公开(公告)号：CN108320374B

公开(公告)日：2019-12-03

申请号：CN201810129012.2

申请日：2018-02-08

Applicant: 中南大学

Inventor： 任胜兵 ,  沈王博 ,  化刘杰 ,  谢如良

IPC: G07D7/206 ,  G07D7/20 ,  G06K9/62 ,  G07D7/0047

Abstract: 本发明公开一种基于图像指纹的多国纸币冠字号字符识别方法，属于纸币模式识别技术领域。基于多国纸币冠字号字符图片的模板集和样本集，利用感知哈希算法生成训练样本数据，构建基于SVM分类器的分类模型，并利用训练样本数据对分类模型进行训练，利用训练好的分类模型对待处理纸币的冠字号字符图片进行识别。本发明方法将纸币冠字号字符识别过程中的单个特征转换为多个特征，并采用基于SVM分类器的方法进行识别，对样本需求量小，训练速度快，识别速度快，而且具有很好的抗干扰能力，能提高预测时的容错率。

公开(公告)号：CN108198324B

公开(公告)日：2019-11-08

申请号：CN201810130525.5

申请日：2018-02-08

Applicant: 中南大学

Inventor： 任胜兵 ,  化刘杰 ,  沈王博 ,  谢如良

IPC: G07D7/20 ,  G07D7/206 ,  G06K9/62

Abstract: 本发明公开一种基于图像指纹的多国纸币币种识别方法，属于纸币模式识别技术领域。基于多国纸币背景图片的模板集和样本集，利用感知哈希算法生成训练样本数据，构建基于SVM分类器的分类模型，并利用训练样本数据对分类模型进行训练，利用训练好的分类模型对待处理纸币图片进行预测，识别币种。本发明方法将纸币识别过程中的单个特征转换为多个特征，并采用基于SVM分类器的方法进行识别，对样本需求量小，训练速度快，识别速度快，而且具有很好的抗干扰能力，能提高预测时的容错率。

公开(公告)号：CN109871855A

公开(公告)日：2019-06-11

申请号：CN201910139959.6

申请日：2019-02-26

Applicant: 中南大学

Inventor： 任胜兵 ,  沈王博 ,  李游

IPC: G06K9/46 ,  G06K9/48 ,  G06K9/62 ,  G06N3/04

Abstract: 深度多核学习(DMKL)方法与浅层多核学习相比，效率和有效性更高，引起了广泛的关注。然而，现有的DMKL体系结构泛化性较差，很难依据样本数据训练找到合适的参数。本发明提出了一种自适应深度多核学习(SA-DMKL)的结构，这种结构能够自适应、自生长并具有弹性。通过Rademacher混沌复杂度，可以根据不同的数据集和数据空间，筛选每层基核函数，改变每层基核函数数量。用本发明方法对UCI鸢尾花数据集数据集、乳腺癌数据集和Caltech256图像数据集验证，与其他方法相比，有更高的有效性。

公开(公告)号：CN108320374A

公开(公告)日：2018-07-24

申请号：CN201810129012.2

申请日：2018-02-08

Applicant: 中南大学

Inventor： 任胜兵 ,  沈王博 ,  化刘杰 ,  谢如良

IPC: G07D7/206 ,  G07D7/20 ,  G06K9/62 ,  G07D7/0047

Abstract: 本发明公开一种基于图像指纹的多国纸币冠字号字符识别方法，属于纸币模式识别技术领域。基于多国纸币冠字号字符图片的模板集和样本集，利用感知哈希算法生成训练样本数据，构建基于SVM分类器的分类模型，并利用训练样本数据对分类模型进行训练，利用训练好的分类模型对待处理纸币的冠字号字符图片进行识别。本发明方法将纸币冠字号字符识别过程中的单个特征转换为多个特征，并采用基于SVM分类器的方法进行识别，对样本需求量小，训练速度快，识别速度快，而且具有很好的抗干扰能力，能提高预测时的容错率。

公开(公告)号：CN108198324A

公开(公告)日：2018-06-22

申请号：CN201810130525.5

申请日：2018-02-08

Applicant: 中南大学

Inventor： 任胜兵 ,  化刘杰 ,  沈王博 ,  谢如良

IPC: G07D7/20 ,  G07D7/206 ,  G06K9/62

Abstract: 本发明公开一种基于图像指纹的多国纸币币种识别方法，属于纸币模式识别技术领域。基于多国纸币背景图片的模板集和样本集，利用感知哈希算法生成训练样本数据，构建基于SVM分类器的分类模型，并利用训练样本数据对分类模型进行训练，利用训练好的分类模型对待处理纸币图片进行预测，识别币种。本发明方法将纸币识别过程中的单个特征转换为多个特征，并采用基于SVM分类器的方法进行识别，对样本需求量小，训练速度快，识别速度快，而且具有很好的抗干扰能力，能提高预测时的容错率。

公开(公告)号：CN109871855B

公开(公告)日：2022-09-20

申请号：CN201910139959.6

申请日：2019-02-26

Applicant: 中南大学

Inventor： 任胜兵 ,  沈王博 ,  李游

IPC: G06V10/50 ,  G06V10/46 ,  G06V10/764 ,  G06V10/82 ,  G06N3/04

Abstract: 深度多核学习(DMKL)方法与浅层多核学习相比，效率和有效性更高，引起了广泛的关注。然而，现有的DMKL体系结构泛化性较差，很难依据样本数据训练找到合适的参数。本发明提出了一种自适应深度多核学习(SA‑DMKL)的结构，这种结构能够自适应、自生长并具有弹性。通过Rademacher混沌复杂度，可以根据不同的数据集和数据空间，筛选每层基核函数，改变每层基核函数数量。用本发明方法对UCI鸢尾花数据集数据集、乳腺癌数据集和Caltech256图像数据集验证，与其他方法相比，有更高的有效性。