专利交易市场

本发明公开了一种基于密度峰值聚类特征选择的三维手写字符识别方法。现有的三维手写字符识别方法没有充分考虑冗余特征对字符识别率的影响。本发明如下：一、采集运动指尖的三维坐标并生成离散点集。二、顺序连接离散点生成三维轨迹。三、预处理。四、提取书写方向，曲率，坐标差值三大类特征。五、利用对称不确定性的倒数1/SU衡量特征间的相似性。六、利用密度峰值聚类算法的定义计算局部密度ρ。七、根据密度峰值聚类算法计算与高密度特征的距离。八、计算局部密度。九、将γ按降序排列，选取聚类中心。十、基于十折交叉验证方法和决策树算法模型，得到最终的识别率。本发明可以在特征减少，计算量降低的情况下，识别率还能提高。

本发明涉及埋点采集相关技术领域，具体涉及一种基于日志的iOS应用程序埋点采集方法及装置。本申请提供的基于opencv的机读卡自动评分系统，包括：机读卡描述脚本配置模块，机读卡评分模块；所述机读卡描述脚本用于为用户提供可视化交互界面，供用户通过操作浏览器自定义机读卡描述脚本；所述机读卡评分模块通过qt框架实现对所述机读卡描述脚本进行解析，并对机读卡或者包含机读区域的试卷扫描文件进行机读卡评分。本发明结合opencv实现的机读卡评分系统可以通过操作浏览器实现对机读卡和实体的描述并通过qt框架实现的windows端左面程序进行机读卡的评分。

本发明公开了一种基于VGG16的CNN‑SVM手写签名识别方法，步骤一：标签化处理手写签名图像数据集；步骤二：对数据集依次通过图像灰度化、二值化和尺寸归一化进行预处理；步骤三：采用Kaggle公司的公用数据集ImageNet训练神经网络模型VGG16得到权重集；步骤四：将权重集迁移至CNN并训练，得到初始特征矩阵；步骤五：将初始特征矩阵经过PCA降维后输入SVM进行训练，得到手写签名图像识别结果。本发明基于VGG16改进了CNN‑SVM，有效的提升了手写签名识别效果，增加了图纸签名的使用价值。

本发明公开一种基于椭圆离心率的汉字骨架角点检测方法，基于汉字单像素骨架图像中每个黑色像素的8邻域黑色像素，从汉字单像素骨架图像中提取交叉点；将汉字的骨架从交叉点处截断，得到多个笔画段；将笔画段的两个端点作为椭圆两焦点；遍历笔画段所有黑色像素；将笔画段所有黑色像素分别与椭圆两焦点构成椭圆；筛选获得椭圆离心率最小的椭圆；将小于设定离心率阈值的椭圆离心率最小的椭圆对应的黑色像素，作为拟角点；利用参数方程拟合曲线，设定曲率阈值；筛选曲率大于曲率阈值的拟角点，得到角点。本发明不仅能找到局部特征不明显的角点，还能有效排除特征接近角点的非角点，准确定位角点，从而提高角点检测率。