Nothing Special   »   [go: up one dir, main page]

CN110991374B - 一种基于rcnn的指纹奇异点检测方法 - Google Patents

一种基于rcnn的指纹奇异点检测方法 Download PDF

Info

Publication number
CN110991374B
CN110991374B CN201911255304.1A CN201911255304A CN110991374B CN 110991374 B CN110991374 B CN 110991374B CN 201911255304 A CN201911255304 A CN 201911255304A CN 110991374 B CN110991374 B CN 110991374B
Authority
CN
China
Prior art keywords
network
fingerprint
rcnn
singular point
convolution
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
Application number
CN201911255304.1A
Other languages
English (en)
Other versions
CN110991374A (zh
Inventor
漆进
王菁怡
杨轶涵
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201911255304.1A priority Critical patent/CN110991374B/zh
Publication of CN110991374A publication Critical patent/CN110991374A/zh
Application granted granted Critical
Publication of CN110991374B publication Critical patent/CN110991374B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于RCNN的指纹奇异点检测方法，其过程共分为五步：构造数据集、指纹图像增强、指纹图像分割、指纹图像奇异点检测以及准确度检验。相比于传统的指纹奇异点检测方法，该方法创新性的结合了卷积，基于RCNN框架进行检测，具有检测速度快、准确度高、效率高的优势。其中图像增强过程降低了对指纹图像质量的要求，分块网络的运用简化省略了以往处理方法中数据增强的操作。

Description

一种基于RCNN的指纹奇异点检测方法
技术领域
本文涉及一种图像奇异点检测方法，尤其是指纹奇异点检测方法，属于计算机视觉和深度学习的领域。
背景技术
由于其独特性，指纹图像如今被作为身份标识广泛运用于访问许可与犯罪调查等方面，人们可通过判断所使用指纹图像与数据库内图像的一致性，确定某指纹图像的所属者。奇异点，作为指纹图像上的本质全局特征与显著标识，具有不随旋转、形变等变化的特征，适用于指纹检索、指纹分类等各种指纹识别的场景中。
庞加莱指数在指纹奇异点检测中有大量的运用，使用庞加莱指数的方法普遍存在容易受图片噪点影响，在低质量指纹图片上表现较差的问题，且容易造成庞大计算量。现存的奇异点检测方法大多是基于庞加莱指数的提升。如结合庞加莱指数与多尺度检测算法，该方法只需计算可能区域的奇异点，可以有效提高检测速度，但检测准确度并不理想，除此之外，使用零极点模型结合霍夫变换方法的性能也被庞加莱指数的准确度所限制。
深度卷积神经网络如今推动了许多尖端计算机视觉方向的发展，在生物模式识别、视频识别等领域被广泛使用，并且达到了很好的效果。其中的RCNN网络，在目标检测方面有较强的效果，它使用具有较高容量的卷积神经网络，自底而上的传播候选区域，以达到目标定位和分割的目的。对于标签的训练数据比较少的情况，RCNN可以使用训练好的参数作为辅进行微调，能够较好的提升识别效果，除此之外，RCNN采用大量样本下有监督预训练与少量样本下微调相结合的方式，有效解决了小样本难以训练甚至过拟合等问题。
发明内容：
鉴于传统方法存在诸多缺陷，本发明提出一种基于RCNN的指纹奇异点检测方法，其实施流程如图1所示，目的是更高效，更准确地从如图2a所示的指纹图像中，提取到如图2b所示的指纹奇异点，同时能够降低对样本指纹图像质量的要求。
为实现上述目的，本发明在计算机读入原始指纹图像后，进行以下步骤：
步骤一，构造数据集：获取大小为256*320含噪点的指纹原始灰度图像，人工手动进行图像增强，并且标注出groundtruth，将图像进行归一化，同时按照8:2的比例划分训练集和测试集；
步骤二，图像增强：搭建用于图像增强的解编码卷积神经网络，由编码网络和解码网络两个模块组成。使用原始数据集进行训练图像增强网络，并将网络预测输出的256*320的指纹图片进行保存，作为步骤三的输入；
步骤三，图像分割：将增强后的指纹图像按照网格分割为大小为若干41*41的区域，手动标注每个区域所属的类别，并用矩阵表示，作为groundtruth，接着设置概率阈值，用于分类后的结果筛选。使用增强后的图像数据集训练Res-net分类器。针对每个区域的输出结果，保留高于概率阈值的区域，用于奇异点坐标检测；
步骤四，奇异点检测：将步骤三中含奇异点的区域图像作为输入，将归一化后的指纹坐标作为输出，进行FCN的训练，该本质上是对提出的感兴趣区域进行回归；
步骤五，准确度计算：提取步骤四中FCN的预测结果，与真实值进行比较，计算方法预测的准确性。以预测点与真实点之间的欧式距离作为依据，将距离低于阈值的点视为检测成功。
针对步骤一，人工图像增强指运用图像处理技术进行滤波、降噪等操作，标注groundtruth指手动标注出奇异点的位置，并且读取奇异点的坐标，将其保存为csv文件。图像归一化指将所有像素点的灰度值除以255，使其值在[0,1]范围内。
针对步骤二，图像增强网络由编码器网络和解码器网络构成，编码器网络的结构为两个分别由两层相同的卷积层(卷积核为3*3，通道数依次为16和64，步长为1)和一层最大池化层(窗口大小为2*2)模块。编码器网络由两个含一层上采样层(窗口大小为2*2)和相同两层卷积层(卷积核为3*3，通道数依次为64和16，步长为1)的网络模块构成，最后再通过一层卷积核为1*1的卷积层。训练过程中使用均方误差作为损失函数，使用随机梯度下降算法进行参数优化。
针对步骤三，标注各区域类别的矩阵如下所示：
Figure BDA0002310067490000021
其中C为类别矩阵，ci∈{0,1},i＝1,2,3，c1表示该区域内是否含有奇异点，c2表示该区域内是否含有核心点，c3表示该区域内是否含有三角点。概率阈值依据具体数据集而定，一般略小于预测概率的最大值。该步骤中的Res-net具体结构为：一个卷积核为5*5、通道数为16的卷积层，连接一个窗口大小为2*2、通道数为16的下采样层，然后连接卷积核为5*5、通道数为32的卷积层并且延申出至下一卷积层的残差网络，接着是窗口大小为2*2、通道数为64的下采样层，最后是一个卷积核为5*5、通道数为64的卷积层以及全连接层。该网络的训练参数设置同步骤二中的网络。
针对步骤四，训练集为步骤三中高于概率阈值的41*41的区域灰度图片，我们需要通过原始图像标注的坐标来计算该区域内奇异点坐标，并将其归一化，具体步骤如下：
Figure BDA0002310067490000031
Figure BDA0002310067490000032
其中xi为原始坐标，xi'为区域灰度图片内奇异点的坐标，
Figure BDA0002310067490000033
为归一化后的坐标值，
Figure BDA0002310067490000034
n为数据集中指纹图片的。该步骤的FCN由四个相似的模块组成，每个模块由两层卷积层(卷积核为3*3，通道数依次为16、64、128和256)和一层最大池化层(窗口大小为2*2)组成，全连接层的层数为2，结点个数分别为256和2。在该网络中，使用随机梯度下降进行回归，网络通过将均方误差反向传播来学习。由于输入的图片较小，该步骤中CNN能够较为有效地进行学习，使得输出的预测值具有较高的准确度。
