TWI832642B - 應用於穩定性招牌之偵測與辨識之影像處理方法 - Google Patents
應用於穩定性招牌之偵測與辨識之影像處理方法 Download PDFInfo
- Publication number
- TWI832642B TWI832642B TW111150500A TW111150500A TWI832642B TW I832642 B TWI832642 B TW I832642B TW 111150500 A TW111150500 A TW 111150500A TW 111150500 A TW111150500 A TW 111150500A TW I832642 B TWI832642 B TW I832642B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- host
- images
- feature
- detection
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000003672 processing method Methods 0.000 title claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 239000000284 extract Substances 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 15
- 230000011218 segmentation Effects 0.000 abstract description 7
- 238000000034 method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000000605 extraction Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000285023 Formosa Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- DSSYKIVIOFKYAU-UHFFFAOYSA-N camphor Chemical compound C1CC2(C)C(=O)CC1C2(C)C DSSYKIVIOFKYAU-UHFFFAOYSA-N 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001795 light effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本發明為提出一種應用於穩定性招牌之偵測與辨識之影像處理方法，其先提供至少一輸入影像至一主機，並由該主機依據該至少一輸入影像擷取出複數個特徵影像，並接續建立分割影像基礎(即特徵影像之對照組)，因而依據該至少一分割影像基礎與該些個特徵影像產生一偵測結果，並透過一循環生成對抗網路 (Cycle Generative Adversarial Network，CycleGAN)演算法產生至少一模板影像，用以接續依據複數個預存影像判斷該至少一模板影像，產生一辨識結果，用以判斷輸入影像是否包含至少一目標影像。如此應用於單級偵測招牌影像，因而減少整體運算複雜度與時間成本。
Description
本發明係有關一種影像處理之方法，尤其是一種應用於穩定性招牌之偵測與辨識之影像處理方法。
商標法上有規定，商標，指任何具有識別性之標識，得以文字、圖形、記號、顏色、立體形狀、動態、全像圖、聲音等，或其聯合式所組成。不管是公法人還是私法人，皆會在其法人所在之場所外看到對應之招牌(signboard)，其中私法人之招牌會因法人向智慧財產局註冊的商標，而呈現不同商標文字或圖樣，甚至文字於圖樣之組合，甚至因現今發展出電子化招牌，而呈現出聲光效果，因此招牌是現今每一個法人不可或缺的組成部分。
特別是於現今商業運用上，招牌是代表品牌或法人的獨特商標符號，例如：星巴克咖啡以其英文名稱與女海妖圖樣註冊商標，因此星巴克咖啡於各分店之招牌會較常出現此一女海妖商標，且星巴克咖啡之周邊產品亦是會掛上該女海妖商標作為周邊產品之品牌，因此招牌通常是在關於產品宣傳或服務精神表達的廣告資訊上、建立品牌知名度以及提高客戶關注度和意識等操作上，而在戶外提供客戶識別。此外，招牌還可在戶外作為地標，讓非在地人或不熟悉地點的人的導航輔助工具，例如：台塑石油加油站之招牌、麥當勞之招牌、7-ELEVEN之招牌。因此，招牌之偵測和辨識在計算機視覺領域變得越來越重要。招牌之偵測和辨識之主要目的是在識別招牌物件的位置和類別。
近年來學術界，在研究目標之偵測和辨識演算法的過程中，導入了幾種基於卷積神經網路的目標之偵測和辨識演算法，例如：快速R-CNN演算法、層疊式R-CNN演算法和YOLO演算法，這些演算法已成功應用於目標之偵測的研究上，並應用於計算機視覺領域上，例如：車輛之障礙物偵測或側邊防撞偵測等應用。一般而言，上述之演算法中可區分為單級偵測器(Single Stage Detector，SSD)與兩級偵測器(Two Stage Detector，TSD)，而為了增加效率，多數研究為採用單級偵測器，且單級偵測器較為符合商業轉用價值。
然而，近年來研究人員在招牌之偵測和辨識方面遇到了許多問題。主要困難是在現實場景中區分微小而相似的招牌，例如：由於招牌的設計、各種形狀和顏色的文本和圖像的組合、長尾文字、照明、旋轉、遮擋和複雜環境的差異，因此招牌的外觀在現實世界的所擷取到之圖像會因影像擷取角度或影像擷取視角之影響，導致擷取之影像不同於正面擷取影像，甚至是扭曲變形等情況產生，因而導致差異很大。這對於招牌之偵測和辨識而言，招牌之辨識上甚為困難。
再者，上述之單級偵測器需要考慮未檢測之物件和誤判非物件作為物件之情況，藉此提高單級偵測器之準確率。
基於上述之問題，本發明提供一種應用於穩定性招牌之偵測與辨識之影像處理方法，其藉由一主機接收到來自於一影像擷取單元所傳送之至少一輸入影像，再經擷取複數個特徵影像並建立至少一分割影像基礎(Ground Truth for Segmentation)，藉此透過一循環生成對抗網路(Cycle Generative Adversarial Network，CycleGAN)模型建立至少一模板影像，並進一步比對該些個特徵影像，而產生一辨識結果，因此透過該辨識結果判斷輸入影像是否包含至少一目標影像，而降低運算複雜度與時間成本。
本發明之一目的，提供一種應用於穩定性招牌之偵測與辨識之影像處理方法，其藉由從一輸入影像擷取出複數個特徵影像並建立至少一分割影
像基礎，並依據該些個特徵影像、該至少一分割影像基礎與一循環生成對抗網路(CycleGAN)模型建立至少一模板影像，因而應用於判斷該輸入影像是否包含至少一目標影像，而降低運算複雜度與時間成本。
為達上述之目的，本發明揭示了一種應用於穩定性招牌之偵測與辨識之影像處理方法，其先由一影像擷取單元擷取至少一輸入影像並接續傳送至一主機，該主機接續依據該至少一輸入影像經執行一特徵偵測，而框選並擷取出複數個特徵影像，並透過一上採樣建立至少一分割影像基礎(Ground Truth for Segmentation)。因此，本發明透過該主機依據該至少一分割影像基礎與該些個特徵影像產生一偵測結果，然後讓該主機依據該偵測結果與一循環生成對抗網路(Cycle Generation Against Network，CycleGAN)模型建立至少一模板影像，因而接續用於比對複數個預存影像，並產生對應之一辨識結果，用以判斷目標影像是否在輸入影像中，如此既可自動化辨識招牌又可減少所耗費之時間成本。
本發明提供一實施例，其中於該主機拆解該至少一輸入影像並擷取出複數個特徵影像之步驟中，該主機執行一邊界框演算法自該些個輸入影像擷取該些個特徵影像，並經一卷積神經網路過濾該些個特徵影像，而取得對應於至少一目標物件之該些個特徵影像。
本發明提供一實施例，其中該卷積神經網路為一Darknet-19神經網路模型。
本發明提供一實施例，其中該邊界框演算法使該主機分別以1/32、1/16與1/8之邊界框自該輸出影像擷取出該些個特徵影像。
本發明提供一實施例，其中於該主機依據該偵測結果與一循環生成對抗網路模型建立至少一模板影像之步驟中，其由該主機依據該偵測結果，提取至少一目標特徵影像，再經由該主機依據該循環生成對抗網路模型、該至少一目標特徵影像產生該至少一模板影像。
本發明提供一實施例，其中於該主機依據該循環生成對抗網路模型、該至少一目標特徵影像產生該至少一模板影像之步驟中，該主機執行該循環生成對抗網路模型，並依據該至少一目標特徵影像與該至少一模板影像產生該
判斷結果，以驗證該至少一模板影像是否為真，當判斷為真時，該主機接續執行透過該主機依據該至少一模板影像比對該些個特徵影像之步驟，當判斷為否時，該主機依據該循環生成對抗網路模型產生一全黑影像，以作為該至少一模板影像。
本發明提供一實施例，其中該至少一模板影像為至少一灰階影像或至少一黑白影像或一全黑影像。
1:辨識系統
10:主機
12:處理單元
122:偵測結果
14:記憶體
16:儲存單元
20:影像擷取單元
30:資料庫
B:邊界框演算法
BOX:邊界框
CNN:卷積神經網路
CLASS:影像分類結果
F1:特徵擷取影像
F11:第一特徵擷取影像
F12:第二特徵擷取影像
F13:第三特徵擷取影像
F2:特徵影像
F21:第一特徵影像
F22:第二特徵影像
F23:第三特徵影像
FD:特徵偵測
FM:特徵圖
GAN:循環生成對抗網路模型
GTS:分割影像基礎
IMG:輸入影像
IMGS:影像分割程序
O1:目標特徵影像
O:目標影像
P:運算程式
PROB:或然率結果
R:辨識結果
S10至S20:步驟
S162至S164:步驟
TP:模板影像
UPSAM:上採樣
第一圖：其為本發明之一實施例之流程圖；第二A圖至第二E圖：其為本發明之一實施例之步驟示意圖；第三A圖至第三C圖：其為本發明之一實施例之特徵擷取之步驟示意圖；第四圖：其為本發明之一實施例之多比例特徵擷取之示意圖；第五A圖：其為本發明之一實施例之特徵擷取與建立分割影像基礎之示意圖；第五B圖：其為本發明之一實施例之建立分割影像基礎之示意圖；第六圖：其為本發明之一實施例之產生模板影像之流程圖；第七圖：其為本發明之一實施例之建立模板影像之示意圖；第八圖：其為本發明之一實施例之循環生成對抗網路模型之示意圖；第九圖：其為本發明之一實施例之目標特徵影像與模板影像之示意圖；第十圖：其為本發明之一實施例之輸入影像包含目標影像之示意圖；以及第十一圖：其為本發明之一實施例之輸入影像未包含目標影像之示意圖。
為使 貴審查委員對本發明之特徵及所達成之功效有更進一步之瞭解與認識，謹佐以實施例及配合說明，說明如後：
有鑑於習知運算處理所導致之複雜度高不容易進行招牌辨識，據此，本發明遂提出一種應用於穩定性招牌之偵測與辨識之影像處理方法，以解決習知技術所造成之複雜度高不容易進行招牌辨識之問題。
以下，將進一步說明本發明揭示一種應用於穩定性招牌之偵測與辨識之影像處理方法所提供之特性、所搭配之系統：首先，請參閱第一圖，其為本發明之一實施例之流程圖。如圖所示，本發明之應用於招牌之偵測與辨識之影像處理方法，其包含以下步驟：步驟S10：透過影像擷取單元傳送輸入影像至主機；步驟S12：透過主機依據輸入影像透過特徵提取擷取出特徵影像並透過影像分割程序建立分割影像基礎；步驟S14：透過主機依據分割影像基礎與特徵影像產生偵測結果；步驟S16：透過主機依據偵測結果與循環生成對抗網路模型建立模板影像；以及步驟S18：透過主機依據預存影像判斷模板影像，產生辨識結果，其係用以判斷輸入影像是否包含目標影像。
請一併參閱第二A圖至第二E圖，其為本發明之應用於穩定性招牌之偵測與辨識之影像處理方法所搭配之辨識系統1，其包含一主機10與一影像擷取單元20，本實施例之該主機10為具有一處理單元12、一記憶體14與一儲存單元16之電腦主機作為舉例，但並非僅限於此，更可為伺服器、筆記型電腦、平板電腦或具備運算能力基礎之電子裝置皆為本發明所指之該主機10，該資料庫30為建立於該儲存單元16，但不限於此，更可為該主機10之外接式儲存單元；其中該主機10藉由該處理單元12執行一運算程式P，並對應建立一類神經網路126。此外，該影像擷取單元20為一數位相機或一智慧型手機之一相機鏡頭。此外，主機10於該儲存單元16之該資料庫30中預設一邊界框(Bounding Box)演算法B與一卷積神經網路CNN，並預設一影像分割程序IMGS與一循環生成對抗網路(Cycle Generative Adversarial Network，CycleGAN)模型GAN，其中該卷積神經網路為一Darknet-19神經網路模型，也就是本實施例之骨幹為該Darknet-19神經網路模型。
於步驟S10中，如第二A圖所示，該主機10為讀取該影像擷取單元20所擷取之一輸入影像IMG，該輸入影像IMG為一街景之一擷取影像，其如第三圖所示之該輸入影像IMG。
該主機10執行步驟S12，復參閱第二A圖、第三A圖至第三C圖與第四圖所示，該主機10之該處理單元12執行該運算程式P，透過該卷積神經網路CNN並依據該邊界框演算法B，從該輸入影像IMG建立複數個邊界框BOX中進行一特徵偵測FD，用於透過該些個邊界框BOX框選出複數個特徵擷取影像F1，該些個邊界框BOX透過該邊界框演算法B之定位(Localization)，而針對每一個邊界框BOX必須包含四個數值bx、by、bh、bw，以表示每一邊界框(bounding box)bx與by為邊界框BOX之中心位置，或為邊界框BOX之左上角位置，或為邊界框BOX之右上角位置，bh與bw分別為邊界框高與寬，該邊界框演算法B可為RoIAlign、ROI-Pooling等，以RoIAlign為例，RoIAlign為預先生成複數個邊界框BOX於該輸入影像IMG對應之一特徵圖FM上，後續針對各個邊界框BOX所框選的特徵擷取影像F1判斷是否屬於感興趣區域(region of interest，ROI)，也就是判斷特徵擷取影像F1是否屬於目標物件。
其中，如第二A圖與第三A圖至第三C圖所示，該運算程式P將該輸入影像IMG轉換為一特徵圖FM(本實施例為該輸入影像IMG切割成具有4X4個網格之特徵圖FM)並依據上述之該邊界框演算法B擷取出該些個特徵擷取影像F1，其包含複數個招牌物件與複數個非招牌物件，也就是複數個目標物件與複數個非目標物件，因而讓該處理單元12進一步透過該卷積神經網路CNN卷積該些個特徵提取影像F1，並產生複數個特徵影像F2，其包含複數個招牌物件，也就是複數個目標物件。其中，如第四圖所示，本發明之該處理單元12所執行之該運算程式P依據該邊界框演算法B，建立該些個邊界框BOX，使該主機10之該處理單元12分別以1/32、1/16與1/8之邊界框倍率的該些個邊界框BOX自該輸出影像IMG框選出複數個第一特徵擷取影像F11、複數個第二特徵擷取影像F12與複數個第三特徵擷取影像F13並進行影像擷取，經卷積CONV，而產生複數個第一特徵影像F21、複數個第二特徵影像F22與複數個第三特徵影像F23，也就是本實施例擷
取出上述之該些個特徵擷取影像F1對應於1/32、1/16與1/8之邊界框倍率之該些個第一特徵擷取影像F11、該些個第二特徵擷取影像F12第三特徵擷取影像F13，分別經卷積CONV後，而取得該些個特徵影像F2對應於1/32、1/16與1/8之邊界框倍率之該些個第一特徵影像F21、該些個第二特徵影像F22與該些個第三特徵影像F23。
此外，如第四圖所示，基於1/32之邊界框為也就是經過32次下採樣擷取該些個第一特徵擷取影像F11，該些個第一特徵擷取影像F11之尺寸為19×19，同理，1/16之邊界框為16次下採樣擷取該些個第二特徵擷取影像F12，1/8之邊界框為16次下採樣擷取該些個第三特徵擷取影像F13，利用不同尺寸進行特徵影像擷取之目的在於偵測尺寸較小之物件，通常1/16之邊界框所擷取之該些個第二特徵擷取影像F12為透過該些個第一特徵擷取影像F11進行上採樣而取得，而1/8之邊界框所擷取之該些個第三特徵擷取影像F13透過該些個第二特徵擷取影像F12進行上採樣而取得。
再者，如第二B圖所示，該處理單元12除了擷取該些個特徵影像F2為同時執行該運算程式P並依據該影像分割程式IMGS，對該些個特徵影像F2執行複數個上採樣UPSAM，產生複數個分割影像基礎(Ground Truth for Segmentation)GTS，其中如第五A圖所示，該運算程式P依據該影像分割程式IMGS，從該些個第一特徵擷取影像F11、該些個第二特徵擷取影像F12以及該些個第三特徵擷取影像F13進行一上採樣UPSAM，並經該卷積神經網路CNN卷積，最終形成複數個分割影像基礎GTS，相當於對該些個特徵影像F2進行該上採樣UPSAM並經該卷積神經網路CNN卷積，而產生該些個分割影像基礎GTS，且該些個分割影像基礎GTS包含對應於1/32、1/16與1/8之邊界框倍率之一第一影像基礎G1、一第二影像基礎G2與一第三影像基礎G3，因此如第五B圖所示，取得1/8之邊界框倍率之第三影像基礎G3的舉例說明，經1/8邊界框倍率之邊界框BOX，自該輸入影像IMG上框選出第三影像基礎G3，藉此做為對應之該些個第三特徵影像F23之影像基礎，而其餘之該些個第一特徵影像F21與該些個第二特徵影像
F22，亦是如同上述之框選方式於該輸入影像IMG框選出對應之該第一影像基礎G1與該第二影像基礎G2。
於步驟S14中，如第二C圖所示，主機10依據該些個分割影像基礎GTS與該些個特徵影像F2產生一偵測結果122。
於步驟S16中，如第二D圖所示，主機10依據偵測結果122與循環生成對抗網路模型GAN建立至少一模板影像TP，如第六圖所示，步驟S16包含：步驟S162：主機依據偵測結果，提取目標特徵影像；以及步驟S164：主機依據循環生成對抗網路模型與目標特徵影像產生模板影像。
於步驟S162中，如第二D圖所示，該主機10之該處理單元12依據該偵測結果122，因而從該些個特徵影像F2中提取至少一目標特徵影像O1，該偵測結果122為用於提高該目標特徵影像O1之偵測準確率，並讓該處理單元12可透過該運算程式P確實提取出招牌物件對應之目標特徵影像O1。
於步驟S164中，如第二D圖與第七圖所示，該主機10之該處理單元12執行該循環生成對抗網路模型GAN，依據該至少一目標特徵影像O1建立對應之至少一模板影像TP並接續於步驟S18判斷模板影像TP是否為真，當判斷模板影像TP為正確偵測到的模板影像TP時，該主機10接續執行步驟S20，其中該至少一模板影像TP為至少一灰階影像或至少一黑白影像或一全黑影像。如第八圖與第九圖所示，該主機10之該處理單元12執行該循環生成對抗網路模型GAN，該至少一模板影像TP與該至少一目標特徵影像O1兩者間循環轉換，以確認是否為正確偵測到的模板影像TP，並依據該至少一模板影像TP之判斷結果進行步驟S20之目標辨識。
復參閱第一圖，於步驟S20中，如第二E圖所示，該主機10依據複數個預存影像162判斷該至少一模板影像TP，產生一辨識結果R，該辨識結果R包含一影像分類結果CLASS與一或然率結果PROB，其中該辨識結果R係用以判斷該輸入影像IMG是否包含至少一目標影像O，也就是如第十圖所示，該輸入影像IMG包含該至少一目標影像O，或如第十一圖所示，該輸入影像IMG未包含該至
少一目標影像O，此外，在該輸入影像IMG未包含該至少一目標影像O的情況下，於步驟S18中，該處理單元12所執行之該運算程式P會將該模板影像TP會依據該循環生成對抗網路模型GAN轉為全黑影像，因此，該主機10於步驟S20中所產生之該辨識結果R即如第十一圖所示，該輸入影像IMG無目標影像O作為辨識結果。本實施例所述之該至少一目標影像O即為招牌影像，其如第二E圖所示，該至少一目標影像O對應之至少一預存影像162預存於該儲存單元16中。下表一為表示本發明之應用於招牌之偵測與辨識之影像處理方法對各招牌之辨識準確率。
綜上所述，本發明之應用於招牌之偵測與辨識之影像處理方法，其提供主機應用於招牌之偵測與辨識並執行對應之神經網路或其模型，例如：Darknet-19、卷積神經網路、循環生成對抗網路模型與邊界框演算法，以對輸入影像擷取出對應之特徵影像，並建立分割影像基礎，再依據分割影像基礎建立模板影像，以一一比對特徵影像，而取得辨識結果，因而偵測與辨識招牌影像。如此既可在單級偵測器下執行招牌之偵測與辨識，又可提高準確率。
故本發明實為一具有新穎性、進步性及可供產業上利用者，應符合我國專利法專利申請要件無疑，爰依法提出發明專利申請，祈 鈞局早日賜准專利，至感為禱。
惟以上所述者，僅為本發明之較佳實施例而已，並非用來限定本發明實施之範圍，舉凡依本發明申請專利範圍所述之形狀、構造、特徵及精神所為之均等變化與修飾，均應包括於本發明之申請專利範圍內。
S10至S20:步驟
Claims (5)
- 一種應用於穩定性招牌之偵測與辨識之影像處理方法，其包含：一影像擷取單元擷取至少一輸入影像；該影像擷取單元傳送該至少一輸入影像至一主機；該主機依據該至少一輸入影像之一特徵偵測而框選並擷取出複數個特徵影像；該主機依據該些個特徵影像進行一上採樣建立複數個分割影像基礎；該主機依據該些個分割影像基礎與該些個特徵影像產生一偵測結果；該主機依據該偵測結果提取至少一目標特徵影像；該主機依據該至少一目標特徵影像與一循環生成對抗網路模型建立至少一模板影像；以及該主機依據該至少一模板影像比對複數個預存影像，產生一辨識結果，其係用以判斷該輸入影像是否包含至少一目標影像，該些個預存影像預存於該主機之一儲存單元；其中，於該主機依據該循環生成對抗網路模型、該至少一目標特徵影像產生該至少一模板影像之步驟中，該主機執行該循環生成對抗網路模型，該至少一模板影像與該至少一目標特徵影像兩者間循環轉換，該主機執行該循環生成對抗網路模型，並依據該至少一目標特徵影像與該至少一模板影像產生該判斷結果，以驗證該至少一模板影像是否為真，當判斷為真時，該主機接續執行透過該主機依據該至少一模板影像比對複數個預存影像之步驟，當判斷為否時，該主機依據該循環生成對抗網路模型產生一全黑影像，以作為該至少一模板影像。
- 如請求項1所述之應用於穩定性招牌之偵測與辨識之影像處理方法，其中於該主機拆解該至少一輸入影像並擷取出複數個特徵影像 之步驟中，該主機執行一邊界框演算法自該些個輸入影像擷取該些個特徵影像，並經一卷積神經網路過濾該些個特徵影像，而取得對應於至少一目標物件之該些個特徵影像。
- 如請求項2所述之應用於穩定性招牌之偵測與辨識之影像處理方法，其中該卷積神經網路為一Darknet-19神經網路模型。
- 如請求項2所述之應用於穩定性招牌之偵測與辨識之影像處理方法，其中該邊界框演算法使該主機分別以1/32、1/16與1/8之邊界框自該輸出影像擷取出該些個特徵影像。
- 如請求項1所述之應用於穩定性招牌之偵測與辨識之影像處理方法，其中該至少一模板影像為至少一灰階影像或至少一黑白影像或一全黑影像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111150500A TWI832642B (zh) | 2022-12-28 | 2022-12-28 | 應用於穩定性招牌之偵測與辨識之影像處理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111150500A TWI832642B (zh) | 2022-12-28 | 2022-12-28 | 應用於穩定性招牌之偵測與辨識之影像處理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI832642B true TWI832642B (zh) | 2024-02-11 |
| TW202427391A TW202427391A (zh) | 2024-07-01 |
Family
ID=90824823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111150500A TWI832642B (zh) | 2022-12-28 | 2022-12-28 | 應用於穩定性招牌之偵測與辨識之影像處理方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI832642B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109711399A (zh) * | 2018-11-05 | 2019-05-03 | 北京三快在线科技有限公司 | 基于图像的店铺识别方法、装置，电子设备 |
| TW202131219A (zh) * | 2020-02-12 | 2021-08-16 | 大陸商深圳市商湯科技有限公司 | 圖像識別方法及圖像識別裝置、電子設備和電腦可讀儲存媒介 |
| CN113269161A (zh) * | 2021-07-16 | 2021-08-17 | 四川九通智路科技有限公司 | 一种基于深度学习的交通标识牌检测方法 |
-
2022
- 2022-12-28 TW TW111150500A patent/TWI832642B/zh active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109711399A (zh) * | 2018-11-05 | 2019-05-03 | 北京三快在线科技有限公司 | 基于图像的店铺识别方法、装置，电子设备 |
| TW202131219A (zh) * | 2020-02-12 | 2021-08-16 | 大陸商深圳市商湯科技有限公司 | 圖像識別方法及圖像識別裝置、電子設備和電腦可讀儲存媒介 |
| CN113269161A (zh) * | 2021-07-16 | 2021-08-17 | 四川九通智路科技有限公司 | 一种基于深度学习的交通标识牌检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202427391A (zh) | 2024-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898610B (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
| WO2022121039A1 (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
| US9911033B1 (en) | Semi-supervised price tag detection | |
| Chen et al. | Traffic sign detection and recognition for intelligent vehicle | |
| Rodriguez et al. | Finger spelling recognition from RGB-D information using kernel descriptor | |
| CN109948566B (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
| Anishiya et al. | Number plate recognition for indian cars using morphological dilation and erosion with the aid of ocrs | |
| JP2014531097A (ja) | マルチレイヤ連結成分をヒストグラムと共に用いるテキスト検出 | |
| CN110751154B (zh) | 一种基于像素级分割的复杂环境多形状文本检测方法 | |
| Chen et al. | Detection and Recognition of Traffic Signs Based on HSV Vision Model and Shape features. | |
| CN110766697B (zh) | 一种界面草图的图形界面控件图像识别的方法和装置 | |
| WO2022121025A1 (zh) | 证件增减类别检测方法、装置、可读存储介质和终端 | |
| Bui-Minh et al. | A robust algorithm for detection and classification of traffic signs in video data | |
| CN106022223A (zh) | 一种高维局部二值模式人脸识别方法及系统 | |
| Forczmański et al. | Stamps detection and classification using simple features ensemble | |
| Fernando et al. | Low cost approach for real time sign language recognition | |
| Jalilian et al. | Persian sign language recognition using radial distance and Fourier transform | |
| Lv et al. | Road Scene Multi-Object Detection Algorithm Based on CMS-YOLO | |
| Rassem et al. | Performance evaluation of completed local ternary patterns (CLTP) for medical, scene and event image categorisation | |
| TWI832642B (zh) | 應用於穩定性招牌之偵測與辨識之影像處理方法 | |
| CN111931580A (zh) | 一种口罩佩戴检测方法 | |
| Escobedo et al. | Finger spelling recognition from depth data using direction cosines and histogram of cumulative magnitudes | |
| Saranya et al. | An approach towards ear feature extraction for human identification | |
| JP6377214B2 (ja) | テキスト検出方法および装置 | |
| KR20160148806A (ko) | 방향정보를 이용한 객체 검출기 생성 방법, 이를 이용한 객체 검출 장치 및 방법 |