JPH06176159A - カラー画像対応型物体認識装置 - Google Patents
カラー画像対応型物体認識装置Info
- Publication number
- JPH06176159A JPH06176159A JP4330438A JP33043892A JPH06176159A JP H06176159 A JPH06176159 A JP H06176159A JP 4330438 A JP4330438 A JP 4330438A JP 33043892 A JP33043892 A JP 33043892A JP H06176159 A JPH06176159 A JP H06176159A
- Authority
- JP
- Japan
- Prior art keywords
- model
- neocognitron
- image data
- data
- back propagation
- 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
Links
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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biodiversity & Conservation Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】
【目的】 学習結果の収束性が良く、かつ汎化能力が高
く、カラー画像から物体を認識することができる物体認
識装置を提供する。 【構成】 撮像データをＲ、Ｇ、及びＢ成分に分割する
デコーダ１１と、各成分ごとにデータを２値化する２値
化処理部１２と、それぞれの成分毎に特徴抽出及び位置
ずれ補正を行うネオコグニトロンモデル１３と、物体認
識を行うバックプロパゲーションモデル１４と、ネオコ
グニトロンモデル１３の出力に基づいて２値か処理部で
使用するしきい値を制御するバックプロパゲーションモ
デル１５とを有している。
く、カラー画像から物体を認識することができる物体認
識装置を提供する。 【構成】 撮像データをＲ、Ｇ、及びＢ成分に分割する
デコーダ１１と、各成分ごとにデータを２値化する２値
化処理部１２と、それぞれの成分毎に特徴抽出及び位置
ずれ補正を行うネオコグニトロンモデル１３と、物体認
識を行うバックプロパゲーションモデル１４と、ネオコ
グニトロンモデル１３の出力に基づいて２値か処理部で
使用するしきい値を制御するバックプロパゲーションモ
デル１５とを有している。
Description
【０００１】
【産業上の利用分野】本発明は物体認識装置に関し、特
にニューラルネットワークを用いてカラー画像データか
ら物体を認識する物体認識装置に関する。
にニューラルネットワークを用いてカラー画像データか
ら物体を認識する物体認識装置に関する。
【０００２】
【従来の技術】一般に、画像認識装置として基本パター
ンと入力パターンを比較し、予め定められた基準のもと
で類似していれば、所定の出力パターンを出力するパタ
ーンマッチング法が知られている。ところが、この方法
では、撮像データ（入力パターン）に含まれるノイズ、
被撮像物体の位置及び大きさ等が認識結果に大きな影響
を与える。また、基準パターンとまったく異なるデータ
に対しては出力が得られない（汎化能力がない）。そこ
で、ニューラルネットワークを用いて撮像データから物
体を認識する技術の研究が（特に軍用目的等において）
進められている。
ンと入力パターンを比較し、予め定められた基準のもと
で類似していれば、所定の出力パターンを出力するパタ
ーンマッチング法が知られている。ところが、この方法
では、撮像データ（入力パターン）に含まれるノイズ、
被撮像物体の位置及び大きさ等が認識結果に大きな影響
を与える。また、基準パターンとまったく異なるデータ
に対しては出力が得られない（汎化能力がない）。そこ
で、ニューラルネットワークを用いて撮像データから物
体を認識する技術の研究が（特に軍用目的等において）
進められている。
【０００３】従来、この種の物体認識装置として、バッ
クプロパゲーションモデルやネオコグニトロンモデルを
利用したものが知られている。
クプロパゲーションモデルやネオコグニトロンモデルを
利用したものが知られている。
【０００４】バックプロパゲーションモデルは、入力層
と出力層との間に、少なくとも１層の中間層を有するニ
ューラルネットワークである。このバックプロパゲーシ
ョンモデルでは、特定の入力パターンに対して望ましい
出力パターンが得られるように層間の結合の強さを変更
して学習を行っている。従って、学習結果の収束性が良
く、また、汎化能力が高いという特徴を有している。ま
た、出力パターンを使用者が決定できるので信号処理な
どにも使用することができる。
と出力層との間に、少なくとも１層の中間層を有するニ
ューラルネットワークである。このバックプロパゲーシ
ョンモデルでは、特定の入力パターンに対して望ましい
出力パターンが得られるように層間の結合の強さを変更
して学習を行っている。従って、学習結果の収束性が良
く、また、汎化能力が高いという特徴を有している。ま
た、出力パターンを使用者が決定できるので信号処理な
どにも使用することができる。
【０００５】また、ネオコグニトロンモデルは、人の視
覚神経系の構造からヒント得て作成されたアルゴリズム
を実現した神経回路モデルである。このネオコグニトロ
ンモデルは、複数の段で構成されており、各段間の結合
は、入力されるパターンによって次第に強化され、基本
パターンを繰り返し入力すると、特定の出力パターンが
得られるようになる。ネオコグニトロンは、特徴抽出に
優れ、パターンの位置、大きさ、形状の変化、及び雑音
の影響を受けにくいという特徴を有している。
覚神経系の構造からヒント得て作成されたアルゴリズム
を実現した神経回路モデルである。このネオコグニトロ
ンモデルは、複数の段で構成されており、各段間の結合
は、入力されるパターンによって次第に強化され、基本
パターンを繰り返し入力すると、特定の出力パターンが
得られるようになる。ネオコグニトロンは、特徴抽出に
優れ、パターンの位置、大きさ、形状の変化、及び雑音
の影響を受けにくいという特徴を有している。
【０００６】
【発明が解決しようとする課題】従来のバックプロパゲ
ーションモデル及びネオコグニトロンモデルは、白黒ま
たは２値画像については、入力される撮像データが、カ
ラー画像の認識ができないという問題点がある。また、
これらバックプロパゲーションモデル及びネオコグニト
ロンモデルはそれぞれ次のような問題点がある。
ーションモデル及びネオコグニトロンモデルは、白黒ま
たは２値画像については、入力される撮像データが、カ
ラー画像の認識ができないという問題点がある。また、
これらバックプロパゲーションモデル及びネオコグニト
ロンモデルはそれぞれ次のような問題点がある。
【０００７】バックプロパゲーションモデルは、学習結
果の収束性が良く、汎化能力が高い反面、パターンに位
置ずれが生じた場合、正確に認識できないという問題点
がある。
果の収束性が良く、汎化能力が高い反面、パターンに位
置ずれが生じた場合、正確に認識できないという問題点
がある。
【０００８】また、ネオコグニトロンモデルは、位置ず
れや変形に影響されず正確にそのパターンを認識するこ
とができる反面、汎化能力に欠け、パターンによって、
学習結果が収束しにくという問題点がある。
れや変形に影響されず正確にそのパターンを認識するこ
とができる反面、汎化能力に欠け、パターンによって、
学習結果が収束しにくという問題点がある。
【０００９】本発明は、学習結果の収束性が良く、かつ
汎化能力が高く、カラー画像から物体を認識することが
できる物体認識装置を提供することを目的とする。
汎化能力が高く、カラー画像から物体を認識することが
できる物体認識装置を提供することを目的とする。
【００１０】
【課題を解決するための手段】本発明によれば、認識対
象物体を撮像して得られたカラー撮像データをＲ
（赤）、Ｇ（緑）、及びＢ（青）の３成分に分離し、そ
れぞれ２値化を行ってＲ画像データ、Ｇ画像データ、及
びＢ画像データを出力する２値化手段と、前記Ｒ画像デ
ータ、前記Ｇ画像データ、及び前記Ｂ画像データをそれ
ぞれ入力とし、特徴抽出及び位置ずれ補正を行う３つの
ネオコグニトロンモデルと、該３つのネオコグニトロン
モデルの出力を入力とし前記認識対象物体を認識するバ
ックプロパゲーションモデルとを備えたことを特徴とす
るカラー画像対応型物体認識装置が得られる。
象物体を撮像して得られたカラー撮像データをＲ
（赤）、Ｇ（緑）、及びＢ（青）の３成分に分離し、そ
れぞれ２値化を行ってＲ画像データ、Ｇ画像データ、及
びＢ画像データを出力する２値化手段と、前記Ｒ画像デ
ータ、前記Ｇ画像データ、及び前記Ｂ画像データをそれ
ぞれ入力とし、特徴抽出及び位置ずれ補正を行う３つの
ネオコグニトロンモデルと、該３つのネオコグニトロン
モデルの出力を入力とし前記認識対象物体を認識するバ
ックプロパゲーションモデルとを備えたことを特徴とす
るカラー画像対応型物体認識装置が得られる。
【００１１】
【実施例】以下に図面を参照して本発明の実施例を説明
する。図１に本発明の一実施例を示す。本実施例の物体
認識装置は、撮像データをＲ（赤）、Ｇ（緑）、及びＢ
（青）の３成分に分離するデコーダ１１と、Ｒ、Ｇ、及
びＢ成分をそれぞれ２値化してＲ、Ｇ、及びＢ画像デー
タを出力する２値化処理部１２と、Ｒ、Ｇ、及びＢ画像
データをそれぞれ入力とするネオコグニトロンモデル１
３と、物体を認識するバックプロパゲーションモデル１
４と、２値化処理部のしきい値を制御するバックプロパ
ゲーションモデル１５とを有している。
する。図１に本発明の一実施例を示す。本実施例の物体
認識装置は、撮像データをＲ（赤）、Ｇ（緑）、及びＢ
（青）の３成分に分離するデコーダ１１と、Ｒ、Ｇ、及
びＢ成分をそれぞれ２値化してＲ、Ｇ、及びＢ画像デー
タを出力する２値化処理部１２と、Ｒ、Ｇ、及びＢ画像
データをそれぞれ入力とするネオコグニトロンモデル１
３と、物体を認識するバックプロパゲーションモデル１
４と、２値化処理部のしきい値を制御するバックプロパ
ゲーションモデル１５とを有している。
【００１２】図２に、ネオコグニトロンモデル１３とバ
ックプロパゲーションモデル１４の詳細を示す。ネオコ
グニトロンモデル１３は、入力段２１〜出力段２２まで
の複数の段で構成されている。各段はそれぞれ特徴抽出
層ａと位置ずれ補正層ｂとを有している。また、特徴抽
出層ａ及び位置ずれ補正層ｂは、抽出する特徴の種類に
応じて複数の面を有している。入力段２１の特徴抽出層
ａを構成するユニット（ニューロンに相当）は、１ユニ
ットで、所定の領域（図の長円）をカバーする。また、
位置ずれ補正層ｂの各ユニットは、特徴抽出層ａの複数
のユニットに接続されている。以降、出力段２２まで、
各ユニットは前段或いは前層の複数のユニットに接続さ
れている。もちろん、接続の強さは、面によって異なっ
ている。そして、出力段２２の補正層ｂは、複数の領域
（図では３×３個）に分割され、その代表として選択さ
れたユニットの出力が、バックプロパゲーションモデル
１４に入力される。
ックプロパゲーションモデル１４の詳細を示す。ネオコ
グニトロンモデル１３は、入力段２１〜出力段２２まで
の複数の段で構成されている。各段はそれぞれ特徴抽出
層ａと位置ずれ補正層ｂとを有している。また、特徴抽
出層ａ及び位置ずれ補正層ｂは、抽出する特徴の種類に
応じて複数の面を有している。入力段２１の特徴抽出層
ａを構成するユニット（ニューロンに相当）は、１ユニ
ットで、所定の領域（図の長円）をカバーする。また、
位置ずれ補正層ｂの各ユニットは、特徴抽出層ａの複数
のユニットに接続されている。以降、出力段２２まで、
各ユニットは前段或いは前層の複数のユニットに接続さ
れている。もちろん、接続の強さは、面によって異なっ
ている。そして、出力段２２の補正層ｂは、複数の領域
（図では３×３個）に分割され、その代表として選択さ
れたユニットの出力が、バックプロパゲーションモデル
１４に入力される。
【００１３】なお、ネオコグニトロンモデル１３の段数
は、原理的には何段であってもよい。即ち、認識しよう
とする物体の複雑度、認識精度、及び認識速度などを検
討して適宜決められる。
は、原理的には何段であってもよい。即ち、認識しよう
とする物体の複雑度、認識精度、及び認識速度などを検
討して適宜決められる。
【００１４】バックプロパゲーションモデル１５は、入
力層２３、中間層２４、及び出力層２５を有している。
このバックプロパゲーションモデルでは、ネオコグニト
ロンモデル１３からの出力信号はＲ、Ｇ、及びＢの区別
なく入力される。入力層２３、中間層２４、及び出力層
２５の各層は、それぞれ複数のユニットで構成されてお
り、各層間において接続されている。
力層２３、中間層２４、及び出力層２５を有している。
このバックプロパゲーションモデルでは、ネオコグニト
ロンモデル１３からの出力信号はＲ、Ｇ、及びＢの区別
なく入力される。入力層２３、中間層２４、及び出力層
２５の各層は、それぞれ複数のユニットで構成されてお
り、各層間において接続されている。
【００１５】なお、バックプロパゲーションモデル１５
の中間層２４は、１層ではなく、さらに多くの中間層を
設けてもよい。ただし、中間層の数が多いほど認識精度
が向上するというものではないので、認識しようとする
物体に応じて適宜選択される。
の中間層２４は、１層ではなく、さらに多くの中間層を
設けてもよい。ただし、中間層の数が多いほど認識精度
が向上するというものではないので、認識しようとする
物体に応じて適宜選択される。
【００１６】以下、図１及び図２を参照して本実施例の
物体認識装置の動作を説明する。デコーダ１１は、入力
された撮像データをＲ、Ｇ、及びＢの３成分に分離し、
Ｒ撮像データ、Ｇ撮像データ、及びＢ撮像データを出力
する。２値化処理部１２は、Ｒ、Ｇ、及びＢの３成分に
それぞれ対応する３つのしきい値を有しており、入力さ
れたＲ撮像データ、Ｇ撮像データ、及びＢ撮像データを
それぞれ２値化してＲ画像データ、Ｇ画像データ、及び
Ｂ画像データを使用したしきい値と共に出力する。な
お、３つのしきい値は、後述のように独立制御される。
物体認識装置の動作を説明する。デコーダ１１は、入力
された撮像データをＲ、Ｇ、及びＢの３成分に分離し、
Ｒ撮像データ、Ｇ撮像データ、及びＢ撮像データを出力
する。２値化処理部１２は、Ｒ、Ｇ、及びＢの３成分に
それぞれ対応する３つのしきい値を有しており、入力さ
れたＲ撮像データ、Ｇ撮像データ、及びＢ撮像データを
それぞれ２値化してＲ画像データ、Ｇ画像データ、及び
Ｂ画像データを使用したしきい値と共に出力する。な
お、３つのしきい値は、後述のように独立制御される。
【００１７】ネオコグニトロンモデル１３及びバックプ
ロパゲーションモデル１４は、予め学習を済ませてあ
る。ネオコグニトロンモデル１３は、Ｒ画像データ、Ｇ
画像データ、及びＢ画像データについてそれぞれ特徴抽
出と位置ずれ補正を各段毎に繰り返す。そして、出力段
２２では、しきい値を参照して出力信号を出力する。
ロパゲーションモデル１４は、予め学習を済ませてあ
る。ネオコグニトロンモデル１３は、Ｒ画像データ、Ｇ
画像データ、及びＢ画像データについてそれぞれ特徴抽
出と位置ずれ補正を各段毎に繰り返す。そして、出力段
２２では、しきい値を参照して出力信号を出力する。
【００１８】ネオコグニトロンモデル１３からの出力信
号としきい値とが入力されたバックプロパゲーションモ
デル１４は、学習結果に従った処理を行って、認識結果
を出力する。
号としきい値とが入力されたバックプロパゲーションモ
デル１４は、学習結果に従った処理を行って、認識結果
を出力する。
【００１９】また、ネオコグニトロンモデル１３からの
出力信号としきい値は、バックプロパゲーションモデル
１５にも入力される。このバックプロパゲーションモデ
ル１５は、先に述べたバックプロパゲーションモデル１
４とは、異なる学習を終えている。つまり、このバック
プロパゲーションモデル１５は、入力信号に対して望ま
しいしきい値を出力するように学習させてある。従っ
て、このバックプロパゲーションモデル１５は、ネオコ
グニトロンモデル１３からの出力信号としきい値とに基
づいて新たなしきい値を求めて、２値化処理部１２へ出
力（フィードバック）する。２値化処理部１２は入力さ
れた新たなしきい値に従って、以後２値化処理を行う。
出力信号としきい値は、バックプロパゲーションモデル
１５にも入力される。このバックプロパゲーションモデ
ル１５は、先に述べたバックプロパゲーションモデル１
４とは、異なる学習を終えている。つまり、このバック
プロパゲーションモデル１５は、入力信号に対して望ま
しいしきい値を出力するように学習させてある。従っ
て、このバックプロパゲーションモデル１５は、ネオコ
グニトロンモデル１３からの出力信号としきい値とに基
づいて新たなしきい値を求めて、２値化処理部１２へ出
力（フィードバック）する。２値化処理部１２は入力さ
れた新たなしきい値に従って、以後２値化処理を行う。
【００２０】
【発明の効果】本発明によれば、カラー撮像データを
Ｒ、Ｇ、及びＢ成分に分割し、各成分をそれぞれネオコ
グニトロンモデルに入力し、その出力をバックプロパゲ
ーションモデルに入力して撮像された物体を認識するよ
うにしたことで、学習の収束性が良く、かつ汎化能力の
高い、カラー画像を精度良く認識することができる物体
認識装置が得られる。
Ｒ、Ｇ、及びＢ成分に分割し、各成分をそれぞれネオコ
グニトロンモデルに入力し、その出力をバックプロパゲ
ーションモデルに入力して撮像された物体を認識するよ
うにしたことで、学習の収束性が良く、かつ汎化能力の
高い、カラー画像を精度良く認識することができる物体
認識装置が得られる。
【００２１】また、２値化に使用する各しきい値をネオ
コグニトロンモデル及びバックプロパゲーションモデル
の少なくとも一方に供給するようにしたことでカラー画
像の持つ情報量をそのまま認識結果に反映することがで
きる。
コグニトロンモデル及びバックプロパゲーションモデル
の少なくとも一方に供給するようにしたことでカラー画
像の持つ情報量をそのまま認識結果に反映することがで
きる。
【００２２】さらに、各しきい値をネオコグニトロンモ
デルの出力に基づいて独立制御するようにしたので、精
度の良い認識結果が得られる。
デルの出力に基づいて独立制御するようにしたので、精
度の良い認識結果が得られる。
【図１】本発明の一実施例のブロック図である。
【図２】図１のネオコグニトロンモデル及びバックプロ
パゲーションモデルを説明するための図である。
パゲーションモデルを説明するための図である。
１１ デコーダ １２ ２値化処理部 １３ ネオコグニトロンモデル １４ バックプロパゲーションモデル １５ バックプロパゲーションモデル ２１ 入力段 ２２ 出力段 ２３ 入力層 ２４ 中間層 ２５ 出力層
Claims (3)
- 【請求項１】 認識対象物体を撮像して得られたカラー
撮像データをＲ（赤）、Ｇ（緑）、及びＢ（青）の３成
分に分離し、それぞれ２値化を行ってＲ画像データ、Ｇ
画像データ、及びＢ画像データを出力する２値化手段
と、前記Ｒ画像データ、前記Ｇ画像データ、及び前記Ｂ
画像データをそれぞれ入力とし、特徴抽出及び位置ずれ
補正を行う３つのネオコグニトロンモデルと、該３つの
ネオコグニトロンモデルの出力を入力とし前記認識対象
物体を認識するバックプロパゲーションモデルとを備え
たことを特徴とするカラー画像対応型物体認識装置。 - 【請求項２】 前記２値化手段が前記撮像データのＲ、
Ｇ、及びＢ成分をそれぞれ２値化する際に使用する３つ
のしきい値を前記ネオコグニトロンモデル及び前記バッ
クプロパゲーションモデルの少なくとも一方に供給し、
該しきい値に基づいて前記認識対象物体を認識するよう
にしたことを特徴とする請求項１のカラー画像対応型物
体認識装置。 - 【請求項３】 前記３つのネオコグニトロンモデルの出
力と前記２値化手段が前記撮像データのＲ、Ｇ、及びＢ
成分をそれぞれ２値化する際に使用する３つのしきい値
とをそれぞれ入力とし、該３つのしきい値を独立制御す
る前記バックプロパゲーションモデルとは異なる３つの
バックプロパゲーションモデルを備えたことを特徴とす
る請求項１のカラー画像対応型物体認識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4330438A JPH06176159A (ja) | 1992-12-10 | 1992-12-10 | カラー画像対応型物体認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4330438A JPH06176159A (ja) | 1992-12-10 | 1992-12-10 | カラー画像対応型物体認識装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06176159A true JPH06176159A (ja) | 1994-06-24 |
Family
ID=18232620
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4330438A Pending JPH06176159A (ja) | 1992-12-10 | 1992-12-10 | カラー画像対応型物体認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH06176159A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08190623A (ja) * | 1995-01-10 | 1996-07-23 | Mitsubishi Agricult Mach Co Ltd | 農作物の画像処理測定法 |
| WO2008087316A2 (fr) * | 2006-12-22 | 2008-07-24 | France Telecom | Procede et systeme de binarisation d'une image comprenant un texte |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH01239684A (ja) * | 1988-03-19 | 1989-09-25 | Fujitsu Ltd | パターン認識装置 |
| JPH02242405A (ja) * | 1989-03-16 | 1990-09-26 | Yanmar Agricult Equip Co Ltd | カラー情報による境界線の検出方法 |
| JPH03225482A (ja) * | 1990-01-31 | 1991-10-04 | Univ Nagoya | 目標物体の位置と大きさを表現するニューラルネットワーク |
| JPH04250578A (ja) * | 1990-07-31 | 1992-09-07 | Siemens Ag | 二次元または三次元像の視覚的検査方法 |
-
1992
- 1992-12-10 JP JP4330438A patent/JPH06176159A/ja active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH01239684A (ja) * | 1988-03-19 | 1989-09-25 | Fujitsu Ltd | パターン認識装置 |
| JPH02242405A (ja) * | 1989-03-16 | 1990-09-26 | Yanmar Agricult Equip Co Ltd | カラー情報による境界線の検出方法 |
| JPH03225482A (ja) * | 1990-01-31 | 1991-10-04 | Univ Nagoya | 目標物体の位置と大きさを表現するニューラルネットワーク |
| JPH04250578A (ja) * | 1990-07-31 | 1992-09-07 | Siemens Ag | 二次元または三次元像の視覚的検査方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08190623A (ja) * | 1995-01-10 | 1996-07-23 | Mitsubishi Agricult Mach Co Ltd | 農作物の画像処理測定法 |
| WO2008087316A2 (fr) * | 2006-12-22 | 2008-07-24 | France Telecom | Procede et systeme de binarisation d'une image comprenant un texte |
| WO2008087316A3 (fr) * | 2006-12-22 | 2008-10-02 | France Telecom | Procede et systeme de binarisation d'une image comprenant un texte |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111091824B (zh) | 一种语音匹配方法及相关设备 | |
| CN109598268B (zh) | 一种基于单流深度网络的rgb-d显著目标检测方法 | |
| CN104268583B (zh) | 基于颜色区域特征的行人重识别方法及系统 | |
| CN108596197A (zh) | 一种印章匹配方法及装置 | |
| JP7490359B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
| CN115699082A (zh) | 缺陷检测方法及装置、存储介质及电子设备 | |
| JP2010160793A (ja) | 赤目を検出する方法、赤目検出システム、赤目検出装置、コンピューター読み取り可能な媒体および画像処理装置 | |
| CN110032932B (zh) | 一种基于视频处理和决策树设定阈值的人体姿态识别方法 | |
| CN110046544A (zh) | 基于卷积神经网络的数字手势识别方法 | |
| CN112149500A (zh) | 一种部分遮挡的人脸识别小样本学习方法 | |
| CN107909020A (zh) | 一种基于滤波器设计的光流向量微表情发生阶段检测方法 | |
| CN110287990A (zh) | 微型藻类图像分类方法、系统、设备及存储介质 | |
| CN106407906A (zh) | 人脸面部识别方法 | |
| JPH06176159A (ja) | カラー画像対応型物体認識装置 | |
| Aziz et al. | Evaluation of visual attention models for robots | |
| CN113420582A (zh) | 用于掌静脉识别的防伪检测方法及其系统 | |
| JPH08221567A (ja) | 色領域分離方法 | |
| JPH05101187A (ja) | 画像認識装置及びその学習方法 | |
| CN113837236A (zh) | 图像中目标对象的识别方法、装置、终端设备及存储介质 | |
| Cai et al. | Multi-view joint learning network for pedestrian gender classification | |
| CN112270220A (zh) | 一种基于深度学习的缝纫手势识别方法 | |
| JPH06231257A (ja) | 学習データ生成装置 | |
| JP3264121B2 (ja) | 対象認識方法 | |
| JPH0478972A (ja) | 濃淡画像識別装置 | |
| JPH04250578A (ja) | 二次元または三次元像の視覚的検査方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 19950523 |