CN109190637A - 一种图像特征提取方法 - Google Patents

一种图像特征提取方法 Download PDF

Info

Publication number
CN109190637A
CN109190637A CN201810858222.5A CN201810858222A CN109190637A CN 109190637 A CN109190637 A CN 109190637A CN 201810858222 A CN201810858222 A CN 201810858222A CN 109190637 A CN109190637 A CN 109190637A
Authority
CN
China
Prior art keywords
image
point
characteristic
extracting method
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.)
Pending
Application number
CN201810858222.5A
Other languages
English (en)
Inventor
郏东耀
吴能凯
柳絮
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 Jiaotong University
Original Assignee
Beijing Jiaotong 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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN201810858222.5A priority Critical patent/CN109190637A/zh
Publication of CN109190637A publication Critical patent/CN109190637A/zh
Pending legal-status Critical Current

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
    • 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
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请属于图像处理技术领域，特别是涉及一种图像特征提取方法。在海量图像的背景下，由于庞大的计算量使得现有方法提取效率较低；同时形成了大量的冗余信息。本申请提供一种图像特征提取方法，所述方法包括如下步骤：1)将海量图像输入Hadoop平台；2)将彩色图像转换为灰度图像，使用Harris角点检测并提取出图像目标区域；3)对区域内的图像目标的各个部位进行主观特征的提取；4)提取图像目标的局部特征，并与Harris角点算子进行混合提取；5)将3)和4)的特征组合起来便可以得到图像目标的综合特征；6)对综合特征中的局部特征数据进行维数约简，并消除其中的冗余信息。提取效率高，同时，有效消除了冗余信息。

Description

一种图像特征提取方法
技术领域
本申请属于图像处理技术领域，特别是涉及一种图像特征提取方法。
背景技术
在海量图像存储及处理相关领域中，Google使用GFS来存储不断增长的海量数据，并采用一致性要求和策略，易于对系统进行扩展并保证对文件进行同时读写操作；最受欢迎的Facebook迄今已存储数以亿计的海量照片，并以每周二亿多张图片的增长速度不断增加，Facebook通过优化存储管理的架构系统来缓存小尺寸的照片，并降低IO操作满足用户请求；Flickr不但提供了在线图片分享、上传等服务，并且作为一个社交网站对图像进行分类，主要是通过其用户对图像进行标注来实现的；IBM公司开发了第一个基于图像内容的检索系统QBIC，包括图像输入、计算特征和查询三个部分。
随着公路交通事业在我国的高速发展，车辆数量和规模也大幅度增大，同时图像获取和存储技术不断发展，使得海量图像数据更加易于获取。从图像中提取车辆目标的特征的越多越能反映和还原车辆的真实情况，对于海量图像中对车辆特征提取的方法，大部分是通过使用已有的云平台实现基本图像特征的提取，但在海量图像的背景下，从计算效率方面来说，随着计算量的大幅增加，也相应的增加了大量的计算时间，由于庞大的计算量使得现有方法提取效率较低；同时提取的特征数量与维数和计算量成正比，使得从海量图像中提取出来的特征维数之高、数量之多形成了大量的冗余信息。
发明内容
1.要解决的技术问题
基于从图像中提取车辆目标的特征的越多越能反映和还原车辆的真实情况，对于海量图像中对车辆特征提取的方法，大部分是通过使用已有的云平台实现基本图像特征的提取，但在海量图像的背景下，从计算效率方面来说，随着计算量的大幅增加，也相应的增加了大量的计算时间，由于庞大的计算量使得现有方法提取效率较低；同时提取的特征数量与维数和计算量成正比，使得从海量图像中提取出来的特征维数之高、数量之多形成了大量的冗余信息的问题，本申请提供了一种图像特征提取方法。
2.技术方案
为了达到上述的目的，本申请提供了一种图像特征提取方法，所述图像特征提取方法包括如下步骤：
1)将海量图像输入Hadoop平台；
2)将彩色图像转换为灰度图像，使用Harris角点检测并提取出图像目标区域；
3)对区域内的图像目标的各个部位进行主观特征的提取；
4)提取图像目标的局部特征，并与Harris角点算子进行混合提取；
5)将3)和4)的特征组合起来得到图像目标的综合特征；
6)对综合特征中的局部特征数据进行维数约简，并消除其中的冗余信息。
可选地，所述步骤2)中将彩色图像转换为灰度图像，转换公式为：
Gray＝0.299R+0.587G+0.114B
其中，Gray为灰度值，R为红色分量，G为绿色分量，B为蓝色分量。
可选地，所述图像边缘特征点是通过自相关函数相联系实对称矩阵M的一阶曲率确定的，如两个曲率值都很大，那么该点为角点；如两个曲率值都很小，那么该点位于平滑区域；如两个曲率值一个一小，那么该点位于图像中图像目标的边缘。
可选地，所述对称矩阵M表示为：
其中，w(x,y)为高斯模板窗口函数，Ix和Iy分别为图像I(x,y)在x和y两个方向的梯度：
可选地，所述步骤4)中角点响应函数表示为：
T＝det(M)-k(trM)2
其中k是一个经验值常量，取值范围为[0.04,0.06]；
由上式易知，T的取值决定于矩阵M的特征值，若|T|很大则对应于角点；若|T|很小则对应于平滑区域；若T为负值则对应边缘点。
可选地，所述步骤4)中提取的特征点中设X和Y分别为获得的特征点的横纵坐标集合，以为E点为中心，以F为边长，就可以将目标区域提取出来，其中E和F分别为：
F＝max[max(X)-min(X),max(Y)-min(Y)]。
可选地，所述步骤4)中混合提取包括如下步骤：
a.构建尺度空间：根据原始图像通过高斯核尺度变换后得到在不同尺度空间中不同的表示序列进行提取而获得；
b.极值点的检测：使用DoG算法通过不同尺度的高斯差分核与图像进行卷积计算，在尺度空间中检测到极值点；
c.极值点的定位：计算各特征点的值，去除易受干扰的不稳定极值点，保留相对较稳定的极值点；
d.特征点的删选：通过对所有N个极值点计算对应的Harris角点响应函数的值，并将其按照大小进行排序，筛选出前n个点极值点作为下一阶段描述的特征点，其中n＝kN；
e.生成特征点描述子：以特征点为中心使用采样窗口，其中每一个格子代表一个像素，箭头的方向即梯度的方向，箭头长度即梯度值，使用直方图统计邻域梯度方向,在小块中计算各个方向的梯度方向直方图。
可选地，所述步骤6)中通过对比选择局部线性嵌入方法来对高维图像目标特征进行维数约简。
可选地，所述Hadoop平台通过处理接口HIPI来实现图像数据的输入和输出；图像样本、图像的存储路径以及提取出来的图像目标的特征参数存储在所述Hadoop平台的分布式存储系统中；图像目标特征在所述Hadoop平台的分布式计算框架编程模型中进行提取。
可选地，所述主观特征包括车型的主观比例特征、车身的主观全局特征、车灯的主观几何特征或者轮胎的主观纹理方向特征中的一项或者几项。
3.有益效果
与现有技术相比，本申请提供的一种图像特征提取方法的有益效果在于：
本申请提供的一种图像特征提取方法，通过选用Hadoop平台来实现从海量图像中提取图像目标的综合特征，并根据图像目标的特点，全方位的提取海量图像中图像目标的各种特征，且针对高维特征研究一种降维算法，从而能够有效的表征海量图像中图像目标的有价值信息。本申请涉及的图像特征提取方法提取效率高，同时，有效消除了冗余信息。
附图说明
图1是本申请的一种图像特征提取方法的分布式系统整体框架示意图；
图2是本申请的海量图像的组合处理过程示意图；
图3是本申请的图像目标的综合特征提取步骤示意图；
图4是本申请的特征点描述子的生成示意图一；
图5是本申请的特征点描述子的生成示意图二；
图6本申请的不同节点下单机与集群运行时间对比示意图；
图7是本申请的不同图像数量下单机与集群运行时间对比示意图。
具体实施方式
在下文中，将参考附图对本申请的具体实施例进行详细地描述，依照这些详细的描述，所属领域技术人员能够清楚地理解本申请，并能够实施本申请。在不违背本申请原理的情况下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中的某些特征，获得其它优选的实施方式。
Hadoop平台：Hadoop实现了一个分布式文件系统(Hadoop Distributed FileSystem)，简称HDFS。HDFS有高容错性的特点，并且设计用来部署在低廉的(low-cost)硬件上；而且它提供高吞吐量(high throughput)来访问应用程序的数据，适合那些有着超大数据集(large data set)的应用程序。HDFS放宽了(relax)POSIX的要求，可以以流的形式访问(streaming access)文件系统中的数据。
特征提取：是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。
降维：探求数据流形合适的低维坐标描述，将原数据集合投影到低维空间，获得原数据集合的低维简洁表示。
SIFT：尺度不变特征转换(Scale-invariant feature transform，SIFT)，是用于图像处理领域的一种描述子。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。
参见图1～3，本申请提供一种图像特征提取方法，所述图像特征提取方法包括如下步骤：
1)将海量图像输入Hadoop平台；
2)将彩色图像转换为灰度图像，使用Harris角点检测并提取出图像目标区域；
3)对区域内的图像目标的各个部位进行主观特征的提取；
4)提取图像目标的局部特征，并与Harris角点算子进行混合提取；
5)将3)和4)的特征组合起来得到图像目标的综合特征；
6)对综合特征中的局部特征数据进行维数约简，并消除其中的冗余信息。
可选地，所述步骤2)中将彩色图像转换为灰度图像，转换公式为：
Gray＝0.299R+0.587G+0.114B
其中，Gray为灰度值，R为红色分量，G为绿色分量，B为蓝色分量。
可选地，所述图像边缘特征点是通过自相关函数相联系实对称矩阵M的一阶曲率确定的，如两个曲率值都很大，那么该点为角点；如两个曲率值都很小，那么该点位于平滑区域；如两个曲率值一个一小，那么该点位于图像中图像目标的边缘。
可选地，所述对称矩阵M表示为：
其中，w(x,y)为高斯模板窗口函数，Ix和Iy分别为图像I(x,y)在x和y两个方向的梯度：
可选地，所述步骤4)中角点响应函数表示为：
T＝det(M)-k(trM)2
其中k是一个经验值常量，取值范围为[0.04,0.06]；
由上式易知，T的取值决定于矩阵M的特征值，若|T|很大则对应于角点；若|T|很小则对应于平滑区域；若T为负值则对应边缘点。
可选地，所述步骤4)中提取的特征点中设X和Y分别为获得的特征点的横纵坐标集合，以为E点为中心，以F为边长，就可以将目标区域提取出来，其中E和F分别为：
F＝max[max(X)-min(X),max(Y)-min(Y)]。
可选地，所述步骤4)中混合提取包括如下步骤：
a.构建尺度空间：根据原始图像通过高斯核尺度变换后得到在不同尺度空间中不同的表示序列进行提取而获得；
b.极值点的检测：使用DoG算法通过不同尺度的高斯差分核与图像进行卷积计算，在尺度空间中检测到极值点；
c.极值点的定位：计算各特征点的值，去除易受干扰的不稳定极值点，保留相对较稳定的极值点；
d.特征点的删选：通过对所有N个极值点计算对应的Harris角点响应函数的值，并将其按照大小进行排序，筛选出前n个点极值点作为下一阶段描述的特征点，其中n＝kN；
e.生成特征点描述子：以特征点为中心使用采样窗口，其中每一个格子代表一个像素，箭头的方向即梯度的方向，箭头长度即梯度值，使用直方图统计邻域梯度方向,在小块中计算各个方向的梯度方向直方图。
可选地，所述步骤6)中通过对比选择局部线性嵌入方法来对高维图像目标特征进行维数约简。
可选地，所述Hadoop平台通过处理接口HIPI来实现图像数据的输入和输出；图像样本、图像的存储路径以及提取出来的图像目标的特征参数存储在所述Hadoop平台的分布式存储系统中；图像目标特征在所述Hadoop平台的分布式计算框架编程模型中进行提取。
可选地，所述主观特征包括车型的主观比例特征、车身的主观全局特征、车灯的主观几何特征或者轮胎的主观纹理方向特征中的一项或者几项。
实施例1
参见图1，首先通过Hadoop平台来实现目标车辆综合特征的提取，而Hadoop内核由分布式存储系统HDFS(Hadoop Distributed File System)、资源管理系统YARN(YetAnother Resource Negotiator)、分布式计算框架MapReduce构成。在在海量图像的背景下，需要将海量车辆图像样本、车辆图像的存储路径以及提取出来的车辆目标的特征参数等存储在HDFS中，并在MapReduce编程模型中实现对车辆目标特征的提取，包括车型的主观比例特征、车身的主观全局特征、车灯的主观几何特征、轮胎的主观纹理方向特征以及车辆目标的客观SIFT特征等。
参见图2，对于Hadoop平台的使用，通过处理接口HIPI(Hadoop Image ProcessingInterface)来实现图像数据的输入和输出。为了使本申请能够在这个平台上有效的进行海量图像的处理以及特定车辆目标的检测，将在原有Hadoop基础上进行改进，使其输入的图像是完整的，且每个数据块大小适中。每张车辆图像的大小在1M左右，被视为典型的小文件(小于64M的文件)，因此Hadoop本身在处理大文件上会体现出很好的性能，但这些海量的车辆图像小文件会给Hadoop带来许多负担和麻烦。因此，本申请将一些图像小文件组合成为图像大文件的方法，这样不仅提高了Hadoop处理图像小文件效率和精度，更能发挥Hadoop平台的优势。
参见图3，在综合特征提取上，为了完整全面的描述图像中车辆目标的真实情况，本专利从车辆目标视觉主观特征和客观特征出发，多方面、各角度提取并分析车辆目标特征，并将其有效的进行融合。
首先进行车辆图像中人眼视觉主观特征的提取，可分为目标区域提取阶段和主观特征提取阶段。在目标区域提取阶段使用Harris角点检测并提取出车辆目标区域，Harris角点检测出来的特征点是在两个互相垂直度方向上都具有很大变化的点，可以有效检测出海量图像中车辆目标的边缘特征点。处理时先将彩色的车辆图像转换为灰度图像后，再进行特征点的提取。
将目标区域提取出来后，为了能够更好的表征车辆的有效信息，需要对区域内的车辆目标的各个部位进行主观特征的提取，并依次对车型的主观比例特征、车身的主观全局特征、车灯的主观几何特征、轮胎的主观纹理方向特征等一一提取。
在完成车辆图像中人眼视觉主观特征的提取后，提取车辆目标的局部特征—SIFT特征，并与Harris角点算子进行混合提取，不仅改善了SIFT的极值点，而且完善了车辆目标局部特征信息。通常使用SIFT算法计算一幅图像中的极值点可达上千数量，因此为了能够提高局部特征的有效性，本申请将使用Harris检测角点算法对由SIFT算法提取出的大量特征点进行有效的筛选，得到的极值点再经过描述即可得到车辆目标的尺寸不变特征，该混合特征能够比较有效的描述车辆目标的边缘梯度和极值点。具体步骤如下：
(1)构建尺度空间：根据原始车辆图像通过高斯核尺度变换后得到在不同尺度空间中不同的表示序列进行提取而获得。
(2)极值点的检测：在这里使用DoG算法通过不同尺度的高斯差分核与车辆图像进行卷积计算，在尺度空间中检测到极值点。
(3)极值点的定位：计算各特征点的值，去除易受干扰的不稳定极值点，保留相对较稳定的极值点。
(4)特征点的删选：由于DoG算法会产生比较强的边缘响应，为了去除这些受边缘影响的不稳定特征点，来增强抗干扰能力，可以通过对所有N个极值点计算对应的Harris角点响应函数的值，并将其按照大小进行排序，筛选出前n个点极值点作为下一阶段描述的特征点，其中n＝kN。
(5)生成特征点描述子：为了保证特征点的旋转不变性，需要通过旋转坐标与关键点方向保持一致。以特征点为中心使用采样窗口(8*8)，其中每一个格子代表一个像素，箭头的方向即梯度的方向，箭头长度即梯度值，参见图4。使用直方图统计邻域梯度方向，参见图5，方便起见，只统计了八个方向的直方图。在(4*4)的小块中计算8个方向的梯度方向直方图即1个种子点，一种形成4种子点。
通过提取出车辆目标区域，并提取出人眼视觉主观特征SUB＝{R0,R1,R2,PHSV,k,r,h}以及客观特征OBJ＝{s1,s2,...,s128}，将这两种特征组合起来便可以得到本申请提取车辆目标的综合特征，该特征可以从各个角度来描述车辆目标的特点、属性等有效信息。
最终针对综合特征中的SIFT特征数据进行维数约简，并消除其中的冗余信息，探索其中的流形结构及有价值信息。为了更好的保持所提取的高维车辆目标特征的非线性流形结构、保证不丢失有价值的数据，并且能够对高维数据进行高效的降维映射，通过对比选择局部线性嵌入(LLE)方法来对高维车辆目标特征进行维数约简。在实现方式上将MapReduce与局部PCA过渡非线性降维有效的结合起来，解决车辆目标大规模高维综合特征数据的降维映射问题。
参见图6，在VWware Workstation虚拟机上，创建三台模拟服务器，分别安装CentOS 6.6 64bit操作系统，搭建Linux环境。在三个节点中，其中一个是Namenode，三个都是Datanode，并创建新的hadoop用户，且配置SSH互信来统一管理和监控hadoop集群，hadoop集群网络配置中各个节点的角色、登录用户和IP如表1所示。并按表中个节点的配置IP，更改hostname和修改配置文件中的hosts。
表1节点配置信息
通过搭建三个节点，以从网络的数据库中下载车辆图像后选用3000张作为样本，每张图像为900K，格式为.bmp，对这些车辆图像样本进行车辆综合特征的提取。在启动三个集群节点后，通过命令/hadoop dfs-copyFromLocal/image/vehicle/*input将目录下的车辆图像样本复制到HDFS中。
参见图6～7，可知，随着节点数量的增加，单机对于图像的存储及处理所用时间不变且相对较长，而使用hadoop集群处理图像的时间逐渐减少，效率也随之提高；随着图像数量的增加，单机处理图像的时间近乎线性快速增加，而hadoop集群处理图像的时间增长速度平缓，且运行时间比单机要短，速度要快，因此使用hadoop集群处理海量图像能够在一定程度上提高效率，有一定的优势。
而且使用的harris角点检测方法，先将车辆图像样本进行灰度化后，提取边缘特征点，再根据角点响应函数提取出车辆目标区域，用最小外接矩形外接车辆目标和车灯、轮胎等目标区域，能够较好的从车辆图像中提取出目标区域。经过对比，经过Harris角点检测筛选的改进SIFT特征与原始的SIFT特征相比，去除了周围环境的影响，得到了有效的车辆目标边缘信息，达到了良好的效果。
现有基于立体视觉技术提取车辆特征的方法，并使用垂直特征构成车辆显著特征，再通过单目视觉为车辆目标构建一个具有对称性的模型实现车辆目标检测及特征信息提取，可很好应用于交通领域。
本申请提供的一种图像特征提取方法，通过选用Hadoop平台来实现从海量图像中提取图像目标的综合特征，并根据图像目标的特点，全方位的提取海量图像中图像目标的各种特征，且针对高维特征研究一种降维算法，从而能够有效的表征海量图像中图像目标的有价值信息。本申请涉及的图像特征提取方法提取效率高，同时，有效消除了冗余信息。
尽管在上文中参考特定的实施例对本申请进行了描述，但是所属领域技术人员应当理解，在本申请公开的原理和范围内，可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定，并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。

Claims (10)

1.一种图像特征提取方法，其特征在于：所述图像特征提取方法包括如下步骤：
1)将海量图像输入Hadoop平台；
2)将彩色图像转换为灰度图像，使用Harris角点检测并提取出图像目标区域；
3)对区域内的图像目标的各个部位进行主观特征的提取；
4)提取图像目标的局部特征，并与Harris角点算子进行混合提取；
5)将3)和4)的特征组合起来得到图像目标的综合特征；
6)对综合特征中的局部特征数据进行维数约简，并消除其中的冗余信息。
2.如权利要求1所述的图像特征提取方法，其特征在于：所述步骤2)中将彩色图像转换为灰度图像，转换公式为：
Gray＝0.299R+0.587G+0.114B
其中，Gray为灰度值，R为红色分量，G为绿色分量，B为蓝色分量。
3.如权利要求2所述的图像特征提取方法，其特征在于：所述图像边缘特征点是通过自相关函数相联系实对称矩阵M的一阶曲率确定的，如两个曲率值都很大，那么该点为角点；如两个曲率值都很小，那么该点位于平滑区域；如两个曲率值一个一小，那么该点位于图像中图像目标的边缘。
4.如权利要求3所述的图像特征提取方法，其特征在于：所述对称矩阵M表示为：
其中，w(x,y)为高斯模板窗口函数，Ix和Iy分别为图像I(x,y)在x和y两个方向的梯度：
5.如权利要求4所述的图像特征提取方法，其特征在于：所述步骤4)中角点响应函数表示为：
T＝det(M)-k(trM)2
其中k是一个经验值常量，取值范围为[0.04,0.06]；
由上式易知，T的取值决定于矩阵M的特征值，若|T|很大则对应于角点；若|T|很小则对应于平滑区域；若T为负值则对应边缘点。
6.如权利要求1所述的图像特征提取方法，其特征在于：所述步骤4)中提取的特征点中设X和Y分别为获得的特征点的横纵坐标集合，以为E点为中心，以F为边长，就可以将目标区域提取出来，其中E和F分别为：
F＝max[max(X)-min(X),max(Y)-min(Y)]。
7.如权利要求1所述的图像特征提取方法，其特征在于：所述步骤4)中混合提取包括如下步骤：
a.构建尺度空间：根据原始图像通过高斯核尺度变换后得到在不同尺度空间中不同的表示序列进行提取而获得；
b.极值点的检测：使用DoG算法通过不同尺度的高斯差分核与图像进行卷积计算，在尺度空间中检测到极值点；
c.极值点的定位：计算各特征点的值，去除易受干扰的不稳定极值点，保留相对较稳定的极值点；
d.特征点的删选：通过对所有N个极值点计算对应的Harris角点响应函数的值，并将其按照大小进行排序，筛选出前n个点极值点作为下一阶段描述的特征点，其中n＝kN；
e.生成特征点描述子：以特征点为中心使用采样窗口，其中每一个格子代表一个像素，箭头的方向即梯度的方向，箭头长度即梯度值，使用直方图统计邻域梯度方向,在小块中计算各个方向的梯度方向直方图。
8.如权利要求1所述的图像特征提取方法，其特征在于：所述步骤6)中通过对比选择局部线性嵌入方法来对高维图像目标特征进行维数约简。
9.如权利要求1～8中任一项所述的图像特征提取方法，其特征在于：所述Hadoop平台通过处理接口HIPI来实现图像数据的输入和输出；图像样本、图像的存储路径以及提取出来的图像目标的特征参数存储在所述Hadoop平台的分布式存储系统中；图像目标特征在所述Hadoop平台的分布式计算框架编程模型中进行提取。
10.如权利要求9所述的图像特征提取方法，其特征在于：所述主观特征包括车型的主观比例特征、车身的主观全局特征、车灯的主观几何特征或者轮胎的主观纹理方向特征中的一项或者几项。
CN201810858222.5A 2018-07-31 2018-07-31 一种图像特征提取方法 Pending CN109190637A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810858222.5A CN109190637A (zh) 2018-07-31 2018-07-31 一种图像特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810858222.5A CN109190637A (zh) 2018-07-31 2018-07-31 一种图像特征提取方法

Publications (1)

Publication Number Publication Date
CN109190637A true CN109190637A (zh) 2019-01-11

Family

ID=64937543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810858222.5A Pending CN109190637A (zh) 2018-07-31 2018-07-31 一种图像特征提取方法

Country Status (1)

Country Link
CN (1) CN109190637A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109682414A (zh) * 2019-02-28 2019-04-26 襄阳爱默思智能检测装备有限公司 一种宝石身份的特征表征和识别方法
CN111444017A (zh) * 2020-03-27 2020-07-24 北京金山云网络技术有限公司 多媒体数据处理方法、装置、系统、电子设备及存储介质
CN113221674A (zh) * 2021-04-25 2021-08-06 广东电网有限责任公司东莞供电局 基于粗糙集约简和sift的视频流关键帧提取系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077512A (zh) * 2012-10-18 2013-05-01 北京工业大学 基于主成分析的数字图像的特征提取与匹配方法及装置
CN105930853A (zh) * 2016-04-14 2016-09-07 吴本刚 一种用于生成内容的自动图像捕捉装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077512A (zh) * 2012-10-18 2013-05-01 北京工业大学 基于主成分析的数字图像的特征提取与匹配方法及装置
CN105930853A (zh) * 2016-04-14 2016-09-07 吴本刚 一种用于生成内容的自动图像捕捉装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
柳絮: "海量图像背景下的特定车辆目标检测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109682414A (zh) * 2019-02-28 2019-04-26 襄阳爱默思智能检测装备有限公司 一种宝石身份的特征表征和识别方法
CN111444017A (zh) * 2020-03-27 2020-07-24 北京金山云网络技术有限公司 多媒体数据处理方法、装置、系统、电子设备及存储介质
CN113221674A (zh) * 2021-04-25 2021-08-06 广东电网有限责任公司东莞供电局 基于粗糙集约简和sift的视频流关键帧提取系统及方法

Similar Documents

Publication Publication Date Title
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
Ashraf et al. Content based image retrieval by using color descriptor and discrete wavelet transform
US9619734B2 (en) Classification of land based on analysis of remotely-sensed earth images
CN111062885B (zh) 基于多阶段迁移学习的标志检测模型训练及标志检测方法
US8031947B2 (en) Method and system for rapid matching of video streams
CN110210276A (zh) 一种移动轨迹获取方法及其设备、存储介质、终端
CN110059807A (zh) 图像处理方法、装置和存储介质
US8406535B2 (en) Invariant visual scene and object recognition
JP6393230B2 (ja) オブジェクト検出方法及び画像検索システム
Ayedi et al. A fast multi-scale covariance descriptor for object re-identification
CN109190637A (zh) 一种图像特征提取方法
US20180232400A1 (en) Sketch-based image searching system using cell-orientation histograms and outline extraction based on medium-level features
Zhao et al. A systematic review of individual tree crown detection and delineation with convolutional neural networks (CNN)
CN110188217A (zh) 图像查重方法、装置、设备和计算机可读储存介质
CN111273905B (zh) 基于界面草图的应用检索方法和装置
CN108564116A (zh) 一种摄像头场景图像的成分智能分析方法
Singh et al. Nearest-neighbour classifiers in natural scene analysis
CN117011614A (zh) 基于深度学习的野山参艼芦体检测和品质等级分类方法及系统
CN111950362A (zh) 一种金丝猴面部图像识别方法、装置、设备及存储介质
Quispe et al. Automatic building change detection on aerial images using convolutional neural networks and handcrafted features
CN112053439A (zh) 图像中实例属性信息确定方法、装置、设备及存储介质
Merciol et al. Efficient and large-scale land cover classification using multiscale image analysis
Juan [Retracted] Research on Embroidery Feature Recognition Algorithm of Traditional National Costumes Based on Double‐Layer Model
Sheoran et al. Analysis on application of swarm-based techniques in processing remote sensed data
Kumar et al. COMPUTER VISION BASED DANCE POSTURE EXTRACTION USING SLIC.

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: 20190111

RJ01 Rejection of invention patent application after publication