针对步骤五，其使用的欧式距离如下所示：
Figure BDA0002310067490000035
其中px,py,gx,gy分别表示预测点的横纵坐标以及真实奇异点的横纵坐标，threshold为阈值。
针对步骤五，其阈值依据图片大小而定，一般为图像规模的十分之一左右，根据图片大小我们取阈值为20个像素点。
附图说明：
图1为本发明一个实施例的流程图
图2a和b分别为对图1实施例的原图和检测结果
具体实施过程：
下面结合流程图以及实施例来对基于RCNN的指纹奇异点检测方法做进一步的说明。
整个方法过程主要分为五步：构造数据集、指纹图像增强、指纹图像分割、奇异点坐标检测以及准确度检测。
步骤一，获取大小为256*320含噪点的指纹原始灰度图像，人工手动进行图像增强，并且标注出groundtruth，将图像进行归一化，同时按照8:2的比例划分训练集和测试集；
步骤二，搭建用于图像增强的解编码卷积神经网络，由编码网络和解码网络两个模块组成。使用原始数据集进行训练图像增强网络，并将网络预测输出的256*320的指纹图像进行保存，作为步骤三的输入；
步骤三，将增强后的指纹图像按照网格分割为大小为41*41的区域，手动标注每个区域所属的类别，并用矩阵表示，接着设置概率阈值，用于筛选分类后的结果。使用增强后的图像数据集训练Res-net分类器，保留高于概率阈值的区域，用于奇异点坐标检测；
步骤四，将步骤三中含奇异点的区域图像作为输入，将归一化后的指纹坐标作为输出，进行FCN的训练；
步骤五，提取步骤四中FCN的预测结果，与真实值进行比较，计算方法预测的准确性。以预测点与真实点之间的欧式距离作为依据，将距离低于阈值的点视为检测成功。
针对步骤一，人工图像增强指运用图像处理技术进行滤波、降噪等操作，标注groundtruth指手动标注出奇异点的位置，并且读取奇异点的坐标，将其保存为csv文件。图像归一化指将所有像素点的灰度值除以255，使其值在[0,1]范围内。
针对步骤二，图像增强网络由编码器网络和解码器网络构成，编码器网络的结构为两个分别由两层相同的卷积层(卷积核为3*3，通道数依次为16和64，步长为1)和一层最大池化层(窗口大小为2*2)模块。编码器网络由两个含一层上采样层(窗口大小为2*2)和相同两层卷积层(卷积核为3*3，通道数依次为64和16，步长为1)的网络模块构成，最后再通过一层卷积核为1*1的卷积层。训练过程中使用均方误差作为损失函数，使用随机梯度下降算法进行参数优化。
针对步骤三，标注各区域类别的矩阵如下所示：
Figure BDA0002310067490000041
其中C为类别矩阵，ci∈{0,1},i＝1,2,3，c1表示该区域内是否含有奇异点，c2表示该区域内是否含有核心点，c3表示该区域内是否含有三角点。概率阈值依据具体数据集而定，一般略小于预测概率的最大值。该步骤中的Res-net具体结构为：一个卷积核为5*5、通道数为16的卷积层，连接一个窗口大小为2*2、通道数为16的下采样层，然后连接卷积核为5*5、通道数为32的卷积层并且延申出至下一卷积层的残差网络，接着是窗口大小为2*2、通道数为64的下采样层，最后是一个卷积核为5*5、通道数为64的卷积层以及全连接层。该网络的训练参数设置同步骤二中的网络。
针对步骤四，训练集为步骤三中高于概率阈值的41*41的区域灰度图片，我们需要通过原始图像标注的坐标来计算该区域内奇异点坐标，并将其归一化，具体步骤如下：
Figure BDA0002310067490000042
Figure BDA0002310067490000051
其中xi为原始坐标，xi'为区域灰度图片内奇异点的坐标，
Figure BDA0002310067490000052
为归一化后的坐标值，
Figure BDA0002310067490000053
n为数据集中指纹图片的。该步骤的FCN由四个相似的模块组成，每个模块由两层卷积层(卷积核为3*3，通道数依次为16、64、128和256)和一层最大池化层(窗口大小为2*2)组成，全连接层的层数为2，结点个数分别为256和2。在该网络中，使用随机梯度下降进行回归，网络通过将均方误差反向传播来学习。由于输入的图片较小，该步骤中CNN能够较为有效地进行学习，使得输出的预测值具有较高的准确度。
针对步骤五，其使用的欧式距离如下所示：
Figure BDA0002310067490000054
其中px,py,gx,gy分别表示预测点的横纵坐标以及真实奇异点的横纵坐标，threshold为阈值。
针对步骤五，其阈值依据图片大小而定，一般为图像规模的十分之一左右，根据图片大小我们取阈值为20个像素点。
本发明的基于RCNN的指纹奇异点检测方法基于RCNN框架以达到检测速度快、准确度高、效率高的优势，图像增强过程降低了对指纹图像质量的要求，分块网络使得该过程无需进行数据增强操作以简化训练过程。
以上对本发明所提供的方法进行了详细介绍，本文中应用了具体个例对发明发原理及实施方法进行了阐述，以上实施例的说明只是用于理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，根据本发明的思想，在具体实施方式及应用范围上均会有改变之处，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种基于RCNN的指纹奇异点检测方法，其特征在于，所述方法包括：
(1)在计算机读取原始指纹图像后构造数据集：获取大小为256*320含噪点的指纹原始灰度图像，首先进行人工图像增强、标注groundtruth，再将图像进行归一化处理，同时按照8:2的比例划分训练集和测试集；
(2)搭建用于图像增强的编解码卷积神经网络，由编码网络和解码网络两个模块组成,使用原始数据集进行训练图像增强网络，并将网络预测输出的256*320的指纹图片进行保存，作为(3)的输入；
(3)将增强后的指纹图像按照网格分割为大小为若干41*41的区域，手动标注每个区域所属的类别，并用矩阵表示，作为groundtruth，再设置概率阈值，用于筛选分类后的结果，使用增强后的图像数据集训练Res-net分类器，针对每个区域的输出结果，保留高于概率阈值的区域，用于步骤(4)；
(4)将步骤(3)中含奇异点的区域图像作为输入，将归一化后的指纹坐标作为输出，进行FCN的训练，该FCN是对提出的感兴趣区域进行回归；
(5)提取步骤(4)中FCN的预测结果，与真实值进行比较，计算方法预测的准确性，以预测点与真实点之间的欧式距离作为依据，将距离低于阈值的点视为检测成功。
2.根据权利要求1所述的基于RCNN的指纹奇异点检测方法，其特征在于：所述步骤(1)一中人工图像增强指运用图像处理技术进行滤波、降噪等操作，标注groundtruth指手动标注出奇异点的位置，并且读取奇异点的坐标，将其保存为csv文件，图像归一化指将所有像素点的灰度值除以255，使其值在[0,1]范围内。
3.根据权利要求1所述的基于RCNN的指纹奇异点检测方法，其特征在于：所述步骤(2)中图像增强网络由编码器网络和解码器网络构成，编码器网络由两个卷积层和一个池化下采样层构成，其中所述两个卷积层的卷积核均为3*3，通道数依次为16和64，步长均为1，所述最大池化下采样层的窗口大小为2*2，解码器网络由一个池化上采样层和两个卷积层构成，其中所述池化上采样层的窗口大小为2*2，所述两个卷积层的卷积核均为3*3，通道数依次为64和16，步长均为1，最后再通过一层卷积核为1*1的卷积层，训练过程中使用均方误差作为损失函数，使用随机梯度下降算法进行参数优化。
4.根据权利要求1所述的基于RCNN的指纹奇异点检测方法，其特征在于：所述步骤(3)中标注各区域类别的矩阵如下所示：
Figure FDA0003919669020000011
其中C为类别矩阵，ci∈{0,1},i＝1,2,3，c1表示该区域内是否含有奇异点，c2表示该区域内是否含有核心点，c3表示该区域内是否含有三角点，概率阈值依据具体数据集而定，本发明取概率阈值为预测概率最大值的0.95倍。
5.根据权利要求1所述的基于RCNN的指纹奇异点检测方法，其特征在于：所述步骤(3)中的Res-net具体结构为：一个卷积核为5*5、通道数为16的卷积层，连接一个窗口大小为2*2、通道数为16的下采样层，然后连接卷积核为5*5、通道数为32的卷积层并且延伸出至下一卷积层的残差网络，接着是窗口大小为2*2、通道数为64的下采样层，最后是一个卷积核为5*5、通道数为64的卷积层以及全连接层，该网络的训练参数设置同步骤(2)中的网络。
6.根据权利要求1所述的基于RCNN的指纹奇异点检测方法，其特征在于：所述步骤(4)中训练集为步骤(3)中高于概率阈值的41*41像素的区域灰度图片，需要通过原始图像标注的坐标来计算该区域内奇异点坐标，并将其归一化，具体步骤如下：
Figure FDA0003919669020000026
Figure FDA0003919669020000021
其中xi为原始坐标，xi′为区域灰度图片内奇异点的坐标，
Figure FDA0003919669020000022
为归一化后的坐标值，
Figure FDA0003919669020000023
Figure FDA0003919669020000024
n为数据集中指纹图片的奇异点数量。
7.根据权利要求1所述的基于RCNN的指纹奇异点检测方法，其特征在于：所述步骤(4)中的FCN由四个相似的模块组成，每个模块由两个卷积层和一个池化下采样层组成，其中所述卷积层的卷积核均为3*3，四个模块的卷积通道数依次为16、64、128和256，所述池化下采样层的窗口大小为2*2，最后全连接层的层数为2，结点个数分别为256和2，在该网络中，使用随机梯度下降进行回归，网络通过将均方误差反向传播来学习。
8.根据权利要求1所述的基于RCNN的指纹奇异点检测方法，其特征在于：所述步骤(5)中所用的欧式距离如下所示：
Figure FDA0003919669020000025
其中px,py,gx,gy分别表示预测点的横纵坐标以及真实奇异点的横纵坐标，threshold为阈值。
9.根据权利要求1所述的基于RCNN的指纹奇异点检测方法，其特征在于：所述步骤(5)中其阈值为20个像素点。
CN201911255304.1A 2019-12-10 2019-12-10 一种基于rcnn的指纹奇异点检测方法 Active CN110991374B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911255304.1A CN110991374B (zh) 2019-12-10 2019-12-10 一种基于rcnn的指纹奇异点检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911255304.1A CN110991374B (zh) 2019-12-10 2019-12-10 一种基于rcnn的指纹奇异点检测方法

Publications (2)

Publication Number Publication Date
CN110991374A CN110991374A (zh) 2020-04-10
CN110991374B true CN110991374B (zh) 2023-04-04

Family

ID=70091666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911255304.1A Active CN110991374B (zh) 2019-12-10 2019-12-10 一种基于rcnn的指纹奇异点检测方法

Country Status (1)

Country Link
CN (1) CN110991374B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818797B (zh) * 2021-01-26 2024-03-01 厦门大学 一种面向在线考试答卷文档图像的一致性检测方法和存储设备
CN113705519B (zh) * 2021-09-03 2024-05-24 杭州乐盯科技有限公司 一种基于神经网络的指纹识别方法
CN115187570B (zh) * 2022-07-27 2023-04-07 北京拙河科技有限公司 一种基于dnn深度神经网络的奇异遍历检索方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017133009A1 (zh) * 2016-02-04 2017-08-10 广州新节奏智能科技有限公司 一种基于卷积神经网络的深度图像人体关节定位方法
WO2017215284A1 (zh) * 2016-06-14 2017-12-21 山东大学 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法
WO2018089210A1 (en) * 2016-11-09 2018-05-17 Konica Minolta Laboratory U.S.A., Inc. System and method of using multi-frame image features for object detection
CN108645498A (zh) * 2018-04-28 2018-10-12 南京航空航天大学 基于相敏光反射和卷积神经网络深度学习的冲击定位方法
WO2018214195A1 (zh) * 2017-05-25 2018-11-29 中国矿业大学 一种基于卷积神经网络的遥感图像桥梁检测方法
CN110472623A (zh) * 2019-06-29 2019-11-19 华为技术有限公司 图像检测方法、设备以及系统

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2375614B1 (en) * 2010-04-09 2014-05-07 Alcatel Lucent Method for broadcasting multimedia content
US10387773B2 (en) * 2014-10-27 2019-08-20 Ebay Inc. Hierarchical deep convolutional neural network for image classification
CN104933722B (zh) * 2015-06-29 2017-07-11 电子科技大学 一种基于Spiking‑卷积神经网络模型的图像边缘检测方法
KR102592076B1 (ko) * 2015-12-14 2023-10-19 삼성전자주식회사 딥러닝 기반 영상 처리 장치 및 방법, 학습 장치
US9904871B2 (en) * 2016-04-14 2018-02-27 Microsoft Technologies Licensing, LLC Deep convolutional neural network prediction of image professionalism
US20170300811A1 (en) * 2016-04-14 2017-10-19 Linkedin Corporation Dynamic loss function based on statistics in loss layer of deep convolutional neural network
US10229347B2 (en) * 2017-05-14 2019-03-12 International Business Machines Corporation Systems and methods for identifying a target object in an image
US11398088B2 (en) * 2018-01-30 2022-07-26 Magical Technologies, Llc Systems, methods and apparatuses to generate a fingerprint of a physical location for placement of virtual objects
CN108509839A (zh) * 2018-02-02 2018-09-07 东华大学 一种基于区域卷积神经网络高效的手势检测识别方法
US11380422B2 (en) * 2018-03-26 2022-07-05 Uchicago Argonne, Llc Identification and assignment of rotational spectra using artificial neural networks
CN108830908A (zh) * 2018-06-15 2018-11-16 天津大学 一种基于人工神经网络的魔方颜色识别方法
CN109214441A (zh) * 2018-08-23 2019-01-15 桂林电子科技大学 一种细粒度车型识别系统及方法
CN109543643B (zh) * 2018-11-30 2022-07-01 电子科技大学 基于一维全卷积神经网络的载波信号检测方法
CN109767423B (zh) * 2018-12-11 2019-12-10 西南交通大学 一种沥青路面图像的裂缝检测方法
CN109815156A (zh) * 2019-02-28 2019-05-28 北京百度网讯科技有限公司 页面中视觉元素的展示测试方法、装置、设备和存储介质
CN109948566B (zh) * 2019-03-26 2023-08-18 江南大学 一种基于权重融合与特征选择的双流人脸反欺诈检测方法
CN110232380B (zh) * 2019-06-13 2021-09-24 应急管理部天津消防研究所 基于Mask R-CNN神经网络的火灾夜间场景复原方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017133009A1 (zh) * 2016-02-04 2017-08-10 广州新节奏智能科技有限公司 一种基于卷积神经网络的深度图像人体关节定位方法
WO2017215284A1 (zh) * 2016-06-14 2017-12-21 山东大学 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法
WO2018089210A1 (en) * 2016-11-09 2018-05-17 Konica Minolta Laboratory U.S.A., Inc. System and method of using multi-frame image features for object detection
WO2018214195A1 (zh) * 2017-05-25 2018-11-29 中国矿业大学 一种基于卷积神经网络的遥感图像桥梁检测方法
CN108645498A (zh) * 2018-04-28 2018-10-12 南京航空航天大学 基于相敏光反射和卷积神经网络深度学习的冲击定位方法
CN110472623A (zh) * 2019-06-29 2019-11-19 华为技术有限公司 图像检测方法、设备以及系统

Also Published As

Publication number Publication date
CN110991374A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN110363182B (zh) 基于深度学习的车道线检测方法
CN110287960B (zh) 自然场景图像中曲线文字的检测识别方法
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN111680614B (zh) 一种基于视频监控中的异常行为检测方法
CN111950453A (zh) 一种基于选择性注意力机制的任意形状文本识别方法
CN113486886B (zh) 一种自然场景下的车牌识别方法和装置
CN110991374B (zh) 一种基于rcnn的指纹奇异点检测方法
CN112307919B (zh) 一种基于改进YOLOv3的单证图像中数字信息区域识别方法
CN109635726B (zh) 一种基于对称式深度网络结合多尺度池化的滑坡识别方法
CN112232371A (zh) 一种基于YOLOv3与文本识别的美式车牌识别方法
CN112270317A (zh) 一种基于深度学习和帧差法的传统数字水表读数识别方法
CN113159215A (zh) 一种基于Faster Rcnn的小目标检测识别方法
CN103679187A (zh) 图像识别方法和系统
CN116469020A (zh) 一种基于多尺度和高斯Wasserstein距离的无人机图像目标检测方法
CN111652273A (zh) 一种基于深度学习的rgb-d图像分类方法
CN113313678A (zh) 一种基于多尺度特征融合的精子形态学自动分析方法
CN116311310A (zh) 一种结合语义分割和序列预测的通用表格识别方法和装置
CN116524189A (zh) 一种基于编解码索引化边缘表征的高分辨率遥感图像语义分割方法
CN116030396A (zh) 一种用于视频结构化提取的精确分割方法
CN111882000A (zh) 一种应用于小样本细粒度学习的网络结构及方法
CN114863189A (zh) 一种基于大数据的图像智能识别方法
CN111881803B (zh) 一种基于改进YOLOv3的畜脸识别方法
CN113569835A (zh) 一种基于目标检测和分割识别的水表数值读取方法
CN109284752A (zh) 一种车辆的快速检测方法
CN108537266A (zh) 一种深度卷积网络的织物纹理疵点分类方法

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