CN104143088B - 一种基于图像检索和特征权重学习的人脸识别方法 - Google Patents
一种基于图像检索和特征权重学习的人脸识别方法 Download PDFInfo
- Publication number
- CN104143088B CN104143088B CN201410360031.8A CN201410360031A CN104143088B CN 104143088 B CN104143088 B CN 104143088B CN 201410360031 A CN201410360031 A CN 201410360031A CN 104143088 B CN104143088 B CN 104143088B
- Authority
- CN
- China
- Prior art keywords
- feature
- characteristic point
- facial image
- weight
- image
- 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.)
- Active
Links
Abstract
一种基于图像检索和特征权重学习的人脸识别方法,步骤如下:生成训练样本图像集A和样本图像特征集F;检索得到匹配人脸图像子集Dt;计算并筛选得到相似人脸图像子集Ds;在线特征点权重学习;在线特征对权重学习;人脸识别。本发明系统实现简单,分布性能好,适用于数据量较大的人脸识别应用场合,能够达到人脸识别的快速、高效、精准的要求,能很好的应用于实际人脸识别需求中。
Description
技术领域
本发明涉及计算机视觉技术领域,具体为一种基于图像检索和特征权重学习的人脸识别方法。
背景技术
由于其在公共安全、人机交互、财产安全等领域的广泛应用,人脸识别已经成为了一个非常活跃的研究领域。以往的研究主要限制在实验室拍摄环境。但是,当我们需要处理真实场景下的人脸识别问题时,这些针对于实验室环境的人脸识别算法效果随着光照、表情、遮挡等的变化产生了极大的下降。相同的人脸由于拍摄条件的不同可能产生很大的差异性,这无疑给真实场景下的人脸识别问题带来了很大的难度。同时,由于现代社交网络的发展,图片数据大量增加,一些常用的搜索手段在识别的准确性、系统的泛化能力以及识别的速度上都存在着不足。
发明内容
针对上述问题,本发明的目的在于提供一种能够快速准确识别出人脸基于图像检索和特征权重学习的人脸识别方法。技术方案如下:
一种基于图像检索和特征权重学习的人脸识别方法,其特征在于,包括:
步骤一:生成训练样本图像集A和样本图像特征集F:
S11收集人脸图像生成训练样本图像集A;
S12使用SDM算法和仿射变换将人脸图像旋转到水平位置并且做尺度归一化;
S13提取训练样本图像集A中每一张人脸图像的SIFT特征fi',以及每个SIFT特征fi'对应的几何坐标zi,得到一个M×130的特征集,其中M为每张人脸图像的特征点个数;每个特征点fi由一个128维的SIFT特征fi'加上2维相对应的几何坐标zi组成,对SIFT特征fi'做l2范数归一化,根据人脸尺寸对几何坐标zi做l1范数归一化;单个特征点表示如下:
fi=[fi',αzi],0≤α≤1,
zi=(x,y),i=1,…M;
其中,参数α是用来调节位置信息在SIFT特征匹配中的权重,x,y为特征点在人脸图像上的横纵坐标;
S14将所有人脸图像的特征点的集合作为样本图像特征集F。
步骤二:检索得到匹配人脸图像子集Dt:
S21对样本图像特征集F采用K-means方法进行聚类,生成K个聚类;
S22用步骤一中S13所述的方法提取待识别人脸图像Q的特征集,得到待识别人脸图像特征集FQ;
S23用欧几里得度量法,做最近邻查找,将待识别人脸图像特征集FQ中的每一个特征点分配到K个聚类中与之最近的那些聚类中去;将包含待识别人脸图像特征集FQ中特征点的那些聚类作为聚类集合KQ;
S24将训练样本图像集A中所有包含有聚类集合KQ中任意一个特征点的人脸图像提取出来,作为匹配人脸图像子集Dt。
步骤三:计算并筛选得到相似人脸图像子集Ds:
S31计算K个聚类中每个聚类的逆文档频率idf(k):
其中,k表示聚类的标号,N表示训练样本图像集A中的人脸图像总数,n(k)表示训练样本图像集A中包含有第k个聚类中任意一个特征点的人脸图像数量;
S32计算待识别人脸图像Q和匹配人脸图像子集Dt中每个匹配人脸图像dt的相似度S(Q,dt),
其中,tfQ(k)表示待识别人脸图像特征集FQ中被分配到第k个聚类的特征点的数量;表示某个匹配人脸图像dt所有特征点中存在于第k个聚类的特征点的个数;fi为匹配人脸图像dt的特征点,gj表示待识别人脸图像Q的特征点,(fi,gj)表示两个特征点匹配,e(fi)=e(gj)表示两个特征点属于相同的聚类;函数L(fi)和L(gj)分别表示特征点fi和gj的类别信息,||L(fi)-L(gj)||<ε表示特征点在空间位置上具有连续性;
S33对匹配人脸图像子集Dt中所有匹配人脸图像dt按照相似度S(Q,dt)降序排列,取前R个人脸图像组成相似人脸图像子集Ds;其中,R等于匹配人脸图像子集Dt中人脸图像数量的十分之一。
步骤四:在线特征点权重学习:
S41用步骤一中S13所述的方法提取相似人脸图像子集Ds特征点,生成相似人脸图像特征集Fs,将特征集Fs中每个特征点对应的权重初始化为一个统一的数值ω0;
S42对特征集Fs中的每一个特征点fi作最近邻查找,找到fi的最近邻特征点fj,如果fj和fi的类别标签一致,那么fj的权重增大,否则减小;如果某个特征点fj被n个特征点查找为最近邻特征点,则它的权重需被修改n次;将特征点fj原始权重表示为ω1(fj)=ω0,则特征点fj经过n次修改后的权重ωn+1(fj)通过如下迭代公式实现:
ωn+1(fj)=ωn(fj)(ω0+Δω),L(fj)=L(fi),
ωn+1(fj)=ωn(fj)(ω0-Δω),L(fj)≠L(fi),
S43对所有修改后的特征点权重作l1范数归一化,得到带权重特征库。
步骤五:在线特征对权重学习:
S51将带权重特征库中的特征点按权重值降序排列,取前2m个特征点,随机组合成m组特征对P={p1,p2,pm},m等于相似人脸图像特征集Fs中特征点数量的十分之一;将每个特征对对应的权重初始化为一个统一的数值w0;
S52对m组特征对P={p1,p2,pm}中的每一对特征对pu作最近邻查找,找到pu的最近邻特征对pv,如果pv和pu的类别标签一致,那么pv的权重增大,否则减小;如果某个特征对pv被n个特征对查找为最近邻特征对,则它的权重需被修改n次;将特征对pv原始权重表示为w1(pv)=w0,则特征点pv经过n次修改后的权重wn+1(pv)通过如下迭代公式实现:
wn+1(pv)=λwn(pv)(w0+Δw),L(pv)=L(pu),
wn+1(pv)=λwn(pv)(w0-Δw),L(pv)≠L(pu),
其中,λ是用来进一步调整特征对权重的参数;
S53对所有修改后的特征对权重作l1范数归一化,得到带权重特征对库;
步骤六:人脸识别:
S61从带权重特征库中寻找待识别人脸图像Q的特征点gj的最近邻特征点,将该最近邻特征点的权重投给特征点gj所属的类别,进而得到每个类别的特征点投票得分Ssingle;
S62对待识别人脸图像Q的所有特征点随机选择出特征对GJ,从带权重特征对库中寻找特征对GJ的最近邻特征对,并将该最邻近特征对的权重投给特征对GJ所属的类别,得到每个类别的特征对投票得分Spair;
S63将每个类别的特征点投票得分Ssingle和特征对投票得分Spair分别相加,得到每个类别的最终得分,将最终得分最高的那个类别标签赋予待识别人脸图像Q。
本发明引入了特征的几何坐标信息,通过这种方式,将SIFT特征的强大纹理描述能力和人脸特征的几何坐标分布结合起来,实现对人脸的更精确的描述,不仅可以去除掉很多误匹配,并且提高了人脸识别的准确度。引入图像检索,使待对比人脸图像数量远远小于整个数据库的图像总数,不仅可以减少最近邻分类的计算量,而且能提前排除掉与待识别人脸图像差别明显的人脸图像以提高算法的精度。基于单特征和特征组的权重学习方案,解决了人脸识别中类内距离大于类间距离的问题。
本发明系统实现简单,分布性能好,适用于数据量较大的人脸识别应用场合,能够达到人脸识别的快速、高效、精准的要求,能很好的应用于实际人脸识别需求中。
附图说明
图1为基于图像检索和特征权重学习的人脸识别方法的步骤流程框图。
具体实施方式
一种基于图像检索和特征权重学习的人脸识别方法,具体实施步骤如下:
步骤一:生成训练样本图像集A和样本图像特征集F:
S11收集人脸图像生成训练样本图像集A;
S12使用SDM(监督梯度下降法Supervised Descent Method)算法和仿射变换将人脸图像旋转到水平位置并且做尺度归一化;
S13提取训练样本图像集A中每一张人脸图像的SIFT特征fi',以及每个SIFT特征fi'对应的几何坐标zi,得到一个M×130的特征集,其中M为每张人脸图像的特征点个数;每个特征点fi由一个128维的SIFT特征fi'加上2维相对应的几何坐标zi组成,对SIFT特征fi'做l2范数归一化,根据人脸尺寸对几何坐标zi做l1范数归一化;单个特征点表示如下:
fi=[fi',αzi],0≤α≤1,
zi=(x,y),i=1,…M;
其中,参数α是用来调节位置信息在SIFT特征匹配中的权重,x,y为特征点在人脸图像上的横纵坐标;
S14将所有人脸图像的特征点的集合作为样本图像特征集F。
步骤二:检索得到匹配人脸图像子集Dt:
S21对样本图像特征集F采用K-means方法进行聚类,生成K个聚类;
S22用步骤一中S13所述的方法提取待识别人脸图像Q的特征集,得到待识别人脸图像特征集FQ;
S23用欧几里得度量法,做最近邻查找,将待识别人脸图像特征集FQ中的每一个特征点分配到K个聚类中与之最近的那些聚类中去;将包含待识别人脸图像特征集FQ中特征点的那些聚类作为聚类集合KQ;
S24将训练样本图像集A中所有包含有聚类集合KQ中任意一个特征点的人脸图像提取出来,作为匹配人脸图像子集Dt;
步骤三:计算并筛选得到相似人脸图像子集Ds。
S31计算K个聚类中每个聚类的逆文档频率idf(k):
其中,k表示聚类的标号,N表示训练样本图像集A中的人脸图像总数,n(k)表示训练样本图像集A中包含有第k个聚类中任意一个特征点的人脸图像数量;
S32计算待识别人脸图像Q和匹配人脸图像子集Dt中每个匹配人脸图像dt的相似度S(Q,dt),
其中,tfQ(k)表示待识别人脸图像特征集FQ中被分配到第k个聚类的特征点的数量;表示某个匹配人脸图像dt所有特征点中存在于第k个聚类的特征点的个数;fi为匹配人脸图像dt的特征点,gj表示待识别人脸图像Q的特征点,(fi,gj)表示两个特征点匹配,e(fi)=e(gj)表示两个特征点属于相同的聚类;函数L(fi)和L(gj)分别表示特征点fi和gj的类别信息,||L(fi)-L(gj)||<ε表示特征点在空间位置上具有连续性;即两者的距离小于值ε,ε在本实施例中取值为0.01。
S33对匹配人脸图像子集Dt中所有匹配人脸图像dt按照相似度S(Q,dt)降序排列,取前R个人脸图像组成相似人脸图像子集Ds;其中,R等于匹配人脸图像子集Dt中人脸图像数量的十分之一。
步骤四:在线特征点权重学习:
S41用步骤一中S13所述的方法提取相似人脸图像子集Ds特征点,生成相似人脸图像特征集Fs,将特征集Fs中每个特征点对应的权重初始化为一个统一的数值ω0,在本实施例中ω0取值为1;
S42对特征集Fs中的每一个特征点fi作最近邻查找,找到fi的最近邻特征点fj,如果fj和fi的类别标签一致,那么fj的权重增大,否则减小;如果某个特征点fj被n个特征点查找为最近邻特征点,则它的权重需被修改n次;将特征点fj原始权重表示为ω1(fj)=1,则特征点fj经过n次修改后的权重ωn+1(fj)通过如下迭代公式实现:
ωn+1(fj)=ωn(fj)(1+Δω),L(fj)=L(fi),
ωn+1(fj)=ωn(fj)(1-Δω),L(fj)≠L(fi),
其中,Δω取从0开始以0.05为步长到1截止中的一个数据,数据的选定是通过一组已知类别信息的人脸图像测得;
S43对所有修改后的特征点权重作l1范数归一化,得到带权重特征库。
步骤五:在线特征对权重学习:
S51将带权重特征库中的特征点按权重值降序排列,取前2m个特征点,随机组合成m组特征对P={p1,p2,pm},m等于相似人脸图像特征集Fs中特征点数量的十分之一;将每个特征对对应的权重初始化为一个统一的数值w0,在本实施例中w0取值为1;
S52对m组特征对P={p1,p2,pm}中的每一对特征对pu作最近邻查找,找到pu的最近邻特征对pv,如果pv和pu的类别标签一致,那么pv的权重增大,否则减小;如果某个特征对pv被n个特征对查找为最近邻特征对,则它的权重需被修改n次;将特征对pv原始权重表示为w1(pv)=w0,则特征点pv经过n次修改后的权重wn+1(pv)通过如下迭代公式实现:
wn+1(pv)=λwn(pv)(1+Δw),L(pv)=L(pu),
wn+1(pv)=λwn(pv)(1-Δw),L(pv)≠L(pu),
其中,Δw取从0开始以0.05为步长到1截止中的一个数据,数据的选定是通过一组已知类别信息的人脸图像测得;λ是用来进一步调整特征对权重的参数,λ取大于1的数值,
是为了强调特征对的权重对匹配的结果更重要,在本实施例中λ取值为1.5。
S53对所有修改后的特征对权重作l1范数归一化,得到带权重特征对库。
步骤六:人脸识别:
S61从带权重特征库中寻找待识别人脸图像Q的特征点gj的最近邻特征点,将该最近邻特征点的权重投给特征点gj所属的类别,进而得到每个类别的特征点投票得分Ssingle;
S62对待识别人脸图像Q的所有特征点随机选择出特征对GJ,从带权重特征对库中寻找特征对GJ的最近邻特征对,并将该最邻近特征对的权重投给特征对GJ所属的类别,得到每个类别的特征对投票得分Spair;
S63将每个类别的特征点投票得分Ssingle和特征对投票得分Spair分别相加,得到每个类别的最终得分,将最终得分最高的那个类别标签赋予待识别人脸图像Q。
Claims (3)
1.一种基于图像检索和特征权重学习的人脸识别方法,其特征在于,包括:
步骤一:生成训练样本图像集A和样本图像特征集F:
S11收集人脸图像生成训练样本图像集A;
S12使用SDM算法和仿射变换将人脸图像旋转到水平位置并且做尺度归一化;
S13提取训练样本图像集A中每一张人脸图像的SIFT特征fi',以及每个SIFT特征fi'对应的几何坐标zi,得到一个M×130的特征集,其中M为每张人脸图像的特征点个数;每个特征点fi由一个128维的SIFT特征fi'加上2维相对应的几何坐标zi组成,对SIFT特征fi'做l2范数归一化,根据人脸尺寸对几何坐标zi做l1范数归一化;单个特征点表示如下:
fi=[fi',αzi],0≤α≤1,
zi=(x,y),i=1,…M;
其中,参数α是用来调节位置信息在SIFT特征匹配中的权重,x,y为特征点在人脸图像上的横纵坐标;
S14将所有人脸图像的特征点的集合作为样本图像特征集F;
步骤二:检索得到匹配人脸图像子集Dt:
S21对样本图像特征集F采用K-means方法进行聚类,生成K个聚类;
S22用步骤一中S13所述的方法提取待识别人脸图像Q的特征集,得到待识别人脸图像特征集FQ;
S23用欧几里得度量法,做最近邻查找,将待识别人脸图像特征集FQ中的每一个特征点分配到K个聚类中与之最近的那些聚类中去;将包含待识别人脸图像特征集FQ中特征点的那些聚类作为聚类集合KQ;
S24将训练样本图像集A中所有包含有聚类集合KQ中任意一个特征点的人脸图像提取出来,作为匹配人脸图像子集Dt;
步骤三:计算并筛选得到相似人脸图像子集Ds:
S31计算K个聚类中每个聚类的逆文档频率idf(k):
其中,k表示聚类的标号,N表示训练样本图像集A中的人脸图像总数,n(k)表示训练样本图像集A中包含有第k个聚类中任意一个特征点的人脸图像数量;
S32计算待识别人脸图像Q和匹配人脸图像子集Dt中每个匹配人脸图像dt的相似度S(Q,dt),
其中,tfQ(k)表示待识别人脸图像特征集FQ中被分配到第k个聚类的特征点的数量;表示某个匹配人脸图像dt所有特征点中存在于第k个聚类的特征点的个数;fi为匹配人脸图像dt的特征点,gj表示待识别人脸图像Q的特征点,(fi,gj)表示两个特征点匹配,e(fi)=e(gj)表示两个特征点属于相同的聚类;函数L(fi)和L(gj)分别表示特征点fi和gj的类别信息,||L(fi)-L(gj)||<ε表示特征点在空间位置上具有连续性;
S33对匹配人脸图像子集Dt中所有匹配人脸图像dt按照相似度S(Q,dt)降序排列,取前R个人脸图像组成相似人脸图像子集Ds;
步骤四:在线特征点权重学习:
S41用步骤一中S13所述的方法提取相似人脸图像子集Ds特征点,生成相似人脸图像特征集Fs,将特征集Fs中每个特征点对应的权重初始化为一个统一的数值ω0;
S42对特征集Fs中的每一个特征点fi作最近邻查找,找到fi的最近邻特征点fj,如果fj和fi的类别标签一致,那么fj的权重增大,否则减小;如果某个特征点fj被n个特征点查找为最近邻特征点,则它的权重需被修改n次;将特征点fj原始权重表示为ω1(fj)=ω0,则特征点fj经过n次修改后的权重ωn+1(fj)通过如下迭代公式实现:
ωn+1(fj)=ωn(fj)(ω0+Δω),L(fj)=L(fi),
ωn+1(fj)=ωn(fj)(ω0-Δω),L(fj)≠L(fi),
S43对所有修改后的特征点权重作l1范数归一化,得到带权重特征库;
步骤五:在线特征对权重学习:
S51将带权重特征库中的特征点按权重值降序排列,取前2m个特征点,随机组合成m组特征对P={p1,p2,...pm},将每个特征对对应的权重初始化为一个统一的数值w0;
S52对m组特征对P={p1,p2,...pm}中的每一对特征对pu作最近邻查找,找到pu的最近邻特征对pv,如果pv和pu的类别标签一致,那么pv的权重增大,否则减小;如果某个特征对pv被n个特征对查找为最近邻特征对,则它的权重需被修改n次;将特征对pv原始权重表示为w1(pv)=w0,则特征点pv经过n次修改后的权重wn+1(pv)通过如下迭代公式实现:
wn+1(pv)=λwn(pv)(w0+Δw),L(pv)=L(pu),
wn+1(pv)=λwn(pv)(w0-Δw),L(pv)≠L(pu),
其中,λ是用来进一步调整特征对权重的参数;
S53对所有修改后的特征对权重作l1范数归一化,得到带权重特征对库;
步骤六:人脸识别:
S61从带权重特征库中寻找待识别人脸图像Q的特征点gj的最近邻特征点,将该最近邻特征点的权重投给特征点gj所属的类别,进而得到每个类别的特征点投票得分Ssingle;
S62对待识别人脸图像Q的所有特征点随机选择出特征对GJ,从带权重特征对库中寻找特征对GJ的最近邻特征对,并将该最邻近特征对的权重投给特征对GJ所属的类别,得到每个类别的特征对投票得分Spair;
S63将每个类别的特征点投票得分Ssingle和特征对投票得分Spair分别相加,得到每个类别的最终得分,将最终得分最高的那个类别标签赋予待识别人脸图像Q。
2.根据权利要求1所述的一种基于图像检索和特征权重学习的人脸识别方法,其特征在于,所述R等于匹配人脸图像子集Dt中人脸图像数量的十分之一。
3.根据权利要求1或2所述的一种基于图像检索和特征权重学习的人脸识别方法其特征在于,所述m等于相似人脸图像特征集Fs中特征点数量的十分之一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410360031.8A CN104143088B (zh) | 2014-07-25 | 2014-07-25 | 一种基于图像检索和特征权重学习的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410360031.8A CN104143088B (zh) | 2014-07-25 | 2014-07-25 | 一种基于图像检索和特征权重学习的人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104143088A CN104143088A (zh) | 2014-11-12 |
CN104143088B true CN104143088B (zh) | 2017-03-22 |
Family
ID=51852258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410360031.8A Active CN104143088B (zh) | 2014-07-25 | 2014-07-25 | 一种基于图像检索和特征权重学习的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104143088B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989043A (zh) * | 2015-02-04 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 自动获取商品图像中商标和检索商标的方法及其装置 |
CN106709502B (zh) * | 2016-11-18 | 2023-06-20 | 深圳信息职业技术学院 | 一种基于投票方法的多特征融合识别方法 |
CN107273927B (zh) * | 2017-06-13 | 2020-09-22 | 西北工业大学 | 基于类间匹配的无监督领域适应分类方法 |
CN112417197B (zh) * | 2020-12-02 | 2022-02-25 | 云从科技集团股份有限公司 | 一种排序方法、装置、机器可读介质及设备 |
CN112765382A (zh) * | 2021-01-20 | 2021-05-07 | 上海依图网络科技有限公司 | 图像搜索方法及其装置、介质和电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632149A (zh) * | 2013-12-17 | 2014-03-12 | 上海电机学院 | 一种基于图像特征分析的人脸识别方法 |
CN103903004A (zh) * | 2012-12-28 | 2014-07-02 | 汉王科技股份有限公司 | 一种人脸识别多特征权值融合方法与装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8311294B2 (en) * | 2009-09-08 | 2012-11-13 | Facedouble, Inc. | Image classification and information retrieval over wireless digital networks and the internet |
JP5795979B2 (ja) * | 2012-03-15 | 2015-10-14 | 株式会社東芝 | 人物画像処理装置、及び人物画像処理方法 |
-
2014
- 2014-07-25 CN CN201410360031.8A patent/CN104143088B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903004A (zh) * | 2012-12-28 | 2014-07-02 | 汉王科技股份有限公司 | 一种人脸识别多特征权值融合方法与装置 |
CN103632149A (zh) * | 2013-12-17 | 2014-03-12 | 上海电机学院 | 一种基于图像特征分析的人脸识别方法 |
Non-Patent Citations (4)
Title |
---|
Labeled Faces in the Wild: A Database for Studying Face Recognition in Unconstrained Environments;Gary B. Huang等;《Month》;20081231;1-14页 * |
Local Feature Weighting in Nearest Prototype Classification;Fernando Fernández等;《IEEE TRANSACTIONS ON NEURAL NETWORKS》;20080131;第19卷(第1期);40-53页 * |
基于计算机视觉的目标图像检索相关技术的研究;吴伟文;《中国博士学位论文全文数据库 信息科技辑》;20130515(第05期);I138-27 * |
多示例图像检索算法研究及在人脸识别中的应用;邓剑勋;《中国博士学位论文全文数据库 信息科技辑》;20130215(第02期);I138-41 * |
Also Published As
Publication number | Publication date |
---|---|
CN104143088A (zh) | 2014-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Learning mid-level filters for person re-identification | |
Li et al. | SHREC’14 track: Extended large scale sketch-based 3D shape retrieval | |
CN112308158A (zh) | 一种基于部分特征对齐的多源领域自适应模型及方法 | |
CN111126360A (zh) | 基于无监督联合多损失模型的跨域行人重识别方法 | |
CN104143088B (zh) | 一种基于图像检索和特征权重学习的人脸识别方法 | |
CN105389326B (zh) | 基于弱匹配概率典型相关性模型的图像标注方法 | |
CN105320764B (zh) | 一种基于增量慢特征的3d模型检索方法及其检索装置 | |
Wu et al. | Heterogeneous feature selection by group lasso with logistic regression | |
CN106203483A (zh) | 一种基于语义相关多模态映射方法的零样本图像分类方法 | |
CN102663447A (zh) | 基于判别相关分析的跨媒体检索方法 | |
CN103440508A (zh) | 基于视觉词袋模型的遥感图像目标识别方法 | |
Deng et al. | Citrus disease recognition based on weighted scalable vocabulary tree | |
CN104268553A (zh) | 基于核模糊Foley-Sammon转换的SAR图像目标识别方法 | |
Nie et al. | Adap-EMD: Adaptive EMD for aircraft fine-grained classification in remote sensing | |
Wang et al. | Action recognition using linear dynamic systems | |
Rahman et al. | A CNN Model-based ensemble approach for Fruit identification using seed | |
Liu et al. | Fuzzy c-mean algorithm based on Mahalanobis distances and better initial values | |
Du et al. | Large-scale signature matching using multi-stage hashing | |
Wang et al. | Learning based neural similarity metrics for multimedia data mining | |
Akusok et al. | Image-based classification of websites | |
Sharma et al. | Scene image classification using reduced virtual feature representation in sparse framework | |
CN114627424A (zh) | 一种基于视角转化的步态识别方法和系统 | |
Guzzi et al. | Distillation of a CNN for a high accuracy mobile face recognition system | |
Liu et al. | An image retrieval algorithm based on multiple convolutional features of RPN and weighted cosine similarity | |
CN112257792A (zh) | 一种基于svm的实时视频目标动态分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |