Xây dựng công cụ hỗ trợ đọc xuất bản phẩm lưu chiểu dựa trên phương pháp đối sánh ảnh tài liệu

AGU International Journal of Sciences – 2019, Vol. 23 (2), 96 - 108 
96 
XÂY DỰNG CÔNG CỤ HỖ TRỢ ĐỌC XUẤT BẢN PHẨM LƯU CHIỂU 
DỰA TRÊN PHƯƠNG PHÁP ĐỐI SÁNH ẢNH TÀI LIỆU 
Phạm Thị Minh Thư1, Lê Việt Phương1 
1Trường Cao đẳng nghề An Giang 
2Sở Thông Tin và Truyền Thông Tỉnh An Giang 
Thông tin chung: 
Ngày nhận bài: 01/10/2018 
Ngày nhận kết quả bình duyệt: 
14/11/2018 
Ngày chấp nhận đăng: 
08/2019 
Title: 
A supportive tool for reading 
depository publications based 
on document image matching 
Keywords: 
Document images matching, 
local feature, DBSCAN, SIFT, 
SURF 
Từ khóa: 
Đối sánh ảnh tài liệu, gom 
cụm DBSCAN, đặc trưng 
SIFT, SURF 
ABSTRACT 
The research was carried out in many stages such as local features 
extraction image, then segmenting the image by DBSCAN algorithm 
(Density-Based Spatial Clustering of Application with Noise), clustering 
local features and comparing each document image area to matching local 
features algorithms (SIFT, SURF). Finally, determining the mismatched 
areas, wrong positions of licensing printing and has been printed document 
images. The propose method is capable to decay document images into each 
separated block (title, image, paragraph, table), do not use machine 
learning and do not need to know the detail layout of document images 
previously; the matching performance is more accurately because of only 
using each decayed image region to matching and detect the differences 
instead of using all document images. The experimental result on 223 
document images were collected at “Read Depositary” part, presented the 
accuracy of the propose method is 91%, also found the difference image 
regions between two document images and found the wrong position about 
layout on two document images. 
TÓM TẮT 
Nghiên cứu được thực hiện qua nhiều công đoạn như rút trích đặc trưng cục 
bộ cho ảnh, sau đó thực hiện phân vùng ảnh với thuật toán DBSCAN 
(Density-Based Spatial Clustering of Application with Noise), gom cụm các 
đặc trưng cục bộ và đối sánh từng vùng ảnh tài liệu với giải thuật đối sánh 
các đặc trưng cục bộ SIFT, SURF. Cuối cùng là xác định được các vùng bị 
sai khác, sai vị trí của ảnh tài liệu xin cấp phép in và ảnh tài liệu đã được in. 
Phương pháp nghiên cứu đưa ra có khả năng phân rã được ảnh tài liệu 
thành từng khối riêng biệt (tiêu đề, hình ảnh, đoạn văn bản, bảng biểu), 
không sử dụng máy học cũng như không cần biết trước bố cục cụ thể của ảnh 
tài liệu; hiệu quả đối sánh ảnh chính xác hơn vì chỉ sử dụng từng vùng ảnh 
đã phân rã để đối sánh và phát hiện sai khác, thay vì sử dụng toàn bộ ảnh để 
đối sánh. Kết quả thực nghiệm trên 223 ảnh tài liệu được thu tập tại bộ phận 
đọc lưu chiểu, cho thấy độ chính xác đạt được của phương pháp đề xuất là 
91%, và đã tìm ra được những vùng ảnh khác nhau trên hai ảnh tài liệu, 
cũng như tìm ra được những vùng bị sai vị trí về bố cục trên hai ảnh tài liệu. 
