CN105590020B - 改进的数据比较方法 - Google Patents

改进的数据比较方法 Download PDF

Info

Publication number
CN105590020B
CN105590020B CN201510747116.6A CN201510747116A CN105590020B CN 105590020 B CN105590020 B CN 105590020B CN 201510747116 A CN201510747116 A CN 201510747116A CN 105590020 B CN105590020 B CN 105590020B
Authority
CN
China
Prior art keywords
class
vectors
covariance matrix
data
feature
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
Application number
CN201510747116.6A
Other languages
English (en)
Other versions
CN105590020A (zh
Inventor
J·博纳
S·根特里克
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.)
Adimia Identity And Security France
Original Assignee
Morpho SA
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 Morpho SA filed Critical Morpho SA
Publication of CN105590020A publication Critical patent/CN105590020A/zh
Application granted granted Critical
Publication of CN105590020B publication Critical patent/CN105590020B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种对从传感器或接口得到的两个数据进行比较的方法，该方法由处理单元的处理装置实现，该方法包括计算待比较的两个特征向量之间的相似度函数，其特征在于，数据的每个特征向量被建模为高斯变量求和，所述高斯变量包括：向量所属的类的平均值，固有偏差，以及向量的观测噪声，每个特征向量与一个质量向量相关联，该质量向量包括特征向量的观测噪声的信息，并且在于，根据特征向量和相关联的质量向量来计算相似度函数。

Description

改进的数据比较方法
技术领域
本发明涉及一种对从传感器或接口得到的数据进行比较以确定数据之间的相似率的方法。本发明尤其涉及一种通过机器学习的数据比较方法。
背景技术
在计算机视觉(或数字视觉)领域实现的众多任务例如要求对诸如图像之类的复杂数据进行比较以得到该数据之间的相似度分数。
例如，在生物计量认证领域，对个体的面部图像进行比较以确定图像是否是从同一人处得到的。
为了解决这类问题，已知从待比较的数据中提取特征，特征提取将待比较的数据转换为特征向量，并随后计算特征向量之间的相似度函数。
计算出的相似度函数通常包括预先未知的参数。这些参数被确定并通过机器学习来逐步优化。为此，处理单元对从数据库中得到的一组数据进行数据比较操作，将由相似度函数给出的结果与实际结果进行比较，并且相应地优化相似度函数的参数以得到更加可靠的结果。
例如，根据D.Chen，X.Cao，L.Wang，F.Wen和J.Sun在2012年的ECCV(EuropeanConference on Computer Vision，欧洲计算机视觉国际会议)上发表的《Bayesian FaceRevisited:AJoint Formulation》(贝叶斯面部重历：联合公式化)，数据之间的相似度函数的学习方法是已知的，其中，通过对两个独立的高斯变量求和对数据建模：一个数据所属的类(class)的平均值以及该数据相对于平均值的变化。
例如，如果数据为面部图像，则类对应于主体的身份，并且相对于类的平均值的变化对应于主体的平均面部图像与不同环境下拍摄的图像之间可能存在的全部改变：
-图像上的光和影，
-图像中的面部姿态，
-面部表情，
-局部模糊等。
然而，在数据库中将数据的质量变化考虑在内限制了机器学习所形成的比较性能水平的提升。其结果是，所确定的相似度函数表现出欠佳的性能并因此表现出欠佳的比较质量。所提出的比较方法因而并不完全可靠。
发明内容
本发明的目的是提出一种数据比较方法，该数据比较方法相比于现有技术具有改进的性能。
在此方面，本发明的主题是由处理单元的处理装置实现对从传感器或接口得到的两个计算机数据项目进行比较的方法，该方法包括计算待比较的两个特征向量之间的相似度函数，
其特征在于，对高斯变量求和来对一个数据的各特征向量建模，所述变量包括：
-向量所属的类的平均值，
-固有偏差，以及，
-向量的观测噪声，
每个特征向量与一个质量向量相关联，该质量向量包括特征向量的观测噪声的信息，
并且在于，根据特征向量和相关联的质量向量来计算相似度函数。
有利但可选地，本发明的方法还可以包括以下特征中的至少一个：
-相似度函数是具有属于同一类的向量的特征向量的概率密度
Figure BDA0000840230050000021
与与具有两个不同类的向量的特征向量的概率密度
Figure BDA0000840230050000031
之间的比率的对数。
-相似度函数还根据特征向量的分量的协方差矩阵来计算，并且每个特征向量的观测噪声的协方差矩阵根据相关联的质量向量来得到。
-该方法还包括实现学习算法来确定向量所属的类的平均值和相对于类平均值的向量偏差的协方差矩阵。
-学习算法为期望最大算法；
-相似度函数由下式给出：
Figure BDA0000840230050000032
其中：
Figure BDA0000840230050000033
Figure BDA0000840230050000034
Figure BDA0000840230050000035
并且其中，Sμ为所述类的平均值的协方差矩阵(类间协方差矩阵)，Sω为相对于平均值的偏差的协方差矩阵(类内协方差矩阵)，并且Sεx和Sεy分别为所述向量x和y的所述观测噪声的协方差矩阵；
-来此传感器或接口的计算机数据是表示物理对象或物理量的数据；
-来自传感器或接口的计算机数据是图像，并且通过对图像应用至少一个滤波器得到特征向量；
-质量向量的分量根据数据类型和形成特征向量的特征类型来生成；
-该方法还包括将所计算的相似度函数的结果与阈值进行比较，从而确定数据是否属于公共类。
本发明的另一主题是一种包括代码指令的计算机程序产品，该代码指令在被处理单元的处理装置执行时实现之前描述的方法。
本发明的另一主题是一种系统，包括：
-数据库，包括多个所谓的标签数据；
-数据采集单元；以及
-处理单元，该处理单元包括处理装置，该处理单元适用于根据两个数据项来构造两个特征向量和两个相关联的质量向量，所述处理单元还适用于通过实现之前描述的方法来比较数据。
所提出的方法使得能够在计算数据之间的相似度函数的同时考虑到数据质量。这使得有可能在质量良好的数据与不确定性更大的数据之间使用可变的权重。
例如，当本发明的方法被应用于图像比较时，相似度函数对于图像的阴影或模糊区域并未被相似度函数的考虑权重并不如清晰可见、清楚辨别的区域那样大。
数据比较性能借此得到了增强。
另外，机器学习使得能够优化相似度函数参数并因此提升比较方法的性能。
附图说明
根据以下仅以解释为目的的非限定性说明并且结合附图，本发明的其他特点、目的和优点将变得明显，在附图中：
-图1示出了适用于实现比较方法的系统的一个示例；
-图2示出了根据本发明的一个实施例的数据比较方法的主要步骤。
具体实施方式
参考图1，所示系统1包括处理单元10，处理单元10包括处理装置11以实现下述计算机数据比较方法。
处理单元10例如可以是集成电路并且处理装置可以是处理器。
有利地，系统1还包括可选远程数据库20，远程数据库20在存储器中存储了多个数据，这些数据被处理单元10使用以实现下述机器学习。
最后，系统1包括数据采集单元30，或者当数据采集单元30独立于系统时，系统包括适用于与此单元进行通信的接口(未示出)。以此方式，系统1能够接收并处理数据b，尤其是使用下述方法对数据b进行比较。
根据在下述方法中待比较的数据类型的不同，数据采集单元可以是任何类型的，例如，光学传感器(照相机、摄像机、扫描仪)、声学传感器、指纹传感器、运动传感器等等。数据采集单元还可以是人机接口(键盘、具有触屏接口的平板电脑)以记录操作人员输入的诸如文本、图片等数据。
计算机数据b由采集单元30得到并因而来自传感器或者例如人机接口这样的接口。计算机数据b可以是代表物理对象(例如图像、示意图、记录、说明)或者代表(电、机械、热、声等)物理量的数据，例如，由传感器记录的数据。
处理单元的处理装置11有利地被配置为通过执行合适的程序来实现下述数据比较方法。
为了实现本方法，处理装置11有利地还包括特征提取模块12，特征提取模块12适用于根据由数据采集单元30传送的输入计算机数据b进行特征提取，以便生成与数据相关联的特征向量x以及与特征向量相关联的质量向量qx。
质量向量qx与特征向量的大小相同，并且质量向量qx中的每个元素表明特征向量x的对应元素中包含的信息的质量。替代性地，质量向量qx可以是任意大小的。质量向量qx的生成取决于数据b的类型。
例如，通过将用于此用途的一个或更多滤波器应用于数据b，可选地随后对滤波结果(例如，计算出的直方图等)进行处理，能够实现特征提取。
质量向量的生成依赖于数据b的类型和特征向量x的特征类型，即向量x的分量元素。质量向量的每个元素将与特征向量的特定特征相关联的固有数据有关信息考虑在内。
例如，在信号处理或图像处理领域，当数据是图像或者是采集到的由传感器采集的代表性信号时，经常将数据的频率表示(例如，傅里叶变换)或者时频表示(例如，小波变换)用作特征向量x。特征向量的每个分量则仅取决于某些频带。
在此情况下，数据的高频分量证明比低频分量更容易识别，但同样对于诸如存在噪声或者信号分辨率低这样的现象更加灵敏。
如果数据是由传感器采集的信号，则数据中的噪声量能够通过分析数据的频谱来确定；或者如果数据是图像，则通过分析数据的固有分辨率来确定。例如，已知Pfenning和Kirchner在2012年ISCCP(International Satellite Cloud Climatology Project，国际卫星云气候学计划)的用于确定图像分辨率的文章《Spectral Methods to Determine theExact Scaling Factor of Resampled Digital Images》(用于确定重采样数字图像的精确比例因子的频谱方法)。
根据特征向量x和数据的固有质量生成的质量向量qx则能够如下构造：
-将高质量赋予特征向量中对数据的低频分量灵敏的分量；
-将高质量赋予特征向量中对数据的高频分量灵敏并且具有低噪声水平和/或高分辨率的分量；
-将低质量赋予特征向量中对高频分量灵敏并且具有高噪声水平和/或低分辨率的分量。
所赋予的质量值以及噪声水平或分辨率的阈值能够以实验方式确定，以便在验证基础上优化比较方法的性能。
根据另一示例，数据是面部图像。
根据该示例，如Chen等人在2013年的VCPR(World Climate Research Programme，世界气候研究计划)的文章《Blessing of Dimensionality:High–dimensional Featureand Its Efficient Compression for Face Verification》(来自维度的恩赐：高维度特征及其对于面部检验的高效压缩)中，通过将从面部的某些语义点(例如，鼻尖、嘴角、眼睛等)附近提取的局部描述符相连接能够获得特征向量。
与在规则网格处提取描述符的方法相比，该表示的优点在于对姿势的变化具有更好的鲁棒性。
然而，这些特征的提取包括检测这些点的步骤。在整个该步骤中，所使用的检测器在提供面部的每个点在图像中的最可能的位置外，还提供解释检测精度的置信水平的信息。
例如从Rapp等人在2011年的Automatic Face&Gesture Recognition(自动面部和姿势识别)的文章《Blessing of Dimensionality:Multiple kernel learning SVM andstatistical validation for facial landmark detection》(来自维度的恩赐：面部特征点检测的多核学习SVM和统计验证)已知测量方法，该测量方法在使用基于支持向量机(SVM，Support Vector Machine)的检测器时测量到分离超平面的距离。
另一示例在Dantone等人在2012年的CVPR的文章《Real–time Facial FeatureDetection using Conditional Regression Forests》(使用条件回归森林的实时面部特征检测)，其中，信度测量由检测器使用回归树确定的大量票数给出。
该信度信息能够被用于通过向特征向量的每个分量赋予对应于该分量的面部语义点的检测质量来生成与特征向量的每个分量相关联的质量。
根据进一步的示例，当面部图像是根据并非是面部正面图像的图像生成的面部图像时，例如，通过应用专利申请FR 2998402中所述的方法，质量向量可以是信度指数，该指数对于出现在原始图像中的面部的点相对较高并且对于并未出现在原始图像中而是在通过插值重新构建图像中的面部的点相对较低。
更普遍地，当数据是图像时，质量向量能够通过模糊局部测量来得到。
替代性地，特征提取模块是采集单元30的一个模块，特征提取模块使得采集单元能够直接与处理装置11传送特征向量和相关联的质量向量。
数据比较方法
参考图2，在此给出了对处理单元的处理装置11实现的数据比较方法的说明。
该方法包括通过计算分别从数据中得到的大小相同的两个特征向量x和y之间的相似度函数100，并且通过实现数据库上的相似度函数的参数的机器学习200，来对两个数据项目进行比较。
在该方法中，每个特征向量被建模为三个独立的高斯变量求和：
x＝μ+ω+ε
其中：
-μ为向量x所属的类的平均值；
-ω为向量x与平均值的固有偏差；以及
-ε为观测噪声。
类是被认为相似的一组特征向量。如果使用相似度函数对两个特征向量的比较产生的结果高于由经验确定的阈值，则两个特征向量被认为相似。
例如，如果数据是面部图像，类有利地对应于个体。通过对多个数据的两个特征向量进行比较，如果数据来自同一个体，则被认为相似。
回到之前所述的模型，属于同一类的两个特征向量因而具有相同的μ值，但是具有不同的ω和ε值。
如果特征向量属于不同的类，则三个变量完全独立。
则认为这三个变量满足中位数为0的多变量正态分布，并且各协方差矩阵被记为Sμ、Sω和Sε。Sμ被称为类间协方差矩阵，Sω为类内协方差矩阵且Sε为观测噪声协方差矩阵。
Sμ、Sω对于全部特征向量都是未知数。
另一方面，Sε是已知的，这是因为Sε是由特征提取模型从与特征向量相关量的质量向量中得到的。Sε与相关联的特征向量具有相同的大小。
例如，假定观测噪声彼此不相关，则Sε能够由对角矩阵充分近似。
与质量向量的分量的方差对应的该对角矩阵的元素能够根据该向量得到。
例如，通过向质量向量qx的分量应用f(qx)＝1/eaqx+b类型的Sigmoid函数来利用方差。能够选择系数a和b以将确定的方差水平与质量水平相联系。
例如，高质量能够与零方差相关联，极低质量能够与最大方差相关联，中间方差对应于中间质量。
通常来说，因为质量向量和特征向量取决于数据类型，所以将质量向量转换为噪声协方差矩阵的传递函数特定于相关联的质量向量和特征向量。
在本申请的其他部分，Sεx表示根据质量向量qx得到的向量x的背景噪声的协方差矩阵，并且Sεy为根据质量向量qy得到的向量y的背景噪声的协方差矩阵。
Hsim表示假设两个特征向量属于同一类，即认为对应的数据相似，并且Hdis表示相反的假设，特征向量属于不同类并且认为对应的数据不相似。
已知x和y的各自背景噪声的协方差矩阵并且考虑到假设Hsim，x和y的联合生成概率被记作
Figure BDA0000840230050000091
该概率符合高斯律，其中位数为零并且协方差矩阵为Ssim:
Figure BDA0000840230050000092
已知x和y的各自背景噪声的协方差矩阵并且考虑到假设Hdis，x和y的联合发生概率被记作
Figure BDA0000840230050000093
该概率符合高斯律，其中位数为零并且协方差矩阵为Sdis:
Figure BDA0000840230050000094
矩阵Ssim和Sdis的定义如下：
Figure BDA0000840230050000095
Figure BDA0000840230050000096
Figure BDA0000840230050000097
的概率密度以已知方式为
Figure BDA0000840230050000098
其中，|Ssim|为Ssim的行列式，且N为特征向量的维度。
相同的表达式被参照应用于
Figure BDA0000840230050000099
的概率密度。
计算出的对与向量x和y相对应的两个数据进行比较的相似度函数是具有属于同一类的向量的特征向量的概率密度与具有属于两个不同类的向量的特征向量的概率密度之间的比率。
相似度函数因而表达如下：
Figure BDA00008402300500000910
在使用上述概率密度的表达式时，并且当使用块反演公式来反演矩阵Ssim和Sdis以使函数演化时，得到的相似度函数表达如下：
Figure BDA0000840230050000101
在该表达式中，A、B和C是由Ssim的块反演形成的项并且表达分别如下：
Figure BDA0000840230050000102
Figure BDA0000840230050000103
Figure BDA0000840230050000104
常数不依赖于x、y、
Figure BDA0000840230050000105
或
Figure BDA0000840230050000106
并因而能够忽略。
因而发现，相似度函数LR将x和y的观测噪声的协方差矩阵
Figure BDA0000840230050000107
和
Figure BDA0000840230050000108
考虑在内，并因此将与各特征向量相关联的质量向量考虑在内。
比较结果因而受到与特征向量相关联的质量或信度的影响，这使得被认为质量差或者不确定的特征能够具有较小的权重，并且质量良好或信度更好的特征具有较大的权重。
正如在本申请其他部分所见，相似度函数还由机器学习来参数化。通过考虑与特征向量相关联的质量，质量差的数据对于函数的参数化的影响能够被降到最小。
比较方法因而更加可靠。
回到图2，则在步骤110中将比较结果与预定阈值进行比较。
该阈值有利地通过对数据库中的已知的特征向量(已知属于或者不属于同一类)进行大量比较来以经验方式确定。
如果应用于x和y的相似度函数的结果大于预定阈值，则认为对应的数据相似。否则，认为数据相异。
前述的相似度函数LR的表达式表示出，该函数由未知的协方差矩阵Sμ、Sω参数化。
因而，该方法包括步骤200以通过机器学习确认所述矩阵。
该方法有利地通过使用最大期望算法(expectation-maximization algorithm，EM算法)并且对存储在数据库20中的一组数据来进行，该数据被称为“标签”(labelled)，即这些数据各自所属的类是已知的。
数量为mc的特征向量所属的类被记为c，并且
Figure BDA0000840230050000111
表示该类的特征向量的级联，且
Figure BDA0000840230050000112
表示各自的观测噪声的协方差矩阵。
对于每个类c定义潜在变量
Figure BDA0000840230050000113
其中，每个μc为类平均值；因而仅有一个，并且每个ωc,i为该类中的特征向量相对于该平均值的偏差(因而对于每个特征向量存在一个)。
使用EM算法估计的参数为Θ＝{Sμ,Sω}。
最大期望算法是迭代算法，包括估计潜在变量
Figure BDA0000840230050000114
的分布参数的第一步骤210，其中，
Figure BDA0000840230050000116
是参数的先前估计值。
在方法初始化时，
Figure BDA0000840230050000117
为参数的第一经验估计值。
参数Sμ的初始化有利地通过针对每一类c计算该类的经验平均值并确定平均值的协方差矩阵来得到。
参数Sω的初始化能够通过针对每一类计算减去该类的平均值(即特征向量相对于平均值的差)之后的特征向量的协方差矩阵并计算全部类的平均协方差矩阵来得到。
算法接下来包括最大化步骤220，该步骤遵循潜在变量Zc期望对数似然数的Θ。
Figure BDA0000840230050000115
为了正确进行该步骤并且使得计算时间最短，考虑到潜在变量ωc,i有条件地独立于通过对
Figure BDA0000840230050000118
进行以下因式分解修正的μc：
Figure BDA0000840230050000121
在步骤220中对
Figure BDA0000840230050000122
的优化要求计算参数
Figure BDA0000840230050000123
和
Figure BDA0000840230050000124
的概率分布。这些计算具体如下：
Figure BDA0000840230050000125
其中：
Figure BDA0000840230050000126
并且
Figure BDA0000840230050000127
将等式(1)与
Figure BDA0000840230050000128
是概率分布相结合则意味着
Figure BDA0000840230050000129
Figure BDA00008402300500001210
另外：
Figure BDA00008402300500001211
其中，
Figure BDA00008402300500001212
Figure BDA00008402300500001213
Figure BDA0000840230050000131
其中：
Figure BDA0000840230050000132
并且
Figure BDA0000840230050000133
步骤220因而使得需要相对于Sμ和Sw最大化：
Figure BDA0000840230050000134
这通过计算斜率并求解
Figure BDA0000840230050000135
和
Figure BDA0000840230050000136
来得到。
Figure BDA0000840230050000137
Figure BDA0000840230050000141
另外：
Figure BDA0000840230050000142
Figure BDA0000840230050000151
期望最大算法通过在步骤210中连续计算变量
Figure BDA0000840230050000152
和
Figure BDA0000840230050000153
并且在步骤220中调整Sμ和Sω的值并由此调整
Figure BDA0000840230050000154
的值直到收敛来迭代执行。在步骤210的每一次新的迭代中，再次使用在先前步骤220中得到的
Figure BDA0000840230050000155
的新值。

Claims (7)

1.一种对从传感器或接口(30)得到的两个图像进行比较的方法，该方法由处理单元(10)的处理装置(11)实现，所述方法包括如下步骤：
-通过对所得到的两个图像应用至少一个滤波器，从所得到的两个图像中提取特征，从而得到特征向量x、y和与所述特征向量x、y相关联的质量向量qx、qy，
-计算(100)所述特征向量x、y之间的相似度函数，
-应用(200)学习算法来确定所述特征向量x、y所属的类的平均值的协方差矩阵Sμ、以及所述特征向量x、y相对于所述类的平均值的偏差的协方差矩阵Sω，
其中，所述特征向量x、y中的每个被建模为三个独立的高斯变量求和μ+ω+ε，其中，所述高斯变量为：
-所述特征向量所属的类的平均值μ，
-固有偏差ω，以及
-所述特征向量的观测噪声ε，
其中，所述质量向量qx、qy包括所述特征向量x、y的所述观测噪声的信息，所述质量向量qx、qy根据数据类型和形成所述特征向量x、y的特征类型来生成，
并且其中，所述相似度函数根据所述特征向量x、y和所述特征向量x、y的分量的协方差矩阵Sμ、Sω、Sεx、Sεy来计算，所述特征向量x、y的所述观测噪声的协方差矩阵Sεx、Sεy根据相关联的质量向量qx、qy来得到，
-将所计算的相似度函数的结果与阈值进行比较，从而确定所得到的两个图像是否属于同一公共类。
2.根据权利要求1所述的方法，其中，所述特征向量的分量的所述协方差矩阵分别包括被称为类间协方差矩阵Sμ的所述特征向量所属的类的平均值的协方差矩阵以及被称为类内协方差矩阵Sω的特征向量与所述类的平均值的偏差的协方差矩阵。
3.根据权利要求1所述的方法，其中，所述相似度函数LR是具有属于同一类的向量的所述特征向量的概率密度
Figure FDA0002948886970000021
与具有属于两个不同类的向量的所述特征向量的概率密度
Figure FDA0002948886970000022
之间的比率的对数。
4.根据权利要求1所述的方法，其中，所述学习算法为期望最大算法。
5.根据权利要求1所述的方法，其中，所述相似度函数由下式给出：
Figure FDA0002948886970000023
其中：
Figure FDA0002948886970000024
Figure FDA0002948886970000025
并且其中，Sμ为所述类的平均值的协方差矩阵，Sω为相对于平均值的偏差的协方差矩阵，并且Sεx和Sεy分别为所述特征向量x和y的所述观测噪声的协方差矩阵。
6.一种计算机可读存储介质，该计算机可读存储介质包括代码指令，所述代码指令在被处理单元(10)的处理装置(11)执行时实现根据权利要求1所述的方法。
7.一种系统(1)，包括：
-数据库(20)，包括多个标签数据；
-数据采集单元(30)；以及
-处理单元(10)，所述处理单元包括处理装置(11)，所述处理单元适用于根据两个图像来构造两个特征向量x、y和两个相关联的质量向量qx、qy，所述处理单元还适用于通过实现根据权利要求1所述的方法来比较所述图像并确定所述两个图像是否属于同一公共类。
CN201510747116.6A 2014-11-05 2015-11-05 改进的数据比较方法 Active CN105590020B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1460690A FR3028064B1 (fr) 2014-11-05 2014-11-05 Procede de comparaison de donnees ameliore
FR1460690 2014-11-05

Publications (2)

Publication Number Publication Date
CN105590020A CN105590020A (zh) 2016-05-18
CN105590020B true CN105590020B (zh) 2021-04-20

Family

ID=52737190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510747116.6A Active CN105590020B (zh) 2014-11-05 2015-11-05 改进的数据比较方法

Country Status (6)

Country Link
US (1) US10332016B2 (zh)
EP (1) EP3018615B1 (zh)
JP (1) JP6603548B2 (zh)
KR (1) KR102399025B1 (zh)
CN (1) CN105590020B (zh)
FR (1) FR3028064B1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9405965B2 (en) * 2014-11-07 2016-08-02 Noblis, Inc. Vector-based face recognition algorithm and image search system
CN106803054B (zh) * 2015-11-26 2019-04-23 腾讯科技（深圳）有限公司 人脸模型矩阵训练方法和装置
US10255703B2 (en) 2015-12-18 2019-04-09 Ebay Inc. Original image generation system
US11120069B2 (en) * 2016-07-21 2021-09-14 International Business Machines Corporation Graph-based online image queries
US10482336B2 (en) 2016-10-07 2019-11-19 Noblis, Inc. Face recognition and image search system using sparse feature vectors, compact binary vectors, and sub-linear search
JP6477943B1 (ja) * 2018-02-27 2019-03-06 オムロン株式会社 メタデータ生成装置、メタデータ生成方法及びプログラム
CN109325059A (zh) * 2018-12-03 2019-02-12 枘熠集成电路（上海）有限公司 一种数据比较方法及装置
WO2021125616A1 (ko) * 2019-12-19 2021-06-24 이향룡 Ai의 학습 및 적용을 위한 개체 데이터를 검출하는 방법 및 이의 시스템
US12105778B2 (en) * 2020-10-02 2024-10-01 T-Mobile Usa, Inc. Real-time viable user determination

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236788A (zh) * 2010-04-20 2011-11-09 荣科科技股份有限公司 电力电能表图像自动识别方法
CN102354389A (zh) * 2011-09-23 2012-02-15 河海大学 基于视觉显著性的图像零水印算法及图像版权认证方法
CN102693321A (zh) * 2012-06-04 2012-09-26 常州南京大学高新技术研究院 一种跨媒体间信息分析与检索的方法
CN102880861A (zh) * 2012-09-05 2013-01-16 西安电子科技大学 基于线性预测倒谱系数的高光谱图像分类方法
CN103886106A (zh) * 2014-04-14 2014-06-25 北京工业大学 一种基于光谱特征保护的遥感图像安全检索方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6424960B1 (en) * 1999-10-14 2002-07-23 The Salk Institute For Biological Studies Unsupervised adaptation and classification of multiple classes and sources in blind signal separation
US6782362B1 (en) * 2000-04-27 2004-08-24 Microsoft Corporation Speech recognition method and apparatus utilizing segment models
US8463718B2 (en) * 2000-08-07 2013-06-11 Health Discovery Corporation Support vector machine-based method for analysis of spectral data
KR100445800B1 (ko) * 2001-01-05 2004-08-25 학교법인 인하학원 상관관계를 이용한 유사도 측정의 얼굴 인증 방법
US7171356B2 (en) * 2002-06-28 2007-01-30 Intel Corporation Low-power noise characterization over a distributed speech recognition channel
US8868555B2 (en) * 2006-07-31 2014-10-21 Ricoh Co., Ltd. Computation of a recongnizability score (quality predictor) for image retrieval
US7822605B2 (en) * 2006-10-19 2010-10-26 Nice Systems Ltd. Method and apparatus for large population speaker identification in telephone interactions
KR100846500B1 (ko) * 2006-11-08 2008-07-17 삼성전자주식회사 확장된 가보 웨이브렛 특징 들을 이용한 얼굴 인식 방법 및장치
KR100860989B1 (ko) * 2006-12-18 2008-09-30 삼성전자주식회사 얼굴 영상의 유사도 산출 방법 및 장치와 이를 이용한 얼굴영상 검색 방법 및 장치 그리고 얼굴 합성 방법
US8126197B2 (en) * 2007-11-29 2012-02-28 Certifi-Media Inc. Method for image quality assessment using quality vectors
US7885794B2 (en) * 2007-11-30 2011-02-08 Xerox Corporation Object comparison, retrieval, and categorization methods and apparatuses
US8548497B2 (en) * 2011-12-16 2013-10-01 Microsoft Corporation Indoor localization using commercial frequency-modulated signals
JP2013156680A (ja) * 2012-01-26 2013-08-15 Kumamoto Univ フェーストラッキング方法、フェーストラッカおよび車両
JP2013254254A (ja) * 2012-06-05 2013-12-19 Canon Inc 識別装置、その制御方法及びプログラム
US20140107521A1 (en) * 2012-10-12 2014-04-17 Case Western Reserve University Functional brain connectivity and background noise as biomarkers for cognitive impairment and epilepsy
FR2998402B1 (fr) 2012-11-20 2014-11-14 Morpho Procede de generation d'un modele de visage en trois dimensions
KR101254181B1 (ko) * 2012-12-13 2013-04-19 위아코퍼레이션 주식회사 하이브리드 방식의 영상 데이터 전처리 기법 및 방사형 기저함수 기반 신경회로망을 이용한 얼굴 인식 방법
EP2924543B1 (en) * 2014-03-24 2019-12-04 Tata Consultancy Services Limited Action based activity determination system and method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236788A (zh) * 2010-04-20 2011-11-09 荣科科技股份有限公司 电力电能表图像自动识别方法
CN102354389A (zh) * 2011-09-23 2012-02-15 河海大学 基于视觉显著性的图像零水印算法及图像版权认证方法
CN102693321A (zh) * 2012-06-04 2012-09-26 常州南京大学高新技术研究院 一种跨媒体间信息分析与检索的方法
CN102880861A (zh) * 2012-09-05 2013-01-16 西安电子科技大学 基于线性预测倒谱系数的高光谱图像分类方法
CN103886106A (zh) * 2014-04-14 2014-06-25 北京工业大学 一种基于光谱特征保护的遥感图像安全检索方法

Also Published As

Publication number Publication date
EP3018615A1 (fr) 2016-05-11
US20160125308A1 (en) 2016-05-05
JP6603548B2 (ja) 2019-11-06
EP3018615B1 (fr) 2019-02-27
FR3028064A1 (fr) 2016-05-06
KR102399025B1 (ko) 2022-05-17
CN105590020A (zh) 2016-05-18
FR3028064B1 (fr) 2016-11-04
JP2016091566A (ja) 2016-05-23
US10332016B2 (en) 2019-06-25
KR20160053833A (ko) 2016-05-13

Similar Documents

Publication Publication Date Title
CN105590020B (zh) 改进的数据比较方法
CN112506342B (zh) 基于动态手势识别的人机交互方法及系统
JP6041996B2 (ja) 視覚的属性を修正する装置、システム及び方法
US7995805B2 (en) Image matching apparatus, image matching method, computer program and computer-readable storage medium
Raghavendra et al. Novel image fusion scheme based on dependency measure for robust multispectral palmprint recognition
JP5406705B2 (ja) データ補正装置及び方法
US9417700B2 (en) Gesture recognition systems and related methods
EP2893491B1 (en) Image processing apparatus and method for fitting a deformable shape model to an image using random forest regression voting
CN106778468B (zh) 3d人脸识别方法及设备
JP6544900B2 (ja) オブジェクト識別装置、オブジェクト識別方法及びプログラム
KR101612605B1 (ko) 얼굴 특징점 추출 방법 및 이를 수행하는 장치
CN106778474A (zh) 3d人体识别方法及设备
JP6071002B2 (ja) 信頼度取得装置、信頼度取得方法および信頼度取得プログラム
CN109215131B (zh) 虚拟人脸的驱动方法及装置
CN112907569A (zh) 头部图像区域的分割方法、装置、电子设备和存储介质
US20100322486A1 (en) Hand-based gender classification
JP6430102B2 (ja) 人物属性推定装置、人物属性推定方法及びプログラム
Hu et al. Signal-level information fusion for less constrained iris recognition using sparse-error low rank matrix factorization
Solanke et al. “Biometrics—Iris recognition system” A study of promising approaches for secured authentication
Almaddah et al. Face relighting using discriminative 2D spherical spaces for face recognition
Bouchemha et al. Multispectral palmprint recognition methodology based on multiscale representation
Ying et al. Dynamic random regression forests for real-time head pose estimation
Zamuner et al. A pose-adaptive constrained local model for accurate head pose tracking
CN118172820B (zh) 一种应用于点云的三维人脸识别方法
Upraity et al. Efficient face recognition using morphological operations

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: French Kubeva

Patentee after: Adimia - Identity and Security France

Address before: Issy-les-Moulineaux

Patentee before: MORPHO

CP03 Change of name, title or address