CN103903238A - 图像特征的显著结构和相关结构融合方法 - Google Patents
图像特征的显著结构和相关结构融合方法 Download PDFInfo
- Publication number
- CN103903238A CN103903238A CN201410107862.4A CN201410107862A CN103903238A CN 103903238 A CN103903238 A CN 103903238A CN 201410107862 A CN201410107862 A CN 201410107862A CN 103903238 A CN103903238 A CN 103903238A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- formula
- lbp
- hog
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
图像特征的显著结构和相关结构融合方法,包括图像的HOG特征和LBP特征的提取步骤、样本集内部图像特征的显著结构的度量步骤、样本集之间图像特征的相关结构的度量步骤和显著结构和相关结构融合映射步骤。本发明首先提取图像的HOG特征和LBP特征,然后用χ2测度度量样本集内部图像特征的显著结构,用典型相关度量样本集之间图像特征的相关结构的度量,最终通过矩阵谱优化求解的方法融合结构,获得融合后的特征集,解决了现有技术无法将图像多特征的显著结构和相关结构融合的问题,并获得了判别能力强的结构融合特征。
Description
技术领域
本发明属于视频监控图像处理方法技术领域,涉及一种图像HOG特征和LBP特征的显著结构和相关结构融合方法。
背景技术
近年来,基于内容分析的智能监控系统的应用越来越多,要智能分析和识别目标,图像的描述与认知是要解决的重要问题,因为图像描述的多样性和多特征结构观测的多样性,使得单一观测多特征结构难以完整的描述图像的本质结构。现有技术无法进行图像多特征的显著结构和相关结构融合,进而无法更加准确的表征图像特征。
发明内容
本发明的目的在于提供一种图像特征的显著结构和相关结构融合方法,解决现有技术存在的图像多特征的显著结构和相关结构难以融合的问题,最终获得判别能力强的结构融合特征。
本发明采用的技术方案为,图像特征的显著结构和相关结构融合方法,包括以下步骤:
步骤1,图像的HOG特征和LBP特征的提取;
步骤2,样本集内部图像特征的显著结构的度量;
步骤3,样本集之间图像特征的相关结构的度量;
步骤4,显著结构和相关结构融合映射。
本发明的特点还在于:
上述步骤1,图像的HOG特征和LBP特征的提取方法如下:
图像的HOG特征提取,设I为灰度图像,I(x,y)为I在坐标(x,y)处的像素值,图像归一化如式(1)所示:
I(x,y)=I(x,y)1/2 (1)
计算图像的梯度如式(2)所示。
Gx(x,y)=I(x+1,y)-I(x-1,y)
Gy(x,y)=I(x,y+1)-I(x,y-1)
式中Gx(x,y)、Gy(x,y)、G(x,y)、α(x,y)分别为表示输入图像像素(x,y)处的水平方向梯度幅值、垂直方向梯度幅值、梯度幅值、梯度方向;将图像分成有多个矩形单元格,单元格中有4×4个像素(图像分块多少与图像大小相关,如8×8的图像分为4个单元格),将单元格的梯度方向在360度平均分成9个方向块,将梯度方向属于方向块范围的梯度幅值累加,形成9维特征向量,将相邻的四个单元格组成图像块,对图像块中36维特征向量z=[z1,z2,z3,...,z36]按照(3)式归一化得v=[v1,v2,v3,...,v36]。
vi=(zi-min(z))/(max(z)-min(z)) (3)
串联所有的图像块特征向量得图像的HOG特征向量表示为x1i,设有m个图像样本,1≤i≤m,m个图像样本的HOG特征集为X1=[x11,x12,...,x1m]T。
图像的LBP特征提取,将图像分成有多个矩形单元格,单元格中有16×16个像素,对单元格中每个像素,将以其为中心相邻的8个像素的灰度值与其灰度值进行比较,若大于其灰度值,则该像素点的位置标记为1,否则为0,这样产生8位二进制数,从上到下,从左到右的顺序,得到中心像素点的LBP值,计算单元格的直方图,即为每个LBP值出现的频率,再按照式(3)的方法对表示直方图的向量归一化,最后得到的每个单元格的特征向量串联起来的图像的LBP特征向量表示为x2i,设有m个图像样本,1≤i≤m,m个图像样本的HOG特征集为X2=[x21,x22,...,x2m]T。
上述步骤2,样本集内部图像特征的显著结构的度量方法如下:
因为选取的HOG特征和LBP特征描述都是分布特征,而且分布值特征因旋转变换产生周期性平移,欧氏距离不能直接测度偏移的分布值特征,所以选用χ2测度;m个图像样本,根据步骤1,m个图像的HOG特征和LBP特征集表示为X1=[x11,x12,...,x1m]T和X2=[x21,x22,...,x2m]T,图像的HOG特征的显著结构度量为dX1(x1i,x1j),x1i和x1j为图像i和图像j的HOG特征表征;图像的LBP特征的显著结构度量为dX2(x2i,x2j),x2i和x2j为图像i和图像j的LBP特征表征,它们分别由下式计算:
上述步骤3,样本集之间图像特征的相关结构的度量方法如下:
两个特征集表示为X1=[x11,x12,...,x1m]T和X2=[x21,x22,...,x2m]T,那么两个特征集间的相关结构度量S(X1,X2)表示为典型相关性的和,如下式所示,
其中 Λ1、Λ2、Λ0分别为矩阵分解的对角矩阵。
上述步骤4,显著结构和相关结构融合映射的方法如下:
定义X1=[x11,x12,...,x1m]T和X2=[x21,x22,...,x2m]T特征显著结构测度相似矩阵,以步骤2中的式(4)代入式(7),式(5)代入式(8)分别计算度量的相似矩阵为W1={W1i,j}和W2={W2i,j}(i=1,2,...,m j=1,2,...,m),如下式:
Wi,j=W1i,j+W2i,j (10)
Wi,j为W矩阵在i行j列的元素
L=D-W (11)
其中
(B-XLXT)α=λXXTα (12)
其中 Λ1、Λ2、Λ0分别为矩阵分解的对角矩阵。
通过迭代学习求解式A=[α1,α2,...,αd],第一步初始赋予A为单位矩阵;第二步通过P1、P2和A求得R1和R2正规化P1和P2(P1和P2被P1R1 -1和P2R2 -1正规化,R1和R2分别为ATP1和ATP2的QR分解上三角矩阵);第三步通过式(12)求解得A=[α1,α2,...,αd],迭代5-6次数得收敛的结果。求解出A后,通过式Y=ATX映射各个特征集,得融合后的特征集为Y。
本发明具有如下有益效果:
1、本发明图像特征的显著结构和相关结构融合方法,首先提取图像的HOG特征和LBP特征,然后用χ2测度度量样本集内部图像特征的显著结构,用典型相关度量样本集之间图像特征的相关结构的度量,最终通过矩阵谱优化求解的方法融合结构,获得融合后的特征集,解决了现有技术无法将图像多特征的显著结构和相关结构融合的问题。
2、采用本发明图像特征的显著结构和相关结构融合方法,可以获得判别能力强的结构融合特征,提高了图像的识别率。
具体实施方式
下面对本发明的具体实施方式进行详细说明。
步骤1,图像的HOG特征和LBP特征的提取。
本发明的图像的多特征为HOG特征和LBP特征,因为HOG侧重于图像局部梯度的描述,能保持图像的几何形变不变性和光照影响的不变性;而LBP侧重于图像局部纹理的描述,能对保持图像的旋转不变性和灰度不变性。将两种特征的不同观测结构进行融合,能更加逼近图像本质结构,获得判别能力强的融合特征。
图像的HOG特征提取。设I为灰度图像,I(x,y)为I在坐标(x,y)处的像素值。图像归一化如式(1)所示:
I(x,y)=I(x,y)1/2 (1)
计算图像的梯度如式(2)所示:
Gx(x,y)=I(x+1,y)-I(x-1,y)
Gy(x,y)=I(x,y+1)-I(x,y-1)
式中Gx(x,y)、Gy(x,y)、G(x,y)、α(x,y)分别为表示输入图像像素(x,y)处的水平方向梯度幅值、垂直方向梯度幅值、梯度幅值、梯度方向。将图像分成有多个矩形单元格,单元格中有4×4个像素(图像分块多少与图像大小相关,如8×8的图像分为4个单元格)。将单元格的梯度方向在360度平均分成9个方向块,将梯度方向属于方向块范围的梯度幅值累加,形成9维特征向量。将相邻的四个单元格组成图像块,对图像块中36维特征向量z=[z1,z2,z3,...,z36]按照(3)式归一化得v=[v1,v2,v3,...,v36]。
vi=(zi-min(z))/(max(z)-min(z)) (3)
串联所有的图像块特征向量得图像的HOG特征表示。
图像的LBP特征提取。将图像分成有多个矩形单元格,单元格中有16×16个像素。对单元格中每个像素,将以其为中心相邻的8个像素的灰度值与其灰度值进行比较,若大于其灰度值,则该像素点的位置标记为1,否则为0。这样产生8位二进制数(从上到下,从左到右的顺序),得到中心像素点的LBP值。计算单元格的直方图,即为每个LBP值出现的频率,在按照式(3)的方法对表示直方图的向量归一化。最后将得到的每个单元格的特征向量串联起来得图像的LBP特征向量。
步骤2,样本集内部图像特征的显著结构的度量。
因为选取的HOG和LBP特征描述都是分布特征,而且分布值特征因旋转变换产生周期性平移,欧氏距离不能直接测度偏移的分布值特征,所以选用χ2测度。设有m个图像样本,则根据步骤1m个图像的HOG和LBP特征集表示为X1=[x11,x12,...,x1m]T和X2=[x21,x22,...,x2m]T。图像的HOG特征的显著结构度量为dX1(x1i,x1j),x1i和x1j为图像i和图像j的HOG特征表征;图像的LBP特征的显著结构度量为dX2(x2i,x2j),x2i和x2j为图像i和图像j的LBP特征表征,它们分别由下式计算:
步骤3,样本集之间图像特征的相关结构的度量。
两个特征集表示为X1=[x11,x12,...,x1m]T和X2=[x21,x22,...,x2m]T,那么两个特征集间的相关结构度量S(X1,X2)表示为典型相关性的和,如下式所示,
