CN102214302A - 识别装置、识别方法以及程序 - Google Patents

识别装置、识别方法以及程序 Download PDF

Info

Publication number
CN102214302A
CN102214302A CN2011100834828A CN201110083482A CN102214302A CN 102214302 A CN102214302 A CN 102214302A CN 2011100834828 A CN2011100834828 A CN 2011100834828A CN 201110083482 A CN201110083482 A CN 201110083482A CN 102214302 A CN102214302 A CN 102214302A
Authority
CN
China
Prior art keywords
point
candidate
model
nearest
nearest candidate
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
Application number
CN2011100834828A
Other languages
English (en)
Inventor
吴嘉宁
岩井嘉昭
本间俊一
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.)
Sony Corp
Original Assignee
Sony Corp
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 Sony Corp filed Critical Sony Corp
Publication of CN102214302A publication Critical patent/CN102214302A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种识别装置、识别方法以及程序。所述识别装置包括：存储单元，用于存储模型特征点所属的簇的信息；提取单元，用于提取查询特征点的特征量；生成单元，用于确定包括参考点以及从属点的查询特征点第一集合，以及生成几何信息；聚类单元，用于对查询特征点进行聚类；校正单元，用于把模型特征点设立成参考点的最近候选，把模型特征点设立成从属点的最近候选，确定参考点的最近候选是否存在，以及校正模型特征点；以及相似度计算单元，用于计算第二集合和第一集合的相似度以及确定距第一集合最近的第二集合。

Description

识别装置、识别方法以及程序
技术领域
本发明涉及一种识别装置、识别方法以及程序，更具体而言，涉及一种能够迅速执行从模型图像中选择的特征点集与从查询图像中选择的特征点集彼此的匹配的识别装置、识别方法以及程序。
背景技术
作为通过使用局部特征量的通常对象识别方案，日本未审查专利申请公开No.2008-77625公开了如下这种方案：从模型图像和查询图像中提取分别包括基点和单个或多个支撑点的多个特征点集，以及执行特征点集彼此的匹配。
例如，模型图像的基点是模型图像上设立的特征点之中作为参考的特征点，支撑点是除了基点以外以及根据基点确定的特征点。在建模时，使得存储表示特征点中每个特征点的特征量的信息以及几何信息，所述几何信息即在给定基点的位置作为参考的情况下、表示每个支撑点的位置的信息。
根据日本未审查专利申请公开No.2008-77625中公开的方案(在下文中，称作“背景技术中的方案”)，鲁棒地执行小纹理的对象的识别或者可以在抑制背景影响的情况下执行识别。
对于背景技术中的方案的实践实现，有必要对计算加速。例如，作为通过使用局部特征量实现对象识别加速的方案，存在执行‘Locality-sensitive hashing scheme based on p-stable distributions’，Mayur Datar、Piotr Indyk，Proceedings of the twentieth annual symposium on Computational geometry，pp.253-262，2004中公开的LSH(局部敏感哈希)代表的数据库搜索的方法。
在LSH中，当输入查询图像的特征点时，指定模型特征点的簇即特征点所属的子集，只针对同一簇中包括的模型特征点计算相似度。通过相比于计算所有特征点之间相似度的最近搜索而言减少相似度计算的数量使得计算量小，以使得可以迅速执行对象的识别。
‘A Tensor-Based Algorithm for High-Order Graph Matching’，Olivier Duchenne、Francis Bach、Inso Kweon、Jean Ponce，Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2009中公开了通过使用超图实现特征点集单元中特征点匹配的方案。
发明内容
在把LSH应用于背景技术中的方案的情形中，由于特征点集包括多个特征点，所以即使在通过LSH简单地获得每个最近特征点时，它也不会是最近的集合。
另外，此处，可以考虑把上述超图应用于背景技术的方案。在使用超图的方案中，有必要使得构建特征点集的特征点的数量以及其相对位置恒定。因此，无法把此方案应用于如下这种背景技术中方案的特征点的匹配：构建特征点集的特征点的数量可变，并具有根据选择的特征点的位置灵活地规定相对位置的几何信息。
具体地，由于算法的特性而通过使用特征点集描述诸如对象的事物，使得构建特征点集的特征点的数量变化以便对应于对象形状的改变，会难以把使用LSH或超图的方案应用于背景技术中的方案。
在考虑这种状况的情况下做出了本发明，期望迅速执行从模型图像中选择的特征点集与从查询图像中选择的特征点集彼此的匹配。
根据本发明的实施例，提供了识别装置，包括：存储单元，用于存储通过基于特征量进行聚类而确定的模型特征点即模型数据的特征点所属的簇的信息以及模型特征点的特征量的信息；提取单元，用于提取查询特征点即以查询的形式输入的数据的特征点的特征量；生成单元，用于确定包括作为参考的参考点即查询特征点中的一个查询特征点以及从属点即取决于参考点的一个或多个查询特征点的查询特征点第一集合，以及对每个第一集合在给定参考点的位置作为参考的情况下、生成几何信息即表示每个从属点的位置的信息；聚类单元，用于通过与模型特征点的聚类中一样的方案对查询特征点进行聚类；校正单元，用于把与参考点属于同一簇的模型特征点设立成参考点的最近候选，把与从属点属于同一簇的模型特征点设立成从属点的最近候选，在给定每个从属点的最近候选的位置作为参考的情况下、确定在认为通过几何信息指定的参考点存在的位置处是否存在参考点的最近候选，以及根据确定的结果校正作为参考点最近候选的模型特征点；以及相似度计算单元，用于基于每个特征点的特征量计算包括校正之后参考点的最近候选和从属点的最近候选的第二集合和第一集合的相似度以及确定距第一集合最近的第二集合。
在确定在认为通过几何信息指定的参考点的最近候选存在的位置处不存在参考点的最近候选的情形中，校正单元可以把作为参考点最近候选的模型特征点添加到该位置。
在确定在认为通过几何信息指定的参考点的最近候选存在的位置处不存在参考点的最近候选以及取决于该位置处模型参考点的从属点的最近候选的数量大于预定数量的情形中，校正单元可以添加作为参考点最近候选的模型特征点。
在确定在认为通过几何信息指定的参考点存在的位置处存在参考点的最近候选以及取决于该位置处模型参考点的从属点的最近候选的数量小于预定数量的情形中，校正单元可以删除参考点的最近候选。
识别装置还可以包括：量化单元，用于按照表示查询特征点特征量的查询特征量向量和LSH哈希函数向量即维数与查询特征量向量的维数一样的向量的内积值是否等于或大于阈值将查询特征量向量量化为值1或值0，其中，聚类单元把查询特征点聚类成属于通过如下内容标识的簇的特征点：通过使用每个哈希函数向量获得的查询特征量向量的量化之后的值的组合。
根据本发明的另一实施例，提供了识别方法，包括步骤：存储通过基于特征量进行聚类而确定的模型特征点即模型数据的特征点所属的簇的信息以及模型特征点的特征量的信息；提取查询特征点即以查询的形式输入的数据的特征点的特征量；确定包括作为参考的参考点即查询特征点中的一个查询特征点以及从属点即取决于参考点的一个或多个查询特征点的查询特征点第一集合，以及对每个第一集合在给定参考点的位置作为参考的情况下、生成几何信息即表示每个从属点的位置的信息；通过与模型特征点的聚类中一样的方案把查询特征点聚类；把与参考点属于同一的簇的模型特征点设立成参考点的最近候选，把与从属点属于同一簇的模型特征点设立成从属点的最近候选，在给定每个从属点的最近候选的位置作为参考的情况下、确定在认为通过几何信息指定的参考点存在的位置处是否存在参考点的最近候选，以及根据确定的结果校正作为参考点最近候选的模型特征点；以及基于每个特征点的特征量计算包括校正之后参考点的最近候选和从属点的最近候选的第二集合与第一集合的相似度以及确定距第一集合最近的第二集合。
根据本发明的又一实施例，提供了程序，用于允许计算机执行包括如下步骤的处理：存储通过基于特征量进行聚类而确定的模型特征点即模型数据的特征点所属的簇的信息以及模型特征点的特征量的信息；提取查询特征点即以查询的形式输入的数据的特征点的特征量；确定包括作为参考的参考点即查询特征点中的一个查询特征点以及从属点即取决于参考点的一个或多个查询特征点的查询特征点第一集合，以及对每个第一集合在给定参考点的位置作为参考的情况下、生成几何信息即表示每个从属点的位置的信息；通过与模型特征点的聚类中一样的方案对查询特征点进行聚类；把与参考点属于同一簇的模型特征点设立成参考点的最近候选，把与从属点属于的同一簇的模型特征点设立成从属点的最近候选，在给定每个从属点的最近候选的位置作为参考的情况下、确定在认为通过几何信息指定的参考点存在的位置处是否存在参考点的最近候选，以及根据确定的结果校正作为参考点最近候选的模型特征点；以及基于每个特征点的特征量计算包括校正之后参考点的最近候选和从属点的最近候选的第二集合和第一集合的相似度以及确定距第一集合最近的第二集合。
根据本发明的此实施例，存储通过基于特征量进行聚类而确定的模型特征点即模型数据的特征点所属的簇的信息以及模型特征点的特征量的信息，以及提取查询特征点即以查询的形式输入的数据的特征点的特征量。另外，确定包括作为参考的参考点即查询特征点中的一个查询特征点以及从属点即取决于参考点的一个或多个查询特征点的查询特征点第一集合，对每个第一集合在给定参考点的位置作为参考的情况下、生成几何信息即表示每个从属点的位置的信息，以及通过与模型特征点的聚类中一样的方案把查询特征点聚类。另外，把与参考点属于同一簇的模型特征点设立成参考点的最近候选，把与从属点属于同一簇的模型特征点设立成从属点的最近候选，在给定每个从属点的最近候选的位置作为参考的情况下、确定在认为通过几何信息指定的参考点存在的位置处是否存在参考点的最近候选，以及根据确定的结果校正作为参考点最近候选的模型特征点。基于每个特征点的特征量计算包括校正之后参考点的最近候选和从属点的最近候选的第二集合和第一集合的相似度，以及确定距第一集合最近的第二集合。
根据本发明的实施例，可以迅速执行从模型图像中选择的特征点集和从查询图像中选择的特征点集彼此的匹配。
附图说明
图1是示出了根据本发明实施例的学习装置的配置示例的方框图；
图2是示出了图1的索引创建单元的配置示例的方框图；
图3是示出了模型特征量向量的量化的示例的视图；
图4是示出了量化值的示例的视图；
图5是示出了根据本发明实施例的识别装置的配置示例的方框图；
图6是示出了图5的识别单元的配置示例的方框图；
图7是示出了特征点的确定的示例的视图；
图8是示出了特征点之间的位置关系的视图；
图9是示出了特征点的示例的视图；
图10是示出了特征点的校正的视图；
图11是接图10的、示出了特征点的校正的视图；
图12是示出了特征点的另一校正的视图；
图13是接图12的、示出了特征点的另一校正的视图；
图14是示出了学习装置的学习处理的流程图；
图15是示出了图14的步骤S4中执行的索引创建处理的流程图；
图16是示出了识别单元的识别处理的流程图；
图17是示出了图16的步骤S25中执行的最近候选选择处理的流程图；
图18是示出了图16的步骤S26中执行的最近候选校正处理的流程图；以及
图19是示出了计算机的配置示例的方框图。
具体实施方式
学习装置的配置示例
图1表示示出了根据本发明实施例的学习装置的配置示例的方框图。
通过LSH执行诸如KNN匹配的最近搜索的处理包括作为离线阶段的学习处理和作为在线阶段的识别处理。图1的学习装置1是执行学习处理的装置。
学习装置1由计算机配置成。图1中示出的功能单元的至少一部分以通过构建学习装置1的计算机的CPU执行预定程序的方式实现。
如图1中所示，学习装置1包括图像处理单元11、特征量提取单元12、索引创建单元13、哈希函数存储单元14以及模型字典存储单元15。把模型图像即要识别对象的图像输入到图像处理单元11。
图像处理单元11执行初始处理，如，把模型图像转换为灰度图像的处理、基于灰度模型图像生成边缘图像的处理以及多分辨率处理。图像处理单元11把通过初始处理获得的模型图像的数据输出到特征量提取单元12。
特征量提取单元12把模型图像的边缘上的每个点确定为特征点。例如，特征量提取单元12提取通过多分辨率处理获得的分辨率不同的每个图像中包括的特征点对应的位置处图像的信息作为特征量(局部特征量)。
特征量提取单元12把表示提取特征量的特征量向量信息存储在模型字典存储单元15中，以及把它输出到索引创建单元13。
在下文中，把模型图像的特征点称作“模型特征点”，把表示模型特征点的特征量的特征量向量称作“模型特征量向量”。
索引创建单元13读取哈希函数存储单元14中存储的LSH哈希函数，以及通过使用读取的哈希函数量化模型特征量向量。通过使用一个哈希函数把一个特征量向量量化为0或1。
另外，索引创建单元13把模型特征点聚类成属于如下这种簇的特征点：把通过将多个哈希函数应用于模型特征量向量分别获得的量化值的组合设置成关键字。
索引创建单元13创建使得把关键字即模型特征点所属的簇的标识信息和每个模型特征点相关联的索引信息以及随后把索引信息存储在模型字典存储单元15中。索引创建单元13进行的模型特征点向量的量化以及聚类将在后面描述。
哈希函数存储单元14存储预先生成的多个LSH哈希函数。‘Locality-sensitive hashing scheme based on p-stable distributions’，Mayur Datar、Piotr Indyk，Proceedings of the twentieth annual symposium on Computational geometry，pp.253-262，2004中描述了LSH哈希函数的生成。
模型字典存储单元15存储包括特征量提取单元12提取的模型特征量向量信息和索引创建单元13创建的索引信息的模型字典。把模型字典存储单元15中存储的模型字典提供给实际上执行对象识别的识别装置。经由无线通信或记录介质执行模型字典从学习装置1向识别装置的提供。
图2表示示出了图1的索引创建单元13的配置示例的方框图。
如图2中所示，索引创建单元13包括量化单元21和聚类单元22。
量化单元21通过把哈希函数存储单元14中存储的哈希函数应用于从特征量提取单元12提供的模型特征量向量计算哈希值。
用维数与模型特征量向量的维数一样的向量(哈希函数向量)表示哈希函数存储单元14中存储的哈希函数。量化单元21计算的哈希值变为实数的向量，向量的每个项是模型特征量向量和哈希函数向量的内积。
量化单元21比较计算为哈希值的内积值和阈值以及把模型特征量向量量化为值1或者0。例如，量化单元21在模型特征量向量和哈希函数向量的内积等于或大于作为阈值的0时把模型特征量向量量化为值1，以及在内积小于0时把模型特征量向量量化为值0。
图3表示示出了模型特征量向量的量化的视图。
图3的特征量向量A和B是模型特征量向量。哈希函数向量f表示多个准备的函数之中的一个哈希函数。针对哈希函数向量f，把与哈希函数向量f正交的超平面设置成把特征量空间分成两个的阈值。
例如，当获得的特征量向量A和哈希函数向量f的内积值为等于或大于0即阈值的值时，把特征量向量A量化为值1。
另外，当获得的特征量向量B和哈希函数向量f的内积值为小于0的值时，把特征量向量B量化为值0。
量化单元21通过使用哈希函数存储单元14中存储的每个哈希函数向量执行上述模型特征量向量的量化。把量化单元21获得的量化值提供给聚类单元22。
聚类单元22基于量化单元21获得的量化值把每个模型特征点聚类。
图4表示示出了模型特征量向量的量化值的示例的视图。
图4示出了特征量向量A和B即通过使用哈希函数向量f1至f3中的每个哈希函数向量获得的模型特征量向量的量化值的示例。
在图4中示出的示例中，当使用哈希函数向量f1时，把特征量向量A量化为值0。当使用哈希函数向量f2时，把特征量向量A量化为值1。当使用哈希函数向量f3时，把特征量向量A量化为值1。
类似地，当使用哈希函数向量f1时，把特征量向量B量化为值0。当使用哈希函数向量f2时，把特征量向量B量化为值0。当使用哈希函数向量f3时，把特征量向量B量化为值1。
在此情形中，聚类单元22把用特征量向量A表示特征量的模型特征点聚类成属于如下这种簇的特征点：把[0，1，1]即通过使用每个哈希函数向量计算的量化值的组合设置成关键字。
另外，聚类单元22把用特征量向量B表示特征量的模型特征点聚类成属于如下这种簇的特征点：把[0，0，1]即通过使用每个哈希函数向量计算的量化值的组合设置成关键字。
聚类单元22创建使得把用特征量向量A表示特征量的模型特征点的ID和[0，1，1]相关联的索引信息。聚类单元22创建使得把用特征量向量B表示特征量的模型特征点的ID和[0，0，1]相关联的索引信息。
如上所述，在索引创建单元13中，针对每个模型特征量向量，计算模型特征量向量和哈希函数向量的内积值，随后把计算的值与阈值相比较以把模型特征量向量量化为1或者0。另外，基于量化值把模型特征点聚类。
如上所述，把学习装置1生成的模型字典提供给识别装置，通过使用局部特征量执行对象的识别。
识别装置的配置示例
图5表示示出了根据本发明实施例的识别装置的配置示例的方框图。
图5的识别装置2是通过LSH执行使用局部特征量的对象识别的识别装置。
识别装置2也由计算机配置成。图5中示出的功能单元的至少一部分以通过构建识别装置2的计算机的CPU执行预定程序的方式实现。学习装置1和识别装置2可以通过同一计算机实现或者可以分别通过不同计算机实现。
如图5中所示，识别装置2包括图像处理单元31、特征量提取单元32、识别单元33、哈希函数存储单元34以及模型字典存储单元35。把查询图像输入到图像处理单元31。
图像处理单元31执行与图1的图像处理单元11的处理基本上一样的处理。具体地，图像处理单元31基于查询图像执行初始处理。图像处理单元31把通过执行初始处理获得的查询图像的数据输出到特征量提取单元32和识别单元33。
特征量提取单元32与图1的特征量提取单元12类似地、确定查询图像的特征点以及提取每个特征点的特征量。
在下文中，把查询图像的特征点适当地称作“查询特征点”，把表示查询特征点的特征量的特征量向量称作“查询特征量向量”。
识别单元33从自图像处理单元31提供的查询图像中确定多个特征点集，每个特征点集包括基点和单个或多个支撑点，以及通过LSH执行多个特征点集彼此的匹配。
基点是查询图像上设立的特征点之中作为参考的特征点，支撑点是除了基点以外以及根据基点确定的特征点。识别单元33生成在给定基点的位置作为参考的情况下表示每个支撑点的位置的几何信息。
识别单元33例如基于特征点集彼此匹配的结果、识别查询图像中包括的对象是哪个模型图像中包括的对象，以及输出识别结果。例如，基于与查询特征点集匹配的最近模型特征点集的数量等识别对象。
哈希函数存储单元34存储与学习装置1的哈希函数存储单元14中存储的LSH哈希函数同样多个LSH哈希函数。
模型字典存储单元35存储从学习装置1提供的模型字典。
图6表示示出了图5的识别单元33的配置示例的方框图。
如图6中所示，识别单元33包括特征点集确定单元51、量化单元52、聚类单元53、最近候选校正单元54、相似度计算单元55以及输出单元56。把通过针对从图像处理单元31输出的查询图像执行初始处理获得的数据输入到特征点集确定单元51。
特征点集确定单元51基于从图像处理单元31提供的查询图像的数据确定多个特征点集，每个特征点集包括基点和单个或多个支撑点。
图7表示示出了特征点集的示例的视图。
例如，如图7中所示，特征点集确定单元51确定参考圆R，以及把与参考圆R相交的边缘图像E上的点设置成基点b和支撑点s1、s2以及s3。图7的边缘图像E是图像处理单元31基于查询图像生成的图像。特征点集确定单元51改变参考圆R的位置和尺寸以分别确定多个特征点集即包括基点和支撑点的特征点集。构建每个特征点集的查询特征点的位置关系和数量根据参考圆R的尺寸和位置的改变对每个集合变得不同。
另外，特征点集确定单元51对每个特征点集生成在给定基点作为参考的情况下表示每个支撑点的位置的几何信息。
图8表示示出了几何信息中包括的信息的示例的视图。
如图8中所示，用相对距离r1、r2和r3以及自参考轴I起的相对角度θ1、θ2和θ3表示支撑点s1至s3自基点b起的相对位置(距离和角度)。几何信息包括相对距离r1、r2和r3以及自参考轴I起的相对角度θ1、θ2和θ3表示的信息。
特征点集确定单元51把构建特征点集的查询特征点的信息输出到量化单元52。另外，特征点集确定单元51把构建特征点集的查询特征点的信息以及几何信息输出到最近候选校正单元54。另外，例如日本未审查专利申请公开No.2008-77625和2008-243175中公开了如上所述确定特征点集的方法。
量化单元52基于从特征点集确定单元51提供的信息指定构建特征点集的查询特征点，以及与图2的量化单元21类似地对表示所指定的查询特征点的特性的查询特征量向量进行量化。把从特征量提取单元32输出的查询特征量向量信息输入到量化单元52。
具体地，量化单元52把哈希函数存储单元34中存储的哈希函数应用于查询特征量向量以计算哈希值。
量化单元52比较计算为哈希值的内积值和阈值以及把查询特征量向量量化为值1或者0。例如，量化单元52在查询特征量向量和哈希函数向量的内积值等于或大于作为阈值的0时把查询特征量向量量化为值1，以及在内积值小于0时把查询特征量向量量化为值0。
量化单元52通过使用哈希函数存储单元34中存储的每个哈希函数向量执行查询特征量向量的量化。量化单元52把通过使用每个哈希函数向量获得的量化值输出到聚类单元53。
聚类单元53与图2的聚类单元22类似地、基于量化单元52获得的量化值对每个查询特征点聚类。
例如，在把查询特征量向量分别量化为值0、1、1的情形中，聚类单元53把用其查询特征量向量表示其特征量的查询特征点聚类成属于把[0，1，1]设置成关键字的簇的特征点。
另外，在把查询特征量向量分别量化为值0、0、1的情形中，聚类单元53把用其查询特征量向量表示其特征量的查询特征点聚类成属于把[0，0，1]设置成关键字的簇的特征点。
聚类单元53把查询特征点所属的簇的关键字信息输出到最近候选校正单元54。
最近候选校正单元54基于聚类单元53执行的聚类的结果、指定构建特征点集的查询特征点所属的簇。另外，最近候选校正单元54把与查询特征点属于同一簇的模型特征点设置成最近候选的特征点，以及对最近候选的模型特征点做出校正。对模型特征点做出的校正将在后面描述。
最近候选校正单元54把从特征量提取单元32提供的、构建每个特征点集的查询特征点的特征量向量信息输出到相似度计算单元55。
另外，最近候选校正单元54从模型字典存储单元35读取出最近候选的模型特征点的特征量向量信息，以及把它输出到相似度计算单元55。从最近候选校正单元54输出的信息还包括通过校正添加的最近候选的模型特征点的特征量向量信息。
相似度计算单元55对每个特征点集基于最近候选校正单元54指定的最近候选的模型特征点的特征量向量和构建特征点集的查询特征点的特征量向量的相似度来计算特征点集彼此的相似度。
具体地，相似度计算单元55基于构建特征点集的基点的特征量向量和作为基点最近候选的模型特征点的特征量向量的相似度以及构建特征点集的支撑点的特征量向量和作为支撑点最近候选的模型特征点的特征量向量的相似度，计算包括查询特征点的特征点集和包括每个查询特征点最近候选的模型特征点集的相似度。例如，计算通过把特征点之间特征量向量的每个相似度相加获得的值作为包括查询特征点的特征点集和包括最近候选的模型特征点集的相似度。
相似度计算单元55按相似度的次序选择预定数量的最近候选的模型特征点集，以及执行广义霍夫变换(hough变换)或异常去除处理以选择最近模型特征点集。相似度计算单元55把最近模型特征点集的信息输出到输出单元56。
输出单元56基于最近模型特征点集的数量等识别查询图像中包括的对象是哪个模型图像中包括的对象，以及输出识别结果。
模型特征点的校正
将参照图9至图13针对最近候选校正单元54执行的、对最近候选的模型特征点的校正给出描述。
图9表示示出了构建特征点集的查询特征点和作为每个查询特征点最近候选的模型特征点的示例的视图。
在图9中，左侧示出了查询特征点即查询图像的特征点的示例，右侧示出了模型特征点即模型图像的特征点的示例。将针对对包括图9的左侧上示出的支撑点s1和s2以及基点b的特征点集执行处理的情形给出描述。
特征点集确定单元51确定基点b以及支撑点s1和s2。从特征点集确定单元51提供的几何信息包括在给定基点b的位置作为参考的情况下、表示支撑点s2的位置的信息和表示支撑点s1的位置的信息。聚类单元53确定支撑点s1和s2以及基点b的每个查询特征点属于哪个簇。
在此情形中，最近候选校正单元54基于模型字典存储单元35中存储的索引信息指定与基点b中属于同一簇的模型特征点以及把所指定的模型特征点设置成基点b的最近候选。
另外，最近候选校正单元54基于索引信息指定与支撑点s1和s2中每个支撑点的查询特征点中属于同一簇的模型特征点以及把所指定的模型特征点设置成支撑点s1和s2中每个支撑点的最近候选。
图9的右侧上示出的模型特征点b1和b2是基点b的最近候选。另外，模型特征点s1-1、s1-2以及s1-3中的每个模型特征点是支撑点s1的最近候选。模型特征点s2-1、s2-2和s2-3中的每个模型特征点是支撑点s2的最近候选。
在下文中，把基点的最近候选的模型特征点称作“基点候选”，把支撑点的最近候选的模型特征点称作“支撑点候选”。
最近候选校正单元54关注每个支撑点候选以及在给定支撑点候选的位置作为参考的情况下、确定基点候选在认为通过几何信息指定的基点存在的位置处是否存在。
图10表示示出了图9的右侧上的支撑点候选和基点候选的视图。
首先，最近候选校正单元54例如关注支撑点候选s1-1。最近候选校正单元54在给定支撑点候选s1-1的位置作为参考的情况下、确定基点候选在认为基点b的最近候选存在的箭头#1前方是否存在。
在图10的示例中，确定基点候选b2在该位置处存在。基于用几何信息表示的基点b与支撑点s1之间的位置关系指定箭头#1前方的位置。在此时间点，基点候选b2的投票数变为1。
另外，最近候选校正单元54关注支撑点候选s2-1。最近候选校正单元54在给定支撑点候选s2-1的位置作为参考的情况下、确定基点候选在认为基点b的最近候选存在的箭头#2前方是否存在。
在图10的示例中，确定基点候选b2在该位置处存在。基于用几何信息表示的基点b与支撑点s2之间的位置关系指定箭头#2前方的位置。在此时间点，基点候选b2的投票数变为2。
类似地，最近候选校正单元54关注支撑点候选s1-2。最近候选校正单元54在给定支撑点候选s1-2的位置作为参考的情况下、确定基点候选在认为基点b的最近候选存在的箭头#3前方是否存在。
在图10的示例中，确定基点候选b1在该位置处存在。基于用几何信息表示的基点b与支撑点s1之间的位置关系指定箭头#3前方的位置。在此时间点，基点候选b1的投票数变为1。
另外，最近候选校正单元54关注支撑点候选s2-2。最近候选校正单元54在给定支撑点候选s2-2的位置作为参考的情况下、确定基点候选在认为基点b的最近候选存在的箭头#4前方是否存在。
在图10的示例中，确定基点候选b1在该位置处存在。基于用几何信息表示的基点b与支撑点s2之间的位置关系指定箭头#4前方的位置。在此时间点，基点候选b1的投票数变为2。
最近候选校正单元54关注支撑点候选s1-3。最近候选校正单元54在给定支撑点候选s1-3的位置作为参考的情况下、确定基点候选在认为基点b的最近候选存在的箭头#5前方的位置p1处是否存在。
在图10的示例中，确定基点候选在位置p1处不存在。虚线圆表明模型特征点不存在。基于用几何信息表示的基点b与支撑点s1之间的位置关系指定箭头#5前方的位置p1。在此时间点，位置p1的投票数变为1。
另外，最近候选校正单元54关注支撑点候选s2-3。最近候选校正单元54在给定支撑点候选s2-3的位置作为参考的情况下、确定基点候选在认为基点b的最近候选存在的箭头#6前方的位置p1处是否存在。
在图10的示例中，确定基点候选在位置p1处不存在。基于用几何信息表示的基点b与支撑点s2之间的位置关系指定箭头#6前方的位置p1。在此时间点，位置p1的投票数变为2。
在此情形中，如图11中所示，最近候选校正单元54把基点候选b3即基点b的最近候选添加到在给定支撑点候选s1-3的位置作为参考的情况下认为基点的最近候选存在以及在给定支撑点候选s2-3的位置作为参考的情况下认为基点的最近候选存在的位置p1。
具体地，在基点候选在通过几何信息指定的认为基点候选存在的位置处不存在的情形中，最近候选校正单元54把作为候选的模型特征点添加到该位置。在投票数等于或大于预定数量的情形中(在认为基点在同一位置存在的支撑点候选的数量等于或大于预定数量的情形中)，可以添加作为基点的模型特征点。
最近候选校正单元54更新模型字典存储单元35中存储的索引信息以及额外地注册新添加的基点候选b3作为与基点b以及基点候选b1和b2中属于同一簇的模型特征点。
另外，最近候选校正单元54把基点候选b3的模型特征量向量信息存储在模型字典存储单元35中。例如可以基于其它基点候选的模型特征量向量通过预测获得表示基点候选b3的特征量的模型特征量向量。
图12表示示出了支撑点候选和基点候选的另一示例的视图。
在图12的示例中，假定存在基点候选b1、b2以及b3作为基点b的最近候选以及存在支撑点候选s1-1、s1-2以及s1-3作为支撑点候选s1的最近候选。
另外，假定存在支撑点候选s2-2和s2-3作为支撑点s2的最近候选。在图12的示例中，作为支撑点候选s2的最近候选的图10的支撑点候选s2-1不存在，如以虚线圆的形式所示。
将针对这种状态中最近候选的校正给出描述。
最近候选校正单元54例如关注支撑点候选s1-1。最近候选校正单元54在给定支撑点候选s1-1的位置作为参考的情况下、确定基点候选在认为基点b的最近候选存在的箭头#1前方的位置p2处是否存在。
在图12的示例中，确定基点候选b2在位置p2处存在。在此时间点，基点候选b2的位置p2的投票数变为1。
另外，最近候选校正单元54关注支撑点候选s1-2。最近候选校正单元54在给定支撑点候选s1-2的位置作为参考的情况下、确定基点候选在认为基点b的最近候选存在的箭头#3前方的位置处是否存在。
在图12的示例中，确定基点候选b1在该位置处存在。在此时间点，基点候选b1的投票数变为1。
另外，最近候选校正单元54关注支撑点候选s2-2。最近候选校正单元54在给定支撑点候选s2-2的位置作为参考的情况下、确定基点候选在认为基点b的最近候选存在的箭头#4前方的位置处是否存在。
在图12的示例中，确定基点候选b1在该位置处存在。在此时间点，基点候选b1的投票数变为2。
另外，最近候选校正单元54关注支撑点候选s1-3。最近候选校正单元54在给定支撑点候选s1-3的位置作为参考的情况下、确定基点候选在认为基点b的最近候选存在的箭头#5前方的位置处是否存在。
在图12的示例中，确定基点候选b3在该位置处存在。在此时间点，基点候选b3的投票数变为1。
另外，最近候选校正单元54关注支撑点候选s2-3。最近候选校正单元54在给定支撑点候选s2-3的位置作为参考的情况下、确定基点候选在认为基点b的最近候选存在的箭头#6前方的位置处是否存在。
在图12的示例中，确定基点候选b3在该位置处存在。在此时间点，基点候选b3的投票数变为2。
在此情形中，如图13中所示，最近候选校正单元54删除在给定支撑点候选s1-1的位置作为参考的情况下认为基点的最近候选存在以及在给定另一支撑点候选的位置作为参考的情况下认为基点的最近候选不存在的位置p2处存在的基点候选b2。
具体地，在基点候选在通过几何信息指定的认为基点候选存在的位置处实际上存在、但是认为基点候选在该位置存在的支撑点候选的数量小于预定数量的情形中(在投票数小的情形中)，最近候选校正单元54删除基点候选。
最近候选校正单元54更新模型字典存储单元35中存储的索引信息以及删除与基点b以及基点候选b1和b3中来自同一簇的基点候选b2。
在通过LSH把每个特征点聚类的情形中，由于特征量向量的量化误差，距基点最近的模型特征点与基点的查询特征点不被包括在同一簇中。如上所述添加基点候选的模型特征点，以使得可以包括从与基点的查询特征点的同一簇中排除的模型特征点作为基点候选。
另外，由于特征量向量的量化误差，距基点并非最近的模型特征点与基点的查询特征点会包括在同一簇中。如上所述删除基点的模型特征点，以使得可以从基点候选中删除与基点的查询特征点的同一簇中错误包括的模型特征点。
因此，即使在采用LSH时，相比于实际上计算所有特征点之间相似性的完全最近搜索而言也可以维持匹配准确性。
装置的操作
此处，将参照图14的流程图描述学习装置1的学习处理。
图14的处理在把模型图像输入到学习装置1时开始。
在步骤S1中，图像处理单元11执行初始处理。
在步骤S2中，特征量提取单元12把通过初始处理获得的边缘图像的每个点确定为模型特征点。
在步骤S3中，特征量提取单元12提取每个模型特征点的特征量以及把表示所提取的特征量的模型特征量向量信息存储在模型字典存储单元15中。
在步骤S4中，索引创建单元13执行索引创建处理。在索引创建处理中，量化模型特征量向量以及基于量化值把模型特征点聚类。随后，终止处理。
接下来，将参照图15的流程图针对图14的步骤S4中执行的索引创建处理给出描述。
无论何时从特征量提取单元12提供表示一个模型特征点的特征量的模型特征量向量信息均执行图15的处理。
在步骤S11中，量化单元21选择哈希函数存储单元14中存储的一个哈希函数。
在步骤S12中，量化单元21计算所选择的哈希函数向量和模型特征量向量的内积值。
在步骤S13中，量化单元21在所计算的内积值等于或大于作为阈值的0时把模型特征量向量值量化为值1以及在所计算的内积值小于0时把模型特征量向量值量化为值0。
在步骤S14中，量化单元21确定是否选择了哈希函数存储单元14中存储的所有哈希函数。当在步骤S14中确定存在仍未选择的哈希函数时，处理返回步骤S11以及量化单元21选择不同哈希函数以重复上述处理。
另一方面，当在步骤S14中确定选择了所有哈希函数时，在步骤S15中，聚类单元22把模型特征点聚类成属于把量化值的组合设置为关键字的簇的特征点。另外，聚类单元22创建使得把模型特征点ID与关键字相关联的索引信息以及把索引信息存储在模型字典存储单元15中。
对特征量提取单元12提取的作为要处理对象的所有模型特征点执行上述处理。随后，处理返回图14的步骤S4以及执行之后的处理。
接下来，将参照图16的流程图针对识别装置2的识别处理给出描述。
图16的处理在把查询图像输入到识别装置2时开始。
在步骤S21中，图像处理单元31执行初始处理。
在步骤S22中，特征量提取单元32把通过初始处理获得的边缘图像的每个点确定为查询特征点。
在步骤S23中，特征量提取单元32提取每个查询特征点的特征量以及输出表示所提取的特征量的查询特征量向量信息。
在步骤S24中，如参照图7所述，识别单元33的特征点集确定单元51确定多个特征点集，每个特征点集包括基点和单个或多个支撑点。另外，特征点集确定单元51对每个特征点集在给定基点的位置作为参考的情况下生成表示每个支撑点的位置的几何信息。
在步骤S25中，量化单元52和聚类单元53执行最近候选选择处理。在最近候选选择处理中，对查询特征量向量进行量化，把查询特征点聚类。
在步骤S26中，最近候选校正单元54执行最近候选校正处理。在最近候选校正处理中，执行作为最近候选的模型特征点的添加或删除。
在步骤S27中，相似度计算单元55对每个特征点集基于最近候选的模型特征点的特征量向量和构建特征点集的查询特征点的特征量向量的相似度来计算特征点集彼此之间的相似度。
在步骤S28中，相似度计算单元55按相似度的次序选择最近候选的预定数量的模型特征点集以及选择它们之中的最近模型特征点集。可以选择相似度最高的特征点集作为最近模型特征点集。
在步骤S29中，输出单元56基于最近模型特征点集的数量等识别查询图像中包括的对象是哪个模型图像中包括的对象，以及输出识别结果。随后，终止处理。
接下来，将参照图17的流程图针对图16的步骤S26中执行的最近候选选择处理给出描述。
无论何时从特征量提取单元32提供表示一个查询特征点的特征量的查询特征量向量信息均执行图17的处理。
在步骤S41中，识别单元33的量化单元52选择哈希函数存储单元34中存储的哈希函数。
在步骤S42中，量化单元52计算所选择的哈希函数向量和查询特征量向量的内积值。
在步骤S43中，量化单元52在所计算的内积值等于或大于作为阈值的0时把查询特征量向量值量化为值1以及在所计算的内积值小于0时把查询特征量向量值量化为值0。
在步骤S44中，量化单元52确定是否选择了哈希函数存储单元34中存储的所有哈希函数。当在步骤S44中确定存在仍未选择的哈希函数时，处理返回步骤S41以及量化单元52选择不同哈希函数以重复上述处理。
另一方面，当在步骤S44中确定选择了所有哈希函数时，在步骤S45中，聚类单元53把查询特征点聚类成属于把量化值的组合设置成关键字的簇的特征点。
对特征量提取单元32提取的、作为要处理对象的所有模型特征点执行上述处理。随后，处理返回图16的步骤S25以及执行之后的处理。
接下来，将参照图18的流程图针对图16的步骤S26中执行的最近候选校正处理给出描述。
对特征点集确定单元51确定的、作为要处理对象的每个特征点集执行图18的处理。
在步骤S61中，最近候选校正单元54关注支撑点候选即构建要处理对象的特征点集的支撑点的最近候选之中的一个支撑点候选。
在步骤S62中，最近候选校正单元54在以正关注的支撑点的位置为参考的情况下、确认基点候选在认为通过几何信息指定的基点存在的位置处是否存在。当基点候选在确认位置处存在时，最近候选校正单元54把对该位置的投票数增加一。
在步骤S63中，最近候选校正单元54确定是否关注了所有支撑点候选。
在步骤S63中确定未关注所有支撑点候选的情形中，处理返回步骤S61，关注另一支撑点候选以及重复上述处理。
另一方面，在步骤S63中确定关注了所有支撑点候选的情形中，在步骤S64中，最近候选校正单元54确定基点候选在确认位置处是否实际上存在。
在步骤S64中确定基点候选实际上存在的情形中，在步骤S65中，最近候选校正单元54确定投票数是否大于预定数量。
在步骤S65中确定投票数小于预定数量的情形中，在步骤S66中，最近候选校正单元54删除确认位置处存在的基点候选。在删除基点候选的模型特征点或者在步骤S65中确定投票数大于预定数量的情形中，处理返回图16的步骤S26以及执行之后的处理。
另一方面，在步骤S64中确定基点候选在确认位置处不存在的情形中，在步骤S67中，最近候选校正单元54确定投票数是否大于预定数量。
在步骤S67中确定投票数大于预定数量的情形中，在步骤S68中，最近候选校正单元54把作为基点候选的模型特征点添加到确认位置。在添加作为基点候选的模型特征点、或者在步骤S67中确定投票数小于预定数量的情形中，处理返回图16的步骤S26以及执行之后的处理。
由于上述一系列处理，通过LSH执行对象的识别，以使得减小计算量以及可以实现匹配的加速。另外，可以维持匹配的准确性。
计算机的配置示例
可以通过硬件或者软件执行上述一系列处理。在通过软件执行一系列处理的情形中，可以从程序记录介质把软件安装在通过内置专用硬件组建的计算机或者通用个人计算机中。
图19表示示出了通过程序执行上述一系列处理的计算机的硬件的配置示例的方框图。
CPU(中央处理单元)101、ROM(只读存储器)102以及RAM(随机访问存储器)103经由总线104彼此相连。
总线104还连接到I/O(输入/输出)接口105。I/O接口105连接到诸如键盘和鼠标的输入单元106以及诸如显示器和扬声器的输出单元107。另外，I/O接口105连接到诸如硬盘和非易失性存储器的存储单元108、诸如网络接口的通信单元109以及驱动可拆除介质111的驱动器110。
在如上所述组建的计算机中，CPU 101经由I/O接口105和总线104把例如存储单元108中存储的程序加载到RAM 103中以执行程序，从而执行上述一系列处理。
可以通过例如在可拆除介质111上记录或者通过经由诸如局域网、互联网、或者数字广播的有线或无线传输介质传输以安装在存储单元108中来提供CPU 101执行的程序。
另外，计算机执行的程序可以是以时间序列按照说明书中描述的顺序或并行地执行处理的程序，或者可以是在诸如做出调用时的必要时刻执行处理的程序。
本申请包含与2010年4月7日提交日本专利局的日本在先专利申请JP 2010-088461中公开的主题相关的主题，其全部内容经引用并入本文。
本发明的实施例不限于上述实施例，可以在不脱离本发明范围的情况下做出各种改变。

Claims (7)

1.一种识别装置，包括：
存储单元，用于存储通过基于特征量进行聚类而确定的模型特征点即模型数据的特征点所属的簇的信息以及所述模型特征点的特征量的信息；
提取单元，用于提取查询特征点即以查询的形式输入的数据的特征点的特征量；
生成单元，用于确定包括作为参考的参考点即所述查询特征点中的一个查询特征点以及从属点即取决于所述参考点的一个或多个查询特征点的查询特征点第一集合，以及对每个第一集合在给定所述参考点的位置作为参考的情况下、生成几何信息即表示每个从属点的位置的信息；
聚类单元，用于通过与所述模型特征点的所述聚类中一样的方案对查询特征点进行聚类；
校正单元，用于把与所述参考点属于同一簇的模型特征点设立成所述参考点的最近候选，把与所述从属点属于同一簇的模型特征点设立成所述从属点的最近候选，在给定每个所述从属点的最近候选的位置作为参考的情况下、确定在认为通过所述几何信息指定的参考点存在的位置处是否存在所述参考点的最近候选，以及根据所述确定的结果校正作为所述参考点最近候选的模型特征点；以及
相似度计算单元，用于基于每个特征点的特征量计算包括校正之后参考点的最近候选和所述从属点的最近候选的第二集合与所述第一集合的相似度以及确定距所述第一集合最近的第二集合。
2.如权利要求1所述的识别装置，
其中，在确定在认为通过所述几何信息指定的所述参考点的最近候选存在的位置处不存在所述参考点的最近候选的情形中，所述校正单元把作为所述参考点最近候选的模型特征点添加到该位置。
3.如权利要求2所述的识别装置，
其中，在确定在认为通过所述几何信息指定的所述参考点的最近候选存在的位置处不存在所述参考点的最近候选以及取决于该位置处模型特征点的从属点的最近候选的数量大于预定数量的情形中，所述校正单元添加作为所述参考点最近候选的模型特征点。
4.如权利要求3所述的识别装置，
其中，在确定在认为通过所述几何信息指定的所述参考点存在的位置处存在所述参考点的最近候选以及取决于该位置处模型特征点的从属点的最近候选的数量小于预定数量的情形中，所述校正单元删除所述参考点的最近候选。
5.如权利要求1所述的识别装置，还包括：
量化单元，用于按照表示所述查询特征点特征量的查询特征量向量和LSH哈希函数向量即维数与所述查询特征量向量的维数一样的向量的内积值是否等于或大于阈值将所述查询特征量向量量化为值1或值0，
其中，所述聚类单元把所述查询特征点聚类成属于通过如下内容标识的簇的特征点：通过使用每个哈希函数向量获得的查询特征量向量的量化之后的值的组合。
6.一种识别方法，包括步骤：
存储通过基于特征量进行聚类而确定的模型特征点即模型数据的特征点所属的簇的信息以及所述模型特征点的特征量的信息；
提取查询特征点即以查询的形式输入的数据的特征点的特征量；
确定包括作为参考的参考点即所述查询特征点中的一个查询特征点以及从属点即取决于所述参考点的一个或多个查询特征点的查询特征点第一集合，以及对每个第一集合在给定所述参考点的位置作为参考的情况下、生成几何信息即表示每个从属点的位置的信息；
通过与所述模型特征点的所述聚类中一样的方案对所述查询特征点进行聚类；
把与所述参考点属于同一簇的模型特征点设立成所述参考点的最近候选，把与所述从属点属于同一簇的模型特征点设立成所述从属点的最近候选，在给定每个所述从属点的最近候选的位置作为参考的情况下、确定在认为通过所述几何信息指定的参考点存在的位置处是否存在所述参考点的最近候选，以及根据所述确定的结果校正作为所述参考点最近候选的模型特征点；以及
基于每个特征点的特征量计算包括校正之后参考点的最近候选和所述从属点的最近候选的第二集合与所述第一集合的相似度以及确定距所述第一集合最近的第二集合。
7.一种程序，用于允许计算机执行包括如下步骤的处理：
存储通过基于特征量进行聚类而确定的模型特征点即模型数据的特征点所属的簇的信息以及所述模型特征点的特征量的信息；
提取查询特征点即以查询的形式输入的数据的特征点的特征量；
确定包括作为参考的参考点即所述查询特征点中的一个查询特征点以及从属点即取决于所述参考点的一个或多个查询特征点的查询特征点第一集合，以及对每个第一集合在给定所述参考点的位置作为参考的情况下、生成几何信息即表示每个从属点的位置的信息；
通过与所述模型特征点的所述聚类中一样的方案对所述查询特征点进行聚类；
把与所述参考点属于同一簇的模型特征点设立成所述参考点的最近候选，把与所述从属点属于同一簇的模型特征点设立成所述从属点的最近候选，在给定每个所述从属点的最近候选的位置作为参考的情况下、确定在认为通过所述几何信息指定的参考点存在的位置处是否存在所述参考点的最近候选，以及根据所述确定的结果校正作为所述参考点最近候选的模型特征点；以及
基于每个特征点的特征量计算包括校正之后参考点的最近候选和所述从属点的最近候选的第二集合与所述第一集合的相似度以及确定距所述第一集合最近的第二集合。
CN2011100834828A 2010-04-07 2011-03-31 识别装置、识别方法以及程序 Pending CN102214302A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2010-088461 2010-04-07
JP2010088461A JP2011221688A (ja) 2010-04-07 2010-04-07 認識装置、認識方法、およびプログラム

Publications (1)

Publication Number Publication Date
CN102214302A true CN102214302A (zh) 2011-10-12

Family

ID=44745602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2011100834828A Pending CN102214302A (zh) 2010-04-07 2011-03-31 识别装置、识别方法以及程序

Country Status (3)

Country Link
US (1) US8270723B2 (zh)
JP (1) JP2011221688A (zh)
CN (1) CN102214302A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102724387A (zh) * 2012-05-26 2012-10-10 安科智慧城市技术（中国）有限公司 一种电子稳像的方法及装置
CN102722554A (zh) * 2012-05-28 2012-10-10 中国人民解放军信息工程大学 位置敏感哈希随机性减弱方法
CN102915347A (zh) * 2012-09-26 2013-02-06 中国信息安全测评中心 一种分布式数据流聚类方法及系统
CN103336963A (zh) * 2013-07-08 2013-10-02 天脉聚源(北京)传媒科技有限公司 一种图像特征提取的方法及装置
CN103390162A (zh) * 2013-07-08 2013-11-13 中国科学院计算技术研究所 一种台标检测方法
CN104412301A (zh) * 2012-06-29 2015-03-11 日本电气株式会社 图像处理设备、图像处理方法、以及程序
CN105849776A (zh) * 2013-12-26 2016-08-10 日本电气株式会社 图像处理装置、主题识别方法和程序
CN111009074A (zh) * 2018-10-04 2020-04-14 富士电机株式会社 管理服务器、自动售货机以及装置识别信息赋予方法

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6153086B2 (ja) 2011-12-14 2017-06-28 日本電気株式会社 映像処理システム、映像処理方法、携帯端末用またはサーバ用の映像処理装置およびその制御方法と制御プログラム
JP6226187B2 (ja) 2012-01-30 2017-11-08 日本電気株式会社 情報処理システム、情報処理方法、情報処理装置およびその制御方法と制御プログラム、通信端末およびその制御方法と制御プログラム
US9792528B2 (en) 2012-01-30 2017-10-17 Nec Corporation Information processing system, information processing method, information processing apparatus and control method and control program thereof, and communication terminal and control method and control program thereof
JP6164899B2 (ja) * 2013-04-05 2017-07-19 キヤノン株式会社 ハッシュ値生成装置、システム、判定方法、プログラム、記憶媒体
CN103473307B (zh) * 2013-09-10 2016-07-13 浙江大学 跨媒体稀疏哈希索引方法
US9158996B2 (en) * 2013-09-12 2015-10-13 Kabushiki Kaisha Toshiba Learning image collection apparatus, learning apparatus, and target object detection apparatus
US9514753B2 (en) 2013-11-04 2016-12-06 Google Inc. Speaker identification using hash-based indexing
US9940100B2 (en) * 2014-08-29 2018-04-10 Adobe Systems Incorporated Shortlist computation for searching high-dimensional spaces
JP6460926B2 (ja) * 2015-06-25 2019-01-30 Kddi株式会社 撮影画像に写る物体を検索するシステム及び方法
US9852177B1 (en) * 2016-12-13 2017-12-26 Kami Intelligence Ltd System and method for generating automated response to an input query received from a user in a human-machine interaction environment
KR102381373B1 (ko) * 2017-08-16 2022-03-31 삼성전자주식회사 비정형적 분할을 이용한 영상 부호화 방법 및 그 장치, 영상 복호화 방법 및 그 장치
CN107729290B (zh) * 2017-09-21 2021-05-11 北京大学深圳研究生院 一种利用局部敏感哈希优化的超大规模图的表示学习方法
US11281801B2 (en) * 2019-01-02 2022-03-22 International Business Machines Corporation Decentralized privacy-preserving clinical data evaluation
CN109902193B (zh) * 2019-01-17 2024-03-19 平安科技（深圳）有限公司 小区搜索方法、装置、设备及计算机可读存储介质
CN116978387A (zh) * 2019-07-02 2023-10-31 杜比国际公司 用于离散指向性数据的表示、编码和解码的方法、设备和系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100324988B1 (ko) * 1994-06-13 2002-08-27 마츠시타 덴끼 산교 가부시키가이샤 신호해석장치
KR100781340B1 (ko) 2006-09-18 2007-11-30 삼성전자주식회사 사용자 정의 확장 연산을 처리하는 연산 시스템 및 방법
JP4989308B2 (ja) * 2007-05-16 2012-08-01 キヤノン株式会社 画像処理装置及び画像検索方法
CN101609506B (zh) * 2008-06-20 2012-05-23 索尼株式会社 用于识别图像中的模型对象的装置及方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102724387A (zh) * 2012-05-26 2012-10-10 安科智慧城市技术（中国）有限公司 一种电子稳像的方法及装置
CN102724387B (zh) * 2012-05-26 2016-08-03 安科智慧城市技术（中国）有限公司 一种电子稳像的方法及装置
CN102722554A (zh) * 2012-05-28 2012-10-10 中国人民解放军信息工程大学 位置敏感哈希随机性减弱方法
CN102722554B (zh) * 2012-05-28 2014-07-02 中国人民解放军信息工程大学 位置敏感哈希随机性减弱方法
US10796188B2 (en) 2012-06-29 2020-10-06 Nec Corporation Image processing apparatus, image processing method, and program to identify objects using image features
CN104412301A (zh) * 2012-06-29 2015-03-11 日本电气株式会社 图像处理设备、图像处理方法、以及程序
US10540566B2 (en) 2012-06-29 2020-01-21 Nec Corporation Image processing apparatus, image processing method, and program
CN102915347B (zh) * 2012-09-26 2016-10-12 中国信息安全测评中心 一种分布式数据流聚类方法及系统
CN102915347A (zh) * 2012-09-26 2013-02-06 中国信息安全测评中心 一种分布式数据流聚类方法及系统
CN103336963A (zh) * 2013-07-08 2013-10-02 天脉聚源(北京)传媒科技有限公司 一种图像特征提取的方法及装置
CN103390162B (zh) * 2013-07-08 2016-08-10 中国科学院计算技术研究所 一种台标检测方法
CN103390162A (zh) * 2013-07-08 2013-11-13 中国科学院计算技术研究所 一种台标检测方法
CN105849776A (zh) * 2013-12-26 2016-08-10 日本电气株式会社 图像处理装置、主题识别方法和程序
CN111009074A (zh) * 2018-10-04 2020-04-14 富士电机株式会社 管理服务器、自动售货机以及装置识别信息赋予方法
CN111009074B (zh) * 2018-10-04 2021-12-14 富士电机株式会社 管理服务器、自动售货机以及装置识别信息赋予方法

Also Published As

Publication number Publication date
JP2011221688A (ja) 2011-11-04
US20110249899A1 (en) 2011-10-13
US8270723B2 (en) 2012-09-18

Similar Documents

Publication Publication Date Title
CN102214302A (zh) 识别装置、识别方法以及程序
US20200401939A1 (en) Systems and methods for preparing data for use by machine learning algorithms
CN111339427B (zh) 一种图书信息推荐方法、装置、系统及存储介质
US11429892B2 (en) Recommending sequences of content with bootstrapped reinforcement learning
CN110489423B (zh) 一种信息抽取的方法、装置、存储介质及电子设备
CN110555148B (zh) 一种用户行为评估方法、计算设备及存储介质
CN110688565B (zh) 基于多维霍克斯过程和注意力机制的下一个物品推荐方法
CN111432003B (zh) 应用于云计算的数据推送方法、装置、电子设备及系统
CN115618096A (zh) 内积检索方法和电子设备
CN112364942A (zh) 信贷数据样本均衡方法、装置、计算机设备及存储介质
CN114691868A (zh) 文本聚类方法、装置及电子设备
CN114255381A (zh) 图像识别模型的训练方法、图像识别方法、装置及介质
Zhao et al. Binary multi-view sparse subspace clustering
JPWO2020049666A1 (ja) 時系列データ処理装置
Vishwanathan et al. Binet-Cauchy Kernels.
CN115455142A (zh) 文本检索方法、计算机设备和存储介质
CN112633369B (zh) 图像匹配方法、装置、电子设备、计算机可读存储介质
CN115168326A (zh) Hadoop大数据平台分布式能源数据清洗方法及系统
CN111125541B (zh) 面向多用户的可持续多云服务组合的获取方法
EP4272215A1 (en) Protein structure prediction
Jin et al. A general framework for efficient clustering of large datasets based on activity detection
van de Laar et al. Input selection based on an ensemble
CN112231546A (zh) 异构文档的排序方法、异构文档排序模型训练方法及装置
Kaedi et al. Holographic memory-based Bayesian optimization algorithm (HM-BOA) in dynamic environments
US11989660B1 (en) Transaction entity prediction with a global list

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20111012