CN108241868B - 图像客观相似度到主观相似度的映射方法及装置 - Google Patents
图像客观相似度到主观相似度的映射方法及装置 Download PDFInfo
- Publication number
- CN108241868B CN108241868B CN201611220631.XA CN201611220631A CN108241868B CN 108241868 B CN108241868 B CN 108241868B CN 201611220631 A CN201611220631 A CN 201611220631A CN 108241868 B CN108241868 B CN 108241868B
- Authority
- CN
- China
- Prior art keywords
- similarity
- objective
- objective similarity
- boundary value
- subjective
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种图像客观相似度到主观相似度的映射方法及装置,所述方法包括:准备若干样本组;设计一函数模型,所述函数模型用于将在取值范围内的客观相似度划分成连续的若干分段区间,并将各分段区间内的客观相似度对应映射至预设区间内的主观相似度;计算所有不同目标的两个图像样本的客观相似度并排序;根据排序后的客观相似度、以及将客观相似度取值范围划分成若干段的各边界值所对应的预设误报率阈值,计算各边界值,预设误报率阈值与所述客观相似度的大小成反比;根据当前两幅图像的客观相似度、所述函数模型和各边界值,计算所述当前两幅图像的主观相似度。本申请将公式计算的图像客观相似度映射到用户主观相似度,提升输出的感官匹配度。
Description
技术领域
本申请涉及图像处理领域,尤其涉及一种图像客观相似度到主观相似度的映射方法及装置。
背景技术
图像相似度算法是图像搜索领域的核心内容,广泛应用于人脸识别、以图搜人、以图搜车、以图搜图等领域。
基于特定的公式来计算图像相似度是目前较为普遍的方法,例如图像像素值的匹配,角点的匹配,图像特征的余弦距离,欧式距离的计算等。上述计算图像相似度的方式采用机械的公式求解,而抛开了用户的感官感受,输出的相似度虽然能表示各图像相似度的大小关系,但与用户的感官感受还存在一定的差距,比如两幅图像主体部分相似,周边环境不同,通过公式计算这两幅图像的相似度为0.6,而人眼的感官感受可能相似度为80%,这就造成了通过公式计算的客观相似度与用户感官感受的相似度(即主观相似度)之间的差距。
发明内容
有鉴于此,本申请提供一种图像客观相似度到主观相似度的映射方法及装置,以解决现有技术中存在的公式计算的客观相似度与用户主观相似度存在差距的问题。
具体地,本申请是通过如下技术方案实现的:
根据本申请的第一方面,提供一种图像客观相似度到主观相似度的映射方法,包括:
准备若干样本组,其中,每个样本组内的图像样本的目标相同,样本组之间的图像样本的目标不同;
设计一函数模型,所述函数模型用于将在取值范围内的客观相似度划分成连续的若干分段区间,并将各分段区间内的客观相似度对应映射至预设区间内的主观相似度;
计算所有目标不同的图像样本的客观相似度,并对所获得的客观相似度排序;
根据排序后的客观相似度、以及将客观相似度取值范围划分成若干段的各边界值所对应的预设误报率阈值,计算各边界值,所述预设误报率阈值与所述边界值的大小成反比;
根据当前两幅图像的客观相似度、所述函数模型和各边界值,计算所述当前两幅图像的主观相似度。
可选地,所述方法还包括:
将所述客观相似度由大至小排序;
计算各边界值在所述排序后的客观相似度中的排列序号,其中,各边界值对应的排列序号等于所排序的客观相似度的个数乘以各边界值对应的预设误报率阈值。
可选地,某一分段区间内的客观相似度x映射至对应的预设区间内的主观相似度x’的映射公式为:
其中,a、b分别是所述某一分段区间两端的边界值,且b>a;
c、d分别是所述预设区间两端的边界值,且d>c,c、d均为预设经验值。
可选地,所述方法还包括:
在对所获得的客观相似度排序之前,归一化所述客观相似度。
可选地,所述客观相似度根据两幅图像特征的欧式距离或余弦距离所获得。
根据本申请的第二方面,提供一种图像客观相似度到主观相似度的映射装置,包括:
样本准备模块,准备若干样本组,其中,每个样本组内的图像样本的目标相同,样本组之间的图像样本的目标不同;
模型预设模块,设计一函数模型,所述函数模型用于将在取值范围内的客观相似度划分成连续的若干分段区间,并将各分段区间内的客观相似度对应映射至预设区间内的主观相似度;
计算模块,计算所有目标不同的图像样本的客观相似度,并对所获得的客观相似度排序;
训练模块,根据排序后的客观相似度、以及将客观相似度取值范围划分成若干段的各边界值所对应的预设误报率阈值,计算各边界值,所述预设误报率阈值与所述边界值的大小成反比;
映射输出模块,根据当前两幅图像的客观相似度、所述函数模型和各边界值,计算所述当前两幅图像的主观相似度。
可选地,所述计算模块将所述客观相似度由大至小排序;
所述训练模块计算各边界值在所述排序后的客观相似度中的排列序号,其中,各边界值对应的排列序号等于所排序的客观相似度的个数乘以各边界值对应的预设误报率阈值。
可选地,所述模型预设模块还包括:
某一分段区间内的客观相似度x映射至对应的预设区间内的主观相似度x’的映射公式为:
其中,a、b分别是所述某一分段区间两端的边界值,且b>a;
c、d分别是所述预设区间两端的边界值,且d>c,c、d均为预设经验值。
可选地,所述计算模块在对所获得的客观相似度排序之前,归一化所述客观相似度。
可选地,所述客观相似度根据两幅图像特征的欧式距离或余弦距离所获得。
本申请的有益效果:通过大量的图片样本进行离线训练,获得函数模型的模型参数(即将所述客观相似度取值范围划分成若干段的各边界值),在线的主观相似度计算时,根据离线训练的模型参数、函数模型以及待转换的两幅图像的客观相似度,从而将公式计算的图像客观相似度映射到用户主观相似度上,简单有效地将用户的感官因子添加到函数模型中,提升输出的感官匹配度,减少客观相似度与主观相似度之间的偏差。
本申请的图像客观相似度到主观相似度的映射及装置特别适用于人脸识别、以图搜人、以图搜车、以图搜图等应用中。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请一实施例提供的一种图像客观相似度到主观相似度的映射方法流程图;
图2是本申请一实施例提供的一种图像客观相似度到主观相似度的映射装置的结构框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。另外,在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
参见图1,本实施例提供的一种图像客观相似度到主观相似度的映射方法,所述方法可包括如下步骤:
S101:准备若干样本组,其中,每个样本组内的图像样本的目标相同,样本组之间的图像样本的目标不同。
其中,图像样本的目标可根据需要选择,每个样本组中的图像样本的数量也可根据需要选择。
在一实施例中,图像样本的目标为行人,准备1000个行人的图像样本,每个样本组中的行人目标是一致的,从而获得1000对相同目标的样本组,不同目标的图像样本(包括两张从不同样本组中选择的图像样本)的数量为:1000*999/2=499500对。
S102:设计一函数模型,所述函数模型用于将在取值范围内的客观相似度划分成连续的若干分段区间,并将各分段区间内的客观相似度对应映射至预设区间内的主观相似度。
本实施例中,某一分段区间内的客观相似度x映射至对应的预设区间内的主观相似度x’的映射公式为:
其中,a、b分别是所述某一分段区间两端的边界值,且b>a;
c、d分别是所述预设区间两端的边界值,且d>c,c、d均为预设经验值。
分段区间的数量可根据需要设定,例如将客观相似度在其取值范围内划分成连续的6段。
在一实施例中,相似度采用归一化后的相似度x,x的取值范围为[0,1],则0≤a<b≤1。为了统一计算,主观相似度x’的取值范围也设定为[0,1],则0≤c<d≤1。
由于在图像处理领域,往往比较感兴趣的是相似度较大的两幅图像,故本实施例中,主观相似度的预设区间往往较为关注主观相似度大于等于0.5至1的区间,故对[0.5,1]的区间进行较为精细的划分,即将[0.5,1]的区间划分成多段预设区间,而将[0,0.5)的区间作为一个预设区间。
可选地,将x的取值范围划分成连续的6段,划分的边界值为T1、T1、T2、T3、T4和T5,其中,0<T1<T1<T2<T3<T4<T5<1。
所述函数模型的设计过程包括:将[0,T1,T2,T3,T4,T5,1]映射到[0,0.5,0.6,0.7,0.8,0.9,1],客观相似度x映射成主观相似度x’的映射公式为:
根据公式1,即可将客观相似度映射到主观相似度。
S103:计算所有目标不同的图像样本的客观相似度,并对所获得的客观相似度排序。
可选地,采用现有的相似度计算公式,计算所有不同目标的两个图像样本的客观相似度,例如当步骤S101中准备1000对图像样本时,则需要对499500对不同目标的图像样本进行遍历,计算相似度。
所述图像客观相似度到主观相似度的映射方法还包括:
在对所获得的客观相似度排序之前,归一化所述客观相似度。
在一实施例中,将客观相似度归一化取值范围为[0,1],即客观相似度的最小值为0,表示两幅图像完全不一致,客观相似度的最大值为1,表示两幅图像完全一致。
可选地,所述客观相似度根据两幅图像特征的欧式距离或余弦距离所获得。
例如,两幅图像的欧式距离归一化后为d,则该欧式距离对应的两幅图像的相似度为d’。
d属于[0,1],d=0,表示两幅图像完全一致;d=1表示两幅图像完全不一致;d从0至1,表示两幅图像的相似度程度逐渐下降。
d’属于[0,1],d’=0,表示两幅图像完全不一致;d’=1,表示两幅图像完全一致;d’从0至1,表示两幅图像的相似度程度逐渐上升。
当然,所述客观相似度也可根据角点匹配,像素匹配等现有的计算方式计算。
S104:根据排序后的客观相似度和将客观相似度取值范围划分成若干段的各边界值所对应的预设误报率阈值,计算各边界值,所述预设误报率阈值与所述客观相似度的大小成反比。
在一实施例中,划分的边界值T1,T2,T3,T4,T5对应的预设误报率阈值分别为10%、1%、0.1%、0.01%、0.001%,即预设误报率阈值与边界值成反比。
具体地,所述图像客观相似度到主观相似度的映射方法还包括:
将所述客观相似度由大至小排序;
计算各边界值在所述排序后的客观相似度中的排列序号,其中,各边界值对应的排列序号等于所排序的客观相似度的个数乘以各边界值对应的预设误报率阈值。
T1,T2,T3,T4,T5对应的客观相似度是递增的,对应的主观相似度也应该是递增的,在若干对不同目标的客观相似度由大至小排序后,本实施例选取排序后的客观相似度中的一个赋值给T1,T2,T3,T4,T5,即T1,T2,T3,T4,T5对应选取的排序后的客观相似度也是递增的,故T1,T2,T3,T4,T5对应的预设误报率阈值是递减的,从而获得递增的T1,T2,T3,T4,T5。
按照步骤S101准备的499500对不同目标的图像样本,具有499500个不同目标的客观相似度。
对于T5在由大至小排序后的499500个不同目标的客观相似度中的排列序号为499500*0.001%≈5,即取由大至小排序后的499500个不同目标的客观相似度中第5个客观相似度,并将该第5个客观相似度赋值给T5,T5即对应约0.001%的预设误报率阈值。
对于T4在由大至小排序后的499500个不同目标的客观相似度中的排列序号为499500*0.01%≈50,即取由大至小排序后的499500个不同目标的客观相似度中第50个客观相似度,并将该第50个客观相似度赋值给T4,T4即对应约0.01%的预设误报率阈值。
对于T3在由大至小排序后的499500个不同目标的客观相似度中的排列序号为499500*0.1%≈500,即取由大至小排序后的499500个不同目标的客观相似度中第500个客观相似度,并将该第500个客观相似度赋值给T3,T3即对应约0.1%的预设误报率阈值。
对于T2在由大至小排序后的499500个不同目标的客观相似度中的排列序号为499500*1%≈5000,即取由大至小排序后的499500个不同目标的客观相似度中第5000个客观相似度,并将该第5000个客观相似度赋值给T2,T2即对应约1%的预设误报率阈值。
对于T1在由大至小排序后的499500个不同目标的客观相似度中的排列序号为499500*10%≈5,即取由大至小排序后的499500个不同目标的客观相似度中第50000个客观相似度,并将该第50000个客观相似度赋值给T1,T1即对应约10%的预设误报率阈值。
由此可见,通过步骤S101中准备的图像样本,即可将函数模型的分段区间划分的边界值参数T1~T5求解出来。
S105:根据当前两幅图像的客观相似度、所述函数模型和各边界值,计算所述当前两幅图像的主观相似度。
根据步骤S104中离线训练出的函数模型的分段区间划分的边界值再结合公式1,即可求救出客观相似度x映射成主观相似度x’的映射公式。
在下一次在线评价两幅图像的主观相似度时,首先根据现有的相似度计算公式计算出当前两幅图像的客观相似度,再结合映射公式,从而获得当前两幅图像的主观相似度。
本实施例通过大量的图片样本进行离线训练,获得将客观相似度取值范围划分成若干段的各边界值,并且,在线的主观相似度计算时,根据离线训练的模型参数、函数模型以及待转换的两幅图像的客观相似度,从而将公式计算的图像客观相似度映射到用户主观相似度上,可简单有效地将用户的感官因子添加到函数模型中,提升输出的感官匹配度,减少客观相似度与主观相似度之间的偏差。可见,将用户的感官因子添加到函数模型中是通过大量的图片样本训练获得函数模型参数这个过程来实现的。
如图2所示,为本申请提供的图像客观相似度到主观相似度的映射装置的结构框图,与上述图像客观相似度到主观相似度的映射方法相对应,可参照上述图像客观相似度到主观相似度的映射方法的实施例来理解或解释该图像客观相似度到主观相似度的映射装置的内容。
参见图2,本实施例提供的一种图像客观相似度到主观相似度的映射装置,所述装置可包括样本准备模块100、模型预设模块200、计算模块300、训练模块400和映射输出模块500。
其中,样本准备模块100,准备若干样本组,其中,每个样本组内的图像样本的目标相同,样本组之间的图像样本的目标不同;
模型预设模块200,设计一函数模型,设计一函数模型,所述函数模型用于将在取值范围内的客观相似度划分成连续的若干分段区间,并将各分段区间内的客观相似度对应映射至预设区间内的主观相似度;
计算模块300,计算所有目标不同的图像样本的客观相似度,并对所获得的客观相似度排序;
训练模块400,根据排序后的客观相似度、以及将客观相似度取值范围划分成若干段的各边界值对应的预设误报率阈值,计算各边界值,所述预设误报率阈值与所述客观相似度的大小成反比;
映射输出模块500,根据当前两幅图像的客观相似度、所述函数模型和各边界值,计算所述当前两幅图像的主观相似度。
进一步地,所述计算模块300将所述客观相似度由大至小排序;
所述训练模块400计算各边界值在所述排序后的客观相似度中的排列序号,其中,各边界值对应的排列序号等于所排序的客观相似度的个数乘以各边界值对应的预设误报率阈值。
进一步地,所述模型预设模块200还包括:
某一分段区间内的客观相似度x映射至对应的预设区间内的主观相似度x’的映射公式为:
其中,a、b分别是所述某一分段区间两端的边界值,且b>a;
c、d分别是所述预设区间两端的边界值,且d>c,c、d均为预设经验值。
进一步地,所述计算模块300在对所获得的客观相似度排序之前,归一化所述客观相似度。
进一步地,所述客观相似度根据两幅图像特征的欧式距离或余弦距离所获得。
综上所述,本实施例的图像客观相似度到主观相似度的映射方法及装置通过大量的图片样本进行离线训练,获得函数模型的模型参数(即将所述客观相似度取值范围划分成若干段的各边界值),在线的主观相似度计算时,根据离线训练的模型参数、函数模型以及待转换的两幅图像的客观相似度,从而将公式计算的图像客观相似度映射到用户主观相似度上,简单有效地将用户的感官因子添加到函数模型中,提升输出的感官匹配度,减少客观相似度与主观相似度之间的偏差。
本申请的图像客观相似度到主观相似度的映射及装置特别适用于人脸识别、以图搜人、以图搜车、以图搜图等应用中。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (10)
1.一种图像客观相似度到主观相似度的映射方法,其特征在于,包括:
准备若干样本组,其中,每个样本组内的图像样本的目标相同,样本组之间的图像样本的目标不同;
设计一函数模型,所述函数模型用于将在取值范围内的客观相似度划分成连续的若干分段区间,并将各分段区间内的客观相似度对应映射至预设区间内的主观相似度;
计算所有目标不同的图像样本的客观相似度,并对所获得的客观相似度排序;
根据排序后的客观相似度、以及将客观相似度取值范围划分成若干段的各边界值所对应的预设误报率阈值,计算各边界值,所述预设误报率阈值与所述边界值的大小成反比,所述边界值为所述函数模型的模型参数,所述边界值在客观相似度中的排列序号等于所排序的客观相似度的个数乘以所述边界值对应的预设误报率阈值;
根据当前两幅图像的客观相似度、所述函数模型和各边界值,计算所述当前两幅图像的主观相似度。
2.如权利要求1所述的图像客观相似度到主观相似度的映射方法,其特征在于,所述方法还包括:
将所述客观相似度由大至小排序;计算各边界值在所述排序后的客观相似度中的排列序号,其中,各边界值对应的排列序号等于所排序的客观相似度的个数乘以各边界值对应的预设误报率阈值。
4.如权利要求1所述的图像客观相似度到主观相似度的映射方法,其特征在于,所述方法还包括:
在对所获得的客观相似度排序之前,归一化所述客观相似度。
5.如权利要求4所述的图像客观相似度到主观相似度的映射方法,其特征在于,所述客观相似度根据两幅图像特征的欧式距离或余弦距离所获得。
6.一种图像客观相似度到主观相似度的映射装置,其特征在于,包括:
样本准备模块,准备若干样本组,其中,每个样本组内的图像样本的目标相同,样本组之间的图像样本的目标不同;
模型预设模块,设计一函数模型,所述函数模型用于将在取值范围内的客观相似度划分成连续的若干分段区间,并将各分段区间内的客观相似度对应映射至预设区间内的主观相似度;
计算模块,计算所有目标不同的图像样本的客观相似度,并对所获得的客观相似度排序;
训练模块,根据排序后的客观相似度、以及将客观相似度取值范围划分成若干段的各边界值所对应的预设误报率阈值,计算各边界值,所述预设误报率阈值与所述边界值的大小成反比,所述边界值为所述函数模型的模型参数,所述边界值在客观相似度中的排列序号等于所排序的客观相似度的个数乘以所述边界值对应的预设误报率阈值;
映射输出模块,根据当前两幅图像的客观相似度、所述函数模型和各边界值,计算所述当前两幅图像的主观相似度。
7.如权利要求6所述的图像客观相似度到主观相似度的映射装置,其特征在于,所述计算模块将所述客观相似度由大至小排序;
所述训练模块计算各边界值在所述排序后的客观相似度中的排列序号,其中,各边界值对应的排列序号等于所排序的客观相似度的个数乘以各边界值对应的预设误报率阈值。
9.如权利要求6所述的图像客观相似度到主观相似度的映射装置,其特征在于,所述计算模块在对所获得的客观相似度排序之前,归一化所述客观相似度。
10.如权利要求9所述的图像客观相似度到主观相似度的映射装置,其特征在于,所述客观相似度根据两幅图像特征的欧式距离或余弦距离所获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611220631.XA CN108241868B (zh) | 2016-12-26 | 2016-12-26 | 图像客观相似度到主观相似度的映射方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611220631.XA CN108241868B (zh) | 2016-12-26 | 2016-12-26 | 图像客观相似度到主观相似度的映射方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108241868A CN108241868A (zh) | 2018-07-03 |
CN108241868B true CN108241868B (zh) | 2021-02-02 |
Family
ID=62702155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611220631.XA Active CN108241868B (zh) | 2016-12-26 | 2016-12-26 | 图像客观相似度到主观相似度的映射方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108241868B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109820490A (zh) * | 2018-09-04 | 2019-05-31 | 宓保宏 | 一种基于红外热成像技术的区域对称度客观评价方法 |
CN110472499B (zh) * | 2019-07-09 | 2024-01-30 | 平安科技(深圳)有限公司 | 一种行人重识别的方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354728A (zh) * | 2008-09-26 | 2009-01-28 | 中国传媒大学 | 一种基于区间权值的相似性度量方法 |
CN102238315A (zh) * | 2010-05-07 | 2011-11-09 | 珠海扬智电子有限公司 | 视频流的对比度调整方法 |
CN102473289A (zh) * | 2009-07-30 | 2012-05-23 | 惠普开发有限公司 | 用于色调映射图像的方法 |
CN103092561A (zh) * | 2013-01-18 | 2013-05-08 | 北京理工大学 | 一种基于除数映射的Goldschmidt除法实现方法 |
CN103873855A (zh) * | 2014-02-26 | 2014-06-18 | 天津大学 | 一种基于人类视觉基本特性的立体图像客观质量评价方法 |
CN104881395A (zh) * | 2015-06-25 | 2015-09-02 | Tcl集团股份有限公司 | 一种获取矩阵中向量相似度的方法和系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2825990A2 (en) * | 2012-03-12 | 2015-01-21 | Icon Clinical Research Limited | A clinical data management system |
US9524733B2 (en) * | 2012-05-10 | 2016-12-20 | Google Inc. | Objective speech quality metric |
CN103955874A (zh) * | 2014-03-31 | 2014-07-30 | 西南林业大学 | 一种基于语义相似度区间的主观题自动评分系统及方法 |
CN104778701B (zh) * | 2015-04-15 | 2018-08-24 | 浙江大学 | 一种基于rgb-d传感器的局部图像描述方法 |
CN106023152B (zh) * | 2016-05-09 | 2018-06-26 | 浙江科技学院 | 一种无参考立体图像质量客观评价方法 |
CN106251202B (zh) * | 2016-07-29 | 2019-12-13 | 北京小米移动软件有限公司 | 恶意订单识别方法及装置 |
-
2016
- 2016-12-26 CN CN201611220631.XA patent/CN108241868B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354728A (zh) * | 2008-09-26 | 2009-01-28 | 中国传媒大学 | 一种基于区间权值的相似性度量方法 |
CN102473289A (zh) * | 2009-07-30 | 2012-05-23 | 惠普开发有限公司 | 用于色调映射图像的方法 |
CN102238315A (zh) * | 2010-05-07 | 2011-11-09 | 珠海扬智电子有限公司 | 视频流的对比度调整方法 |
CN103092561A (zh) * | 2013-01-18 | 2013-05-08 | 北京理工大学 | 一种基于除数映射的Goldschmidt除法实现方法 |
CN103873855A (zh) * | 2014-02-26 | 2014-06-18 | 天津大学 | 一种基于人类视觉基本特性的立体图像客观质量评价方法 |
CN104881395A (zh) * | 2015-06-25 | 2015-09-02 | Tcl集团股份有限公司 | 一种获取矩阵中向量相似度的方法和系统 |
Non-Patent Citations (1)
Title |
---|
图像检索中的动态相似性度量方法;段立娟等;《计算机学报》;20011130;第24卷(第11期);第1256-1262页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108241868A (zh) | 2018-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108662B (zh) | 深度神经网络识别模型及识别方法 | |
CN109903331B (zh) | 一种基于rgb-d相机的卷积神经网络目标检测方法 | |
CN106250858A (zh) | 一种融合多种人脸识别算法的识别方法及系统 | |
CN103761515B (zh) | 一种基于lbp的人脸特征提取方法及装置 | |
CN103207986A (zh) | 一种基于lbp-hf的人脸识别方法 | |
CN110837768A (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
CN112036455B (zh) | 一种图像识别方法、智能终端和存储介质 | |
KR101558547B1 (ko) | 얼굴 포즈 변화에 강한 연령 인식방법 및 시스템 | |
CN106373128B (zh) | 一种嘴唇精确定位的方法和系统 | |
CN110097556A (zh) | 基于PointNet的大规模点云语义分割算法 | |
CN102663431A (zh) | 一种基于区域加权的图像匹配计算方法 | |
CN109284664A (zh) | 驾驶员辅助系统和护栏检测方法 | |
CN106529583A (zh) | 一种基于视觉词袋模型的室内场景认知方法 | |
CN110555339A (zh) | 一种目标检测方法、系统、装置及存储介质 | |
CN108241868B (zh) | 图像客观相似度到主观相似度的映射方法及装置 | |
CN104134058A (zh) | 一种人脸图像处理方法 | |
CN111539320A (zh) | 基于互相学习网络策略的多视角步态识别方法及系统 | |
CN113496260B (zh) | 基于改进YOLOv3算法的粮库人员不规范作业检测法 | |
CN104331412A (zh) | 一种在规格化三维人脸库中进行人脸检索的方法 | |
CN110991377A (zh) | 一种基于单目视觉神经网络的汽车安全辅助系统前方目标识别方法 | |
CN111428612B (zh) | 行人重识别方法、终端、装置及存储介质 | |
CN107563292A (zh) | 一种基于lddmm曲线匹配的人脸情感识别方法 | |
CN111652260A (zh) | 一种人脸聚类样本数量的选择方法及系统 | |
Choi et al. | Real-time vanishing point detection using the Local Dominant Orientation Signature | |
CN109035285B (zh) | 图像边界确定方法及装置、终端及存储介质 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221110 Address after: 250101 4th floor, building 5, zone A2, Hanyu Jingu, Shunhua South Road, high tech Zone, Jinan City, Shandong Province Patentee after: Jinan Yushi Intelligent Technology Co.,Ltd. Address before: 310051 Zhejiang Jiangling Hangzhou Road, Binjiang District, Jiangling, 88, No. 10 South Block 1-11. Patentee before: ZHEJIANG UNIVIEW TECHNOLOGIES Co.,Ltd. |