其中 其中Λ1、Λ2、Λ0分别为矩阵分解的对角矩阵。
步骤4,显著结构和相关结构融合映射。
定义X1=[x11,x12,...,x1m]T和X2=[x21,x22,...,x2m]T特征显著结构测度相似矩阵,以步骤2计算度量的相似矩阵为W1={W1i,j}和W2={W2i,j}(i=1,2,...,m j=1,2,...,m)如下式:
Wi,j=W1i,j+W2i,j (10)
Wi,j为W矩阵在i行j列的元素
L=D-W (11)
其中
(B-XLXT)α=λXXTα (12)
其中
通过迭代学习求解式A=[α1,α2,...,αd],第一步初始赋予A为单位矩阵;第二步通过P1、P2和A求得R1和R2正规化P1和P2(P1和P2被P1R1 -1和P2R2 -1正规化,R1和R2分别为ATP1和ATP2的QR分解上三角矩阵);第三步通过式(12)求解得A=[α1,α2,...,αd],迭代5-6次数得收敛的结果。求解出A后,通过式Y=ATX映射各个特征集,得融合后的特征集为Y。
实施例1,在哥伦比亚目标图像库COIL20中,包含来自于20个目标不同角度拍摄的1440个图像,每张图像的像素为32×32,有256个灰度级。对图像库中图像用本发明图像特征的显著结构和相关结构融合方法,最终获得融合特征。采用最近邻分类器和留一法的实验策略对此图像库中图像分类。表1中为采用不同方法获得的图像识别率。CCA为典型相关性分析方法。
表1COIL20库中不同方法的识别率
方法 | LBP | HOG | CCA | 本发明 |
识别率 | 94.77% | 96.73% | 98.57% | 98.96% |
实施例2,在ORL人脸库中,包含来自于40个人的400个人脸图像,每张图像的像素为32×32,有256个灰度级。对图像库中图像用本发明图像特征的显著结构和相关结构融合方法,最终获得融合特征。采用最近邻分类器和留一法的实验策略对此图像库中图像分类。表2中为不同方法实验中获得的识别率。CCA为典型相关性分析方法。
表2ORL库中不同方法的识别率
方法 | LBP | HOG | CCA | 本发明 |
识别率 | 70.33% | 83.64% | 92.36% | 95.11% |
从表1、表2可以看出,采用本发明图像特征的显著结构和相关结构融合方法获得的图像的识别率高于其他几种方法所获得的图像的识别率。
Claims (6)
1.图像特征的显著结构和相关结构融合方法,其特征在于,包括以下步骤:
步骤1,图像的HOG特征和LBP特征的提取;
步骤2,样本集内部图像特征的显著结构的度量;
步骤3,样本集之间图像特征的相关结构的度量;
步骤4,显著结构和相关结构融合映射。
2.如权利要求1所述的图像特征的显著结构和相关结构融合方法,其特征在于,所述步骤1,图像的HOG特征和LBP特征的提取方法如下:
图像的HOG特征提取,设I为灰度图像,I(x,y)为I在坐标(x,y)处的像素值,图像归一化如式(1)所示:
I(x,y)=I(x,y)1/2 (1)
计算图像的梯度如式(2)所示:
Gx(x,y)=I(x+1,y)-I(x-1,y)
Gy(x,y)=I(x,y+1)-I(x,y-1)
式中Gx(x,y)、Gy(x,y)、G(x,y)、α(x,y)分别为表示输入图像像素(x,y)处的水平方向梯度幅值、垂直方向梯度幅值、梯度幅值、梯度方向;将图像分成有多个矩形单元格,单元格中有4×4个像素,将单元格的梯度方向在360度平均分成9个方向块,将梯度方向属于方向块范围的梯度幅值累加,形成9维特征向量,将相邻的四个单元格组成图像块,对图像块中36维特征向量z=[z1,z2,z3,...,z36]按照(3)式归一化得v=[v1,v2,v3,...,v36],
vi=(zi-min(z))/(max(z)-min(z)) (3)
串联所有的图像块特征向量得图像的HOG特征向量表示为x1i,设有m个图像样本,1≤i≤m,m个图像样本的HOG特征集为X1=[x11,x12,...,x1m]T;
图像的LBP特征提取,将图像分成有多个矩形单元格,单元格中有16×16个像素,对单元格中每个像素,将以其为中心相邻的8个像素的灰度值与其灰度值进行比较,若大于其灰度值,则该像素点的位置标记为1,否则为0,这样产生8位二进制数,从上到下,从左到右的顺序,得到中心像素点的LBP值,计算单元格的直方图,即为每个LBP值出现的频率,再按照式(3)的方法对表示直方图的向量归一化,最后得到的每个单元格的特征向量串联起来的图像的LBP特征向量表示为x2i,设有m个图像样本,1≤i≤m,m个图像样本的HOG特征集为X2=[x21,x22,...,x2m]T。
3.如权利要求1所述的图像特征的显著结构和相关结构融合方法,其特征在于,所述步骤2,样本集内部图像特征的显著结构的度量方法如下:
因为选取的HOG特征和LBP特征描述都是分布特征,而且分布值特征因旋转变换产生周期性平移,欧氏距离不能直接测度偏移的分布值特征,所以选用χ2测度;m个图像样本,根据步骤1,m个图像的HOG特征和LBP特征集表示为X1=[x11,x12,...,x1m]T和X2=[x21,x22,...,x2m]T,图像的HOG特征的显著结构度量为dX1(x1i,x1j),x1i和x1j为图像i和图像j的HOG特征表征;图像的LBP特征的显著结构度量为dX2(x2i,x2j),x2i和x2j为图像i和图像j的LBP特征表征,它们分别由下式计算:
4.如权利要求1所述的图像特征的显著结构和相关结构融合方法,其特征在于,所述步骤3,样本集之间图像特征的相关结构的度量方法如下:
两个特征集表示为X1=[x11,x12,...,x1m]T和X2=[x21,x22,...,x2m]T,那么两个特征集间的相关结构度量S(X1,X2)表示为典型相关性的和,如下式所示,
其中 Λ1、Λ2、Λ0分别为矩阵分解的对角矩阵。
5.如权利要求1所述的图像特征的显著结构和相关结构融合方法,其特征在于,所述步骤4,显著结构和相关结构融合映射的方法如下:
定义X1=[x11,x12,...,x1m]T和X2=[x21,x22,...,x2m]T特征显著结构测度相似矩阵,以步骤2中的式(4)代入式(7),式(5)代入式(8)分别计算度量的相似矩阵为W1={W1i,j}和W2={W2i,j}(i=1,2,...,m j=1,2,...,m),如下式:
Wi,j=W1i,j+W2i,j (10)
Wi,j为W矩阵在i行j列的元素
L=D-W (11)
其中
(B-XLXT)α=λXXTα (12)其中 Λ1、Λ2、Λ0分别为矩阵分解的对角矩阵;
通过迭代学习求解式A=[α1,α2,...,αd],第一步初始赋予A为单位矩阵;第二步通过P1、P2和A求得R1和R2正规化P1和P2(P1和P2被P1R1 -1和P2R2 -1正规化,R1和R2分别为ATP1和ATP2的QR分解上三角矩阵);第三步通过式(12)求解得A=[α1,α2,...,αd],迭代5-6次数得收敛的结果,求解出A后,通过式Y=ATX映射各个特征集,得融合后的特征集为Y。
6.如权利要求5所述的图像特征的显著结构和相关结构融合方法,其特征在于,P1和P2被P1R1 -1和P2R2 -1正规化,R1和R2分别为ATP1和ATP2的QR分解上三角矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410107862.4A CN103903238B (zh) | 2014-03-21 | 2014-03-21 | 图像特征的显著结构和相关结构融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410107862.4A CN103903238B (zh) | 2014-03-21 | 2014-03-21 | 图像特征的显著结构和相关结构融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103903238A true CN103903238A (zh) | 2014-07-02 |
CN103903238B CN103903238B (zh) | 2017-06-20 |
Family
ID=50994545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410107862.4A Active CN103903238B (zh) | 2014-03-21 | 2014-03-21 | 图像特征的显著结构和相关结构融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103903238B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654093A (zh) * | 2015-11-25 | 2016-06-08 | 小米科技有限责任公司 | 特征提取方法及装置 |
CN105654094A (zh) * | 2015-11-25 | 2016-06-08 | 小米科技有限责任公司 | 特征提取方法及装置 |
CN105678788A (zh) * | 2016-02-19 | 2016-06-15 | 中原工学院 | 一种基于hog和低秩分解的织物疵点检测方法 |
CN105740880A (zh) * | 2016-01-21 | 2016-07-06 | 西安理工大学 | 图像局部特征语义分布结构和样本分布结构融合编码方法 |
CN107004137A (zh) * | 2014-11-24 | 2017-08-01 | 德克萨斯仪器股份有限公司 | 用于目标检测的系统和方法 |
CN107463166A (zh) * | 2016-06-03 | 2017-12-12 | 苏州宝时得电动工具有限公司 | 自动行走设备及其控制行走方法 |
CN109271840A (zh) * | 2018-07-25 | 2019-01-25 | 西安电子科技大学 | 一种视频手势分类方法 |
CN109671044A (zh) * | 2018-12-04 | 2019-04-23 | 重庆邮电大学 | 一种基于可变图像分解的多曝光图像融合方法 |
CN109685058A (zh) * | 2017-10-18 | 2019-04-26 | 杭州海康威视数字技术股份有限公司 | 一种图像目标识别方法、装置及计算机设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169544A (zh) * | 2011-04-18 | 2011-08-31 | 苏州市慧视通讯科技有限公司 | 基于多特征融合的人脸遮挡检测方法 |
CN103237197A (zh) * | 2013-04-10 | 2013-08-07 | 中国科学院自动化研究所 | 用于鲁棒跟踪的自适应多特征融合的方法 |
-
2014
- 2014-03-21 CN CN201410107862.4A patent/CN103903238B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169544A (zh) * | 2011-04-18 | 2011-08-31 | 苏州市慧视通讯科技有限公司 | 基于多特征融合的人脸遮挡检测方法 |
CN103237197A (zh) * | 2013-04-10 | 2013-08-07 | 中国科学院自动化研究所 | 用于鲁棒跟踪的自适应多特征融合的方法 |
Non-Patent Citations (8)
Title |
---|
HUNG-HSU TSAI 等: "Using SVM to Design Facial Expression Recognition for Shape and Texture Features", 《INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》, vol. 2010, no. 9, 14 July 2010 (2010-07-14), pages 2697 - 2704, XP 031760029 * |
严新平: "基于特征融合的笑脸识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2013, no. 3, 15 March 2013 (2013-03-15), pages 138 - 1145 * |
刘伟锋 等: "人脸表情的LBP特征分析", 《计算机工程与应用》 * |
刘帅师 等: "基于Gabor多方向特征融合与分块直方图的人脸表情识别方法", 《自动化学报》, vol. 37, no. 12, 15 December 2011 (2011-12-15), pages 1455 - 1463 * |
孙权森 等: "典型相关分析的理论及其在特征融合中的应用", 《计算机学报》, vol. 28, no. 9, 30 September 2005 (2005-09-30), pages 1524 - 1533 * |
范彩霞 等: "多特征融合的人体目标再识别", 《中国图象图形学报》, vol. 18, no. 6, 30 June 2013 (2013-06-30), pages 711 - 717 * |
顾鑫 等: "基于不确定性度量的多特征融合跟踪", 《自动化学报》, vol. 37, no. 5, 15 May 2011 (2011-05-15), pages 550 - 559 * |
黄冬丽 等: "HOG特征提取中的三线性插值算法", 《电脑知识与技术》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107004137B (zh) * | 2014-11-24 | 2021-11-19 | 德克萨斯仪器股份有限公司 | 用于目标检测的系统和方法 |
CN107004137A (zh) * | 2014-11-24 | 2017-08-01 | 德克萨斯仪器股份有限公司 | 用于目标检测的系统和方法 |
US10297015B2 (en) | 2015-11-25 | 2019-05-21 | Xiaomi Inc. | Method, device and computer-readable medium for identifying feature of image |
CN105654094A (zh) * | 2015-11-25 | 2016-06-08 | 小米科技有限责任公司 | 特征提取方法及装置 |
CN105654093A (zh) * | 2015-11-25 | 2016-06-08 | 小米科技有限责任公司 | 特征提取方法及装置 |
WO2017088249A1 (zh) * | 2015-11-25 | 2017-06-01 | 小米科技有限责任公司 | 特征提取方法及装置 |
CN105740880B (zh) * | 2016-01-21 | 2019-07-23 | 西安理工大学 | 图像局部特征语义分布结构和样本分布结构融合编码方法 |
CN105740880A (zh) * | 2016-01-21 | 2016-07-06 | 西安理工大学 | 图像局部特征语义分布结构和样本分布结构融合编码方法 |
CN105678788B (zh) * | 2016-02-19 | 2017-11-24 | 中原工学院 | 一种基于hog和低秩分解的织物疵点检测方法 |
CN105678788A (zh) * | 2016-02-19 | 2016-06-15 | 中原工学院 | 一种基于hog和低秩分解的织物疵点检测方法 |
CN107463166A (zh) * | 2016-06-03 | 2017-12-12 | 苏州宝时得电动工具有限公司 | 自动行走设备及其控制行走方法 |
CN109685058A (zh) * | 2017-10-18 | 2019-04-26 | 杭州海康威视数字技术股份有限公司 | 一种图像目标识别方法、装置及计算机设备 |
CN109685058B (zh) * | 2017-10-18 | 2021-07-09 | 杭州海康威视数字技术股份有限公司 | 一种图像目标识别方法、装置及计算机设备 |
US11347977B2 (en) | 2017-10-18 | 2022-05-31 | Hangzhou Hikvision Digital Technology Co., Ltd. | Lateral and longitudinal feature based image object recognition method, computer device, and non-transitory computer readable storage medium |
CN109271840A (zh) * | 2018-07-25 | 2019-01-25 | 西安电子科技大学 | 一种视频手势分类方法 |
CN109671044A (zh) * | 2018-12-04 | 2019-04-23 | 重庆邮电大学 | 一种基于可变图像分解的多曝光图像融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103903238B (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103903238A (zh) | 图像特征的显著结构和相关结构融合方法 | |
CN102880877B (zh) | 一种基于轮廓特征的目标识别方法 | |
CN107203781B (zh) | 一种基于显著性指导的端到端的弱监督目标检测方法 | |
CN101980250B (zh) | 基于降维局部特征描述子和隐条件随机场的目标识别方法 | |
CN104102904B (zh) | 一种静态手势识别方法 | |
CN105913456A (zh) | 基于区域分割的视频显著性检测方法 | |
CN105160317A (zh) | 一种基于区域分块行人性别识别方法 | |
CN104408733B (zh) | 基于对象随机游走的遥感图像视觉显著性检测方法及系统 | |
CN108038438B (zh) | 一种基于奇异值分解的多源人脸图像联合特征提取方法 | |
CN104680158A (zh) | 一种基于对尺度块局部多值模式的人脸识别方法 | |
CN105574515A (zh) | 一种无重叠视域下的行人再识别方法 | |
CN104200233A (zh) | 一种基于韦伯局部描述符的服装分类识别方法 | |
Liang et al. | An extraction and classification algorithm for concrete cracks based on machine vision | |
CN105868711B (zh) | 一种基于稀疏低秩的人体行为识别方法 | |
CN103544488A (zh) | 一种人脸识别方法及装置 | |
CN104778472A (zh) | 人脸表情特征提取方法 | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
CN103533332B (zh) | 一种2d视频转3d视频的图像处理方法 | |
CN101727568A (zh) | 前景动作估计装置和前景动作估计方法 | |
CN104504692B (zh) | 基于区域对比度的图像中显著对象的提取方法 | |
CN106407975A (zh) | 基于空间‑光谱结构约束的多尺度分层目标检测方法 | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
CN100416592C (zh) | 基于数据流形的人脸自动识别方法 | |
CN105205829A (zh) | 基于改进的二维Otsu的变电站红外图像分割方法 | |
CN102609722B (zh) | 视频图像中形状的局部与全局特征结构融合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |