CN107220651A - 一种提取图像特征的方法及装置 - Google Patents

一种提取图像特征的方法及装置 Download PDF

Info

Publication number
CN107220651A
CN107220651A CN201710413989.2A CN201710413989A CN107220651A CN 107220651 A CN107220651 A CN 107220651A CN 201710413989 A CN201710413989 A CN 201710413989A CN 107220651 A CN107220651 A CN 107220651A
Authority
CN
China
Prior art keywords
block structure
characteristic informations
pca
hog
hogp
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
Application number
CN201710413989.2A
Other languages
English (en)
Other versions
CN107220651B (zh
Inventor
焦继超
邓中亮
王鑫
李菲
苑立彬
吴奇
章程
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201710413989.2A priority Critical patent/CN107220651B/zh
Publication of CN107220651A publication Critical patent/CN107220651A/zh
Application granted granted Critical
Publication of CN107220651B publication Critical patent/CN107220651B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种提取图像特征的方法，该方法包括：计算目标图像中每个块结构分别对应的HOG特征信息，该块结构包括预设数量的像素值组成的像素矩阵；针对每个该块结构，根据块结构中的像素矩阵，生成PCA算法的输入集合；使用该PCA算法计算每个该块结构对应的PCA特征信息；级联每个该块结构对应的HOG特征信息和该PCA特征信息，生成每个该块结构对应的新HOGP特征信息；将所有块结构对应的新HOGP特征信息级联起来，生成该目标图像的新HOGP特征信息。应用本发明实施例能够提取到包括细节特征和轮廓特征在内的丰富的图像特征。

