CN103927540A - 一种基于生物视觉分层模型的不变特征提取方法 - Google Patents
一种基于生物视觉分层模型的不变特征提取方法 Download PDFInfo
- Publication number
- CN103927540A CN103927540A CN201410134727.9A CN201410134727A CN103927540A CN 103927540 A CN103927540 A CN 103927540A CN 201410134727 A CN201410134727 A CN 201410134727A CN 103927540 A CN103927540 A CN 103927540A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- sample
- layer
- yardstick
- 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
本发明公开了一种基于生物视觉分层模型的不变特征提取方法,包括:步骤1、对待测量样本进行处理,得到待测量样本的特征优胜图像金字塔;步骤2、选择训练样本集,得到各训练样本的特征优胜图像金字塔,并进一步构建训练样本特征向量集;步骤3,对上述训练样本特征向量集进行过完备训练,构建过完备字典;步骤4,提取待测量样本的特征向量,用过完备字典对待测量样本的特征向量进行稀疏表达,得到特征稀疏表示层;步骤5,对步骤4中的特征稀疏表示层进行位置竞争处理和尺度竞争处理,得到最终特征向量。本发明采用多尺度金子塔,有利于目标多尺度特征的提取;采用分层处理模式,符合生物视觉信息加工的生理模型,有利于提取视觉不变特征。
Description
技术领域
本发明属于图像处理技术领域,更具体地,涉及一种基于生物视觉分层模型的不变特征提取方法。
背景技术
在目标识别领域中,特征提取是影响目标识别能力的关键技术之一。生物视觉系统具有在复杂场景中快速准确识别目标的能力,将生物视觉机制引入到机器识别应用领域是一个非常有潜力的研究方向。
目前常用的生物视觉机制采用分层模型来模拟视觉系统的处理过程,通过逐层加工,使简单特征逐步进化成具有不变性的复杂特征,并利用样本的复杂特征建立特征字典,进而利用特征字典来实现目标的识别。这一过程中,特征字典的建立尤为重要,现有的方法常采用随机取训练样本的方式来获得特征字典,具有一定的随意性,影响了特征字典的应用效果和目标识别的性能。
发明内容
针对现有技术的不足,本发明在复杂特征遍历选取的基础上,采用稀疏表示学习方法,构建过完备特征字典,进而用该字典实现特征的稀疏表示,减少特征字典构建的随机性,提高目标识别的性能。
为实现上述目的,如图1所示,本发明提供了一种基于生物视觉分层模型的不变特征提取方法,包括:
步骤1、对待测量样本进行处理,依次获得待测量样本的图像层、简单特征层和特征局部竞争层,得到待测量样本的特征优胜图像金字塔;
步骤2、选择训练样本集,根据步骤1中的方法对训练样本集中的各训练样本处理得到各训练样本的特征优胜图像金字塔,并进一步构建训练样本特征向量集;
步骤3,对上述训练样本特征向量集进行过完备训练,构建过完备字典;
步骤4,从步骤1中的待测量样本的特征优胜图像金字塔中提取待测量样本的特征向量,利用过完备字典对待测量样本的特征向量进行稀疏表达,得到特征稀疏表示层;
步骤5,对步骤4中的特征稀疏表示层进行位置竞争处理和尺度竞争处理,得到最终特征向量。
作为本发明的优选,所述步骤1具体包括:
步骤1.1、图像层金字塔构建:
(1.1.1)将待测量样本的原始图像转化为灰度图像;
(1.1.2)对该灰度图像进行长宽等比例缩放处理,使短边缩放后为140个像素;
(1.1.3)以2为降采样比例构建具有不同尺度的10层金字塔图像,金字塔由顶层至底层依次编号为1-10,第10层金字塔图像的短边长为140,向上逐层递减;
步骤1.2、简单特征提取:
(1.2.1)对金字塔每层图像分别都用窗口大小为11×11,12个方向的Gabor滤波器进行边缘特征提取,每层图像经滤波后获得12幅不同方向的边缘特征图像,从而获得一个10层边缘特征图像金字塔,每层含12幅方向边缘特征图像;
(1.2.2)对边缘特征图像金字塔进行信息抑制处理,首先对每层12幅方向图像求均值,获得12幅均值图像,然后对每层的每幅图像逐像素进行处理,如果该像素的值小于同层均值图像相同位置像素的值,则该像素置为0,否则,像素的值保持不变;
步骤1.3、特征局部竞争处理:
(1.3.1)对边缘特征图像金字塔的相邻尺度的12个方向分别进行尺度和位置局部竞争处理,得到9层特征优胜图像金字塔;首先对具有相邻尺度的两幅边缘特征图像进行尺度竞争,选择对应像素值较大的一个,组成一幅尺度竞争优胜图;然后在预先定义的10×10搜索窗口内,对尺度竞争优胜图像执行位置竞争,从局部窗口中选取最大像素值作为该点的像素值,这样获得12幅尺度和位置竞争优胜图;
(1.3.2)对竞争优胜图像金字塔进行信息抑制处理,首先对每层12幅方向图像求均值,获得12幅均值图像,然后对每层的每幅图像逐像素进行处理,如果该像素的值小于同层均值图像相同位置像素的值,则该像素置为0,否则,像素的值保持不变;获得9层特征优胜图像金字塔,每层12幅图像。
作为本发明的优选,所述步骤2具体包括:
步骤2.1、选取系列正样本图像,根据步骤1中的方法对每个样本进行处理,获得每个样本图像的特征优胜图像金字塔;
步骤2.2、样本图像特征向量提取:对步骤1.1中的每个样本图像的特征优胜图像依次进行如下处理:将9层优胜图像分成4组,每组建立一个过完备字典;其中1、2层为尺度组1,记为W1;3、4层为尺度组2,记为W2;5、6层为尺度组3,记为W3;7、8和9层分为尺度组4,记W4;用4×4模板对每组Wi中每层图像的12幅图像同时遍历采样,获得一系列具有相同采样位置不同方向的子块组,每组由12个4×4大小的块组成,对每组12个方向的子块进行融合处理,形成一个4×4大小的特征矩阵,矩阵中每个元素的值取12个子块中相同位置的最大值,这样,一系列大小为4×4的特征矩阵分别构成4个不同尺度字典的训练样本特征向量集,记为Ki;其中,i=1,2,3,4。
作为本发明的优选,所述步骤3具体包括:
根据步骤2.2中得到的4个不同尺度字典的训练样本特征向量集求取相应的过完备字典Di;
其中Di为所求的4个不同分组的过完备字典,每个字典的原子数量为M,每个原子大小为4×4的特征矩阵,Qi为相应字典的稀疏表示系数。
作为本发明的优选,所述步骤4具体包括:
步骤4.1、在步骤1中的待测量样本的特征优胜图像金字塔中每层提取K个特征向量记为Ij,k,j=(1,...,9),k=(1,...,K);
步骤4.2、利用步骤3中训练获得的过完备字典对特征向量进行稀疏表示,稀疏表示系数通过下式求解:
其中,Qj,k为Ij,k的稀疏表示系数,为M×1的列向量。
作为本发明的优选,所述步骤5具体包括:
步骤5.1、对Qj,k进行位置竞争处理,获得竞争结果Hj:
Hj(i)=max{Qj,k(i),(k=1,...,K)},i=(1,...,M),j=(1,...,9)
步骤5.2、对Hj(j=1,...,9)进行尺度竞争处理,获得最终的M×1维特征列向量T:
T(i)=max{Hj(i),(j=1,...,9)},(i=1,...,M)。
与现有技术相比,本发明具有以下有益效果:
(1)采用多尺度金子塔,有利于目标多尺度特征的提取;
(2)采用分层处理模式,符合生物视觉信息加工的生理模型,有利于提取视觉不变特征;
(3)采用4×4的采样模板对样本不同尺度的图像进行遍历采样,避免了随机采样的随意性,有利于提高训练样本的完备性。
(4)利用过完备字典对图像特征进行稀疏表示和编码,符合生物视觉特性,具有更高的识别能力。
附图说明
图1是本发明中基于生物视觉分层模型的不变特征提取方法提取图;
图2是基于本发明提取的不变特征的识别流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
先利用样本进行训练得到特征字典,然后再用特征字典建立正/负样本的特征模块,其具体流程如图2所示,详细过程说明如下。
字典的训练过程:
步骤1、构建正样本库;
步骤2、图像层处理。对样本库里的每个样本都要进行图像层处理,图像层处理分为三步:
(1)原始图像转化为灰度图像;
(2)对该灰度图像进行长宽等比例缩放处理,使短边缩放后为140个像素;
(3)以2(1/4)降采样比例构建具有不同尺度的10层金字塔,金字塔由顶层至底层依次编号为1~10,第10层图像的短边长为140,向上逐层递减。
步骤3、简单特征提取:
(1)对金字塔每层图像分别都用窗口大小为11×11,12个方向的Gabor滤波器进行滤波,每层图像经滤波后获得12幅具有不同方向的边缘特征图像,这样获得一个10层边缘特征图像金字塔,每层含12幅方向边缘特征图像;
(2)对边缘特征图像金字塔进行信息抑制处理,首先对每层12幅方向特征图像求均值,获得12幅均值图像,然后对每层的每幅图像逐像素进行处理,如果该像素的值小于同层均值图像相同位置像素的值,则该像素置为0,否则,像素的值保持不变。
步骤4、特征局部竞争处理:
(1)对边缘特征图像金字塔的相邻尺度的12个方向分别进行尺度和位置局部竞争处理,得到9层特征竞争优胜图像金字塔。首先对具有相邻尺度的两幅边缘特征图像进行“尺度竞争”,选择对应像素值较大的一个,组成一幅尺度竞争优胜图;然后在预先定义的10×10搜索窗口内,对尺度竞争优胜图像执行“位置竞争”,竞争方式是从局部窗口中选取最大像素值作为该点的像素值,这样获得12幅尺度和位置竞争优胜图。
(2)采用与边缘特征提取过程中同样的信息抑制处理方法对竞争优胜图像金字塔进行处理,获得9层优胜图像金字塔,每层12幅图像。
步骤5、利用K-SVD算法构建特征字典:
(1)对每个样本图像的特征优胜图像依次进行如下处理:将9层优胜图像进行分组,其中1、2层为尺度组1,记为W1;3、4层为尺度组2,记为W2;5、6层为尺度组3,记为W3;7、8和9层由于尺度很小,分为尺度组4,记W4,这样形成4组,每组建立一个过完备字典,分别记为Di(i=1,2,3,4)。然后用4×4模板对每组Wi(i=1,2,3,4)中每层图像的12幅图像(12个不同方向)遍历采样,获得一系列具有相同采样位置不同方向的子块组,每组由12个4×4大小的块组成,对每组12个方向的子块进行融合处理,形成一个4×4大小的特征矩阵,矩阵中每个元素的值取12个子块中相同位置的最大值。这样,获得一系列大小为4×4的特征矩阵,形成4个训练样本集,分别记为Ki(i=1,2,3,4),并分别对应用于过完备字典Di(i=1,2,3,4)的训练。
(2)利用K-SVD算法以下式为目标函数构建相应的过完备字典:
其中Di(i=1,2,3,4)为所求的4个不同分组的字典,每个字典的原子数量为M,每个原子大小为4×4列向量,Qi为稀疏表示系数。
待识别特征的稀疏表示与识别过程:
(1)对给定的待识别图像,采用与字典训练过程中步骤2至步骤4步相同的方法获得特征竞争优胜图像,并在每层选取K个特征向量,记为Ij,k,j=(1,...,9)k=(1,...,K);
(2)利用训练获得的过完备字典对特征向量进行稀疏表示,稀疏系数的求解采用(式2)获得:
其中,Qj,k为Ij,k的稀疏表示系数,为M×1的列向量。
(3)按下式对Qj,k进行位置竞争处理,获得竞争结果Hj:
Hj(i)=max{Qj,k(i),(k=1,...,K)},i=(1,...,M),j=(1,...,9)
(4)按下式对Hj(j=1,...,9)进行尺度竞争处理,获得最终的M×1维特征列向量T:
T(i)=max{Hj(i),(j=1,...,9)},(i=1,...,M)。
(5)用获得的待识别目标的特征向量T与正负样本特征模板库中的特征模板进行模板匹配,完成目标的识别。
实施效果分析:
为了对本发明的实施效果进行分析,这里列举三组不同的人脸识别测试过程,考虑到本发明是在JIM模型基础上的改进,因此以JIM模型作为对比方法。
实验数据:选用6000副100*100的人脸和4000副40*40作为实验数据,分别记为A组和B组。将A组数据平均分成10份,每份600副人脸。同样,将B组数据平均分成10份,每份400副人脸。
实验1:采用留一测试法,取A组数据中的9份作为训练样本,剩下的一份作为测试样本,分别做10次,保证每一份都有一次作为测试样本,实验结果见表1。
表1实验1识别结果
JIM | 本发明 | |
平均识别率 | 0.9971 | 0.9991 |
实验2:从A组中选取1份作为训练样本,从B组中选取1份作为测试样本,做10*10次,保证A组中的任何一份和B组中的任何一份都配对一次,实验结果见表2。
表2实验2识别结果
JIM | 本发明 | |
平均识别率 | 0.992 | 0.996 |
实验3:分别选取A组中的一份和B组中的一份混合作为训练样本,用同样的方法从A和B两组剩下的9份中各取一份组成混合测试样本,随机做1000次,实验结果见表3。
表3实验3识别结果
JIM | 本发明 | |
平均识别率 | 0.9977 | 0.9986 |
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于生物视觉分层模型的不变特征提取方法,其特征在于,所述方法包括:
步骤1、对待测量样本进行处理,依次获得待测量样本的图像层、简单特征层和特征局部竞争层,得到待测量样本的特征优胜图像金字塔;
步骤2、选择训练样本集,根据步骤1中的方法对训练样本集中的各训练样本处理得到各训练样本的特征优胜图像金字塔,并进一步构建训练样本特征向量集;
步骤3,对上述训练样本特征向量集进行过完备训练,构建过完备字典;
步骤4,从步骤1中的待测量样本的特征优胜图像金字塔中提取待测量样本的特征向量,利用过完备字典对待测量样本的特征向量进行稀疏表达,得到特征稀疏表示层;
步骤5,对步骤4中的特征稀疏表示层进行位置竞争处理和尺度竞争处理,得到最终特征向量。
2.如权利要求1所述的方法,其特征在于,所述步骤1具体包括:
步骤1.1、图像层金字塔构建:
(1.1.1)将待测量样本的原始图像转化为灰度图像;
(1.1.2)对该灰度图像进行长宽等比例缩放处理,使短边缩放后为140个像素;
(1.1.3)以2为降采样比例构建具有不同尺度的10层金字塔图像,金字塔由顶层至底层依次编号为1-10,第10层金字塔图像的短边长为140,向上逐层递减;
步骤1.2、简单特征提取:
(1.2.1)对金字塔每层图像分别都用窗口大小为11×11,12个方向的Gabor滤波器进行边缘特征提取,每层图像经滤波后获得12幅不同方向的边缘特征图像,从而获得一个10层边缘特征图像金字塔,每层含12幅方向边缘特征图像;
(1.2.2)对边缘特征图像金字塔进行信息抑制处理,首先对每层12幅方向图像求均值,获得12幅均值图像,然后对每层的每幅图像逐像素进行处理,如果该像素的值小于同层均值图像相同位置像素的值,则该像素置为0,否则,像素的值保持不变;
步骤1.3、特征局部竞争处理:
(1.3.1)对边缘特征图像金字塔的相邻尺度的12个方向分别进行尺度和位置局部竞争处理,得到9层特征优胜图像金字塔;首先对具有相邻尺度的两幅边缘特征图像进行尺度竞争,选择对应像素值较大的一个,组成一幅尺度竞争优胜图;然后在预先定义的10×10搜索窗口内,对尺度竞争优胜图像执行位置竞争,从局部窗口中选取最大像素值作为该点的像素值,这样获得12幅尺度和位置竞争优胜图;
(1.3.2)对竞争优胜图像金字塔进行信息抑制处理,首先对每层12幅方向图像求均值,获得12幅均值图像,然后对每层的每幅图像逐像素进行处理,如果该像素的值小于同层均值图像相同位置像素的值,则该像素置为0,否则,像素的值保持不变;获得9层特征优胜图像金字塔,每层12幅图像。
3.如权利要求1或2所述的方法,其特征在于,所述步骤2具体包括:
步骤2.1、选取系列正样本图像,根据步骤1中的方法对每个样本进行处理,获得每个样本图像的特征优胜图像金字塔;
步骤2.2、样本图像特征向量提取:对步骤1.1中的每个样本图像的特征优胜图像依次进行如下处理:将9层优胜图像分成4组,每组建立一个过完备字典;其中1、2层为尺度组1,记为W1;3、4层为尺度组2,记为W2;5、6层为尺度组3,记为W3;7、8和9层分为尺度组4,记W4;用4×4模板对每组Wi中每层图像的12幅图像同时遍历采样,获得一系列具有相同采样位置不同方向的子块组,每组由12个4×4大小的块组成,对每组12个方向的子块进行融合处理,形成一个4×4大小的特征矩阵,矩阵中每个元素的值取12个子块中相同位置的最大值,这样,一系列大小为4×4的特征矩阵分别构成4个不同尺度字典的训练样本特征向量集,记为Ki;其中,i=1,2,3,4。
4.如权利要求3所述的方法,其特征在于,所述步骤3具体包括:
根据步骤2.2中得到的4个不同尺度字典的训练样本特征向量集求取相应的过完备字典Di;
其中Di为所求的4个不同分组的过完备字典,每个字典的原子数量为M,每个原子大小为4×4的特征矩阵,Qi为相应字典的稀疏表示系数。
5.如权利要求4所述的方法,其特征在于,所述步骤4具体包括:
步骤4.1、在步骤1中的待测量样本的特征优胜图像金字塔中每层提取K个特征向量记为Ij,k,j=(1,...,9),k=(1,...,K);
步骤4.2、利用步骤3中训练获得的过完备字典对特征向量进行稀疏表示,稀疏表示系数通过下式求解:
其中,Qj,k为Ij,k的稀疏表示系数,为M×1的列向量。
6.如权利要求5所述的方法,其特征在于,所述步骤5具体包括:
步骤5.1、对Qj,k进行位置竞争处理,获得竞争结果Hj:
Hj(i)=max{Qj,k(i),(k=1,...,K)},i=(1,...,M),j=(1,...,9)
步骤5.2、对Hj(j=1,...,9)进行尺度竞争处理,获得最终的M×1维特征列向量T:
T(i)=max{Hj(i),(j=1,...,9)},(i=1,...,M)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410134727.9A CN103927540B (zh) | 2014-04-03 | 2014-04-03 | 一种基于生物视觉分层模型的不变特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410134727.9A CN103927540B (zh) | 2014-04-03 | 2014-04-03 | 一种基于生物视觉分层模型的不变特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103927540A true CN103927540A (zh) | 2014-07-16 |
CN103927540B CN103927540B (zh) | 2019-01-29 |
Family
ID=51145756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410134727.9A Expired - Fee Related CN103927540B (zh) | 2014-04-03 | 2014-04-03 | 一种基于生物视觉分层模型的不变特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103927540B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820997A (zh) * | 2015-05-14 | 2015-08-05 | 北京理工大学 | 一种基于分块稀疏表达与hsv特征融合的目标跟踪方法 |
CN105809173A (zh) * | 2016-03-09 | 2016-07-27 | 中南大学 | 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 |
CN111400685A (zh) * | 2020-02-25 | 2020-07-10 | 西华大学 | 一种采用竞争匹配的安全身份验证方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540045A (zh) * | 2009-03-25 | 2009-09-23 | 湖南大学 | 基于同步正交匹配追踪的多源图像融合方法 |
CN101996396A (zh) * | 2010-09-16 | 2011-03-30 | 湖南大学 | 一种基于压缩传感理论的卫星遥感图像融合方法 |
US20110229045A1 (en) * | 2010-03-16 | 2011-09-22 | Nec Laboratories America, Inc. | Method and system for image classification |
CN103679718A (zh) * | 2013-12-06 | 2014-03-26 | 河海大学 | 一种基于显著性的快速场景分析方法 |
-
2014
- 2014-04-03 CN CN201410134727.9A patent/CN103927540B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540045A (zh) * | 2009-03-25 | 2009-09-23 | 湖南大学 | 基于同步正交匹配追踪的多源图像融合方法 |
US20110229045A1 (en) * | 2010-03-16 | 2011-09-22 | Nec Laboratories America, Inc. | Method and system for image classification |
CN101996396A (zh) * | 2010-09-16 | 2011-03-30 | 湖南大学 | 一种基于压缩传感理论的卫星遥感图像融合方法 |
CN103679718A (zh) * | 2013-12-06 | 2014-03-26 | 河海大学 | 一种基于显著性的快速场景分析方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820997A (zh) * | 2015-05-14 | 2015-08-05 | 北京理工大学 | 一种基于分块稀疏表达与hsv特征融合的目标跟踪方法 |
CN105809173A (zh) * | 2016-03-09 | 2016-07-27 | 中南大学 | 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 |
CN105809173B (zh) * | 2016-03-09 | 2019-01-29 | 中南大学 | 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 |
CN111400685A (zh) * | 2020-02-25 | 2020-07-10 | 西华大学 | 一种采用竞争匹配的安全身份验证方法 |
CN111400685B (zh) * | 2020-02-25 | 2023-04-21 | 西华大学 | 一种采用竞争匹配的安全身份验证方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103927540B (zh) | 2019-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rahman et al. | A new benchmark on american sign language recognition using convolutional neural network | |
CN107679522B (zh) | 基于多流lstm的动作识别方法 | |
CN104392463B (zh) | 一种基于联合稀疏多尺度融合的图像显著区域检测方法 | |
CN105426919B (zh) | 基于显著性指导非监督特征学习的图像分类方法 | |
CN108304826A (zh) | 基于卷积神经网络的人脸表情识别方法 | |
CN110046656A (zh) | 基于深度学习的多模态场景识别方法 | |
CN107368845A (zh) | 一种基于优化候选区域的Faster R‑CNN目标检测方法 | |
CN108875807A (zh) | 一种基于多注意力多尺度的图像描述方法 | |
CN105320965A (zh) | 基于深度卷积神经网络的空谱联合的高光谱图像分类方法 | |
CN106570474A (zh) | 一种基于3d卷积神经网络的微表情识别方法 | |
CN110059741A (zh) | 基于语义胶囊融合网络的图像识别方法 | |
CN106372581A (zh) | 构建及训练人脸识别特征提取网络的方法 | |
CN104794455B (zh) | 一种东巴象形文字识别方法 | |
CN105139004A (zh) | 基于视频序列的人脸表情识别方法 | |
CN103440471B (zh) | 基于低秩表示的人体行为识别方法 | |
CN103971095A (zh) | 基于多尺度lbp和稀疏编码的大规模人脸表情识别方法 | |
CN108985252A (zh) | 改进的脉冲深度神经网络的图像分类方法 | |
CN111461201A (zh) | 基于相空间重构的传感器数据分类方法 | |
CN110135277B (zh) | 一种基于卷积神经网络的人体行为识别方法 | |
CN109255339B (zh) | 基于自适应深度森林人体步态能量图的分类方法 | |
CN106529586A (zh) | 基于补充文本特征的图像分类方法 | |
CN107516304A (zh) | 一种图像去噪方法及装置 | |
CN107292852A (zh) | 一种基于低秩理论的图像去噪算法 | |
CN109919085A (zh) | 基于轻量型卷积神经网络的人人交互行为识别方法 | |
CN108960342A (zh) | 基于改进SoftMax损失函数的图像相似度计算方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190129 Termination date: 20200403 |