CN108875753A - 一种商标图像检索特征提取方法 - Google Patents

一种商标图像检索特征提取方法 Download PDF

Info

Publication number
CN108875753A
CN108875753A CN201810291397.2A CN201810291397A CN108875753A CN 108875753 A CN108875753 A CN 108875753A CN 201810291397 A CN201810291397 A CN 201810291397A CN 108875753 A CN108875753 A CN 108875753A
Authority
CN
China
Prior art keywords
gradient
image
histogram
extracting method
feature extracting
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
Application number
CN201810291397.2A
Other languages
English (en)
Inventor
李建圃
樊晓东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanchang Qi Mou Science And Technology Co Ltd
Original Assignee
Nanchang Qi Mou Science And Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanchang Qi Mou Science And Technology Co Ltd filed Critical Nanchang Qi Mou Science And Technology Co Ltd
Priority to CN201810291397.2A priority Critical patent/CN108875753A/zh
Publication of CN108875753A publication Critical patent/CN108875753A/zh
Pending legal-status Critical Current

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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (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特征提取方法，包括以下步骤：提取图像像素点的梯度方向直方图特征，梯度方向直方图量化编码，归一化，多尺度空间分布描述，多尺度滑窗特征提取。本发明能提取图像的局部特征进行匹配，可靠性高，同时又能兼顾检索的速度。

Description

一种商标图像检索特征提取方法
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特征提取方法。
背景技术
商标在工商业社会中起着非常重要的作用，是公司、产品或服务的标志，与企业的商品质量、服务质量、经营管理融为一体，成为企业信誉的象征，是一种无形的资产。
商标检索是指从现有的商标图像库中寻找与输入商标图像相似的图像的过程。
近年来，商标数量持续快速增长，使得验证工作极其繁琐。手工编码通常利用图案的全局形状，局部形状，文本信息等作为分类标准。由于商标图案越来越越多，越来越复杂，这些分类标准与商标的发展状况已经越来越不适应，手工编码的方法很容易发生错误。而手工增加新的标准其工作量无疑是非常巨大的。这就迫切要求一套自动***来满足商标快速增长的需要，用计算机来代替手工抽取特征，提高编码的效率和精度。
虽然基于内容的商标图像检索的研究比较活跃，也有一些***投入了使用，但是，仍有一些问题没有得到较好的解决。在以前的手工编码过程中，商标认证人员可以按照一定的规则对编码结果进行加权，原来商标中重要的部分所对应的权值大，这样可以突出原商标中这些重要的图形，而现有的***常常抽取图像的全局特征来进行匹配，不能突出这些重要信息，因此***的可靠性不高；另一个重要的问题就是检索的速度问题，随着库中图像数量的增加，检索的速度成为制约***的一个瓶颈，而我国现有的注册商标累计数量己经超过了1000万。
发明内容
本发明提供一种商标图像检索特征提取方法，能提取图像的局部特征进行匹配，可靠性高，同时又能兼顾检索的速度。
一种商标图像检索特征提取方法，包括以下步骤：
S1：提取图像像素点的梯度方向直方图特征；
S2：梯度方向直方图量化编码；
S3：归一化；
S4：空间分布描述；
S5：多尺度滑窗特征提取。
梯度方向直方图(HOG)是一个局部特征，统计图像局部区域的梯度方向信息来作为该局部图像区域的表征。
HOG表示的是边缘(梯度)的结构特征，因此可以描述局部的形状信息。位置和方向空间的量化一定程度上可以抑制平移和旋转带来的影响；采取在局部区域归一化直方图，可以部分抵消光照变化带来的影响。由于一定程度忽略了光照颜色对图像造成的影响，使得图像所需要的表征数据的维度降低了。而且由于它这种分块分单元的处理方法，也使得图像局部像素点之间的关系可以很好得到的表征。
HOG的图像分割策略，一般来说有重叠(overlap)和非重叠(non-overlap)两种。overlap指的是分割出的区块互相交叠，有重合的区域，non-overlap指的是区块不交叠，没有重合的区域。overlap方法的好处是避免了一些重要的物体分成两个区块，但计算量大，因为重叠区域的像素需要重复计算。non-overlap方法的缺点是有时会将一个连续的物体切割开，得到不太“好”的HOG特征，优点是计算量小，尤其是与图像金字塔(Pyramid)结合时，速度更快。
本发明采用多尺度滑窗的方式，综合了overlap和non-overlap两种方式的优点，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。
优选地，步骤S1，计算图像像素点的水平梯度和垂直梯度，采用方向模板[-1,0,1],计算规则为[Gh,Gv]＝gradient(F)，
优选地，一种方案，所述步骤S2，图像像素点的方向角度θ＝arctan(Gv/Gh)，以平面上0到360度进行n方向量化，采用就近方向量化的原则，将实际的梯度方向角度θ量化至最近的量化方向上，统计各像素点的量化方向的数量，进行直方图统计，采用一维矩阵的形式表示。所述n值，为大于2的整数；n的数值越大，直方图统计越准确，数据的计算量也越大。优选地，n＝6或8或9或12。
优选地，一种方案，步骤S2，图像像素点的方向角度θ＝arctan(Gv/Gh)，以平面上0到360度进行n方向量化，采用模糊量化方法，将一个梯度方向量化至其相邻的两个方向中，即将一个方向用投影至相邻两个方向的分量表示，统计各像素点的量化方向的数量，进行直方图统计，采用一维矩阵的形式表示。所述n值，为大于2的整数；n的数值越大，直方图统计越准确，数据的计算量也越大。优选地，n＝6或8或9或12。
优选地，步骤S2，使用梯度算子sobel，Laplacian对图像卷积计算，从而求得方向角度θ。
优选地，一种方案，步骤S3，采用梯度点数目归一化的方法，梯度方向直方图Hist＝[h0,h1,…,hi]T,归一化直方图为
梯度点数目归一化的方法，使特征具有良好的尺度一致性，同时体现出各个梯度方向相对统计分布信息。
优选地，一种方案，步骤S3，采用基于面积归一化的方法，梯度方向直方图Hist＝[h0,h1,…,hi]T,滑窗面积为pArea,基于面积归一化的直方图为
面积参数通过面积开方来计算将使特征具有相对较好的尺度一致性。基于面积参数的直方图归一化方法，既包含了特征窗口中边缘信息的丰富程度，又可反映各个梯度方向统计分布信息，单个bin的变化不会影响其他bin的值。
优选地，一种方案，步骤S4，空间分布描述，将图像进行多尺度分块，分别提取各个区域的特征，在梯度方向直方图特征后进行级联。具体为，将滑窗内图像等分为2的m次方块(m为大于零的整数)，分别提取这些块区域的梯度方向直方图特征，按照固定的次序，依次加入到步骤S3的整个滑窗的梯度方向直方图特征之后，进行级联。
优选地，一种方案，步骤S4，空间分布描述，将图像各区域进行量化编码，统计图像内各个方向梯度点的重心位置，根据重心位置落入图像的区域，采用该区域的位置编码，在梯度方向直方图特征矩阵后级联位置编码。
优选地，步骤S5，多尺度滑窗特征提取，采用多个不同尺度大小的滑窗分割图像区域，滑窗在图像中滑动，提取滑窗内的图像特征。
优选地，步骤S1之前，加入对图像去噪、滤波的过程，以增加提取图像特征的准确性。去噪、滤波可以采用现有技术对图像进行操作。
优选地，步骤S1之前，采用自适应阈值技术，优化图像。
有益效果：
1、本发明梯度方向直方图(HOG)特征提取，对图像的几何和光照能够保持很好的不变性。
2、本发明的梯度点数目归一化方法，使特征具有良好的尺度一致性，同时体现出各个梯度方向相对统计分布信息。
3、本发明的面积归一化方法，既包含了特征窗口中边缘信息的丰富程度，又可反映各个梯度方向统计分布信息。
4、本发明将梯度方向直方图与空间分布描述结合，有利于提高图像特征匹配时的准确性。
5、本发明将图像各区域进行量化编码的空间分布描述方式，位置定义准确，数据量小，计算速度快。
6、本发明多尺度滑窗的方式，综合了overlap和non-overlap两种方式的优点，计算量又不过大，速度较快。
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
一种商标图像检索特征提取方法，包括以下步骤：
S1：提取图像像素点的梯度方向直方图特征；采用方向模板[-1,0,1],以公式[Gh,Gv]＝gradient(F)，计算图像像素点的水平梯度和垂直梯度，其中在图像任一像素点(x,y)的水平梯度为Gh,垂直梯度为GV。
S2：梯度方向直方图量化编码；使用梯度算子sobel，Laplacian对图像卷积计算，从而求得图像像素点的方向角度θ＝arctan(Gv/Gh)，以平面上0到360度进行8方向量化，采用模糊量化方法，将一个梯度方向量化至其相邻的两个方向中，即将一个方向用投影至相邻两个方向的分量表示，统计各像素点的量化方向的数量，进行直方图统计，采用一维矩阵的形式表示，梯度方向直方图Hist＝[h0,h1,…,h7]T。具体如某像素点(x,y)的梯度方向为θ(x,y)，其相邻的两个Bin分别为θk,θk+1，则该梯度方向点量化至θk的分量为(θ(x,y)-θk)/45，量化至θk+1的分量为(θk+1-θ(x,y))/45。
S3：归一化；采用基于面积归一化的方法，梯度方向直方图Hist＝[h0,h1,…,h7]T,滑窗面积为pArea,基于面积归一化的直方图为
S4：空间分布描述；将图像各区域进行量化编码，统计图像内各个方向梯度点的重心位置，根据重心位置落入图像的区域，采用该区域的位置编码，在梯度方向直方图特征矩阵后级联位置编码。例如，将滑窗划分为3乘3的9块，各区域分配编码如下：
1001 1000 1100
0001 0000 0100
0011 0010 0110
统计图像内各个方向梯度点的重心位置，重心位置落入图像的某个区域，比如重心位置落入滑窗区域的左上角部分，则采用该区域的位置编码1001，在梯度方向直方图特征矩阵后级联位置编码1001。
S5：多尺度滑窗特征提取；采用多个不同尺度大小的滑窗分割图像区域，滑窗在图像中滑动，提取滑窗内的图像特征；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，具体可以为变步长的Runge-Kutta方法，提高检索效率。
实施例2
一种商标图像检索特征提取方法，包括以下步骤：
S1：提取图像像素点的梯度方向直方图特征；采用方向模板[-1,0,1],以公式[Gh,Gv]＝gradient(F)，计算图像像素点的水平梯度和垂直梯度，其中在图像任一像素点(x,y)的水平梯度为Gh,垂直梯度为GV。
S2：梯度方向直方图量化编码；使用梯度算子sobel，Laplacian对图像卷积计算，从而求得图像像素点的方向角度θ＝arctan(Gv/Gh)，以平面上0到360度进行8方向量化，采用就近方向量化的原则，将实际的梯度方向角度θ量化至最近的量化方向上，统计各像素点的量化方向的数量，进行直方图统计，采用一维矩阵的形式表示，梯度方向直方图Hist＝[h0,h1,…,h7]T。
S3：归一化；采用梯度点数目归一化的方法，梯度方向直方图Hist＝[h0,h1,…,h7]T,归一化直方图为i为7。
S4：空间分布描述；将图像进行多尺度分块，分别提取各个区域的特征，在梯度方向直方图特征矩阵后进行级联。具体为，将滑窗内图像等分为4块，分别提取这4块区域的梯度方向直方图特征，按照固定的次序，依次加入到步骤S3的整个滑窗的梯度方向直方图特征之后，进行级联。
S5：多尺度滑窗特征提取；采用多个不同尺度大小的滑窗分割图像区域，滑窗在图像中滑动，提取滑窗内的图像特征；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。
实施例3
一种商标图像检索特征提取方法，包括以下步骤：
S0：采用均值滤波、自适应维纳滤波、中值滤波、形态学噪声滤除和/或小波去噪方法对图像去噪；采用自适应阈值技术，优化图像。
S1：提取图像像素点的梯度方向直方图特征；采用方向模板[-1,0,1],以公式[Gh,Gv]＝gradient(F)，计算图像像素点的水平梯度和垂直梯度，其中在图像任一像素点(x,y)的水平梯度为Gh,垂直梯度为GV。
S2：梯度方向直方图量化编码；使用梯度算子sobel，Laplacian对图像卷积计算，从而求得图像像素点的方向角度θ＝arctan(Gv/Gh)，以平面上0到360度进行12方向量化，采用模糊量化方法，将一个梯度方向量化至其相邻的两个方向中，即将一个方向用投影至相邻两个方向的分量表示，统计各像素点的量化方向的数量，进行直方图统计，采用一维矩阵的形式表示，梯度方向直方图Hist＝[h0,h1,…,h11]T。具体如某像素点(x,y)的梯度方向为θ(x,y)，其相邻的两个Bin分别为θk,θk+1，则该梯度方向点量化至θk的分量为(θ(x,y)-θk)/30，量化至θk+1的分量为(θk+1-θ(x,y))/30。
S3：归一化；采用梯度点数目归一化的方法，梯度方向直方图Hist＝[h0,h1,…,h11]T,归一化直方图为i为11。
S4：空间分布描述；将图像进行多尺度分块，分别提取各个区域的特征，在梯度方向直方图特征矩阵后进行级联。具体为，将滑窗内图像等分为8块，分别提取这8块区域的梯度方向直方图特征，按照固定的次序，依次加入到步骤S3的整个滑窗的梯度方向直方图特征之后，进行级联。
S5：多尺度滑窗特征提取；采用多个不同尺度大小的滑窗分割图像区域，滑窗在图像中滑动，提取滑窗内的图像特征；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0.1到1，滑动步长占图像实际大小的比例可以从0.02到0.5。
实施例4
一种商标图像检索特征提取方法，包括以下步骤：
S0：采用均值滤波、自适应维纳滤波、中值滤波、形态学噪声滤除和/或小波去噪方法对图像去噪；采用自适应阈值技术，优化图像。
S1：提取图像像素点的梯度方向直方图特征；采用方向模板[-1,0,1],以公式[Gh,Gv]＝gradient(F)，计算图像像素点的水平梯度和垂直梯度，其中在图像任一像素点(x,y)的水平梯度为Gh,垂直梯度为GV。
S2：梯度方向直方图量化编码；使用梯度算子sobel，Laplacian对图像卷积计算，从而求得图像像素点的方向角度θ＝arctan(Gv/Gh)，以平面上0到360度进行6方向量化，采用模糊量化方法，将一个梯度方向量化至其相邻的两个方向中，即将一个方向用投影至相邻两个方向的分量表示，统计各像素点的量化方向的数量，进行直方图统计，采用一维矩阵的形式表示，梯度方向直方图Hist＝[h0,h1,…,h5]T。具体如某像素点(x,y)的梯度方向为θ(x,y)，其相邻的两个Bin分别为θk,θk+1，则该梯度方向点量化至θk的分量为(θ(x,y)-θk)/60，量化至θk+1的分量为(θk+1-θ(x,y))/60。
S3：归一化；采用基于面积归一化的方法，梯度方向直方图Hist＝[h0,h1,…,h5]T,滑窗面积为pArea,基于面积归一化的直方图为
S4：空间分布描述；将图像进行多尺度分块，分别提取各个区域的特征，在梯度方向直方图特征矩阵后进行级联。具体为，将滑窗内图像等分为16块，分别提取这16块区域的梯度方向直方图特征，按照固定的次序，依次加入到步骤S3的整个滑窗的梯度方向直方图特征之后，进行级联。
S5：多尺度滑窗特征提取；采用多个不同尺度大小的滑窗分割图像区域，滑窗在图像中滑动，提取滑窗内的图像特征；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0.05到1，滑动步长占图像实际大小的比例可以从0.01到0.2。
实施例5
一种商标图像检索特征提取方法，包括以下步骤：
S0：采用均值滤波、自适应维纳滤波、中值滤波、形态学噪声滤除和/或小波去噪方法对图像去噪；采用自适应阈值技术，优化图像。
S1：提取图像像素点的梯度方向直方图特征；采用方向模板[-1,0,1],以公式[Gh,Gv]＝gradient(F)，计算图像像素点的水平梯度和垂直梯度，其中在图像任一像素点(x,y)的水平梯度为Gh,垂直梯度为GV。
S2：梯度方向直方图量化编码；使用梯度算子sobel，Laplacian对图像卷积计算，从而求得图像像素点的方向角度θ＝arctan(Gv/Gh)，以平面上0到360度进行9方向量化，采用模糊量化方法，将一个梯度方向量化至其相邻的两个方向中，即将一个方向用投影至相邻两个方向的分量表示，统计各像素点的量化方向的数量，进行直方图统计，采用一维矩阵的形式表示，梯度方向直方图Hist＝[h0,h1,…,h8]T。具体如某像素点(x,y)的梯度方向为θ(x,y)，其相邻的两个Bin分别为θk,θk+1，则该梯度方向点量化至θk的分量为(θ(x,y)-θk)/40，量化至θk+1的分量为(θk+1-θ(x,y))/40。
S3：归一化；采用基于面积归一化的方法，梯度方向直方图Hist＝[h0,h1,…,h8]T,滑窗面积为pArea,基于面积归一化的直方图为
S4：空间分布描述；将图像各区域进行量化编码，统计图像内各个方向梯度点的重心位置，重心位置落入图像的某个区域，则采用该区域的位置编码，在梯度方向直方图特征矩阵后级联位置编码。例如，将滑窗划分为2乘2的4块，各区域分配编码如下：
101 100
001 000
统计图像内各个方向梯度点的重心位置，重心位置落入图像的某个区域，比如重心位置落入滑窗区域的右上角部分，则采用该区域的位置编码100，在梯度方向直方图特征矩阵后级联位置编码100。
S5：多尺度滑窗特征提取；采用多个不同尺度大小的滑窗分割图像区域，滑窗在图像中滑动，提取滑窗内的图像特征；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0.001到1，滑动步长占图像实际大小的比例可以从0.0001到0.4。
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 (10)

1.一种商标图像检索特征提取方法，其特征在于，包括以下步骤：
S1：提取图像像素点的梯度方向直方图特征；
S2：梯度方向直方图量化编码；
S3：归一化；
S4：空间分布描述；
S5：多尺度滑窗特征提取。
2.根据权利要求1所述的商标图像检索特征提取方法，其特征在于，所述步骤S4，空间分布描述，将图像进行多尺度分块，分别提取各个区域的特征，在梯度方向直方图特征后进行级联。
3.根据权利要求1所述的商标图像检索特征提取方法，其特征在于，所述步骤S4，空间分布描述，将图像各区域进行量化编码，统计图像内各个方向梯度点的重心位置，根据重心位置落入图像的区域，采用该区域的位置编码，在梯度方向直方图特征矩阵后级联位置编码。
4.根据权利要求2或3所述的商标图像检索特征提取方法，其特征在于，所述所述步骤S2，图像像素点的方向角度θ＝arctan(Gv/Gh)，以平面上0到360度进行n方向量化，采用就近方向量化的原则，将实际的梯度方向角度θ量化至最近的量化方向上，统计各像素点的量化方向的数量，进行直方图统计，采用一维矩阵的形式表示；所述n值，为大于2的整数；优选地，n＝6或8或9或12。
5.根据权利要求2或3所述的商标图像检索特征提取方法，其特征在于，所述步骤S2，图像像素点的方向角度θ＝arctan(Gv/Gh)，以平面上0到360度进行n方向量化，采用模糊量化方法，将一个梯度方向量化至其相邻的两个方向中，即将一个方向用投影至相邻两个方向的分量表示，统计各像素点的量化方向的数量，进行直方图统计，采用一维矩阵的形式表示；所述n值，为大于2的整数；优选地，n＝6或8或9或12。
6.根据权利要求4或5所述的商标图像检索特征提取方法，其特征在于，所述步骤S2，使用梯度算子sobel，Laplacian对图像卷积计算，从而求得方向角度θ。
7.根据权利要求6所述的商标图像检索特征提取方法，其特征在于，所述步骤S3，采用梯度点数目归一化的方法，梯度方向直方图Hist＝[h0,h1,…,hi]T,归一化直方图为
8.根据权利要求6所述的商标图像检索特征提取方法，其特征在于，所述步骤S3，采用基于面积归一化的方法，梯度方向直方图Hist＝[h0,h1,…,hi]T,滑窗面积为pArea,基于面积归一化的直方图为
9.根据权利要求1至8任一项所述的商标图像检索特征提取方法，其特征在于，所述步骤S1，计算图像像素点的水平梯度和垂直梯度，采用方向模板[-1,0,1],计算规则为[Gh,Gv]＝gradient(F)，
10.根据权利要求9所述的商标图像检索特征提取方法，其特征在于，所述步骤S1之前，加入对图像去噪、滤波的过程；采用自适应阈值技术，优化图像。
CN201810291397.2A 2018-04-03 2018-04-03 一种商标图像检索特征提取方法 Pending CN108875753A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810291397.2A CN108875753A (zh) 2018-04-03 2018-04-03 一种商标图像检索特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810291397.2A CN108875753A (zh) 2018-04-03 2018-04-03 一种商标图像检索特征提取方法

Publications (1)

Publication Number Publication Date
CN108875753A true CN108875753A (zh) 2018-11-23

Family

ID=64326763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810291397.2A Pending CN108875753A (zh) 2018-04-03 2018-04-03 一种商标图像检索特征提取方法

Country Status (1)

Country Link
CN (1) CN108875753A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931794A (zh) * 2020-09-16 2020-11-13 中山大学深圳研究院 一种基于草图的图像匹配方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833647A (zh) * 2009-03-11 2010-09-15 中国科学院自动化研究所 掌纹图像的获取设备及掌纹图像处理方法
CN102799653A (zh) * 2012-06-29 2012-11-28 中国科学院自动化研究所 一种基于空间连通域预定位的商标检测方法
CN102945289A (zh) * 2012-11-30 2013-02-27 苏州搜客信息技术有限公司 基于cgci-sift局部特征的图像检索方法
CN103542981A (zh) * 2013-09-28 2014-01-29 大连理工大学 一种双目视觉测量转动惯量的方法
CN103902976A (zh) * 2014-03-31 2014-07-02 浙江大学 一种基于红外图像的行人检测方法
CN104598924A (zh) * 2015-01-14 2015-05-06 南京邮电大学 一种目标匹配检测方法
CN104778242A (zh) * 2015-04-09 2015-07-15 复旦大学 基于图像动态分割的手绘草图图像检索方法及***
CN105046197A (zh) * 2015-06-11 2015-11-11 西安电子科技大学 基于聚类的多模板行人检测方法
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833647A (zh) * 2009-03-11 2010-09-15 中国科学院自动化研究所 掌纹图像的获取设备及掌纹图像处理方法
CN102799653A (zh) * 2012-06-29 2012-11-28 中国科学院自动化研究所 一种基于空间连通域预定位的商标检测方法
CN102945289A (zh) * 2012-11-30 2013-02-27 苏州搜客信息技术有限公司 基于cgci-sift局部特征的图像检索方法
CN103542981A (zh) * 2013-09-28 2014-01-29 大连理工大学 一种双目视觉测量转动惯量的方法
CN103902976A (zh) * 2014-03-31 2014-07-02 浙江大学 一种基于红外图像的行人检测方法
CN104598924A (zh) * 2015-01-14 2015-05-06 南京邮电大学 一种目标匹配检测方法
CN104778242A (zh) * 2015-04-09 2015-07-15 复旦大学 基于图像动态分割的手绘草图图像检索方法及***
CN105046197A (zh) * 2015-06-11 2015-11-11 西安电子科技大学 基于聚类的多模板行人检测方法
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

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
FENG LIU等: "Trademark image retrieval using hierarchical region feature description", 《2017 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 *
TIEN DUNG NGUYEN等: "Trademark image retrieval based on scale, rotation, translation invariant features", 《THE 2013 RIVF INTERNATIONAL CONFERENCE ON COMPUTING & COMMUNICATION TECHNOLOGIES - RESEARCH, INNOVATION, AND VISION FOR FUTURE (RIVF)》 *
何东健主编: "《数字图像处理》", 28 February 2015, 西安电子科技大学出版社 *
何雪明等主编: "《机械CAD/CAM基础》", 31 August 2008, 华中科技大学出版社 *
杜岭: "基于内容的商标图像检索研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
杨惠: "基于颜色和形状特征的商标检索技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王文峰等主编: "《MATLAB计算机视觉与机器认知》", 31 August 2017, 北京航空航天大学出版社 *
肖志云著: "《小波域数字图像建模及其应用》", 31 March 2014, 北京理工大学出版社 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931794A (zh) * 2020-09-16 2020-11-13 中山大学深圳研究院 一种基于草图的图像匹配方法

Similar Documents

Publication Publication Date Title
Patil et al. Edge based technique to estimate number of clusters in k-means color image segmentation
CN108846401A (zh) 商品检测终端、方法、***以及计算机设备、可读介质
CN108765412A (zh) 一种带钢表面缺陷分类方法
CN104408429A (zh) 一种视频代表帧提取方法及装置
CN104636721B (zh) 一种基于轮廓与边缘纹理特征融合的掌纹识别方法
CN108376232A (zh) 一种用于遥感影像的自动解译的方法与装置
CN105740945A (zh) 一种基于视频分析的人群计数方法
CN109685045A (zh) 一种运动目标视频跟踪方法及***
CN106127735B (zh) 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置
Wu et al. Salient region detection improved by principle component analysis and boundary information
CN101996328A (zh) 一种木材识别方法
CN103871044A (zh) 一种图像签名生成方法和图像验证方法及装置
CN107578011A (zh) 视频关键帧的判定方法及装置
CN111476804A (zh) 托辊图像高效分割方法、装置、设备及存储介质
CN117635615B (zh) 基于深度学习实现冲孔模具的缺陷检测方法及***
CN108875753A (zh) 一种商标图像检索特征提取方法
CN105550646B (zh) 基于对数梯度直方图的广义光照不变人脸特征描述方法
CN104331711B (zh) 基于多尺度模糊测度与半监督学习的sar图像识别方法
CN109948489A (zh) 一种基于视频多帧人脸特征融合的人脸识别***及方法
CN108763265A (zh) 一种基于分块检索的图像识别方法
CN108804499A (zh) 一种商标图像检索方法
CN111951254B (zh) 基于边缘引导加权平均的源相机识别方法及***
CN110162654A (zh) 一种基于融合特征与检索结果优化的现勘图像检索算法
CN114240924A (zh) 一种基于数字化技术的电网设备质量评估方法
CN107613269A (zh) 一种监控效果好的安防监控***

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: 20181123

RJ01 Rejection of invention patent application after publication