CN106295700B - 一种基于典型相关分析网络的二视角图像识别方法 - Google Patents

一种基于典型相关分析网络的二视角图像识别方法 Download PDF

Info

Publication number
CN106295700B
CN106295700B CN201610663936.1A CN201610663936A CN106295700B CN 106295700 B CN106295700 B CN 106295700B CN 201610663936 A CN201610663936 A CN 201610663936A CN 106295700 B CN106295700 B CN 106295700B
Authority
CN
China
Prior art keywords
matrix
training sample
image
layer
sample 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
Application number
CN201610663936.1A
Other languages
English (en)
Other versions
CN106295700A (zh
Inventor
刘伟锋
杨兴浩
潘晓
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
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 China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN201610663936.1A priority Critical patent/CN106295700B/zh
Publication of CN106295700A publication Critical patent/CN106295700A/zh
Application granted granted Critical
Publication of CN106295700B publication Critical patent/CN106295700B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns

Abstract

本发明提出一种基于典型相关分析网络的二视角图像识别方法；其包括如下步骤，S1，提取训练图像库的每个训练样本图像两个视角的特征以及测试图像库中的每个测试样本图像两个视角的特征；S2，对训练样本图像的两个视角特征进行训练，得到训练样本图像两个视角的滤波器组，并用各自的滤波器对相对应视角的样本图像进行滤波处理，并计算训练样本图像的特征向量；S3，用训练得到的滤波器组对测试样本图像的两个视角进行滤波，并计算出测试样本图像的特征向量；S4，采用最近邻分类器对测试样本图像的特征向量进行分类识别。CCANet算法可以处理样本图像由两个视角表示的情况，两个视角比单个视角能够更加全面的反映样本图像的特征。

Description

一种基于典型相关分析网络的二视角图像识别方法
技术领域
本发明涉及一种数字图像识别方法，特别涉及到一种基于典型相关分析网络的二视角图像识别方法。
背景技术
图像识别问题长久以来都是模式识别和人工智能领域研究的热点问题，同时也是图像检索、图像理解和分析等研究的基础。图像分类过程中，更加全面的提取到训练样本的特征，有助于提高最终的分类效果。深度学习网络应用于图像分类任务中，可以提取到原始图像的多级特征，有助于更加全面的反映原始图像的信息。
因此，大量深度学习相关的图像识别算法包括深度神经网络(DNNs)，卷积神经网络(CNN)，小波散射网络(ScatNet)及主成分分析网络(PCANet)已成功的应用于不同的图像分类任务中。其中，主成分分析网络PCANet应用于人脸识别，物体识别，手写数字识别等图像识别任务中获得了最高的识别率。但是，上述的图像分类算法都只能处理样本图像只有一个视角表示的情况，无法应用到样本图像由两个视角表示的情况中。
发明内容
为了解决现有技术中的问题，本发明提出一种基于典型相关分析网络的二视角图像识别方法，其包括如下步骤：
S1，提取训练图像库的每个训练样本图像两个视角的特征以及测试图像库中的每个测试样本图像两个视角的特征；
S2，对训练样本图像的两个视角特征进行训练，得到训练样本图像两个视角的滤波器组，并用各自的滤波器对相对应视角的样本图像进行滤波处理，并计算训练样本图像的特征向量；
S3，用训练得到的滤波器组对测试样本图像的两个视角进行滤波，并计算出测试样本图像的特征向量；
S4，采用最近邻分类器对测试样本图像的特征向量进行分类识别。
进一步的，对步骤S1提取的训练样本图像两个视角的特征进行取样并进行向量化处理，得到训练样本图像两个视角各自的样本矩阵。
进一步的，所述步骤S2具体包括如下步骤：
S12，利用典型相关分析算法计算训练样本图像两个样本矩阵各自的滤波器组，利用每个视角的滤波器组对各自对应的视角样本图像进行滤波，得到第一层网络的输出，至此第一层卷积网络结束；
S13，将第一层网络的输出作为第二层网络的输入，进而组成第二层的样本矩阵；
S14，利用典型相关分析算法计算第二层的滤波器组，并对第二层进行滤波，得到第二层的输出，至此第二层卷积网络结束；
S15，对最后一层卷积网络的输出进行处理，得到每个训练样本所对应的特征向量。
进一步的，所述步骤S3具体为：利用学习得到的滤波器组对测试样本两个视角的特征进行滤波，最后经输出层处理后，每个测试样本得到一个特征向量。
进一步的，所述训练样本图像两个视角各自的样本矩阵提取步骤如下：
S1101，提取训练图像库中的第i个训练样本图像：
S1102，提取第i个训练样本图像的两个视角的子图，其中第一个视角子图为：第二个视角子图为
S1103，对第一个视角的子图取样，在每个像素周围选取一个k1×k2大小的矩阵，并将其向量化，
S1104，将第i个训练样本图像的第一个视角组成一个矩阵，将其表示为
S1105，减去每一维的均值后，用表示每个训练样本，将所有训练样本图像的第一个视角所有训练样本组成一个样本矩阵，将其表示为：
S1106，利用步骤S1103-1105对第二个视角子图进行处理，得到第二个视角的样本矩阵为：
其中，训练样本图像的数量为N，每个样本图像的大小为m×n。
进一步的，所述步骤S12的具体包括如下步骤：
S1201，计算样本矩阵X1自协方差矩阵S11，以及样本矩阵X2的自协方差矩阵S22，以及X1和X2互协方差矩阵S12，以及X2和X1互协方差矩阵S21；
S1202，根据上述协方差矩阵和互协方差矩阵计算矩阵和其中矩阵
S1203，计算矩阵和的特征向量，并取前L1个，的特征向量为 的特征向量为：
S1204，将步骤S1203得到的特征向量矩阵化，得到两个视角的滤波器组和 其中，l＝1,2，…，L1；
S1205，利用滤波器组对两个视角的子图进行滤波，得到第一层的输出和
进一步的，所述步骤S13具体包括如下步骤：
S1301，对第二层两个视角输入进行取样和向量化处理，得到两个视角
S1302，将经过第l个滤波器滤波的所有样本图像组合成一个矩阵，两个视角分别为：
S1303，分别对和减去每一维的均值，得到和和；
S1304，将所有去均值的矩阵连接在一起组成两个视角的样本矩阵Y1和Y2。
进一步的，所述步骤S14具体包括如下步骤：
S1401，计算样本矩阵Y1自协方差矩阵C11，以及样本矩阵Y2的自协方差矩阵C22，以及Y1和Y2互协方差矩阵C12，以及Y2和Y1互协方差矩阵C21；
S1402，根据上述协方差矩阵和互协方差矩阵计算矩阵和其中矩阵
S1403，计算第二层两个视角的滤波器组和 其中，表示计算ο的第个特征向量，
S1404，利用第二层的滤波器组分别对两个视角的子图进行滤波，得到第二层的网络输出，和
进一步的，所述步骤S15具体包括如下步骤：
S1501，对第二层的网络输出进行二值化处理；
S1502，将二值化的图像转换为十进制图像；
S1503，将得到的十进制图像进行分块，并统计每一块的直方图；
S1504，将第i个样本的第一个视角的直方图串接成一个向量，将第i个样本的第二个视角的直方图串接成另一个向量；
S1505，将两个视角的特征向量组合成样本Ii的特征向量，使得每个样本图像对应一个特征向量。
进一步的，所述训练样本图像两个视角的特征可以是高频分量和低频分量或者不同的颜色信息。
本发明相对于现有技术所具有的优点为：现有与深度学习网络相关的图像识别算法包括DNN，CNNs，ScatNet以及PCANet都只能处理样本图像只有单个视角表示的情况。而在图像识别任务中，更加全面的利用样本特征有助于提高识别的准确率。CCANet算法可以处理样本图像由两个视角表示的情况，相对于现有技术而言，两个视角比单个视角能够更加全面的反映样本图像的特征，进而提高图像的识别率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明图像识别装置的工作流程图；
图2为本发明训练样本图像特征向量的提取流程图；
图3为本发明所采用的提取第一层卷积网络的两个视角样本矩阵方法的流程图；
图4为本发明所采用的计算第一层卷积网络滤波器及输出的流程图；
图5为本发明所采用的提取第二层卷积网络的两个视角样本矩阵方法的流程图；
图6为本发明所采用的计算第二层卷积网络滤波器及输出的流程图；
图7为本发明所采用的输出层计算特征向量的流程图；
图8为本发明的采用二层卷积网络时的算法流程图；
图9为本发明在ETH-80数据库上的实验结果图。
具体实施方式
下面结合附图对本发明做进一步说明。
本发明提出一种基于典型相关分析网络的二视角图像识别方法，其包括如下步骤：
S1，提取训练图像库的每个训练样本图像两个视角的特征以及测试图像库中的每个测试样本图像两个视角的特征；
S2，对训练样本图像的两个视角特征进行训练，得到训练样本图像两个视角的滤波器组，并用各自的滤波器对相对应视角的样本图像进行滤波处理，并计算训练样本图像的特征向量；
S3，用训练得到的滤波器组对测试样本图像的两个视角进行滤波，并计算出测试样本图像的特征向量；
S4，采用最近邻分类器对测试样本图像的特征向量进行分类识别。
参考图1，对上述步骤进行进一步说明，本发明的数字图像存储设备中存放了用于训练的训练图像库，以及待分类的测试图像库。首先，提取训练图像库和测试图像库中每个样本图像的两个视角的特征子图，两个不同视角的子图可以是高频分量和低频分量，也可以是不同的颜色信息等；总之，所选取的两个视角的特征子图能够反映出原始样本的不同信息即可。其次，对训练图像的两个视角的子图进行训练，得到两个视角多层滤波器组，并用滤波器对两个视角的子图进行滤波处理，最后计算特征向量，一个训练样本对应一个特征向量表示。然后，测试样本的两个视角的特征子图经过由上述学习得到的滤波器组滤波处理后，同样也计算出与测试样本一一对应的特征向量。最后，用最近邻分类器对测试样本图像的特征向量进行分类识别。
下面结合图2对本发明得到训练样本特征向量的方法进行说明。步骤S10是起始动作。步骤S11：提取样本图像两个视角的特征，每个样本图像得到两个子图，进而组成两个视角的样本矩阵，其详细说明如图3所示。步骤S12：根据样本矩阵利用典型相关分析的方法计算滤波器组，并用所得的滤波器对两个视角的子图进行滤波，得到第一层网络的输出，至此，第一层卷积网络结束，其详细说明如图4所示。第二层网络的处理步骤跟第一层类似，其中，步骤S13：将第一层的输出作为第二层的输入，进而组成第二层的样本矩阵，其详细说明如图5所示。步骤S14：根据第二层的样本矩阵利用典型相关分析算法计算第二层的滤波器组，并对第二层的子图进行滤波，得到第二层的输出，其详细说明如图6所示。至此，第二层卷积网络结束。步骤S15是网络的输出层，对最后卷积层的输出进行二值化，基于块的直方图等处理步骤，得到样本的特征向量表示，其详细说明如图7所示。
图8示出了CCANet算法的框架流程图。首先提取训练样本图像两个视角的特征。然后由这两个视角的样本子图构成样本矩阵并计算第一层卷积网络的滤波器组。经过第一层的滤波器滤波后得到第一层的输出图像。重复第一层网络的处理流程，第二层网络同样可以得到滤波后的图像。对最后一层滤波后的图像进行二值化，基于块的直方图处理后，每个视角可以得到一个特征向量，最后将这两个特征向量连接，得到描述样本图像的特征向量，一个特征向量对应一个样本图像，将特征向量用于分类任务中。
本发明采用了两层卷积网络，已经足够满足对图像的识别；当然，实际中当然可以采用多层，可以继续重复第一层的操作，在第二层后面增加若干层。
下面将得到测试样本的特征向量流程进行说明；将测试样本利用与训练样本相同的方法提取测试样本图像两个视角的特征子图，测试样本的两个视角的特征子图经过由上述训练得到的第一层滤波器组滤波处理后，得到第一层的输出图像，将第一层的输出作为第二层的输入，利用训练得到的第二层滤波器组对第一层输出图像进行滤波，得到第二层的输出图像，对第二层的输出进行二值化，基于块的直方图等处理步骤，得到样本的特征向量表示，每个测试样本也可得到一一对应的特征向量。
图3示出了图2中步骤S11的详细描述，具体说明了如何对训练图像提取两个样本矩阵。步骤S1100是起始状态。步骤S1101假设训练样本图像数量为N，每个样本的大小为m×n，Ii表示第i个训练图像。步骤S1102中用和分别表示两个视角的子图。步骤S1103在第一个视角的子图上进行取样和向量化处理。步骤S1104将第一个视角的每个训练样本组成一个矩阵。步骤S1105将第一个视角的所有训练样本组合成第一个视角的样本矩阵。步骤S1106是对第二个视角进行与第一个视角同样的处理得到第二个视角的样本矩阵。步骤S1107是结束状态。
图4示出了图2中步骤12的详细描述，具体说明了如何利用典型相关分析算法提取两个样本矩阵(X1和X2)的滤波器组。步骤S1200是起始状态。步骤S1201：计算样本矩阵X1的自协方差矩阵S11，X2的自协方差矩阵S22，X1与X2的互协方差矩阵S12，以及X2与X1的互协方差矩阵S21。步骤S1202：根据协方差矩阵和互协方差矩阵计算了矩阵和步骤S1203分别计算了矩阵和的特征向量，取前L1个。步骤S1204将特征向量矩阵化，得到两个视角的滤波器组和其中，的作用是将向量变成矩阵步骤1205：利用学习到的滤波器组对两个视角的子图进行滤波，得到第一层的输出和步骤S1206是结束状态。
图5示出了图2中步骤S13的详细描述，具体说明了如何由第一层卷积网络的输出得到第二层卷积网络的样本矩阵。步骤S1300是起始状态。步骤S1301与第一层卷积网络中取样向量化操作相同，是对第二层的输入进行取样以及向量化处理。步骤S1302是将经过第l个滤波器滤波的所有图像组合成一个矩阵。步骤S1303对每个和减去每一维的均值l＝1,2,…,L1。步骤S1304将所有去均值后的矩阵连接在一起组成两个视角的样本矩阵Y1和Y2。步骤S1305是结束状态。
图6示出图2中步骤S14的详细描述，具体说明了如何根据第二层卷积网络的样本矩阵计算第二层网络两个视角的滤波器组以及第二层的输出。步骤S1400是起始状态。步骤S1401计算样本矩阵Y1的自协方差矩阵C11，Y2的自协方差矩阵C22，Y1与Y2的互协方差矩阵C12，以及Y2与Y1的互协方差矩阵C21。步骤S1402根据协方差矩阵和互协方差矩阵计算了矩阵和步骤S1403计算两个视角的滤波器组和其中，表示计算ο的第个特征向量。步骤S1404是用第二层的滤波器组分别对两个视角的子图进行滤波，得到第二层卷积网络的输出。步骤S1405是结束状态。
图7示出了图2中步骤S15的详细描述，具体说明了如何对第二层卷积网络的输出处理得到表示样本的特征向量。步骤S1500是起始状态。步骤S1501是对第二层卷积网络的输出进行二值化处理，其中将大于0的元素映射为1，否则映射为0。步骤S1502将二值化的图像转换为十进制图像其中每个元素的范围为步骤S1503将得到的十进制图像进行分块，并统计每一块的直方图。步骤S1504将第i个样本的第一个视角的直方图串接成一个向量，用fi 1表示。步骤S1505将两个视角的特征向量组合成样本Ii的特征向量，每个样本图像对应一个特征向量。步骤S1506是结束状态。
为了验证典型相关分析网络(CCANet)算法的有效性，我们采用ETH-80数据库进行了实验。ETH-80为彩色数据库，实验提取了红(R)，绿(G)，蓝(B)三种颜色分量作为不同视角的子图。实验时，分别随机采用500，1000，1500，2000个图像作为训练样本，在相同的条件下，分别测得RandNet-1，RandNet-2，PCANet以及CCANet的识别率。图9说明了实验的结果，从上到下PCANet和RandNet-1依次采用样本图片的R，G，B分量，而CCANet和RandNet-2依次采用R和B，G和R，G和B分量进行实验。横坐标表示实验选用的训练样本的数量，纵坐标表示识别率，在每个训练样本数量下重复十次实验，每次实验的训练样本是随机选取的，剩下的作为测试样本。从图9所示的箱线图中可以看出，就平均识别率(即箱线图中中间的那条线)而言，CCANet优于前三种算法，实现了最好的分类效果。另外，PCANet和CCANet的识别效果明显好于RandNet-1和RandNet-2，又以RandNet-1的识别效果最差。
RandNet-1是将PCANet算法中的滤波器组替换为随机生成的矩阵，RandNet-2是将CCANet算法中的滤波器组代替为随机生成的矩阵。因此RandNet-1和RandNet-2中的滤波器组不需要学习，但识别率低。
以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。

Claims (9)

1.一种基于典型相关分析网络的二视角图像识别方法，其特征在于，包括如下步骤：
S1，提取训练图像库的每个训练样本图像两个视角的特征以及测试图像库中的每个测试样本图像两个视角的特征；
S2，对训练样本图像的两个视角特征进行训练，得到训练样本图像两个视角的滤波器组，并用各自的滤波器对相对应视角的训练样本图像进行滤波处理，并计算训练样本图像的特征向量；
S3，用训练得到的滤波器组对测试样本图像的两个视角进行滤波，并计算出测试样本图像的特征向量；
S4，采用最近邻分类器对测试样本图像的特征向量进行分类识别；
所述步骤S2具体包括如下步骤：
S12，利用典型相关分析算法计算训练样本图像两个样本矩阵各自的滤波器组，利用每个视角的滤波器组对各自对应的视角训练样本图像进行滤波，得到第一层网络的输出，至此第一层卷积网络结束；
S13，将第一层网络的输出作为第二层网络的输入，进而组成第二层的样本矩阵；
S14，利用典型相关分析算法计算第二层的滤波器组，并对第二层进行滤波，得到第二层的输出，至此第二层卷积网络结束；
S15，对最后一层卷积网络的输出进行处理，得到每个训练样本所对应的特征向量。
2.根据权利要求1所述的一种基于典型相关分析网络的二视角图像识别方法，其特征在于，对步骤S1提取的训练样本图像两个视角的特征进行取样并进行向量化处理，得到训练样本图像两个视角各自的样本矩阵。
3.根据权利要求1所述的一种基于典型相关分析网络的二视角图像识别方法，其特征在于，所述步骤S3具体为：利用学习得到的滤波器组对测试样本两个视角的特征进行滤波，最后经输出层处理后，每个测试样本得到一个特征向量。
4.根据权利要求2所述的一种基于典型相关分析网络的二视角图像识别方法，其特征在于，所述训练样本图像两个视角各自的训练样本矩阵提取步骤如下：
S1101，提取训练图像库中的第i个训练样本图像：
S1102，提取第i个训练样本图像的两个视角的子图，其中第一个视角子图为：第二个视角子图为
S1103，对第一个视角的子图取样，在每个像素周围选取一个k1×k2大小的矩阵，并将其向量化，
S1104，将第i个训练样本图像的第一个视角组成一个矩阵，将其表示为
S1105，减去每一维的均值后，用表示每个训练样本，将所有训练样本图像的第一个视角所有训练样本组成一个样本矩阵，将其表示为：
S1106，利用步骤S1103-1105对第二个视角子图进行处理，得到第二个视角的样本矩阵为：
其中，训练样本图像的数量为N，每个训练 样本图像的大小为m×n。
5.根据权利要求1所述的一种基于典型相关分析网络的二视角图像识别方法，其特征在于，所述步骤S12的具体包括如下步骤：
S1201，计算样本矩阵X1自协方差矩阵S11，以及样本矩阵X2的自协方差矩阵S22，以及X1和X2互协方差矩阵S12，以及X2和X1互协方差矩阵S21；
S1202，根据上述协方差矩阵和互协方差矩阵计算矩阵和其中矩阵
S1203，计算矩阵和的特征向量，并取前L1个，的特征向量为 的特征向量为：
S1204，将步骤S1203得到的特征向量矩阵化，得到两个视角的滤波器组和 其中，l＝1，2，…，L1；
S1205，利用滤波器组对两个视角的子图进行滤波，得到第一层的输出和
6.根据权利要求5所述的一种基于典型相关分析网络的二视角图像识别方法，其特征在于，所述步骤S13具体包括如下步骤：
S1301，对第二层两个视角输入进行取样和向量化处理，得到两个视角
S1302，将经过第l个滤波器滤波的所有训练样本图像组合成一个矩阵，两个视角分别为：
S1303，分别对和减去每一维的均值，得到和
S1304，将所有去均值的矩阵连接在一起组成两个视角的训练样本矩阵Y1和Y2。
7.根据权利要求6所述的一种基于典型相关分析网络的二视角图像识别方法，其特征在于，所述步骤S14具体包括如下步骤：
S1401，计算样本矩阵Y1自协方差矩阵C11，以及样本矩阵Y2的自协方差矩阵C22，以及Y1和Y2互协方差矩阵C12，以及Y2和Y1互协方差矩阵C21；
S1402，根据上述协方差矩阵和互协方差矩阵计算矩阵和其中矩阵
S1403，计算第二层两个视角的滤波器组和 其中，表示计算的第个特征向量，
S1404，利用第二层的滤波器组分别对两个视角的子图进行滤波，得到第二层的网络输出，和
8.根据权利要求7所述的一种基于典型相关分析网络的二视角图像识别方法，其特征在于，所述步骤S15具体包括如下步骤：
S1501，对第二层的网络输出进行二值化处理；
S1502，将二值化的图像转换为十进制图像；
S1503，将得到的十进制图像进行分块，并统计每一块的直方图；
S1504，将第i个训练样本的第一个视角的直方图串接成一个向量，将第i个训练样本的第二个视角的直方图串接成另一个向量；
S1505，将两个视角的特征向量组合成训练样本Ii和特征向量，使得每个训练样本图像对应一个特征向量。
9.根据权利要求8所述的一种基于典型相关分析网络的二视角图像识别方法，其特征在于，所述训练样本图像两个视角的特征可以是高频分量和低频分量或者不同的颜色信息。
CN201610663936.1A 2016-08-12 2016-08-12 一种基于典型相关分析网络的二视角图像识别方法 Active CN106295700B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610663936.1A CN106295700B (zh) 2016-08-12 2016-08-12 一种基于典型相关分析网络的二视角图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610663936.1A CN106295700B (zh) 2016-08-12 2016-08-12 一种基于典型相关分析网络的二视角图像识别方法

Publications (2)

Publication Number Publication Date
CN106295700A CN106295700A (zh) 2017-01-04
CN106295700B true CN106295700B (zh) 2019-05-14

Family

ID=57669581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610663936.1A Active CN106295700B (zh) 2016-08-12 2016-08-12 一种基于典型相关分析网络的二视角图像识别方法

Country Status (1)

Country Link
CN (1) CN106295700B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107122710B (zh) * 2017-03-20 2020-06-30 浙江工业大学 一种基于散射卷积网络的手指静脉特征提取方法
CN109285167B (zh) * 2018-09-20 2021-09-17 西北大学 一种基于深度学习的提取彩绘陶器图案方法
CN111222559B (zh) * 2019-12-31 2023-03-31 深圳大学 对小样本图像进行分类的主成分分析网络的训练方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6628821B1 (en) * 1996-05-21 2003-09-30 Interval Research Corporation Canonical correlation analysis of image/control-point location coupling for the automatic location of control points
CN101697197A (zh) * 2009-10-20 2010-04-21 西安交通大学 一种基于典型相关分析空间超分辨率的人脸识别方法
CN103268497A (zh) * 2013-06-18 2013-08-28 厦门大学 一种人脸姿态检测方法与在人脸识别中的应用
CN105718915A (zh) * 2016-01-27 2016-06-29 中国石油大学(华东) 一种基于多视角典型相关分析的人脸识别方法及其系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6628821B1 (en) * 1996-05-21 2003-09-30 Interval Research Corporation Canonical correlation analysis of image/control-point location coupling for the automatic location of control points
CN101697197A (zh) * 2009-10-20 2010-04-21 西安交通大学 一种基于典型相关分析空间超分辨率的人脸识别方法
CN103268497A (zh) * 2013-06-18 2013-08-28 厦门大学 一种人脸姿态检测方法与在人脸识别中的应用
CN105718915A (zh) * 2016-01-27 2016-06-29 中国石油大学(华东) 一种基于多视角典型相关分析的人脸识别方法及其系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于典型相关分析的人脸识别方法研究";郝汝岗;《中国优秀硕士学位论文全文数据库信息科技辑》;20121015(第10期);第22页第2.5节

Also Published As

Publication number Publication date
CN106295700A (zh) 2017-01-04

Similar Documents

Publication Publication Date Title
Nataraj et al. Detecting GAN generated fake images using co-occurrence matrices
Li et al. Hyperspectral image super-resolution by band attention through adversarial learning
CN108520535B (zh) 基于深度恢复信息的物体分类方法
CN108491849B (zh) 基于三维稠密连接卷积神经网络的高光谱图像分类方法
Hosang et al. Taking a deeper look at pedestrians
Romero et al. Unsupervised deep feature extraction for remote sensing image classification
CN105320965B (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
US9633282B2 (en) Cross-trained convolutional neural networks using multimodal images
Sønderby et al. Recurrent spatial transformer networks
CN104834933B (zh) 一种图像显著性区域的检测方法和装置
CN110263813B (zh) 一种基于残差网络和深度信息融合的显著性检测方法
CN109964250A (zh) 用于分析卷积神经网络中的图像的方法和系统
CN106683046A (zh) 用于警用无人机侦察取证的图像实时拼接方法
CN110929736A (zh) 多特征级联rgb-d显著性目标检测方法
CN105138987B (zh) 一种基于聚合通道特征和运动估计的车辆检测方法
CN109978041A (zh) 一种基于交替更新卷积神经网络的高光谱图像分类方法
CN106295700B (zh) 一种基于典型相关分析网络的二视角图像识别方法
CN110533077A (zh) 用于高光谱图像分类的形状自适应卷积深度神经网络方法
KR101567792B1 (ko) 이미지 윤곽 묘사 시스템 및 방법
CN111488951B (zh) 一种用于rgb-d图像分类的对抗度量学习模型生成方法
CN110688966B (zh) 语义指导的行人重识别方法
Hou et al. Text-aware single image specular highlight removal
CN114612709A (zh) 图像金字塔特征指导的多尺度目标检测方法
CN113838088A (zh) 一种基于深度张量的高光谱视频目标跟踪方法
Dubey et al. A review of image segmentation using clustering methods

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