CN107818319A - 一种自动判别人脸美丽程度的方法 - Google Patents
一种自动判别人脸美丽程度的方法 Download PDFInfo
- Publication number
- CN107818319A CN107818319A CN201711277917.6A CN201711277917A CN107818319A CN 107818319 A CN107818319 A CN 107818319A CN 201711277917 A CN201711277917 A CN 201711277917A CN 107818319 A CN107818319 A CN 107818319A
- Authority
- CN
- China
- Prior art keywords
- face
- value
- characteristic
- feature
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
Abstract
本发明公开了一种自动判别人脸美丽程度的方法,根据人脸美丽的时代特点,通过VGG Face深度学习模型提取高颜值人脸图片的深度特征,聚类后得到标准特征值;然后用VGG Face深度学习模型提取待测的脸部图像的深度特征作为对比特征值;计算对比特征值与标准特征值的相似度,并将最高相似度作为输出的颜值。本发明采用VGG Face深度学习模型提取人脸图像的深度特征,具有较强的鲁棒性,通过深度学习模型提取不依赖人工的特征去组合底层特征而形成更加抽象和结构性的高层分布的特征,是一种自动学习和特征提取过程,并采用余弦相似度公式计算用户的颜值,相对较为客观科学。
Description
技术领域
本发明属于利用计算机图像处理进行人脸美丽评价的技术领域,具体涉及一种自动判别人脸美丽程度的方法。
背景技术
美丽给人留下的好感在日常生活中切实存在,且给人们日常生活带来重大影响。人脸美丽研究是近年来兴起的关于人类认知本质与规律研究的前沿课题,探索如何更好地判别人脸美丽程度将有助于人脸美丽密码这一人类永恒的主题得到科学、客观及可量化的描述,使人脸美丽研究这一跨学科领域得到长足的发展。
传统的人脸图像的处理较为繁琐,需要自主加工计算;目前,深度学习赋予了计算机模型自主辨识的能力,图像处理更加精细,效率较高。深度学习是在传统神经网络的基础上做了改进,增加了卷积和池化等技术。通过卷积和池化等非线性操作,深度学习所提取的特征是抽象的特征,这和传统的基于手工设计的特征提取不同,手工设计的特征依靠人的经验,无法体现出数据本身的分布特点,并且参数的个数较少。相反地,深度学习主要是从数据中自动学习特征的表示,通过构建一个具有一定深度的网络,该网络包含成千上万个可调参数,这些参数均是通过网络的逐层训练来确定的,更能表征数据的特征。
深度学习是由神经网络发展而来,属于机器学习的一个新的领域,是近两年来兴起的较为热门的机器学习的方法之一。深度学习是一种提取特征的、端到端学习的方法,其学习流程简单,避免了传统的人脸识别方法中的手工设计特征的缺点,深度学习提高了人们的工作效率,评价结果相对更加客观。
发明内容
本发明的目的在于提供一种自动判别人脸美丽程度的方法,根据人脸美丽的时代特点,通过VGG Face深度学习模型提取高颜值人脸图片的深度特征,聚类后得到标准特征值;然后用VGG Face深度学习模型提取待测的脸部图像的深度特征作为对比特征值;计算对比特征值与标准特征值的相似度,并将最高相似度作为输出的颜值;本发明采用VGGFace深度学习模型提取人脸图像的深度特征,具有较强的鲁棒性,测评方法更加精确。
本发明主要通过以下技术方案实现:一种自动判别人脸美丽程度的方法,主要包括以下步骤:
步骤A1:收集不同类型的高颜值人脸图片;
步骤A2:采用VGG Face深度学习模型对步骤A1中的高颜值人脸图片进行检测与识别,对所有高颜值人脸图片抽取其中某一层的特征参数作为颜值计算特征值;
步骤A3:使用聚类的算法对步骤A2中高颜值人脸图片的颜值计算特征值进行聚类,将聚类后得到的多组特征值作为标准特征值;
步骤A4:用户输入待测人脸图片信息,采用VGG Face深度学习模型对用户的人脸信息进行检测与识别,将提取得到的深度特征值作为对比特征值;
步骤A5:将步骤A4中提取的用户的对比特征值与步骤A3中得到的标准特征值进行对比,并计算相似度,最终输出的颜值数值为最高相似度值。
VGG-Net是一个应用在物体分类与识别方面的神经网络,VGG-Net的输入是固定尺寸大学的RGB的2D图像,接着依次通过一系类堆叠的,核大小为3×3的卷积层。每两个或者三个连续堆叠的卷积层为一个网络的小的单元模块,命名为Block。每一个Block后面会接入一个Max-pooling层,用于减小输入的尺寸大小,并保持网络的平移不变性。经过多个堆叠的Block单元后的输出,会接入一个三层的传统神经网络,也就是三层全连接层。最后的分类输出是一个softmax多分类器。
VGG网络模型是牛津大学视觉几何组提出的一种深度模型,在LFW数据库上取得了97%的准确率。VGG网络由5个卷积层,两层fc图像特征,一层fc分类特征组成,具体我们可以去读它的prototxt文件余弦相似度通过测量两个向量内积空间的余弦值来度量它们之间的相似性,尤其适用于任何维度的向量比较中,因此属于高维空间应用较多的机器学习算法。通常来说,数字图像包含的特征码较多,而这些特征组就属于高维空间,这正是余弦相似度算法应用的范围,算法将每个图像的特征组转化为高维空间的向量,两个向量之间的角度之余弦值可用于确定两个向量是否大致指向相同的方向。
在图像分类中应用余弦相似度算法的关键在于:计算这些代表每个图像特征的向量的内积空间的夹角余弦值,从而度量图像之间的相似性。所述余弦相似度算法为现有技术且不是本发明的改进点,故不再赘述。
本发明使用VGG Face人脸识别深度学习模型为特征提取模型,提取每张人脸图像在深度学习模型网络中名称为fc6的网络层特征深度信息,该特征信息由4096个浮点数组成。所述VGG Face人脸识别深度学习模型为现有技术且不是本发明的改进点,故不再赘述。
为了更好的实现本发明,进一步的,所述步骤A1中采集的对象不限性别、年龄、国籍,每个采集对象的正面脸图像的个数大于50,且每个采集对象的图像中侧脸角度小于30°。采集图像个数大于50且侧脸角度小于30°,可以更加全面细致的提取高颜值人脸图片的深度特征,提高了特征提取的分辨率,提取的特征精度较好。本发明可以收集网上公开评价的最美的明星名单,每次收集的人数为100人,根据名单收集每个明星大于50张正面脸图像,且侧脸角度小于30度。本发明在图像处理过程中可以旋转人脸图像,使人脸图像的双眼中心水平;以双眼中心的中点为图像中心,按照人脸图像的宽度和高度为3倍双眼中心的距离裁剪人脸图片,将裁减后的图像缩放到宽高均为224像素。所述高颜值人随着不同时代的审美观点而改变,本发明的高颜值是相对变动的。
为了更好的实现本发明,进一步的,所述步骤A1中采集图像时,将高颜值人脸图片的双眼中心水平对齐,以双眼中心的中点为图像中心,裁剪人脸图片的宽度和高度分别为3倍的双眼中心的距离,将裁减后的图像缩放到宽高均为224像素。
为了更好的实现本发明,进一步的,所述步骤A3中将高颜值人脸图片的特征以5个中心进行聚类,计算出5个类的中心点特征,以此5个特征信息作为标准特征值。本发明中将所有高颜值人脸图像的特征以5个中心进行聚类,计算出5个类的中心点特征,以此5个特征信息作为高颜值人脸特征,其中每个特征信息包含4096个浮点数。
为了更好的实现本发明,进一步的,所述步骤A5中分别计算步骤A4中对比特征值与步骤A3中聚类得到的5个标准特征值的余弦相似度;并将余弦相似度最高值作为最终的颜值输出。
本发明通过收集不同类型的高颜值人脸图片得到标准特征值,所述高颜值人脸图片的收集对象不限于性别、年龄、国籍;本发明采用深度学习网络模型对人脸进行检测与识别,抽取所收集的高颜值人脸图片中的某一层的特征参数作为颜值计算特征值,然后使用聚类算法对抽取到的特征值进行聚类,将聚类后得到的多组特征值作为高颜值人脸特征参考值;最后采用深度学习网络模型对用户的脸部进行检测与识别,对输入的待测图片进行检测并提取特征参数,并将其与聚类后得到的标准特征值计算相似度,取最高相似度作为颜值输出。
本发明的有益效果:
(1)采集的对象不限性别、年龄、国籍,每个采集对象的正面脸图像的个数大于50,且每个采集对象的图像中侧脸角度小于30°;本发明采集高颜值人脸图片的范围较广且采集的人脸图像更加全面清晰,从而更加精确的提取时代高颜值的特征;
(2)将高颜值人脸图片的双眼中心水平对齐,以双眼中心的中点为图像中心,裁剪人脸图片的宽度和高度分别为3倍的双眼中心的距离,将裁减后的图像缩放到宽高均为224像素;本发明的图片处理较为细致,有效提高图片信息提取的精确度;
(3)所述步骤A3中将高颜值人脸图片的特征以5个中心进行聚类,计算出5个类的中心点特征,以此5个特征信息作为标准特征值;本发明的标准特征值为5个,对比时减小误差,提高颜值对比的客观;
(4)本发明采用VGG Face深度学习模型提取人脸图像的深度特征,具有较强的鲁棒性,通过深度学习模型提取不依赖人工的特征去组合底层特征而形成更加抽象和结构性的高层分布的特征,是一种自动学习和特征提取过程,并采用余弦相似度公式计算用户的颜值,相对较为客观科学。
附图说明
图1为本发明的流程图。
具体实施方式
实施例1:
一种自动判别人脸美丽程度的方法,如图1所示,主要包括以下步骤:
步骤A1:收集不同类型的高颜值人脸图片;
步骤A2:采用VGG Face深度学习模型对步骤A1中的高颜值人脸图片进行检测与识别,对所有高颜值人脸图片抽取其中某一层的特征参数作为颜值计算特征值;
步骤A3:使用聚类的算法对步骤A2中高颜值人脸图片的颜值计算特征值进行聚类,将聚类后得到的多组特征值作为标准特征值;
步骤A4:用户输入待测人脸图片信息,采用VGG Face深度学习模型对用户的人脸信息进行检测与识别,将提取得到的深度特征值作为对比特征值;
步骤A5:将步骤A4中提取的用户的对比特征值与步骤A3中得到的标准特征值进行对比,并计算相似度,最终输出的颜值数值为最高相似度值。
本发明通过收集不同类型的高颜值人脸图片得到标准特征值,所述高颜值人脸图片的收集对象不限于性别、年龄、国籍;本发明采用深度学习网络模型对人脸进行检测与识别,抽取所收集的高颜值人脸图片中的某一层的特征参数作为颜值计算特征值,然后使用聚类算法对抽取到的特征值进行聚类,将聚类后得到的多组特征值作为高颜值人脸特征参考值;最后采用深度学习网络模型对用户的脸部进行检测与识别,对输入的待测图片进行检测并提取特征参数,并将其与聚类后得到的标准特征值计算相似度,取最高相似度作为颜值输出。
本发明采用VGG Face深度学习模型提取人脸图像的深度特征,具有较强的鲁棒性,通过深度学习模型提取不依赖人工的特征去组合底层特征而形成更加抽象和结构性的高层分布的特征,是一种自动学习和特征提取过程,并采用余弦相似度公式计算用户的颜值,相对较为客观科学
实施例2:
本实施例是在实施例1的基础上进一步优化,所述步骤A1中采集的对象不限性别、年龄、国籍,每个采集对象的正面脸图像的个数大于50,且每个采集对象的图像中侧脸角度小于30°。采集图像个数大于50且侧脸角度小于30°,可以更加全面细致的提取高颜值人脸图片的深度特征,提高了特征提取的分辨率,提取的特征精度较好。
本实施例收集网上公开评价的最美的明星的名单,每次收集的人数为100人,根据名单收集每个明星50张正面脸图像,且侧脸角度小于30度。本发明在图像处理过程中可以旋转人脸图像,使人脸图像的双眼中心水平;以双眼中心的中点为图像中心,按照人脸图像的宽度和高度为3倍双眼中心的距离裁剪人脸图片,将裁减后的图像缩放到宽高均为224像素。
本发明根据现今的审美标准进行筛选高颜值人脸,具有较好的时代特色,符合时代的潮流;本发明采集高颜值人脸图片的范围较广且采集的人脸图像更加全面清晰,从而更加精确的提取时代高颜值的特征。
本实施例的其他部分与实施例1相同,故不再赘述。
实施例3:
本实施例是在实施例1或实施例2的基础上进一步优化,所述步骤A3中将高颜值人脸图片的特征以5个中心进行聚类,计算出5个类的中心点特征,以此5个特征信息作为标准特征值。本发明中将所有高颜值人脸图像的特征以5个中心进行聚类,计算出5个类的中心点特征,以此5个特征信息作为高颜值人脸特征,其中每个特征信息包含4096个浮点数。
所述步骤A5中分别计算步骤A4中对比特征值与步骤A3中聚类得到的5个标准特征值的余弦相似度;并将余弦相似度最高值作为最终的颜值输出。
本发明采用VGG Face深度学习模型提取人脸图像的深度特征,具有较强的鲁棒性,通过深度学习模型提取不依赖人工的特征去组合底层特征而形成更加抽象和结构性的高层分布的特征,是一种自动学习和特征提取过程,并采用余弦相似度公式计算用户的颜值,相对较为客观科学。
本实施例的其他部分与上述实施例1或2相同,故不再赘述。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (5)
1.一种自动判别人脸美丽程度的方法,其特征在于,主要包括以下步骤:
步骤A1:收集不同类型的高颜值人脸图片;
步骤A2:采用VGG Face深度学习模型对步骤A1中的高颜值人脸图片进行检测与识别,对所有高颜值人脸图片抽取其中某一层的特征参数作为颜值计算特征值;
步骤A3:使用聚类的算法对步骤A2中高颜值人脸图片的颜值计算特征值进行聚类,将聚类后得到的多组特征值作为标准特征值;
步骤A4:用户输入待测人脸图片信息,采用VGG Face深度学习模型对用户的人脸信息进行检测与识别,将提取得到的深度特征值作为对比特征值;
步骤A5:将步骤A4中提取的用户的对比特征值与步骤A3中得到的标准特征值进行对比,并计算相似度,最终输出的颜值数值为最高相似度值。
2.根据权利要求1所述的一种自动判别人脸美丽程度的方法,其特征在于,所述步骤A1中采集的对象不限性别、年龄、国籍,每个采集对象的正面脸图像的个数大于50,且每个采集对象的图像中侧脸角度小于30°。
3.根据权利要求1或2所述的一种自动判别人脸美丽程度的方法,其特征在于,所述步骤A1中采集图像时,将高颜值人脸图片的双眼中心水平对齐,以双眼中心的中点为图像中心,裁剪人脸图片的宽度和高度分别为3倍的双眼中心的距离,将裁减后的图像缩放到宽高均为224像素。
4.根据权利要求1所述的一种自动判别人脸美丽程度的方法,其特征在于,所述步骤A3中标准特征值为5个;所述步骤A3中将高颜值人脸图片的特征以5个中心进行聚类,计算出5个类的中心点特征,以此5个特征信息作为标准特征值。
5.根据权利要求4所述的一种自动判别人脸美丽程度的方法,其特征在于,所述步骤A5中分别计算步骤A4中对比特征值与步骤A3中聚类得到的5个标准特征值的余弦相似度;并将余弦相似度最高值作为最终的颜值输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711277917.6A CN107818319A (zh) | 2017-12-06 | 2017-12-06 | 一种自动判别人脸美丽程度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711277917.6A CN107818319A (zh) | 2017-12-06 | 2017-12-06 | 一种自动判别人脸美丽程度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107818319A true CN107818319A (zh) | 2018-03-20 |
Family
ID=61606303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711277917.6A Pending CN107818319A (zh) | 2017-12-06 | 2017-12-06 | 一种自动判别人脸美丽程度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107818319A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242045A (zh) * | 2018-09-30 | 2019-01-18 | 北京达佳互联信息技术有限公司 | 图像聚类处理方法、装置、电子设备及存储介质 |
CN111626248A (zh) * | 2020-06-01 | 2020-09-04 | 北京世纪好未来教育科技有限公司 | 颜值打分模型训练方法、颜值打分方法及相关装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101305913A (zh) * | 2008-07-11 | 2008-11-19 | 华南理工大学 | 一种基于视频的人脸美丽评价方法 |
CN103761536A (zh) * | 2014-01-28 | 2014-04-30 | 五邑大学 | 基于无监督最优美丽特征和深度评价模型的人脸美化方法 |
CN104636755A (zh) * | 2015-01-31 | 2015-05-20 | 华南理工大学 | 一种基于深度学习的人脸美丽评价方法 |
CN104850825A (zh) * | 2015-04-18 | 2015-08-19 | 中国计量学院 | 一种基于卷积神经网络的人脸图像颜值计算方法 |
CN105701468A (zh) * | 2016-01-12 | 2016-06-22 | 华南理工大学 | 一种基于深度学习的人脸吸引力评价方法 |
CN105718869A (zh) * | 2016-01-15 | 2016-06-29 | 网易(杭州)网络有限公司 | 一种评估图片中人脸颜值的方法和装置 |
CN106709411A (zh) * | 2015-11-17 | 2017-05-24 | 腾讯科技(深圳)有限公司 | 一种颜值获取方法及装置 |
-
2017
- 2017-12-06 CN CN201711277917.6A patent/CN107818319A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101305913A (zh) * | 2008-07-11 | 2008-11-19 | 华南理工大学 | 一种基于视频的人脸美丽评价方法 |
CN103761536A (zh) * | 2014-01-28 | 2014-04-30 | 五邑大学 | 基于无监督最优美丽特征和深度评价模型的人脸美化方法 |
CN104636755A (zh) * | 2015-01-31 | 2015-05-20 | 华南理工大学 | 一种基于深度学习的人脸美丽评价方法 |
CN104850825A (zh) * | 2015-04-18 | 2015-08-19 | 中国计量学院 | 一种基于卷积神经网络的人脸图像颜值计算方法 |
CN106709411A (zh) * | 2015-11-17 | 2017-05-24 | 腾讯科技(深圳)有限公司 | 一种颜值获取方法及装置 |
CN105701468A (zh) * | 2016-01-12 | 2016-06-22 | 华南理工大学 | 一种基于深度学习的人脸吸引力评价方法 |
CN105718869A (zh) * | 2016-01-15 | 2016-06-29 | 网易(杭州)网络有限公司 | 一种评估图片中人脸颜值的方法和装置 |
Non-Patent Citations (1)
Title |
---|
BXNSB: ""基于深度学习和随机森林的人脸年龄与性别分类研究"", 《道客巴巴》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242045A (zh) * | 2018-09-30 | 2019-01-18 | 北京达佳互联信息技术有限公司 | 图像聚类处理方法、装置、电子设备及存储介质 |
CN111626248A (zh) * | 2020-06-01 | 2020-09-04 | 北京世纪好未来教育科技有限公司 | 颜值打分模型训练方法、颜值打分方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | The deep features and attention mechanism-based method to dish healthcare under social iot systems: an empirical study with a hand-deep local–global net | |
CN109670528B (zh) | 面向行人重识别任务的基于成对样本随机遮挡策略的数据扩充方法 | |
CN104616316B (zh) | 基于阈值矩阵和特征融合视觉单词的人物行为识别方法 | |
CN102938065B (zh) | 基于大规模图像数据的人脸特征提取方法及人脸识别方法 | |
CN105005765B (zh) | 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法 | |
CN104008375B (zh) | 基于特征融合的集成人脸识别方法 | |
CN106651830A (zh) | 一种基于并行卷积神经网络的图像质量测试方法 | |
CN102324038B (zh) | 一种基于数字图像的植物种类识别方法 | |
CN105303150B (zh) | 实现图像处理的方法和系统 | |
CN105956570B (zh) | 基于唇部特征和深度学习的笑脸识别方法 | |
CN109543602A (zh) | 一种基于多视角图像特征分解的行人再识别方法 | |
CN110188708A (zh) | 一种基于卷积神经网络的人脸表情识别方法 | |
Harjanti et al. | Classification of Mint Leaf Types Based on the Image Using Euclidean Distance and K-Means Clustering with Shape and Texture Feature Extraction | |
CN104636755A (zh) | 一种基于深度学习的人脸美丽评价方法 | |
CN106897669A (zh) | 一种基于一致迭代多视角迁移学习的行人再辨识方法 | |
Bu | Human motion gesture recognition algorithm in video based on convolutional neural features of training images | |
CN103093208A (zh) | 一种果蔬识别的方法及系统 | |
CN108898269A (zh) | 基于度量的电力图像环境影响评估方法 | |
CN109766873A (zh) | 一种混合可变形卷积的行人再识别方法 | |
CN101169830A (zh) | 基于嵌入式隐马尔可夫模型和选择性集成的人脸画像自动生成方法 | |
Xiong et al. | MSN: Modality separation networks for RGB-D scene recognition | |
Sun et al. | Brushstroke based sparse hybrid convolutional neural networks for author classification of Chinese ink-wash paintings | |
CN104063721A (zh) | 一种基于语义特征自动学习与筛选的人类行为识别方法 | |
CN109086794A (zh) | 一种基于t-lda主题模型的驾驶行为模式识方法 | |
CN103745242A (zh) | 一种跨设备生物特征识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180320 |
|
RJ01 | Rejection of invention patent application after publication |