CN103455818A - 一种多层次描述的人体特征提取方法 - Google Patents

一种多层次描述的人体特征提取方法 Download PDF

Info

Publication number
CN103455818A
CN103455818A CN2013102198845A CN201310219884A CN103455818A CN 103455818 A CN103455818 A CN 103455818A CN 2013102198845 A CN2013102198845 A CN 2013102198845A CN 201310219884 A CN201310219884 A CN 201310219884A CN 103455818 A CN103455818 A CN 103455818A
Authority
CN
China
Prior art keywords
gradient
human body
image
hierachical
extracting method
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
CN2013102198845A
Other languages
English (en)
Inventor
刘亚洲
张艳
孙权森
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN2013102198845A priority Critical patent/CN103455818A/zh
Publication of CN103455818A publication Critical patent/CN103455818A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种多层次描述的人体特征提取方法。输入原始图像，计算图像梯度得到梯度图像；根据方向量化步长
Figure 2013102198845100004DEST_PATH_IMAGE002
，对梯度图像进行方向划分，获得不同的通道；根据空间量化步长
Figure 2013102198845100004DEST_PATH_IMAGE004
，对每个通道进行空间划分；在每个通道中，生成一个矩形特征窗口；在特征窗口内计算特征描述子；将所有通道的特征描述子串接起来，形成一组特征描述子。按照不同的步长调节参数
Figure 553715DEST_PATH_IMAGE002
和
Figure 353043DEST_PATH_IMAGE004
，重复上述步骤，直到生成预设组数的具有不同描述能力的特征描述子。本发明解决了人体数据难以进行配准的问题。

Description

一种多层次描述的人体特征提取方法
技术领域
本发明涉及计算机视觉和模式识别领域，更具体地说，是一种多层次描述的人体特征提取方法。
背景技术
人体检测是指在输人图像或者视频序列中确定所有人体的位置及大小的过程。人体检测作为人体运动的视觉分析中的一项关键技术，近年来成为生物特征识别和计算机视觉领域内的研究热点。
由于衣着、姿态和光照等因素的影响，使得人体数据的类内散度非常大。因此，如何提取有效的特征对人体数据进行描述并使之能够在特征空间中有比较紧致的分布，成为影响人体检测性能的关键因素。根据特征类型的不同，可以分为基于灰度的特征和基于梯度的特征以及基于多特征融合的方法。对于人体外观存在的差异，很多研究结果表明，基于梯度的人体表达方式较基于灰度的表达方式对于光照等变化具有更好的鲁棒性。而相对近期的很多研究结果表明，基于梯度统计信息的方法对于边缘的平移和旋转具有更好的鲁棒性，而对于具有多自由度的人体而言，这种边缘的变化又是非常常见的，因此基于梯度统计的方法在人体检测方面取得了很好的效果。例如：Lowe提出了著名的尺度不变描述子（Scale-Invariant Feature Transform，SIFT）进行物体检测，Mikolajczyk等提出了位置-方向直方图特征。
由于人体衣着、姿态的变化，人体比例的差异，视角的变化和遮挡问题等，造成了很难将人体的各个部分进行比较好的对齐的问题，即弱配准问题。这一问题目前仍然是人体检测中的难点问题之一。
发明内容
本发明的目的在于，针对上述人体检测技术中，人体数据难以进行配准的问题，提出了一种多层次描述的人体特征提取方法。
实现本发明目的的技术解决方案为：一种多层次描述的人体特征提取方法，包括以下步骤：
1）输入原始图像，计算图像梯度得到梯度图像；
2）根据方向量化步长                                               ，对梯度图像进行方向划分，获得不同的通道；
3）根据空间量化步长
Figure 838019DEST_PATH_IMAGE004
，对每个通道进行空间划分；
4）在每个通道中，生成一个矩形特征窗口；
5）在特征窗口内计算特征描述子；
6）将所有通道的特征描述子串接起来，形成一组特征描述子。
7）按照不同的步长调节参数
Figure 387687DEST_PATH_IMAGE002
和
Figure 250601DEST_PATH_IMAGE004
，重复步骤2）~ 步骤6），直到生成预设组数的具有不同描述能力的特征描述子。
上述方法中，所述步骤1）中原始图像可以是灰度图像或彩色图像，如果是彩色图像，则转换为灰度图像。
上述方法中，所述步骤2）包括以下具体步骤：
21）计算梯度角度即梯度图像每个像素的切线角度；
22）根据方向量化步长对梯度角度进行量化，将梯度图像划分成不同方向的通道，每个通道的角度
Figure 739668DEST_PATH_IMAGE006
，通道的个数
Figure 24019DEST_PATH_IMAGE008
=
Figure 108650DEST_PATH_IMAGE010
，=1，2…
Figure DEST_PATH_IMAGE014AA
；
23）对于每个角度为
Figure 385916DEST_PATH_IMAGE016
的通道，保留那些量化后梯度角度为
Figure 3717DEST_PATH_IMAGE016
的像素点，其他的像素点置0； 
上述方法中，所述步骤22）中与梯度特征的旋转鲁棒性成正比，与方向确定性成反比。
上述方法中，所述步骤3）中空间划分是指，对于角度为
Figure 296475DEST_PATH_IMAGE016
的通道，利用一组切线角度为的间距为的平行线将其分割成多个划分；
上述方法中，所述步骤3）中
Figure 400194DEST_PATH_IMAGE004
与梯度特征的平移鲁棒性成正比，与位置确定性成反比。 
上述方法中，所述步骤4）中特征窗口可以是随机生成的，也可以是按照一定步长有规则地生成的。
上述方法中，所述步骤5）包括以下具体步骤：
51）在特征窗口内，计算每个划分的梯度强度；
52）选择具有最大梯度强度的划分，计算和归一化其特征描述子；
上述方法中，所述步骤51）中划分的梯度强度是指划分内的所有像素的梯度强度的和；
上述方法中，所述步骤52）中的特征描述子是一个7维的异质的向量，对于角度为
Figure 975530DEST_PATH_IMAGE016
的通道，该特征描述子为
Figure 345332DEST_PATH_IMAGE018
，该向量的各个分量的意义和计算方式如下： 
a）
Figure 439190DEST_PATH_IMAGE020
是具有最大梯度强度的划分的索引值，将这个索引值归一化为
Figure 236245DEST_PATH_IMAGE022
，其中
Figure 782764DEST_PATH_IMAGE024
是任意划分的梯度强度；
b）
Figure 628360DEST_PATH_IMAGE026
 是每个划分的梯度强度中的最大值, 将其归一化为
Figure 639041DEST_PATH_IMAGE028
 ；
c）
Figure 43215DEST_PATH_IMAGE030
是所有划分的梯度强度的标准差，用如下公式计算
Figure 77030DEST_PATH_IMAGE032
, 其中
Figure 788635DEST_PATH_IMAGE034
；
d）
Figure 857085DEST_PATH_IMAGE036
和
Figure 933625DEST_PATH_IMAGE038
是具有最大梯度强度的划分
Figure 251474DEST_PATH_IMAGE040
内所有非零像素点的位置的均值，通过如下公式来计算
Figure 202987DEST_PATH_IMAGE042
，
Figure 188261DEST_PATH_IMAGE044
，其中
Figure 435702DEST_PATH_IMAGE046
表示非零像素点的数目；表示特征窗口的中心，
Figure 231937DEST_PATH_IMAGE050
表示特征窗口的宽和高；
e）
Figure 71717DEST_PATH_IMAGE052
和
Figure 490060DEST_PATH_IMAGE054
是
Figure 48081DEST_PATH_IMAGE040
内所有非零像素点的位置分布沿着梯度和法向方向的标准差，通过公式
Figure 75817DEST_PATH_IMAGE056
 ，
Figure 35683DEST_PATH_IMAGE058
 计算获得，其中，
Figure 624927DEST_PATH_IMAGE060
，
Figure 342347DEST_PATH_IMAGE062
，
Figure 737557DEST_PATH_IMAGE064
。
上述方法中，所述步骤6）中特征描述子的形式为
Figure 489612DEST_PATH_IMAGE066
。
本发明与现有技术相比，其显著优点：本发明通过在方向划分和空间划分时采用不同的量化步长来实现对人体数据的不同层次的抽象，可以得到从确定性描述到统计性描述的一系列具有不同描述特性的人体表示，解决了人体数据难以进行配准的问题。
附图说明
图1是本发明的特征提取流程图。
图2是将原始图像转变成梯度图像的过程。
图3是对梯度图像进行方向划分的过程。
图4是对通道进行空间划分和计算特征的过程。
具体实施方式
本发明的整体操作流程如图1 所示。下面结合附图对本发明的具体实施方式作进一步详细的说明。
步骤1）输入原始图像，计算图像梯度得到梯度图像。
本发明的数据源为灰度图像或彩色图像。如果是彩色图像，可以先转换成灰度图像，再进行后续处理。
对于输入图像21，图像上的每一个像素用一个三元组
Figure 312075DEST_PATH_IMAGE068
表示，其中，
Figure 21185DEST_PATH_IMAGE070
表示像素的位置，表示像素的灰度值，计算如下各值：
a）图像灰度在
Figure 826647DEST_PATH_IMAGE074
和
Figure 757694DEST_PATH_IMAGE076
方向上的一阶导数
Figure 512024DEST_PATH_IMAGE078
和
Figure 452298DEST_PATH_IMAGE080
；
b）梯度的强度
Figure 411901DEST_PATH_IMAGE082
；
c）梯度的切线角度
Figure 576167DEST_PATH_IMAGE084
；
d）从原点到的梯度切线的距离
Figure 233861DEST_PATH_IMAGE086
。
通过计算图像梯度得到的梯度图像如图22所示，其上的每一个像素用一个五元组
Figure 611753DEST_PATH_IMAGE088
来表示。
步骤2）根据方向量化步长
Figure 150181DEST_PATH_IMAGE002
，对梯度图像22进行方向划分，获得不同方向的通道。
设方向量化步长
Figure 613524DEST_PATH_IMAGE002
为
Figure 394136DEST_PATH_IMAGE090
，对梯度角度进行量化，将梯度图像划分成几个方向不同的通道
Figure 335864DEST_PATH_IMAGE094
，其中
Figure 224186DEST_PATH_IMAGE008
=
Figure 106691DEST_PATH_IMAGE010
=9，
Figure 396858DEST_PATH_IMAGE096
称
Figure 775624DEST_PATH_IMAGE016
为每个通道的角度。对于每个通道
Figure 213559DEST_PATH_IMAGE098
 ，只有那些量化后梯度角度为
Figure 837438DEST_PATH_IMAGE016
的像素点被保留，其他的像素点置为0。如图3所示,31、32、33……39分别表示
Figure 44429DEST_PATH_IMAGE090
、
Figure 95561DEST_PATH_IMAGE100
、
Figure 20792DEST_PATH_IMAGE102
……
Figure 182783DEST_PATH_IMAGE104
通道。
根据方向划分方法可知，参数控制梯度特征的方向确定性：当
Figure 958990DEST_PATH_IMAGE106
取值较大时，保留的特征的方向确定性较小，旋转鲁棒性较大；反之，则保留的特征的方向确定性较大，旋转鲁棒性较小。
步骤3）根据空间量化步长
Figure 371517DEST_PATH_IMAGE004
，对每个通道进行空间划分。
对于每个角度为通道，利用切线方向为，间距为
Figure 911716DEST_PATH_IMAGE004
的一组平行线将其分割成多个划分。以图33通道为例，空间划分后得到如图41所示的通道。
根据空间划分方法可知，参数
Figure 483643DEST_PATH_IMAGE004
控制梯度特征的位置确定性：当
Figure 49754DEST_PATH_IMAGE004
取值较大时，保留的梯度特征的位置确定性较小，平移鲁棒性较大；反之，则保留的梯度特征的位置确定性较大，平移鲁棒性较小。
步骤4）在每个通道中生成一个矩形特征窗口。以图41为例，在其中生成一个特征窗口如图42所示。
特征窗口可以是随机生成的，也可以是按照一定步长有规则地生成的。设本发明所用图像宽度和高度分别为
Figure 787640DEST_PATH_IMAGE108
，随机生成的特征窗口为
Figure 413794DEST_PATH_IMAGE110
，其中（
Figure 473017DEST_PATH_IMAGE112
）表示窗口左上角的点，
Figure 842818DEST_PATH_IMAGE050
分别表示特征窗口的宽和高，如图42所示，特征窗口满足条件：
Figure 936676DEST_PATH_IMAGE114
。
步骤5）在每个特征窗口
Figure 733731DEST_PATH_IMAGE116
内，计算特征描述子。
步骤51）计算每个划分的梯度强度即划分内所有像素的梯度强度的和。
步骤52）选择具有最大梯度强度的划分, 如图43所示，计算和归一化其特征描述子。
对于每一个角度为
Figure 280250DEST_PATH_IMAGE016
的通道，该特征描述子是一个7维的异质的向量
Figure 188163DEST_PATH_IMAGE018
，其中的各个分量的物理意义和计算方法如下：
a）
Figure 635062DEST_PATH_IMAGE020
是具有最大梯度强度的划分的索引值，将这个索引值归一化为
Figure 603018DEST_PATH_IMAGE022
；
b） 是每个划分的梯度强度中的最大值, 将其归一化为
Figure 348438DEST_PATH_IMAGE028
 ；
c）
Figure 151308DEST_PATH_IMAGE030
是所有划分的梯度强度的标准差，用如下公式计算
Figure 290166DEST_PATH_IMAGE032
, 其中
Figure 811277DEST_PATH_IMAGE034
；
d）
Figure 762790DEST_PATH_IMAGE036
和
Figure 482485DEST_PATH_IMAGE038
是具有最大梯度强度的划分
Figure 792243DEST_PATH_IMAGE040
内所有非零像素点的位置的均值，通过如下公式来计算
Figure 800650DEST_PATH_IMAGE042
，，其中
Figure 631520DEST_PATH_IMAGE046
表示非零像素点的数目；
Figure 49863DEST_PATH_IMAGE048
表示特征窗口
Figure 607884DEST_PATH_IMAGE116
的中心；
e）
Figure 641479DEST_PATH_IMAGE052
和
Figure 273449DEST_PATH_IMAGE054
是
Figure 190590DEST_PATH_IMAGE040
内所有非零像素点的位置分布沿着梯度和法向方向的标准差，通过公式
Figure 908010DEST_PATH_IMAGE056
 ，
Figure 240902DEST_PATH_IMAGE058
 计算获得，其中，
Figure 55274DEST_PATH_IMAGE060
，
Figure 877737DEST_PATH_IMAGE062
，
Figure 580988DEST_PATH_IMAGE064
；
步骤6）将所有通道的特征描述子联合起来，形成一组特征描述子，表示为
Figure 779889DEST_PATH_IMAGE066
。
步骤7）按照不同的步长分别改变参数
Figure 386450DEST_PATH_IMAGE002
和
Figure 379814DEST_PATH_IMAGE004
，重复步骤2）~ 步骤6），直到生成预设组数的具有不同描述能力的特征描述子。

Claims (11)

1.一种多层次描述的人体特征提取方法，其特征在于步骤如下：1）输入原始图像，计算图像梯度得到梯度图像；
2）根据方向量化步长                                               ，对梯度图像进行方向划分，获得不同的通道；
3）根据空间量化步长
Figure 529827DEST_PATH_IMAGE004
，对每个通道进行空间划分；
4）在每个通道中，生成一个矩形特征窗口；
5）在特征窗口内计算特征描述子；
6）将所有通道的特征描述子串接起来，形成一组特征描述子；
7）按照不同的步长调节参数
Figure 151390DEST_PATH_IMAGE002
和
Figure 973852DEST_PATH_IMAGE004
，重复步骤2）~ 步骤6），直到生成预设组数的具有不同描述能力的特征描述子。
2.根据权利要求1所述的多层次描述的人体特征提取方法，其特征在于：所述步骤1）中原始图像是灰度图像或彩色图像，如果是彩色图像，则转换为灰度图像。
3.根据权利要求1所述的多层次描述的人体特征提取方法，其特征在于所述步骤2）包括以下具体步骤：
21）计算梯度角度即梯度图像每个像素的切线角度；
22）根据方向量化步长
Figure 303202DEST_PATH_IMAGE002
对梯度角度进行量化，将梯度图像划分成不同方向的通道，每个通道的角度
Figure 502102DEST_PATH_IMAGE006
，通道的个数
Figure 170981DEST_PATH_IMAGE008
=
Figure 977394DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE012A
=1，2…
Figure DEST_PATH_IMAGE014A
； 
23）对于每个角度为
Figure 482456DEST_PATH_IMAGE016
的通道，保留那些量化后梯度角度为的像素点，其他的像素点置0。
4.根据权利要求1或3所述的多层次描述的人体特征提取方法，其特征在于：所述步骤22）中
Figure 805170DEST_PATH_IMAGE002
与梯度特征的旋转鲁棒性成正比，与方向确定性成反比。
5.根据权利要求1所述的多层次描述的人体特征提取方法，其特征在于：所述步骤3）中空间划分是指，对于角度为的通道，利用一组切线角度为
Figure 476640DEST_PATH_IMAGE016
、间距为
Figure 564813DEST_PATH_IMAGE004
的平行线将其分割成多个划分。
6.根据权利要求1所述的多层次描述的人体特征提取方法，其特征在于：所述步骤3）中
Figure 208284DEST_PATH_IMAGE004
与梯度特征的平移鲁棒性成正比，与位置确定性成反比。
7.根据权利要求1所述的多层次描述的人体特征提取方法，其特征在于：所述步骤4）中特征窗口可以是随机生成的，也可以是按照一定步长有规则地生成的。
8.根据权利要求1所述的多层次描述的人体特征提取方法，其特征在于所述步骤5）包括以下具体步骤：
51）在特征窗口内，计算每个划分的梯度强度；
52）选择具有最大梯度强度的划分，计算和归一化其特征描述子。
9.根据权利要求1或8所述的多层次描述的人体特征提取方法，其特征在于：所述步骤51）中划分的梯度强度是指划分内的所有像素的梯度强度的和。
10.根据权利要求1或8所述的多层次描述的人体特征提取方法，其特征在于：所述步骤52）中的特征描述子是一个7维的异质的向量，对于角度为的通道，该特征描述子为
Figure 334688DEST_PATH_IMAGE018
，该向量的各个分量的意义和计算方式如下： 
a）
Figure 226552DEST_PATH_IMAGE020
是具有最大梯度强度的划分的索引值，将这个索引值归一化为
Figure 724530DEST_PATH_IMAGE022
，其中
Figure 496177DEST_PATH_IMAGE024
是任意划分的梯度强度；
b）
Figure 509132DEST_PATH_IMAGE026
 是每个划分的梯度强度中的最大值, 将其归一化为
Figure 391637DEST_PATH_IMAGE028
 ；
c）
Figure 557171DEST_PATH_IMAGE030
是所有划分的梯度强度的标准差，用如下公式计算
Figure 499719DEST_PATH_IMAGE032
, 其中
Figure 937653DEST_PATH_IMAGE034
；
d）
Figure 420587DEST_PATH_IMAGE036
和
Figure 893157DEST_PATH_IMAGE038
是具有最大梯度强度的划分
Figure 819656DEST_PATH_IMAGE040
内所有非零像素点的位置的均值，通过如下公式来计算
Figure 744886DEST_PATH_IMAGE042
，
Figure 31511DEST_PATH_IMAGE044
，其中
Figure 93008DEST_PATH_IMAGE046
表示非零像素点的数目；表示特征窗口的中心，
Figure 620513DEST_PATH_IMAGE050
表示特征窗口的宽和高；
e）
Figure 648512DEST_PATH_IMAGE052
和
Figure 892412DEST_PATH_IMAGE054
是
Figure 82085DEST_PATH_IMAGE040
内所有非零像素点的位置分布沿着梯度和法向方向的标准差，通过公式
Figure 794957DEST_PATH_IMAGE056
 ，
Figure 361067DEST_PATH_IMAGE058
 计算获得，其中，
Figure 725053DEST_PATH_IMAGE060
，，
Figure 285795DEST_PATH_IMAGE064
。
11.根据权利要求1所述的多层次描述的人体特征提取方法，其特征在于：所述步骤6）中特征描述子的形式为
Figure 655596DEST_PATH_IMAGE066
。
CN2013102198845A 2013-04-28 2013-04-28 一种多层次描述的人体特征提取方法 Pending CN103455818A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2013102198845A CN103455818A (zh) 2013-04-28 2013-04-28 一种多层次描述的人体特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2013102198845A CN103455818A (zh) 2013-04-28 2013-04-28 一种多层次描述的人体特征提取方法

Publications (1)

Publication Number Publication Date
CN103455818A true CN103455818A (zh) 2013-12-18

Family

ID=49738160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2013102198845A Pending CN103455818A (zh) 2013-04-28 2013-04-28 一种多层次描述的人体特征提取方法

Country Status (1)

Country Link
CN (1) CN103455818A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110659680A (zh) * 2019-09-16 2020-01-07 西安电子科技大学 一种基于多尺度卷积的图像patch匹配方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090285456A1 (en) * 2008-05-19 2009-11-19 Hankyu Moon Method and system for measuring human response to visual stimulus based on changes in facial expression
CN102354388A (zh) * 2011-09-22 2012-02-15 北京航空航天大学 一种自适应计算图像底层特征重要性权重的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090285456A1 (en) * 2008-05-19 2009-11-19 Hankyu Moon Method and system for measuring human response to visual stimulus based on changes in facial expression
CN102354388A (zh) * 2011-09-22 2012-02-15 北京航空航天大学 一种自适应计算图像底层特征重要性权重的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Y LIU 等: "Granularity-tunable Gradients Partition (GGP) Descriptors for Human Detection", 《IEEE CONFERENCE ON COMPUTER VISION PATTERN RECOGNITION》 *
刘亚洲: "基于时空分析和多粒度特征表示的人体检测方法研究", 《中国博士学位论文全文数据库 信息科技特辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110659680A (zh) * 2019-09-16 2020-01-07 西安电子科技大学 一种基于多尺度卷积的图像patch匹配方法

Similar Documents

Publication Publication Date Title
DE102020100684B4 (de) Kennzeichnung von graphischen bezugsmarkierern
US9483835B2 (en) Depth value restoration method and system
CN110163239B (zh) 一种基于超像素和条件随机场的弱监督图像语义分割方法
WO2016034059A1 (zh) 基于颜色-结构特征的目标对象跟踪方法
CN106651871B (zh) 一种深度图像空洞的自动填充方法
US20120121166A1 (en) Method and apparatus for three dimensional parallel object segmentation
JP4979033B2 (ja) オブジェクト・ベース視覚的注意モデルの顕著性推定
CN107358245B (zh) 一种图像协同显著区域的检测方法
KR101384627B1 (ko) 영상 내 객체 영역 자동분할 방법
WO2019071976A1 (zh) 基于区域增长和眼动模型的全景图像显著性检测方法
US20180150714A1 (en) A method and a device for extracting local features of a three-dimensional point cloud
US8983199B2 (en) Apparatus and method for generating image feature data
WO2018082308A1 (zh) 一种图像处理方法及终端
US10169908B2 (en) Method, apparatus, storage medium and device for controlled synthesis of inhomogeneous textures
CN105139417A (zh) 视频监控下的多目标实时跟踪方法
WO2014036813A1 (zh) 图像特征的提取方法及装置
CN104408445A (zh) 实时人体自动检测方法
CN107180436A (zh) 一种改进的kaze图像匹配算法
CN105184771A (zh) 一种自适应运动目标检测系统及检测方法
CN106846343A (zh) 一种基于聚类超像素分割的病理图像特征提取方法
Li et al. RGBD relocalisation using pairwise geometry and concise key point sets
CN103116890B (zh) 一种基于视频图像的智能搜索匹配方法
CN107563986A (zh) 图像区域的判断方法和系统
KR20130059212A (ko) 지역적 특징의 통계적 학습을 통한 강건한 얼굴인식방법
US20150169940A1 (en) Method for face model alignment on unseen faces

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20131218

RJ01 Rejection of invention patent application after publication