种用于字体分类的特征提取系统,所述系统包括:
图像获取模块:获取待检测图像;
图像预处理模块:对所述待检测图像进行预处理,得到预处理图像;
基础特征提取模块:对所述预处理图像进行基础特征提取,得到图像基础特征,所述图像基础特征包括灰度特征和宽高比特征;
高级特征提取模块:对所述预处理图像进行高级特征提取,得到图像高级特征,所述图像高级特征包括外轮廓特征、梯度特征、局部二值特征、尺度不变特征以及几何矩特征;
特征空间生成模块:根据所述图像基础特征和所述图像高级特征生成特征空间,所述特征空间包括至少一种图像基础特征和至少一种图像高级特征。
第三方面,本申请提供了一种用于字体分类的特征提取装置,所述装置包括:至少一个处理器、存储器和输入输出单元。其中,所述存储器用于存储计算机程序,所述处理器用于调用所述存储器中存储的计算机程序来执行上述的方法。
由以上技术方案可知,本申请公开了一种用于字体分类的特征提取方法、系统及装置,所述方法包括:获取待检测图像,对所述待检测图像进行预处理,得到预处理图像,对所述预处理图像进行基础特征提取,得到图像基础特征,所述图像基础特征包括灰度特征和宽高比特征,对所述预处理图像进行高级特征提取,得到图像高级特征,所述图像高级特征包括外轮廓特征、梯度特征、局部二值特征、尺度不变特征以及几何矩特征,根据所述图像基础特征和所述图像高级特征生成特征空间,所述特征空间包括至少一种图像基础特征和至少一种图像高级特征。通过图像集合中包含的图像基础特征和图像高级特征,能够满足不同使用条件下的使用需求,提升了特征空间在特殊场景的适用性。
通过对预处理图像的多种特征进行获取,生成特征空间,解决在现有字体分类识别过程中,特征空间中包含的特征种类较少,无法满足不同使用场景的使用需求的问题。
进一步的,包含多种高级特征的特征空间的噪声鲁棒性以及几何、光照、尺度不变性得到较大提升。同时,几种高级特征可以根据实际场景根据用户需求进行任意组合,方法具有较强的适应性。最后,所述特征提取方法不仅适用于字符样本,对于通用目标检测、图像分类、语义分割同样适用,方法应用面较广。
本领域技术人员在考虑说明书及实践这里公开的申请后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。
Claims (9)
1.一种用于字体分类的特征提取方法,其特征在于,所述方法包括:
获取待检测图像;
对所述待检测图像进行预处理,得到预处理图像,包括:对所述待检测图像进行像素归一化处理,得到像素归一化处理后的待检测图像;对像素归一化处理后的待检测图像进行尺寸归一化处理,得到预处理图像;
对所述预处理图像进行基础特征提取,所述基础特征包括灰度特征和宽高比特征,将所述灰度特征和所述宽高比特征合并,得到图像基础特征;
对所述预处理图像进行高级特征提取,所述高级特征包括外轮廓特征、梯度特征、局部二值特征、尺度不变特征以及几何矩特征,将所述外轮廓特征、所述梯度特征、所述局部二值特征、所述尺度不变特征以及所述几何矩特征合并,得到图像高级特征;
根据所述图像基础特征和所述图像高级特征生成特征空间。
2.根据权利要求1所述的用于字体分类的特征提取方法,其特征在于,所述对所述预处理图像进行基础特征提取,所述基础特征包括灰度特征和宽高比特征,具体包括以下步骤:
提取所述预处理图像中每个像素点的灰度信息作为特征向量,得到灰度特征;提取所述预处理图像的宽度与高度之比作为特征向量,得到宽高比特征。
3.根据权利要求2所述的用于字体分类的特征提取方法,其特征在于,所述对所述预处理图像进行高级特征提取,所述高级特征包括外轮廓特征、梯度特征、局部二值特征、尺度不变特征以及几何矩特征,具体包括以下步骤:
根据所述预处理图像得到外轮廓特征;
根据所述预处理图像得到梯度特征和局部二值特征;
根据所述预处理图像得到尺度不变特征和几何矩特征。
4.根据权利要求3所述的用于字体分类的特征提取方法,其特征在于,根据所述预处理图像得到外轮廓特征,具体包括以下步骤:
获取所述预处理图像中的字符区域;
在所述字符区域提取字符轮廓;
记录字符轮廓到所述预处理图像的边界方位信息作为特征向量,得到外轮廓特征。
5.根据权利要求4所述的用于字体分类的特征提取方法,其特征在于,根据所述预处理图像得到梯度特征和局部二值特征,具体包括以下步骤:
将所述预处理图像分割成大小相同的图像块;
以所述图像块为单位统计梯度直方图和局部二值直方图;
级联所有梯度直方图作为特征向量,得到梯度特征;
级联所有局部二值直方图作为特征向量,得到局部二值特征。
6.根据权利要求4所述的用于字体分类的特征提取方法,其特征在于,根据所述预处理图像得到梯度特征和局部二值特征,具体包括以下步骤:
将所述预处理图像分割成大小相同的图像块;
以所述图像块为单位统计局部二值直方图;
级联所有局部二值直方图作为特征向量,得到局部二值特征;
提取所述预处理图像中每个像素点的梯度作为特征向量,得到梯度特征。
7.根据权利要求5或6所述的用于字体分类的特征提取方法,其特征在于,根据所述预处理图像得到尺度不变特征和几何矩特征,具体包括以下步骤:
对所述预处理图像进行尺度不变特征变换,提取尺度不变特征点作为特征向量,得到尺度不变特征;
对所述预处理图像应用惯性矩作为特征向量,得到几何矩特征。
