CN108460420A - 一种对证件图像进行分类的方法 - Google Patents
一种对证件图像进行分类的方法 Download PDFInfo
- Publication number
- CN108460420A CN108460420A CN201810202496.9A CN201810202496A CN108460420A CN 108460420 A CN108460420 A CN 108460420A CN 201810202496 A CN201810202496 A CN 201810202496A CN 108460420 A CN108460420 A CN 108460420A
- Authority
- CN
- China
- Prior art keywords
- gray
- certificate image
- scale map
- obtains
- certificate
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- 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
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种对证件图像进行分类的方法,包括以下步骤:S1.对证件图像进行预处理,得到证件图像的灰度图;S2.对步骤S1处理得到的灰度图进行多种特征向量提取,组合得到证件图像的组合特征向量;S3.基于SVM训练得到模型;S4.使用SVM加载步骤S3中的模型,基于步骤S2得到的证件图像的组合特征向量对证件图像进行分类预测。该方法能够准确、快速地对证件图像进行分类。
Description
技术领域
本发明涉及模式识别与计算机视觉技术领域,特别是一种对证件图像进行分类的方法。
背景技术
如今,通过拍摄证件的图像来对证件内容进行识别越来越普遍,针对不同场景识别的证件类型主要有身份证、驾驶证、行驶证和银行卡等。而现在也有一些是需要同时录入多个不同类型证件的信息的场景和一些能提供多种类型证件的识别的功能,但是现在的实现方式都是以一对一的方式实现证件识别,在各种情况下,需要人为地去提供指定类型的证件而不能随意地提供证件让其智能地进行对应证件类型的识别,因此,搭载在特定证件识别基础上的证件分类软件也变得重要了起来。
证件分类软件是基于模式识别的基础对证件素材进行加工处理,属于计算机视觉的范畴,而证件分类软件多是通过提取各种图像特征使用各类分类器以达到证件分类的目的,证件的特征提取方法和分类器的选用训练是各类证件分类软件的基础,因此,提供一种可靠、准确的特征提取方法和训练一个可靠、准确的分类器,是整个证件识别技术中的重中之重。
发明内容
本发明的目的在于提供一种对证件图像进行分类的方法,该方法能够准确、快速地对证件图像进行分类。
为实现上述目的,本发明的技术方案是:一种对证件图像进行分类的方法,包括以下步骤:
S1.对证件图像进行预处理,得到证件图像的灰度图;
S2.对步骤S1处理得到的灰度图进行多种特征向量提取,组合得到证件图像的组合特征向量;
S3.基于SVM训练得到模型;
S4.使用SVM加载步骤S3中的模型,基于步骤S2得到的证件图像的组合特征向量对证件图像进行分类预测。
进一步地,在所述步骤S1中,通过如下步骤对证件图像进行预处理:
S11.使用双线性插值对证件图像进行缩放,使证件图像的尺寸归一化;
S12.将RGB三通道的证件图像转化为单通道的灰度图,按下式对RGB三分量进行加权平均得到灰度图像:
Y=0.299*R+0.587G+0.114*B
其中,Y为灰度图像素值,R为证件图像RGB中R通道的像素值,G为证件图像RGB中G通道的像素值,B为证件图像RGB中B通道的像素值。
进一步地,在所述步骤S2中,通过如下步骤对灰度图进行多种特征向量提取:
S21.对灰度图提取HOG特征,得到特征向量;
S22.对灰度图提取LBP特征,得到特征向量;
S23.对灰度图计算HU不变矩,得到特征向量;
S24.线性组合步骤S22、S23、S24中得到的特征向量,得到最后的特征向量。
进一步地,在所述步骤S21中,通过如下步骤对灰度图进行HOG特征提取:
S211.对灰度图进行Gamma校正使其在颜色空间归一化,调节图像对比度,降低局部阴影、光照不均匀以及噪音的干扰;
S212.将步骤S211处理后的图像划分为多个小单元格,并由下式计算每个像素横纵坐标的梯度:
其中,Gx(xG,yG)、Gy(xG,yG)、H(xG,yG)分别表示图像中点(xG,yG)处的水平方向梯度、垂直方向梯度和像素值;
然后用下式计算梯度幅度G(xG,yG)和梯度方向α(xG,yG):
然后将每个单元格分成设定的方向块,根据梯度方向进行投影,以梯度幅度作为权值得到每个单元格的梯度直方图作为其特征向量;
S213.遍历各单元格,将以各单元格为中心且具有设定高度和宽度的矩形内的单元格组合成块,单元格允许被不同的块同时包含,即块与块之间允许重叠,然后将该块内单元格特征向量线性组合形成该块的特征向量;
S214.将全部的块的特征向量线性组合后进行PCA降维,作为灰度图的HOG特征向量。
进一步地,在所述步骤S22中,通过如下步骤对灰度图进行LBP特征提取:
S221.将检测窗口划分为n×n的小区域,对于小区域的每一个像素,将3×3内邻域的8个周围像素值与中心像素值进行比较,若周围像素值大于中心像素值,则该周围像素值对应的像素点的位置被标记为1,否则为0,最后得到8位二进制数,将其作为中心像素点的LBP值;
S222.统计每个小区域中每个像素点LBP值出现的频率,得到该小区域的直方图,然后等比例放大到0-255区间归一化;
S223.将全部小区域归一化后的统计直方图结果连接成为一个向量,即为灰度图的LBP特征向量。
进一步地,在所述步骤S23中,通过如下步骤对灰度图进行HU不变矩计算:
S231.通过如下公式计算p+q阶的几何矩mpq:
其中,p和q表示阶数,hg、wg分别表示灰度图的高和宽,g(xm,ym)表示灰度图在像素点(xm,ym)上的像素值;
S232.通过如下公式计算p+q阶的中心矩μpq:
其中,g(xμ,yμ)表示灰度图在像素点(xμ,yμ)上的像素值,m10为1+0阶的几何矩;
S233.通过如下公式对p+q阶的中心矩进行归一化ηpq:
S234.通过如下公式计算得到向量FHU:
其中,η20为归一化的2+0阶的中心矩,M1、M2、M3、M4、M5、M6、M7为不变矩。
进一步地,在所述步骤S3中,通过如下步骤基于SVM训练得到模型:
S31.收集训练样本集,将训练样本集中的每个样本图像通过步骤S1和S2提取出特征向量,然后以每个样本一维的方式组合成与样本数等大小维数的特征向量集,并给特征向量集中的特征向量标注所属类别的标签,得到对应的标签集;
S32.设定核函数为径向基函数且SVM种类为多个一对一的分类器,然后使用步骤S31中的特征向量集及其对应的标签集,采用交差验证法调优确定其他参数;
S33.以步骤S32中调优得到的参数,使用步骤S31中的特征向量集及对应的标签集训练得到模型并保存成模型文件。
进一步地,在所述步骤S4中,通过如下步骤使用SVM加载模型并对证件图像进行分类预测:
S41.使用SVM加载步骤S33中保存的模型文件得到训练好的SVM分类器;
S42.将输入的证件图像按步骤S1和步骤S2进行特征向量提取,使用步骤S41中得到的SVM分类器分类得到所属分类标签;
S43.根据所属分类标签输出对应的类别信息。
相较于现有技术,本发明的有益效果是:本发明采用三种不同的特征进行组合,有效地利用各个特征的优势,更好地应变在不同拍摄场景中拍摄出图像效果以及同一类证件不同的拍摄小角度变化,能够准确、快速地对不同的证件图像进行分类,具有较强的通用性和实用性,能广泛应用于不同拍摄场合的证件图像分类。此外,本发明针对HOG特征维数大、训练识别时慢的问题,使用PCA方法进行特征维数降维,在有效提高分类处理时间的同时,还能在较大程度上保证它的分类的正确有效性。
附图说明
图1是本发明实施例的实现流程图。
具体实施方式
下面结合附图和具体实施例对本发明提出的技术方案作进一步详细说明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比率,仅用于方便、明晰地辅助说明本发明实施例的目的。
本发明通过研究不同自动化的证件分类过程,提出一种基于SVM使用三种特征对证件图像进行分类的方法,本发明是在证件分类这个大方向分离出的创新方法,符合实际需求,对各类证件都能准确、高效地进行分类,通用性好,有较好的实例效果,能得以广泛应用,同时,本方法准确地识别了证件类别,也为之后可进行的具体类别的证件识别打下了重要的基础。现结合附图和具体实施例对本发明进行具体说明。
本发明对证件图像进行分类的方法,利用三种特征组合和SVM对证件图像进行分类,如图1所示,主要包括特征提取和分类器分类两部分,具体包括以下步骤:
S1.对证件图像进行预处理,得到证件图像的灰度图。具体步骤如下:
S11.使用双线性插值对证件图像进行缩放,使证件图像的尺寸归一化;
S12.将RGB三通道的证件图像转化为单通道的灰度图,按下式对RGB三分量进行加权平均得到灰度图像:
Y=0.299*R+0.587G+0.114*B
其中,Y为灰度图像素值,R为证件图像RGB中R通道的像素值,G为证件图像RGB中G通道的像素值,B为证件图像RGB中B通道的像素值。
S2.对步骤S1处理得到的灰度图进行多种特征向量提取,组合得到证件图像的组合特征向量。具体步骤如下:
S21.对灰度图提取HOG特征,得到特征向量,具体方法为:
S211.对灰度图进行Gamma校正使其在颜色空间归一化,调节图像对比度,降低局部阴影、光照不均匀以及噪音的干扰;
S212.将步骤S211处理后的图像划分为多个小单元格,并由下式计算每个像素横纵坐标的梯度:
其中,Gx(xG,yG)、Gy(xG,yG)、H(xG,yG)分别表示图像中点(xG,yG)处的水平方向梯度、垂直方向梯度和像素值;
然后用下式计算梯度幅度G(xG,yG)和梯度方向α(xG,yG):
然后将每个单元格分成设定的方向块,根据梯度方向进行投影,以梯度幅度作为权值得到每个单元格的梯度直方图作为其特征向量;
S213.遍历各单元格,将以各单元格为中心且具有设定高度和宽度的矩形内的单元格组合成块,单元格允许被不同的块同时包含,即块与块之间允许重叠,然后将该块内单元格特征向量线性组合形成该块的特征向量;
S214.将全部的块的特征向量线性组合后进行PCA降维,作为灰度图的HOG特征向量。
S22.对灰度图提取LBP特征,得到特征向量,具体方法为:
S221.将检测窗口划分为n×n的小区域,对于小区域的每一个像素,将3×3内邻域的8个周围像素值与中心像素值进行比较,若周围像素值大于中心像素值,则该周围像素值对应的像素点的位置被标记为1,否则为0,最后得到8位二进制数,将其作为中心像素点的LBP值;
S222.统计每个小区域中每个像素点LBP值出现的频率,得到该小区域的直方图,然后等比例放大到0-255区间归一化;
S223.将全部小区域归一化后的统计直方图结果连接成为一个向量,即为灰度图的LBP特征向量。
S23.对灰度图计算HU不变矩,得到特征向量,具体方法为:
S231.通过如下公式计算p+q阶的几何矩mpq:
其中,p和q表示阶数,hg、wg分别表示灰度图的高和宽,g(xm,ym)表示灰度图在像素点(xm,ym)上的像素值;
S232.通过如下公式计算p+q阶的中心矩μpq:
其中,g(xμ,yμ)表示灰度图在像素点(xμ,yμ)上的像素值,m10为1+0阶的几何矩;
S233.通过如下公式对p+q阶的中心矩进行归一化ηpq:
S234.通过如下公式计算得到向量FHU:
其中,η20为归一化的2+0阶的中心矩,M1、M2、M3、M4、M5、M6、M7为不变矩。
S24.线性组合步骤S22、S23、S24中得到的特征向量,得到最后的特征向量。
S3.基于SVM训练得到模型。具体步骤如下:
S31.收集训练样本集,将训练样本集中的每个样本图像通过步骤S1和S2提取出特征向量,然后以每个样本一维的方式组合成与样本数等大小维数的特征向量集,并给特征向量集中的特征向量标注所属类别的标签,得到对应的标签集;
S32.设定核函数为径向基函数且SVM种类为多个一对一的分类器,然后使用步骤S31中的特征向量集及其对应的标签集,采用交差验证法调优确定其他参数;
S33.以步骤S32中调优得到的参数,使用步骤S31中的特征向量集及对应的标签集训练得到模型并保存成模型文件。
S4.使用SVM加载步骤S3中的模型,基于步骤S2得到的证件图像的组合特征向量对证件图像进行分类预测。具体步骤如下:
S41.使用SVM加载步骤S33中保存的模型文件得到训练好的SVM分类器;
S42.将输入的证件图像按步骤S1和步骤S2进行特征向量提取,使用步骤S41中得到的SVM分类器分类得到所属分类标签;
S43.根据所属分类标签输出对应的类别信息。
通过以上的处理步骤,本发明利用PCA降维后的HOG特征、LBP特征和HU不变矩组合成为一个全新的特征,然后利用训练数据集通过SVM训练调优得到一个模型,最后将提取预测图像的特征使用加载好模型的SVM分类器进行分类得到它的类别,识别度高,效率快,能快速鲁棒地得出它的类别结果。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (8)
1.一种对证件图像进行分类的方法,其特征在于,包括以下步骤:
S1.对证件图像进行预处理,得到证件图像的灰度图;
S2.对步骤S1处理得到的灰度图进行多种特征向量提取,组合得到证件图像的组合特征向量;
S3.基于SVM训练得到模型;
S4.使用SVM加载步骤S3中的模型,基于步骤S2得到的证件图像的组合特征向量对证件图像进行分类预测。
2.根据权利要求1所述的一种对证件图像进行分类的方法,其特征在于,在所述步骤S1中,通过如下步骤对证件图像进行预处理:
S11.使用双线性插值对证件图像进行缩放,使证件图像的尺寸归一化;
S12.将RGB三通道的证件图像转化为单通道的灰度图,按下式对RGB三分量进行加权平均得到灰度图像:
Y=0.299*R+0.587G+0.114*B
其中,Y为灰度图像素值,R为证件图像RGB中R通道的像素值,G为证件图像RGB中G通道的像素值,B为证件图像RGB中B通道的像素值。
3.根据权利要求1所述的一种对证件图像进行分类的方法,其特征在于,在所述步骤S2中,通过如下步骤对灰度图进行多种特征向量提取:
S21.对灰度图提取HOG特征,得到特征向量;
S22.对灰度图提取LBP特征,得到特征向量;
S23.对灰度图计算HU不变矩,得到特征向量;
S24.线性组合步骤S22、S23、S24中得到的特征向量,得到最后的特征向量。
4.根据权利要求3所述的一种对证件图像进行分类的方法,其特征在于,在所述步骤S21中,通过如下步骤对灰度图进行HOG特征提取:
S211.对灰度图进行Gamma校正使其在颜色空间归一化,调节图像对比度,降低局部阴影、光照不均匀以及噪音的干扰;
S212.将步骤S211处理后的图像划分为多个小单元格,并由下式计算每个像素横纵坐标的梯度:
其中,Gx(xG,yG)、Gy(xG,yG)、H(xG,yG)分别表示图像中点(xG,yG)处的水平方向梯度、垂直方向梯度和像素值;
然后用下式计算梯度幅度G(xG,yG)和梯度方向α(xG,yG):
然后将每个单元格分成设定的方向块,根据梯度方向进行投影,以梯度幅度作为权值得到每个单元格的梯度直方图作为其特征向量;
S213.遍历各单元格,将以各单元格为中心且具有设定高度和宽度的矩形内的单元格组合成块,单元格允许被不同的块同时包含,即块与块之间允许重叠,然后将该块内单元格特征向量线性组合形成该块的特征向量;
S214.将全部的块的特征向量线性组合后进行PCA降维,作为灰度图的HOG特征向量。
5.根据权利要求3所述的一种对证件图像进行分类的方法,其特征在于,在所述步骤S22中,通过如下步骤对灰度图进行LBP特征提取:
S221.将检测窗口划分为n×n的小区域,对于小区域的每一个像素,将3×3内邻域的8个周围像素值与中心像素值进行比较,若周围像素值大于中心像素值,则该周围像素值对应的像素点的位置被标记为1,否则为0,最后得到8位二进制数,将其作为中心像素点的LBP值;
S222.统计每个小区域中每个像素点LBP值出现的频率,得到该小区域的直方图,然后等比例放大到0-255区间归一化;
S223.将全部小区域归一化后的统计直方图结果连接成为一个向量,即为灰度图的LBP特征向量。
6.根据权利要求3所述的一种对证件图像进行分类的方法,其特征在于,在所述步骤S23中,通过如下步骤对灰度图进行HU不变矩计算:
S231.通过如下公式计算p+q阶的几何矩mpq:
其中,p和q表示阶数,hg、wg分别表示灰度图的高和宽,g(xm,ym)表示灰度图在像素点(xm,ym)上的像素值;
S232.通过如下公式计算p+q阶的中心矩μpq:
其中,g(xμ,yμ)表示灰度图在像素点(xμ,yμ)上的像素值,m10为1+0阶的几何矩;
S233.通过如下公式对p+q阶的中心矩进行归一化ηpq:
S234.通过如下公式计算得到向量FHU:
其中,η20为归一化的2+0阶的中心矩,M1、M2、M3、M4、M5、M6、M7为不变矩。
7.根据权利要求1所述的一种对证件图像进行分类的方法,其特征在于,在所述步骤S3中,通过如下步骤基于SVM训练得到模型:
S31.收集训练样本集,将训练样本集中的每个样本图像通过步骤S1和S2提取出特征向量,然后以每个样本一维的方式组合成与样本数等大小维数的特征向量集,并给特征向量集中的特征向量标注所属类别的标签,得到对应的标签集;
S32.设定核函数为径向基函数且SVM种类为多个一对一的分类器,然后使用步骤S31中的特征向量集及其对应的标签集,采用交差验证法调优确定其他参数;
S33.以步骤S32中调优得到的参数,使用步骤S31中的特征向量集及对应的标签集训练得到模型并保存成模型文件。
8.根据权利要求7所述的一种对证件图像进行分类的方法,其特征在于,在所述步骤S4中,通过如下步骤使用SVM加载模型并对证件图像进行分类预测:
S41.使用SVM加载步骤S33中保存的模型文件得到训练好的SVM分类器;
S42.将输入的证件图像按步骤S1和步骤S2进行特征向量提取,使用步骤S41中得到的SVM分类器分类得到所属分类标签;
S43.根据所属分类标签输出对应的类别信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810202496.9A CN108460420A (zh) | 2018-03-13 | 2018-03-13 | 一种对证件图像进行分类的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810202496.9A CN108460420A (zh) | 2018-03-13 | 2018-03-13 | 一种对证件图像进行分类的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108460420A true CN108460420A (zh) | 2018-08-28 |
Family
ID=63216868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810202496.9A Pending CN108460420A (zh) | 2018-03-13 | 2018-03-13 | 一种对证件图像进行分类的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108460420A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670402A (zh) * | 2018-11-16 | 2019-04-23 | 上海芯智能科技有限公司 | 人证核验方法及装置 |
CN110119691A (zh) * | 2019-04-19 | 2019-08-13 | 华南理工大学 | 一种基于局部二维模式和不变矩查找的人像定位方法 |
CN110222729A (zh) * | 2019-05-15 | 2019-09-10 | 西安交通大学 | 一种基于改进深度残差网络的三维cad模型智能分类方法 |
CN111723763A (zh) * | 2020-06-29 | 2020-09-29 | 深圳市艾为智能有限公司 | 基于图像信息统计的场景识别方法 |
US20220121843A1 (en) * | 2020-10-16 | 2022-04-21 | Samsung Sds Co., Ltd. | Apparatus and method for document recognition |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020582A (zh) * | 2012-09-20 | 2013-04-03 | 苏州两江科技有限公司 | 计算机通过视频图像识别车辆类型的方法 |
CN104463122A (zh) * | 2014-12-09 | 2015-03-25 | 四川大学 | 一种基于pcnn的***识别方法 |
CN105095879A (zh) * | 2015-08-19 | 2015-11-25 | 华南理工大学 | 基于特征融合的眼睛状态识别方法 |
CN105447503A (zh) * | 2015-11-05 | 2016-03-30 | 长春工业大学 | 基于稀疏表示lbp和hog融合的行人检测方法 |
CN106548160A (zh) * | 2016-11-09 | 2017-03-29 | 浙江博天科技有限公司 | 一种人脸微笑检测方法 |
CN107038416A (zh) * | 2017-03-10 | 2017-08-11 | 华南理工大学 | 一种基于二值图像改进型hog特征的行人检测方法 |
CN107563377A (zh) * | 2017-08-30 | 2018-01-09 | 江苏实达迪美数据处理有限公司 | 一种利用边缘和文字区域的证件关键区域检测定位方法 |
CN107578007A (zh) * | 2017-09-01 | 2018-01-12 | 杭州电子科技大学 | 一种基于多特征融合的深度学习人脸识别方法 |
KR20190063582A (ko) * | 2017-11-30 | 2019-06-10 | 재단법인대구경북과학기술원 | 전달 학습을 통한 운전자의 시선 응시영역 추정 방법 |
-
2018
- 2018-03-13 CN CN201810202496.9A patent/CN108460420A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020582A (zh) * | 2012-09-20 | 2013-04-03 | 苏州两江科技有限公司 | 计算机通过视频图像识别车辆类型的方法 |
CN104463122A (zh) * | 2014-12-09 | 2015-03-25 | 四川大学 | 一种基于pcnn的***识别方法 |
CN105095879A (zh) * | 2015-08-19 | 2015-11-25 | 华南理工大学 | 基于特征融合的眼睛状态识别方法 |
CN105447503A (zh) * | 2015-11-05 | 2016-03-30 | 长春工业大学 | 基于稀疏表示lbp和hog融合的行人检测方法 |
CN106548160A (zh) * | 2016-11-09 | 2017-03-29 | 浙江博天科技有限公司 | 一种人脸微笑检测方法 |
CN107038416A (zh) * | 2017-03-10 | 2017-08-11 | 华南理工大学 | 一种基于二值图像改进型hog特征的行人检测方法 |
CN107563377A (zh) * | 2017-08-30 | 2018-01-09 | 江苏实达迪美数据处理有限公司 | 一种利用边缘和文字区域的证件关键区域检测定位方法 |
CN107578007A (zh) * | 2017-09-01 | 2018-01-12 | 杭州电子科技大学 | 一种基于多特征融合的深度学习人脸识别方法 |
KR20190063582A (ko) * | 2017-11-30 | 2019-06-10 | 재단법인대구경북과학기술원 | 전달 학습을 통한 운전자의 시선 응시영역 추정 방법 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670402A (zh) * | 2018-11-16 | 2019-04-23 | 上海芯智能科技有限公司 | 人证核验方法及装置 |
CN110119691A (zh) * | 2019-04-19 | 2019-08-13 | 华南理工大学 | 一种基于局部二维模式和不变矩查找的人像定位方法 |
CN110119691B (zh) * | 2019-04-19 | 2021-07-20 | 华南理工大学 | 一种基于局部二维模式和不变矩查找的人像定位方法 |
CN110222729A (zh) * | 2019-05-15 | 2019-09-10 | 西安交通大学 | 一种基于改进深度残差网络的三维cad模型智能分类方法 |
CN111723763A (zh) * | 2020-06-29 | 2020-09-29 | 深圳市艾为智能有限公司 | 基于图像信息统计的场景识别方法 |
CN111723763B (zh) * | 2020-06-29 | 2024-02-13 | 深圳市艾为智能有限公司 | 基于图像信息统计的场景识别方法 |
US20220121843A1 (en) * | 2020-10-16 | 2022-04-21 | Samsung Sds Co., Ltd. | Apparatus and method for document recognition |
US11615636B2 (en) * | 2020-10-16 | 2023-03-28 | Samsung Sds Co., Ltd. | Apparatus and method for document recognition |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460420A (zh) | 一种对证件图像进行分类的方法 | |
Puranic et al. | Vehicle number plate recognition system: a literature review and implementation using template matching | |
WO2019169816A1 (zh) | 一种用于精细化识别车辆属性的深度神经网络及训练方法 | |
US8351662B2 (en) | System and method for face verification using video sequence | |
CN103605977B (zh) | 一种车道线的提取方法及装置 | |
US8861853B2 (en) | Feature-amount calculation apparatus, feature-amount calculation method, and program | |
CN102779273B (zh) | 一种基于局部对比模式的人脸识别方法 | |
CN110838119B (zh) | 人脸图像质量评估方法、计算机装置及计算机可读存储介质 | |
CN110706235B (zh) | 一种基于双级级联分割的远红外行人检测方法 | |
CN107066972B (zh) | 基于多通道极值区域的自然场景文本检测方法 | |
US11450087B2 (en) | System and method for multimedia analytic processing and display | |
CN104751142A (zh) | 一种基于笔划特征的自然场景文本检测算法 | |
CN107729812B (zh) | 一种适用于监控场景中的车辆颜色识别的方法 | |
CN104008404B (zh) | 一种基于显著直方图特征的行人检测方法及*** | |
CN101944178B (zh) | 用于智能监控的显著区域提取方法 | |
CN109460722B (zh) | 一种车牌智能识别方法 | |
CN111259756A (zh) | 基于局部高频次特征和混合度量学习的行人重识别方法 | |
CN104680180A (zh) | 基于k均值和稀疏自编码的极化sar图像分类方法 | |
CN105139011A (zh) | 一种基于标识物图像的车辆识别方法及装置 | |
CN107590500A (zh) | 一种基于色彩投影分类的车牌颜色识别方法及装置 | |
CN105404868A (zh) | 一种基于交互平台的复杂背景中文本的快速检测方法 | |
Abedin et al. | Traffic sign recognition using surf: Speeded up robust feature descriptor and artificial neural network classifier | |
CN106919939A (zh) | 一种交通标识牌跟踪识别方法及*** | |
Mammeri et al. | North-American speed limit sign detection and recognition for smart cars | |
Yanagisawa et al. | Face detection for comic images with deformable part model |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180828 |
|
RJ01 | Rejection of invention patent application after publication |