CN109313709A - 一种相似度的度量方法、装置及存储装置 - Google Patents

一种相似度的度量方法、装置及存储装置 Download PDF

Info

Publication number
CN109313709A
CN109313709A CN201780036577.XA CN201780036577A CN109313709A CN 109313709 A CN109313709 A CN 109313709A CN 201780036577 A CN201780036577 A CN 201780036577A CN 109313709 A CN109313709 A CN 109313709A
Authority
CN
China
Prior art keywords
feature
difference
similarity
default template
treated
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
CN201780036577.XA
Other languages
English (en)
Inventor
韩琨
阳光
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.)
Shenzhen A&E Intelligent Technology Institute Co Ltd
Original Assignee
Shenzhen A&E Intelligent Technology Institute 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 Shenzhen A&E Intelligent Technology Institute Co Ltd filed Critical Shenzhen A&E Intelligent Technology Institute Co Ltd
Publication of CN109313709A publication Critical patent/CN109313709A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种相似度的度量方法、装置及存储装置，涉及识别技术领域。所述方法包括：获取待识别客体的特征；计算客体特征与预设模板的特征之间的差值，并利用预设策略对所述差值进行处理，以使处理后的差值大于或等于处理前的差值；利用处理后的差值计算客体与预设模板之间的相似度。通过上述方式，本申请能够更准确快速的对待识别客体进行识别分类，提高识别速度和识别率。

Description

一种相似度的度量方法、装置及存储装置
技术领域
本发明涉及识别技术领域，特别是涉及一种相似度的度量方法、装置及具有存储功能的装置。
背景技术
在对一些信息进行识别处理时，通常是通过计算信息中的某些特征，这些特征对不同的目标而言可能具有一定的区分度，然后再将这些特征与预设模板的特征进行比对，以完成对信息的识别分类。例如，在一些简单的分类场景中，我们只需要给定阈值就可以进行识别区分。但是，本申请的发明人在长期的研发过程中，发现这种方法的识别速度和准确率较低，如阈值的给定可能会造成误分类问题，特别是在一些相对复杂的场景中，给定的不同预设模板之间的特征较为相似，容易引起混淆，不仅容易引起识别错误，造成误分类，还会降低识别速率，甚至对一些可能引起混淆的特征不能进行判断。
发明内容
本发明主要解决的技术问题是提供一种相似度的度量方法、装置及具有存储功能的装置，能够提高识别速度和识别率。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种相似度的度量方法，所述方法包括：获取待识别客体的特征；计算客体特征与预设模板的特征之间的差值，并利用预设策略对所述差值进行处理，以使处理后的差值大于或等于处理前的差值；利用处理后的差值计算客体与预设模板之间的相似度。
为解决上述技术问题，本发明采用的另一个技术方案是：提供一种相似度的度量装置，所述装置包括处理器、存储器和通信电路，处理器耦接存储器和通信电路；处理器在工作时，通过通信电路获取待识别客体的特征，随后计算客体特征与预设模板的特征之间的差值，并利用预设策略对所述差值进行处理，以使处理后的差值大于或等于处理前的差值；利用处理后的差值计算客体与预设模板之间的相似度。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种具有存储功能的装置，所述装置存储有程序，所述程序被执行时实现上述的相似度的度量方法。
本发明的有益效果是：区别于现有技术的情况，本申请在对待识别客体与预设模板之间进行相似度度量时，通过特征间的差值进行处理，使处理后的差值大于或等于处理前的差值，能够放大特征之间的差异，从而能够更准确快速的对待识别客体进行识别分类，提高识别速度和识别率。
附图说明
图1是本申请相似度的度量方法第一实施方式的流程示意图；
图2是本申请相似度的度量方法第二实施方式的流程示意图；
图3是UPC-A码中一维码的模板编码方式；
图4是本申请相似度的度量装置第一实施例的结构示意图；
图5是本申请具有存储功能的装置第一实施方式的结构示意图。
具体实施方式
为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。
本申请提供一种相似度的度量方法及装置，至少可以应用于图像识别处理场景中，特别是在给定的多个预设模板之间特征比较相似容易混淆的场景中。通过在计算待识别图像与预设模板之间的相似度时，对特征间的差值进行处理，以放大特征间的差异，从而能够更准确快速的对待识别图像进行识别分类，提高识别速度和识别率。下面具体展开说明：
请参阅图1，图1是本申请相似度的度量方法第一实施方式的流程示意图。如图1所示，在该实施方式中，相似度的度量方法包括：
S101：获取待识别客体的特征。
本步骤中，待识别客体可以是图像，如一维码图像、二维码图像等。所获取的客体特征可以为面积、宽度、周长、密度中的至少一种，这些客体特征对不同的预设模板而言具有一定的区分度，通过对这些客体特征与预设模板特征的比对，能够对该待识别客体进行识别分类。
S102：计算客体特征与预设模板的特征之间的差值，并利用预设策略对所述差值进行处理，以使处理后的差值大于或等于处理前的差值。
具体地，选择与待识别客体相对应的预设模板，将待识别客体与预设模板进行相似度比对，通过计算客体特征与预设模板特征之间的差值，计算待识别客体与预设模板之间的相似度。其中，在计算客体特征与预设模板的特征之间的差值时，利用预设策略对所述差值进行处理，以使处理后的差值大于或等于处理前的差值。通过处理差值，把差值放大，能够扩大特征间的差异，相当于对原有相似度进行了一个惩罚；可以降低客体特征与预设模板特征之间的相似度，达到较好的全局相似性。在对差值进行处理时，可以对所有特征的差值进行处理，也可以只对部分特征的差值进行处理。
其中，客体特征与预设模板特征之间的差异越小说明该客体特征与预设模板特征越相近，则它们之间的相似度就越大，其对应的相似度度量值也越大；相反，客体特征与预设模板特征之间的差异越大说明该客体特征与预设模板特征越疏远，那么它们之间的相似度就越小，其对应的相似度度量值也越小。其中，客体特征与预设模板特征之间的差异可以利用相似系数函数和距离函数等计算。
例如，按照常规距离函数计算出待识别客体中特征A1与预设模板中特征A的距离差值为3，在本申请的相似度的度量方法中，可以对该差值进行翻倍处理，将正常差值的平方作为最后的差值，那么最后的差值就变为9(3的平方)，这样作处理后，客体特征与预设模板特征之间的差异变大，也就更加不相似，更容易区分类似相近的特征。提高识别速度和识别率。
S103：利用处理后的差值计算客体与预设模板之间的相似度。
处理得到特征间的差值后，综合所有特征的差值计算待识别客体与预设模板之间的相似度。
请参阅图2，图2是本申请相似度的度量方法第二实施方式的流程示意图。在该实施方式中，在获取待识别客体的特征后，先对这些客体特征进行聚类，聚类后再进行相似度的度量。通过先对特征进行聚类，能够简化计算步骤，提高识别速度和识别率。如图2所示，在该实施方式中，相似度的度量方法包括：
S201：获取待识别客体的特征。
S202：计算待识别客体特征的度量值，并对所述客体特征进行聚类。
首先计算每个客体特征(例如宽度)的度量值，可以利用二值化算法、Gabor小波变换算法或深度卷积网络算法等计算每个客体特征的度量值。这些特征值可以组合成n维向量，其中n为特征的个数。
得到每个客体特征的度量值后，对所述客体特征进行聚类。根据应用识别环境可以将特征分为两类、四类等。可以利用k-menas聚类算法、大津算法(OSTU)或密度算法对客体特征进行聚类。
S203：计算客体特征与预设模板的特征之间的差值，并利用预设策略对所述差值进行处理，以使处理后的差值大于或等于处理前的差值。
得到特征的分类结果之后，选择与待识别客体相对应的预设模板进行相似度比对，计算客体与预设模板之间的相似度。对于不同的识别场景，计算客体与预设模板之间的相似度的方式不同，对于简单的应用场景可以是简单的距离计算或排序等，也可以利用相似系数函数或距离函数计算待识别客体与预设模板之间的相似度。
其中，在计算特征间的相似度度量值时，如在计算距离差值时，利用预设策略对距离差值进行处理，预设策略可以是计算距离差值的平方值、立方值；将距离差值相加或通过其他公式算法放大该距离差值；以使处理后的距离差值大于或等于处理前的距离差值，放大特征间的差异，降低特征间的相似度。在其他实施方式中，也可以将最后的相似度度量值进行整体处理，即得到整体相似度度量值后，计算整体相似度度量值的平方值、立方值等。
可选地，利用公式计算待识别客体特征与预设模板特征之间的距离差值，其中，d为处理后的总距离差值，M为特征的个数，ri为预设模板中第i个特征的特征值，wi为待识别客体中第i个特征的特征值。其中，该公式适用于客体特征与预设模板特征之间的距离差值大于1的情况，当距离差值大于1时，将距离差值计算平方后，会使该距离差值增大，使特征间的差异变大，相似度变小。
S204：利用处理后的差值计算客体与预设模板之间的相似度。
S205：对客体与预设模板之间的相似度进行相似度排序或排除与客体之间的相似度小于预设阈值的预设模板。
在计算得到客体与预设模板之间的相似度后，可以对所得相似度进行处理，如对相似度从高到低排序，或排除相似度小于预设阈值的预设模板等，其中，可以根据不同的应用场景，预设模板之间的差异大小，适应性设置该预设阈值。如客体与预设模板之间的相似度越高，则说明该客体对象有很大的可能是与预设模板归属于同一类；而客体与预设模板之间的相似度越低，则说明该客体对象可能不属于预设模板的那一类。通过这种方式，能够大大提高识别率，对于特征相对明确的对象，可以直接得到识别结果。
在一个应用场景中，本申请所提供的相似度的度量方法可以应用于识别一维码图像。具体地，
一维码通常由一些宽度不等的黑白条组成，对于简单的商品编码，如UPC-A码，它的每个字符是由两个黑条和两个白条构成的；把宽度最小的黑条或白条的宽度称为模块，那么一个字符的总宽度为7个模块。允许黑条和白条的宽度分别为一个模块的1,2,3,4倍，那么一个字符由四个宽度构成，每个宽度表示为模块宽度的几倍，不同的字符黑白条的宽度组合不同。UPC-A码只支持0-9一共10个数字，每个数字都有不同的宽度编码方式，请参阅图3，图3是UPC-A码中一维码的宽度编码方式，如图3所示，数字0-9的宽度编码方式分别为，数字0:(3,2,1,1)；数字1:(2,2,2,1)；数字2:(2,1,2,2)；数字3:(1,4,1,1)；数字4:(1,1,3,2)；数字5:(1,2,3,1)；数字6:(1,1,1,4)；数字7:(1,3,1,2)；数字8:(1,2,1,3)；数字9:(3,1,1,2)。
对于一副条码图像而言，首先计算简单特征，即宽度。每个黑白条的宽度可以在二值化后进行统计。统计方法是通过简单的统计像素个数就可以得到。
得到宽度值后，可以对宽度进行分类，如上述条码包含4种宽度，那么则对宽度进行分类，可以使用任何分类方法，如简单的使用kmenas进行聚类，将用像素表示的每个黑白条的宽度分为1,2,3,4四个类。
特征分类后，将这些特征与一维码的编码宽度进行对比计算相似度。利用公式(1)对第k个字符宽度与编码宽度的相似度进行惩罚处理：
其中，d为处理后的总差值，为编码k在第i个位置的宽度，为第k个字符的第i根黑白条宽度，M为宽度的个数。差值越大，特征间的差异越大，则相似度越低。该公式适用于某个位置的宽度差大于1的情况，因为宽度差大于1时，计算宽度差的平方能够使该宽度差变大。比如编码宽度中第k个字符的第i根黑白条的宽度要求为2，而计算宽度分类后的结果为4，则不是简单的计算分类偏差为2(4减2)，而是惩罚为4(2乘以2)，也就是说认为宽度相差大于1的情况下，不是该编码的可能性更大。
例如，得到一个字符的宽度分类结果为2,2,2,1，那么与编码字符1的宽度相似度惩罚为0，与其他模板的惩罚则较大，尤其是字符3，6，8，均包含与编码宽度差不止为1的黑条或白条。因而可以得知该字符表示数字0，或者可以排除相似度很低的编码模板(如不是数字3的可能很大)。
得到字符与编码模板之间的相似度后，可以对这些相似度进行处理，如对相似度从高到低排序，排除相似度很低的编码模板等，如这个字符与1或2的编码模板的相似度较高，则该字符可能是数字1或2的概率较大，而这个字符与3或6的编码模板的相似度较低，则该字符是数字3或6的概率较小，能够快速识别字符或排除不相似的编码，提高识别速度和识别率。对UPC-A而言，一共只有10种编码方式，而对于code128而言，不同的宽度编码模板可以上百，使用该方法可以大大排除不相似的编码方式，从而大大提高识别率，对于条码质量较高的图像，可以直接得到识别结果。
请参阅图4，图4是本申请相似度的度量装置第一实施例的结构示意图。本实施例中的相似度的度量装置可以实现上述的相似度的度量方法，该装置包括处理器401、存储器402及通信电路403。处理器401耦接存储器402和通信电路403，处理器401在工作时执行指令，以配合存储器402和通信电路403实现上述相似度的度量方法，具体工作过程与上述方法实施例中一致，故在此不再赘述，详细请参阅以上对应方法步骤的说明。其中，相似度的度量装置可以是条码识别器，图像扫描器等。
请参阅图5，图5是本申请具有存储功能的装置第一实施方式的结构示意图。本实施例中存储装置50存储有程序501，程序501被执行时实现上述相似度的度量方法。具体工作过程与上述方法实施例中一致，故在此不再赘述，详细请参阅以上对应方法步骤的说明。其中具有存储功能的装置可以是便携式存储介质如U盘、光盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟等各种可以存储程序代码的介质，也可以是终端、服务器等。
以上方案，本申请在对待识别客体与预设模板之间进行相似度度量时，通过特征间的差值进行处理，使处理后的差值大于或等于处理前的差值，能够放大特征之间的差异，从而能够更准确快速的对待识别客体进行识别分类，提高识别速度和识别率。
在本申请所提供的几个实施方式中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (19)

