CN107423715B - 一种基于多特征联合决策的脚印自动识别方法 - Google Patents

一种基于多特征联合决策的脚印自动识别方法 Download PDF

Info

Publication number
CN107423715B
CN107423715B CN201710638629.2A CN201710638629A CN107423715B CN 107423715 B CN107423715 B CN 107423715B CN 201710638629 A CN201710638629 A CN 201710638629A CN 107423715 B CN107423715 B CN 107423715B
Authority
CN
China
Prior art keywords
footprint
identified
characteristic
pressure distribution
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
CN201710638629.2A
Other languages
English (en)
Other versions
CN107423715A (zh
Inventor
王新年
王慧玉
程琪
栗宝俊
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201710638629.2A priority Critical patent/CN107423715B/zh
Publication of CN107423715A publication Critical patent/CN107423715A/zh
Application granted granted Critical
Publication of CN107423715B publication Critical patent/CN107423715B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多特征联合决策的脚印自动识别方法，包括以下步骤：S1：在离线状态下提取脚印压力分布特征：S2：提取脚印的方向梯度直方图特征；S3：提取脚印的小波傅里叶梅林特征；S4：采用二维主成分分析技术和二维线性判别分析技术对脚印压力分布特征P、方向梯度直方图特征H和小波傅里叶梅林特征F进行特征选择，分别得到
Figure DDA0001365398200000011
和
Figure DDA0001365398200000012
S5：在线状态下，将待识别脚印的特征与预先存储在特征数据库中的脚印数据通过KNN分类器进行识别。

Description

一种基于多特征联合决策的脚印自动识别方法
技术领域
本发明涉及图像识别技术领域，尤其涉及一种基于多特征联合决策的脚印自动识别方法。
背景技术
脚印特征的研究主要包括三种特征：脚印的几何形状特征、脚印的压力形态特征、脚印的纹理特征。脚印识别主要通过单一特征进行识别，通常的识别方法包括神经网络、支持向量机、贝叶斯分类器、K近邻分类器等。
目前，脚印生物特征分析和身份识别应用技术的研究，尚缺乏系统和深入的应用研究基础。
脚印特征通常用足型特征表示，例如足长、足宽和跟宽，很难精确提取；一些研究者拍摄一对或一连串的脚印，提取脚印纹理特征，需要脱掉袜子并需要用户配合，花费时间，缺乏便利性。脚印识别通常是单一特征识别，缺少多特征、多角度描述，难以达到准确、高效的识别目的。
发明内容
根据现有技术存在的问题，本发明公开了一种基于多特征联合决策的脚印自动识别方法，包括以下步骤：
S1：在离线状态下提取脚印压力分布特征：
S2：提取脚印的方向梯度直方图特征；
S3：提取脚印的小波傅里叶梅林特征；
S4：采用二维主成分分析技术和二维线性判别分析技术对脚印压力分布特征P、方向梯度直方图特征H和小波傅里叶梅林特征F进行特征选择，分别得到
Figure BDA0001365398180000011
和
Figure BDA0001365398180000012
集成到用于脚印识别的脚印特征数据库中，分别得到压力分布特征数据库TP,方向梯度直方图特征数据库TH,小波傅里叶梅林特征数据库TF；
S5：在线状态下，对待识别的脚印图像分别提取压力分布特征、方向梯度直方图特征和小波傅里叶梅林特征，对压力分布特征、方向梯度直方图特征、小波傅里叶梅林特征进行特征选择，分别得到Ps、Hs和Fs，将待识别脚印的特征与预先存储在特征数据库中的脚印数据通过KNN分类器进行识别。
S1中提取脚印压力分布特征具体采用如下方式：将前足区域和后足区域的图像质心近似为着力点，分别以前足区域和后足区域的图像质心为中心点将压力图像从笛卡尔坐标(x,y)空间映射到极坐标(ρ,θ)空间具体采用如下方式：
Figure BDA0001365398180000021
在变换过程中，将ρmax分成W份，在前足和后足区域形成W个同心圆，从中心点出发做M条射线，将θmax均分成M等份，这M条射线与W个同心圆相交形成MW个互不重叠的区域，计算每个区域中像素点灰度值的均值，将各区域压力的均值作为特征值来描述脚印图像的压力分布，得到脚印的压力分布特征；
在θ方向上进行傅里叶变换，将傅里叶变换后的幅度作为前足和后足区域的压力分布特征，最后将前足区域和后足区域的压力分布特征按序合在一起作为整个脚印的HOG特征H。
S3中：提取脚印小波傅里叶梅林特征具体采用如下方式：
采用Harr小波为母波函数，分别对脚印图像前足区域和后足区域分别进行n层小波变换，将第n层的低频系数分别记为WT和WB；
将得到的WT和WB进行傅里叶变换，得到前足区域频谱
Figure BDA0001365398180000022
和后足区域频谱
Figure BDA0001365398180000023
通过构建带通滤波器，得到滤波后的频谱为
Figure BDA0001365398180000024
和
Figure BDA0001365398180000025
并对其进行对数极坐标变换，得到频谱rT和rB；对频谱rT和rB进行傅里叶变换，提取幅值，得到M维的频谱向量FT和FB，将其合并形成2M维的向量F作为整个脚印特征。
S5中具体采用如下方式：
S51：将待识别脚印的Ps与预先存储在TP特征数据库中的脚印数据通过KNN分类器1进行识别，当一个待识别脚印进行识别时，KNN分类器1采用基于余弦距离的度量方式，查找最邻近的一个或者K个最相似的样本，统计K个最相似样本中每个类标号出现的次数，出现次数最多的类别作为待识别脚印的类别；
S52：将待识别脚印的Hs与预先存储在TH特征数据库中的脚印数据通过KNN分类器2进行识别，当一个待识别脚印进行识别时，KNN分类器2采用基于欧式距离的度量方式，查找最邻近的一个或者K个最相似的样本，统计K个最相似样本中每个类标号出现的次数，出现次数最多的类别作为待识别脚印的类别；
S53：如果通过压力分布特征和方向梯度直方图特征识别出的类别相同，则将该类别作为待识别脚印的正确类别，如果通过压力分布特征和方向梯度直方图特征识别出的类别不同，则需要将待识别脚印的Fs与预先存储在TF特征数据库中的脚印数据通过KNN分类器3进行识别，当一个待识别脚印进行识别时，KNN分类器3采用基于余弦距离的度量方式，查找最邻近的一个或者K个最相似的样本，统计K个最相似样本中每个类标号出现的次数，出现次数最多的类别作为待识别脚印的类别。
由于采用了上述技术方案，本发明提供的一种基于多特征联合决策的脚印自动识别方法，提出将脚印压力分布特征与方向梯度直方图特征作为待检脚印输出类别的一致性判据，既考虑了个体行走或站立习惯，体现了脚底压力的分布特点，又考虑了脚印局部梯度信息。另外该方法提出先通过脚印的局部细节特征进行一次识别，节省了识别时间，当出现残缺的情况时，又采用体现脚印整体特征的小波傅里叶梅林特征进行二次识别，达到了更为理想的识别效果。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，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为本发明中识别方法的流程图。
具体实施方式
为使本发明的技术方案和优点更加清楚，下面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的描述：
如图1所示的一种基于多特征联合决策的脚印自动识别方法，具体采用如下方式：
S1：在离线状态下提取脚印压力分布特征：
S2：提取脚印的方向梯度直方图特征；
S3：提取脚印的小波傅里叶梅林特征；
S4：采用二维主成分分析技术和二维线性判别分析技术对脚印压力分布特征P、方向梯度直方图特征H和小波傅里叶梅林特征F进行特征选择，分别得到
Figure BDA0001365398180000031
和
Figure BDA0001365398180000032
集成到用于脚印识别的脚印特征数据库中，分别得到压力分布特征数据库TP,方向梯度直方图特征数据库TH,小波傅里叶梅林特征数据库TF。
S5：在线状态下，对待识别的脚印图像分别提取压力分布特征、方向梯度直方图特征、小波傅里叶梅林特征，对压力分布特征、方向梯度直方图特征、小波傅里叶梅林特征进行特征选择，分别得到Ps、Hs和Fs，将待识别脚印的特征与预先存储在特征数据库中的脚印数据通过KNN分类器进行识别。
具体的：S1中提取脚印压力分布特征具体采用如下方式：将前足区域和后足区域的图像质心近似为着力点，分别以前足区域和后足区域的图像质心为中心点将压力图像从笛卡尔坐标(x,y)空间映射到极坐标(ρ,θ)空间具体采用如下方式：
Figure BDA0001365398180000041
在变换过程中，将ρmax分成W份，在前足和后足区域形成W个同心圆，从中心点出发做M条射线，将θmax均分成M等份，这M条射线与W个同心圆相交形成MW个互不重叠的区域，计算每个区域中像素点灰度值的均值，将各区域压力的均值作为特征值来描述脚印图像的压力分布，得到脚印的压力分布特征；
在θ方向上进行傅里叶变换，将傅里叶变换后的幅度作为前足和后足区域的压力分布特征，最后将前足区域和后足区域的压力分布特征按序合在一起作为整个脚印的压力分布特征P。
具体的：提取脚印前足区域和后足区域的方向梯度直方图特征采用如下方式：
将前足区域和后足区域的方向梯度直方图特征在θ方向上进行傅里叶变换，将傅里叶变换后的幅度作为前足和后足区域的方向梯度直方图特征，最后将前足区域和后足区域的方向梯度直方图特征按序合在一起作为整个脚印的方向梯度直方图特征。
进一步的，S3中：提取脚印小波傅里叶梅林特征具体采用如下方式：
采用Harr小波为母波函数，分别对脚印图像前足区域和后足区域分别进行n层小波变换，将第n层的低频系数分别记为WT和WB；
将得到的WT和WB进行傅里叶变换，得到前足区域频谱
Figure BDA0001365398180000042
和后足区域频谱
Figure BDA0001365398180000043
通过构建带通滤波器，得到滤波后的频谱为
Figure BDA0001365398180000044
和
Figure BDA0001365398180000045
并对其进行对数极坐标变换，得到频谱rT和rB；对频谱rT和rB进行傅里叶变换，提取幅值，得到M维的频谱向量FT和FB，将其合并形成2M维的向量F作为整个脚印特征。
通过上述步骤得到了脚印压力分布特征P、方向梯度直方图特征H,和小波傅里叶梅林特征F。为了识别过程更加高效、准确，需要进行特征的选择。首先采用二维主成分分析(2DPCA)技术对脚印特征P、H和F进行预降维，然后采用二维线性判别分析(2DLDA)技术，对二维特征矩阵计算类内和类间离散度，寻找最佳的投影方向，完成特征选择，得到
Figure BDA0001365398180000051
和
Figure BDA0001365398180000052
最后，将得到的
Figure BDA0001365398180000053
和
Figure BDA0001365398180000054
集成到用于脚印识别的脚印特征数据库中，分别得到压力分布特征数据库TP,HOG特征数据库TH,小波傅里叶梅林特征数据库TF。
在线识别过程
1)对待识别的脚印图像分别提取压力分布特征、HOG特征、傅里叶梅林特征。
2)对压力分布特征、HOG特征、小波傅里叶梅林特征进行特征选择，得到Ps、Hs和Fs。
3)将待识别脚印的特征与预先存储在特征数据库中的脚印数据通过KNN分类器进行识别。
(1)将待识别脚印的Ps与预先存储在TP特征数据库中的脚印数据通过KNN分类器1进行识别，当一个待识别脚印进行识别时，KNN分类器1采用基于余弦距离的度量方式，查找最邻近的一个或者K个最相似的样本，统计K个最相似样本中每个类标号出现的次数，出现次数最多的类别作为待识别脚印的类别。在这里，对于KNN分类器1，K＝1；
(2)同时，将待识别脚印的Hs与预先存储在TH特征数据库中的脚印数据通过KNN分类器2进行识别，当一个待识别脚印进行识别时，KNN分类器2采用基于欧式距离的度量方式，查找最邻近的一个或者K个最相似的样本，统计K个最相似样本中每个类标号出现的次数，出现次数最多的类别作为待识别脚印的类别。在这里，对于KNN分类器2，K＝7；
(3)如果通过压力分布特征和HOG特征识别出的类别相同，则将该类别作为待识别脚印的正确类别，如果通过压力分布特征和HOG特征识别出的类别不同，则需要将待识别脚印的Fs与预先存储在TF特征数据库中的脚印数据通过KNN分类器3进行识别，当一个待识别脚印进行识别时，KNN分类器3采用基于余弦距离的度量方式，查找最邻近的一个或者K个最相似的样本，统计K个最相似样本中每个类标号出现的次数，出现次数最多的类别作为待识别脚印的类别。在这里，对于KNN分类器3，K＝3。
本发明由于采取以上技术方案，其具有以下优点：1、提出将脚印压力分布特征与HOG特征作为待检脚印输出类别的一致性判据，既考虑了个体行走或站立习惯，体现了脚底压力的分布特点，又考虑了脚印局部梯度信息。2、提出先通过脚印的局部细节特征进行一次识别，节省了识别时间，当出现残缺的情况时，又采用体现脚印整体特征的小波傅里叶梅林特征进行二次识别，达到了更为理想的识别效果。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种基于多特征联合决策的脚印自动识别方法，其特征在于：包括以下步骤：
S1：在离线状态下提取脚印压力分布特征：
S2：提取脚印的方向梯度直方图特征；
S3：提取脚印的小波傅里叶梅林特征；
S4：采用二维主成分分析技术和二维线性判别分析技术对脚印压力分布特征P、方向梯度直方图特征H和小波傅里叶梅林特征F进行特征选择，分别得到Ps G、
Figure FDA0002419851890000011
和Fs G，集成到用于脚印识别的脚印特征数据库中，分别得到压力分布特征数据库TP,方向梯度直方图特征数据库TH,小波傅里叶梅林特征数据库TF；
S5：在线状态下，对待识别的脚印图像分别提取压力分布特征、方向梯度直方图特征和小波傅里叶梅林特征，对压力分布特征、方向梯度直方图特征、小波傅里叶梅林特征进行特征选择，分别得到Ps、Hs和Fs，将待识别脚印的特征与预先存储在特征数据库中的脚印数据通过KNN分类器进行识别。
2.根据权利要求1所述的一种基于多特征联合决策的脚印自动识别方法，其特征还在于：S1中提取脚印压力分布特征具体采用如下方式：将前足区域和后足区域的图像质心近似为着力点，分别以前足区域和后足区域的图像质心为中心点将压力图像从笛卡尔坐标(x,y)空间映射到极坐标(ρ,θ)空间具体采用如下方式：
Figure FDA0002419851890000012
在变换过程中，将ρmax分成W份，在前足和后足区域形成W个同心圆，从中心点出发做M条射线，将θmax均分成M等份，这M条射线与W个同心圆相交形成MW个互不重叠的区域，计算每个区域中像素点灰度值的均值，将各区域压力的均值作为特征值来描述脚印图像的压力分布，得到脚印的压力分布特征；
在θ方向上进行傅里叶变换，将傅里叶变换后的幅度作为前足和后足区域的压力分布特征，最后将前足区域和后足区域的压力分布特征按序合在一起作为整个压力分布特征P；
其中ρmax表示压力图像各点ρ的最大值，θmax压力图像各点θ的最大值。
3.根据权利要求1所述的一种基于多特征联合决策的脚印自动识别方法，其特征还在于：S3中：提取脚印小波傅里叶梅林特征具体采用如下方式：
采用Harr小波为母波函数，分别对脚印图像前足区域和后足区域分别进行n层小波变换，将第n层的低频系数分别记为WT和WB；
将得到的WT和WB进行傅里叶变换，得到前足区域频谱
Figure FDA0002419851890000021
和后足区域频谱
Figure FDA0002419851890000022
通过构建带通滤波器，得到滤波后的频谱为
Figure FDA0002419851890000023
和
Figure FDA0002419851890000024
并对其进行对数极坐标变换，得到频谱rT和rB；对频谱rT和rB进行傅里叶变换，提取幅值，得到M维的频谱向量FT和FB，将其合并形成2M维的向量F作为整个脚印特征。
4.根据权利要求1所述的一种基于多特征联合决策的脚印自动识别方法，其特征还在于：S5中具体采用如下方式：
S51：将待识别脚印的Ps与预先存储在TP特征数据库中的脚印数据通过KNN分类器1进行识别，当一个待识别脚印进行识别时，KNN分类器1采用基于余弦距离的度量方式，查找最邻近的一个或者K个最相似的样本，统计K个最相似样本中每个类标号出现的次数，出现次数最多的类别作为待识别脚印的类别；
S52：将待识别脚印的Hs与预先存储在TH特征数据库中的脚印数据通过KNN分类器2进行识别，当一个待识别脚印进行识别时，KNN分类器2采用基于欧式距离的度量方式，查找最邻近的一个或者K个最相似的样本，统计K个最相似样本中每个类标号出现的次数，出现次数最多的类别作为待识别脚印的类别；
S53：如果通过压力分布特征和方向梯度直方图特征识别出的类别相同，则将该类别作为待识别脚印的正确类别，如果通过压力分布特征和方向梯度直方图特征识别出的类别不同，则需要将待识别脚印的Fs与预先存储在TF特征数据库中的脚印数据通过KNN分类器3进行识别，当一个待识别脚印进行识别时，KNN分类器3采用基于余弦距离的度量方式，查找最邻近的一个或者K个最相似的样本，统计K个最相似样本中每个类标号出现的次数，出现次数最多的类别作为待识别脚印的类别。
CN201710638629.2A 2017-07-31 2017-07-31 一种基于多特征联合决策的脚印自动识别方法 Active CN107423715B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710638629.2A CN107423715B (zh) 2017-07-31 2017-07-31 一种基于多特征联合决策的脚印自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710638629.2A CN107423715B (zh) 2017-07-31 2017-07-31 一种基于多特征联合决策的脚印自动识别方法

Publications (2)

Publication Number Publication Date
CN107423715A CN107423715A (zh) 2017-12-01
CN107423715B true CN107423715B (zh) 2020-05-19

Family

ID=60431477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710638629.2A Active CN107423715B (zh) 2017-07-31 2017-07-31 一种基于多特征联合决策的脚印自动识别方法

Country Status (1)

Country Link
CN (1) CN107423715B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325546B (zh) * 2018-10-19 2022-04-08 大连海事大学 一种结合步法特征的成趟足迹识别方法
CN109902749A (zh) * 2019-03-04 2019-06-18 沈阳建筑大学 一种鞋印识别方法及系统
CN111476220A (zh) * 2020-06-03 2020-07-31 中国南方电网有限责任公司超高压输电公司大理局 一种换流阀空冷器故障定位方法
CN112257662A (zh) * 2020-11-12 2021-01-22 安徽大学 一种基于深度学习的压力足迹图像检索系统
CN113057623B (zh) * 2021-03-30 2022-09-06 上海理工大学 平足症筛查步态分析系统
CN114067252A (zh) * 2021-11-19 2022-02-18 北京声智科技有限公司 人流量检测方法、装置、设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101470730A (zh) * 2007-12-26 2009-07-01 中国科学院自动化研究所 基于频谱特征分析的图像重复检测方法
CN105005565A (zh) * 2014-04-18 2015-10-28 大连恒锐科技股份有限公司 现场鞋底痕迹花纹图像检索方法
CN106845516A (zh) * 2016-12-07 2017-06-13 大连海事大学 一种基于多样本联合表示的足迹图像识别方法
CN106887019A (zh) * 2017-02-23 2017-06-23 大连海事大学 一种足迹压力分布特征表示方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2466245A (en) * 2008-12-15 2010-06-23 Univ Sheffield Crime Scene Mark Identification System

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101470730A (zh) * 2007-12-26 2009-07-01 中国科学院自动化研究所 基于频谱特征分析的图像重复检测方法
CN105005565A (zh) * 2014-04-18 2015-10-28 大连恒锐科技股份有限公司 现场鞋底痕迹花纹图像检索方法
CN106845516A (zh) * 2016-12-07 2017-06-13 大连海事大学 一种基于多样本联合表示的足迹图像识别方法
CN106887019A (zh) * 2017-02-23 2017-06-23 大连海事大学 一种足迹压力分布特征表示方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"A manifold ranking based method using hybrid features for crime scene shoeprint retrieval";Xinnian Wang,Chi Zhang,Yanjun Wu,Yingying Shu;《Multimed Tools Appl》;20161107;第1-20页 *
"The Research on Footprint Recognition Method Based on Wavelet and Fuzzy Neural Network";Rong Wang,Weijun Hong,Nan Yang;《2009 Ninth International Conference on Hybrid Intelligent Systems》;20090922;第1-5页 *
"基于柔性阵列 传感器的足迹特征分析与应用研究";张艳;《中国博士学位论文全文数据库 信息科技辑》;20151015(第10期);I138-28 *
"基于足底压力分布的步行行为感知关键技术研究";夏懿;《中国博士学位论文全文数据库 信息科技辑》;20131015(第10期);I138-48 *
基于稀疏表示的足迹花纹图像检索算法研究;张浩;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170715(第7期);I138-656 *

Also Published As

Publication number Publication date
CN107423715A (zh) 2017-12-01

Similar Documents

Publication Publication Date Title
CN107423715B (zh) 一种基于多特征联合决策的脚印自动识别方法
CN108182441B (zh) 平行多通道卷积神经网络、构建方法及图像特征提取方法
Zamir et al. Accurate image localization based on google maps street view
CN107679509B (zh) 一种小环藻识别方法及装置
CN110399909A (zh) 一种基于标签约束弹性网图模型的高光谱图像分类方法
CN101833658B (zh) 一种复杂光照人脸识别的光照不变量提取方法
CN104374738A (zh) 一种基于近红外提高鉴别结果的定性分析方法
CN110688941A (zh) 人脸图像的识别方法及其装置
CN103971122B (zh) 基于深度图像的三维人脸描述方法
CN108664986B (zh) 基于lp范数正则化的多任务学习图像分类方法及系统
CN112329818B (zh) 基于图卷积网络嵌入表征的高光谱图像非监督分类方法
Casanova et al. Texture analysis using fractal descriptors estimated by the mutual interference of color channels
CN104298995A (zh) 基于三维点云的三维人脸识别装置及方法
CN110516533A (zh) 一种基于深度度量的行人再辨识方法
CN116127298B (zh) 基于三元组损失的小样本射频指纹识别方法
Beksi et al. Object classification using dictionary learning and rgb-d covariance descriptors
Vieriu et al. Facial expression recognition under a wide range of head poses
Nahar et al. Fingerprint classification using deep neural network model resnet50
CN105678342B (zh) 基于联合偏度的玉米种子高光谱图像波段选择方法
El Khoury et al. Indexed heat curves for 3d-model retrieval
CN117275080B (zh) 基于计算机视觉的眼部状态识别方法及系统
KR101821770B1 (ko) 특징 추출을 위한 기법들
CN103268494A (zh) 基于稀疏表示的寄生虫虫卵识别方法
CN111127407B (zh) 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法
CN103310456B (zh) 基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant