CN109388727A - 一种基于聚类的bgp人脸快速检索方法 - Google Patents
一种基于聚类的bgp人脸快速检索方法 Download PDFInfo
- Publication number
- CN109388727A CN109388727A CN201811063494.2A CN201811063494A CN109388727A CN 109388727 A CN109388727 A CN 109388727A CN 201811063494 A CN201811063494 A CN 201811063494A CN 109388727 A CN109388727 A CN 109388727A
- Authority
- CN
- China
- Prior art keywords
- bgp
- cluster
- face
- picture
- coding
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于聚类的BGP人脸快速检索方法,步骤包括:S1.将人脸数据库中所有人脸图片分别进行BGP编码,得到BGP编码数据库,并对BGP编码数据库中编码进行聚类,得到多个类别以及对应各类别的聚类中心;S2.对待检图片进行BGP编码,得到待检图片的BGP编码输入至BGP编码数据库进行匹配,将匹配到的聚类中心作为相似人脸图片结果列表,将待检图片的BGP编码与相似人脸图片结果列表中各人脸图片进行比较,得到最终人脸检索结果。本发明具有实现方法简单、能够结合聚类与BGP实现人脸快速检索,且检索性能好等优点。
Description
技术领域
本发明涉及人脸识别技术领域,尤其涉及一种基于聚类的BGP人脸快速检索方法。
背景技术
近年来人脸识别始终是图像处理、计算机视觉、模式识别、认知科学等领域研究的热点 问题,广泛应用在安全验证、快捷支付、视频调查、个人鉴定等场合,其中一种广泛应用的 人脸识别场景即是给定一张待检索图片,快速从数据库中检索到相似图片,这类问题即为基 于人脸的快速检索。
目前实现快速检索方法主要包含以下几类:1)基于词袋模型的检索方法;2)基于KD树 的检索方法;3)基于向量聚类和量化的检索方法;4)基于哈希的检索方法。上述几类快速检 索方法通常实现复杂,且快速检索的对象通常是CIFAR-10、INRIA Holidays等以场景为主的 数据库图片,通常不适用于实现人脸图像的快速检索,而由于人脸具有易变性质,对人脸的 特征提取和描述易受表情、光照等影响,尤其是大型人脸数据库中人脸姿态、表情变化较剧 烈,很难提取稳定的描述子进行快速检索,直接适用当前的快速检索方法来进行人脸快速检 索并不能实现精确的检索。
目前的人脸识别算法可以分为以下几类:1)基于人脸局部特征的识别方法,如局部二值 模式(Local Binary Pattern,简称LBP)、弹性图匹配、二进制梯度模式(BinaryGradient Pattern, 简称BGP)等方法;2)基于人脸全局特征的识别方法,如线性判别分析(Linear Discriminant Analysis,简称LDA)、主成分分析(Principle ComponentAnalysis,简称PCA)、独立成分分 析(Independent Component Analysis,简称ICA)等方法;3)基于全局特征和局部特征结合 的方法,如基于特征脸和五官特征结合的方法;4)基于深度学习的方法,如facenet的提出 和应用。人脸识别的精度、效率取决于所采用的识别算法,而通常识别精度高的算法所需的 时间也相应的较长,即识别速率较慢,直接使用上述几类人脸识别算法均难以兼顾识别精度 以及识别效率。因此如何能够保证人脸检索精度的同时,提高人脸检索效率是亟待解决的问 题。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种实现 方法简单、能够结合聚类与BGP实现人脸快速检索,且检索性能好的基于聚类的BGP人脸 快速检索方法。
为解决上述技术问题,本发明提出的技术方案为:
一种基于聚类的BGP人脸快速检索方法,步骤包括:
S1.特征库聚类:将人脸数据库中人脸图片分别进行BGP编码,得到BGP编码数据库, 并对所述BGP编码数据库中编码进行聚类,得到多个类别以及对应各类别的聚类中心;
S3.人脸检索:对待检图片进行BGP编码,得到待检图片的BGP编码输入至所述BGP编码数据库进行匹配,将匹配到的聚类中心作为相似人脸图片结果列表,将所述待检图片的 BGP编码与所述相似人脸图片结果列表中各人脸图片进行比较,得到最终人脸检索结果。
作为本发明的进一步改进:所述进行BGP编码为使用BGP算法对输入图片进行编码, 得到BGP编码值,每个BGP编码值包含有像素的强度信息以及邻域像素关系的信息。
作为本发明的进一步改进,所述进行BGP编码的步骤包括:
基于BGP算法对输入图片进行特征提取,得到BGP特征图像;
将所述BGP特征图像分成互不重叠的子块;
统计每个子块的BGP直方图,得到对应各子块的直方图;
将所有子块的直方图按顺序进行拼接,得到最终的BGP编码值。
作为本发明的进一步改进:所述步骤S1中具体采用K均值聚类方法进行聚类。
作为本发明的进一步改进,所述采用K均值聚类方法进行聚类时,先在所述BGP编码 数据库中随机挑选k个初始聚类中心,根据与k个聚类中心的距离将所述BGP编码数据库中 各BGP编码划分到各所述聚类中心所属的类,形成k个聚类簇,对每个聚类簇重新计算聚类 中心,再根据新的聚类中心重新划分各所述BGP编码,不断迭代直到最大迭代次数或聚类中 心不再发生变化。
作为本发明的进一步改进,所述采用K均值聚类方法进行聚类的具体步骤为:
S11.随机选取所述BGP编码数据库中k个BGP编码并作为初始聚类中心,得到k个聚类中心;
S12.分别计算所述BGP编码数据库中每个BGP编码与所述k个聚类中心的距离,若满 足目标BGP编码与目标聚类中心的距离最小,则将目标BGP编码划分至目标聚类中心所属 的类中,形成k个初始聚类簇;
S13.对当前每个聚类簇重新计算聚类中心,得到k个更新后的聚类中心:
S14.判断是否达到所需最大迭代次数,若是退出聚类,否则判断当前得到的聚类中心与 上一次迭代得到的聚类中心是否有变化,若有变化,返回执行步骤S12以进行下一次迭代计 算,否则退出聚类。
所述步骤S1采用离线执行,得到包含多个类别以及对应聚类中心的BGP编码数据库进 行存储,所述步骤S2在线对待检图片调用步骤S1得到的BGP编码数据库进行人脸检索。
作为本发明的进一步改进,所述步骤S2的步骤包括:
S21.对待检图片进行BGP编码,得到待检图片的BGP编码;
S22.将所述待检图片的BGP编码输入至所述BGP编码数据库进行匹配,输出与所述待 检图片的BGP编码匹配的聚类中心并作为相似人脸图片结果列表;
S23.将所述相似人脸图片结果列表中各人脸图片分别与所述待检图片的BGP编码进行 匹配比较,由匹配得到的人脸图片得到最终人脸检索结果。
所述步骤S22中进行匹配时,计算所述待检图片的BGP编码与所述BGP编码数据库中 各聚类中心的距离,由距离最近的聚类中心作为匹配到的聚类中心。
与现有技术相比,本发明的优点在于:
1、本发明基于聚类的BGP人脸快速检索方法,基于BGP编码实现人脸识别,BGP能够鲁棒、简洁描述人脸并提取人脸特征,通过BGP来对人脸编码能够保证编码的准确性和简洁性,可以充分利用BGP编码的特性实现精确的人脸识别,同时考虑人脸检索的效率问题,通过结合聚类的方式来将数据库中相似度较高的编码聚为一类,进行人脸检索时,将待检图片 与各个聚类中心进行匹配,在匹配到对应的聚类中心后再进行精确的识别,可以快速的定位 到检索人脸目标,实现过程简单,能够在保证检索精度的同时,实现快速检索。
2、本发明基于聚类的BGP人脸快速检索方法,进一步结合K均值聚类方法,能够提高 聚类的效率及效果,将相似度较高的编码高效的聚为一类,充分结合BGP人脸特征提取和K 均值聚类方法的优势,能够在鲁棒、准确描述人脸的同时,显著提高人脸检索效率。
附图说明
图1是本实施例基于聚类的BGP人脸快速检索方法的实现流程示意图。
图2是BGP基本描述子的原理示意图。
图3是本实施例中BGP求特征向量的实现流程示意图。
图4是本实施例中K均值算法的实现流程示意图。
图5是本实施例基于聚类的BGP人脸快速检索方法的实现流程示意图。
图6是本发明具体应用实施例中采用的Yale中一个人部分图像的示意图。
图7是在具体实施例中选取的目标图像示意图。
图8是在具体实施例中采用传统方法检索得到的检索结果图。
图9是在具体实施例中采用本发明检索方法得到的检索结果图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本 发明的保护范围。
如图1所示,本实施例基于聚类的BGP人脸快速检索方法步骤包括:
S1.特征库聚类:将人脸数据库中人脸图片分别进行BGP编码,得到BGP编码数据库, 并对BGP编码数据库中编码进行聚类,得到多个类别以及对应各类别的聚类中心;
S3.人脸检索:对待检图片进行BGP编码,得到待检图片的BGP编码输入至所述BGP编码数据库进行匹配,将匹配到的聚类中心作为相似人脸图片结果列表,将待检图片的BGP编码与相似人脸图片结果列表中各人脸图片进行比较,得到最终人脸检索结果。
二进制梯度模式(BGP)是一种简洁高效的人脸描述子,二进制梯度模式具有计算简单、 判别性强、鲁棒性好等特点,十分适合应用于难以区分的人脸识别中,BGP在图像梯度方向 图中定义,具有良好的梯度特征,可以有效应对光照强度等变化;且在BGP中使用结构模式 和多空间分辨率,结构化BGP作用相当于边缘检测器,这是准确识别和简洁表示的关键,同 时多空间分辨率策略增加了描述符覆盖不同半径邻域像素的能力,使得基于BGP在人脸识别 中能够取得较高的识别精度。
本实施例考虑BGP的上述特性,基于BGP编码实现人脸识别,BGP能够鲁棒、简洁描述人脸并提取人脸特征,通过BGP来对人脸编码能够保证编码的准确性和简洁性,可以充分利用BGP编码的特性实现精确的人脸识别,同时考虑人脸检索的效率问题,通过结合聚类的方式来将数据库中相似度较高的编码聚为一类,进行人脸检索时,将待检图片与各个聚类中 心进行匹配,可以缩小后续的检索范围,在匹配到对应的聚类中心后再进行精确的识别,可 以快速的定位到检索人脸目标,极大的提高检索效率,能够在保证检索精度的同时,实现快 速检索。
BGP是基于图像梯度方向(IGO)和二进制描述方式,其思想来源于Gradientfaces新型 描述符,该描述符用图像梯度方向(IGO)取代像素强度来对人脸进行描述,以实现对照明 变化的鲁棒性,即梯度域提取的特征比来自强度域的特征更具有判别性和鲁棒性。BGP算法 中通过衡量图像梯度域中的局部像素之间的关系,并将底层局部结构有效编码为一组二进制 字符串,不仅增加了判别力,更是大大简化了计算复杂度。
BGP中为了发现梯度域潜在结构,BGP是从多方向计算图像梯度,并将其编码为一系列 二进制串,能够表示微小边界变化和纹理信息,因此具有很强的判别性,即使面对遮挡、光 照、表情变化等,也能取得较好的识别精度,且由于采用BGP对图像进行编码时,每个编码 值都蕴含了邻域像素关系的信息,而不仅仅是像素自身的强度信息,因此BGP编码后的图像 对各种环境变化更鲁棒,尤其具有较强的光照不变性。
BGP的基本描述子如图2所示,其中(a)对应为一个中心像素的八个邻像素(值为115), (b)为四个方向,(c)为主要的二进制串,编码为0111,标签为7,BGP算法如下:
给定一个中心像素和一系列局部邻像素(比如图1中8个邻像素),然后根据公式(1), 基于每个方向上的两个对称邻像素计算出一对二进制编码(主要的和辅助的),如图2的(b) (c)所示,从G1、G2、G3、G4等四个方向上可以得到4对二进制数:
再通过四个主要二进制编码得到中心像素的标签,即BGP二进制位表示如公式(2):
再如公式(3)转化为十进制数:
通过上述步骤,在四个方向上获得八个二进制数,每个方向上的主要和辅助的二进制数 总是互补的,每个方向只需要一个二进制位来体现,为了简洁的表示,本实施例采用主要的 二进制位来计算标签(根据公式(3))。
本实施例步骤S1、步骤S2中进行BGP编码时,即是采用如上述BGP算法对输入图片进行编码,得到BGP编码值,每个BGP编码值包含有像素的强度信息以及邻域像素关系的 信息,从而可以有效提高人脸识别的判别性及鲁棒性。二进制梯度模式适用于灰度图像,对于彩色图像需首先转换为灰度图像。由于采用BGP对图像进行编码时,每个编码值都蕴含了邻域像素关系的信息,而不仅仅是像素自身的强度信息,因此BGP编码后的图像对各种环境变化更鲁棒,尤其具有较强的光照不变性。
如图3所示,本实施例中进行BGP编码的具体步骤为:
基于BGP算法对输入图片进行特征提取,得到BGP特征图像;
将所述BGP特征图像分成互不重叠的子块;
统计每个子块的BGP直方图,得到对应各子块的直方图;
将所有子块的直方图按顺序进行拼接,得到最终的BGP编码值。
在特征库聚类阶段,对人脸数据库中所有人脸图片分别使用上述步骤进行BGP编码,得 到BGP编码数据库;在人脸识别阶段,对待检图片采用上述步骤进行BGP编码,得到待检 图片的BGP编码。