1.一种相似度的度量方法，其特征在于，所述方法包括：
获取待识别客体的特征；
计算所述客体特征与预设模板的特征之间的差值，并利用预设策略对所述差值进行处理，以使处理后的差值大于或等于处理前的差值；
利用处理后的差值计算所述客体与所述预设模板之间的相似度。
2.根据权利要求1所述的方法，其特征在于，所述计算客体特征与预设模板的特征之间的差值，利用预设策略对所述差值进行处理，以使处理后的差值大于或等于处理前的差值包括：
利用公式计算所述客体特征与所述预设模板特征之间的差值，其中，d为处理后的总差值，M为特征的个数，ri为预设模板中第i个特征的特征值，wi为待识别客体中第i个特征的特征值，且(ri-wi)大于1。
3.根据权利要求1所述的方法，其特征在于，所述计算客体特征与预设模板的特征之间的差值之前包括：计算所述客体特征的度量值，并对所述客体特征进行聚类。
4.根据权利要求3所述的方法，其特征在于，所述计算客体特征与预设模板的特征之间的差值包括：利用距离函数计算聚类后的所述客体特征与预设模板的特征之间的距离差值。
5.根据权利要求3所述的方法，其特征在于，所述对客体特征进行聚类包括：利用k-menas聚类算法、大津算法或密度算法对所述客体特征进行聚类。
6.根据权利要求3所述的方法，其特征在于，所述计算客体特征的度量值包括：利用二值化算法、Gabor小波变换算法或深度卷积网络计算所述客体特征的度量值。
7.根据权利要求1所述的方法，其特征在于，所述利用处理后的差值计算所述客体与所述预设模板之间的相似度之后包括：
对所述客体与所述预设模板之间的相似度进行相似度排序或排除与所述客体之间的相似度小于预设阈值的预设模板。
8.根据权利要求1所述的方法，其特征在于，所述客体特征为面积、宽度、周长、密度中的至少一种。
9.根据权利要求1所述的方法，其特征在于，所述待识别客体为一维码图像。
10.一种相似度的度量装置，其特征在于，所述装置包括处理器、存储器和通信电路，所述处理器耦接所述存储器和通信电路；
所述处理器在工作时，通过所述通信电路获取待识别客体的特征，随后计算所述客体特征与预设模板的特征之间的差值，并利用预设策略对所述差值进行处理，以使处理后的差值大于或等于处理前的差值；利用处理后的差值计算所述客体与所述预设模板之间的相似度。
11.根据权利要求10所述的装置，其特征在于，所述计算客体特征与预设模板的特征之间的差值，利用预设策略对所述差值进行处理，以使处理后的差值大于或等于处理前的差值包括：
所述处理器在工作时，利用公式计算所述客体特征与所述预设模板特征之间的差值，其中，d为处理后的总差值，M为特征的个数，ri为预设模板中第i个特征的特征值，wi为待识别客体中第i个特征的特征值，且(ri-wi)大于1。
12.根据权利要求10所述的装置，其特征在于，所述计算客体特征与预设模板的特征之间的差值之前包括：
所述处理器在工作时，计算所述客体特征的度量值，并对所述客体特征进行聚类。
13.根据权利要求12所述的装置，其特征在于，所述计算客体特征与预设模板的特征之间的差值包括：
所述处理器在工作时，利用距离函数计算聚类后的所述客体特征与所述预设模板的特征之间的距离差值。
14.根据权利要求12所述的装置，其特征在于，所述对客体特征进行聚类包括：利用k-menas聚类算法、大津算法或密度算法对所述客体特征进行聚类。
15.根据权利要求12所述的装置，其特征在于，所述计算客体特征的度量值包括：利用二值化算法、Gabor小波变换算法或深度卷积网络计算所述客体特征的度量值。
16.根据权利要求10所述的装置，其特征在于，所述利用处理后的差值计算所述客体与所述预设模板之间的相似度之后包括：
所述处理器在工作时，对所述客体与所述预设模板之间的相似度进行相似度排序或排除与所述客体之间的相似度小于预设阈值的预设模板。
17.根据权利要求10所述的装置，其特征在于，所述客体特征为面积、宽度、周长、密度中的至少一种。
18.根据权利要求10所述的装置，其特征在于，所述待识别客体为一维码图像。
19.一种具有存储功能的装置，其特征在于，所述装置存储有程序，所述程序被执行时实现权利要求1至9任一项所述的相似度的度量方法。
CN201780036577.XA 2017-12-29 2017-12-29 一种相似度的度量方法、装置及存储装置 Pending CN109313709A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/120231 WO2019127504A1 (zh) 2017-12-29 2017-12-29 一种相似度的度量方法、装置及存储装置

Publications (1)

Publication Number Publication Date
CN109313709A true CN109313709A (zh) 2019-02-05

Family

ID=65225809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780036577.XA Pending CN109313709A (zh) 2017-12-29 2017-12-29 一种相似度的度量方法、装置及存储装置

Country Status (2)

Country Link
CN (1) CN109313709A (zh)
WO (1) WO2019127504A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117891883B (zh) * 2024-03-14 2024-06-18 山东观和集团有限公司 一种矿产勘查数据优化存储方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101408932A (zh) * 2008-04-11 2009-04-15 浙江师范大学 一种基于指纹结构特征与纹理分析的指纹图像匹配方法
CN101604384A (zh) * 2009-07-17 2009-12-16 周易 个性化指纹识别方法
US20110185234A1 (en) * 2010-01-28 2011-07-28 Ira Cohen System event logs
CN103049750A (zh) * 2013-01-11 2013-04-17 广州广电运通金融电子股份有限公司 字符识别方法
CN103336945A (zh) * 2013-06-10 2013-10-02 黑龙江大学 融合局部特征与全局特征的指静脉识别方法
CN104143086A (zh) * 2014-07-18 2014-11-12 吴建忠 人像比对在移动终端操作***上的应用技术
CN104766343A (zh) * 2015-03-27 2015-07-08 电子科技大学 一种基于稀疏表示的视觉目标跟踪方法
CN104951940A (zh) * 2015-06-05 2015-09-30 西安理工大学 一种基于掌纹识别的移动支付验证方法
CN105787451A (zh) * 2016-02-29 2016-07-20 南京邮电大学 一种基于多判决点模式的指纹匹配方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103426176B (zh) * 2013-08-27 2017-03-01 重庆邮电大学 基于改进直方图和聚类算法的视频镜头检测方法
CN106651777B (zh) * 2015-10-29 2020-07-03 小米科技有限责任公司 图像处理方法及装置、电子设备
CN107203686B (zh) * 2017-03-31 2021-04-20 苏州艾隆信息技术有限公司 药品信息差异处理方法及***

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101408932A (zh) * 2008-04-11 2009-04-15 浙江师范大学 一种基于指纹结构特征与纹理分析的指纹图像匹配方法
CN101604384A (zh) * 2009-07-17 2009-12-16 周易 个性化指纹识别方法
US20110185234A1 (en) * 2010-01-28 2011-07-28 Ira Cohen System event logs
CN103049750A (zh) * 2013-01-11 2013-04-17 广州广电运通金融电子股份有限公司 字符识别方法
CN103336945A (zh) * 2013-06-10 2013-10-02 黑龙江大学 融合局部特征与全局特征的指静脉识别方法
CN104143086A (zh) * 2014-07-18 2014-11-12 吴建忠 人像比对在移动终端操作***上的应用技术
CN104766343A (zh) * 2015-03-27 2015-07-08 电子科技大学 一种基于稀疏表示的视觉目标跟踪方法
CN104951940A (zh) * 2015-06-05 2015-09-30 西安理工大学 一种基于掌纹识别的移动支付验证方法
CN105787451A (zh) * 2016-02-29 2016-07-20 南京邮电大学 一种基于多判决点模式的指纹匹配方法

Also Published As

Publication number Publication date
WO2019127504A1 (zh) 2019-07-04

Similar Documents

Publication Publication Date Title
Shivakumara et al. CNN‐RNN based method for license plate recognition
CN109829398B (zh) 一种基于三维卷积网络的视频中的目标检测方法
US8873856B1 (en) Determining a class associated with an image
CN111832650B (zh) 基于生成对抗网络局部聚合编码半监督的图像分类方法
CN106228129A (zh) 一种基于matv特征的人脸活体检测方法
CN108875727B (zh) 图文标识的检测方法及装置、存储介质、处理器
JP6401648B2 (ja) 欠陥分類装置および欠陥分類方法
CN110223310B (zh) 一种基于深度学习的线结构光中心线和箱体边缘检测方法
CN109583493A (zh) 一种基于深度学习的***检测和数字识别方法
CN109766942A (zh) 一种基于注意力神经网络的小样本学习图像识别方法
US20210327041A1 (en) Image based novelty detection of material samples
CN106295710B (zh) 基于非几何约束的图像局部特征匹配方法、装置及终端
CN112633392A (zh) 一种太赫兹人体安检图像目标检测模型训练数据增广方法
CN110991201B (zh) 条码检测方法及相关装置
CN111444816A (zh) 一种基于Faster RCNN的多尺度密集行人检测方法
CN112241736A (zh) 一种文本检测的方法及装置
CN112070116B (zh) 一种基于支持向量机的艺术画作自动分类***及方法
CN109313709A (zh) 一种相似度的度量方法、装置及存储装置
Yang et al. License plate detection based on sparse auto-encoder
Gad et al. Crowd density estimation using multiple features categories and multiple regression models
Khuspe et al. Robust image forgery localization and recognition in copy-move using bag of features and SVM
JP6151908B2 (ja) 学習装置、識別装置、およびそのプログラム
Sanin et al. K-tangent spaces on Riemannian manifolds for improved pedestrian detection
Khairuddin et al. Using two stage classification for improved tropical wood species recognition system
CN113780335A (zh) 一种小样本商品图像分类方法、装置、设备及存储介质

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
CB02 Change of applicant information

Address after: 518063 23 Floor (Room 2303-2306) of Desai Science and Technology Building, Yuehai Street High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province

Applicant after: SHENZHEN A&E INTELLIGENT TECHNOLOGY INSTITUTE Co.,Ltd.

Address before: 518104 Shajing Industrial Co., Ltd. No. 3 Industrial Zone, Hexiang Road, Shajing Street, Baoan District, Shenzhen City, Guangdong Province

Applicant before: SHENZHEN A&E INTELLIGENT TECHNOLOGY INSTITUTE Co.,Ltd.

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20190205

RJ01 Rejection of invention patent application after publication