CN114494730A - 基于图像识别的商标自动分类处理*** - Google Patents
基于图像识别的商标自动分类处理*** Download PDFInfo
- Publication number
- CN114494730A CN114494730A CN202210393064.7A CN202210393064A CN114494730A CN 114494730 A CN114494730 A CN 114494730A CN 202210393064 A CN202210393064 A CN 202210393064A CN 114494730 A CN114494730 A CN 114494730A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- processed
- processing system
- classification
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像识别技术领域,具体涉及一种基于图像识别的商标自动分类处理***,包括获取模块用于将主体区域中的图像进行目标提取处理,并将提取出的图像作为待处理图像;图像匹配模块用于将所述待处理图像与示例图像进行指定特征区域图像匹配处理;预测模块,根据可见性预测算法预测所述待处理图像的所述预设关键点的可见性;分类模块用于根据预设的图像分类算法确定所述待处理图像关键点的位置及可见性提取局部特征拼接预测对应的分类结果,本发明解决了现有的商标识别***无法对商标进行自动分类的问题。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种基于图像识别的商标自动分类处理***。
背景技术
商标作为一种重要的知识产权,在社会经济发展中发挥着举足轻重的作用。如何快速有效地从海量的商标中检索出近似商标将非常有助于商标审查人和商标所有者的申请人。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。由于官方专利库数字化起步晚,收录的商标图像不齐全。因此,与其他数据集一样,官方商标数据库也存在数据不平衡的问题。如果训练数据不平衡,大多数现有的学习算法会对多数类产生学习偏差,导致少数类识别性能较差。基于内容的图像检索技术是由机器自动提取包含图像内容的可视特征:颜色、纹理、形状、对象的位置和相互关系等,对数据库中图像和查询样本图像在特征空间进行相似匹配,检索出与样本相似的图像。
目前缓解数据不平衡问题的方法可以划分为两大类:欠采样和过采样。然而,对于商标检索这一类任务,务必需要保证数据的真实性;通过捏造合成的操作,即使模型训练得再好,也缺乏现实意义。文字商标管理比较容易,可以用文字注解的方法进行检索。而对于图像商标或者包含图像的组合商标,由于不易通过文本方式进行描述,若采用分类编码的方式,则存在分类耗时、描述主观不全面等缺点,因此基于内容的图像检索技术逐渐被人们所重视。因此,在进行商标检索任务中,构建的训练算法在优化检索性能的同时,应尽量不加重商标数据的不平衡。现有的商标图像数据之间不相似的数据对远大于相似对的数量,所以从商标数据对之间的关系方法来全面地进行学习有着一定的局限性。
发明内容
针对现有技术的不足,本发明公开了一种基于图像识别的商标自动分类处理***,用于解决现有的商标识别***无法对商标进行自动分类的问题;
本发明通过以下技术方案予以实现:
本发明公开了基于图像识别的商标自动分类处理***,包括:
获取模块,用于将主体区域中的图像进行目标提取处理,并将提取出的图像作为待处理图像;
预处理模块,用于通过灰度处理对所述待处理图像进行轮廓描写;
图像匹配模块,用于将所述待处理图像与示例图像进行指定特征区域图像匹配处理;
提取模块,用于确认存在所述指定特征时,对所述待处理图像进行轮廓检测,并根据与所述指定特征对应的参数化表观模型对已检测的区域进行验证,提取与所述指定特征对应的待识别区域;
预测模块,根据可见性预测算法预测所述待处理图像的所述预设关键点的可见性;
分类模块,用于根据预设的图像分类算法确定所述待处理图像关键点的位置及可见性提取局部特征拼接预测对应的分类结果。
更进一步地,所述图像匹配模块3由以下子模块组成,包括:
图像特征提取模块,用于在所述指定特征区域根据预设的主体区域特征参数、所述指定特征区域的坐标及大小,确定包含所述待处理图像的主体部分的主体区域;
相似度计算模块,用于计算所述待处理图像中是否存在与所述指定特征区域对应的待识别区域;
判断模块,用于判断所述待处理图像的图像匹配处理结果。
更进一步地,所述商标自动分类处理***还包括分割模块,所述分割模块用于将所述待处理图像进行超像素分割处理,并确定处理后各超像素块的颜色的平均值。
更进一步地,所述商标自动分类处理***还包括背景色模块,所述背景色模块用于根据所述各超像素块的颜色的平均值确定所述待处理图像的背景色。
更进一步地,所述商标自动分类处理***还包括纯色判断模块,所述纯色判断模块用于确定所述待处理图像的纯色背景分数,并根据所述纯色背景分数判断所述待处理图像是否为纯色背景,所述纯色背景分数为符合所述背景色的颜色阔值的超像素块中所包含的像素数与所述待处理图像的总像素数的比值。
更进一步地,所述判断模块由以下子模块组成,包括:
检测子模块,用于检测所述待处理图像中是否存在与所述指定特征对应的区域;
确认子模块,用于所述检测子模块确认存在与所述指定特征对应的区域时,对所述待处理图像中与所述指定特征对应的区域进行轮廓检测,并根据与所述指定特征对应的参数化表观模型对已检测的区域进行验证,确认所述区域是否为与所述指定特征对应的待识别区域。
更进一步地,所述确认子模块,用于根据相似度匹配检测算法对所述待处理图像中与所述示例图像对应的区域进行检测,并基于分类表观模型对已检测的区域进行验证。
更进一步地, 所述商标自动分类处理***还包括显著性检测模块,所述显著性检测模块用于在不存在所述特征区域时,对所述待处理图像进行显著性检测,并根据检测后所述待处理图像中各像素点的显著性值确定所述待处理图像的主体区域。
更进一步地,所述商标自动分类处理***还包括改进模块,所述改进模块用于对所述待处理图像进行超像素分割处理,并确定处理后各超像素块中所有像素的平均显著性值,依次判断各所述超像素块的平均显著性值是否高于预设的阔值,并在所述超像素块的平均显著性值高于设定阔值时更新所述主体区域。
更进一步地,所述分类模块标记所述待处理图像所属的分类类别后,根据实际需求设置分类标签将图像进行分类;所述分类标签设有对应的全局特征及局部特征类别。
本发明的有益效果为:
1、本发明通过根据待处理图像中是否存在与指定特征对应的特征区域的不同情况,分别采取不同的方式获取待处理图像的主体区域,再主体区域的图像内执行预设的算法,将通过算法对应的图像作为待处理图像的主体部分。 从而在实现了图像主体自动提取的基础上,使提取出的主体精确、可靠,提高了处理效率。
2、本发明通过历史数据积累和用户短期行为向长期行为的转化分析,更加准确的分析提取用户不感兴趣的特征,为后继推荐提供更准确的商标分类依据,更大程度上避免因分类错误造成的内容损失;当用户商标特征更加准确时,对推荐内容的整体点击率会有比较好的提升。
3、本发明解决了目前的商标图像检索研究基本上还停留于实验阶段。克服了现有的检索方法,其在缩放及旋转不变性、对于几何形变的检索能力、检索精度以及图像与人的视觉感受相一致等方面还存在不足,达到更有效的检索方式,综合多种算法满足检索需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为基于图像识别的商标自动分类处理***的***结构示意图;
图中的标号分别代表:1、获取模块;2、预处理模块;3、图像匹配模块;4、图像特征提取模块;5、相似度计算模块;6、判断模块;7、提取模块;8、预测模块;9、分类模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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作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
本实施例提供基于图像识别的商标自动分类处理***,请参阅图1,包括:
获取模块1,用于将主体区域中的图像进行目标提取处理,并将提取出的图像作为待处理图像;
预处理模块2,用于通过灰度处理对所述待处理图像进行轮廓描写;
图像匹配模块3,用于将所述待处理图像与示例图像进行指定特征区域图像匹配处理;
提取模块7,用于确认存在所述指定特征时,对所述待处理图像进行轮廓检测,并根据与所述指定特征对应的参数化表观模型对已检测的区域进行验证,提取与所述指定特征对应的待识别区域;
预测模块8,根据可见性预测算法预测所述待处理图像的所述预设关键点的可见性;
分类模块9,用于根据预设的图像分类算法确定所述待处理图像关键点的位置及可见性提取局部特征拼接预测对应的分类结果。
所述图像匹配模块3由以下子模块组成,包括:
图像特征提取模块4,用于在所述指定特征区域根据预设的主体区域特征参数、所述指定特征区域的坐标及大小,确定包含所述待处理图像的主体部分的主体区域;
相似度计算模块5,用于计算所述待处理图像中是否存在与所述指定特征区域对应的待识别区域;
判断模块6,用于判断所述待处理图像的图像匹配处理结果。
所述商标自动分类处理***还包括分割模块,所述分割模块用于将所述待处理图像进行超像素分割处理,并确定处理后各超像素块的颜色的平均值;所述商标自动分类处理***还包括背景色模块,所述背景色模块用于根据所述各超像素块的颜色的平均值确定所述待处理图像的背景色;所述商标自动分类处理***还包括纯色判断模块,所述纯色判断模块用于确定所述待处理图像的纯色背景分数,并根据所述纯色背景分数判断所述待处理图像是否为纯色背景,所述纯色背景分数为符合所述背景色的颜色阔值的超像素块中所包含的像素数与所述待处理图像的总像素数的比值。
所述分类模块9标记所述待处理图像所属的分类类别后,根据实际需求设置分类标签将图像进行分类;所述分类标签设有对应的全局特征及局部特征类别。
本发明通过根据待处理图像中是否存在与指定特征对应的特征区域的不同情况,分别采取不同的方式获取待处理图像的主体区域,再主体区域的图像内执行预设的算法,将通过算法对应的图像作为待处理图像的主体部分。 从而在实现了图像主体自动提取的基础上,使提取出的主体精确、可靠,提高了处理效率。
本发明通过历史数据积累和用户短期行为向长期行为的转化分析,更加准确的分析提取用户不感兴趣的特征,为后继推荐提供更准确的商标分类依据,更大程度上避免因分类错误造成的内容损失;当用户商标特征更加准确时,对推荐内容的整体点击率会有比较好的提升。
本发明解决了目前的商标图像检索研究基本上还停留于实验阶段。克服了现有的检索方法,其在缩放及旋转不变性、对于几何形变的检索能力、检索精度以及图像与人的视觉感受相一致等方面还存在不足,达到更有效的检索方式,综合多种算法满足检索需求。
实施例2
在具体实施层面,在实施例1的基础上,本实施例参照图1所示对实施例1中电网安全实时检测***做进一步具体说明,所述判断模块6由以下子模块组成,包括:
检测子模块,用于检测所述待处理图像中是否存在与所述指定特征对应的区域;
确认子模块,用于所述检测子模块确认存在与所述指定特征对应的区域时,对所述待处理图像中与所述指定特征对应的区域进行轮廓检测,并根据与所述指定特征对应的参数化表观模型对已检测的区域进行验证,确认所述区域是否为与所述指定特征对应的待识别区域。
所述确认子模块,用于根据相似度匹配检测算法对所述待处理图像中与所述示例图像对应的区域进行检测,并基于分类表观模型对已检测的区域进行验证。
本发明通过根据待处理图像中是否存在与指定特征对应的特征区域的不同情况,分别采取不同的方式获取待处理图像的主体区域,再主体区域的图像内执行预设的算法,将通过算法对应的图像作为待处理图像的主体部分。 从而在实现了图像主体自动提取的基础上,使提取出的主体精确、可靠,提高了处理效率。
本发明通过历史数据积累和用户短期行为向长期行为的转化分析,更加准确的分析提取用户不感兴趣的特征,为后继推荐提供更准确的商标分类依据,更大程度上避免因分类错误造成的内容损失;当用户商标特征更加准确时,对推荐内容的整体点击率会有比较好的提升。
本发明解决了目前的商标图像检索研究基本上还停留于实验阶段。克服了现有的检索方法,其在缩放及旋转不变性、对于几何形变的检索能力、检索精度以及图像与人的视觉感受相一致等方面还存在不足,达到更有效的检索方式,综合多种算法满足检索需求。
实施例3
在具体实施层面,在实施例2的基础上,本实施例参照图1所示对实施例2中电网安全实时检测***做进一步具体说明,所述商标自动分类处理***还包括显著性检测模块,所述显著性检测模块用于在不存在所述特征区域时,对所述待处理图像进行显著性检测,并根据检测后所述待处理图像中各像素点的显著性值确定所述待处理图像的主体区域。
所述商标自动分类处理***还包括,所述改进模块用于对所述待处理图像进行超像素分割处理,并确定处理后各超像素块中所有像素的平均显著性值,依次判断各所述超像素块的平均显著性值是否高于预设的阔值,并在所述超像素块的平均显著性值高于设定阔值时更新所述主体区域。
所述显著性检测模块,具体用于对由所述显著性值所构成的显著性图进行二值化处理,对二值化处理后的图像中的较小的色块进行清除处理,查找清除处理后的图像中色块的轮廓线,并使用多边形近似各所述色块的轮廓线,利用矩形包 围各所述多边形,作为所述主体区域。
本发明通过根据待处理图像中是否存在与指定特征对应的特征区域的不同情况,分别采取不同的方式获取待处理图像的主体区域,再主体区域的图像内执行预设的算法,将通过算法对应的图像作为待处理图像的主体部分。 从而在实现了图像主体自动提取的基础上,使提取出的主体精确、可靠,提高了处理效率。
本发明通过历史数据积累和用户短期行为向长期行为的转化分析,更加准确的分析提取用户不感兴趣的特征,为后继推荐提供更准确的商标分类依据,更大程度上避免因分类错误造成的内容损失;当用户商标特征更加准确时,对推荐内容的整体点击率会有比较好的提升。
本发明解决了目前的商标图像检索研究基本上还停留于实验阶段。克服了现有的检索方法,其在缩放及旋转不变性、对于几何形变的检索能力、检索精度以及图像与人的视觉感受相一致等方面还存在不足,达到更有效的检索方式,综合多种算法满足检索需求。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.基于图像识别的商标自动分类处理***,其特征在于,包括:
获取模块(1),用于将主体区域中的图像进行目标提取处理,并将提取出的图像作为待处理图像;
预处理模块(2),用于通过灰度处理对所述待处理图像进行轮廓描写;
图像匹配模块(3),用于将所述待处理图像与示例图像进行指定特征区域图像匹配处理;
提取模块(7),用于确认存在所述指定特征时,对所述待处理图像进行轮廓检测,并根据与所述指定特征对应的参数化表观模型对已检测的区域进行验证,提取与所述指定特征对应的待识别区域;
预测模块(8),根据可见性预测算法预测所述待处理图像的预设关键点的可见性;
分类模块(9),用于根据预设的图像分类算法确定所述待处理图像关键点的位置及可见性提取局部特征拼接预测对应的分类结果。
2.根据权利要求1所述的基于图像识别的商标自动分类处理***,其特征在于,所述图像匹配模块(3)由以下子模块组成,包括:
图像特征提取模块(4),用于在所述指定特征区域根据预设的主体区域特征参数、所述指定特征区域的坐标及大小,确定包含所述待处理图像的主体部分的主体区域;
相似度计算模块(5),用于计算所述待处理图像中是否存在与所述指定特征区域对应的待识别区域;
判断模块(6),用于判断所述待处理图像的图像匹配处理结果。
3.根据权利要求1所述的基于图像识别的商标自动分类处理***,其特征在于,所述商标自动分类处理***还包括分割模块,所述分割模块用于将所述待处理图像进行超像素分割处理,并确定处理后各超像素块的颜色的平均值。
4.根据权利要求3所述的基于图像识别的商标自动分类处理***,其特征在于,所述商标自动分类处理***还包括背景色模块,所述背景色模块用于根据所述各超像素块的颜色的平均值确定所述待处理图像的背景色。
5.根据权利要求4所述的基于图像识别的商标自动分类处理***,其特征在于,所述商标自动分类处理***还包括纯色判断模块,所述纯色判断模块用于确定所述待处理图像的纯色背景分数,并根据所述纯色背景分数判断所述待处理图像是否为纯色背景,所述纯色背景分数为符合所述背景色的颜色阔值的超像素块中所包含的像素数与所述待处理图像的总像素数的比值。
6.根据权利要求1所述的基于图像识别的商标自动分类处理***,其特征在于:所述判断模块(6)由以下子模块组成,包括:
检测子模块,用于检测所述待处理图像中是否存在与所述指定特征对应的区域;
确认子模块,用于所述检测子模块确认存在与所述指定特征对应的区域时,对所述待处理图像中与所述指定特征对应的区域进行轮廓检测,并根据与所述指定特征对应的参数化表观模型对已检测的区域进行验证,确认已检测的区域是否为与所述指定特征对应的待识别区域。
7.根据权利要求6所述的基于图像识别的商标自动分类处理***,其特征在于:所述确认子模块,用于根据相似度匹配检测算法对所述待处理图像中与所述示例图像对应的区域进行检测,并基于分类表观模型对已检测的区域进行验证。
8.根据权利要求1所述的基于图像识别的商标自动分类处理***,其特征在于,所述商标自动分类处理***还包括显著性检测模块,所述显著性检测模块用于在不存在所述特征区域时,对所述待处理图像进行显著性检测,并根据检测后所述待处理图像中各像素点的显著性值确定所述待处理图像的主体区域。
9.根据权利要求8所述的基于图像识别的商标自动分类处理***,其特征在于,所述商标自动分类处理***还包括改进模块,所述改进模块用于对所述待处理图像进行超像素分割处理,并确定处理后各超像素块中所有像素的平均显著性值,依次判断各所述超像素块的平均显著性值是否高于预设的阔值,并在所述超像素块的平均显著性值高于设定阔值时更新所述主体区域。
10.根据权利要求1所述的基于图像识别的商标自动分类处理***,其特征在于:所述分类模块(9)标记所述待处理图像所属的分类类别后,根据实际需求设置分类标签将图像进行分类;所述分类标签设有对应的全局特征及局部特征类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210393064.7A CN114494730A (zh) | 2022-04-15 | 2022-04-15 | 基于图像识别的商标自动分类处理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210393064.7A CN114494730A (zh) | 2022-04-15 | 2022-04-15 | 基于图像识别的商标自动分类处理*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114494730A true CN114494730A (zh) | 2022-05-13 |
Family
ID=81489506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210393064.7A Pending CN114494730A (zh) | 2022-04-15 | 2022-04-15 | 基于图像识别的商标自动分类处理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494730A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100450A (zh) * | 2022-08-26 | 2022-09-23 | 北京海上升科技有限公司 | 基于人工智能的智慧交通品牌汽车大数据检测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631455A (zh) * | 2014-10-27 | 2016-06-01 | 阿里巴巴集团控股有限公司 | 一种图像主体提取方法及*** |
CN108038122A (zh) * | 2017-11-03 | 2018-05-15 | 福建师范大学 | 一种商标图像检索的方法 |
CN111091160A (zh) * | 2019-12-27 | 2020-05-01 | 北京蜜莱坞网络科技有限公司 | 一种图像分类方法 |
US20210073521A1 (en) * | 2019-09-10 | 2021-03-11 | Amarjot Singh | Continuously Evolving and Interactive Disguised Face Identification (DFI) with Facial Key Points using ScatterNet Hybrid Deep Learning (SHDL) Network |
-
2022
- 2022-04-15 CN CN202210393064.7A patent/CN114494730A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631455A (zh) * | 2014-10-27 | 2016-06-01 | 阿里巴巴集团控股有限公司 | 一种图像主体提取方法及*** |
CN108038122A (zh) * | 2017-11-03 | 2018-05-15 | 福建师范大学 | 一种商标图像检索的方法 |
US20210073521A1 (en) * | 2019-09-10 | 2021-03-11 | Amarjot Singh | Continuously Evolving and Interactive Disguised Face Identification (DFI) with Facial Key Points using ScatterNet Hybrid Deep Learning (SHDL) Network |
CN111091160A (zh) * | 2019-12-27 | 2020-05-01 | 北京蜜莱坞网络科技有限公司 | 一种图像分类方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100450A (zh) * | 2022-08-26 | 2022-09-23 | 北京海上升科技有限公司 | 基于人工智能的智慧交通品牌汽车大数据检测方法及*** |
CN115100450B (zh) * | 2022-08-26 | 2023-01-06 | 中咨数据有限公司 | 基于人工智能的智慧交通品牌汽车大数据检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107833213B (zh) | 一种基于伪真值自适应法的弱监督物体检测方法 | |
CN107257161B (zh) | 一种基于状态识别算法的变电站刀闸遥控辅助校核方法及*** | |
Xu | Robust traffic sign shape recognition using geometric matching | |
CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
CN105117740B (zh) | 字体识别方法及装置 | |
CN111091124B (zh) | 一种书脊文字识别方法 | |
CN109299307B (zh) | 一种基于结构分析的商标检索预警方法及装置 | |
CN104881668B (zh) | 一种基于代表性局部模式的图像指纹提取方法及*** | |
WO2023035558A1 (zh) | 一种基于锚点切图的图像处理方法、装置、设备和介质 | |
CN114494730A (zh) | 基于图像识别的商标自动分类处理*** | |
CN112926601A (zh) | 基于深度学习的图像识别方法、装置、设备及存储介质 | |
CN114882010A (zh) | 基于图片识别的表面缺陷检测方法 | |
Karaoglu et al. | A novel algorithm for text detection and localization in natural scene images | |
Muzakir et al. | Model for Identification and Prediction of Leaf Patterns: Preliminary Study for Improvement | |
CN108428234B (zh) | 基于图像分割结果评价的交互式分割性能优化方法 | |
CN113723314A (zh) | 一种基于YOLOv3算法的甘蔗茎节识别方法 | |
CN110378337B (zh) | 金属切削刀具图纸标识信息视觉输入方法及*** | |
CN116052110B (zh) | 一种路面标线缺损智能定位方法及*** | |
CN109857897B (zh) | 一种商标图像检索方法、装置、计算机设备及存储介质 | |
CN111079752A (zh) | 识别红外图像中的断路器的方法、装置及可读存储介质 | |
CN114092542A (zh) | 一种基于二维视觉的螺栓测量方法以及*** | |
CN116737982B (zh) | 一种基于数据分析的图片搜索结果智能筛选管理*** | |
JP3514085B2 (ja) | 文字列入力方法及び装置、並びに、文字列入力プログラムを格納した記憶媒体 | |
CN114581651A (zh) | 一种基于ar眼镜的书画关联比对分析方法与*** | |
CN118071831A (zh) | 图像粗定位方法、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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220513 |
|
RJ01 | Rejection of invention patent application after publication |