CN109446882A - 基于梯度方向划分的特征量化的车标特征提取和识别方法 - Google Patents
基于梯度方向划分的特征量化的车标特征提取和识别方法 Download PDFInfo
- Publication number
- CN109446882A CN109446882A CN201811032667.4A CN201811032667A CN109446882A CN 109446882 A CN109446882 A CN 109446882A CN 201811032667 A CN201811032667 A CN 201811032667A CN 109446882 A CN109446882 A CN 109446882A
- Authority
- CN
- China
- Prior art keywords
- gradient
- feature
- logo
- matrix
- gradient direction
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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]
-
- 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
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
- G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于梯度方向划分的特征量化的车标特征提取和识别方法,首先对卡口***拍摄的车标图像进行预处理,计算每个像素的梯度大小和方向,将所有像素的梯度信息存入对应的梯度矩阵;预先划分k个梯度方向,统计每个像素周围所有像素对应k个梯度方向的梯度大小,把梯度大小累加放入k个不同的梯度大小矩阵;分别提取k个梯度大小矩阵的LTP特征,将提取到的k个LTP特征拼接,得到原始车标图像的像素特征;通过K‑means将样本中所有的特征进行分类得到离线码本,最后再使用SVM进行车标图像的分类识别。本发明针对卡口图像中的车标识别提出了具体的识别方案,识别的结果正确率很高,可以满足实际智能交通***的需求。
Description
技术领域
本发明涉及目标识别技术领域,尤其涉及一种基于梯度方向划分的特征量化的车标特征提取和识别方法。
背景技术
在计算机视觉应用中,车标识别一直是智能交通***中重要的一部分,其广泛应用于采集车辆信息、交通流量分析、判别违章肇事车辆、规范交通秩序等领域。在智能交通***中,高清卡口***采用先进的光电技术、图像处理技术、模式识别技术对过往的每一辆汽车均拍下车辆的图像。本发明中的车标特征提取和识别方法是针对卡口高清图像,并默认使用已有的车标定位技术找到车标的位置,再对车标图像进行特征提取并识别。
在实际情况中,由于受光照、大小以及方位等因素,很多卡口图像拍摄的并不是理想化的车标图像。我们需要改进车标图像的特征提取方法和分类方法,才能更精确的识别车标。常见的车标识别方法都是以研究特征提取方法为主,包括很多用于人脸识别的特征提取方法也会应用于车标识别,包括基于角点特征、SIFT特征、HOG特征、LBP特征、LQP特征、POEM特征等,大多采用SVM进行分类。
为了在提取更多有效特征的同时,降低大量特征所带来的计算成本,本发明提出了一种基于梯度方向划分的特征量化的车标特征提取和识别方法,梯度方向划分有利于提取更多的有效特征,而特征量化则降低了大量特征带来的计算量,因此能够有效地提高识别率。
发明内容
本发明目的就是为了弥补已有技术的缺陷,提供一种基于梯度方向划分的特征量化的车标特征提取和识别方法。
本发明是通过以下技术方案实现的:
一种基于梯度方向划分的特征量化的车标特征提取和识别方法,包括以下步骤:
(1)提取车标图像的梯度大小和梯度方向信息:
将收集的车标样本分为两类,训练样本和测试样本。对训练样本进行归一化和灰度化处理,计算样本图像中每个像素的梯度大小Gv和梯度方向Go,将梯度大小和梯度方向信息存储到梯度矩阵中。
(2)梯度方向划分和梯度大小矩阵生成:
将梯度方向划分为k个范围,针对每个像素,将其邻域中属于同范围的像素采用一个矩阵(称为梯度大小矩阵)来进行存储。则每个车标样本有k个梯度大小矩阵,然后计算每个车标样本的梯度大小矩阵。
(3)基于梯度大小矩阵进行特征提取:
分别基于k个梯度大小矩阵提取LTP特征,并将每个元素所对应的k个不同方向的LTP特征串联,作为原始图像像素所对应的LTP特征。
(4)特征量化:
针对从训练样本中提取的所有LTP特征,先对其进行筛选,舍弃出现频率过小的特征。然后再用K-means进行聚类,得到N个聚类中心,作为特征码本。
(5)车标的识别:
在车标识别的过程中,用步骤(3)中的方法分别对车标训练集和测试集进行特征提取,用于SVM进行训练和分类。
所述的一种基于梯度方向划分的特征量化的车标特征提取和识别方法,其特征在于:步骤(1)中,梯度大小和梯度方向在梯度矩阵中的存储方式描述为:
首先定义一个具有两种元素的结构体,分别指代步骤(1)中的梯度大小和梯度方向,每个像素对应一个结构体。对于每个计算好梯度大小和方向的结构体,把它们存储在二维数组中。
所述的一种基于梯度方向划分的特征量化的车标特征提取和识别方法,其特征在于:步骤(2)中,梯度方向划分和梯度大小矩阵生成的具体步骤如下:
步骤(1)中计算所得的像素梯度方向范围为0°~180°,将此梯度方向范围均匀划分为k个子范围,每个子范围对应一个矩阵,用于存储梯度大小信息,称为梯度大小矩阵。上述k个子范围依次对应的矩阵为M1、M2、…Mk,矩阵的大小和车标图像分辨率的大小相同。统计每个像素周围邻域像素的梯度大小和梯度方向,对于属于相同梯度方向范围的像素,将其梯度大小累加,累加获得的结果分别存储在M1、M2、…、Mk矩阵中像素所在的位置,最终得到k个不同方向的梯度大小矩阵。
所述的一种基于梯度方向划分的特征量化的车标特征提取和识别方法,其特征在于:步骤(3)中,LTP特征的提取过程为:
选取一个中心值ic,计算其周围R半径邻域的元素值与其的差值,使相对中心值变化在t范围内的邻域编码为1,比ic大于t的编码为2,比ic小于t的编码为0,t为阈值。然后把中心值所有邻域得到的编码按顺序串联在一起得到一个编码序列Pij(i为中心值;j=1,2,3,…,k)。
把k个梯度大小矩阵中每个元素对应的编码序列Pi1、Pi2、Pi3、…、Pik串联在一起,得到原始车标图像对应像素的LTP特征Pi。
所述的一种基于梯度方向划分的特征量化的车标特征提取和识别方法,其特征在于:步骤(4)中,特征量化的过程为:
对基于训练样本提取的所有特征进行筛选,如果其出现频率大于m(m为设定的阈值),则进行保留,如果其出现频率小于等于m,则忽略。对筛选后的特征用K-means进行聚类,迭代若干次,得到N个聚类中心。这N个聚类中心即为所有特征量化得出的特征码本。
所述的一种基于梯度方向划分的特征量化的车标特征提取和识别方法,其特征在于:步骤(5)中,车标的识别过程为:
针对测试样本,把每个车标图像划分为若干个块。在每个块中,对像素进行特征提取,把提取到的特征和特征码本中的聚类特征逐一进行比对,计算与码本中欧氏距离最小的聚类特征,通过投票的方法累加形成N维的特征直方图。将一幅车标图像每个块对应的特征直方图依次拼接,最后得到整个车标图像的特征向量,对其进行训练和分类。
本发明的优点是:
1、在识别方法上:
(1)本发明提出的一种基于梯度方向划分的特征量化的车标特征提取和识别方法能够对车标特征进行更全面的描述。不同于传统的特征描述,本发明通过划分不同的梯度方向范围,合理地结合了梯度和边缘纹理信息,极大地增加了特征描述信息。
(2)本发明中对特征使用的量化方法,使得在增加特征描述信息的同时,又能够高效地降低特征的维度,保留原始图像特征的有效信息。
2、在识别效果上:
本发明提出的基于梯度方向划分的特征量化的车标特征提取和识别方法在卡口车标图像识别中,能够很好的区别不同车标之间的特征信息,具有很高的识别率。
附图说明
图1为本发明方法工作流程图。
图2为特征量化和识别过程图。
具体实施方式
如图1所示,一种基于梯度方向划分的特征提取方法,包括以下步骤:
(1)提取车标图像的梯度大小和梯度方向信息:
将收集的车标样本分为两类,训练样本和测试样本。对训练样本进行归一化和灰度化处理,计算样本图像中每个像素的梯度大小Gv和梯度方向Go,将梯度大小和梯度方向信息存储到梯度矩阵中。
(2)梯度方向划分和梯度大小矩阵生成:
将梯度方向划分为k个范围,针对每个像素,将其邻域中属于同范围的像素采用一个矩阵(称为梯度大小矩阵)来进行存储。则每个车标样本有k个梯度大小矩阵,然后计算每个车标样本的梯度大小矩阵。
(3)基于梯度大小矩阵进行特征提取:
分别基于k个梯度大小矩阵提取LTP特征,并将每个元素所对应的k个不同方向的LTP特征串联,作为原始图像像素所对应的LTP特征。
步骤(1)中,梯度大小和梯度方向在梯度矩阵中的存储方式描述为:
首先定义一个具有两种元素的结构体,分别指代步骤(1)中的梯度大小和梯度方向,每个像素对应一个结构体。对于每个计算好梯度大小和方向的结构体,把它们存储在二维数组中。
步骤(2)中,梯度方向划分和梯度大小矩阵生成的具体步骤如下:
步骤(1)中计算所得的像素梯度方向范围为0°~180°,将此梯度方向范围均匀划分为k个子范围,每个子范围对应一个矩阵,用于存储梯度大小信息,称为梯度大小矩阵。上述k个子范围依次对应的矩阵为M1、M2、…Mk,矩阵的大小和车标图像分辨率的大小相同。统计每个像素周围邻域像素的梯度大小和梯度方向,对于属于相同梯度方向范围的像素,将其梯度大小累加,累加获得的结果分别存储在M1、M2、…、Mk矩阵中像素所在的位置,最终得到k个不同方向的梯度大小矩阵。
步骤(3)中,LTP特征的提取过程为:
选取一个中心值ic,计算其周围R半径邻域的元素值与其的差值,使相对中心值变化在t范围内的邻域编码为1,比ic大于t的编码为2,比ic小于t的编码为0,t为阈值。然后把中心值所有邻域得到的编码按顺序串联在一起得到一个编码序列Pij(i为中心值;j=1,2,3,…,k)。
把k个梯度大小矩阵中每个元素对应的编码序列Pi1、Pi2、Pi3、…、Pik串联在一起,得到原始车标图像对应像素的LTP特征Pi。
如图2所示,特征量化和识别包括以下步骤:
(4)特征量化:
针对从训练样本中提取的所有LTP特征,先对其进行筛选,舍弃出现频率过小的特征。然后再用K-means进行聚类,得到N个聚类中心,作为特征码本。
(5)车标的识别:
在车标识别的过程中,用步骤(3)中的方法分别对车标训练集和测试集进行特征提取,用于SVM进行训练和分类。
步骤(4)中,特征量化的过程为:
对基于训练样本提取的所有特征进行筛选,如果其出现频率大于m(m为设定的阈值),则进行保留,如果其出现频率小于等于m,则忽略。对筛选后的特征用K-means进行聚类,迭代若干次,得到N个聚类中心。这N个聚类中心即为所有特征量化得出的特征码本。
步骤(5)中,车标的识别过程为:
针对测试样本,把每个车标图像划分为若干个块。在每个块中,按照权利要求3中的方法对像素进行特征提取,把提取到的特征和特征码本中的聚类特征逐一进行比对,,计算与码本中欧氏距离最小的聚类特征,通过投票的方法累加形成N维的特征直方图。将一幅车标图像每个块对应的特征直方图依次拼接,最后得到整个车标图像的特征向量,对其进行训练和分类。
本发明在进行车标识别时,首先需要从卡口***中获取各种车标的样本,要求每种类型车标的样本数为20张。然后,本方法主要按照以下五个步骤进行:
步骤1:提取车标图像的梯度大小和梯度方向信息:将收集的车标样本分为两类,训练样本和测试样本。对训练样本进行归一化和灰度化处理,计算样本图像中每个像素的梯度大小Gv和梯度方向Go,将梯度大小和梯度方向信息存储到梯度矩阵中;
首先定义一个具有两种元素的结构体,分别指代步骤(1)中的梯度大小和梯度方向,每个像素对应一个结构体。对于每个计算好梯度大小和方向的结构体,把它们存储在二维数组中(数组大小和图像分辨率一样),方便之后的梯度方向划分。
步骤2:
梯度方向划分和梯度大小矩阵生成:将梯度方向划分为k个范围,针对每个像素,将其邻域中属于同范围的像素采用一个矩阵(称为梯度大小矩阵)来进行存储。则每个车标样本有k个梯度大小矩阵,然后计算每个车标样本的梯度大小矩阵。
步骤(1)中计算所得的像素梯度方向范围为0°~180°,将此梯度方向范围均匀划分为k个子范围,每个子范围对应一个矩阵,用于存储梯度大小信息,称为梯度大小矩阵。上述k个子范围依次对应的矩阵为M1、M2、…Mk,矩阵的大小和车标图像分辨率的大小相同。统计每个像素周围邻域像素的梯度大小和梯度方向,对于属于相同梯度方向范围的像素,将其梯度大小累加,累加获得的结果分别存储在M1、M2、…、Mk矩阵中像素所在的位置,最终得到k个不同方向的梯度大小矩阵。
步骤3:
基于梯度大小矩阵进行特征提取:分别基于k个梯度大小矩阵提取LTP特征,并将每个元素所对应的k个不同方向的LTP特征串联,作为原始图像像素所对应的LTP特征。
选取一个中心值ic,计算其周围R半径邻域的元素值与其的差值,使相对中心值变化在t范围内的邻域编码为1,比ic大于t的编码为2,比ic小于t的编码为0,t为阈值。然后把中心值所有邻域得到的编码按顺序串联在一起得到一个编码序列Pij(i为中心值;j=1,2,3,…,k)。
把k个梯度大小矩阵中每个元素对应的编码序列Pi1、Pi2、Pi3、…、Pik串联在一起,得到原始车标图像对应像素的LTP特征Pi。
步骤4:
特征量化:针对从训练样本中提取的所有LTP特征,先对其进行筛选,舍弃出现频率过小的特征。然后再用K-means进行聚类,得到N个聚类中心,作为特征码本。
对基于训练样本提取的所有特征进行筛选,如果其出现频率大于m(m为设定的阈值),则进行保留,如果其出现频率小于等于m,则忽略。对筛选后的特征用K-means进行聚类,迭代若干次,得到N个聚类中心。这N个聚类中心即为所有特征量化得出的特征码本。
步骤5:在车标识别的过程中,用步骤(3)中的方法分别对车标训练集和测试集进行特征提取,用于SVM进行训练和分类。
针对测试样本,把每个车标图像划分为若干个块。在每个块中,按照权利要求3中的方法对像素进行特征提取,把提取到的特征和特征码本中的聚类特征逐一进行比对,,计算与码本中欧氏距离最小的聚类特征,通过投票的方法累加形成N维的特征直方图。将一幅车标图像每个块对应的特征直方图依次拼接,最后得到整个车标图像的特征向量,对其进行训练和分类。
本发明的独特之处体现在:
1.不同于传统的特征描述,本发明通过划分k个不同的梯度方向范围,合理地结合了梯度信息和边缘纹理信息,极大地增加了特征描述信息。
2.本发明中对特征使用的量化方法,使得在增加特征描述信息的同时,又能够高效地降低特征的维度,保留原始图像特征的有效信息。
3.通过实验证明,本发明提出的基于梯度方向划分的特征量化的车标特征提取和识别方法在卡口车标图像识别中,能够很好的区别不同车标之间的特征信息,具有很高的识别率。
综上,本发明提出的一种基于梯度方向划分的特征量化的车标特征提取和识别方法,能够在卡口车标图像识别中起到重要的作用,对实现车标的识别有很大的帮助。
Claims (6)
1.一种基于梯度方向划分的特征量化的车标特征提取和识别方法,其特征在于:包括以下步骤:
(1)提取车标图像的梯度大小和梯度方向信息;
将收集的车标样本分为两类,训练样本和测试样本,对训练样本进行归一化和灰度化处理,计算样本图像中每个像素的梯度大小Gv和梯度方向Go,将梯度大小和梯度方向信息存储到梯度矩阵中;
(2)梯度方向划分和梯度大小矩阵生成;
将梯度方向划分为k个范围,针对每个像素,将其邻域中属于同范围的像素采用一个矩阵来进行存储,则每个车标样本有k个梯度大小矩阵,然后计算每个车标样本的梯度大小矩阵;
(3)基于梯度大小矩阵进行特征提取;
分别基于k个梯度大小矩阵提取LTP特征,并将每个元素所对应的k个不同方向的LTP特征串联,作为原始图像像素所对应的LTP特征;
(4)特征量化;
针对从训练样本中提取的所有LTP特征,先对其进行筛选,舍弃出现频率过小的特征,然后再用K-means进行聚类,得到N个聚类中心,作为特征码本;
(5)车标的识别;
在车标识别的过程中,用步骤(3)中的方法分别对车标训练集和测试集进行特征提取,用于SVM进行训练和分类。
2.根据权利要求1所述的基于梯度方向划分的特征量化的车标特征提取和识别方法,其特征在于:步骤(1)中,梯度大小和梯度方向在梯度矩阵中的存储方式描述为:
首先定义一个具有两种元素的结构体,分别指代步骤(1)中的梯度大小和梯度方向,每个像素对应一个结构体,对于每个计算好梯度大小和方向的结构体,把它们存储在二维数组中。
3.根据权利要求1所述的基于梯度方向划分的特征量化的车标特征提取和识别方法,其特征在于:步骤(2)中,梯度方向划分和梯度大小矩阵生成的具体步骤如下:
步骤(1)中计算所得的像素梯度方向范围为0°~180°,将此梯度方向范围均匀划分为k个子范围,每个子范围对应一个矩阵,用于存储梯度大小信息,称为梯度大小矩阵,上述k个子范围依次对应的矩阵为M1、M2、…Mk,矩阵的大小和车标图像分辨率的大小相同,统计每个像素周围邻域像素的梯度大小和梯度方向,对于属于相同梯度方向范围的像素,将其梯度大小累加,累加获得的结果分别存储在M1、M2、…、Mk矩阵中像素所在的位置,最终得到k个不同方向的梯度大小矩阵。
4.根据权利要求1所述的基于梯度方向划分的特征量化的车标特征提取和识别方法,其特征在于:步骤(3)中,LTP特征的提取过程为:
选取一个中心值ic,计算其周围R半径邻域的元素值与其的差值,使相对中心值变化在t范围内的邻域编码为1,比ic大于t的编码为2,比ic小于t的编码为0,t为阈值,后把中心值所有邻域得到的编码按顺序串联在一起得到一个编码序列Pij(i为中心值;j=1,2,3,…,k);
把k个梯度大小矩阵中每个元素对应的编码序列Pi1、Pi2、Pi3、…、Pik串联在一起,得到原始车标图像对应像素的LTP特征Pi。
5.根据权利要求1所述的基于梯度方向划分的特征量化的车标特征提取和识别方法,其特征在于:步骤(4)中,特征量化的过程为:
对基于训练样本提取的所有特征进行筛选,如果其出现频率大于m,m为设定的阈值,则进行保留,如果其出现频率小于等于m,则忽略,对筛选后的特征用K-means进行聚类,迭代若干次,得到N个聚类中心,这N个聚类中心即为所有特征量化得出的特征码本。
6.根据权利要求3所述的基于梯度方向划分的特征量化的车标特征提取和识别方法,其特征在于:步骤(5)中,车标的识别过程为:
针对测试样本,把每个车标图像划分为若干个块,在每个块中,对像素进行特征提取,把提取到的特征和特征码本中的聚类特征逐一进行比对,计算与码本中欧氏距离最小的聚类特征,通过投票的方法累加形成N维的特征直方图,将一幅车标图像每个块对应的特征直方图依次拼接,最后得到整个车标图像的特征向量,对其进行训练和分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811032667.4A CN109446882B (zh) | 2018-09-05 | 2018-09-05 | 基于梯度方向划分的特征量化的车标特征提取和识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811032667.4A CN109446882B (zh) | 2018-09-05 | 2018-09-05 | 基于梯度方向划分的特征量化的车标特征提取和识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109446882A true CN109446882A (zh) | 2019-03-08 |
CN109446882B CN109446882B (zh) | 2022-03-04 |
Family
ID=65530143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811032667.4A Active CN109446882B (zh) | 2018-09-05 | 2018-09-05 | 基于梯度方向划分的特征量化的车标特征提取和识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109446882B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110795582A (zh) * | 2019-10-31 | 2020-02-14 | 京东方科技集团股份有限公司 | 一种图像推荐方法、***、终端设备及服务器 |
CN111787179A (zh) * | 2020-05-30 | 2020-10-16 | 上海电力大学 | 一种图像哈希获取方法、图像安全认证方法及装置 |
CN111862178A (zh) * | 2020-07-31 | 2020-10-30 | 易思维(杭州)科技有限公司 | 改进的lbp特征提取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8705866B2 (en) * | 2010-12-07 | 2014-04-22 | Sony Corporation | Region description and modeling for image subscene recognition |
CN106156374A (zh) * | 2016-09-13 | 2016-11-23 | 华侨大学 | 一种基于视觉词典优化和查询扩展的图像检索方法 |
CN106650731A (zh) * | 2016-12-23 | 2017-05-10 | 中山大学 | 一种鲁棒的车牌、车标识别方法 |
CN106886599A (zh) * | 2017-02-28 | 2017-06-23 | 北京京东尚科信息技术有限公司 | 图像检索方法以及装置 |
CN108122000A (zh) * | 2017-11-28 | 2018-06-05 | 合肥工业大学 | 一种基于特征学习的车标识别方法 |
-
2018
- 2018-09-05 CN CN201811032667.4A patent/CN109446882B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8705866B2 (en) * | 2010-12-07 | 2014-04-22 | Sony Corporation | Region description and modeling for image subscene recognition |
CN106156374A (zh) * | 2016-09-13 | 2016-11-23 | 华侨大学 | 一种基于视觉词典优化和查询扩展的图像检索方法 |
CN106650731A (zh) * | 2016-12-23 | 2017-05-10 | 中山大学 | 一种鲁棒的车牌、车标识别方法 |
CN106886599A (zh) * | 2017-02-28 | 2017-06-23 | 北京京东尚科信息技术有限公司 | 图像检索方法以及装置 |
CN108122000A (zh) * | 2017-11-28 | 2018-06-05 | 合肥工业大学 | 一种基于特征学习的车标识别方法 |
Non-Patent Citations (1)
Title |
---|
闫向阳: "基于Adaboost和SVM的车标识别方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110795582A (zh) * | 2019-10-31 | 2020-02-14 | 京东方科技集团股份有限公司 | 一种图像推荐方法、***、终端设备及服务器 |
CN111787179A (zh) * | 2020-05-30 | 2020-10-16 | 上海电力大学 | 一种图像哈希获取方法、图像安全认证方法及装置 |
CN111787179B (zh) * | 2020-05-30 | 2022-02-15 | 上海电力大学 | 一种图像哈希获取方法、图像安全认证方法及装置 |
CN111862178A (zh) * | 2020-07-31 | 2020-10-30 | 易思维(杭州)科技有限公司 | 改进的lbp特征提取方法 |
CN111862178B (zh) * | 2020-07-31 | 2022-09-30 | 易思维(杭州)科技有限公司 | 改进的lbp特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109446882B (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109583482B (zh) | 一种基于多特征融合与多核迁移学习的红外人体目标图像识别方法 | |
Latha et al. | Automatic detection of tea leaf diseases using deep convolution neural network | |
CN101398894B (zh) | 机动车车牌自动识别方法及其实现装置 | |
CN103761531B (zh) | 基于形状轮廓特征的稀疏编码车牌字符识别方法 | |
CN102194114B (zh) | 一种基于边缘梯度方向金字塔直方图的虹膜识别方法 | |
CN111814584A (zh) | 基于多中心度量损失的多视角环境下车辆重识别方法 | |
CN104331712B (zh) | 一种藻类细胞图像自动分类方法 | |
CN107103317A (zh) | 基于图像融合和盲反卷积的模糊车牌图像识别算法 | |
CN104598885B (zh) | 街景图像中的文字标牌检测与定位方法 | |
CN108491797A (zh) | 一种基于大数据的车辆图像精确检索方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN111080678B (zh) | 一种基于深度学习的多时相sar图像变化检测方法 | |
CN102332086A (zh) | 一种基于双阈值局部二进制模式的人脸识别方法 | |
CN104091157A (zh) | 一种基于特征融合的行人检测方法 | |
CN108230330B (zh) | 一种快速的高速公路路面分割和摄像机定位的方法 | |
CN104021375A (zh) | 一种基于机器学习的车型识别方法 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN109446882A (zh) | 基于梯度方向划分的特征量化的车标特征提取和识别方法 | |
CN102521561A (zh) | 基于多尺度韦伯局部特征和分层决策融合的人脸识别方法 | |
CN105893971A (zh) | 一种基于Gabor和稀疏表示的交通信号灯识别方法 | |
CN106503748A (zh) | 一种基于s‑sift特征和svm训练器的车型识别算法 | |
CN104751475A (zh) | 一种面向静态图像对象识别的特征点优选匹配方法 | |
CN105825233A (zh) | 一种基于在线学习随机蕨分类器的行人检测方法 | |
CN103186776A (zh) | 基于多特征和深度信息的人体检测方法 |
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 |