CN101425137A - 基于拉普拉斯金字塔的人脸图像融合方法 - Google Patents
基于拉普拉斯金字塔的人脸图像融合方法 Download PDFInfo
- Publication number
- CN101425137A CN101425137A CNA2008102264136A CN200810226413A CN101425137A CN 101425137 A CN101425137 A CN 101425137A CN A2008102264136 A CNA2008102264136 A CN A2008102264136A CN 200810226413 A CN200810226413 A CN 200810226413A CN 101425137 A CN101425137 A CN 101425137A
- Authority
- CN
- China
- Prior art keywords
- image
- facial image
- laplacian pyramid
- images
- pyramid
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 8
- 238000011524 similarity measure Methods 0.000 claims abstract description 3
- 230000001815 facial effect Effects 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 14
- 239000003795 chemical substances by application Substances 0.000 claims description 8
- 239000004744 fabric Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 15
- 230000010354 integration Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种基于拉普拉斯金字塔的人脸图像融合方法,本发明在基于拉普拉斯金字塔分解的基础上,将改进的局部二值模式算子应用于融合规则,对于拉普拉斯金字塔各层的红外和可见光人脸图像,利用图像的平均梯度、图像直方图的标准差和Chi平方统计相似性测度来决定红外和可见光图像各自加权系数的选择,并利用确定的加权系数进行有效融合,从而得到细节信息丰富、清晰稳定、便于人眼观察的融合图像。与可见光图像和近红外图像相比较,本发明提供的融合图像的信息熵更大,平均交叉熵和均方根交叉熵更小,融合图像的效果更明显。
Description
技术领域
本发明涉及一种基于拉普拉斯金字塔的人脸图像融合方法,属于人脸识别技术。
背景技术
在某些情况下,可见光传感器采集的图像会严重受到光照条件的影响,这给图像的进一步处理和分析造成了很大的不便,例如人脸检测和识别。而近红外传感器采集的图像有对光照影响不敏感的优点。因此可以应用多传感器图像融合技术在一定程度上消除光照对于图像的影响。
随着新的图像传感器技术的发展,多传感器图像融合技术也得到了蓬勃的发展。至今为止,出现了许多性能优良的融合技术,如简单加权融合技术,基于主分量分析的融合技术,假彩色融合技术,基于神经网络的融合技术和多分辨率分解融合技术等。其中多分辨率融合技术处于佼佼者的地位。
作为一种新兴的图像处理技术,多传感器图像融合技术涉及了多个领域,例如模式识别,人工智能,图像处理等各个方面。并因为其强大的图像处理功能在遥感,计算机视觉,医学图像处理和军事方面有着广阔的应用前景。虽然利用两幅或多幅图像进行图像融合的技术已经取得显著得成果,但是如何得到更精确、更清晰稳定、带有更多有用信息的图像仍然是多传感器图像融合技术亟待解决的问题。
发明内容
本发明的内容在于建立一种基于拉普拉斯金字塔的人脸图像融合方法,用于获得一幅高清晰度、便于人眼观察、对光照鲁棒性好的图像,为直接应用或者进一步的处理提供优秀的图像源。为了达到上述目的,本发明的技术解决方案提供了一种基于拉普拉斯金字塔的人脸图像融合方法,本发明在基于拉普拉斯金字塔分解的基础上,将改进的局部二值模式(Local Binary Pattern,简称LBP)算子应用于融合规则,从而对红外和可见光人脸图像进行有效融合得到细节信息丰富、清晰稳定、便于人眼观察的融合图像。如图1所示,该方法包含如下步骤:
步骤一:分别用近红外摄像头和可见光摄像头采集近红外人脸图像和可见光人脸图像;
步骤二:拉普拉斯金字塔分解;
将步骤一得到的近红外人脸图像和可见光人脸图像分别进行拉普拉斯金字塔分解;
步骤三:融合近红外人脸图像和可见光人脸图像;
基于局部二值模式,即基于简称为LBP算子的融合规则,将从步骤二中得到的近红外拉普拉斯金字塔人脸图像和可见光拉普拉斯金字塔人脸图像进行融合;
步骤四:逆拉普拉斯金字塔分解;
将从步骤三中得到的融合结果进行逆拉普拉斯金字塔分解,得到融合人脸图像;
步骤五:融合人脸图像输出;
将从步骤四中得到的融合人脸图像输出。
本发明的优点在于:
(1)在基于拉普拉斯金字塔分解基础上,将改进的局部二值模式(Local BinaryPattern,简称LBP)算子应用于融合规则;
(2)对红外和可见光人脸图像进行有效融合可以得到细节信息丰富,清晰稳定,便于人眼观察的融合图像;
(3)与可见光图像和近红外图像相比较,融合图像的信息熵更大,而平均交叉熵和均方根交叉熵更小,融合图像的效果就更明显。
附图说明
图1为本发明基于拉普拉斯金字塔的人脸图像融合方法示意图;
图2为本发明采用的LBP算子的不变一致性模式;
图3为本发明与现有技术的实验效果对比图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细说明。
图1所示为本发明基于拉普拉斯金字塔的人脸图像融合方法示意图,本发明所述方法包含如下步骤:
步骤一:分别用近红外摄像头和可见光摄像头采集近红外人脸图像和可见光人脸图像;
图像采集由一台近红外摄像头、一台可见光摄像头、一块图像采集卡和一台计算机来完成。近红外摄像头和可见光摄像头之间的距离经过调试确定之后,调整目标人物与摄像头之间的距离以获取两张像素上比较相近的图像,达到初步配准两幅图像的目的,之后再通过最大相关性原则对两幅图像进行精确配准并将其归一化为60乘60的大小。
步骤二:拉普拉斯金字塔分解;
将步骤一得到的近红外人脸图像和可见光人脸图像分别进行拉普拉斯金字塔分解,具体过程如下:
首先,构建高斯金字塔,以采集的图像为金字塔的第O层,第l层的图像通过对第l-1层图像进行隔行降采样获得,
0<l≤N,0≤i<Cl,0≤j<Rl
其中,N为金字塔的总层数,Cl和Rl分别代表第l层金字塔的列数和行数,ω(m,n)称为权函数或者生成核,具体采用数值如下:
这个过程称为“REDUCE算子”,记做Gl=REDUCE[Gl-1],由于金字塔各层图像均为低通图像,故称之为“高斯金字塔”。
然后,由高斯金字塔构建拉普拉斯金字塔:
构建的关键步骤是对高斯金字塔的各层图像进行内插放大,该过程称为EXPAND算子,记做 具体计算步骤如下:
最后,拉普拉斯金字塔的第l层图像由Ll=Gl-EXPAND[Gl+1]获得。其中Ll为拉普拉斯金字塔的第l层图像,Gl和Gl+1分别为高斯金字塔第l和l+1层图像。
步骤三:融合近红外人脸图像和可见光人脸图像;
基于局部二值模式,即基于简称为LBP算子的融合规则,将从步骤二中得到的近红外拉普拉斯金字塔人脸图像和可见光拉普拉斯金字塔人脸图像进行融合;
融合方法设计如下:
首先,将要融合的同一层拉普拉斯金字塔图像的对应像素点扩展到5×5的区域,然后用旋转不变性的一致性模式LBP算子对这个区域提取LBP特征,其中上标riu2代表旋转不变的一致性模式,下标8,1代表着以某像素为中心,在半径为1的范围内比较周围8个像素与该中心像素间的关系。算子总共有256个模式,在这256个模式中一共有9类旋转不变的一致性模式,如图2所示。
除了采用图2所示的9个模式外,将其余的247个模式都归到第10类,得到一个1×10维的统计直方图向量,统计直方图向量的元素值代表各个类的总数。由于单纯的LBP值所能携带的信息量有限,并不能充分表达区域特征,因此在LBP值的基础上引入平均梯度的概念 其中gc为中心像素的灰度值,gp为周围像素点的灰度值,将原有的1×10维统计直方图向量扩展到了1×11维统计直方图向量,并设定了一个Salience值 来代表特征,其中AG为平均梯度,SD为图像直方图的标准差。至于两个向量间的匹配度,采用Chi平方统计相似性测度来测量,定义如下:
融合后的图像像素点的灰度值由红外和可见光图像对应像素点的灰度值加权得到F(i,j)=ω1IM1(i,j)+ω2IM2(i,j),其中F(i,j)为融合图像(i,j)点的灰度值,IM1(i,j)和IM2(i,j)分别为近红外和可见光相应像素点的灰度值,ω1和ω2为各自的权值。当M≥0.75时,存在较小的权值 和较大的权值ωmax=1-ωmin,其中a=0.75;其他情况ωmin=0 and ωmax=1。然后比较两个像素点的 值,假设S1为近红外图像的Salience值,S2为可见光图像的Salience值,如果S1≥S2,则ω1=ωmax and ω2=ωmin,反之则ω2=ωmax and ω1=ωmin。遍历所有像素点之后,从而得到融合后的图像。
步骤四:逆拉普拉斯金字塔分解;
将从步骤三中得到的融合结果进行逆拉普拉斯金字塔分解,得到融合人脸图像。
步骤五:融合人脸图像输出;
将从步骤四中得到的融合人脸图像输出。
为了证明本发明所述方法的有效性,将发明所述方法与另外两种方法进行比较,一种是简单的选大方法,即将灰度值较大的像素点选为融合图像的相应像素点,另一种是经典的Burt方法,在Burt的方法中,先计算两幅图像对应的中心像素点3x3区域的局部能量,然后根据局部能量的匹配度来确定加权融合中的权值。并用信息熵,平均交叉熵和均方根交叉熵对三种方法进行定量比较。
如图3结果所示:(A)为可见光图像,(B)为近红外图像,(C)为单纯选大的融合图像,(D)为Burt方法的融合图像,(E)为本发明的方法。
下表1显示了定量比较的结果:
表1
融合方法 | 信息熵 | 平均交叉熵 | 均方根交叉熵 |
选大方法 | 4.7362 | 0.23065 | 0.25941 |
Burt方法 | 4.8497 | 0.21599 | 0.24383 |
本发明方法 | 4.8505 | 0.17476 | 0.22293 |
信息熵越大说明图像携带的有用信息含量就越多,而平均交叉熵和均方根交叉熵越小说明融合图像与可见光图像和近红外图像的关联就越小,融合的效果就越明显。从表1可见本发明方法的信息熵最大,而平均交叉熵和均方根交叉熵最小,因此本发明的方法要优于另外两种方法。
Claims (1)
1、基于拉普拉斯金字塔的人脸图像融合方法,该方法包括如下步骤:
步骤一:分别用近红外摄像头和可见光摄像头采集近红外人脸图像和可见光人脸图像;
图像采集由一台近红外摄像头、一台可见光摄像头、一块图像采集卡和一台计算机来完成;
首先,调试确定近红外摄像头和可见光摄像头之间的距离;
然后,调整目标人物与摄像头之间的距离,获取两张像素上比较相近的图像;
最后,通过最大相关性原则对两幅图像进行精确配准,并将其归一化为60乘60的大小;
步骤二:拉普拉斯金字塔分解;
将步骤一得到的近红外人脸图像和可见光人脸图像分别进行拉普拉斯金字塔分解,具体过程如下:
首先,构建高斯金字塔,以采集的图像为金字塔的第0层,第l层的图像通过对第l-1层图像进行隔行降采样获得,
0<l≤N,0≤i<Cl,0≤j<Rl
其中,N为金字塔的总层数,Cl和Rl分别代表第l层金字塔的列数和行数,ω(m,n)称为权函数或者生成核,具体采用数值如下:
上述过程为REDUCE算子,记做Gl=REDUCE[Gl-1];上述金字塔为高斯金字塔;然后,由该高斯金字塔构建拉普拉斯金字塔;
构建的关键步骤是对高斯金字塔的各层图像进行内插放大,该过程称为EXPAND算子,记做 ,具体计算步骤如下:
最后,拉普拉斯金字塔的第l层图像由Ll=Gl-EXPAND[Gl+1]获得;其中Ll为拉普拉斯金字塔的第l层图像,Gl和Gl+1分别为高斯金字塔第l和l+1层图像;
步骤三:融合近红外人脸图像和可见光人脸图像;
基于局部二值模式,即基于简称为LBP算子的融合规则,将从步骤二中得到的近红外拉普拉斯金字塔人脸图像和可见光拉普拉斯金字塔人脸图像进行融合;
融合方法设计如下:
首先,将要融合的同一层拉普拉斯金字塔图像的对应像素点扩展到5×5的区域;
然后,用旋转不变性的一致性模式LBP算子对这个区域提取LBP特征;其中,上标riu2代表旋转不变的一致性模式,下标8,1代表着以某像素为中心,在半径为1的范围内比较周围8个像素与该中心像素间的关系;算子总共有256个模式,在这256个模式中一共有9类旋转不变的一致性模式;除了采用该9类旋转不变的一致性模式外,将其余的247个模式都归到第10类,得到一个1×10维的统计直方图向量,统计直方图向量的元素值代表各个类的总数;
在LBP值的基础上引入平均梯度的概念 ;其中,gc为中心像素的灰度值,gp为周围像素点的灰度值,将原有的1×10维统计直方图向量扩展到了1×11维统计直方图向量,并设定了一个Salience值 来代表特征,其中AG为平均梯度,SD为图像直方图的标准差;两个向量间的匹配度,采用Chi平方统计相似性测度来测量,其定义如下:
其中,i=0,1,....10,M代表了近红外图像统计直方图向量H1,i和可见光图像统计直方图向量H2,i的匹配程度,权值w在此处取值为1;
融合后的图像像素点的灰度值由红外和可见光图像对应像素点的灰度值加权得到F(i,j)=ω1IM1(i,j)+ω2IM2(i,j);其中,F(i,j)为融合图像(i,j)点的灰度值,IM1(i,j)和IM2(i,j)分别为近红外和可见光相应像素点的灰度值,ω1和ω2为各自的权值;当M≥0.75时,存在较小的权值 和较大的权值ωmax=1-ωmin,其中a=0.75;其他情况ωmin=0 and ωmax=1;
接着,比较两个像素点的 值;假设S1为近红外图像的Salience值,S2为可见光图像的Salience值,如果S1≥S2,则ω1=ωmaxand ω2=ωmin;反之,则ω2=ωmax and ω1=ωmin;
最后,在遍历所有像素点之后,得到融合后的图像;
步骤四:逆拉普拉斯金字塔分解;
将从步骤三中得到的融合结果进行逆拉普拉斯金字塔分解,得到融合人脸图像;
步骤五:融合人脸图像输出;
将从步骤四中得到的融合人脸图像输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008102264136A CN101425137A (zh) | 2008-11-10 | 2008-11-10 | 基于拉普拉斯金字塔的人脸图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008102264136A CN101425137A (zh) | 2008-11-10 | 2008-11-10 | 基于拉普拉斯金字塔的人脸图像融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101425137A true CN101425137A (zh) | 2009-05-06 |
Family
ID=40615742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2008102264136A Pending CN101425137A (zh) | 2008-11-10 | 2008-11-10 | 基于拉普拉斯金字塔的人脸图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101425137A (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496158A (zh) * | 2011-11-24 | 2012-06-13 | 中兴通讯股份有限公司 | 一种图像信息处理方法及装置 |
CN102592294A (zh) * | 2011-01-05 | 2012-07-18 | 苏州巴米特信息科技有限公司 | 基于可控金字塔分解的纹理合成方法 |
CN102663400A (zh) * | 2012-04-16 | 2012-09-12 | 北京博研新创数码科技有限公司 | 一种结合预处理的lbp特征提取方法 |
CN102789641A (zh) * | 2012-07-16 | 2012-11-21 | 北京市遥感信息研究所 | 基于图拉普拉斯的高光谱图像和红外图像融合方法 |
CN102789640A (zh) * | 2012-07-16 | 2012-11-21 | 中国科学院自动化研究所 | 一种将可见光全色图像与红外遥感图像进行融合的方法 |
CN102834844A (zh) * | 2010-04-05 | 2012-12-19 | 微软公司 | 多分辨率图像金字塔的生成 |
CN103578088A (zh) * | 2013-11-20 | 2014-02-12 | 中国人民解放军海军大连舰艇学院 | 一种星空图像处理方法 |
CN103593833A (zh) * | 2013-10-25 | 2014-02-19 | 西安电子科技大学 | 基于压缩感知和能量规则的多聚焦图像融合方法 |
CN104123703A (zh) * | 2014-07-09 | 2014-10-29 | 广州中国科学院先进技术研究所 | 一种保持表皮原色的静脉显像方法 |
CN104268562A (zh) * | 2014-09-15 | 2015-01-07 | 武汉大学 | 一种有效多尺度纹理识别方法 |
CN104995910A (zh) * | 2012-12-21 | 2015-10-21 | 菲力尔系统公司 | 利用融合的红外图像增强 |
CN106960202A (zh) * | 2017-04-11 | 2017-07-18 | 广西师范大学 | 一种基于可见光与红外图像融合的笑脸识别方法 |
CN107292845A (zh) * | 2017-06-26 | 2017-10-24 | 重庆名图医疗设备有限公司 | 基于标准差金字塔的动态图像降噪方法及装置 |
CN107480649A (zh) * | 2017-08-24 | 2017-12-15 | 浙江工业大学 | 一种基于全卷积神经网络的指纹汗孔提取方法 |
CN107766848A (zh) * | 2017-11-24 | 2018-03-06 | 广州鹰瞰信息科技有限公司 | 车辆前方的行人检测方法和存储介质 |
CN107784642A (zh) * | 2016-08-26 | 2018-03-09 | 北京航空航天大学 | 一种红外视频和可见光视频自适应融合方法 |
CN108388878A (zh) * | 2018-03-15 | 2018-08-10 | 百度在线网络技术(北京)有限公司 | 用于识别人脸的方法和装置 |
CN109003237A (zh) * | 2018-07-03 | 2018-12-14 | 深圳岚锋创视网络科技有限公司 | 全景图像的天空滤镜方法、装置及便携式终端 |
CN109001248A (zh) * | 2018-06-26 | 2018-12-14 | 哈尔滨工业大学 | 一种基于图像信息熵的沥青混合料冻融损伤评价方法 |
CN109429001A (zh) * | 2017-08-25 | 2019-03-05 | 杭州海康威视数字技术股份有限公司 | 图像采集方法、装置、电子设备以及计算机可读存储介质 |
CN111783563A (zh) * | 2020-06-15 | 2020-10-16 | 深圳英飞拓科技股份有限公司 | 基于双光谱的人脸抓拍和监控方法及系统、设备 |
CN112163994A (zh) * | 2020-09-01 | 2021-01-01 | 重庆邮电大学 | 一种基于卷积神经网络的多尺度医学图像融合方法 |
CN112712124A (zh) * | 2020-12-31 | 2021-04-27 | 山东奥邦交通设施工程有限公司 | 一种基于深度学习的多模块协同物体识别系统及方法 |
CN112750095A (zh) * | 2021-01-04 | 2021-05-04 | 悉地(苏州)勘察设计顾问有限公司 | 一种红外与可见光融合方法、交通监控装置及存储介质 |
-
2008
- 2008-11-10 CN CNA2008102264136A patent/CN101425137A/zh active Pending
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102834844B (zh) * | 2010-04-05 | 2016-03-23 | 微软技术许可有限责任公司 | 多分辨率图像金字塔的生成 |
CN102834844A (zh) * | 2010-04-05 | 2012-12-19 | 微软公司 | 多分辨率图像金字塔的生成 |
CN102592294A (zh) * | 2011-01-05 | 2012-07-18 | 苏州巴米特信息科技有限公司 | 基于可控金字塔分解的纹理合成方法 |
CN102496158A (zh) * | 2011-11-24 | 2012-06-13 | 中兴通讯股份有限公司 | 一种图像信息处理方法及装置 |
CN102663400B (zh) * | 2012-04-16 | 2014-06-04 | 北京博研新创数码科技有限公司 | 一种结合预处理的lbp特征提取方法 |
CN102663400A (zh) * | 2012-04-16 | 2012-09-12 | 北京博研新创数码科技有限公司 | 一种结合预处理的lbp特征提取方法 |
CN102789641A (zh) * | 2012-07-16 | 2012-11-21 | 北京市遥感信息研究所 | 基于图拉普拉斯的高光谱图像和红外图像融合方法 |
CN102789640A (zh) * | 2012-07-16 | 2012-11-21 | 中国科学院自动化研究所 | 一种将可见光全色图像与红外遥感图像进行融合的方法 |
CN102789641B (zh) * | 2012-07-16 | 2016-03-02 | 北京市遥感信息研究所 | 基于图拉普拉斯的高光谱图像和红外图像融合方法 |
CN102789640B (zh) * | 2012-07-16 | 2015-12-16 | 中国科学院自动化研究所 | 一种将可见光全色图像与红外遥感图像进行融合的方法 |
CN104995910B (zh) * | 2012-12-21 | 2018-07-13 | 菲力尔系统公司 | 利用融合的红外图像增强 |
CN104995910A (zh) * | 2012-12-21 | 2015-10-21 | 菲力尔系统公司 | 利用融合的红外图像增强 |
CN103593833A (zh) * | 2013-10-25 | 2014-02-19 | 西安电子科技大学 | 基于压缩感知和能量规则的多聚焦图像融合方法 |
CN103578088B (zh) * | 2013-11-20 | 2017-01-04 | 中国人民解放军海军大连舰艇学院 | 一种星空图像处理方法 |
CN103578088A (zh) * | 2013-11-20 | 2014-02-12 | 中国人民解放军海军大连舰艇学院 | 一种星空图像处理方法 |
CN104123703B (zh) * | 2014-07-09 | 2017-04-12 | 广州中国科学院先进技术研究所 | 一种保持表皮原色的静脉显像方法 |
CN104123703A (zh) * | 2014-07-09 | 2014-10-29 | 广州中国科学院先进技术研究所 | 一种保持表皮原色的静脉显像方法 |
CN104268562A (zh) * | 2014-09-15 | 2015-01-07 | 武汉大学 | 一种有效多尺度纹理识别方法 |
CN107784642A (zh) * | 2016-08-26 | 2018-03-09 | 北京航空航天大学 | 一种红外视频和可见光视频自适应融合方法 |
CN106960202A (zh) * | 2017-04-11 | 2017-07-18 | 广西师范大学 | 一种基于可见光与红外图像融合的笑脸识别方法 |
CN106960202B (zh) * | 2017-04-11 | 2020-05-19 | 湖南灵想科技股份有限公司 | 一种基于可见光与红外图像融合的笑脸识别方法 |
CN107292845A (zh) * | 2017-06-26 | 2017-10-24 | 重庆名图医疗设备有限公司 | 基于标准差金字塔的动态图像降噪方法及装置 |
CN107292845B (zh) * | 2017-06-26 | 2020-04-17 | 安健科技(重庆)有限公司 | 基于标准差金字塔的动态图像降噪方法及装置 |
CN107480649A (zh) * | 2017-08-24 | 2017-12-15 | 浙江工业大学 | 一种基于全卷积神经网络的指纹汗孔提取方法 |
CN109429001B (zh) * | 2017-08-25 | 2021-06-29 | 杭州海康威视数字技术股份有限公司 | 图像采集方法、装置、电子设备以及计算机可读存储介质 |
CN109429001A (zh) * | 2017-08-25 | 2019-03-05 | 杭州海康威视数字技术股份有限公司 | 图像采集方法、装置、电子设备以及计算机可读存储介质 |
CN107766848A (zh) * | 2017-11-24 | 2018-03-06 | 广州鹰瞰信息科技有限公司 | 车辆前方的行人检测方法和存储介质 |
CN108388878A (zh) * | 2018-03-15 | 2018-08-10 | 百度在线网络技术(北京)有限公司 | 用于识别人脸的方法和装置 |
CN109001248A (zh) * | 2018-06-26 | 2018-12-14 | 哈尔滨工业大学 | 一种基于图像信息熵的沥青混合料冻融损伤评价方法 |
CN109001248B (zh) * | 2018-06-26 | 2020-10-02 | 哈尔滨工业大学 | 一种基于图像信息熵的沥青混合料冻融损伤评价方法 |
CN109003237A (zh) * | 2018-07-03 | 2018-12-14 | 深圳岚锋创视网络科技有限公司 | 全景图像的天空滤镜方法、装置及便携式终端 |
US11887362B2 (en) | 2018-07-03 | 2024-01-30 | Arashi Vision Inc. | Sky filter method for panoramic images and portable terminal |
CN111783563A (zh) * | 2020-06-15 | 2020-10-16 | 深圳英飞拓科技股份有限公司 | 基于双光谱的人脸抓拍和监控方法及系统、设备 |
CN112163994A (zh) * | 2020-09-01 | 2021-01-01 | 重庆邮电大学 | 一种基于卷积神经网络的多尺度医学图像融合方法 |
CN112163994B (zh) * | 2020-09-01 | 2022-07-01 | 重庆邮电大学 | 一种基于卷积神经网络的多尺度医学图像融合方法 |
CN112712124A (zh) * | 2020-12-31 | 2021-04-27 | 山东奥邦交通设施工程有限公司 | 一种基于深度学习的多模块协同物体识别系统及方法 |
CN112750095A (zh) * | 2021-01-04 | 2021-05-04 | 悉地(苏州)勘察设计顾问有限公司 | 一种红外与可见光融合方法、交通监控装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101425137A (zh) | 基于拉普拉斯金字塔的人脸图像融合方法 | |
CN103632132B (zh) | 一种基于肤色分割和模板匹配的人脸检测与识别方法 | |
CN100395770C (zh) | 一种基于特征关系度量的手部特征融合认证方法 | |
US9117105B2 (en) | 3D face recognition method based on intermediate frequency information in geometric image | |
CN105469076B (zh) | 基于多示例学习的人脸比对验证方法 | |
Shams et al. | Iris recognition based on LBP and combined LVQ classifier | |
CN101344913B (zh) | 一种通过提取虹膜纹理特征进行身份识别的方法 | |
CN105139039A (zh) | 视频序列中人脸微表情的识别方法 | |
CN103942577A (zh) | 视频监控中基于自建立样本库及混合特征的身份识别方法 | |
CN101334834B (zh) | 一种自底向上的注意信息提取方法 | |
CN104077605A (zh) | 一种基于颜色拓扑结构的行人搜索识别方法 | |
CN106897999A (zh) | 基于尺度不变特征变换的苹果图像融合方法 | |
CN105225216A (zh) | 基于空间距圆标记边缘检测的虹膜预处理算法 | |
Pathan et al. | Classification of benign and malignant melanocytic lesions: A CAD tool | |
CN105809173A (zh) | 一种基于仿生物视觉变换的图像rstn不变属性特征提取及识别方法 | |
CN107704840A (zh) | 一种基于深度学习的遥感图像道路检测方法 | |
CN107169996A (zh) | 一种视频中动态人脸识别方法 | |
CN102663443B (zh) | 基于图像扰动和相关滤波的生物特征识别方法 | |
Sakthimohan et al. | Detection and Recognition of Face Using Deep Learning | |
Wang et al. | An edge detection method by combining fuzzy logic and neural network | |
CN103426005B (zh) | 微表情自动识别的建库视频自动切段方法 | |
CN110765925B (zh) | 基于改进的孪生神经网络的携带物检测与步态识别方法 | |
Yang et al. | Person reidentification by kernel pca based appearance learning | |
Tallapragada et al. | Iris recognition based on combined feature of GLCM and wavelet transform | |
CN102156879B (zh) | 基于加权陆地运动距离的人体目标匹配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20090506 |