CN106503743A - 一种数量多且维数高的图像局部特征点自适应聚类方法 - Google Patents
一种数量多且维数高的图像局部特征点自适应聚类方法 Download PDFInfo
- Publication number
- CN106503743A CN106503743A CN201610942440.8A CN201610942440A CN106503743A CN 106503743 A CN106503743 A CN 106503743A CN 201610942440 A CN201610942440 A CN 201610942440A CN 106503743 A CN106503743 A CN 106503743A
- Authority
- CN
- China
- Prior art keywords
- point
- gaussian
- delta
- cluster
- input picture
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种数量多且维数高的图像局部特征点自适应聚类方法:对输入图像构造尺度空间;利用不同尺度的高斯差分核与图像卷积构建高斯差分尺度空间;对每一个采样点要和它所有的相邻点比较大小;通过拟合三维二次函数以精确确定特征点的位置和尺度;对输入图像进行高斯滤波;改变高斯滤波函数的方差及高斯卷积核;对特征点进行聚类;选取偏向参数的值;计算样本点间的影响度和隶属度值;不断计算影响度和隶属度的值,直到找到合适的聚类中心;当计算次数超过设定的最大值或者当聚类中心在若干次计算中不发生改变时停止计算;对10组聚类结果进行曲线拟合,找出输入图像对应的特征点的聚类类数,对输入图像特征点进行聚类。本发明显著提升图像分析的效率。
Description
技术领域
本发明涉及一种自适应聚类方法。特别是涉及一种数量多且维数高的图像局部特征点自适应聚类方法.
背景技术
随着高速计算机和大规模集成电路的发展,数字图像处理技术取得了一系列可喜的突破和进展,其成果被广泛应用于生物医学工程、工业制造、空间探索、公共安全、文化艺术等众多领域。然而,数字图像处理技术本身依然存在许多问题,阻碍了它的进一步发展和推广。其中,大数据量问题就是目前图像处理技术面临的一个主要难题。图像是通过像素阵列形式来记录场景信息,一幅普通的1024×1024不经压缩的真彩色图像,记录数据达3MB,庞大的数据量给存储、传输和处理都带来巨大困难。为了减少图像分析数据量,近些年有学者提出了图像局部关键点提取方法,该方法剔除了大量的无用信息,仅用数据相对较少的关键点替代原始图像进行分析,该方法在很多图像分类、目标识别等应用中获得了较好的效果,但对于场景较复杂的图像,通常会检测出几千甚至上万的关键点,而且每个关键点局部描述子的维数高达128维。如果能对大量的高维图像局部特征点进行聚类处理,把局部特征点划分为少数类别数,将极大地简化图像后续分析的难度,同时显著提升图像分析的速度。
关于数据的聚类科研人员已提出了很多有益的解决方法,这些算法大致可分为两类:1)预先给定类别数的聚类算法;2)自适应确定类别数的聚类算法。K-means算法和模糊C均值聚类算法是第一类算法的代表性成果,这类算法可处理大数据且速度较快,但聚类效果完全取决于用户经验,而且不适用于多组数据批量处理。自适应确定类别数的聚类算法不需要用户的参与,非常适合数据的批量处理,但算法计算复杂度较大,处理大数据量时耗时太长甚至溢出。
发明内容
本发明所要解决的技术问题是,提供一种将大量图像特征点归类为少数类别可极大地简化后续图像分析难度的数量多且维数高的图像局部特征点自适应聚类方法。
本发明所采用的技术方案是:一种数量多且维数高的图像局部特征点自适应聚类方法,包括如下步骤:
1)对输入图像构造尺度空间;
2)利用不同尺度的高斯差分核与图像卷积构建高斯差分尺度空间:
D(x,y,σ)=L(x yλσ)-L(x yσ) (1)
其中D(x,y,σ)代表空间极值,λ表示相邻两组图像尺度差的倍值,为常数,计算公式为:
λ=21/S (2)
其中S为图像的层数;
3)为了寻找尺度空间的极值点,每一个采样点要和它所有的相邻点比较大小,若一个点与该周边26个邻域点相比是最大或者最小时,认为该点是图像在该点所对应尺度下的一个特征点;
4)通过拟合三维二次函数以精确确定特征点的位置和尺度,同时剔除低于对比度的特征点和不稳定的边缘效应,以增强抗噪声能力;
5)对输入图像进行高斯滤波;
6)改变高斯滤波函数的方差σ及高斯卷积核H,得到不同模糊化的10组图像,重复步骤1)~步骤5),对滤波后的图像提取特征点;
7)对特征点进行聚类;
8)选取偏向参数p的值;
9)计算样本点间的影响度和隶属度值:
其中,S(i,j)代表相似度矩阵,影响度r(i,j)表示数据点j适合作为数据点i的类代表的影响程度;隶属度a(i,j)表示数据点i选择数据点j作为类代表的归属程度;
10)不断计算影响度r(i,j)和隶属度a(i,j)的值,直到找到合适的聚类中心,所述合适的聚类中心判断依据如下:
j=arg max{a(i,j)+r(i,j)}, (4)
其中若i=j,则数据点i是聚类中心,否则数据点j是数据点i的聚类中心;
11)当计算次数超过设定的最大值或者当聚类中心在若干次计算中不发生改变时停止计算,确定聚类中心及各类样本点,否则返回步骤9)继续计算;
12)对10组聚类结果进行曲线拟合,在拟合曲线中找出输入图像对应的特征点的聚类类数,使用经典聚类方法K-means算法对输入图像特征点进行聚类。
步骤1)所述的构造尺度空间,是通过不同的Gaussian卷积核与输入图像进行卷积运算:
其中G(x,y,σ)代表Gaussian卷积核函数,L(x,y,σ)代表尺度空间图像,代表卷积操作,σ为尺度因子,I(x,y)代表输入图像;从而得到多尺度图像构成尺度空间。
步骤4)具体是通过下式完成:
其中H为Hessian矩阵,计算公式为:
步骤5)所述的高斯滤波,是对高斯函数进行离散化,以离散点上的高斯函数值为权值,对采集到的输入图像的每个像素点做设定范围邻域内的加权平均,有效消除高斯噪声,
所述高斯核矩阵的计算公式:
其中Hi,j代表高斯核函数,σ为方差,k是核矩阵维数。
步骤7)所述的聚类,是首先计算任意两个特征点xi和xj之间的相似度矩阵S(i,j):
将计算结果储存在N×N的相似度矩阵中。
步骤8)所述的选取偏向参数p的值是矩阵对角线上元素,通过调节偏向参数p改变聚类结果,在无先验知识时,将所有数据点都视为潜在的类代表,偏向参数p设定为相似度矩阵S的中值。
本发明的一种数量多且维数高的图像局部特征点自适应聚类方法,将大量图像特征点归类为少数类别可极大地简化后续图像分析(如图像分割、图像匹配、图像识别)的难度,并显著提升图像分析的效率。本发明具有如下优点:
1)本发明提出通过拟合不同高斯模糊度的低分辨图像的自适应聚类数测算结果,预测高分辨率图像的聚类数,较好地解决了自适应聚类算法在处理大数据量时普遍存在耗时长或溢出的难题。
2)本发明所提聚类算法一方面继承了K-means算法的快速性,另一方面本发明算法不需要预先给定类别数,较好地克服了经典K-means算法需要用户给定类别数的约束,使得算法可批量处理多组数据。
3)本发明提出的针对数量多且维数高的图像局部特征点自适应聚类算法,将大量图像特征点归类为少数类别可极大地简化后续图像分析的难度,因此在图像分割、图像匹配、图像识别等多个领域具有广泛的应用前景。
附图说明
图1是本发明一种数量多且维数高的图像局部特征点自适应聚类方法的流程图;
图2是本发明中的输入图像;
图3是本发明实施例对输入图像进行特征点提取结果示意图;
图4是本发明实施例对输入图像使用高斯滤波模块滤波后的图像;
图5是本发明实施例高斯滤波模块滤波后的图像提取特征点示意图;
图6是本发明实施例图像特征点聚类的结果图;
图7是本发明实施例对所有聚类结果的拟合曲线图。
具体实施方式
下面结合实施例和附图对本发明的一种数量多且维数高的图像局部特征点自适应聚类方法做出详细说明。
如图1所示,本发明的一种数量多且维数高的图像局部特征点自适应聚类方法,包括如下步骤:
1)读取如图2所示的输入图像,对输入图像构造尺度空间;
所述的构造尺度空间,是通过不同的Gaussian卷积核与输入图像进行卷积运算:
其中G(x,y,σ)代表Gaussian卷积核函数,L(x,y,σ)代表尺度空间图像,代表卷积操作,σ为尺度因子,I(x,y)代表输入图像;从而得到多尺度图像构成尺度空间。
2)为了在有效的尺度空间检测到稳定的关键点,利用不同尺度的高斯差分核与图像卷积构建高斯差分尺度空间,在有效的尺度空间检测到稳定的关键点,这里用到差分高斯金字塔空间极值,公式如下:
D(x,y,σ)=L(x yλσ)-L(x yσ) (3)
其中D(x,y,σ)代表空间极值,λ表示相邻两组图像尺度差的倍值,为常数,计算公式为:
λ=21/S (4)
其中S为图像的层数;
3)为了寻找尺度空间的极值点,每一个采样点要和它所有的相邻点比较大小,若一个点与该周边26个邻域点相比是最大或者最小时,认为该点是图像在该点所对应尺度下的一个特征点;
4)通过拟合三维二次函数以精确确定特征点的位置和尺度,同时剔除低于对比度的特征点和不稳定的边缘效应,及对噪声敏感的极值点,以增强抗噪声能力;具体是通过下式完成:
其中H为Hessian矩阵,计算公式为:
5)对输入图像进行高斯滤波;
所述的高斯滤波,是对高斯函数进行离散化,以离散点上的高斯函数值为权值,对采集到的输入图像的每个像素点做设定范围邻域内的加权平均,有效消除高斯噪声,
所述高斯核矩阵的计算公式:
其中Hi,j代表高斯核函数,σ为方差,k是核矩阵维数。
6)改变高斯滤波函数的方差σ及高斯卷积核H,得到不同模糊化的10组图像,重复步骤1)~步骤5),对滤波后的图像提取特征点;图5给出了原始图像滤波后提取的局部特征点图像。
7)对特征点进行聚类;
所述的聚类,是首先计算任意两个特征点xi和xj之间的相似度矩阵S(i,j):
将计算结果储存在N×N的相似度矩阵中。
8)选取偏向参数p的值;
所述的选取偏向参数p的值是矩阵对角线上元素,通过调节偏向参数p改变聚类结果,本实例中在无先验知识时,将所有数据点都视为潜在的类代表,偏向参数p设定为相似度矩阵S的中值。
9)计算样本点间的影响度和隶属度值:
其中,影响度r(i,j)表示数据点j适合作为数据点i的类代表的影响程度;隶属度a(i,j)表示数据点i选择数据点j作为类代表的归属程度;
10)不断计算影响度r(i,j)和隶属度a(i,j)的值,直到找到合适的聚类中心,所述合适的聚类中心判断依据如下:
j=argmax{a(i,j)+r(i,j)}, (10)
其中若i=j,则数据点i是聚类中心,否则数据点j是数据点i的聚类中心;
11)当计算次数超过设定的最大值或者当聚类中心在若干次计算中不发生改变时停止计算,确定聚类中心及各类样本点,否则返回步骤9)继续计算;图6给出了经过模糊化的图像的特征点聚类结果。
12)对10组聚类结果进行曲线拟合,在拟合曲线中找出输入图像对应的特征点的聚类类数,使用经典聚类方法K-means算法对输入图像特征点进行聚类。如图7所示。
图7给出了聚类结果的曲线二次拟合图,y=ax2+bx+c,其中得到参数a=4.8929×10-6;b=0.0025;c=16.7128,已知原图像的特征点数目是2181个,经过拟合曲线可得到输入图像的聚类类数是45类。
Claims (6)
1.一种数量多且维数高的图像局部特征点自适应聚类方法,其特征在于,包括如下步骤:
1)对输入图像构造尺度空间;
2)利用不同尺度的高斯差分核与图像卷积构建高斯差分尺度空间:
D(x,y,σ)=L(x y λσ)-L(x y σ) (1)
其中D(x,y,σ)代表空间极值,λ表示相邻两组图像尺度差的倍值,为常数,计算公式为:
λ=21/S (2)
其中S为图像的层数;
3)为了寻找尺度空间的极值点,每一个采样点要和它所有的相邻点比较大小,若一个点与该周边26个邻域点相比是最大或者最小时,认为该点是图像在该点所对应尺度下的一个特征点;
4)通过拟合三维二次函数以精确确定特征点的位置和尺度,同时剔除低于对比度的特征点和不稳定的边缘效应,以增强抗噪声能力;
5)对输入图像进行高斯滤波;
6)改变高斯滤波函数的方差σ及高斯卷积核H,得到不同模糊化的10组图像,重复步骤1)~步骤5),对滤波后的图像提取特征点;
7)对特征点进行聚类;
8)选取偏向参数p的值;
9)计算样本点间的影响度和隶属度值:
其中,S(i,j)代表相似度矩阵,影响度r(i,j)表示数据点j适合作为数据点i的类代表的影响程度;隶属度a(i,j)表示数据点i选择数据点j作为类代表的归属程度;
10)不断计算影响度r(i,j)和隶属度a(i,j)的值,直到找到合适的聚类中心,所述合适的聚类中心判断依据如下:
j=arg max{a(i,j)+r(i,j)}, (4)
其中若i=j,则数据点i是聚类中心,否则数据点j是数据点i的聚类中心;
11)当计算次数超过设定的最大值或者当聚类中心在若干次计算中不发生改变时停止计算,确定聚类中心及各类样本点,否则返回步骤9)继续计算;
12)对10组聚类结果进行曲线拟合,在拟合曲线中找出输入图像对应的特征点的聚类类数,使用经典聚类方法K-means算法对输入图像特征点进行聚类。
2.根据权利要求1所述的一种数量多且维数高的图像局部特征点自适应聚类方法,其特征在于,步骤1)所述的构造尺度空间,是通过不同的Gaussian卷积核与输入图像进行卷积运算:
其中G(x,y,σ)代表Gaussian卷积核函数,L(x,y,σ)代表尺度空间图像,代表卷积操作,σ为尺度因子,I(x,y)代表输入图像;从而得到多尺度图像构成尺度空间。
3.根据权利要求1所述的一种数量多且维数高的图像局部特征点自适应聚类方法,其特征在于,步骤4)具体是通过下式完成:
其中H为Hessian矩阵,计算公式为:
4.根据权利要求1所述的一种数量多且维数高的图像局部特征点自适应聚类方法,其特征在于,步骤5)所述的高斯滤波,是对高斯函数进行离散化,以离散点上的高斯函数值为权值,对采集到的输入图像的每个像素点做设定范围邻域内的加权平均,有效消除高斯噪声,
所述高斯核矩阵的计算公式:
其中Hi,j代表高斯核函数,σ为方差,k是核矩阵维数。
5.根据权利要求1所述的一种数量多且维数高的图像局部特征点自适应聚类方法,其特征在于,步骤7)所述的聚类,是首先计算任意两个特征点xi和xj之间的相似度矩阵S(i,j):
将计算结果储存在N×N的相似度矩阵中。
6.根据权利要求1所述的一种数量多且维数高的图像局部特征点自适应聚类方法,其特征在于,步骤8)所述的选取偏向参数p的值是矩阵对角线上元素,通过调节偏向参数p改变聚类结果,在无先验知识时,将所有数据点都视为潜在的类代表,偏向参数p设定为相似度矩阵S的中值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610942440.8A CN106503743B (zh) | 2016-10-31 | 2016-10-31 | 一种数量多且维数高的图像局部特征点自适应聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610942440.8A CN106503743B (zh) | 2016-10-31 | 2016-10-31 | 一种数量多且维数高的图像局部特征点自适应聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106503743A true CN106503743A (zh) | 2017-03-15 |
CN106503743B CN106503743B (zh) | 2020-04-17 |
Family
ID=58321077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610942440.8A Expired - Fee Related CN106503743B (zh) | 2016-10-31 | 2016-10-31 | 一种数量多且维数高的图像局部特征点自适应聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106503743B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203783A (zh) * | 2017-05-24 | 2017-09-26 | 西北工业大学 | 基于自适应卷积核卷积神经网络的遥感图像像素级分类方法 |
CN108491864A (zh) * | 2018-02-27 | 2018-09-04 | 西北工业大学 | 基于自动确定卷积核大小卷积神经网络的高光谱图像分类 |
CN108921181A (zh) * | 2018-08-02 | 2018-11-30 | 广东工业大学 | 一种局部图像特征提取方法、装置、系统及可读存储介质 |
CN112529016A (zh) * | 2020-12-21 | 2021-03-19 | 浙江欣奕华智能科技有限公司 | 一种图像中特征点的提取方法及提取装置 |
CN113256645A (zh) * | 2021-04-12 | 2021-08-13 | 中国计量大学 | 一种基于改进密度聚类的彩色图像分割方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605765A (zh) * | 2013-11-26 | 2014-02-26 | 电子科技大学 | 一种基于聚类紧凑特征的海量图像检索系统 |
CN103678949A (zh) * | 2014-01-09 | 2014-03-26 | 江南大学 | 基于密度分析和谱聚类的多扩展目标跟踪量测集划分方法 |
CN104123382A (zh) * | 2014-07-31 | 2014-10-29 | 合肥工业大学 | 一种社会媒体下的图像集摘要生成算法 |
CN104166856A (zh) * | 2014-07-30 | 2014-11-26 | 西安电子科技大学 | 基于近邻传播聚类与区域增长的极化sar图像分类方法 |
CN104915680A (zh) * | 2015-06-04 | 2015-09-16 | 河海大学 | 基于改进型rbf神经网络的多标签蜕变关系预测方法 |
-
2016
- 2016-10-31 CN CN201610942440.8A patent/CN106503743B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605765A (zh) * | 2013-11-26 | 2014-02-26 | 电子科技大学 | 一种基于聚类紧凑特征的海量图像检索系统 |
CN103678949A (zh) * | 2014-01-09 | 2014-03-26 | 江南大学 | 基于密度分析和谱聚类的多扩展目标跟踪量测集划分方法 |
CN104166856A (zh) * | 2014-07-30 | 2014-11-26 | 西安电子科技大学 | 基于近邻传播聚类与区域增长的极化sar图像分类方法 |
CN104123382A (zh) * | 2014-07-31 | 2014-10-29 | 合肥工业大学 | 一种社会媒体下的图像集摘要生成算法 |
CN104915680A (zh) * | 2015-06-04 | 2015-09-16 | 河海大学 | 基于改进型rbf神经网络的多标签蜕变关系预测方法 |
Non-Patent Citations (6)
Title |
---|
FREY B J, DUECK D: "Clustering by passing messages between data points", 《SCIENCE》 * |
YAN ZHU 等: "Initializing K-means Clustering Using Affinity Propagation", 《2009 NINTH INTERNATIONAL CONFERENCE ON HYBRID INTELLIGENT SYSTEMS》 * |
YANPENG ZHANG 等: "Image Clustering Based on SIFT-Affinity Propagation", 《2014 11TH INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY》 * |
于海涛 等: "K-means聚类算法优化方法的研究", 《小型微型计算机系统》 * |
吴文芳: "基于高阶空间特征提取的图像检索", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
周世兵 等: "新的K-均值算法最佳聚类数确定方法", 《计算机工程与应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203783A (zh) * | 2017-05-24 | 2017-09-26 | 西北工业大学 | 基于自适应卷积核卷积神经网络的遥感图像像素级分类方法 |
CN108491864A (zh) * | 2018-02-27 | 2018-09-04 | 西北工业大学 | 基于自动确定卷积核大小卷积神经网络的高光谱图像分类 |
CN108491864B (zh) * | 2018-02-27 | 2020-05-01 | 西北工业大学 | 基于自动确定卷积核大小卷积神经网络的高光谱图像分类 |
CN108921181A (zh) * | 2018-08-02 | 2018-11-30 | 广东工业大学 | 一种局部图像特征提取方法、装置、系统及可读存储介质 |
CN112529016A (zh) * | 2020-12-21 | 2021-03-19 | 浙江欣奕华智能科技有限公司 | 一种图像中特征点的提取方法及提取装置 |
CN113256645A (zh) * | 2021-04-12 | 2021-08-13 | 中国计量大学 | 一种基于改进密度聚类的彩色图像分割方法 |
CN113256645B (zh) * | 2021-04-12 | 2023-07-28 | 中国计量大学 | 一种基于改进密度聚类的彩色图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106503743B (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614922B (zh) | 一种动静态手势识别方法和系统 | |
Babu et al. | Statistical features based optimized technique for copy move forgery detection | |
CN108665481B (zh) | 多层深度特征融合的自适应抗遮挡红外目标跟踪方法 | |
CN110135267B (zh) | 一种大场景sar图像细微目标检测方法 | |
CN108805002B (zh) | 基于深度学习和动态聚类的监控视频异常事件检测方法 | |
Tu et al. | Hyperspectral anomaly detection via density peak clustering | |
EP3333768A1 (en) | Method and apparatus for detecting target | |
CN106503743A (zh) | 一种数量多且维数高的图像局部特征点自适应聚类方法 | |
CN101520894B (zh) | 基于区域显著性的显著对象提取方法 | |
Jia et al. | Spectral–spatial Gabor surface feature fusion approach for hyperspectral imagery classification | |
CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
CN102682287B (zh) | 基于显著度信息的行人检测方法 | |
CN108062543A (zh) | 一种面部识别方法及装置 | |
CN104573729B (zh) | 一种基于核主成分分析网络的图像分类方法 | |
CN105574534A (zh) | 基于稀疏子空间聚类和低秩表示的显著性目标检测方法 | |
CN108491849A (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 | |
CN107451565B (zh) | 一种半监督小样本深度学习图像模式分类识别方法 | |
CN107590427B (zh) | 基于时空兴趣点降噪的监控视频异常事件检测方法 | |
CN101930549B (zh) | 基于第二代曲线波变换的静态人体检测方法 | |
CN106909946A (zh) | 一种多模态融合的商品分类系统 | |
Yang et al. | A deep multiscale pyramid network enhanced with spatial–spectral residual attention for hyperspectral image change detection | |
CN103699874B (zh) | 基于surf流和lle稀疏表示的人群异常行为识别方法 | |
Ye et al. | Detecting USM image sharpening by using CNN | |
CN109766934B (zh) | 一种基于深度Gabor网络的图像目标识别方法 | |
CN108564111A (zh) | 一种基于邻域粗糙集特征选择的图像分类方法 |
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 | ||
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: 20200417 Termination date: 20201031 |