AGU International Journal of Sciences – 2019, Vol. 23 (2), 96 - 108 
97 
1. GIỚI THIỆU 
Từ nhu cầu thực tế của bộ phận “đọc lưu chiểu” 
tại Sở Thông tin và Truyền thông tỉnh An Giang 
cũng như việc nghiên cứu bài toán đối sánh ảnh 
tài liệu, chúng tôi thực hiện đề tài nghiên cứu và 
xây dựng công cụ thực hiện việc đối sánh hai ảnh 
tài liệu với nhau nhằm phát hiện ra sự khác nhau 
giữa hai trang tài liệu, so sánh cả về mặt nội dung 
và bố cục văn bản. 
Trong hai hướng tiếp cận của bài toán đối sánh 
ảnh về đặc trưng toàn cục (Global feature (Kyrki, 
2002; Lim & Galoogahi, 2010; Raoui, Houssine 
BOUYAKHF, Devy, & Regragui, 2011)) và đặc 
trưng cục bộ (Local feature (Kyrki 2002; Lê Việt 
Phương, 2015; Raoui et al. 2011)). Chúng tôi đi 
sâu nghiên cứu hướng tiếp cận đối sánh ảnh tài 
liệu dựa trên các đặc trưng cục bộ SIFT (Lowe, 
1999; Lê Việt Phương, Nayef, Visani, Ogier, & 
Trần Cao Đệ, 2014). SIFT được nhiều nghiên cứu 
của các nhà khoa học dùng rộng rãi để trích xuất 
và mô tả các điểm đặc trưng do nó có những đặc 
điểm như: Bất biến với độ co, phép quay, một 
phần phép biến đổi affine và mạnh với những thay 
đổi về độ sáng, sự che khuất và nhiễu. Bên cạnh 
đó giải thuật gom cụm DBSCAN (Atrayee Dhua, 
Sarma, Singh, & Roy, 2015; Ester, Xu, Kriegel, & 
Sander, 1996), thực hiện gom cụm các đặc trưng 
cục bộ sẽ được nghiên cứu cho việc phân vùng 
ảnh tài liệu, thành các cụm theo bố cục cụ thể của 
từng đối tượng trong trang ảnh tài liệu, kết quả sẽ 
chia ảnh tài liệu thành nhiều vùng cụ thể theo 
từng đối tượng trong ảnh tài liệu. 
Trong các công trình nghiên cứu về đối sánh ảnh 
với đặc trưng cục bộ như của tác giả Lê Việt 
Phương với nghiên cứu “Logo detection, 
recognition and spotting in context by matching 
local visual features” (Lê Việt Phương, 2015, tr. 
1) thực hiện việc nhận dạng logo trên ảnh tài liệu. 
Tác giả sử dụng nhiều loại đặc trưng cục bộ khác 
nhau trong mô tả logo, định vị và nhận dạng logo 
trên ảnh tài liệu và kết quả nghiên cứu thể hiện 
đặc trư ... àu vàng); từ đó dẫn đến 
việc định vị vùng ảnh được đối sánh không chính 
xác, cũng như tỉ lệ % xác định vùng ảnh là đúng 
hay sai chưa tốt. Chúng tôi tiến hành lọc các key-
point không thực sự chính xác và xác định vùng 
ảnh của ảnh tài liệu đối sánh trên ảnh được đối 
sánh dựa trên Homography dùng RANSAC(Lê 
Việt Phương, Nayef, Visani, Ogier, & Trần Cao 
Đệ, 2014; Lê Việt Phương, Visani, Trần Cao Đệ, 
& Ogier, 2013; Krishnan & Jawahar 2016; Lê 
Việt Phương, 2015; Lê Việt Phương, Đặng Quốc 
Bảo, & Trần Cao Đệ, 2015). 
AGU International Journal of Sciences – 2019, Vol. 23 (2), 96 - 108 
102 
(a) 
 (b) 
(c) 
(d) 
Hình 6. Ảnh mô tả những cặp key-point được đối sánh sau khi được RANSAC loại bỏ những điểm đặc trưng 
 không thực sự giống nhau. 
Trong thực nghiệm đối sánh ảnh tài liệu đã phát 
hiện ra được những vùng ảnh không giống nhau 
trên hai ảnh tài liệu với một số trường hợp cụ thể, 
khi tỉ lệ phần % key-point nhỏ hơn ngưỡng 𝜔 =
7%. Nếu chọn ngưỡng cao sẽ dẫn đến việc bỏ qua 
những vùng đúng nhưng có tỉ lệ thấp do bố cục 
ảnh phức tạp nhiều ảnh, văn bản hay biểu đồ có 
nhiều key-point tương đồng nhau. Ngược lại, nếu 
chọn ngưỡng quá thấp thì sẽ có nhiều vùng không 
giống nhưng bị nhận lầm là giống nhau dẫn đến 
kết quả đối sánh không cao; do có thể bị phát hiện 
nhầm các vùng ảnh có bố cục phức tạp, hoặc ảnh 
scan bị mờ. Từ đó cho thấy việc chọn ngưỡng cao 
sẽ hạn chế được lỗi phát hiện nhầm nhưng cũng sẽ 
AGU International Journal of Sciences – 2019, Vol. 23 (2), 96 - 108 
103 
loại bỏ những vùng đúng có tỉ lệ thấp như hình 
6(a). 
Để khắc phục nhược điểm này, chúng tôi đề xuất 
giải pháp cải tiến nâng cao tỉ lệ bằng cách cố gắng 
tìm kiếm thêm các cặp key-point đúng. Để tìm 
kiếm thêm các cặp key-point đúng, chúng tôi tiến 
hành thực nghiệm đối sánh ảnh tài liệu lần 2 
nhưng chỉ với các key-point nằm trong vùng đã 
xác định của ảnh được đối sánh (Lê Việt Phương 
& Trần Cao Đệ, 2015; Lê Việt Phương, Visani, 
Trần Cao Đệ, & Ogier, 2013). Việc này sẽ làm 
tăng tỉ lệ key-point đúng lên cao hơn nếu hai vùng 
ảnh thật sự giống nhau và sẽ không tăng tỉ lệ key-
point đúng (hoặc tăng không đáng kể) nếu hai 
vùng ảnh thật sự khác nhau. Thuật toán được đề 
xuất cho việc lọc các keypoint không chính xác và 
định vị vị trí của phân đoạn ảnh trong ảnh tài liệu 
đối sánh so với ảnh được đối sánh như sau: 
Đối với mỗi ứng viên trong vùng của phân đoạn 
ảnh tài liệu: 
1. Tìm một phép biến đổi H giữa các cặp key-
point được đối sánh trong vùng ứng viên của 
phân đoạn ảnh tài liệu. 
2. Xác định một vùng giới hạn có thể chứa một 
phân đoạn ảnh trong ảnh được đối sánh, nhờ 
vào phép biến đổi H và bốn góc của vùng phân 
đoạn ảnh tài liệu. Trích xuất tất cả các key-
point trong vùng giới hạn này. Tiến hành đối 
sánh lần 2 giữa vùng cần đối sánh với tất cả 
key-point trích xuất này. Khi đó 𝑠𝑖(𝑥𝑖1, 𝑥𝑖2) là 
tọa độ của các điểm key-point được đối sánh 
trong phân đoạn ảnh của ảnh tài liệu đối sánh 
cần được đối sánh, và 𝑡𝑖(𝑦𝑖1, 𝑦𝑖2) là tọa độ của 
các điểm key-point được đối sánh trong hình 
ảnh được đối sánh. 
3. Ước lượng lại phép biến đổi H bằng cách sử 
dụng tất cả các cặp key-point được đối sánh 
(𝑠𝑖, 𝑡𝑖) trong bước 2. 
4. Lọc các điểm key-point không thật sự chính 
xác: 𝑖𝑓 ‖𝑡𝑖 − 𝐻(𝑠𝑖)‖ ≥ 𝜃 thì loại số key-point 
được đối sánh không thực sự chính xác. 
5. Xác định lại vị trí phân đoạn ảnh tài liệu được 
ước tính dựa trên bốn góc và phép biến đổi H. 
6. Cuối cùng, xác định tỉ lệ % của số key-point 
được đối sánh và số key-point của phân đoạn 
ảnh trên ảnh tài liệu đối sánh để xác định được 
là phân đoạn ảnh có giống hay khác trên ảnh 
được đối sánh với ngưỡng tỉ lệ cho trước. 
Trong kết quả trình bày của hình 7 sau khi thực 
hiện tính số key-point của vùng được đối sánh và 
thực hiện đối sánh lần 2 thì kết quả tỉ lệ % đã lớn 
hơn ngưỡng 7%. Do đó, thay vì bị kết luận là sai 
như trường hợp trong hình 7(a), sau khi thực hiện 
đối sánh theo thuật giải đã cải tiến thì kết quả đã 
được ghi nhận là đúng như hình 7(b). Và so với 
kết quả quan sát thực tế là các vùng ảnh là đúng. 
(a) (b) 
Hình 7. Kết quả đối sánh vùng ảnh với tỉ lệ là 6.8% (a) và kết quả đối sánh sau cải tiến là 14.43% 
2.7 Xác định vùng ảnh tài liệu bị sai vị trí 
Kết thúc quá trình đối sánh, chúng tôi xác định 
được những đối tượng tồn tại (hoặc không tồn tại) 
và vị trí của nó trong ảnh được đối sánh. Tuy 
nhiên, theo nhu cầu thực tế bài toán đặt ra là cần 
phải kiểm tra vị trí xuất hiện của đối tượng có 
đúng vị trí tương đối so với ảnh đối sánh hay 
không. Vì vậy mà công việc tiếp theo của nghiên 
cứu là xác định các vùng đã cho là đúng có bị sai 
vị trí về mặt bố cục không. 
AGU International Journal of Sciences – 2019, Vol. 23 (2), 96 - 108 
104 
Để thực hiện, chúng tôi tiến hành so sánh vị trí 
tương đối của tâm của hai vùng ảnh so với biên 
của hai ảnh đã được chuẩn hoá. Hai vùng ảnh 
được cho là không đúng vị trí khi các tọa độ của 
vùng ảnh bị lệch nhau ở một ngưỡng cho trước 
(trong thực nghiệm dùng α=0.05). 
3. KẾT QUẢ VÀ THẢO LUẬN 
Trong phần thực nghiệm, chúng tiến hành cài đặt 
bằng ngôn ngữ Python và sử dụng thư viện mã 
nguồn mở OpenCV của Intel (Bradski & Kaehler, 
2012; Laganière, 2011) thực hiện việc trích đặc 
trưng SIFT (Đặng Quốc Bảo & cs, 2015; Lê Việt 
Phương & Trần Cao Đệ, 2015), SURF(Bay, 
Tuytelaars, & Van Gool, 2006; Đặng Quốc Bảo & 
cs, 2015; Mandle & Pahadiya, 2016) và đối sánh 
các đặc trưng cục bộ. Sử dụng DBSCAN trong 
thư viện sklearn.cluster cho quá trình gom cụm 
các đặc trưng cục bộ. Chúng tôi sử dụng tập dữ 
liệu thực tế từ bộ phận “đọc lưu chiểu” của Sở 
Thông tin và Truyền thông tỉnh An Giang với số 
ảnh tài liệu chạy thực nghiệm là 223 ảnh. 
Sau khi phân rã ảnh với DBSCAN, chúng tôi tiến 
hành bước thứ hai là thực hiện việc tìm từng khối 
ảnh của ảnh thứ nhất trên ảnh thứ hai với việc đối 
sánh các cặp đặc trưng cục bộ được mô tả bởi các 
vector mô tả SIFT. Trong quá trình đối sánh các 
cặp đặc trưng cục bộ để xác định khối ảnh có 
trong ảnh thứ hai không, chúng tôi thực hiện tính 
tỉ lệ giữa số key-point được tìm trên ảnh thứ hai 
và số key-point của ảnh thứ nhất với giá trị 
ngưỡng 𝜔 = 0.07. Nghĩa là nếu số lượng key-
point được tìm thấy trên ảnh thứ hai đạt tỉ lệ là 7% 
trở lên so với số key-point được trích đặc trưng từ 
khối ảnh thứ nhất. Thì xác định là khối ảnh có 
trong ảnh thứ hai và ngược lại thì đánh dấu khối 
ảnh đó không có tại vị trí trên ảnh số hai. 
Như trên hình 8.a thể hiện tỉ lệ đối sánh giữa 
khối ảnh trên ảnh đối sánh và ảnh được đối sánh 
thỏa điều kiện đạt tỉ lệ key-point trên ngưỡng ω =
0.07. Và với hình 8.b thể hiện tỉ lệ số key-point 
không thỏa ngưỡng ω = 0.07. Và cuối cùng ở 
hình 8.c thể hiện kết quả đối sánh giữa hai ảnh tài 
liệu với nhau. 
(a) 
(b) 
AGU International Journal of Sciences – 2019, Vol. 23 (2), 96 - 108 
105 
(c) 
Hình 8. Kết quả đối sánh ảnh tài liệu, xác định được có 3 vùng không giống nhau được vẽ khung màu đỏ và 1 vùng 
sai vị trí được vẽ khung màu vàng 
Trong bảng 1 trình bày kết quả đánh giá độ chính xác của công cụ đối sánh ảnh tài liệu với hai kỹ thuật 
SIFT, SURF. 
Bảng 1. Kết quả đánh giá độ chính xác của công cụ “Đọc lưu chiểu dựa trên phương pháp đối sánh 
ảnh tài liệu” 
Từ kết quả độ chính xác của công cụ đối sánh ảnh 
tài liệu, cho thấy cả hai giá trị precision và recall 
đều cao, từ đó kết quả đối sánh ảnh tài liệu với 
phương pháp đối sánh các điểm đặc trưng cục bộ 
SIFT, SURF mang lại kết quả cao trong phạm vi 
của tập dữ liệu thực nghiệm. 
Tuy nhiên bên cạnh đó công cụ vẫn chưa thể hỗ 
trợ chính xác tuyệt đối cho việc tìm ra hết các 
vùng khác nhau, các vùng sai vị trí. Cũng như 
công cụ vẫn còn phát hiện nhầm các vùng bị sai, 
một phần do chất lượng ảnh tài liệu scan vào 
không tốt như trong hình 9 thể hiện một số trường 
hợp công cụ bị phát hiện nhầm như sau: 
AGU International Journal of Sciences – 2019, Vol. 23 (2), 96 - 108 
106 
(a:Nguyên nhân do bản in và bản xin cấp phép khi scan bị mờ) 
(b: Nguyên nhân ảnh tài liệu khi scan bị mất thông tin thực tế so với bản in ) 
(c: Số lượng keypoint được phát hiện không đủ % ngưỡng xác định là đúng) 
Hình 9. Ảnh bị phát hiện các vùng ảnh bị sai không đúng thực thực tế quan sát. 
AGU International Journal of Sciences – 2019, Vol. 23 (2), 96 - 108 
107 
4. KẾT LUẬN VÀ KHUYẾN NGHỊ 
Bài báo đã trình bày giải pháp đối sánh ảnh tài 
liệu với mục tiêu tìm ra được những vùng không 
giống nhau, sai vị trí trên hai ảnh tài liệu. Với mô 
hình đề xuất đối sánh ảnh tài liệu qua năm giai 
đoạn: (1) Trích đặc trưng cục bộ ảnh tài liệu với 
đặc trưng cục bộ SIFT, SURF; (2) Gom cụm các 
đặc trưng cục bộ với DBSCAN và gom cụm lại 
khi vùng ảnh được gom lớn hơn 1/5 kích thước 
ảnh tài liệu; (3) Đối sánh các đặc trưng cục bộ; (4) 
Định vị và xác định vị trí của vùng đối sánh 
(Homography dùng RANSAC); (5) Xác định 
vùng ảnh sai vị trí với đề xuất xác định tỉ lệ 
khoảng cách từ tâm vùng ảnh đến biên ảnh. Kết 
quả thực nghiệm cho thấy phương pháp đề xuất 
đạt được độ chính xác cao có thể hỗ trợ cho công 
tác đọc lưu chiểu. 
Trong tương lai chúng tôi sẽ ứng dụng kết quả 
nghiên cứu trong các hệ thống văn phòng điện tử 
đáp ứng nhu cầu thực tế như: Xây dựng hệ thống 
đối chiếu văn bản đã phát hành của một cơ quan 
đơn vị, chấm bài thi tin học văn phòng tự động 
qua ảnh kết quả bài thi... Bên cạnh đó, chúng tôi 
tiếp tục nghiên cứu các giải thuật phân vùng và 
đối sánh ảnh tài liệu cũng như việc kết hợp thêm 
các đặc trưng khác về màu sắc, hình dạng, kết 
cấu... với mục tiêu nâng cao khả năng đối sánh 
ảnh tài liệu. 
TÀI LIỆU THAM KHẢO 
Amerini, I., Ballan, L., Caldelli, R., Del Bimbo, 
A., & Serra, G. (2011). A SIFT-based forensic 
method for copy-move attack detection and 
transformation recovery. IEEE Transactions 
on Information Forensics and Security, 6(3 
PART 2), 1099–1110. 
 https://doi.org/10.1109/TIFS.2011.2129512 
Atrayee Dhua, Sarma, D. N., Singh, S., & Roy, B. 
(2015). Segmentation of Images using 
Density-Based Algorithms. International 
Journal of Advanced Research in Computer 
and Communication Engineering, 4 (5), 273–
278. 
https://doi.org/10.17148/IJARCCE.2015.4561 
Augereau, O., Journet, N., & Domenger, J.-P. 
(2013). Semi-structured document image 
matching and recognition, 8658, 865804. 
https://doi.org/10.1117/12.2003911 
Calonder, M., Lepetit, V., Strecha, C., & Fua, P. 
(2010). BRIEF: Binary robust independent 
elementary features. Lecture Notes in 
Computer Science (Including Subseries 
Lecture Notes in Artificial Intelligence and 
Lecture Notes in Bioinformatics), 6314 
LNCS(PART 4), 778–792. 
 https://doi.org/10.1007/978-3-642-15561-1_56 
Đặng Quốc Bảo., Lê Việt Phương., Luqman, M. 
M., Coustaty, M., Trần Cao Đệ., & Ogier, J.-
M. (2015). Camera-based document image 
retrieval system using local features - 
comparing SRIF with LLAH, SIFT, SURF and 
ORB. In 2015 13th International Conference 
on Document Analysis and Recognition 
(ICDAR) (pp. 1211–1215). IEEE. 
https://doi.org/10.1109/ICDAR.2015.7333956 
Edla, D. R., & Jana, P. K. (2012). A Prototype-
Based Modified DBSCAN for Gene 
Clustering. Procedia Technology, 6, 485–492. 
https://doi.org/10.1016/j.protcy.2012.10.058 
Ester, M., Xu, X., Kriegel, H., & Sander, J. 
(1996). Density-based algorithm for 
discovering clusters in large spatial databases 
with noise. Proc. Acm Sigkdd Int. Conf. 
Knowl. Discov. Data Min., pages, 226–231. 
Retrieved from 
1507 
Holzinger, W. E., Löcker, H., & Löcker, B. 
(2008). Fulgoromorpha of Seychelles: A 
preliminary checklist. Bulletin of Insectology, 
61(1), 121–122. 
 https://doi.org/10.1007/11744023_32 
Karami, E., Prasad, S., & Shehata, M. (2015). 
Image Matching Using SIFT , SURF , BRIEF 
and ORB : Performance Comparison for 
Distorted Images Image Matching Using SIFT, 
AGU International Journal of Sciences – 2019, Vol. 23 (2), 96 - 108 
108 
SURF, BRIEF and ORB: Performance 
Comparison for Distorted Images, (February 
2016). 
https://doi.org/10.13140/RG.2.1.1558.3762 
Krishnan, P., & Jawahar, C. V. (2016). Matching 
handwritten document images. Lecture Notes 
in Computer Science (Including Subseries 
Lecture Notes in Artificial Intelligence and 
Lecture Notes in Bioinformatics), 9905 LNCS, 
766–782. 
https://doi.org/10.1007/978-3-319-46448-0_46 
Le Viet Phuong (2015). Logo Detection, 
Recognition and Spotting in Context by 
Matching Local Visual Features, (October). 
Retrieved from 
https://tel.archives-ouvertes.fr/tel-01373417 
Le Viet Phuong., Dang Quoc Bao., & Trần Cao 
Đệ., (2015). Logo Spotting on Document 
Images using Local Features. In Proceedings 
of the Sixth International Symposium on 
Information and Communication Technology - 
SoICT 2015 (pp. 1–8). New York, New York, 
USA: ACM Press. 
 https://doi.org/10.1145/2833258.2833292 
Le Viet Phuong, Nayef, N., Visani, M., Ogier, J. 
M., & Trần Cao Đệ., (2014). Document 
retrieval based on logo spotting using key-
point matching. In Proceedings - International 
Conference on Pattern Recognition (pp. 3056–
3061). IEEE. 
 https://doi.org/10.1109/ICPR.2014.527 
Le Viet Phuong, & Tran Cao De.,(2015). Key-
point matching with post-filter using SIFT and 
BRIEF in logo spotting. In The 2015 IEEE 
RIVF International Conference on Computing 
& Communication Technologies - Research, 
Innovation, and Vision for Future (RIVF) (pp. 
89–93). IEEE. 
 https://doi.org/10.1109/RIVF.2015.7049880 
Le Viet Phuong, Visani, M., Tran, C. De, & 
Ogier, J.-M. (2013). Improving Logo Spotting 
and Matching for Document Categorization by 
a Post-Filter Based on Homography. In 2013 
12th International Conference on Document 
Analysis and Recognition (pp. 270–274). 
IEEE. https://doi.org/10.1109/ICDAR.2013.61 
Lim, K.-L., & Galoogahi, H. K. (2010). Shape 
Classification Using Local and Global 
Features. 2010 Fourth Pacific-Rim Symposium 
on Image and Video Technology, 115–120. 
https://doi.org/10.1109/PSIVT.2010.26 
Lowe, D. G. (1999). Object recognition from local 
scale-invariant features. In Proceedings of the 
Seventh IEEE International Conference on 
Computer Vision (pp.1150–1157, vol.2). 
https://doi.org/10.1109/ICCV.1999.790410 
Mandle, P., & Pahadiya, B. (2016). An Advanced 
Technique of Image Matching Using SIFT and 
SURF, 5(5), 462–466. 
 https://doi.org/10.17148/IJARCCE.2016.5510
9 
Raoui, Y., Houssine BOUYAKHF, E., Devy, M., 
& Regragui, F. (2011). Global and Local 
Image Descriptors for Content Based Image 
Retrieval and Object Recognition. Applied 
Mathematical Sciences, 5(42), 2109–2136. 
Rusiñol, M., & Lladós, J. (2009). Logo spotting 
by a bag-of-words approach for document 
categorization. Proceedings of the 
International Conference on Document 
Analysis and Recognition, ICDAR, 111–115. 
https://doi.org/10.1109/ICDAR.2009.103