本实施例中,步骤S2中具体采用K均值聚类方法进行聚类,即基于K均值聚类实现BGP 人脸快速检索方法,结合K均值聚类方法能够提高聚类的效率及效果,将相似度较高的编码 高效的聚为一类,充分结合BGP人脸特征提取和K均值聚类方法的优势,能够在鲁棒、准 确描述人脸的同时,实现检索速度和效率的明显提升,可以实现准确描述人脸的基础上快速 检索。
本实施例中,采用K均值聚类方法进行聚类时,先在BGP编码数据库中随机挑选k个初始聚类中心,根据与k个聚类中心的距离将所述BGP编码数据库中各BGP编码划分到各 所述聚类中心所属的类,形成k个聚类簇,对每个聚类簇重新计算聚类中心,再根据新的聚 类中心重新划分各所述BGP编码,不断迭代直到最大迭代次数或聚类中心不再发生变化。
如图4所示,采用K均值聚类方法进行聚类的具体步骤如下:
Step1:随机选取BGP编码数据库中k个BGP编码并作为初始聚类中心,得到k个聚类中心
Step2:计算BGP编码数据库中每个BGP编码xp与k个聚类中心的距离d:
若满足目标BGP编码与目标聚类中心的距离最小,即满足:
d(xp,Ci)=min(d(xp,Cj)),j=1,2,…,k,
则将目标BGP编码划分至目标聚类中心所属的类中,即xp∈Ci,j=1,2,…,k,形成k个初 始聚类簇;
Step3:对当前每个聚类簇重新计算聚类中心,得到k个更新后的聚类中心,计算表达式 为:
Step4:判断是否达到所需最大迭代次数,若是退出聚类,否则判断当前得到的聚类中心 与上一次迭代得到的聚类中心是否有变化,若有变化,返回执行步骤S12以进行下一次迭代 计算,否则退出聚类。
经过上述步骤后,即可基于K均值聚类方法将经过BGP编码后的人脸数据库中各图片 分为多个类别,将相似度较高的编码聚为一类,各个类别对应为相似的多张图片。
人脸数据库经过上述BGP编码及聚类后,即可得到多个类别以及对应各个类别的聚类中 心,后续将待检图片与该数据库特征比较,即可实现人脸识别。本实施例步骤S2的步骤包括:
S21.对待检图片进行BGP编码,得到待检图片的BGP编码;
S22.将待检图片的BGP编码输入至所述BGP编码数据库进行匹配,输出与待检图片的BGP编码匹配的聚类中心并作为相似人脸图片结果列表;
S23.将相似人脸图片结果列表中各人脸图片分别与所述待检图片的BGP编码进行匹配 比较,由匹配得到的人脸图片得到最终人脸检索结果。
在人脸检索阶段,对待检图片进行BGP编码,从人脸数据库中先查找与待检图片BGP 编码匹配的聚类中心,以减少检索范围,快速定位到目标所在的检索区域,再将待检图片BGP 编码与匹配到的聚类中心内各图片进行匹配比较,即可定位到目标图片,实现快速的人脸检 索。
本实施例步骤S22中进行匹配时,具体计算待检图片的BGP编码与BGP编码数据库中 各聚类中心的距离,由距离最近的聚类中心作为匹配到的聚类中心。
本发明具体实施例中步骤S1采用离线执行,得到包含多个类别以及对应聚类中心的BGP 编码数据库进行存储,步骤S2在线对待检图片调用步骤S1得到的BGP编码数据库进行人脸 检索。如图5所示,具体分为对数据库离线操作和对目标图片在线操作两部分,离线操作部 分中,首先对人脸数据库所有图片进行BGP编码,接着对得到的编码进行K均值聚类,得 到K个类别及各自的聚类中心;在线操作部分中,首先对待检索图片进行BGP编码,接着 计算该编码与K个聚类中心的距离,找到距离最小的类,而后将该类作为相似人脸图片结果 列表,最后将待检索图片编码与相似人脸图片编码比较,得到最终检索结果。即将特征库聚 类过程采用离线操作预先完成,在线检索图片时再使用训练好的特征库进行人脸识别,可以 节省在线检索的时间,提高在线检索的效率。
为验证本发明上述检索方法的有效性,基于Yale库分别采用本发明上述检索方法以及传 统检索方法进行实验,Yale库包含15个研究对象,每人11张正脸图像,共165幅人脸图像。 其中包括了光照、表情、遮挡等变化,Yale中一个人部分人脸图像如图6所示,Yale人脸库 包含人脸的各种变化情况,但样本量有限,165幅图片无法满足大规模检索的数据量要求, 而许多大规模人脸库,如LFW、CASIA等,包括侧脸在内姿态各异的人脸图片,单一人脸描 述子难以提取人脸特征。针对上述矛盾,本实施例在Yale数据库基础上进行样本扩充,扩充 方法为对每张图片进行像素强度变换或加入少许噪声,最终将样本数量扩充为495、1650、 4950、16500。
在Yale及扩充的样本数据库上,分别使用本发明上述基于K均值聚类的BGP人脸快速 检索方法与传统逐一检索方法进行对比实验,样本数N取165、495、1650、4950、16500, K值分别取3、5、7、9,具体实验步骤如下:
Step1:从数据库随机选取一张图片作为目标图片;
Step2:分别应用传统方法和本文提出的方法进行检索,检索出最相似的十张图片,并记 录检索时间;
Step3:重复上述两步,重复十次;
Step4:将十次的平均检索时间视作该方法在对应数据库上的检索时间(Time)。
最终检索时间对比情况如表1所示:
表1:检索时间对比情况
由表1可见,相对于传统检索方法,本发明基于聚类的BGP人脸检索方法能够缩短检索 时间,提高检索效率。取N=165,K=9某次实验,随机选取一张图像作为目标图像,如图7 所示,两种检索方法得到的检索结果分别如图8和图9所示。从上述结果可见,相对于传统 方法,本发明在检索过程中能够保留较高的检索精度。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较 佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容, 依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明 技术方案保护的范围内。
Claims (9)
1.一种基于聚类的BGP人脸快速检索方法,其特征在于,步骤包括:
S1.特征库聚类:将人脸数据库中人脸图片分别进行BGP编码,得到BGP编码数据库,并对所述BGP编码数据库中编码进行聚类,得到多个类别以及对应各类别的聚类中心;
S2.人脸检索:对待检图片进行BGP编码,得到待检图片的BGP编码输入至所述BGP编码数据库进行匹配,将匹配到的聚类中心作为相似人脸图片结果列表,将所述待检图片的BGP编码与所述相似人脸图片结果列表中各人脸图片进行比较,得到最终人脸检索结果。
2.根据权利要求1所述的基于聚类的BGP人脸快速检索方法,其特征在于,所述进行BGP编码为使用BGP算法对输入图片进行编码,得到BGP编码值,每个BGP编码值包含有像素的强度信息以及邻域像素关系的信息。
3.根据权利要求2所述的基于聚类的BGP人脸快速检索方法,其特征在于,所述进行BGP编码的步骤包括:
基于BGP算法对输入图片进行特征提取,得到BGP特征图像;
将所述BGP特征图像分成互不重叠的子块;
统计每个子块的BGP直方图,得到对应各子块的直方图;
将所有子块的直方图按顺序进行拼接,得到最终的BGP编码值。
4.根据权利要求1或2或3所述的基于聚类的BGP人脸快速检索方法,其特征在于,所述步骤S1中具体采用K均值聚类方法进行聚类。
5.根据权利要求4所述的基于聚类的BGP人脸快速检索方法,其特征在于,所述采用K均值聚类方法进行聚类时,先在所述BGP编码数据库中随机挑选k个初始聚类中心,根据与k个聚类中心的距离将所述BGP编码数据库中各BGP编码划分到各所述聚类中心所属的类,形成k个聚类簇,对每个聚类簇重新计算聚类中心,再根据新的聚类中心重新划分各所述BGP编码,不断迭代直到最大迭代次数或聚类中心不再发生变化。
6.根据权利要求5所述的基于聚类的BGP人脸快速检索方法,其特征在于,所述采用K均值聚类方法进行聚类的具体步骤为:
S11.随机选取所述BGP编码数据库中k个BGP编码并作为初始聚类中心,得到k个聚类中心;
S12.分别计算所述BGP编码数据库中每个BGP编码与所述k个聚类中心的距离,若满足目标BGP编码与目标聚类中心的距离最小,则将目标BGP编码划分至目标聚类中心所属的类中,形成k个初始聚类簇;
S13.对当前每个聚类簇重新计算聚类中心,得到k个更新后的聚类中心:
S14.判断是否达到所需最大迭代次数,若是退出聚类,否则判断当前得到的聚类中心与上一次迭代得到的聚类中心是否有变化,若有变化,返回执行步骤S12以进行下一次迭代计算,否则退出聚类。
7.根据权利要求1或2或3所述的基于聚类的BGP人脸快速检索方法,其特征在于,所述步骤S1采用离线执行,得到包含多个类别以及对应聚类中心的BGP编码数据库进行存储,所述步骤S2在线对待检图片调用步骤S1得到的BGP编码数据库进行人脸检索。
8.根据权利要求1或2或3所述的基于聚类的BGP人脸快速检索方法,其特征在于,所述步骤S2的步骤包括:
S21.对待检图片进行BGP编码,得到待检图片的BGP编码;
S22.将所述待检图片的BGP编码输入至所述BGP编码数据库进行匹配,输出与所述待检图片的BGP编码匹配的聚类中心并作为相似人脸图片结果列表;
S23.将所述相似人脸图片结果列表中各人脸图片分别与所述待检图片的BGP编码进行匹配比较,由匹配得到的人脸图片得到最终人脸检索结果。
9.根据权利要求8所述的基于聚类的BGP人脸快速检索方法,其特征在于,所述步骤S22中进行匹配时,计算所述待检图片的BGP编码与所述BGP编码数据库中各聚类中心的距离,由距离最近的聚类中心作为匹配到的聚类中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811063494.2A CN109388727A (zh) | 2018-09-12 | 2018-09-12 | 一种基于聚类的bgp人脸快速检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811063494.2A CN109388727A (zh) | 2018-09-12 | 2018-09-12 | 一种基于聚类的bgp人脸快速检索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109388727A true CN109388727A (zh) | 2019-02-26 |
Family
ID=65418938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811063494.2A Pending CN109388727A (zh) | 2018-09-12 | 2018-09-12 | 一种基于聚类的bgp人脸快速检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109388727A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069989A (zh) * | 2019-03-15 | 2019-07-30 | 上海拍拍贷金融信息服务有限公司 | 人脸图像处理方法及装置、计算机可读存储介质 |
CN110083732A (zh) * | 2019-03-12 | 2019-08-02 | 浙江大华技术股份有限公司 | 图片检索方法、装置及计算机存储介质 |
CN110609916A (zh) * | 2019-09-25 | 2019-12-24 | 四川东方网力科技有限公司 | 视频图像数据检索方法、装置、设备和存储介质 |
CN111079653A (zh) * | 2019-12-18 | 2020-04-28 | 中国工商银行股份有限公司 | 数据库自动分库方法及装置 |
CN112633051A (zh) * | 2020-09-11 | 2021-04-09 | 博云视觉(北京)科技有限公司 | 一种基于图像搜索的在线人脸聚类方法 |
CN113362543A (zh) * | 2021-05-21 | 2021-09-07 | 北京百度网讯科技有限公司 | 结算方法、装置、电子设备以及存储介质 |
CN113792172A (zh) * | 2021-11-15 | 2021-12-14 | 西安热工研究院有限公司 | 基于三角不等式的图像检索方法、系统、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100296706A1 (en) * | 2009-05-20 | 2010-11-25 | Canon Kabushiki Kaisha | Image recognition apparatus for identifying facial expression or individual, and method for the same |
CN102096800A (zh) * | 2009-12-14 | 2011-06-15 | 北京中星微电子有限公司 | 一种图像信息获取方法及装置 |
CN103235825A (zh) * | 2013-05-08 | 2013-08-07 | 重庆大学 | 一种基于Hadoop云计算框架的海量人脸识别搜索引擎设计方法 |
CN103886760A (zh) * | 2014-04-02 | 2014-06-25 | 李涛 | 实时的基于交通视频的车型检测系统 |
CN104268539A (zh) * | 2014-10-17 | 2015-01-07 | 中国科学技术大学 | 一种高性能的人脸识别方法及系统 |
-
2018
- 2018-09-12 CN CN201811063494.2A patent/CN109388727A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100296706A1 (en) * | 2009-05-20 | 2010-11-25 | Canon Kabushiki Kaisha | Image recognition apparatus for identifying facial expression or individual, and method for the same |
CN102096800A (zh) * | 2009-12-14 | 2011-06-15 | 北京中星微电子有限公司 | 一种图像信息获取方法及装置 |
CN103235825A (zh) * | 2013-05-08 | 2013-08-07 | 重庆大学 | 一种基于Hadoop云计算框架的海量人脸识别搜索引擎设计方法 |
CN103886760A (zh) * | 2014-04-02 | 2014-06-25 | 李涛 | 实时的基于交通视频的车型检测系统 |
CN104268539A (zh) * | 2014-10-17 | 2015-01-07 | 中国科学技术大学 | 一种高性能的人脸识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
LIWEI LI等: "Face Recognition Algorithm Based on Cascading BGP Feature Fusion", 《2018 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083732A (zh) * | 2019-03-12 | 2019-08-02 | 浙江大华技术股份有限公司 | 图片检索方法、装置及计算机存储介质 |
CN110083732B (zh) * | 2019-03-12 | 2021-08-31 | 浙江大华技术股份有限公司 | 图片检索方法、装置及计算机存储介质 |
CN110069989A (zh) * | 2019-03-15 | 2019-07-30 | 上海拍拍贷金融信息服务有限公司 | 人脸图像处理方法及装置、计算机可读存储介质 |
CN110609916A (zh) * | 2019-09-25 | 2019-12-24 | 四川东方网力科技有限公司 | 视频图像数据检索方法、装置、设备和存储介质 |
CN111079653A (zh) * | 2019-12-18 | 2020-04-28 | 中国工商银行股份有限公司 | 数据库自动分库方法及装置 |
CN111079653B (zh) * | 2019-12-18 | 2024-03-22 | 中国工商银行股份有限公司 | 数据库自动分库方法及装置 |
CN112633051A (zh) * | 2020-09-11 | 2021-04-09 | 博云视觉(北京)科技有限公司 | 一种基于图像搜索的在线人脸聚类方法 |
CN113362543A (zh) * | 2021-05-21 | 2021-09-07 | 北京百度网讯科技有限公司 | 结算方法、装置、电子设备以及存储介质 |
CN113362543B (zh) * | 2021-05-21 | 2023-10-31 | 北京百度网讯科技有限公司 | 结算方法、装置、电子设备以及存储介质 |
CN113792172A (zh) * | 2021-11-15 | 2021-12-14 | 西安热工研究院有限公司 | 基于三角不等式的图像检索方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109388727A (zh) | 一种基于聚类的bgp人脸快速检索方法 | |
Khan et al. | An implementation of optimized framework for action classification using multilayers neural network on selected fused features | |
Paisitkriangkrai et al. | Pedestrian detection with spatially pooled features and structured ensemble learning | |
Xiang et al. | Fabric image retrieval system using hierarchical search based on deep convolutional neural network | |
JP5254893B2 (ja) | 画像変換方法及び装置並びにパターン識別方法及び装置 | |
KR102138657B1 (ko) | 계층적 협업 표현 기반 분류를 통한 강인한 얼굴인식 장치 및 그 방법 | |
Zhu et al. | Deep learning for multilabel remote sensing image annotation with dual-level semantic concepts | |
CN111709311A (zh) | 一种基于多尺度卷积特征融合的行人重识别方法 | |
JP2008310796A (ja) | コンピュータにより実施される、訓練データから分類器を構築し、前記分類器を用いてテストデータ中の移動物体を検出する方法 | |
Ahmed et al. | Deep image sensing and retrieval using suppression, scale spacing and division, interpolation and spatial color coordinates with bag of words for large and complex datasets | |
CN110046660A (zh) | 一种基于半监督学习的乘积量化方法 | |
CN108805280B (zh) | 一种图像检索的方法和装置 | |
Sahli et al. | Robust vehicle detection in low-resolution aerial imagery | |
Kartheek et al. | Radial mesh pattern: a handcrafted feature descriptor for facial expression recognition | |
Ramalingam et al. | Robust face recognition using enhanced local binary pattern | |
Lin et al. | Region-based context enhanced network for robust multiple face alignment | |
Mliki et al. | Human action recognition based on discriminant body regions selection | |
CN110516640B (zh) | 一种基于特征金字塔联合表示的车辆再辨识方法 | |
CN112364809A (zh) | 一种高准确率的人脸识别改进算法 | |
CN110135253A (zh) | 一种基于长期递归卷积神经网络的手指静脉认证方法 | |
Asif et al. | Composite description based on color vector quantization and visual primary features for CBIR tasks | |
Patil et al. | Improving the efficiency of image and video forgery detection using hybrid convolutional neural networks | |
CN113963164A (zh) | 一种基于分组邻域强度差异编码的纹理特征提取方法 | |
Kilicaslan et al. | Image Retrieval using One-Dimensional Color Histogram Created with Entropy. | |
CN109063693A (zh) | 金字塔式编码的bgp人脸快速检索方法 |
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: 20190226 |
|
RJ01 | Rejection of invention patent application after publication |