CN115311477B - 一种基于超分辨率重建的模仿式商标精准检测方法及系统 - Google Patents
一种基于超分辨率重建的模仿式商标精准检测方法及系统 Download PDFInfo
- Publication number
- CN115311477B CN115311477B CN202210951245.7A CN202210951245A CN115311477B CN 115311477 B CN115311477 B CN 115311477B CN 202210951245 A CN202210951245 A CN 202210951245A CN 115311477 B CN115311477 B CN 115311477B
- Authority
- CN
- China
- Prior art keywords
- trademark
- trademark image
- detected
- image
- similar
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000005516 engineering process Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06V10/513—Sparse representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/759—Region-based matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/09—Recognition of logos
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于超分辨率重建的模仿式商标精准检测方法及系统,涉及商标检测领域。通过对待检测商标图像和商标图像库中的各个商标图像分别进行稀疏编码,然后计算待检测商标图像与各个商标图像的相似度;筛选得到多个第一相似商标图像;然后分别将待检测商标图像和各个第一相似商标图像等分为m个区域,并进行稀疏编码;然后分别计算每个对应区域的相似度;然后根据相似度值分别计算显著性区域并进行对比;然后利用超分辨率重建技术进行图像重建,再进行稀疏编码;然后计算相似度,最后根据多个新的相似度值得到商标检测结果。通过将稀疏编码、显著性检测、超分辨率重建技术进行结合,显著提升了模仿式商标检测的精度。
Description
技术领域
本发明涉及商标检测领域,具体而言,涉及一种基于超分辨率重建的模仿式商标精准检测方法及系统。
背景技术
随着时代的发展,越来越多的知名企业推动了经济的发展和社会的进步。商标作为企业的核心标志,也发挥了重要的作用。然而,部分新成立企业在商标的设计和制作过程中,因和已成立企业商标的相似度较高而出现了侵权行为。甚至,部分不法商家通过模仿知名企业商标的方式,来误导消费者从而实现非法盈利,造成了巨大的社会危害。
针对上述问题,很多研究人员对模仿式商标检测问题进行了研究,也提出了部分较为理想的检测方法。然而,相关检测方法往往存在一定的局限性,无法对海量的商标都有较好的检测结果,使得模仿式商标检测无法保持较高的精度。因此,如何建立一种高精度的模仿式商标精准检测方法是一项非常有意义的问题。
发明内容
本发明的目的在于提供一种基于超分辨率重建的模仿式商标精准检测方法及系统,用以改善现有技术中无法对海量的商标都有较好的检测结果,使得模仿式商标检测无法保持较高的精度的问题。
第一方面,本申请实施例提供一种基于超分辨率重建的模仿式商标精准检测方法,包括以下步骤:
获取并对待检测商标图像和预置的商标图像库中的各个商标图像分别进行稀疏编码,生成待检测商标图像编码和多个商标图像编码;
根据待检测商标图像编码和各个商标图像编码利用欧式距离分别计算待检测商标图像与各个商标图像的相似度,得到多个相似度值;
根据多个相似度值对预置的商标图像库中的多个商标图像进行筛选,得到多个第一相似商标图像;
分别将待检测商标图像和各个第一相似商标图像等分为m个区域,并分别对待检测商标图像和各个第一相似商标图像中的m个区域进行稀疏编码,得到m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码;
根据m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码分别计算待检测商标图像和各个第一相似商标图像中每个对应区域的相似度,得到待检测商标图像与各个第一相似商标图像的m个区域相似度值;
根据待检测商标图像与各个第一相似商标图像的m个区域相似度值分别计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果;
根据各个区域对比结果利用超分辨率重建技术对待检测商标图像和各个第一相似商标图像进行图像重建,生成新的待检测商标图像和多个新的第一相似商标图像;
分别对新的待检测商标图像和多个新的第一相似商标图像进行稀疏编码,得到新的待检测商标图像编码和多个新的第一相似商标图像编码;
根据新的待检测商标图像编码和多个新的第一相似商标图像编码计算新的待检测商标图像与各个新的第一相似商标图像的相似度,得到多个新的相似度值;
根据多个新的相似度值得到商标检测结果。
上述实现过程中,通过获取并对待检测商标图像和预置的商标图像库中的各个商标图像分别进行稀疏编码,生成待检测商标图像编码和多个商标图像编码;然后根据待检测商标图像编码和各个商标图像编码利用欧式距离分别计算待检测商标图像与各个商标图像的相似度,得到多个相似度值;然后根据多个相似度值对预置的商标图像库中的多个商标图像进行筛选,得到多个第一相似商标图像;然后分别将待检测商标图像和各个第一相似商标图像等分为m个区域,并分别对待检测商标图像和各个第一相似商标图像中的m个区域进行稀疏编码,得到m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码;然后根据m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码分别计算待检测商标图像和各个第一相似商标图像中每个对应区域的相似度,得到待检测商标图像与各个第一相似商标图像的m个区域相似度值;然后根据待检测商标图像与各个第一相似商标图像的m个区域相似度值分别计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果;然后根据各个区域对比结果利用超分辨率重建技术对待检测商标图像和各个第一相似商标图像进行图像重建,生成新的待检测商标图像和多个新的第一相似商标图像;然后分别对新的待检测商标图像和多个新的第一相似商标图像进行稀疏编码,得到新的待检测商标图像编码和多个新的第一相似商标图像编码;然后根据新的待检测商标图像编码和多个新的第一相似商标图像编码计算新的待检测商标图像与各个新的第一相似商标图像的相似度,得到多个新的相似度值;最后根据多个新的相似度值得到商标检测结果。通过将稀疏编码、显著性检测、超分辨率重建技术进行结合,显著提升了模仿式商标检测的精度,实现模仿式商标的精准检测。
基于第一方面,在本发明的一些实施例中,根据多个相似度值对预置的商标图像库中的多个商标图像进行筛选,得到多个第一相似商标图像的步骤包括以下步骤:
判断各个相似度值是否大于预置的第一相似度阈值,若是,则将对应的商标图像作为第一相似商标图像;若否,则结束。
基于第一方面,在本发明的一些实施例中,还包括以下步骤:
计算并判断多个第一相似商标图像的个数是否为0,若是,则生成商标检测结果为非模仿式商标图像;若否,则分别将待检测商标图像和各个第一相似商标图像等分为m个区域,并分别对待检测商标图像和各个第一相似商标图像中的m个区域进行稀疏编码,得到m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码。
基于第一方面,在本发明的一些实施例中,根据待检测商标图像与各个第一相似商标图像的m个区域相似度值分别计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果的步骤包括以下步骤:
统计待检测商标图像与各个第一相似商标图像的m个区域相似度值中高于预置的第二相似度阈值的个数;
根据高于预置的第二相似度阈值的个数计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果。
基于第一方面,在本发明的一些实施例中,根据高于预置的第二相似度阈值的个数计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果的步骤包括以下步骤:
判断高于预置的第二相似度阈值的个数是否不小于预置的个数阈值,若是,则计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果;若否,则生成商标检测结果为非模仿式商标图像。
基于第一方面,在本发明的一些实施例中,根据各个区域对比结果利用超分辨率重建技术对待检测商标图像和各个第一相似商标图像进行图像重建,生成新的待检测商标图像和多个新的第一相似商标图像的步骤包括以下步骤:
判断各个区域对比结果是否大于预置的区域阈值,若是,则生成商标检测结果为非模仿式商标图像;若否,则利用超分辨率重建技术对待检测商标图像和各个第一相似商标图像进行图像重建,生成新的待检测商标图像和新的第一相似商标图像。
基于第一方面,在本发明的一些实施例中,根据多个新的相似度值得到商标检测结果的步骤包括以下步骤:
判断各个新的相似度值是否大于预置的第二相似度阈值,若是,则生成商标检测结果为模仿式商标图像;若否,则生成商标检测结果为非模仿式商标图像。
第二方面,本申请实施例提供一种基于超分辨率重建的模仿式商标精准检测系统,包括:
第一稀疏编码模块,用于获取并对待检测商标图像和预置的商标图像库中的各个商标图像分别进行稀疏编码,生成待检测商标图像编码和多个商标图像编码;
第一相似度计算模块,用于根据待检测商标图像编码和各个商标图像编码利用欧式距离分别计算待检测商标图像与各个商标图像的相似度,得到多个相似度值;
筛选模块,用于根据多个相似度值对预置的商标图像库中的多个商标图像进行筛选,得到多个第一相似商标图像;
第二稀疏编码模块,用于分别将待检测商标图像和各个第一相似商标图像等分为m个区域,并分别对待检测商标图像和各个第一相似商标图像中的m个区域进行稀疏编码,得到m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码;
第二相似度计算模块,用于根据m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码分别计算待检测商标图像和各个第一相似商标图像中每个对应区域的相似度,得到待检测商标图像与各个第一相似商标图像的m个区域相似度值;
显著性区域对比模块,用于根据待检测商标图像与各个第一相似商标图像的m个区域相似度值分别计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果;
图像重建模块,用于根据各个区域对比结果利用超分辨率重建技术对待检测商标图像和各个第一相似商标图像进行图像重建,生成新的待检测商标图像和多个新的第一相似商标图像;
第三稀疏编码模块,用于分别对新的待检测商标图像和多个新的第一相似商标图像进行稀疏编码,得到新的待检测商标图像编码和多个新的第一相似商标图像编码;
第三相似度计算模块,用于根据新的待检测商标图像编码和多个新的第一相似商标图像编码计算新的待检测商标图像与各个新的第一相似商标图像的相似度,得到多个新的相似度值;
检测结果模块,用于根据多个新的相似度值得到商标检测结果。
上述实现过程中,通过第一稀疏编码模块获取并对待检测商标图像和预置的商标图像库中的各个商标图像分别进行稀疏编码,生成待检测商标图像编码和多个商标图像编码;第一相似度计算模块根据待检测商标图像编码和各个商标图像编码利用欧式距离分别计算待检测商标图像与各个商标图像的相似度,得到多个相似度值;筛选模块根据多个相似度值对预置的商标图像库中的多个商标图像进行筛选,得到多个第一相似商标图像;第二稀疏编码模块分别将待检测商标图像和各个第一相似商标图像等分为m个区域,并分别对待检测商标图像和各个第一相似商标图像中的m个区域进行稀疏编码,得到m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码;第二相似度计算模块根据m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码分别计算待检测商标图像和各个第一相似商标图像中每个对应区域的相似度,得到待检测商标图像与各个第一相似商标图像的m个区域相似度值;显著性区域对比模块根据待检测商标图像与各个第一相似商标图像的m个区域相似度值分别计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果;图像重建模块根据各个区域对比结果利用超分辨率重建技术对待检测商标图像和各个第一相似商标图像进行图像重建,生成新的待检测商标图像和多个新的第一相似商标图像;第三稀疏编码模块分别对新的待检测商标图像和多个新的第一相似商标图像进行稀疏编码,得到新的待检测商标图像编码和多个新的第一相似商标图像编码;第三相似度计算模块根据新的待检测商标图像编码和多个新的第一相似商标图像编码计算新的待检测商标图像与各个新的第一相似商标图像的相似度,得到多个新的相似度值;检测结果模块根据多个新的相似度值得到商标检测结果。通过将稀疏编码、显著性检测、超分辨率重建技术进行结合,显著提升了模仿式商标检测的精度,实现模仿式商标的精准检测。
第三方面,本申请实施例提供一种电子设备,其包括存储器,用于存储一个或多个程序;处理器。当一个或多个程序被处理器执行时,实现如上述第一方面中任一项的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。
本发明实施例至少具有如下优点或有益效果:
本发明实施例提供一种基于超分辨率重建的模仿式商标精准检测方法及系统,通过获取并对待检测商标图像和预置的商标图像库中的各个商标图像分别进行稀疏编码,生成待检测商标图像编码和多个商标图像编码;然后根据待检测商标图像编码和各个商标图像编码利用欧式距离分别计算待检测商标图像与各个商标图像的相似度,得到多个相似度值;然后根据多个相似度值对预置的商标图像库中的多个商标图像进行筛选,得到多个第一相似商标图像;然后分别将待检测商标图像和各个第一相似商标图像等分为m个区域,并分别对待检测商标图像和各个第一相似商标图像中的m个区域进行稀疏编码,得到m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码;然后根据m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码分别计算待检测商标图像和各个第一相似商标图像中每个对应区域的相似度,得到待检测商标图像与各个第一相似商标图像的m个区域相似度值;然后根据待检测商标图像与各个第一相似商标图像的m个区域相似度值分别计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果;然后根据各个区域对比结果利用超分辨率重建技术对待检测商标图像和各个第一相似商标图像进行图像重建,生成新的待检测商标图像和多个新的第一相似商标图像;然后分别对新的待检测商标图像和多个新的第一相似商标图像进行稀疏编码,得到新的待检测商标图像编码和多个新的第一相似商标图像编码;然后根据新的待检测商标图像编码和多个新的第一相似商标图像编码计算新的待检测商标图像与各个新的第一相似商标图像的相似度,得到多个新的相似度值;最后根据多个新的相似度值得到商标检测结果。通过将稀疏编码、显著性检测、超分辨率重建技术进行结合,显著提升了模仿式商标检测的精度,实现模仿式商标的精准检测。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例提供的一种基于超分辨率重建的模仿式商标精准检测方法流程图;
图2为本发明实施例提供的步骤S130的详细步骤流程图;
图3为本发明实施例提供的第一相似商标图像个数统计判断流程图;
图4为本发明实施例提供的一种基于超分辨率重建的模仿式商标精准检测系统结构框图;
图5为本发明实施例提供的一种电子设备的结构框图。
图标:110-第一稀疏编码模块;120-第一相似度计算模块;130-筛选模块;140-第二稀疏编码模块;150-第二相似度计算模块;160-显著性区域对比模块;170-图像重建模块;180-第三稀疏编码模块;190-第三相似度计算模块;200-检测结果模块;101-存储器;102-处理器;103-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
实施例
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
请查看图1,图1为本发明实施例提供的一种基于超分辨率重建的模仿式商标精准检测方法流程图。该基于超分辨率重建的模仿式商标精准检测方法,包括以下步骤:
步骤S110:获取并对待检测商标图像和预置的商标图像库中的各个商标图像分别进行稀疏编码,生成待检测商标图像编码和多个商标图像编码;上述预置的商标图像库中包括有海量的商标图像,上述稀疏编码是一种无监督学习方法,它用来寻找一组“超完备”基向量来更高效地表示样本数据。稀疏编码算法的目的就是找到一组基向量,使得我们能将输入向量表示为这些基向量的线性组合。上述稀疏编码属于现有技术,在此就不再赘述。
步骤S120:根据待检测商标图像编码和各个商标图像编码利用欧式距离分别计算待检测商标图像与各个商标图像的相似度,得到多个相似度值;欧氏距离是最常见的距离度量,衡量的是多维空间中各个点之间的绝对距离,通过计算待检测商标图像编码和各个商标图像编码之间的欧式距离可以衡量两个图像在空间上存在的距离,距离越远说明两个图像间的差异越大,相似性越低,反之相似性越高。上述图像相似性结果可以根据欧式距离转化为相似比例,比如:欧式距离很小,为0.02,则可以按照预置的规则进行转化得到相似性结果为99.98%。
步骤S130:根据多个相似度值对预置的商标图像库中的多个商标图像进行筛选,得到多个第一相似商标图像;请参看图2,图2为本发明实施例提供的步骤S130的详细步骤流程图。上述进行筛选的过程可以通过以下步骤完成:判断各个相似度值是否大于预置的第一相似度阈值,若是,则将对应的商标图像作为第一相似商标图像;若否,则结束。上述第一相似度阀值可以是根据经验进行设置得到,若大于预置的第一相似度阈值,则说明待检测商标图像与商标图像库中的商标图像保持较高的相似度,将该商标图像作为第一相似商标图像。
若待检测商标图像和预置的商标图像库中的任意商标图像都无法保持较高的相似度,直接将待检测商标图像认定为非模仿式商标图像;若待检测商标图像和商标图像库中至少一个商标图像保持了较高的相似性,则进行下一步检测,待检测图像可能和1个或多个商标图像相似性很高,若有多个,多次进行下面的检测计算即可。请参看图3,图3为本发明实施例提供的第一相似商标图像个数统计判断流程图。具体可以通过以下步骤得到:
计算并判断多个第一相似商标图像的个数是否为0,若是,则生成商标检测结果为非模仿式商标图像;若否,则执行下面的步骤S140。
步骤S140:分别将待检测商标图像和各个第一相似商标图像等分为m个区域,并分别对待检测商标图像和各个第一相似商标图像中的m个区域进行稀疏编码,得到m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码;上述m的取值为正整数,可以根据经验进行设置,例如,m的取值为4,即将待检测商标图像和各个第一相似商标图像分别等分为4个区域,并对4个区域同时进行稀疏编码。
步骤S150:根据m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码分别计算待检测商标图像和各个第一相似商标图像中每个对应区域的相似度,得到待检测商标图像与各个第一相似商标图像的m个区域相似度值;上述计算相似度可以采用与步骤S120中的方法进行计算得到,在此就不再赘述。上述计算得到的相似度是指相同位置区域的相似度,例如检测商标图像的左上区域和第一相似商标图像的左上区域。
步骤S160:根据待检测商标图像与各个第一相似商标图像的m个区域相似度值分别计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果;具体包括以下步骤:
首先,统计待检测商标图像与各个第一相似商标图像的m个区域相似度值中高于预置的第二相似度阈值的个数;预置的第二相似度阈值可以是根据经验进行设置得到,上述统计过程可以是先将各个区域相似度值与预置的第二相似度阈值进行对比,然后统计得到高于预置的第二相似度阈值的个数相应的个数。
然后,根据高于预置的第二相似度阈值的个数计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果。具体可以通过以下判断得到:
判断高于预置的第二相似度阈值的个数是否不小于预置的个数阈值,若是,则计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果;若否,则生成商标检测结果为非模仿式商标图像。例如,在上述例子中有4个区域,若4个对应区域中相似性很高的区域小于3个,直接认定待检测商标图像为非模仿式商标图像;若4个对应区域中相似性很高的区域大于或等于3个,则进行下一步,即计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果。
上述计算待检测商标图像的显著性区域和各个第一相似商标图像的显著性区域可以采用显著性检测算法进行检测计算得到,例如FT显著性检测算法,上述显著性检测算法属于现有技术,在此就不再赘述。
上述将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比可以是将显著性区域的面积进行对比。上述区域对比结果可以是二个显著区域的差异值。
步骤S170:根据各个区域对比结果利用超分辨率重建技术对待检测商标图像和各个第一相似商标图像进行图像重建,生成新的待检测商标图像和多个新的第一相似商标图像;若显著性区域面积差别很大,则直接将待检测商标图像认定为非模仿式商标图像;若显著性区域面积差异性很小,即区域对比结果为无差异,则进行下一步,即利用超分辨率重建技术对待检测商标图像和各个第一相似商标图像进行图像重建,生成新的待检测商标图像和多个新的第一相似商标图像。具体可以通过以下判断得到:判断各个区域对比结果是否大于预置的区域阈值,若是,则生成商标检测结果为非模仿式商标图像;若否,则利用超分辨率重建技术对待检测商标图像和各个第一相似商标图像进行图像重建,生成新的待检测商标图像和新的第一相似商标图像。上述预置的区域阈值可以根据经验设置,若区域对比结果大于预置的区域阈值,则说明显著性区域差别很大,反之,则认为差别很小。上述超分辨率重建技术包括基于原始图像块稀疏表示的图像超分辨率重建、贝叶斯方法、基于金字塔算法、深度学习方法等,上述超分辨率重建技术属于现有技术,在此就不再赘述。通过进行超分辨率重建可以提高图像的分别率,进而便于进一步进行图像对比。
步骤S180:分别对新的待检测商标图像和多个新的第一相似商标图像进行稀疏编码,得到新的待检测商标图像编码和多个新的第一相似商标图像编码;上述进行稀疏编码的过程与步骤S110中的方法相同,在此就不再赘述。
步骤S190:根据新的待检测商标图像编码和多个新的第一相似商标图像编码计算新的待检测商标图像与各个新的第一相似商标图像的相似度,得到多个新的相似度值;上述计算相似度值与步骤S120中的方法相同,在此就不再赘述。
步骤S200:根据多个新的相似度值得到商标检测结果。具体包括以下步骤:
判断各个新的相似度值是否大于预置的第二相似度阈值,若是,则生成商标检测结果为模仿式商标图像;若否,则生成商标检测结果为非模仿式商标图像。上述预置的第二相似度阈值可以是根据经验设置,当新的相似度值是大于预置的第二相似度阈值,则说明相似性很高,反之,则说明相似性很低。若相似性很低,将待检测商标图像定义为非模仿式商标图像;若相似性很高,将待检测商标图像定义为模仿式商标图像。
上述实现过程中,通过获取并对待检测商标图像和预置的商标图像库中的各个商标图像分别进行稀疏编码,生成待检测商标图像编码和多个商标图像编码;然后根据待检测商标图像编码和各个商标图像编码利用欧式距离分别计算待检测商标图像与各个商标图像的相似度,得到多个相似度值;然后根据多个相似度值对预置的商标图像库中的多个商标图像进行筛选,得到多个第一相似商标图像;然后分别将待检测商标图像和各个第一相似商标图像等分为m个区域,并分别对待检测商标图像和各个第一相似商标图像中的m个区域进行稀疏编码,得到m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码;然后根据m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码分别计算待检测商标图像和各个第一相似商标图像中每个对应区域的相似度,得到待检测商标图像与各个第一相似商标图像的m个区域相似度值;然后根据待检测商标图像与各个第一相似商标图像的m个区域相似度值分别计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果;然后根据各个区域对比结果利用超分辨率重建技术对待检测商标图像和各个第一相似商标图像进行图像重建,生成新的待检测商标图像和多个新的第一相似商标图像;然后分别对新的待检测商标图像和多个新的第一相似商标图像进行稀疏编码,得到新的待检测商标图像编码和多个新的第一相似商标图像编码;然后根据新的待检测商标图像编码和多个新的第一相似商标图像编码计算新的待检测商标图像与各个新的第一相似商标图像的相似度,得到多个新的相似度值;最后根据多个新的相似度值得到商标检测结果。通过将稀疏编码、显著性检测、超分辨率重建技术进行结合,显著提升了模仿式商标检测的精度,实现模仿式商标的精准检测。
基于同样的发明构思,本发明还提出一种基于超分辨率重建的模仿式商标精准检测系统,请参看图4,图4为本发明实施例提供的一种基于超分辨率重建的模仿式商标精准检测系统结构框图。该基于超分辨率重建的模仿式商标精准检测系统包括:
第一稀疏编码模块110,用于获取并对待检测商标图像和预置的商标图像库中的各个商标图像分别进行稀疏编码,生成待检测商标图像编码和多个商标图像编码;
第一相似度计算模块120,用于根据待检测商标图像编码和各个商标图像编码利用欧式距离分别计算待检测商标图像与各个商标图像的相似度,得到多个相似度值;
筛选模块130,用于根据多个相似度值对预置的商标图像库中的多个商标图像进行筛选,得到多个第一相似商标图像;
第二稀疏编码模块140,用于分别将待检测商标图像和各个第一相似商标图像等分为m个区域,并分别对待检测商标图像和各个第一相似商标图像中的m个区域进行稀疏编码,得到m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码;
第二相似度计算模块150,用于根据m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码分别计算待检测商标图像和各个第一相似商标图像中每个对应区域的相似度,得到待检测商标图像与各个第一相似商标图像的m个区域相似度值;
显著性区域对比模块160,用于根据待检测商标图像与各个第一相似商标图像的m个区域相似度值分别计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果;
图像重建模块170,用于根据各个区域对比结果利用超分辨率重建技术对待检测商标图像和各个第一相似商标图像进行图像重建,生成新的待检测商标图像和多个新的第一相似商标图像;
第三稀疏编码模块180,用于分别对新的待检测商标图像和多个新的第一相似商标图像进行稀疏编码,得到新的待检测商标图像编码和多个新的第一相似商标图像编码;
第三相似度计算模块190,用于根据新的待检测商标图像编码和多个新的第一相似商标图像编码计算新的待检测商标图像与各个新的第一相似商标图像的相似度,得到多个新的相似度值;
检测结果模块200,用于根据多个新的相似度值得到商标检测结果。
上述实现过程中,通过第一稀疏编码模块110获取并对待检测商标图像和预置的商标图像库中的各个商标图像分别进行稀疏编码,生成待检测商标图像编码和多个商标图像编码;第一相似度计算模块120根据待检测商标图像编码和各个商标图像编码利用欧式距离分别计算待检测商标图像与各个商标图像的相似度,得到多个相似度值;筛选模块130根据多个相似度值对预置的商标图像库中的多个商标图像进行筛选,得到多个第一相似商标图像;第二稀疏编码模块140分别将待检测商标图像和各个第一相似商标图像等分为m个区域,并分别对待检测商标图像和各个第一相似商标图像中的m个区域进行稀疏编码,得到m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码;第二相似度计算模块150根据m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码分别计算待检测商标图像和各个第一相似商标图像中每个对应区域的相似度,得到待检测商标图像与各个第一相似商标图像的m个区域相似度值;显著性区域对比模块160根据待检测商标图像与各个第一相似商标图像的m个区域相似度值分别计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果;图像重建模块170根据各个区域对比结果利用超分辨率重建技术对待检测商标图像和各个第一相似商标图像进行图像重建,生成新的待检测商标图像和多个新的第一相似商标图像;第三稀疏编码模块180分别对新的待检测商标图像和多个新的第一相似商标图像进行稀疏编码,得到新的待检测商标图像编码和多个新的第一相似商标图像编码;第三相似度计算模块190根据新的待检测商标图像编码和多个新的第一相似商标图像编码计算新的待检测商标图像与各个新的第一相似商标图像的相似度,得到多个新的相似度值;检测结果模块200根据多个新的相似度值得到商标检测结果。通过将稀疏编码、显著性检测、超分辨率重建技术进行结合,显著提升了模仿式商标检测的精度,实现模仿式商标的精准检测。
请参阅图5,图5为本申请实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块,如本申请实施例所提供的一种基于超分辨率重建的模仿式商标精准检测系统对应的程序指令/模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器(Random Accessmemory,RAM),只读存储器(Read Onlymemory,ROM),可编程只读存储器(Programmable Read-Onlymemory,PROM),可擦除只读存储器(Erasable Programmable Read-Onlymemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Onlymemory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图5所示的结构仅为示意,电子设备还可包括比图5中所示更多或者更少的组件,或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本申请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)执行本申请各个实施例所述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-Onlymemory)、随机存取存储器(RAM,Random Accessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (5)
1.一种基于超分辨率重建的模仿式商标精准检测方法,其特征在于,包括以下步骤:
获取并对待检测商标图像和预置的商标图像库中的各个商标图像分别进行稀疏编码,生成待检测商标图像编码和多个商标图像编码;
根据待检测商标图像编码和各个商标图像编码利用欧式距离分别计算待检测商标图像与各个商标图像的相似度,得到多个相似度值;
根据多个相似度值对预置的商标图像库中的多个商标图像进行筛选,得到多个第一相似商标图像;
分别将待检测商标图像和各个第一相似商标图像等分为m个区域,并分别对待检测商标图像和各个第一相似商标图像中的m个区域进行稀疏编码,得到m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码;
根据m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码分别计算待检测商标图像和各个第一相似商标图像中每个对应区域的相似度,得到待检测商标图像与各个第一相似商标图像的m个区域相似度值;
根据待检测商标图像与各个第一相似商标图像的m个区域相似度值分别计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果;
若显著性区域面积差别大于预置的区域阈值,则直接将待检测商标图像认定为非模仿式商标图像;反之,则利用超分辨率重建技术对待检测商标图像和各个第一相似商标图像进行图像重建,生成新的待检测商标图像和多个新的第一相似商标图像;
分别对新的待检测商标图像和多个新的第一相似商标图像进行稀疏编码,得到新的待检测商标图像编码和多个新的第一相似商标图像编码;
根据新的待检测商标图像编码和多个新的第一相似商标图像编码计算新的待检测商标图像与各个新的第一相似商标图像的相似度,得到多个新的相似度值;
根据多个新的相似度值得到商标检测结果;
所述根据多个相似度值对预置的商标图像库中的多个商标图像进行筛选,得到多个第一相似商标图像的步骤包括以下步骤:
判断各个相似度值是否大于预置的第一相似度阈值,若是,则将对应的商标图像作为第一相似商标图像;若否,则结束;
还包括以下步骤:
计算并判断多个第一相似商标图像的个数是否为0,若是,则生成商标检测结果为非模仿式商标图像;若否,则分别将待检测商标图像和各个第一相似商标图像等分为m个区域,并分别对待检测商标图像和各个第一相似商标图像中的m个区域进行稀疏编码,得到m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码;
所述根据待检测商标图像与各个第一相似商标图像的m个区域相似度值分别计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果的步骤包括以下步骤:
统计待检测商标图像与各个第一相似商标图像的m个区域相似度值中高于预置的第二相似度阈值的个数;
根据高于预置的第二相似度阈值的个数计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果;
所述根据高于预置的第二相似度阈值的个数计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果的步骤包括以下步骤:
判断高于预置的第二相似度阈值的个数是否不小于预置的个数阈值,若是,则计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果;若否,则生成商标检测结果为非模仿式商标图像。
2.根据权利要求1所述的基于超分辨率重建的模仿式商标精准检测方法,其特征在于,所述根据多个新的相似度值得到商标检测结果的步骤包括以下步骤:
判断各个新的相似度值是否大于预置的第二相似度阈值,若是,则生成商标检测结果为模仿式商标图像;若否,则生成商标检测结果为非模仿式商标图像。
3.一种基于超分辨率重建的模仿式商标精准检测系统,其特征在于,包括:
第一稀疏编码模块,用于获取并对待检测商标图像和预置的商标图像库中的各个商标图像分别进行稀疏编码,生成待检测商标图像编码和多个商标图像编码;
第一相似度计算模块,用于根据待检测商标图像编码和各个商标图像编码利用欧式距离分别计算待检测商标图像与各个商标图像的相似度,得到多个相似度值;
筛选模块,用于根据多个相似度值对预置的商标图像库中的多个商标图像进行筛选,得到多个第一相似商标图像;包括:判断各个相似度值是否大于预置的第一相似度阈值,若是,则将对应的商标图像作为第一相似商标图像;若否,则结束;还包括:计算并判断多个第一相似商标图像的个数是否为0,若是,则生成商标检测结果为非模仿式商标图像;若否,则第二稀疏编码模块工作;
第二稀疏编码模块,用于分别将待检测商标图像和各个第一相似商标图像等分为m个区域,并分别对待检测商标图像和各个第一相似商标图像中的m个区域进行稀疏编码,得到m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码;
第二相似度计算模块,用于根据m个待检测商标图像区域编码和各个第一相似商标图像的m个第一相似商标图像区域编码分别计算待检测商标图像和各个第一相似商标图像中每个对应区域的相似度,得到待检测商标图像与各个第一相似商标图像的m个区域相似度值;
显著性区域对比模块,用于根据待检测商标图像与各个第一相似商标图像的m个区域相似度值分别计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果,包括:统计待检测商标图像与各个第一相似商标图像的m个区域相似度值中高于预置的第二相似度阈值的个数;根据高于预置的第二相似度阈值的个数计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果;所述根据高于预置的第二相似度阈值的个数计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果的包括:判断高于预置的第二相似度阈值的个数是否不小于预置的个数阈值,若是,则计算并将待检测商标图像的显著性区域与各个第一相似商标图像的显著性区域进行对比,得到多个区域对比结果;若否,则生成商标检测结果为非模仿式商标图像;若显著性区域面积差别大于预置的区域阈值,则直接将待检测商标图像认定为非模仿式商标图像;
图像重建模块,用于当显著性区域面积差别小于或等于预置的区域阈值时,利用超分辨率重建技术对待检测商标图像和各个第一相似商标图像进行图像重建,生成新的待检测商标图像和多个新的第一相似商标图像;
第三稀疏编码模块,用于分别对新的待检测商标图像和多个新的第一相似商标图像进行稀疏编码,得到新的待检测商标图像编码和多个新的第一相似商标图像编码;
第三相似度计算模块,用于根据新的待检测商标图像编码和多个新的第一相似商标图像编码计算新的待检测商标图像与各个新的第一相似商标图像的相似度,得到多个新的相似度值;
检测结果模块,用于根据多个新的相似度值得到商标检测结果。
4.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-2中任一项所述的方法。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-2中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210951245.7A CN115311477B (zh) | 2022-08-09 | 2022-08-09 | 一种基于超分辨率重建的模仿式商标精准检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210951245.7A CN115311477B (zh) | 2022-08-09 | 2022-08-09 | 一种基于超分辨率重建的模仿式商标精准检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115311477A CN115311477A (zh) | 2022-11-08 |
CN115311477B true CN115311477B (zh) | 2024-01-16 |
Family
ID=83860341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210951245.7A Active CN115311477B (zh) | 2022-08-09 | 2022-08-09 | 一种基于超分辨率重建的模仿式商标精准检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115311477B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354397A (zh) * | 2011-09-19 | 2012-02-15 | 大连理工大学 | 基于面部特征器官相似性的人脸图像超分辨率重建方法 |
CN108763262A (zh) * | 2018-04-03 | 2018-11-06 | 南昌奇眸科技有限公司 | 一种商标图形检索方法 |
CN110674881A (zh) * | 2019-09-27 | 2020-01-10 | 长城计算机软件与系统有限公司 | 商标图像检索模型训练方法、系统、存储介质及计算机设备 |
CN111428122A (zh) * | 2020-03-20 | 2020-07-17 | 南京中孚信息技术有限公司 | 图片检索方法、装置及电子设备 |
CN112347284A (zh) * | 2020-09-16 | 2021-02-09 | 华南师范大学 | 一种组合商标图像检索方法 |
CN113886792A (zh) * | 2021-12-06 | 2022-01-04 | 北京惠朗时代科技有限公司 | 一种声纹识别和人脸识别相结合的印控仪应用方法和系统 |
CN113919852A (zh) * | 2021-09-30 | 2022-01-11 | 深圳市公狼科技有限公司 | 产品侵权判定方法、装置、终端设备以及存储介质 |
CN114238692A (zh) * | 2022-02-23 | 2022-03-25 | 北京嘉沐安科技有限公司 | 一种面向网络直播的视频大数据精准检索方法及系统 |
CN114241484A (zh) * | 2022-02-23 | 2022-03-25 | 北京嘉沐安科技有限公司 | 一种面向社交网络的图像大数据精准检索方法及系统 |
WO2022156067A1 (zh) * | 2021-01-21 | 2022-07-28 | 平安科技(深圳)有限公司 | 商标相似性检测方法、装置、电子设备和存储介质 |
-
2022
- 2022-08-09 CN CN202210951245.7A patent/CN115311477B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354397A (zh) * | 2011-09-19 | 2012-02-15 | 大连理工大学 | 基于面部特征器官相似性的人脸图像超分辨率重建方法 |
CN108763262A (zh) * | 2018-04-03 | 2018-11-06 | 南昌奇眸科技有限公司 | 一种商标图形检索方法 |
CN110674881A (zh) * | 2019-09-27 | 2020-01-10 | 长城计算机软件与系统有限公司 | 商标图像检索模型训练方法、系统、存储介质及计算机设备 |
CN111428122A (zh) * | 2020-03-20 | 2020-07-17 | 南京中孚信息技术有限公司 | 图片检索方法、装置及电子设备 |
CN112347284A (zh) * | 2020-09-16 | 2021-02-09 | 华南师范大学 | 一种组合商标图像检索方法 |
WO2022156067A1 (zh) * | 2021-01-21 | 2022-07-28 | 平安科技(深圳)有限公司 | 商标相似性检测方法、装置、电子设备和存储介质 |
CN113919852A (zh) * | 2021-09-30 | 2022-01-11 | 深圳市公狼科技有限公司 | 产品侵权判定方法、装置、终端设备以及存储介质 |
CN113886792A (zh) * | 2021-12-06 | 2022-01-04 | 北京惠朗时代科技有限公司 | 一种声纹识别和人脸识别相结合的印控仪应用方法和系统 |
CN114238692A (zh) * | 2022-02-23 | 2022-03-25 | 北京嘉沐安科技有限公司 | 一种面向网络直播的视频大数据精准检索方法及系统 |
CN114241484A (zh) * | 2022-02-23 | 2022-03-25 | 北京嘉沐安科技有限公司 | 一种面向社交网络的图像大数据精准检索方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115311477A (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kifer et al. | Detecting change in data streams | |
JP2015506026A (ja) | 画像分類 | |
CN102236675A (zh) | 图像特征点匹配对处理、图像检索方法及设备 | |
WO2023201924A1 (zh) | 对象缺陷检测方法、装置、计算机设备和存储介质 | |
CN114241484B (zh) | 一种面向社交网络的图像大数据精准检索方法及系统 | |
CN111369003A (zh) | 一种量子比特读取信号保真度的确定方法、装置 | |
CN115100450B (zh) | 基于人工智能的智慧交通品牌汽车大数据检测方法及系统 | |
CN103077228B (zh) | 一种基于集合特征向量的快速聚类方法和装置 | |
CN106295498A (zh) | 光学遥感图像目标区域检测装置与方法 | |
Nosovskiy et al. | Automatic clustering and boundary detection algorithm based on adaptive influence function | |
CN113283419A (zh) | 基于注意力的卷积神经网络指针式仪表图像读数识别方法 | |
CN114596441A (zh) | 一种面向网络直播社交大数据的海量图像去噪方法及系统 | |
Mercioni et al. | A survey of distance metrics in clustering data mining techniques | |
CN113191277B (zh) | 一种基于熵值校验的表格图像区域识别方法及系统 | |
CN112329810B (zh) | 一种基于显著性检测的图像识别模型训练方法及装置 | |
Oga et al. | River state classification combining patch-based processing and CNN | |
CN115311477B (zh) | 一种基于超分辨率重建的模仿式商标精准检测方法及系统 | |
CN105824853A (zh) | 聚类设备和方法 | |
CN117095198A (zh) | 遥感图像检索网络训练方法、应用方法、电子设备及介质 | |
CN112433952B (zh) | 深度神经网络模型公平性测试方法、系统、设备及介质 | |
CN115393617A (zh) | 一种基于多卷积核检验的模仿式商标快速检测方法及系统 | |
CN112861874B (zh) | 一种基于多滤波器去噪结果的专家场去噪方法及系统 | |
Merza et al. | Fast Ways to Detect Outliers | |
CN112348049A (zh) | 一种基于自动编码的图像识别模型训练方法及装置 | |
CN110991543B (zh) | 图像感兴趣区聚类方法和装置、计算设备、和存储介质 |
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 |