8.一种用于字体分类的特征提取系统,其特征在于,所述系统包括:图像获取模块:获取待检测图像;
图像预处理模块:对所述待检测图像进行预处理,得到预处理图像,包括:对所述待检测图像进行像素归一化处理,得到像素归一化处理后的待检测图像;对像素归一化处理后的待检测图像进行尺寸归一化处理,得到预处理图像;
基础特征提取模块:对所述预处理图像进行基础特征提取,所述基础特征包括灰度特征和宽高比特征,将所述灰度特征和所述宽高比特征合并,得到图像基础特征;
高级特征提取模块:对所述预处理图像进行高级特征提取,所述高级特征包括外轮廓特征、梯度特征、局部二值特征、尺度不变特征以及几何矩特征,将所述外轮廓特征、所述梯度特征、所述局部二值特征、所述尺度不变特征以及所述几何矩特征合并,得到图像高级特征;
特征空间生成模块:根据所述图像基础特征和所述图像高级特征生成特征空间。
9.一种用于字体分类的特征提取装置,其特征在于,所述装置包括:至少一个处理器、存储器和输入输出单元;其中,所述存储器用于存储计算机程序,所述处理器用于调用所述存储器中存储的计算机程序来执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110829946.9A CN113420767B (zh) | 2021-07-22 | 2021-07-22 | 一种用于字体分类的特征提取方法、系统和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110829946.9A CN113420767B (zh) | 2021-07-22 | 2021-07-22 | 一种用于字体分类的特征提取方法、系统和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420767A CN113420767A (zh) | 2021-09-21 |
CN113420767B true CN113420767B (zh) | 2024-04-26 |
Family
ID=77719501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110829946.9A Active CN113420767B (zh) | 2021-07-22 | 2021-07-22 | 一种用于字体分类的特征提取方法、系统和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420767B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797533B (zh) * | 2023-03-24 | 2024-01-23 | 东莞市冠锦电子科技有限公司 | 电源适配器的外观缺陷检测方法及其系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101488182A (zh) * | 2008-12-24 | 2009-07-22 | 华南理工大学 | 一种用于手写汉字识别的图像特征提取方法 |
CN101561866A (zh) * | 2009-05-27 | 2009-10-21 | 上海交通大学 | 基于sift特征与灰度差值直方图特征的文字识别方法 |
CN101763505A (zh) * | 2009-12-29 | 2010-06-30 | 重庆大学 | 基于投影对称性的车牌字符特征提取及分类方法 |
CN102043960A (zh) * | 2010-12-03 | 2011-05-04 | 杭州淘淘搜科技有限公司 | 一种结合图像灰度与梯度的改进sift特征提取方法 |
CN104239872A (zh) * | 2014-09-26 | 2014-12-24 | 南开大学 | 异态汉字识别方法 |
CN104299009A (zh) * | 2014-09-23 | 2015-01-21 | 同济大学 | 基于多特征融合的车牌字符识别方法 |
CN106127198A (zh) * | 2016-06-20 | 2016-11-16 | 华南师范大学 | 一种基于多分类器集成的图像文字识别方法 |
CN108734170A (zh) * | 2018-05-25 | 2018-11-02 | 电子科技大学 | 基于机器学习和模板的车牌字符分割方法 |
CN111639212A (zh) * | 2020-05-27 | 2020-09-08 | 中国矿业大学 | 一种矿用智能视频分析中的图像检索方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344801A (zh) * | 2018-10-26 | 2019-02-15 | 京东方科技集团股份有限公司 | 一种物体检测方法及装置 |
-
2021
- 2021-07-22 CN CN202110829946.9A patent/CN113420767B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101488182A (zh) * | 2008-12-24 | 2009-07-22 | 华南理工大学 | 一种用于手写汉字识别的图像特征提取方法 |
CN101561866A (zh) * | 2009-05-27 | 2009-10-21 | 上海交通大学 | 基于sift特征与灰度差值直方图特征的文字识别方法 |
CN101763505A (zh) * | 2009-12-29 | 2010-06-30 | 重庆大学 | 基于投影对称性的车牌字符特征提取及分类方法 |
CN102043960A (zh) * | 2010-12-03 | 2011-05-04 | 杭州淘淘搜科技有限公司 | 一种结合图像灰度与梯度的改进sift特征提取方法 |
CN104299009A (zh) * | 2014-09-23 | 2015-01-21 | 同济大学 | 基于多特征融合的车牌字符识别方法 |
CN104239872A (zh) * | 2014-09-26 | 2014-12-24 | 南开大学 | 异态汉字识别方法 |
CN106127198A (zh) * | 2016-06-20 | 2016-11-16 | 华南师范大学 | 一种基于多分类器集成的图像文字识别方法 |
CN108734170A (zh) * | 2018-05-25 | 2018-11-02 | 电子科技大学 | 基于机器学习和模板的车牌字符分割方法 |
CN111639212A (zh) * | 2020-05-27 | 2020-09-08 | 中国矿业大学 | 一种矿用智能视频分析中的图像检索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113420767A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Salient region detection via high-dimensional color transform | |
US10635946B2 (en) | Eyeglass positioning method, apparatus and storage medium | |
CN107133622B (zh) | 一种单词的分割方法和装置 | |
CN105512683B (zh) | 基于卷积神经网络的目标定位方法及装置 | |
Leibe et al. | Interleaved Object Categorization and Segmentation. | |
CN103927387B (zh) | 图像检索系统及其相关方法和装置 | |
CN112633297B (zh) | 目标对象的识别方法、装置、存储介质以及电子装置 | |
EP4109332A1 (en) | Certificate authenticity identification method and apparatus, computer-readable medium, and electronic device | |
CN110222687A (zh) | 复杂背景卡面信息识别方法及系统 | |
CN110427972B (zh) | 证件视频特征提取方法、装置、计算机设备和存储介质 | |
CN111814690B (zh) | 一种目标重识别方法、装置和计算机可读存储介质 | |
CN104504368A (zh) | 一种图像场景识别方法及系统 | |
CN103544504A (zh) | 一种基于多尺度图匹配核的场景字符识别方法 | |
CN111914668A (zh) | 一种基于图像增强技术的行人重识别方法、装置及系统 | |
CN110188750A (zh) | 一种基于深度学习的自然场景图片文字识别方法 | |
Song et al. | Robust and parallel Uyghur text localization in complex background images | |
CN113111880A (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
CN113420767B (zh) | 一种用于字体分类的特征提取方法、系统和装置 | |
CN112488123A (zh) | 一种基于细化局部模式的纹理图像分类方法及系统 | |
Fang et al. | A colour histogram based approach to human face detection | |
CN108921006B (zh) | 手写签名图像真伪鉴别模型建立方法及真伪鉴别方法 | |
CN108090728B (zh) | 一种基于智能终端的快递信息录入方法及录入系统 | |
CN117912058A (zh) | 一种牛脸识别方法 | |
CN113780116A (zh) | 发票分类方法、装置、计算机设备和存储介质 | |
US6694059B1 (en) | Robustness enhancement and evaluation of image information 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 |