Description

一种提取图像特征的方法及装置
技术领域
本发明涉及图像处理技术领域，特别是涉及一种提取图像特征的方法及装置。
背景技术
随着图像识别技术的快速发展，各应用领域对图像识别的精确度也越来越高。为了提高机器识别图像的精确度，人们通过图像特征可视化的方法，来改进机器在图像识别中使用的图像识别算法。
图像特征可视化具体是指：根据机器提取到的目标图像的图像特征，对目标图像进行还原。这样，可以根据原始目标图像和还原后的目标图像之间的差异，对图像识别算法进行改进，若原始目标图像和还原后的目标图像的差异较小，相似度较高，则说明当前使用的图像识别算法较为适用，反之，则说明当前使用的图像识别算法不适用。
目前，在图像特征可视化的过程中，用于提取图像特征的图像识别算法包括主成分分析(Principal Component Analysis，PCA)算法和特征检测(Histogram of OrientedGridients，HOG)算法；其中，PCA算法擅长提取图像的细节特征，但对于细节特征较少的图像，比如天空，大海，墙面等，提取到的PCA特征信息中包含的图像信息不完整；而HOG算法擅长提取图像的轮廓特征，但提取到的HOG特征信息忽略了图像的细节信息。这样，导致根据使用PCA算法或者HOG算法提取出的图像特征，还原后的图像与原始目标图像的差异较大、相似度较低。
发明内容
本发明实施例的目的在于提供一种提取图像特征的方法及装置，能够提取到包括细节特征和轮廓特征在内的丰富的图像特征。具体技术方案如下：
本发明实施例提出了一种提取图像特征的方法，所述方法包括：计算目标图像中每个块结构分别对应的第一HOG特征信息，所述块结构包括预设数量的像素值组成的像素矩阵；针对每个所述块结构，根据块结构中的像素矩阵，生成PCA算法的输入集合；使用所述PCA算法计算每个所述块结构对应的PCA特征信息；级联每个所述块结构对应的第一HOG特征信息和所述PCA特征信息，生成每个所述块结构对应的新HOGP特征信息；将所有块结构对应的新HOGP特征信息级联起来，生成所述目标图像的新HOGP特征信息。
优选的，所述计算目标图像中每个块结构分别对应的第一HOG特征信息，所述块结构包括预设数量的像素值组成的像素矩阵的步骤，包括：计算目标图像中各像素值分别对应的梯度值；根据所述各像素值的梯度值，计算每个单元格分别对应的第二HOG特征信息，其中，所述每个单元格包括像素值矩阵L×L，所述第二HOG特征信息包括维度为R的HOG特征向量；根据所述每个单元格对应的第二HOG特征信息，计算每个块结构对应的第一HOG特征信息，其中，所述每个块结构包括单元格矩阵P1×P2，所述第一HOG特征信息包括维度为R×P1×P2的HOG特征向量。
优选的，所述根据块结构中的像素矩阵，生成PCA算法的输入集合的步骤，包括：根据所述块结构中的像素矩阵，生成PCA算法的输入集合；其中，所述像素矩阵为M×N，M＝L×P1，N＝L×P2，所述输入集合为DM×N＝{X1,X2,...,XN}，所述输入集合DM×N包括N个像素值样本X1,X2,...,XN，其中Xi＝{x1,x2,...,xM}，一个样本Xi包括所述像素矩阵M×N中第i列的M个像素值。
优选的，所述使用所述PCA算法计算每个块结构的对应的PCA特征信息的步骤，包括：使用所述PCA算法计算每个块结构的对应的PCA特征信息，其中，所述PCA特征信息包括维度为K×L×P2的PCA特征向量，K为所述PCA特征信息中每个样本包括的像素值数量，K＜M；所述级联每个所述块结构对应的HOG特征信息和所述PCA特征信息，生成每个所述块结构对应的新HOGP特征信息的步骤，包括：级联每个所述块结构对应的、所述维度为R×P1×P2的HOG特征向量，以及每个所述块结构对应的、所述维度为K×L×P2的PCA特征向量，生成每个所述块结构对应的、维度为R×P1×P2+K×L×P2的新HOGP特征向量。
优选的，在所述根据所述每个单元格对应的第一HOG特征信息，计算每个块结构对应的第二HOG特征信息的步骤之前，所述方法还包括：以块结构为基本单位，按照预设的步长，对所述目标图像中各像素值进行扫描，将所述目标图像划分为数量为Q的所述块结构；所述将所有块结构对应的新HOGP特征信息级联起来，生成所述目标图像的新HOGP特征信息的步骤，包括：将所有块结构对应的新HOGP特征信息级联起来，生成所述目标图像的维度为(R×P1×P2+K×L×P2)×Q的新HOGP特征向量。
本发明实施例还提出了一种提取图像特征的装置，所述装置包括：第一计算单元，用于计算目标图像中每个块结构分别对应的第一HOG特征信息，所述块结构包括预设数量的像素值组成的像素矩阵；生成单元，用于针对每个所述块结构，根据块结构中的像素矩阵，生成PCA算法的输入集合；第二计算单元，用于使用所述PCA算法计算每个所述块结构的对应的PCA特征信息；第一级联单元，用于级联每个所述块结构对应的第一HOG特征信息和所述PCA特征信息，生成每个所述块结构对应的新HOGP特征信息；第二级联单元，用于将所有块结构对应的新HOGP特征信息级联起来，生成所述目标图像的新HOGP特征信息。
优选的，所述第一计算单元，包括：第一计算子单元、第二计算子单元和第三计算子单元；所述第一计算子单元，用于计算目标图像中各像素值分别对应的梯度值；所述第二计算子单元，用于根据所述各像素值的梯度值，计算每个单元格分别对应的第二HOG特征信息，其中，所述每个单元格包括像素值矩阵L×L，所述第二HOG特征信息包括维度为R的HOG特征向量；所述第三计算子单元，用于根据所述每个单元格对应的第二HOG特征信息，计算每个块结构对应的第一HOG特征信息，其中，所述每个块结构包括单元格矩阵P1×P2，所述第一HOG特征信息包括维度为R×P1×P2的HOG特征向量。
优选的，所述生成单元，具体用于根据所述块结构中的像素矩阵，生成PCA算法的输入集合；其中，所述像素矩阵为M×N，M＝L×P1，N＝L×P2，所述输入集合为DM×N＝{X1,X2,...,XN}，所述输入集合DM×N包括N个像素值样本X1,X2,...,XN，其中Xi＝{x1,x2,...,xM}，一个样本Xi包括所述像素矩阵M×N中第i列的M个像素值。
本发明实施例又提出了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现如下方法：
计算目标图像中每个块结构分别对应的第一HOG特征信息，所述块结构包括预设数量的像素值组成的像素矩阵；
针对每个所述块结构，根据块结构中的像素矩阵，生成PCA算法的输入集合；
使用所述PCA算法计算每个所述块结构对应的PCA特征信息；
级联每个所述块结构对应的第一HOG特征信息和所述PCA特征信息，生成每个所述块结构对应的新HOGP特征信息；
将所有块结构对应的新HOGP特征信息级联起来，生成所述目标图像的新HOGP特征信息。
本发明实施例另提出了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如下方法：
计算目标图像中每个块结构分别对应的第一HOG特征信息，所述块结构包括预设数量的像素值组成的像素矩阵；
针对每个所述块结构，根据块结构中的像素矩阵，生成PCA算法的输入集合；
使用所述PCA算法计算每个所述块结构对应的PCA特征信息；
级联每个所述块结构对应的第一HOG特征信息和所述PCA特征信息，生成每个所述块结构对应的新HOGP特征信息；
将所有块结构对应的新HOGP特征信息级联起来，生成所述目标图像的新HOGP特征信息。
本发明实施例提供的一种提取图像特征的方法，首先，计算目标图像中每个块结构分别对应的第一HOG特征信息，然后，针对每个块结构，根据块结构中的像素矩阵，生成PCA算法的输入集合；接下来，使用PCA算法计算每个块结构的对应的PCA特征信息；级联每个块结构对应的第一HOG特征信息和PCA特征信息，生成每个块结构对应的新HOGP特征信息；最后，将所有块结构对应的新HOGP特征信息级联起来，生成目标图像的新HOGP特征信息。
可见，本发明实施例所述的提取图像特征的方法，能够将HOG算法和PCA算法结合起来，生成包括HOG特征信息和PCA特征信息的新HOGP特征信息，使得最终生成的目标图像的新HOGP特征信息包含的图像特征更加丰富准确，不仅能够体现目标图像细节特征，而且能够体现目标图像的轮廓特征；这样，根据目标图像的新HOGP特征信息进行可视化得到的还原图像，与原始目标图像的差异较小、相似度较高。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
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简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例的提取图像特征的方法的一种流程图；
图2为本发明实施例的提取图像特征的方法的又一种流程图；
图3为本发明实施例中特征字典的示意图；
图4为本发明实施例的图像可视化结果的示意图；
图5为本发明实施例的提取图像特征的装置的结构示意图；
图6为本发明实施例的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
随着图像识别技术的快速发展，各应用领域对图像识别的精确度也越来越高。为了提高机器识别图像的精确度，人们通过图像特征可视化的方法，来改进机器在图像识别中使用的图像识别算法。
图像特征可视化具体是指：根据机器提取到的目标图像的图像特征，通过算法模型对目标图像进行还原。这样，可以根据原始目标图像和还原后的目标图像之间的差异，对图像识别算法进行改进，若原始目标图像和还原后的目标图像的差异较小，相似度较高，则说明当前使用的图像识别算法较为适用，反之，则说明当前使用的图像识别算法不适用。
目前，在图像特征可视化的过程中，用于提取图像特征的算法包括PCA算法、HOG算法、局部二值模式(Local Binary Pattern，LBP)算法、通用搜索树(Generalized SearchTrees，GIST)算法、尺度不变特征转换(Scale Invariant Feature Transform，SIFT)算法等；用于根据图像特征还原目标图像的算法模型包括词包模型、稀疏字典模型以及反卷积网络模型等。
PCA算法通过对目标图像数据进行简化处理，以滤除目标图像数据中的冗余数据；使用PCA算法提取目标图像的PCA特征信息的流程如下：
步骤1，根据目标图像的像素值，确定PCA算法的样本，多个样本组成一个矩阵，称为样本集合；
步骤2，求该样本集合的协方差矩阵；
步骤3，求该协方差矩阵的特征值和特征向量；
步骤4，将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵W，W为变换矩阵；
步骤5，通过变换矩阵W，将样本集合中的每个样本的维数降低，达到滤除目标图像数据中的冗余数据的目的，降维后的样本集合归一化处理后即为目标图像的PCA特征信息。
因此，使用PCA算法提取到的PCA特征信息能够包含图像的细节特征，但对于细节特征较少的图像特征包含的不完整，比如天空，大海，墙面等。
HOG算法能够通过梯度或边缘的方向密度分布体现目标图像中局部目标的表象和形状；使用HOG算法提取目标图像的HOG特征信息的流程如下：
步骤1，对目标图像通过gamma校正对颜色空间进行标准化处理；
步骤2，计算目标图像中各像素点分别对应的梯度值；
步骤3，根据各像素点的梯度值，计算每个单元格的HOG特征信息，每个单元格由预设第一数量的像素点组成；
步骤4，根据每个单元格的HOG特征信息，计算每个块结构的HOG特征信息；
步骤5，将目标图像中所有块结构的HOG特征信息级联起来，得到目标图像的HOG特征信息。
因此，使用HOG算法提取目标图像的HOG特征信息很好的体现了目标图像的轮廓特征，但忽略了目标图像的细节信息。
针对上述问题，本发明实施例公开了一种提取图像特征的方法。参见图1，图1为本发明实施例的提取图像特征的方法的一种流程图，包括如下步骤：
步骤101，计算目标图像中每个块结构分别对应的第一HOG特征信息。
其中，该块结构包括预设数量的像素值组成的像素矩阵。
在本步骤中，将目标图像的像素值划分为多个块结构，计算出每个块结构对应的第一HOG特征信息；需要说明的是，计算目标图像中每个块结构对应的HOG特征信息可以参考现有技术，在此不再赘述。
这样，目标图像的第一HOG特征信息能够体现目标图像的轮廓特征。
步骤102，针对每个该块结构，根据块结构中的像素矩阵，生成PCA算法的输入集合。
在本步骤中，生成目标图像中每个块结构对应的PCA算法的输入集合，以计算目标图像的PCA特征信息，一个块结构对应一个PCA算法的输入集合，PCA算法的输入集合的数量与块结构的数量相同。
这样，在后面的步骤中就能够根据PCA算法的输入集合，使用PCA算法计算目标图像的PCA特征信息。
步骤103，使用该PCA算法计算每个该块结构的对应的PCA特征信息。
在本步骤中，根据步骤102计算出的PCA的输入集合，计算每个块结构对应的PCA特征信息。需要说明的是，根据PCA的输入集合，使用PCA算法计算PCA特征信息可以参考现有技术，在此不再赘述。
这样，目标图像的PCA特征信息能够体现目标图像的细节特征。
步骤104，级联每个该块结构对应的第一HOG特征信息和该PCA特征信息，生成每个该块结构对应的新HOGP特征信息；
在本步骤中，将步骤101中计算出的块结构对应的第一HOG特征信息，与步骤103计算出的块结构对应的PCA特征信息级联起来，生成每个块结构对应的新HOGP特征信息。
这样，每个块结构对应的新HOGP特征信息不仅能够体现块结构对应的部分图像的轮廓特征，而且能够体现块结构对应的部分图像的细节特征。
步骤105，将所有块结构对应的新HOGP特征信息级联起来，生成该目标图像的新HOGP特征信息。
在本步骤中，将步骤104生成的所有块结构对应的新HOGP特征信息级联起来，生成完整的目标图像的新HOGP特征信息。
这样，目标图像的新HOGP特征信息不仅能够体现目标图像的轮廓特征，而且能够体现目标图像的细节特征；相比传统的PCA算法和HOG算法，新HOGP特征信息包含的图像特征更加丰富准确，使得根据新HOGP特征信息进行可视化得到的还原图像，与原始目标图像的差异较小、相似度较高。
可见，本发明实施例提供的提取图像特征的方法，能够将HOG算法和PCA算法结合起来，生成包括HOG特征信息和PCA特征信息的新HOGP特征信息，使得最终生成的目标图像的新HOGP特征信息包含的图像特征更加丰富准确，不仅能够体现目标图像细节特征，而且能够体现目标图像的轮廓特征；这样，根据目标图像的新HOGP特征信息进行可视化得到的还原图像，与原始目标图像的差异较小、相似度较高。
本发明的一个优选实施例公开了一种提取图像特征的方法。参见图12，图12为本发明实施例的提取图像特征的方法的又一种流程图，包括如下步骤：
步骤201，计算目标图像中各像素值分别对应的梯度值。
在本步骤中，首先，对目标图像通过gamma校正对颜色空间进行标准化处理，以降低目标图像局部的阴影和光照变化的影响；具体的，gamma标准化公式如公式(1)所示：
I(x,y)＝I(x,y)gamma (1)
在公式(1)中，I表示目标图像，gamma通常取值为0.5。
然后，对目标图像I中每个像素值(x,y)求梯度值；具体的，像素值的梯度值大小的计算公式如公式(2)所示，像素值的梯度方向的计算公式如公式(3)所示。
在公式(2)和公式(3)中，I表示目标图像，(x,y)表示目标图像I中像素值的位置。
步骤202，根据该各像素值的梯度值，计算每个单元格分别对应的第二HOG特征信息。
其中，该每个单元格包括像素值矩阵L×L，该第二HOG特征信息包括维度为R的HOG特征向量。
在本步骤中，首先，将目标图像划分为多个单元格，其中，每个单元格是由L×L个像素组成的像素值矩阵；
接下来，针对每个单元格，均执行如下处理：按照像素值的梯度方向，将单元格中的所有像素值划分为R个区间；计算每个区间中的各像素的梯度值大小总和；按照梯角度区间大小顺序，将R个区间分别对应的梯度值大小总和排列形成一个R维HOG特征向量，R维特征向量就是该单元格对应的第一HOG特征信息。
比如，每个单元格是由8×8个像素值组成的像素值矩阵；针对每个单元格，均执行如下处理：按照像素值的梯度方向，将单元格中的所有像素值划分为8个区间，其中，梯度方向位于[0°,45°)的像素值划分为第1区间，梯度方向位于[45°,90°)的像素值划分为第2区间，梯度方向位于[90°,135°)的像素值划分为第3区间，梯度方向位于[135°,180°)的像素值划分为第4区间，梯度方向位于[180°,225°)的像素值划分为第5区间，梯度方向位于[225°,270°)的像素值划分为第6区间，梯度方向位于[270°,315°)的像素值划分为第7区间，梯度方向位于[315°,0°)的像素值划分为第8区间；分别计算每个区间的像素值的梯度值大小总和；将8个区间的梯度值大小总和排列形成一个8维HOG特征向量，8维HOG特征向量就是一个单元格对应的第一HOG特征信息。可以理解的，如果按照像素值的梯度方向将单元格中的所有像素值划分为9个区间，则最终形成的第一HOG特征信息是一个9维的HOG特征向量。
步骤203，根据该每个单元格对应的第二HOG特征信息，计算每个块结构对应的第一HOG特征信息。
其中，该每个块结构包括单元格矩阵P1×P2，该第一HOG特征信息包括维度为R×P1×P2的HOG特征向量。
在本步骤中，首先，将每P1×P2个单元格组成一个块结构，可以理解的，每个块结构包括单元格矩阵P1×P2；接下来，针对每个块结构，将块结构中每个单元格对应的第二HOG特征信息排列起来，形成一个维度为R×P1×P2的HOG特征向量；最后，对维度为R×P1×P2的HOG特征向量进行归一化处理，得到块结构对应的第一HOG特征信息。
比如，将每2×3个单元格组成一个块结构，已知每个单元格对应一个8维HOG特征向量；将6个单元格分别对应的8维HOG特征向量排列起来，可以得到一个48维HOG特征向量；对48维HOG特征向量进行归一化处理，得到块结构对应的第一HOG特征信息。
需要说明的是，在本发明实施例中，对于计算目标图像中块结构对应的HOG特征信息的方法，不仅局限于步骤201至步骤202所述的方法，还可以根据实际情况选择其他方法计算目标图像的块结构对应的HOG特征信息。
在实际应用中，在步骤203之前，需要以块结构为基本单位，按照预设的步长，对目标图像中各像素值进行扫描，将目标图像划分为一定数量的块结构。
这样，才能在步骤203中计算出每个块结构对应的第一HOG特征信息。
具体的，步长可以是一个单元格，也可以根据实际需求，将步长设置为若干个像素，比如8个像素；那么，可以按照8个像素的步长，对目标图像中各像素值进行扫描，将目标图像划分为多个块结构。
这样，目标图像的第一HOG特征信息能够体现目标图像的轮廓特征。
步骤204，根据该块结构中的像素矩阵，生成PCA算法的输入集合。
其中，该像素矩阵为M×N，M＝L×P1，N＝L×P2，该输入集合为DM×N＝{X1,X2,...,XN}，该输入集合DM×N包括N个像素值样本X1,X2,...,XN，其中Xi＝{x1,x2,...,xM}，一个样本Xi包括该像素矩阵M×N中第i列的M个像素值。
具体的，一个块结构由P1×P2个单元格组成，一个单元格由L×L个像素值组成，那么，一个块结构包括M×N个像素值组成的像素矩阵，其中，M＝L×P1，N＝L×P2；这样，输入集合中包括的样本数量为像素矩阵的列数N，也即输入集合包括N个样本，每个样本包括像素矩阵中的一列像素值，也即每个样本包括M个像素值。
比如，一个块结构由2×3个单元格，一个单元格由8×8个像素组成，那么，一个块结构包括16×24个像素值组成的像素矩阵，将像素矩阵的每一列作为一个样本，则共有24个样本，每个样本包括16个像素值，一个像素值作为一个特征，即每个样本包括16个特征。
步骤205，使用该PCA算法计算每个块结构的对应的PCA特征信息。
其中，该PCA特征信息包括维度为K×L×P2的PCA特征向量，K为该PCA特征信息中每个样本包括的主成分数量，K＜M。
具体的，根据PCA算法的输入集合计算PCA特征信息的过程如下所示：
首先，针对每个块结构，计算块结构对应的PCA算法的输入集合D的协方差矩阵C；
在公式(4)中，输入集合D为M×N矩阵，N表示输入集合D中的样本数量，表示输入集合D的均值，T表示对矩阵进行转置处理，C为输入集合D的协方差矩阵，为M×M矩阵。
接下来，对协方差矩阵C求特征值和特征向量；将特征向量按照对应特征值大小，从左往右按列排列成矩阵，取前K列组成变换矩阵W，变换矩阵W为M×K矩阵；
最后，通过变换矩阵W，将输入集合D中的每个样本从M维空间转换到维空K维空间。
Y＝WTD (5)
在公式(5)中，Y表示对输入集合D中的每个样本进行降维处理后得到的数据集，具体为K×N矩阵，也就是说，输入集合D中的每个样本均包括M个像素值，降维后的数据集Y中的每个样本均包括K个像素值。
可以理解的，包括K×N矩阵的数据集Y就是一个块结构的对应的PCA特征信息。
在实际应用中，考虑协方差矩阵C特征值的贡献率，以及使降维后的维数尽量小，选取特征值较大的K维特征向量作为变换矩阵W；因此，使用PCA算法对输入集合D进行计算，输入集合D包括M×N像素矩阵，可获得降维后的数据集Y，数据集Y包括K×N像素矩阵；最终，将其归一化后排列成一个K×N维的PCA特征信息。
比如，将K值设置为2；已知一个块结构由2×3个单元格，一个单元格由8×8个像素组成，因此，一个块结构包括16×24个像素值组成的像素矩阵，那么，计算出的块结构的对应的PCA特征信息为2×24维的PCA特征向量。
这样，在后面的步骤中就能够根据PCA算法的输入集合，使用PCA算法计算目标图像的PCA特征信息。
步骤206，级联每个该块结构对应的、该维度为R×P1×P2的HOG特征向量，以及每个该块结构对应的、该维度为K×L×P2的PCA特征向量，生成每个该块结构对应的、维度为R×P1×P2+K×L×P2的新HOGP特征向量。
在本步骤中，针对每个块结构，将维度为R×P1×P2的HOG特征向量和维度为K×L×P2的PCA特征向量级联起来，生成维度为R×P1×P2+K×L×P2的新HOGP特征向量。
比如，已知每个块结构对应的HOG特征向量为48维的HOG特征向量，每个块结构对应的PCA特征向量为2×24维的PCA特征向量，那么，每个块结构对应的新HOGP特征向量为96维(48维+2×24维)的新HOGP特征向量。
步骤207，将所有块结构对应的新HOGP特征信息级联起来，生成该目标图像的新HOGP特征信息。
将所有块结构对应的新HOGP特征信息级联起来，生成该目标图像的维度为(R×P1×P2+K×L×P2)×Q的新HOGP特征向量。
在本步骤中，将所有的块结构对应的新HOGP特征信息级联起来，生成目标图像的新HOGP特征向量，维度为(R×P1×P2+K×L×P2)×Q。
可选的，在步骤203之前，本发明实施例提供的提取图像特征的方法还包括：
以块结构为基本单位，按照预设的步长，对该目标图像中各像素值进行扫描，将该目标图像划分为数量为Q的该块结构。
比如，当Q为1000时，已知每个块结构对应的新HOGP特征向量为96维，那么，目标图像的新HOGP特征向量为1000×96＝96000维。
可见，本发明实施例提供的提取图像特征的方法，能够将HOG算法和PCA算法结合起来，生成包括HOG特征信息和PCA特征信息的新HOGP特征信息，使得最终生成的目标图像的新HOGP特征信息包含的图像特征更加丰富准确，不仅能够体现目标图像细节特征，而且能够体现目标图像的轮廓特征；这样，根据目标图像的新HOGP特征信息进行可视化得到的还原图像，与原始目标图像的差异较小、相似度较高。
在本发明的一种应用实施例中，通过对目标图像的可视化处理来验证本发明实施例提出的提取图像特征的方法的有效性。
在实际应用中，需要预先建立一个特征字典。
具体的，首先，将任意的彩色图像或者黑白图像作为测试图像；使用本发明实施例提供的提取图像特征的方法，提取测试图像中每个块结构的新HOGP特征信息，以及块结构中的像素值组成的图像块；
接下来，针对每个块结构，将提取到的新HOGP特征信息和图像块一一对应起来，组合成一个“单词”；这样，多个块结构的“单词”，就组成了特征字典。
具体的，特征字典如图3所示，图3为本发明实施例中特征字典的示意图。在图3中，上面一排是测试图像中各块结构的新HOGP特征信息，具体的，测量图像中包括k个块结构，α1…αk为测量图像中k个块结构分别对应的新HOGP特征信息；下面一排是与上面一排中每个块结构的新HOGP特征信息对应的图像块，测试图像一共包括k个图像块，同样记为α1…αk；这样，图3中的每列即为一个“单词”，k个“单词”就组成了特征字典。
需要说明的是，作为测试图像的图像当然尽量选择细节丰富的图像，测试图像的图像数量无需过多，只要包括不同形状的特征即可。
目标图像可视化处理的具体步骤如下：
第1步，使用本发明实施例提出的提取图像特征的方法，提取目标图像中每个块结构的新HOGP特征信息。
第2步：计算目标图像中每个块结构的可视化图像。
首先，针对目标图像中每个块结构，求解对应的稀疏向量α。
具体的，可以使用公式(6)求解该块结构对应的向量α的稀疏解，即稀疏向量α；由公式(6)可以看出，首先，通过求解αDD-Pi的二范数最小，即向量α与DD线性组合后的特征、与目标图像中提取到的新的HOGP特征信息的距离最小，初步确定向量α；再通过限定向量α的一范数小于ε得到向量α的稀疏解。
在公式(6)中，向量α是一个M维向量；M值太小不足以很好的表达目标图像的图像特征，太大又增加运算成本，本发明实施例设定M为1024；DD表示从特征字典中选出的1024个新HOGP特征信息，具体的，可以采用lasso算法，从特征字典中选出的1024个新HOGP特征信息；Pi表示目标图像的第i个结构块的新HOGP特征信息；ε是一个系数。
然后，从特征字典中确定选出的1024个新HOGP特征信息对应的图像块，将该1024个图像块根据向量α进行线性加权后，叠加得到该块结构的可视化图像。
第3步：将每个块结构的可视化图像，按照目标图像的顺序拼接起来，再通过高斯滤波后即得到还原后的目标图像。
具体如图4所示，图4为本发明实施例的图像可视化结果的示意图；在图4中，最左边一列为原始图像，中间一列为根据HOG特征信息还原后的目标图像，最右边一列为根据新HOGP特征信息还原后的目标图像。可以发现，相比根据HOG特征信息还原后的目标图像，根据本发明实施例所述的新HOGP特征信息还原后的目标图像更加清晰准确。
可见，使用本发明实施例提出的提取图像特征的方法提出的新HOGP特征信息，在用于目标图像的可视化处理时，得到的还原后的目标图像与原始目标图像的相似度高，差异小。
本发明实施例又提出了一种提取图像特征的装置，参见图5，图5为本发明实施例的提取图像特征的装置的结构示意图；该装置包括：
第一计算单元501，用于计算目标图像中每个块结构分别对应的第一HOG特征信息，该块结构包括预设数量的像素值组成的像素矩阵；
生成单元502，用于针对每个该块结构，根据块结构中的像素矩阵，生成PCA算法的输入集合；
第二计算单元503，用于使用该PCA算法计算每个该块结构的对应的PCA特征信息；
第一级联单元504，用于级联每个该块结构对应的第一HOG特征信息和该PCA特征信息，生成每个该块结构对应的新HOGP特征信息；
第二级联单元505，用于将所有块结构对应的新HOGP特征信息级联起来，生成该目标图像的新HOGP特征信息。
优选的，该第一计算单元501，包括：第一计算子单元、第二计算子单元和第三计算子单元；
该第一计算子单元，用于计算目标图像中各像素值分别对应的梯度值；
该第二计算子单元，用于根据该各像素值的梯度值，计算每个单元格分别对应的第二HOG特征信息，其中，该每个单元格包括像素值矩阵L×L，该第一HOG特征信息包括维度为R的HOG特征向量；
该第三计算子单元，用于根据该每个单元格对应的第二HOG特征信息，计算每个块结构对应的第一HOG特征信息，其中，该每个块结构包括单元格矩阵P1×P2，该第一HOG特征信息包括维度为R×P1×P2的HOG特征向量。
优选的，该生成单元502，具体用于根据该块结构中的像素矩阵，生成PCA算法的输入集合；其中，该像素矩阵为M×N，M＝L×P1，N＝L×P2，该输入集合为DM×N＝{X1,X2,...,XN}，该输入集合DM×N包括N个像素值样本X1,X2,...,XN，其中Xi＝{x1,x2,...,xM}，一个样本Xi包括该像素矩阵M×N中第i列的M个像素值。
优选的，该第二计算单元503，具体用于使用该PCA算法计算每个块结构的对应的PCA特征信息，其中，该PCA特征信息包括维度为K×L×P2的PCA特征向量，K为该PCA特征信息中每个样本包括的像素值数，K＜M；
该第一级联单元504，具体用于级联每个该块结构对应的、该维度为R×P1×P2的HOG特征向量，以及每个该块结构对应的、该维度为K×L×P2的PCA特征向量，生成每个该块结构对应的、维度为R×P1×P2+K×L×P2的新HOGP特征向量。
优选的，该装置还包括：
扫描单元，用于以块结构为基本单位，按照预设的步长，对该目标图像中各像素值进行扫描，将该目标图像划分为数量为Q的该块结构；
该第二级联单元505，具体用于将所有块结构对应的新HOGP特征信息级联起来，生成该目标图像的维度为(R×P1×P2+K×L×P2)×Q的新HOGP特征向量。
可见，本发明实施例提供的提取图像特征的装置，能够将HOG算法和PCA算法结合起来，生成包括HOG特征信息和PCA特征信息的新HOGP特征信息，使得最终生成的目标图像的新HOGP特征信息体现了目标图像细节特征和轮廓特征；这样，根据目标图像的新HOGP特征信息能够查找到与目标图像的相似度较高的图像。
本发明实施例还提供了一种电子设备，参考图6，图6为本发明实施例的电子设备的结构示意图。如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，
存储器603，用于存放计算机程序；
处理器601，用于执行存储器603上所存放的程序时，实现如下步骤：
计算目标图像中每个块结构分别对应的第一HOG特征信息，该块结构包括预设数量的像素值组成的像素矩阵；
针对每个该块结构，根据块结构中的像素矩阵，生成PCA算法的输入集合；
使用该PCA算法计算每个该块结构的对应的PCA特征信息；
级联每个该块结构对应的第一HOG特征信息和该PCA特征信息，生成每个该块结构对应的新HOGP特征信息；
将所有块结构对应的新HOGP特征信息级联起来，生成该目标图像的新HOGP特征信息。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可见，本发明实施例提供的一种电子设备，能够将HOG算法和PCA算法结合起来，生成包括HOG特征信息和PCA特征信息的新HOGP特征信息，使得最终生成的目标图像的新HOGP特征信息体现了目标图像细节特征和轮廓特征；这样，根据目标图像的新HOGP特征信息能够查找到与目标图像的相似度较高的图像。
本发明实施例另提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
计算目标图像中每个块结构分别对应的第一HOG特征信息，所述块结构包括预设数量的像素值组成的像素矩阵；
针对每个所述块结构，根据块结构中的像素矩阵，生成PCA算法的输入集合；
使用该PCA算法计算每个该块结构的对应的PCA特征信息；
级联每个该块结构对应的第一HOG特征信息和该PCA特征信息，生成每个该块结构对应的新HOGP特征信息；
将所有块结构对应的新HOGP特征信息级联起来，生成该目标图像的新HOGP特征信息。
可见，本发明实施例提供的计算机可读存储介质，能够将HOG算法和PCA算法结合起来，生成包括HOG特征信息和PCA特征信息的新HOGP特征信息，使得最终生成的目标图像的新HOGP特征信息体现了目标图像细节特征和轮廓特征；这样，根据目标图像的新HOGP特征信息能够查找到与目标图像的相似度较高的图像。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (10)

1.一种提取图像特征的方法，其特征在于，所述方法包括：
计算目标图像中每个块结构分别对应的第一HOG特征信息，所述块结构包括预设数量的像素值组成的像素矩阵；
针对每个所述块结构，根据块结构中的像素矩阵，生成PCA算法的输入集合；
使用所述PCA算法计算每个所述块结构对应的PCA特征信息；
级联每个所述块结构对应的第一HOG特征信息和所述PCA特征信息，生成每个所述块结构对应的新HOGP特征信息；
将所有块结构对应的新HOGP特征信息级联起来，生成所述目标图像的新HOGP特征信息。
2.根据权利要求1所述的方法，其特征在于，所述计算目标图像中每个块结构分别对应的第一HOG特征信息，所述块结构包括预设数量的像素值组成的像素矩阵的步骤，包括：
计算目标图像中各像素值分别对应的梯度值；
根据所述各像素值的梯度值，计算每个单元格分别对应的第二HOG特征信息，其中，所述每个单元格包括像素值矩阵L×L，所述第二HOG特征信息包括维度为R的HOG特征向量；
根据所述每个单元格对应的第二HOG特征信息，计算每个块结构对应的第一HOG特征信息，其中，所述每个块结构包括单元格矩阵P1×P2，所述第一HOG特征信息包括维度为R×P1×P2的HOG特征向量。
3.根据权利要求2所述的方法，其特征在于，所述根据块结构中的像素矩阵，生成PCA算法的输入集合的步骤，包括：
根据所述块结构中的像素矩阵，生成PCA算法的输入集合；其中，所述像素矩阵为M×N，M＝L×P1，N＝L×P2，所述输入集合为DM×N＝{X1,X2,...,XN}，所述输入集合DM×N包括N个像素值样本X1,X2,...,XN，其中Xi＝{x1,x2,...,xM}，一个样本Xi包括所述像素矩阵M×N中第i列的M个像素值。
4.根据权利要求3所述的方法，其特征在于，
所述使用所述PCA算法计算每个块结构的对应的PCA特征信息的步骤，包括：
使用所述PCA算法计算每个块结构的对应的PCA特征信息，其中，所述PCA特征信息包括维度为K×L×P2的PCA特征向量，K为所述PCA特征信息中每个样本包括的像素值数量，K＜M；
所述级联每个所述块结构对应的HOG特征信息和所述PCA特征信息，生成每个所述块结构对应的新HOGP特征信息的步骤，包括：
级联每个所述块结构对应的、所述维度为R×P1×P2的HOG特征向量，以及每个所述块结构对应的、所述维度为K×L×P2的PCA特征向量，生成每个所述块结构对应的、维度为R×P1×P2+K×L×P2的新HOGP特征向量。
5.根据权利要求4所述的方法，其特征在于，
在所述根据所述每个单元格对应的第一HOG特征信息，计算每个块结构对应的第二HOG特征信息的步骤之前，所述方法还包括：
以块结构为基本单位，按照预设的步长，对所述目标图像中各像素值进行扫描，将所述目标图像划分为数量为Q的所述块结构；
所述将所有块结构对应的新HOGP特征信息级联起来，生成所述目标图像的新HOGP特征信息的步骤，包括：
将所有块结构对应的新HOGP特征信息级联起来，生成所述目标图像的维度为(R×P1×P2+K×L×P2)×Q的新HOGP特征向量。
6.一种提取图像特征的装置，其特征在于，所述装置包括：
第一计算单元，用于计算目标图像中每个块结构分别对应的第一HOG特征信息，所述块结构包括预设数量的像素值组成的像素矩阵；
生成单元，用于针对每个所述块结构，根据块结构中的像素矩阵，生成PCA算法的输入集合；
第二计算单元，用于使用所述PCA算法计算每个所述块结构的对应的PCA特征信息；
第一级联单元，用于级联每个所述块结构对应的第一HOG特征信息和所述PCA特征信息，生成每个所述块结构对应的新HOGP特征信息；
第二级联单元，用于将所有块结构对应的新HOGP特征信息级联起来，生成所述目标图像的新HOGP特征信息。
7.根据权利要求6所述的装置，其特征在于，所述第一计算单元，包括：第一计算子单元、第二计算子单元和第三计算子单元；
所述第一计算子单元，用于计算目标图像中各像素值分别对应的梯度值；
所述第二计算子单元，用于根据所述各像素值的梯度值，计算每个单元格分别对应的第二HOG特征信息，其中，所述每个单元格包括像素值矩阵L×L，所述第二HOG特征信息包括维度为R的HOG特征向量；
所述第三计算子单元，用于根据所述每个单元格对应的第二HOG特征信息，计算每个块结构对应的第一HOG特征信息，其中，所述每个块结构包括单元格矩阵P1×P2，所述第一HOG特征信息包括维度为R×P1×P2的HOG特征向量。
8.根据权利要求7所述的装置，其特征在于，
所述生成单元，具体用于根据所述块结构中的像素矩阵，生成PCA算法的输入集合；其中，所述像素矩阵为M×N，M＝L×P1，N＝L×P2，所述输入集合为DM×N＝{X1,X2,...,XN}，所述输入集合DM×N包括N个像素值样本X1,X2,...,XN，其中Xi＝{x1,x2,...,xM}，一个样本Xi包括所述像素矩阵M×N中第i列的M个像素值。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-5任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤。
CN201710413989.2A 2017-06-05 2017-06-05 一种提取图像特征的方法及装置 Active CN107220651B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710413989.2A CN107220651B (zh) 2017-06-05 2017-06-05 一种提取图像特征的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710413989.2A CN107220651B (zh) 2017-06-05 2017-06-05 一种提取图像特征的方法及装置

Publications (2)

Publication Number Publication Date
CN107220651A true CN107220651A (zh) 2017-09-29
CN107220651B CN107220651B (zh) 2020-06-19

Family

ID=59947979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710413989.2A Active CN107220651B (zh) 2017-06-05 2017-06-05 一种提取图像特征的方法及装置

Country Status (1)

Country Link
CN (1) CN107220651B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108372785A (zh) * 2018-04-25 2018-08-07 吉林大学 一种基于图像识别的汽车非安全驾驶检测装置及检测方法
CN109165636A (zh) * 2018-09-28 2019-01-08 南京邮电大学 一种基于部件级多特征融合的珍稀鸟类稀疏识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609716A (zh) * 2012-01-10 2012-07-25 银江股份有限公司 一种基于改进的hog特征和pca的行人检测方法
CN103258187A (zh) * 2013-04-16 2013-08-21 华中科技大学 一种基于hog特征的电视台标识别方法
US20140177925A1 (en) * 2012-12-25 2014-06-26 National Chiao Tung University License plate recognition system and method
CN104091157A (zh) * 2014-07-09 2014-10-08 河海大学 一种基于特征融合的行人检测方法
CN105046224A (zh) * 2015-07-16 2015-11-11 东华大学 基于分块自适应加权梯度方向直方图特征的人脸识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609716A (zh) * 2012-01-10 2012-07-25 银江股份有限公司 一种基于改进的hog特征和pca的行人检测方法
US20140177925A1 (en) * 2012-12-25 2014-06-26 National Chiao Tung University License plate recognition system and method
CN103903005A (zh) * 2012-12-25 2014-07-02 财团法人交大思源基金会 车牌影像辨识系统及方法
CN103258187A (zh) * 2013-04-16 2013-08-21 华中科技大学 一种基于hog特征的电视台标识别方法
CN104091157A (zh) * 2014-07-09 2014-10-08 河海大学 一种基于特征融合的行人检测方法
CN105046224A (zh) * 2015-07-16 2015-11-11 东华大学 基于分块自适应加权梯度方向直方图特征的人脸识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHUN-HOU ZHENG等: ""Pedestrian detection based on gradient and texture feature integration"", 《NEUROCOMPUTING》 *
ENRIQUE SÁNCHEZ-LOZANO等: ""Cascaded regression with sparsified feature covariance matrix for facial landmark detection"", 《PATTERN RECOGNITION LETTERS》 *
SI WU等: ""Improving pedestrian detection with selective gradient self-similarity feature"", 《PATTERN RECOGNITION》 *
汪成亮等: ""基于高斯混合模型与PCA-HOG的快速运动人体检测"", 《计算机应用研究》 *
甘玲等: ""基于PCA降维的多特征级联的行人检测"", 《计算机科学》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108372785A (zh) * 2018-04-25 2018-08-07 吉林大学 一种基于图像识别的汽车非安全驾驶检测装置及检测方法
CN108372785B (zh) * 2018-04-25 2023-06-23 吉林大学 一种基于图像识别的汽车非安全驾驶检测装置及检测方法
CN109165636A (zh) * 2018-09-28 2019-01-08 南京邮电大学 一种基于部件级多特征融合的珍稀鸟类稀疏识别方法

Also Published As

Publication number Publication date
CN107220651B (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
CN107358260B (zh) 一种基于表面波cnn的多光谱图像分类方法
CN110309876B (zh) 目标检测方法、装置、计算机可读存储介质和计算机设备
Pedergnana et al. Classification of remote sensing optical and LiDAR data using extended attribute profiles
Dev et al. Categorization of cloud image patches using an improved texton-based approach
CN110738207A (zh) 一种融合文字图像中文字区域边缘信息的文字检测方法
CN102663391B (zh) 一种图像的多特征提取与融合方法及系统
CN101520894B (zh) 基于区域显著性的显著对象提取方法
CN108681692A (zh) 一种基于深度学习的遥感图像内新增建筑识别方法
CN107944459A (zh) 一种rgb‑d物体识别方法
CN103020265B (zh) 图像检索的方法和系统
CN105654122B (zh) 基于核函数匹配的空间金字塔物体识别方法
CN110909615B (zh) 基于多尺度输入混合感知神经网络的目标检测方法
CN107679539B (zh) 一种基于局部感知野的单卷积神经网络局部信息与全局信息整合方法
CN107818299A (zh) 基于融合hog特征和深度信念网络的人脸识别算法
CN113344110B (zh) 一种基于超分辨率重建的模糊图像分类方法
CN112949738A (zh) 基于eecnn算法的多类不平衡高光谱图像分类方法
CN111881716A (zh) 一种基于多视角生成对抗网络的行人重识别方法
Liu et al. A novel feature fusion approach for VHR remote sensing image classification
CN107292328A (zh) 多尺度多特征融合的遥感影像阴影检测提取方法及系统
CN109949348A (zh) 一种基于超像素运动统计的误匹配去除方法
CN107392211A (zh) 基于视觉稀疏认知的显著目标检测方法
CN107220651A (zh) 一种提取图像特征的方法及装置
CN114612709A (zh) 图像金字塔特征指导的多尺度目标检测方法
CN110533713A (zh) 桥梁裂缝宽度高精度测量方法及测量装置
CN112598055B (zh) 头盔佩戴检测方法、计算机可读存储介质和电子设备

Legal Events

Date Code Title Description
PB01 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