CN105095884A - 一种基于随机森林支持向量机的行人识别系统及处理方法 - Google Patents
一种基于随机森林支持向量机的行人识别系统及处理方法 Download PDFInfo
- Publication number
- CN105095884A CN105095884A CN201510548174.6A CN201510548174A CN105095884A CN 105095884 A CN105095884 A CN 105095884A CN 201510548174 A CN201510548174 A CN 201510548174A CN 105095884 A CN105095884 A CN 105095884A
- Authority
- CN
- China
- Prior art keywords
- random forest
- pedestrian
- image
- support vector
- vector machine
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Abstract
本发明涉及一种基于随机森林支持向量机的行人识别系统，包括特征提取模块、聚类模块、随机森林创建模块和评分模型模块，本发明还涉及一种基于随机森林支持向量机的行人识别处理方法；本发明用相似度排名方式代替了以往的相似度绝对值的比较，无需划定阈值，得出的排名结果便于使用者自己判断；建立随机森林模型需要多特征，仅从表观特征无法人工将样本们分类完善，采用K-means聚类算法代替人工给出样本类别，可以挖掘出样本间的潜在联系；该系统及方法对行人姿态变化具有鲁棒性，在计算相似度的时候会排除来自其他几类样本的干扰，RankSVM的排名结果也会靠前，进行相似度计算时，会使得识别准确率提升，相比MCC与RankSVM等现有技术列举的传统算法识别准确率高。
Description
技术领域
本发明涉及智能监控的行人识别技术领域，尤其涉及一种基于随机森林支持向量机的行人识别系统及处理方法。
背景技术
行人识别是模式识别领域中活跃的研究方向之一。在行人检索和识别中，随着样本库的加大，检索识别一幅图像的速度和准确率都受到较大的影响。行人特征提取方面，RGB、HSV等颜色直方图信息被广泛使用，但是易受环境影响。Gabor小波提取行人纹理特征，但是当提取不到准确的边界曲线时候，最终得到的纹理特征会有很大变化。LBP提取纹理特征对光照有鲁棒性但是在行人姿态发生很大变化时，仅从LBP提取到的纹理特征识别行人目标准确率会很低。此外，在相似度计算方面随着样本库的加大，测试图像面对的负样本加大，与测试图像具有相仿特征的样本出现概率加大，这都会影响到测试结果的准确性，即使RankSVM计算相似度排名顺序，并未给出相似度绝对值，而是排序结果供使用者自己判断，可随着样本加大，干扰样本出现概率大，正样本的排名顺序也会靠后。
发明内容
本发明所要解决的技术问题是提供一种基于随机森林支持向量机的行人识别系统及处理方法，用相似度排名方式代替了以往的相似度绝对值得比较，无需划定阈值，得出的排名结果便于使用者自己判断，采用K-means聚类算法代替人工给出样本类别，可以挖掘出样本间的潜在联系。
本发明解决上述技术问题的技术方案如下：一种基于随机森林支持向量机的行人识别系统，包括特征提取模块、聚类模块、随机森林创建模块和评分模型模块；
所述特征提取模块，用于从各图像人物样本中提取颜色特征信息和纹理特征信息，并将各图像人物样本中的各颜色特征和纹理特征用多维特征向量的形式表示；
所述聚类模块，用于根据K-means聚类算法对所有图像人物样本的多维特征向量进行聚类处理，得到类别矩阵；
K-means算法的思想是：首先随机选取几个数据点作为聚类中心点，其次将每个数据都聚类到最近的聚类中心点，最后计算每个类的重心，如果重心到聚类中心点的距离大于给定阈值，就以重心为此类的聚类中心点继续聚类，直至类的重心到聚类中心点的距离小于阈值；
所述随机森林创建模块，用于根据所述多维特征向量和类别矩阵建立随机森林模型，再通过所述随机森林模型对待测试人物图像进行特征预测，得到预测类别号；
所述评分模型模块，用于通过RankSVM排序算法对图像人物样本进行训练，得到评分模型，再通过所述评分模型根据所述预测类别号对待测试人物图像进行识别、评分和排序，得到待测试人物图像相似度排名。
本发明的有益效果是：用相似度排名方式代替了以往的相似度绝对值的比较，无需划定阈值，得出的排名结果便于使用者自己判断；建立随机森林模型需要多特征，仅从表观特征无法人工将样本们分类完善，采用K-means聚类算法代替人工给出样本类别，可以挖掘出样本间的潜在联系。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述评分模型模块包括模型构建单元和评分单元，
所述模型构建单元，用于将所述图像人物样本的多维特征向量通过RankSVM排序算法进行训练，得到评分模型；
所述评分单元，用于通过评分模型按所述预测类别号对待测试人物图像进行识别并评分，将识别到的结果根据评分大小进行排列，得到待测试人物图像相似度排名。
采用上述进一步方案的有益效果是：仅在预测到的预测类别号中使用评分模型(即利用RankSVM排序算法)进行识别、评分、排列，使得到的排名结果既准确又相对单一。
进一步，所述随机森林模型包括多个决策树，每个决策树对待测试人物图像进行特征预测时，分别给出预测值，若该预测值出现次数最多则得到该特征的预测分类号。
随机森林自动创建决策树群，但是大部分的决策树对于分类没有意义，每个节点用了不相关的特征作出判断，最终一棵决策树分出了两类。当做预测的时候，新的观察到的特征随着决策树自上而下走下来，这样一组观察到的特征将会被贴上一个预测值。一旦森林中的每棵树都给出了预测值，所有的预测结果将被汇总到一起，所有树的模式投票被返回做为最终的预测结果。这些貌似没有意义的决策树做出的预测结果涵盖所有情况，这些预测结果将会彼此抵消，而占少数的那些优秀的树的预测结果将会脱颖而出，做出一个好的预测。
随机森林是由一群决策树构成，每棵决策树都随机的从输入样本中选取固定数量的样本数据存入根节点，一般是样本数据量的10％，每次二叉分都随机的选取少量特征作为依据进行判断，操作时可选取三类特征预测分类号。
采用上述进一步方案的有益效果是：K-means聚类算法结合随机森林起到一个对样本数据初筛的作用。
进一步，所述颜色特征信息包括RGB、HSV和YCBCR颜色空间的特征信息；对所述纹理特征信息的提取通过Gabor小波算法和LBP算法进行提取；Gabor小波提取各样本的纹理特征，LBP算法提取样本中人物上衣的纹理特征。
采用上述进一步方案的有益效果是：识别出各图像人物样本中具有显著特征的特征信息。
进一步，所述随机森林创建模块根据K-means聚类算法对所有图像人物样本的多维特征向量进行聚类处理，得到类别矩阵，所述类别矩阵为聚五类。
采用上述进一步方案的有益效果是：类别矩阵为聚五类，效果更直观。
本发明解决上述技术问题的另一技术方案如下：一种基于随机森林支持向量机的行人识别处理方法，包括如下步骤：
步骤S1：从各图像人物样本中提取颜色特征信息和纹理特征信息，并将各图像人物样本中的各颜色特征和纹理特征用多维特征向量的形式表示；
步骤S2：根据K-means聚类算法对所有图像人物样本的多维特征向量进行聚类处理，得到类别矩阵；
步骤S3：根据所述多维特征向量和类别矩阵建立随机森林模型，再通过所述随机森林模型对待测试人物图像进行特征预测，得到预测类别号；
步骤S4：通过RankSVM排序算法对图像人物样本进行训练，得到评分模型，再通过所述评分模型根据所述预测类别号对待测试人物图像进行识别、评分和排序，得到待测试人物图像相似度排名。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，实现所述步骤S4的具体步骤为：
步骤S4.1：将所述图像人物样本的多维特征向量通过RankSVM排序算法进行训练，得到评分模型；
步骤S4.2：通过评分模型按所述预测类别号对待测试人物图像进行识别并评分，将识别到的结果根据评分大小进行排列，得到待测试人物图像相似度排名。
进一步，所述随机森林模型包括多个决策树，每个决策树对待测试人物图像进行特征预测时，分别给出预测值，若该预测值出现次数最多则得到该特征的预测分类号。
进一步，所述颜色特征信息包括RGB、HSV和YCBCR颜色空间的特征信息；对所述纹理特征信息的提取通过Gabor小波算法和LBP算法进行提取。
进一步，述步骤S2中根据K-means聚类算法对所有图像人物样本的多维特征向量进行聚类处理，得到类别矩阵，所述类别矩阵为聚五类。
基于VIPeR样本库的实验证明，该方法对行人姿态变化具有鲁棒性，在计算相似度的时候会排除来自其他几类样本的干扰，同时也充分利用了同一行人的多个特征间的潜在联系，RankSVM的排名结果也会靠前，综合多特征实现将正样本和测试目标归到同一类的目的。在此基础上进行相似度计算，会使得识别准确率提升，相比MCC与RankSVM等现有技术列举的传统算法识别准确率高。
附图说明
图1为本发明基于随机森林的行人识别系统的模块框图；
图2为本发明基于随机森林的行人识别处理方法的方法流程图；
图3为本发明RF-SVM识别方法与其他识别方法对比的识别率图。
附图中，各标记所代表的部件名称如下：
1、特征提取模块,2、聚类模块，3、随机森林创建模块，4、评分模型模块，401、模型构建单元，402、评分单元。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
针对卡口环境及大样本情况下，本发明提出一种新的基于随机森林和RankSVM的行人识别方法RF-SVM(RondomForestSVM)。首先，单个训练样本提取多维特征向量，经K-means算法将所有训练样本的特征向量聚类，根据随机森林得到测试目标的预测类别号，在此类范围内采用RankSVM算法，将相似度排名顺序作为行人识别结果，相比MCC等文中实验列举的传统算法识别准确率高出10％左右。
如图1所示，一种基于随机森林支持向量机的行人识别系统，包括特征提取模块1、聚类模块2、随机森林创建模块3和评分模型模块4；
所述特征提取模块1，用于从各图像人物样本中提取颜色特征信息和纹理特征信息，并将各图像人物样本中的各颜色特征和纹理特征用多维特征向量的形式表示；
所述聚类模块2，用于根据K-means聚类算法对所有图像人物样本的多维特征向量进行聚类处理，得到类别矩阵；
K-means算法的思想是：首先随机选取几个数据点作为聚类中心点，其次将每个数据都聚类到最近的聚类中心点，最后计算每个类的重心，如果重心到聚类中心点的距离大于给定阈值，就以重心为此类的聚类中心点继续聚类，直至类的重心到聚类中心点的距离小于阈值；
所述随机森林创建模块3，用于根据所述多维特征向量和类别矩阵建立随机森林模型，再通过所述随机森林模型对待测试人物图像进行特征预测，得到预测类别号；
所述评分模型模块4，用于通过RankSVM排序算法对图像人物样本进行训练，得到评分模型，再通过所述评分模型根据所述预测类别号对待测试人物图像进行识别、评分和排序，得到待测试人物图像相似度排名。
RankSVM中数据分为训练集、验证集、测试集，都进行特征提取和量化。其中，训练集就是指原始数据，每一列都是特征信息，提取的是原始特征，训练出多个基分类器。验证集是结合多个基分类器对每种类别的得分，训练集成分类器。测试集就是用来最后做测试用的数据集。
所述评分模型模块4包括模型构建单元401和评分单元402，
所述模型构建单元401，用于将所述图像人物样本的多维特征向量通过RankSVM排序算法进行训练，得到评分模型；
所述评分单元402，用于通过评分模型按所述预测类别号对待测试人物图像进行识别并评分，将识别到的结果根据评分大小进行排列，得到待测试人物图像相似度排名。
所述随机森林模型包括多个决策树，每个决策树对待测试人物图像进行特征预测时，分别给出预测值，若该预测值出现次数最多则得到该特征的预测分类号。
随机森林自动创建决策树群，但是大部分的决策树对于分类没有意义，每个节点用了不相关的特征作出判断，最终一棵决策树分出了两类。当做预测的时候，新的观察到的特征随着决策树自上而下走下来，这样一组观察到的特征将会被贴上一个预测值。一旦森林中的每棵树都给出了预测值，所有的预测结果将被汇总到一起，所有树的模式投票被返回做为最终的预测结果。这些貌似没有意义的决策树做出的预测结果涵盖所有情况，这些预测结果将会彼此抵消，而占少数的那些优秀的树的预测结果将会脱颖而出，做出一个好的预测。
随机森林是由一群决策树构成，每棵决策树都随机的从输入样本中选取固定数量的样本数据存入根节点，一般是样本数据量的10％，每次二叉分都随机的选取少量特征作为依据进行判断，操作时可选取三类特征预测分类号。
所述随机森林创建模块3根据K-means聚类算法对所有图像人物样本的多维特征向量进行聚类处理，得到类别矩阵，所述类别矩阵为聚五类。
操作时可选取三类(#1，#2，#3)数据(特征预测分类号)，随机森林的输入矩阵中保存着样本们的正确分类，这些正确的分类就来源于之前的K-means聚类结果。正确的类标记为1，其他类标记为0；qid表示这是对同一个样本的数据；后面是指5个特征，即5个基分类器对于此类数据的不同预测得分。三类(#1，#2，#3)数据如下：
1qid:11:0.82:0.23:0.24:0.15:0.5#l1
0qid:11:0.12:0.73:0.24:0.45:0.3#l2
0qid:11:0.12:0.73:0.24:0.45:0.3#l3
所述颜色特征信息包括RGB、HSV和YCBCR颜色空间的特征信息；对所述纹理特征信息的提取通过Gabor小波算法和LBP算法进行提取。Gabor小波提取各样本的纹理特征，LBP算法提取样本中人物上衣的纹理特征。
如图2所示，一种基于随机森林支持向量机的行人识别处理方法，包括如下步骤：
步骤S1：从各图像人物样本中提取颜色特征信息和纹理特征信息，并将各图像人物样本中的各颜色特征和纹理特征用多维特征向量的形式表示；
步骤S2：根据K-means聚类算法对所有图像人物样本的多维特征向量进行聚类处理，得到类别矩阵；
步骤S3：根据所述多维特征向量和类别矩阵建立随机森林模型，再通过所述随机森林模型对待测试人物图像进行特征预测，得到预测类别号；
步骤S4：通过RankSVM排序算法对图像人物样本进行训练，得到评分模型，再通过所述评分模型根据所述预测类别号对待测试人物图像进行识别、评分和排序，得到待测试人物图像相似度排名。
RankSVM中数据分为训练集、验证集、测试集，都进行特征提取和量化。其中，训练集就是指原始数据，每一列都是特征信息，提取的是原始特征，训练出多个基分类器。验证集是结合多个基分类器对每种类别的得分，训练集成分类器。测试集就是用来最后做测试用的数据集。
实现所述步骤S4的具体步骤为：
步骤S4.1：将所述图像人物样本的多维特征向量通过RankSVM排序算法进行训练，得到评分模型；
步骤S4.2：通过评分模型按所述预测类别号对待测试人物图像进行识别并评分，将识别到的结果根据评分大小进行排列，得到待测试人物图像相似度排名。
所述随机森林模型包括多个决策树，每个决策树对待测试人物图像进行特征预测时，分别给出预测值，若该预测值出现次数最多则得到该特征的预测分类号。
随机森林是由一群决策树构成，每棵决策树都随机的从输入样本中选取固定数量的样本数据存入根节点，一般是样本数据量的10％，每次二叉分都随机的选取少量特征作为依据进行判断，操作时可选取三类特征预测分类号。
所述步骤S2中根据K-means聚类算法对所有图像人物样本的多维特征向量进行聚类处理，得到类别矩阵，所述类别矩阵为聚五类。
操作时可选取三类(#1，#2，#3)数据(特征预测分类号)，随机森林的输入矩阵中保存着样本们的正确分类，这些正确的分类就来源于之前的K-means聚类结果。正确的类标记为1，其他类标记为0；qid表示这是对同一个样本的数据；后面是指5个特征，即5个基分类器对于此类数据的不同预测得分。三类(#1，#2，#3)数据如下：
1qid:11:0.82:0.23:0.24:0.15:0.5#l1
0qid:11:0.12:0.73:0.24:0.45:0.3#l2
0qid:11:0.12:0.73:0.24:0.45:0.3#l3
建立随机森林模型代码如下：
1.初始化
1.1读入样本数据集S
1.2定义决策树群的若干参数
1.2.1每课决策树深度D
1.2.2节点成为叶子的下限MIN_NUM
1.2.3每棵树最大分类数目
1.2.4树的每个节点选取的特征变量个数NUM_OF_VAR
1.2.5存在的决策树最大数量NUM_OF_TREES
1.2.6设定变量i表示单棵决策树，j为决策树当前深度
2.建立随机森林
fori＝0,…,NUM_OF_TREES
forj＝0,…,D
从S中有放回的随机抽取固定量的样本数据存入一棵决策树的根节点；
随机抽取NUM_OF_VAR个特征变量作为二叉树判断依据；
当节点个数低于MIN_NUM，此节点视为叶子，不再往下分叉；
当树的深度达到D则决策树生成；
endfor；
继续产生决策树，直至达到NUM_OF_TREES棵树，决策树群生成；
endfor；
所述颜色特征信息包括RGB、HSV和YCBCR颜色空间的特征信息；对所述纹理特征信息的提取通过Gabor小波算法和LBP算法进行提取。
实验中采用VIPeR数据库，因为本文是行人识别，所以要有正负样本和测试图像，且是实际路况下的行人图像，VIPeR库中包括两个摄像头角度拍摄到的画面，每个角度下都拍摄到了一群行人，且这些行人在两个摄像头拍摄结果中的顺序是一一对应的，而且这个样本库的图像清晰度满足提取行人特征的要求，适合用来做实验。
本发明选取VIPeR样本库中cam_a的532张图像作为样本，cam_b的100张图像作为测试图像，分别与LMNN，ITM，MCC，L1-norm的效果进行比较，识别率如图3所示。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于随机森林支持向量机的行人识别系统，其特征在于，包括特征提取模块(1)、聚类模块(2)、随机森林创建模块(3)和评分模型模块(4)；
所述特征提取模块(1)，用于从各图像人物样本中提取颜色特征信息和纹理特征信息，并将各图像人物样本中的各颜色特征和纹理特征用多维特征向量的形式表示；
所述聚类模块(2)，用于根据K-means聚类算法对所有图像人物样本的多维特征向量进行聚类处理，得到类别矩阵；
所述随机森林创建模块(3)，用于根据所述多维特征向量和所述类别矩阵建立随机森林模型，再通过所述随机森林模型对待测试人物图像进行特征预测，得到预测类别号；
所述评分模型模块(4)，用于通过RankSVM排序算法对图像人物样本进行训练，得到评分模型，再通过所述评分模型根据所述预测类别号对待测试人物图像进行识别、评分和排序，得到待测试人物图像相似度排名。
2.根据权利要求1所述的一种基于随机森林支持向量机的行人识别系统，其特征在于，所述评分模型模块(4)包括模型构建单元(401)和评分单元(402)，
所述模型构建单元(401)，用于将所述图像人物样本的多维特征向量通过RankSVM排序算法进行训练，得到评分模型；
所述评分单元(402)，用于通过评分模型按所述预测类别号对待测试人物图像进行识别并评分，将识别到的结果根据评分大小进行排列，得到待测试人物图像相似度排名。
3.根据权利要求1所述的一种基于随机森林支持向量机的行人识别系统，其特征在于，所述随机森林模型包括多个决策树，每个决策树对待测试人物图像进行特征预测时，分别给出预测值，若该预测值出现次数最多则得到该特征的预测分类号。
4.根据权利要求1所述的一种基于随机森林支持向量机的行人识别系统，其特征在于，所述颜色特征信息包括RGB、HSV和YCBCR颜色空间的特征信息；对所述纹理特征信息的提取通过Gabor小波算法和LBP算法进行提取。
5.根据权利要求1至4任一项所述的一种基于随机森林支持向量机的行人识别系统，其特征在于，所述随机森林创建模块(3)根据K-means聚类算法对所有图像人物样本的多维特征向量进行聚类处理，得到类别矩阵，所述类别矩阵为聚五类。
6.一种基于随机森林支持向量机的行人识别处理方法，其特征在于，包括如下步骤：
步骤S1：从各图像人物样本中提取颜色特征信息和纹理特征信息，并将各图像人物样本中的各颜色特征和纹理特征用多维特征向量的形式表示；
步骤S2：根据K-means聚类算法对所有图像人物样本的多维特征向量进行聚类处理，得到类别矩阵；
步骤S3：根据所述多维特征向量和类别矩阵建立随机森林模型，再通过所述随机森林模型对待测试人物图像进行特征预测，得到预测类别号；
步骤S4：通过RankSVM排序算法对图像人物样本进行训练，得到评分模型，再通过所述评分模型根据所述预测类别号对待测试人物图像进行识别、评分和排序，得到待测试人物图像相似度排名。
7.根据权利要求6所述的一种基于随机森林支持向量机的行人识别处理方法，其特征在于，实现所述步骤S4的具体步骤为：
步骤S4.1：将所述图像人物样本的多维特征向量通过RankSVM排序算法进行训练，得到评分模型；
步骤S4.2：通过评分模型按所述预测类别号对待测试人物图像进行识别并评分，将识别到的结果根据评分大小进行排列，得到待测试人物图像相似度排名。
8.根据权利要求6所述的一种基于随机森林支持向量机的行人识别处理方法，其特征在于，所述随机森林模型包括多个决策树，每个决策树对待测试人物图像进行特征预测时，分别给出预测值，若该预测值出现次数最多则得到该特征的预测分类号。
9.根据权利要求6所述的一种基于随机森林支持向量机的行人识别处理方法，其特征在于，所述颜色特征信息包括RGB、HSV和YCBCR颜色空间的特征信息；对所述纹理特征信息的提取通过Gabor小波算法和LBP算法进行提取。
10.根据权利要求6至9任一项所述的一种基于随机森林支持向量机的行人识别处理方法，其特征在于，所述步骤S2中根据K-means聚类算法对所有图像人物样本的多维特征向量进行聚类处理，得到类别矩阵，所述类别矩阵为聚五类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510548174.6A CN105095884B (zh) | 2015-08-31 | 2015-08-31 | 一种基于随机森林支持向量机的行人识别系统及处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510548174.6A CN105095884B (zh) | 2015-08-31 | 2015-08-31 | 一种基于随机森林支持向量机的行人识别系统及处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105095884A true CN105095884A (zh) | 2015-11-25 |
| CN105095884B CN105095884B (zh) | 2018-11-13 |
Family
ID=54576272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510548174.6A Active CN105095884B (zh) | 2015-08-31 | 2015-08-31 | 一种基于随机森林支持向量机的行人识别系统及处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105095884B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105975611A (zh) * | 2016-05-18 | 2016-09-28 | 天津大学 | 自适应组合降采样增强学习机 |
| CN108182186A (zh) * | 2016-12-08 | 2018-06-19 | 广东精点数据科技股份有限公司 | 一种基于随机森林算法的网页排序方法 |
| CN108229289A (zh) * | 2017-06-27 | 2018-06-29 | 北京市商汤科技开发有限公司 | 目标检索方法、装置和电子设备 |
| CN108919203A (zh) * | 2018-05-21 | 2018-11-30 | 西安电子科技大学 | 一种雷达有源干扰的识别方法及系统 |
| CN108932525A (zh) * | 2018-06-07 | 2018-12-04 | 阿里巴巴集团控股有限公司 | 一种行为预测方法及装置 |
| CN110493142A (zh) * | 2019-07-05 | 2019-11-22 | 南京邮电大学 | 基于谱聚类和随机森林算法的移动应用程序行为识别方法 |
| CN111080524A (zh) * | 2019-12-19 | 2020-04-28 | 吉林农业大学 | 基于深度学习的植物病虫害识别方法 |
| CN111553580A (zh) * | 2020-04-22 | 2020-08-18 | 浙江农林大学 | 基于k均值和支持向量机的护林员巡护情况的综合分析方法 |
| CN113591782A (zh) * | 2021-08-12 | 2021-11-02 | 北京惠朗时代科技有限公司 | 一种基于训练式的人脸识别智能保险柜应用方法及系统 |
| CN116628598A (zh) * | 2023-05-15 | 2023-08-22 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种基于大数据和nmf模型的二噁英来源解析方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101661559A (zh) * | 2009-09-16 | 2010-03-03 | 中国科学院计算技术研究所 | 一种数字图像训练和检测方法 |
| CN101673403A (zh) * | 2009-10-10 | 2010-03-17 | 安防制造（中国）有限公司 | 复杂干扰场景下的目标跟踪方法 |
| CN102750347A (zh) * | 2012-06-08 | 2012-10-24 | 天津大学 | 一种用于图像或视频搜索重排序的方法 |
| CN103235955A (zh) * | 2013-05-03 | 2013-08-07 | 中国传媒大学 | 一种图像检索中视觉单词的提取方法 |
| CN103294813A (zh) * | 2013-06-07 | 2013-09-11 | 北京捷成世纪科技股份有限公司 | 一种敏感图片搜索方法和装置 |
| CN103345623A (zh) * | 2013-07-11 | 2013-10-09 | 中国科学院自动化研究所 | 一种基于鲁棒相对属性的行为识别方法 |
-
2015
- 2015-08-31 CN CN201510548174.6A patent/CN105095884B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101661559A (zh) * | 2009-09-16 | 2010-03-03 | 中国科学院计算技术研究所 | 一种数字图像训练和检测方法 |
| CN101673403A (zh) * | 2009-10-10 | 2010-03-17 | 安防制造（中国）有限公司 | 复杂干扰场景下的目标跟踪方法 |
| CN102750347A (zh) * | 2012-06-08 | 2012-10-24 | 天津大学 | 一种用于图像或视频搜索重排序的方法 |
| CN103235955A (zh) * | 2013-05-03 | 2013-08-07 | 中国传媒大学 | 一种图像检索中视觉单词的提取方法 |
| CN103294813A (zh) * | 2013-06-07 | 2013-09-11 | 北京捷成世纪科技股份有限公司 | 一种敏感图片搜索方法和装置 |
| CN103345623A (zh) * | 2013-07-11 | 2013-10-09 | 中国科学院自动化研究所 | 一种基于鲁棒相对属性的行为识别方法 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105975611A (zh) * | 2016-05-18 | 2016-09-28 | 天津大学 | 自适应组合降采样增强学习机 |
| CN108182186A (zh) * | 2016-12-08 | 2018-06-19 | 广东精点数据科技股份有限公司 | 一种基于随机森林算法的网页排序方法 |
| CN108182186B (zh) * | 2016-12-08 | 2020-10-02 | 广东精点数据科技股份有限公司 | 一种基于随机森林算法的网页排序方法 |
| CN108229289A (zh) * | 2017-06-27 | 2018-06-29 | 北京市商汤科技开发有限公司 | 目标检索方法、装置和电子设备 |
| CN108919203B (zh) * | 2018-05-21 | 2022-04-22 | 西安电子科技大学 | 一种雷达有源干扰的识别方法及系统 |
| CN108919203A (zh) * | 2018-05-21 | 2018-11-30 | 西安电子科技大学 | 一种雷达有源干扰的识别方法及系统 |
| CN108932525A (zh) * | 2018-06-07 | 2018-12-04 | 阿里巴巴集团控股有限公司 | 一种行为预测方法及装置 |
| CN110493142A (zh) * | 2019-07-05 | 2019-11-22 | 南京邮电大学 | 基于谱聚类和随机森林算法的移动应用程序行为识别方法 |
| CN110493142B (zh) * | 2019-07-05 | 2023-04-18 | 南京邮电大学 | 基于谱聚类和随机森林算法的移动应用程序行为识别方法 |
| CN111080524A (zh) * | 2019-12-19 | 2020-04-28 | 吉林农业大学 | 基于深度学习的植物病虫害识别方法 |
| CN111553580A (zh) * | 2020-04-22 | 2020-08-18 | 浙江农林大学 | 基于k均值和支持向量机的护林员巡护情况的综合分析方法 |
| CN113591782A (zh) * | 2021-08-12 | 2021-11-02 | 北京惠朗时代科技有限公司 | 一种基于训练式的人脸识别智能保险柜应用方法及系统 |
| CN116628598A (zh) * | 2023-05-15 | 2023-08-22 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种基于大数据和nmf模型的二噁英来源解析方法及系统 |
| CN116628598B (zh) * | 2023-05-15 | 2024-03-12 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种基于大数据和nmf模型的二噁英来源解析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105095884B (zh) | 2018-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105095884A (zh) | 一种基于随机森林支持向量机的行人识别系统及处理方法 | |
| EP3327583B1 (en) | Method and device for searching a target in an image | |
| CN110619369B (zh) | 基于特征金字塔与全局平均池化的细粒度图像分类方法 | |
| Zhao et al. | Learning mid-level filters for person re-identification | |
| CN107833213B (zh) | 一种基于伪真值自适应法的弱监督物体检测方法 | |
| CN101551809B (zh) | 基于高斯混合模型分类的sar图像检索方法 | |
| CN108564094B (zh) | 一种基于卷积神经网络和分类器组合的材质识别方法 | |
| CN103577475B (zh) | 一种图片自动化分类方法、图片处理方法及其装置 | |
| CN106599925A (zh) | 一种基于深度学习的植物叶片识别系统与方法 | |
| CN104992142A (zh) | 一种基于深度学习和属性学习相结合的行人识别方法 | |
| CN104281572B (zh) | 一种基于互信息的目标匹配方法及其系统 | |
| CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
| CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
| CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
| CN107315795B (zh) | 联合特定人物和场景的视频实例检索方法及系统 | |
| CN105809146A (zh) | 一种图像场景识别方法和装置 | |
| CN103136504A (zh) | 人脸识别方法及装置 | |
| CN108764096B (zh) | 一种行人重识别系统和方法 | |
| CN109063619A (zh) | 一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统 | |
| CN106408037A (zh) | 图像识别方法及装置 | |
| CN105095475B (zh) | 基于两级融合的不完整属性标记行人重识别方法与系统 | |
| CN109993201A (zh) | 一种图像处理方法、装置和可读存储介质 | |
| CN104050460B (zh) | 多特征融合的行人检测方法 | |
| CN107067022B (zh) | 图像分类模型的建立方法、建立装置和设备 | |
| CN103871044A (zh) | 一种图像签名生成方法和图像验证方法及装置 |
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 |