CN105975921B - 基于局部特征共生性和偏最小二乘法的行人检测方法 - Google Patents
基于局部特征共生性和偏最小二乘法的行人检测方法 Download PDFInfo
- Publication number
- CN105975921B CN105975921B CN201610279313.4A CN201610279313A CN105975921B CN 105975921 B CN105975921 B CN 105975921B CN 201610279313 A CN201610279313 A CN 201610279313A CN 105975921 B CN105975921 B CN 105975921B
- Authority
- CN
- China
- Prior art keywords
- feature
- symbiosis
- binaryzation
- partial
- squares
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 title claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000003066 decision tree Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 18
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000004438 eyesight Effects 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- FKOQWAUFKGFWLH-UHFFFAOYSA-M 3,6-bis[2-(1-methylpyridin-1-ium-4-yl)ethenyl]-9h-carbazole;diiodide Chemical compound [I-].[I-].C1=C[N+](C)=CC=C1C=CC1=CC=C(NC=2C3=CC(C=CC=4C=C[N+](C)=CC=4)=CC=2)C3=C1 FKOQWAUFKGFWLH-UHFFFAOYSA-M 0.000 description 1
- 241000405217 Viola <butterfly> Species 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
基于局部特征共生性和偏最小二乘法的行人检测方法，涉及计算机视觉技术。包括以下步骤：准备训练样本集，将训练样本的特征向量组合作为预测矩阵X，将训练样本的类别组合作为响应矩阵y；利用偏最小二乘法对预测和响应矩阵建立模型，求得权重矩阵W；根据权重矩阵W计算分数较高的特征作为候选特征，用于生成局部特征共生性；对局部图像块中的候选特征进行二值化并组合成局部特征共生性的二值化模式；计算二值化模式的概率分布，将其用于训练基于Boosted决策树的行人检测分类器；输入待检测图像，通过得到的分类器在待检测图像中找出分数较高的目标窗口作为可能的行人物体，完成检测。
Description
技术领域
本发明涉及计算机视觉技术，具体是涉及一种基于局部特征共生性和偏最小二乘法的行人检测方法。
背景技术
真实场景下的行人检测是计算机视觉中的一个重要研究方向，并在近些年来得到了长远的发展，同时行人检测的研究也有助于目标检测和跟踪等计算机视觉其他领域的发展。由于行人的非刚性及在复杂场景中存在着光照变化大、遮挡等因素，行人检测仍然存在许多难点。因此，能够对视频和图像中的行人进行精确的检测和定位具有重要的理论研究和实际应用意义。行人检测在智能交通领域有着广泛的应用，尤其对于智能交通控制，视频监控和自动驾驶系统有着重大意义。其中，随着近些年来自动驾驶系统的高速发展，对于交通场景中的行人检测成为研究的热点。准确而高效的行人检测技术是对行人、车辆和乘客的安全保证，也是判断自动驾驶系统能否运用到实际场景中的重要标准。因此，行人检测技术成为当今自动驾驶系统的关键技术之一。
积分通道特征方法是当前行人检测技术的热门方法。特征积分图的计算方法最早由Viola和Jones(Viola P,Jones M J.Robust real‐time face detection[J].International Journal of Computer Vision.2004,57(2):p.137‐154.)提出并应用于人脸检测当中。Dollár等人(Dollár P,Tu Z,Perona P,et al.Integral channelfeatures[C].in BMVC.2009,2(4):p.5.)在人脸检测的基础上将积分通道特征运用于行人检测。其基本思路为：对输入图像的特征进行各种线性和非线性变换(例如梯度运算、局部求和和直方图统计等)生成多个积分通道特征，其中在运算的过程当中运用了积分图方法，在运算速度上得到了很大的提高。积分通道特征对人体的形变和遮挡的特性具有较好的处理能力，因此在行人检测中取得了相当好的实验效果。Nam等人(Nam W,Dollár P,Han JH.Local decorrelation for improved detection[J].Advances in NeuralInformation Processing Systems.2014,1:p.424‐432.)在积分通道特征的基础上利用局部去相关性得出了更加鲁棒的通道特征并取得了更好的检测效果。然而目前绝大多数基于积分通道特征的行人检测方法在训练分类决策树的每个结点时只利用了单个积分通道特征，而单个特征对检测的精确度的提高具有一定的局限性。
从以往的研究成果表明，利用多特征共生性可以获得比单个特征更多的信息量。目前利用多特征共生性的方法主要可分为是否利用空间信息两个类别。其中利用空间信息的方法主要通过局部区域内多个特征之间的联系提取这些特征的共性，以达到获得更多特征信息量的目的。
传统的偏最小二乘法主要应用于特征降维，然而，在训练降维过程得到的投影矩阵的权重向量可以为每个特征提供一种评分机制，该特征在权重向量中对应的分数高低表示其对于分类效果的贡献值(Wold H.Partial least squares[M].Encyclopedia ofstatistical sciences.1985:p.581‐591.)。
发明内容
本发明的目的在于提供一种基于局部特征共生性和偏最小二乘法的行人检测方法。
本发明包括以下步骤：
A)准备训练样本集，将训练样本的特征向量组合作为预测矩阵X，将训练样本的类别组合作为响应矩阵y；
B)利用偏最小二乘法对预测和响应矩阵建立模型，求得权重矩阵W；
C)根据权重矩阵W计算分数较高的特征作为候选特征，用于生成局部特征共生性；
D)对局部图像块中的候选特征进行二值化并组合成局部特征共生性的二值化模式；
E)计算步骤D)中二值化模式的概率分布，将其用于训练基于Boosted决策树的行人检测分类器；
F)输入待检测图像，通过步骤E)得到的分类器在待检测图像中找出分数较高的目标窗口作为可能的行人物体，完成检测。
在步骤A)中，所述训练样本集包括：包含行人图像的正样本集、不包含行人图像的负样本集；所有正样本集和负样本集中的样本均为统一像素大小的彩色图像块；提取所有训练样本集的积分通道特征，构成特征向量；所述积分通道特征包括3个LUV颜色特征通道、1个梯度幅值特征通道和6个梯度直方图特征通道。
在步骤B)中，所述利用偏最小二乘法对预测和响应矩阵建立模型，求得权重矩阵W的具体步骤可为：
B1)分别对X和y进行中心化；
B2)根据非线性迭代偏最小二乘法，反复求解下列优化问题，直到求出k个权重向量wk(k＝1,......,p，k为自然数)构成的矩阵W＝(w1,w2,...wp)：
在步骤C)中，所述根据权重矩阵W计算分数较高的特征作为候选特征的公式为：
式中，wjk是权重向量wk的第j个元素，表示第k个潜在向量的回归权重。
在步骤D)中，对局部图像块中的候选特征进行二值化并组合成局部特征共生性的二值化模式的具体步骤可为：
D1)随机选取一个候选特征及其3×3邻域内的相邻特征组成特征对；
D2)对该特征对的每个特征进行二值化；
D3)将二值化后的特征组合成局部特征共生性的二值化模式。
在步骤E)中，所述计算步骤D)中二值化模式的概率分布，将其用于训练基于Boosted决策树的行人检测分类器的具体步骤可为：
E1)计算特征对的二值化模式的概率分布；
E2)将二值化模式的概率分布用于训练Boosted决策树，每个决策树的结点对应一个特征对，将特征对的二值化模式的概率分布用于切分决策树的每个结点，直到达到树的叶子结点结束；
E3)将训练得到的由Boosted决策树构成的弱分类器组合成一个强分类器。
在步骤F)中，所述输入待检测图像，通过步骤E)得到的分类器在图像中找出分数较高的目标窗口的具体步骤可为：
F1)对输入的待检测图像的每个检测窗口提取特征；
F2)从提取的特征中选择特征对生成特征共生性的二值化模式，其中特征对的选择由步骤E训练好的Boosted决策树决定；
F3)对于Boosted决策树某个结点，判断该结点二值化模式的值对应的在步骤E得到二值化模式条件下正负样本的概率分布；当正样本的概率大于负样本时，将其归类到正样本(左子结点)；反之将其归类到负样本(右子结点)；当达到叶子结点时，若其归类到正样本，该检测窗口的分数加1，反之加0；
F4)将分类器的所有决策树得出的分数之和较高的目标窗口作为可能的行人物体，完成检测。
本发明使多特征的信息能够融合而训练出更加鲁棒的分类器。同时，为了更高效得到具有较高分类性能的特征共生性，本发明引入了偏最小二乘法中的评分机制实现特征选择。本发明首先将训练样本的特征向量组合作为预测矩阵X，将训练样本的类别组合作为响应矩阵y，利用偏最小二乘法对预测和响应矩阵建立模型求得权重矩阵W，权重矩阵中对应分数较高的特征作为候选特征用于生成局部特征共生性；然后，对局部图像块中的多个候选特征进行二值化，并组合成局部特征共生性的二值化模式；最后计算二值化模式的概率分布，将其用于训练基于Boosted决策树的行人检测分类器。对于待检测图像，通过训练阶段得到的分类器在图像中找出分数较高的目标窗口，将其作为可能的行人物体，完成检测。
本发明在积分通道特征的基础上，为了高效地得到分类性能较好的特征共生性用于行人检测，引入一种利用偏最小二乘法的评分机制用于特征选择。传统的偏最小二乘法主要应用于特征降维，然而，在训练降维过程得到的投影矩阵的权重向量可以为每个特征提供一种评分机制，该特征在权重向量中对应的分数高低表示其对于分类效果的贡献值。因此，本发明利用这一特性，在数量巨大的特征当中找出投影矩阵对应分数较高的特征作为候选特征用于训练分类器，这样能够提高分类器的训练速度和检测精度。在建立偏最小二乘法的模型时，本发明运用了经典的非线性迭代偏最小二乘法进行求解。
附图说明
图1为本发明实施例的根据PLS中的特征分数选择不同比例的候选特征的行人检测实验结果图。在图1中，曲线1～4分别对应选择前25％、50％、75％和100％的候选特征的实验结果曲线图。
图2为本发明实施例的特征共生性的二值化模式的生成过程。
图3为本发明实施例的特征对的二值化模式的概率分布实例图。
图4为本发明与其它几种行人检测方法对比的实验结果图。在图4中，曲线1对应本发明的方法；曲线2对应Lim等人提出的SketchTokens(Lim J J,Zitnick C L,DollárL.Sketch tokens:A learned midlevel representation for contour and objectdetection.in CVPR,2013,p.3158–3165.)；曲线3对应Benenson等人提出的Roerei(Benenson R,Mathias M,Tuytelaars T,Van Gool L.Seeking the strongest rigiddetector[C].in CVPR,2013,p.3666‐3673)；曲线4对应Mathias等人提出的Franken(Mathias M,Benenson R,Timofte R,Van Gool L.Handling occlusions with franken‐classifiers.in ICCV,2013,p.1505‐1512.)；曲线5对应Nam等人提出的LDCF(Nam W,Dollár P,Han J H.Local decorrelation for improved detection[J].Advances in NeuralInformation Processing Systems.2014,1:p.424‐432.)。
具体实施方式
下面结合附图和实施例对本发明的方法作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了实施方式和具体操作过程，但本发明的保护范围不限于下述的实施例。
本发明实施例的实施方式包括以下步骤：
S1.准备训练样本集，将训练样本的特征向量组合作为预测矩阵X＝(x1,x2,...,xn)T，n为训练样本数，n为自然数。每个训练样本中又包含的m个特征，m为自然数。将训练样本的类别组合作为响应矩阵Y＝(y1,y2,...,yn)T，yi表示样本类别：
特征向量的提取具体包括以下步骤：首先选择某一特定的数据集，例如在INRIA数据集中包括包含行人的正样本图像及不包含行人的负样本图像。在正样本图像中框图获得64×128像素包含行人的彩色图像块，这些图像块及其反向对称共同构成正样本数据集；同理，在负样本图像中框图(不必进行反向对称操作)获得不包含行人的负样本数据集。对所有样本集提取积分通道特征(包括LUV颜色特征通道3个、梯度幅值特征通道1个和梯度直方图特征通道6个)，构成特征向量。
S2.利用偏最小二乘法对预测和响应矩阵建立模型求得权重矩阵W。
具体包括：分别对X和y进行中心化：
式中，
利用偏最小二乘法分解预测和响应矩阵得到方程组：
式中，T和U是m×p的潜在矩阵，p为自然数，P和q是分别表示m×p的载重矩阵和p×1的载重向量，n×m的矩阵E和n×1的向量f表示残差。
根据非线性迭代偏最小二乘法，以上方程组可通过反复求解下列优化问题解决：
该求解过程为迭代过程，直到求出k个权重向量wk(k＝1,......,p，k为自然数)构成的矩阵W＝(w1,w2,...wp)时结束。
S3.根据权重矩阵得到分数较高的特征作为候选特征用于生成局部特征对的共生性。候选特征的分数计算公式为：
式中，wjk是权重向量wk的第j个元素，表示第k个潜在向量的回归权重。通过图1可以看出，当选择分数值前50％的特征作为候选特征时，误检率(miss rate)达到最低。因此，在后续实验中本发明都选择前50％的特征作为候选特征
S4.如图2所示随机选取一个候选特征及其3×3邻域内的相邻特征组成特征对，对该特征对的每个特征进行二值化：
式中，λ用于控制不等式的方向，表示在分类决策树中的第j个树结点的特征值，i和k分别表示该特征是本结点对应特征对的第i个和所有特征的第k个，是由分类决策树的训练误差决定的阈值，即其为使得被误分类的样本数最小时得到的值。
将二值化后的特征组合成局部特征共生性的二值化模式：
式中，Zj(x)是分类决策树中的第j个树结点二值化序列。
S5.计算特征对的二值化模式的概率分布：
式中，y∈{+1,-1}是样本的分类标签，Pj(y＝+1|z)和Pj(y＝-1|z)表示正负样本在二值化模式z下的条件概率，xi表示第i个训练样本，wt(i)表示样本在训练过程中的权重。
每个分类Boosted决策树的结点对应一个从候选特征中随机选择的特征对。将特征对的二值化模式的概率分布用于切分决策树的每个结点，结点的切分用hj(x)表示：
hj(x)＝pjsign(Pj(z＝+1|y)-Pj(z＝-1|y)),
式中，pj∈{+1,-1}表示符号参数。sign(·)表示符号函数。
图3给出了一个根据特征对的二值化模式的概率分布的例子，对于决策树某个结点，当该样本特征对的二值化模式的值为(01)2和(11)2时，对应的概率分布Pj(y＝+1|z)大于Pj(y＝-1|z)，该训练样本被归类为正样本；反之二值化模式的值为(00)2和(10)2时将其归类为负样本，直到达到树的叶子结点结束。
将训练得到的由Boosted决策树构成的T个弱分类器结合组成一个强分类器：
式中，αt为每个弱分类器的权重。
S6.对输入的待检测图像的每个检测窗口提取积分通道特征。
从提取的特征中选择特征对生成特征共生性的二值化模式，其中特征对的选择由步骤S5训练好的Boosted决策树决定。
对于Boosted决策树某个结点，判断该检测图像选择的特征共生性的二值化模式的值对应在步骤E得到二值化模式条件下正负样本的概率分布大小。当正样本的概率分布Pj(y＝+1|z)大于负样本的概率分布Pj(y＝-1|z)，将其归类到正样本(左子结点)；反之将其归类到负样本(右子结点)。当达到叶子结点时，若其归类到正样本该检测窗口的分数加1，反之加0。
将分类器的所有决策树得出的分数之和较高的检测窗口作为可能的行人物体，完成检测。
为了验证本发明的性能，运用Matlab及C++语言编程实现上述的改进算法，该代码运行的硬件平台为3.4GHZ的8核处理器。本发明选择INRIA行人数据库作为实验测试数据集，通过几轮的训练不断添加难分类的样本，最终的训练集中包括22,266个正样本和10,000个负样本。所有的样本均为64×128像素大小的图像块。图4给出了本发明方法与目前的常用的积分通道相关的改进方法的比较结果。从图中结果可以看出本发明方法明显优于其他方法，取得了最低的漏检率(11.37％)。同时，本发明的算法处理一幅图像的时间大约为0.2秒，基本能达到检测的实时性。综上所述，本发明提出的行人检测方法能够达到高效准确的效果，从而为行人检测的实际应用提供更好的理论基础。
Claims (7)
1.基于局部特征共生性和偏最小二乘法的行人检测方法，其特征在于包括以下步骤：
A)准备训练样本集，将训练样本的特征向量组合作为预测矩阵X，将训练样本的类别组合作为响应矩阵y；
B)分别对X和y进行中心化，并利用非线性迭代方法求解由偏最小二乘法建立的关于特征数据预测和响应矩阵的模型，得到权重矩阵W；
C)根据权重矩阵W计算分数前50％的特征作为候选特征，用于生成局部特征共生性；
D)对局部图像块中的候选特征进行二值化并组合成局部特征共生性的二值化模式；
E)计算步骤D)中二值化模式的概率分布，将其用于训练基于Boosted决策树的行人检测分类器；
F)输入待检测图像，通过步骤E)得到的分类器在待检测图像中找出分数大于一定阈值的目标窗口作为可能的行人物体，完成检测。
2.如权利要求1所述基于局部特征共生性和偏最小二乘法的行人检测方法，其特征在于在步骤A)中，所述训练样本集包括：包含行人图像的正样本集、不包含行人图像的负样本集；所有正样本集和负样本集中的样本均为统一像素大小的彩色图像块；提取所有训练样本集的积分通道特征，构成特征向量；所述积分通道特征包括3个LUV颜色特征通道、1个梯度幅值特征通道和6个梯度直方图特征通道。
3.如权利要求1所述基于局部特征共生性和偏最小二乘法的行人检测方法，其特征在于在步骤B)中，所述利用偏最小二乘法对预测和响应矩阵建立模型，求得权重矩阵W的具体步骤为：
B1)分别对X和y进行中心化得到X*和Y*；
B2)根据非线性迭代偏最小二乘法，反复求解下列优化问题，直到求出k个权重向量wk构成的矩阵W＝(w1,w2,...wp)，k＝1,......,p，k为自然数，p为潜在权重向量的个数：
4.如权利要求1所述基于局部特征共生性和偏最小二乘法的行人检测方法，其特征在于在步骤C)中，所述根据权重矩阵W计算分数前50％的特征作为候选特征的公式为：
式中，wjk是权重向量wk的第j个元素，表示第k个潜在向量tk的回归权重，p为潜在权重向量的个数，m为矩阵X中特征向量的维度。
5.如权利要求1所述基于局部特征共生性和偏最小二乘法的行人检测方法，其特征在于在步骤D)中，对局部图像块中的候选特征进行二值化并组合成局部特征共生性的二值化模式的具体步骤为：
D1)随机选取一个候选特征及其3×3邻域内的相邻特征组成特征对；
D2)对该特征对的每个特征进行二值化；
D3)将二值化后的特征组合成局部特征共生性的二值化模式。
6.如权利要求1所述基于局部特征共生性和偏最小二乘法的行人检测方法，其特征在于在步骤E)中，所述计算步骤D)中二值化模式的概率分布，将其用于训练基于Boosted决策树的行人检测分类器的具体步骤为：
E1)计算特征对的二值化模式的概率分布；
E2)将二值化模式的概率分布用于训练Boosted决策树，每个决策树的结点对应一个特征对，将特征对的二值化模式的概率分布用于切分决策树的每个结点，直到达到树的叶子结点结束；
E3)将训练得到的由Boosted决策树构成的弱分类器组合成一个强分类器。
7.如权利要求1所述基于局部特征共生性和偏最小二乘法的行人检测方法，其特征在于在步骤F)中，所述输入待检测图像，通过步骤E)得到的分类器在图像中找出分数大于一定阈值的目标窗口的具体步骤为：
F1)对输入的待检测图像的每个检测窗口提取特征；
F2)从提取的特征中选择特征对生成特征共生性的二值化模式，其中特征对的选择由步骤E训练好的Boosted决策树决定；
F3)对于Boosted决策树某个结点，判断该结点二值化模式的值对应的在步骤E得到二值化模式条件下正负样本的概率分布；当正样本的概率大于负样本时，将其归类到正样本即左子结点；反之将其归类到负样本即右子结点；当达到叶子结点时，若其归类到正样本，该检测窗口的分数加1，反之加0；
F4)将分类器的所有决策树得出的分数之和大于一定阈值的目标窗口作为可能的行人物体，完成检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610279313.4A CN105975921B (zh) | 2016-04-29 | 2016-04-29 | 基于局部特征共生性和偏最小二乘法的行人检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610279313.4A CN105975921B (zh) | 2016-04-29 | 2016-04-29 | 基于局部特征共生性和偏最小二乘法的行人检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105975921A CN105975921A (zh) | 2016-09-28 |
| CN105975921B true CN105975921B (zh) | 2019-06-07 |
Family
ID=56994558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610279313.4A Expired - Fee Related CN105975921B (zh) | 2016-04-29 | 2016-04-29 | 基于局部特征共生性和偏最小二乘法的行人检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105975921B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106649660A (zh) * | 2016-12-13 | 2017-05-10 | 中山大学 | 一种基于数字家庭高清媒体的内容分析方法及系统 |
| CN106845520B (zh) * | 2016-12-23 | 2018-05-18 | 深圳云天励飞技术有限公司 | 一种图像处理方法及终端 |
| CN110084883A (zh) * | 2019-04-15 | 2019-08-02 | 昆明理工大学 | 一种诱发大脑活动重建面部图像的方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101004791A (zh) * | 2007-01-19 | 2007-07-25 | 赵力 | 一种基于二维偏最小二乘法的面部表情识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110307427A1 (en) * | 2005-04-19 | 2011-12-15 | Steven Linke | Molecular markers predicting response to adjuvant therapy, or disease progression, in breast cancer |
-
2016
- 2016-04-29 CN CN201610279313.4A patent/CN105975921B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101004791A (zh) * | 2007-01-19 | 2007-07-25 | 赵力 | 一种基于二维偏最小二乘法的面部表情识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| Discriminative Weighted Sparse Partial Least Squares for Human Detection;Qiming Li;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;20151113;第17卷(第4期);1062-1071 |
| 基于偏最小二乘算法的高维谱数据特征选择;汤健 等;《控制工程》;20151130;第22卷(第6期);1127-1130 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105975921A (zh) | 2016-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537743B (zh) | 一种基于生成对抗网络的面部图像增强方法 | |
| CN107832672B (zh) | 一种利用姿态信息设计多损失函数的行人重识别方法 | |
| CN101630363B (zh) | 复杂背景下彩色图像人脸的快速检测方法 | |
| Liu et al. | Rapid multiclass traffic sign detection in high-resolution images | |
| CN107463920A (zh) | 一种消除局部遮挡物影响的人脸识别方法 | |
| CN111767882A (zh) | 一种基于改进yolo模型的多模态行人检测方法 | |
| CN106096602A (zh) | 一种基于卷积神经网络的中文车牌识别方法 | |
| CN108229458A (zh) | 一种基于运动检测和多特征提取的火焰智能识别方法 | |
| Maungmai et al. | Vehicle classification with deep learning | |
| CN104598924A (zh) | 一种目标匹配检测方法 | |
| CN104036284A (zh) | 基于Adaboost算法的多尺度行人检测方法 | |
| CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
| CN105975921B (zh) | 基于局部特征共生性和偏最小二乘法的行人检测方法 | |
| CN106909883A (zh) | 一种基于ros的模块化手部区域检测方法和装置 | |
| CN105608443B (zh) | 一种多特征描述及局部决策加权的人脸识别方法 | |
| Barodi et al. | An enhanced artificial intelligence-based approach applied to vehicular traffic signs detection and road safety enhancement | |
| CN104598898B (zh) | 一种基于多任务拓扑学习的航拍图像快速识别系统及其快速识别方法 | |
| Mitsui et al. | Object detection by joint features based on two-stage boosting | |
| Singh et al. | Human object detection by HoG, HoB, HoC and BO features | |
| Shi et al. | Improving face recognition by exploring local features with visual attention | |
| Chuang et al. | Monocular multi-human detection using augmented histograms of oriented gradients | |
| Singh et al. | Real time object detection using neural networks: a comprehensive survey | |
| CN113903004A (zh) | 基于中层卷积神经网络多维度特征的场景识别方法 | |
| Kinattukara et al. | Clustering based neural network approach for classification of road images | |
| Lehuger et al. | A robust method for automatic player detection in sport videos |
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: 20190607 |