CN108845998B - 一种商标图像检索匹配方法 - Google Patents
一种商标图像检索匹配方法 Download PDFInfo
- Publication number
- CN108845998B CN108845998B CN201810292274.0A CN201810292274A CN108845998B CN 108845998 B CN108845998 B CN 108845998B CN 201810292274 A CN201810292274 A CN 201810292274A CN 108845998 B CN108845998 B CN 108845998B
- Authority
- CN
- China
- Prior art keywords
- image
- similar
- matching
- windows
- sliding
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
- G06Q50/184—Intellectual property management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Technology Law (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像检索领域,尤其涉及一种商标图像检索匹配方法,包括以下步骤:采用多个不同尺度的滑窗分割图像区域,提取滑窗窗口内图像特征,所述图像特征包括尺度特征和空间特征;全局尺度间特征窗口匹配,待检索图像中滑动滑窗,遍历对比图像中所有符合相似可能性的窗口,计算得到相似距离;采用尺度‑空间一致性的方法消除错误匹配;根据自适应阈值分割出相似区域;根据各对比图像相似区域的相似性进行检索结果的排序,输出检索结果的对比图像。本发明方法准确度高,漏检率低。
Description
技术领域
本发明属于图像检索领域,尤其涉及一种商标图像检索匹配方法。
背景技术
商标是商品的重要标识之一,商标的注册对于保护商标持有人的合法权利很重要,因而新商标注册前必须先在商标库中进行检索,以保证其与其它已注册的商标有明显不同。
尽管基于内容的图像检索技术已经有了很大的发展,却仍然无法满足人们的检索要求,其最大的困难就是:***提取出的图像底层内容特征与用户检索时使用的高层语义之间无法对应起来,也就是说图像特征根本无法表达用户的高层语义,故基于内容的检索结果往往不令人满意。
申请号为201410292820.2的中国专利,公开了一种用于商标图像检索的形状表示与匹配方法,通过“计算目标对象的最小外接圆,标区域等面积同心划分,同心环状区域块状划分”等步骤,实现商标图像检索的匹配。但是,该方法的应用局限性较大,对于形状复杂,特别是几个对象组合在一起的形状结构,匹配效果不是太好。
发明内容
本发明提供一种商标图像检索匹配方法,对图像局部特征进行匹配和相似性排序,准确度高,漏检率低。
一种商标图像检索匹配方法,包括以下步骤:
S1:采用多个不同尺度的滑窗分割图像区域,提取滑窗窗口内图像特征,所述图像特征包括尺度特征和空间特征;
S2:全局尺度间特征窗口匹配,待检索图像中滑动滑窗,遍历对比图像中所有符合相似可能性的窗口,计算得到相似距离;
S3:采用尺度-空间一致性的方法消除错误匹配;
S4:根据自适应阈值分割出相似区域;
S5:根据各对比图像相似区域的相似性进行检索结果的排序,输出检索结果的对比图像。
本发明采用多尺度滑窗的方式分割图像区域,综合了传统的现有技术的重叠(overlap)和非重叠(non-overlap)两种分割策略的优点,既能避免一些重要的物体分成两个区块,计算量又不过大,速度较快。
本发明先进行全局尺度间特征窗口匹配,漏检率极低。
本发明采用尺度-空间一致性的方法,相比于传统的单纯的尺度一致性方法,增加了空间的对应关系以及尺度-空间的同时对应的关系,综合了图像尺度和空间的特征,能有效消除错误的匹配,降低错检率。
本发明采用自适应阈值方法分割出相似区域,提高了商标检索匹配方法的鲁棒性。
优选地,一种方案,步骤S1,滑窗的大小及滑动步长均按照图像实际大小的固定比例计算,具体滑窗的大小占图像实际大小的比例可以从0.01到1,滑动步长占图像实际大小的比例可以从0.002到0.5。
优选地,一种方案,步骤S1,滑窗的大小按照图像实际大小的固定比例计算,具体滑窗的大小占图像实际大小的比例可以从0.01到1;滑窗滑动的步长应用变步长自适应算法,具体为变步长的Runge-Kutta方法。在图像没有特征的空白区域,步长可以自适应的变长,在图像特征的密集区域,步长可以自适应的变短。
优选地,步骤S1,滑窗的数量为大于1个,滑窗的数量越多,图像匹配的越准确,但是计算的数据量也越大,滑窗的数量优选为3到8个,更优选为4到6个。
优选地,一种方案,步骤S2,待检索图像中滑动滑窗的方式,为从待检索图像的左上角到右下角,依次从上到下、从左到右滑动,获得一系列图像特征。
优选地,一种方案,步骤S2,待检索图像中滑动滑窗的方式,为从待检索图像的中心向四周滑动。
一般情况下,越是重要和显著的特征,在待检索图像的中心部分可能性越大,从中心向四周滑动,检索效率会提高。
优选地,步骤S2,相似距离通过汉明距离(Hamming Distance)进行计算;相似距离其中,待检索图像经过编码后的特征二进制串为fi,对比图像经过编码后的特征二进制串为gj,fi k表示二进制串fi的第k位,gj k表示二进制串gj的第k位,表示异或操作,α的取值等于特征二进制串fi与gj长度和的倒数。
优选地,步骤S2,符合相似可能性需要满足的的条件为:(1)对比图像窗口的中心位置在待检索图像滑窗窗口中心位置的附近,允许变换范围为u,u的取值范围为0.4到0.6;(2)对比图像窗口与待检索图像滑窗窗口具有相似的长宽比,所述两个长宽比的比值范围为0.2到5,优选为0.5到2。
优选地,步骤S3,采用随机抽样一致性(RANSAC)算法,保留在尺度上和空间位置上都具有一致性的匹配对,排除错误的匹配对。
优选地,步骤S3,具体算法为:设待检索图像与对比图像的一对匹配窗口{(x1,y1),(x1′,y1′)}:{(x2,y2),(x2′,y2′)}(其中,(x1,y1)、(x1′,y1′)分别表示待检索图像窗口的左上角和右下角坐标,(x2,y2)、(x2′,y2′)分别表示对比图像窗口的左上角和右下角坐标),则存在空间变换模型使得 可求解出L,其中ɑ1、ɑ2为特定匹配窗口相关的缩放参数,tx、ty是与特定匹配窗口相关的平移参数;对空间变换模型L采用随机抽样一致性(RANSAC)算法,保留在尺度上和空间位置上都具有一致性的匹配对,排除错误的匹配对。
优选地,步骤S4,将正确匹配窗口进行数量上的加权叠加,统计每个相似窗口的数目,根据自适应阈值矩阵分割相似区域。
越相似的区域,相似窗口的数目越多。
自适应性阈值与各个位置的初始阈值矩阵以及筛选得到相似窗口的大小和数目有关。
进一步优选地,将步骤S1滑窗的中心位置定义为结构定位点(anchor point),在步骤S4,统计覆盖每个结构定位点(anchor point)的相似窗口的数目。
越相似的区域,覆盖该区域结构定位点(anchor point)的相似窗口的数目越多。
进一步优选地,步骤S4的加权叠加,为每对匹配窗口的权重由相似距离dij决定,相似距离越小,给与的权重越大,相似距离越大,给与的权重越小,总平均权重为1。
加权处理的意义在于,相似程度越高的匹配窗口具有相对高的正确概率,以大于1的权重进行叠加,相似程度越低的匹配窗口具有相对低的正确概率,以小于1的权重进行叠加。这样,得到的结果更具有准确性。
分割相似区域基于一个认识:相似区域的相似窗口的尺度广、数目多。所以按照每个相似窗口的比例定义阈值矩阵来进行分割,实际处理中会根据经验修改阈值矩阵。
进一步优选地,设T0为初始阈值矩阵,所有相似窗口的总面积为s,则自适应的阈值矩阵T=κT0(s/(100))α,其中κ、α为经验值常数,随着滑动窗口规格的变化参数应进行适应性的调整。
优选地,步骤S5,各对比图像相似区域的相似性,通过汉明距离(HammingDistance)进行计算和表示。
有益效果:
1、本发明采用多尺度滑窗的方式分割图像区域,综合了重叠(overlap)和非重叠(non-overlap)两种分割策略的优点,既能避免一些重要的物体分成两个区块,计算量又不过大,速度较快。
2、本发明先进行全局尺度间特征窗口匹配,漏检率极低。
3、本发明采用尺度-空间一致性的方法,相比于传统的单纯的尺度一致性方法,增加了空间的对应关系以及尺度-空间的同时对应的关系,综合了图像尺度和空间的特征,能有效消除错误的匹配,降低错检率,准确度高。
4、本发明采用自适应阈值方法分割出相似区域,提高了商标检索匹配方法的鲁棒性。
5、本发明根据自适应阈值分割出相似区域,通过加权叠加的方式,检索结果更具有准确性。
具体实施方式
下面将对本发明的实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
一种商标图像检索匹配方法,包括以下步骤:
S1:采用多个不同尺度的滑窗分割图像区域,提取滑窗窗口内图像特征,所述图像特征包括尺度特征和空间特征;滑窗的大小及滑动步长均按照图像实际大小的固定比例计算,具体滑窗的大小占图像实际大小的比例可以从0.01到1,滑动步长占图像实际大小的比例可以从0.002到0.5。滑窗的数量为3个。
S2:全局尺度间特征窗口匹配,待检索图像中滑动滑窗,遍历对比图像中所有符合相似可能性的窗口,计算得到相似距离;待检索图像中滑动滑窗的方式,为从待检索图像的左上角到右下角,依次从上到下、从左到右滑动,获得一系列图像特征。
S3:采用尺度-空间一致性的方法消除错误匹配;采用随机抽样一致性(RANSAC)算法,保留在尺度上和空间位置上都具有一致性的匹配对,排除错误的匹配对。
S4:根据自适应阈值分割出相似区域;将正确匹配窗口进行数量上的加权叠加,统计每个相似窗口的数目,根据自适应阈值矩阵分割相似区域;将步骤S1滑窗的中心位置定义为结构定位点(anchor point),在步骤S4,统计覆盖每个结构定位点(anchor point)的相似窗口的数目;为每对匹配窗口的权重由相似距离dij决定,相似距离越小,给与的权重越大,相似距离越大,给与的权重越小,总平均权重为1。
S5:根据各对比图像相似区域的相似性进行检索结果的排序,输出检索结果的对比图像;各对比图像相似区域的相似性,通过汉明距离(Hamming Distance)进行计算和表示。
区域内相似窗口匹配,查找方法为局部邻域查找。
在待检索图像的相似区域,通过滑窗的任意滑动,遍历对比图像的相似区域中所有符合相似可能性条件的滑窗窗口,计算得到相似距离,相似距离最小的为最相似的窗口。
待检索图像与对比图像相似区域中滑窗的相似性以滑窗的结构定位点(anchorpoint)的相似性来代替,相似距离由所有以该结构定位点(anchor point)为中心的窗口的对应相似距离的均值来计算。
待检索图像相似区域与对比图像相似区域的相似距离dAB,具体算法为:其中,nA为待检索图像相似区域中包含结构定位点(anchorpoint)的数目,nB为对比图像相似区域中包含结构定位点(anchor point)的数目,(u、v)为结构定位点(anchor point)的坐标,dAUV为待检索图像相似区域结构定位点(u、v)的相似距离,dBUV为对比图像相似区域结构定位点(u、v)的相似距离,λ为相似面积参数,和nA、nB成反比,相似区域总面积越大,λ越小。
比较待检索图像与图像库中所有对比图像的相似距离,根据相似距离进行检索结果相似对比图像的排序。相似距离越小,待检索图像与对比图像越相似,排序越靠前。
实施例2
一种商标图像检索匹配方法,包括以下步骤:
S1:采用多个不同尺度的滑窗分割图像区域,提取滑窗窗口内图像特征,所述图像特征包括尺度特征和空间特征;滑窗的大小按照图像实际大小的固定比例计算,具体滑窗的大小占图像实际大小的比例可以从0.01到1;滑窗滑动的步长应用变步长自适应算法,具体为变步长的Runge-Kutta方法。在图像没有特征的空白区域,步长可以自适应的变长,在图像特征的密集区域,步长可以自适应的变短。滑窗的数量为8个。
S2:全局尺度间特征窗口匹配,待检索图像中滑动滑窗,遍历对比图像中所有符合相似可能性的窗口,计算得到相似距离;待检索图像中滑动滑窗的方式,为从待检索图像的中心向四周滑动。
相似距离通过汉明距离(Hamming Distance)进行计算;相似距离其中,待检索图像经过编码后的特征二进制串为fi,对比图像经过编码后的特征二进制串为gj,fi k表示二进制串fi的第k位,gj k表示二进制串gj的第k位,表示异或操作,α的取值等于特征二进制串fi与gj长度和的倒数。
符合相似可能性需要满足的的条件为:(1)对比图像窗口的中心位置在待检索图像滑窗窗口中心位置的附近,允许变换范围为u,u的取值范围为0.4到0.6;(2)对比图像窗口与待检索图像滑窗窗口具有相似的长宽比,所述两个长宽比的比值范围为0.2到5,优选为0.5到2。
S3:采用尺度-空间一致性的方法消除错误匹配。
S4:根据自适应阈值分割出相似区域。
S5:根据各对比图像相似区域的相似性进行检索结果的排序,输出检索结果的对比图像。
实施例3
一种商标图像检索匹配方法,包括以下步骤:
S1:采用多个不同尺度的滑窗分割图像区域,提取滑窗窗口内图像特征,所述图像特征包括尺度特征和空间特征;滑窗的数量为6个。
S2:全局尺度间特征窗口匹配,待检索图像中滑动滑窗,遍历对比图像中所有符合相似可能性的窗口,计算得到相似距离。
S3:采用尺度-空间一致性的方法消除错误匹配;采用随机抽样一致性(RANSAC)算法,保留在尺度上和空间位置上都具有一致性的匹配对,排除错误的匹配对。
具体算法为:设待检索图像与对比图像的一对匹配窗口{(x1,y1),(x1′,y1′)}:{(x2,y2),(x2′,y2′)}(其中,(x1,y1)、(x1′,y1′)分别表示待检索图像窗口的左上角和右下角坐标,(x2,y2)、(x2′,y2′)分别表示对比图像窗口的左上角和右下角坐标),则存在空间变换模型使得 可求解出L,其中ɑ1、ɑ2为特定匹配窗口相关的缩放参数,tx、ty是与特定匹配窗口相关的平移参数;对空间变换模型L采用随机抽样一致性(RANSAC)算法,保留在尺度上和空间位置上都具有一致性的匹配对,排除错误的匹配对。
S4:根据自适应阈值分割出相似区域。
S5:根据各对比图像相似区域的相似性进行检索结果的排序,输出检索结果的对比图像,各对比图像相似区域的相似性,通过汉明距离(Hamming Distance)进行计算和表示。
实施例4
一种商标图像检索匹配方法,包括以下步骤:
S1:采用多个不同尺度的滑窗分割图像区域,提取滑窗窗口内图像特征,所述图像特征包括尺度特征和空间特征。
S2:全局尺度间特征窗口匹配,待检索图像中滑动滑窗,遍历对比图像中所有符合相似可能性的窗口,计算得到相似距离。
S3:采用尺度-空间一致性的方法消除错误匹配。
S4:根据自适应阈值分割出相似区域;将正确匹配窗口进行数量上的加权叠加,统计每个相似窗口的数目,根据自适应阈值矩阵分割相似区域;将步骤S1滑窗的中心位置定义为结构定位点(anchor point),在步骤S4,统计覆盖每个结构定位点(anchor point)的相似窗口的数目;为每对匹配窗口的权重由相似距离dij决定,相似距离越小,给与的权重越大,相似距离越大,给与的权重越小,总平均权重为1;设T0为初始阈值矩阵,所有相似窗口的总面积为s,则自适应的阈值矩阵T=κT0(s/(100))α,其中κ、α为经验值常数,随着滑动窗口规格的变化参数应进行适应性的调整。
S5:根据各对比图像相似区域的相似性进行检索结果的排序,输出检索结果的对比图像。
实施例5
一种商标图像检索匹配方法,包括以下步骤:
S1:采用多个不同尺度的滑窗分割图像区域,提取滑窗窗口内图像特征,所述图像特征包括尺度特征和空间特征;
S2:全局尺度间特征窗口匹配,待检索图像中滑动滑窗,遍历对比图像中所有符合相似可能性的窗口,计算得到相似距离;
S3:采用尺度-空间一致性的方法消除错误匹配;
S4:根据自适应阈值分割出相似区域;
S5:根据各对比图像相似区域的相似性进行检索结果的排序,输出检索结果的对比图像。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种商标图像检索匹配方法,其特征在于,包括以下步骤:
S1:采用多个不同尺度的滑窗分割图像区域,提取滑窗窗口内图像特征,所述图像特征包括尺度特征和空间特征,滑窗的中心位置定义为结构定位点;
S2:全局尺度间特征窗口匹配,待检索图像中滑动滑窗,遍历对比图像中所有符合相似可能性的窗口,计算得到相似距离;
S3:采用尺度-空间一致性的方法消除错误匹配;
S4:根据自适应阈值分割出相似区域,将正确匹配窗口进行数量上的加权叠加,统计覆盖每个结构定位点的相似窗口的数目,为每对匹配窗口的权重由相似距离dij决定,相似距离越小,给与的权重越大,相似距离越大,给与的权重越小,总平均权重为1,根据自适应阈值矩阵分割相似区域,设T0为初始阈值矩阵,所有相似窗口的总面积为s,则自适应的阈值矩阵T=κT0(s/100)α,其中κ、α为经验值常数,随着滑动窗口规格的变化参数应进行适应性的调整;
S5:根据各对比图像相似区域的相似性进行检索结果的排序,在待检索图像的相似区域通过滑窗的任意滑动,遍历对比图像的相似区域中所有符合相似可能性条件的滑窗窗口,计算得到相似距离,根据相似距离进行检索结果相似对比图像的排序,输出检索结果的对比图像。
2.根据权利要求1所述的商标图像检索匹配方法,其特征在于,所述步骤S1,滑窗的大小及滑动步长均按照图像实际大小的固定比例计算,具体滑窗的大小占图像实际大小的比例从0.01到1,滑动步长占图像实际大小的比例从0.002到0.5。
3.根据权利要求1所述的商标图像检索匹配方法,其特征在于,所述步骤S1,滑窗的大小按照图像实际大小的固定比例计算,具体滑窗的大小占图像实际大小的比例从0.01到1;滑窗滑动的步长应用变步长自适应算法,具体为变步长的Runge-Kutta方法。
4.根据权利要求2或3所述的商标图像检索匹配方法,其特征在于,所述步骤S2,待检索图像中滑动滑窗的方式,为从待检索图像的左上角到右下角,依次从上到下、从左到右滑动。
5.根据权利要求2或3所述的商标图像检索匹配方法,其特征在于,所述步骤S2,待检索图像中滑动滑窗的方式,为从待检索图像的中心向四周滑动。
7.根据权利要求1所述的商标图像检索匹配方法,其特征在于,所述步骤S2,符合相似可能性需要满足的的条件为:(1)对比图像窗口的中心位置在待检索图像滑窗窗口中心位置的附近,允许变换范围为u,u的取值范围为0.4到0.6;(2)对比图像窗口与待检索图像滑窗窗口具有相似的长宽比,所述两个长宽比的比值范围为0.2到5。
8.根据权利要求1所述的商标图像检索匹配方法,其特征在于,所述步骤S3,采用随机抽样一致性(RANSAC)算法,保留在尺度上和空间位置上都具有一致性的匹配对,排除错误的匹配对;具体算法为:设待检索图像与对比图像的一对匹配窗口{(x1,y1),(x1′,y1′)}:{(x2,y2),(x2′,y2′)}(其中,(x1,y1)、(x1′,y1′)分别表示待检索图像窗口的左上角和右下角坐标,(x2,y2)、(x2′,y2′)分别表示对比图像窗口的左上角和右下角坐标),则存在空间变换模型使得可求解出L,其中ɑ1、ɑ2为常数,tx、ty是与特定匹配窗口相关的参数;对空间变换模型L采用随机抽样一致性(RANSAC)算法,保留在尺度上和空间位置上都具有一致性的匹配对,排除错误的匹配对。
9.根据权利要求1所述的商标图像检索匹配方法,其特征在于,所述步骤S1,滑窗的数量为3到8个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810292274.0A CN108845998B (zh) | 2018-04-03 | 2018-04-03 | 一种商标图像检索匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810292274.0A CN108845998B (zh) | 2018-04-03 | 2018-04-03 | 一种商标图像检索匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108845998A CN108845998A (zh) | 2018-11-20 |
CN108845998B true CN108845998B (zh) | 2022-04-29 |
Family
ID=64211930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810292274.0A Active CN108845998B (zh) | 2018-04-03 | 2018-04-03 | 一种商标图像检索匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108845998B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934739A (zh) * | 2019-02-27 | 2019-06-25 | 浪潮软件集团有限公司 | 一种商标侵权预警方法及*** |
CN110084298B (zh) * | 2019-04-23 | 2021-09-28 | 北京百度网讯科技有限公司 | 用于检测图像相似度的方法及装置 |
CN110648339B (zh) * | 2019-09-27 | 2022-08-19 | 广东溢达纺织有限公司 | 商标切割方法、装置、计算机设备和存储介质 |
CN113536917B (zh) * | 2021-06-10 | 2024-06-07 | 浙江大华技术股份有限公司 | 着装识别方法、***、电子装置和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101082987A (zh) * | 2007-06-28 | 2007-12-05 | 复旦大学 | 基于窗口间平均差异的直方图相似性度量方法 |
CN101576956A (zh) * | 2009-05-11 | 2009-11-11 | 天津普达软件技术有限公司 | 基于机器视觉的在线字符检测方法和*** |
CN103383700A (zh) * | 2013-06-26 | 2013-11-06 | 西安电子科技大学 | 基于边缘方向差直方图的图像检索方法 |
CN105139023A (zh) * | 2015-07-24 | 2015-12-09 | 福州大学 | 一种基于多尺度特征融合和极限学习机的种子识别方法 |
CN105160654A (zh) * | 2015-07-09 | 2015-12-16 | 浙江工商大学 | 基于特征点提取的毛巾标签缺陷检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE602005025088D1 (de) * | 2004-03-03 | 2011-01-13 | Nec Corp | Bildähnlichkeits-berechnungssystem, bildsuchsystem, bildähnlichkeits-berechnungsverfahren und bildähnlichkeits-berechnungsprogramm |
US8280196B2 (en) * | 2009-05-12 | 2012-10-02 | Canon Kabushiki Kaisha | Image retrieval apparatus, control method for the same, and storage medium |
CN101984463A (zh) * | 2010-11-02 | 2011-03-09 | 中兴通讯股份有限公司 | 全景图合成方法及装置 |
-
2018
- 2018-04-03 CN CN201810292274.0A patent/CN108845998B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101082987A (zh) * | 2007-06-28 | 2007-12-05 | 复旦大学 | 基于窗口间平均差异的直方图相似性度量方法 |
CN101576956A (zh) * | 2009-05-11 | 2009-11-11 | 天津普达软件技术有限公司 | 基于机器视觉的在线字符检测方法和*** |
CN103383700A (zh) * | 2013-06-26 | 2013-11-06 | 西安电子科技大学 | 基于边缘方向差直方图的图像检索方法 |
CN105160654A (zh) * | 2015-07-09 | 2015-12-16 | 浙江工商大学 | 基于特征点提取的毛巾标签缺陷检测方法 |
CN105139023A (zh) * | 2015-07-24 | 2015-12-09 | 福州大学 | 一种基于多尺度特征融合和极限学习机的种子识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108845998A (zh) | 2018-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108845998B (zh) | 一种商标图像检索匹配方法 | |
Qadir et al. | Improving automatic polyp detection using CNN by exploiting temporal dependency in colonoscopy video | |
US10061999B1 (en) | System and method for using segmentation to identify object location in images | |
Le Goff et al. | Deep learning for cloud detection | |
CN104778242B (zh) | 基于图像动态分割的手绘草图图像检索方法及*** | |
CN107145829B (zh) | 一种融合纹理特征和尺度不变特征的掌静脉识别方法 | |
US20180114056A1 (en) | Vision Based Target Tracking that Distinguishes Facial Feature Targets | |
CN108764041B (zh) | 用于下部遮挡人脸图像的人脸识别方法 | |
CN108388862B (zh) | 基于lbp特征及最近邻分类器的人脸识别方法 | |
CN108830279B (zh) | 一种图像特征提取与匹配方法 | |
CN111797709B (zh) | 一种基于回归检测的实时动态手势轨迹识别方法 | |
CN109740537B (zh) | 人群视频图像中行人图像属性的精确标注方法及*** | |
CN112131421A (zh) | 医学图像分类方法、装置、设备及存储介质 | |
US10417487B2 (en) | Pattern recognition apparatus, pattern recognition method, and storage medium | |
CN111260655B (zh) | 基于深度神经网络模型的图像生成方法与装置 | |
CN112434553A (zh) | 一种基于深度字典学习的视频鉴别方法及*** | |
CN108694411B (zh) | 一种识别相似图像的方法 | |
CN115033721A (zh) | 基于大数据的图像检索方法 | |
CN108764245B (zh) | 一种提高商标图形相似度判定准确性的方法 | |
CN108845999B (zh) | 一种基于多尺度区域特征比对的商标图像检索方法 | |
CN108763265B (zh) | 一种基于分块检索的图像识别方法 | |
CN113569758A (zh) | 基于动作三元组引导的时序动作定位方法、***、设备及介质 | |
CN109766924A (zh) | 基于图像信息熵与自适应阈值daisy特征点的图像检测方法 | |
CN111144469B (zh) | 基于多维关联时序分类神经网络的端到端多序列文本识别方法 | |
CN110069647B (zh) | 图像标签去噪方法、装置、设备及计算机可读存储介质 |
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 |