CN109697432A - 融合改进的siltp和局部方向模式的学习者姿态识别方法 - Google Patents
融合改进的siltp和局部方向模式的学习者姿态识别方法 Download PDFInfo
- Publication number
- CN109697432A CN109697432A CN201811649123.2A CN201811649123A CN109697432A CN 109697432 A CN109697432 A CN 109697432A CN 201811649123 A CN201811649123 A CN 201811649123A CN 109697432 A CN109697432 A CN 109697432A
- Authority
- CN
- China
- Prior art keywords
- siltp
- adaptive
- feature
- value
- local direction
- 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.)
- Granted
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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种融合改进的SILTP和局部方向模式的学习者姿态识别方法,由图像预处理、提取三尺度加权的自适应SILTP特征、提取改进的局部方向模式特征FLVR、将三尺度加权自适应SILTP特征FMWA‑SILTP和改进的局部方向模式特征FLVR进行融合得到姿态识别的总特征FMWASILTP‑LVR、采用支持向量机对学习者姿态分类识别组成。本发明在SILTP中采用自适应阈值,得到自适应SILTP,可动态生成适应于各样本的阈值,自适应性更强;并在SILTP中引入三尺度加权机制,将不同尺度的自适应SILTP以不同权重融合,具有较好的特征表征能力;在局部方向模式中融入方差VAR,充分利用图像的边缘梯度信息和灰度值变化强度;本发明具有抗干扰性强、识别率高等优点,可用于学习者姿态识别及其它图像识别和分类。
Description
技术领域
本发明涉及图像处理和机器视觉技术领域,具体涉及一种融合改进的SILTP和局部方向模式的学习者姿态识别方法。
背景技术
随着互联网技术的发展和人工智能时代的到来,在线学习作为一种便捷新颖的学习方式,日益广泛地影响着我们的学习和工作。如何有效地评估数字化学习过程中学习者的行为状态成为日益重要的问题。对学习者学习过程中的姿态识别进而判断学习者的状态,可以实现学习过程的监测。学习者姿态识别能够有效地评价在线学习过程中学习者的学习状态,对分析和改善学习者的学习状态具有重要作用。
张鸿宇等人提出了一种基于深度图像的多学习者姿态识别的方法,首先通过Kinect的红外传感器获取包含深度信息的深度图像,利用深度图像进行人像-背景分离,然后提取人体的轮廓特征Hu矩,采用支持向量机分类器对轮廓特征进行分类和识别,实验表明这种方法能有效地识别学习者的举手、正坐和低头等姿态。Chu等人提出一种新的行人重识别框架,在水平和垂直方向上将放大后的图像划分为子区域,并提取图像局部区域的尺度不变局部三值模式(ScaleInvariantLocalTernary Pattern,SILTP)和HSV(Hue,Saturation,Value)特征进行行人重识别,降低了不匹配的风险,增加了对遮挡的鲁棒性。齐美彬等人提出一种改进特征与GPU(graphic processingunit)加速的行人检测算法,选取SILTP特征作为纹理特征,在GPU空间中并行提取,同时提取图像的HOG(histogramoforientedgradient)特征值,将提取的全部特征输出到CPU(centralprocessingunit),利用支持向量机分类器实现行人检测。
上述学习者姿态识别模型采用Hu矩特征来描述学习者姿态特征,Hu矩不能完全提取图像中的信息,而且它们是非正交的,具有信息冗余性;上述行人重识别和行人检测模型采用传统SILTP进行特征提取,但传统SILTP并不稳定,在复杂背景的情况下,并不能很好地表征每个样本的纹理特征,自适应性不强。
发明内容
本发明针对已有技术的不足,提供一种抗干扰性强、识别率高的融合改进的SILTP和局部方向模式的学习者姿态识别方法。
解决上述技术问题所采用的技术方案由下述步骤组成:
(1)图像预处理
对学习者姿态图像进行尺度归一化处理,并将图像转化为灰度图像{G(p,q)},p是灰度图像像素点的横坐标,q是灰度图像像素点的纵坐标,p、q均为正整数;
(2)提取三尺度加权的自适应SILTP特征
(2.1)根据全局和局部邻域对比度值的离散程度自动生成当前邻域的自适应阈值ε,并进行SILTP编码,得到自适应SILTP,自适应SILTP的表达式为
式中(xc,yc)为灰度图像{G(p,q)}像素点的位置,Ic是中心像素点的灰度值,Ik是以中心像素点为圆心、半径为R区域内N邻域所对应的像素点的灰度值,k∈{0,1,...,N-1},R为有限正整数,N取4或8,ε是自适应阈值,是比特连接运算符,sε是分段函数;
所述的分段函数sε为
(2.2)提取灰度图像{G(p,q)}的三个尺度的自适应SILTP特征,并将该三个尺度的自适应SILTP特征以不同权重融合,得到三尺度加权自适应SILTP特征FMWA-SILTP;
(3)提取改进的局部方向模式特征FLVR
(3.1)把灰度图像{G(p,q)}送入局部方向模式中,选取前3个最大边缘响应绝对值并设为1,提取灰度图像{G(p,q)}的局部方向模式特征FLDP;
(3.2)通过计算灰度图像{G(p,q)}每个像素点在(R1,N1)邻域内的方差VAR值,提取灰度图像{G(p,q)}的方差VAR直方图特征FVAR,R1是邻域半径,N1是邻域节点数目,R1为正整数,N1取4或8;
(3.3)将局部方向模式特征FLDP和方差VAR直方图特征FVAR进行融合,作为图像{G(p,q)}的改进的局部方向模式特征FLVR;
(4)将三尺度加权自适应SILTP特征FMWA-SILTP和改进的局部方向模式特征FLVR进行融合,得到姿态识别的总特征FMWASILTP-LVR;
(5)采用支持向量机对学习者姿态进行分类识别。
作为一种优选的技术方案,所述的步骤(2.1)中自适应阈值ε生成公式如下:
式中u是图像水平方向上像素点的总数,w是图像垂直方向上像素点的总数,Δgpq是灰度图像{G(p,q)}像素点的灰度值与平均灰度值的差值,是灰度图像{G(p,q)}像素点的灰度值与平均灰度值的差值的均值,ΔIk是中心像素值Ic在(R,N)邻域内的对比度值,是中心像素值Ic在(R,N)邻域内对比度值的均值;
所述的中心像素值Ic在(R,N)邻域内的对比度值ΔIk为
ΔIk=Ik-Ic,(k=0,1,…,N-1) (4)
所述的中心像素值Ic在(R,N)邻域内对比度值的均值为
作为一种优选的技术方案,所述的步骤(2.2)中三个不同尺度的自适应SILTP特征加权融合的方法如下:
(a)把灰度图像{G(p,q)}送入自适应SILTP中,获取灰度图像{G(p,q)}在半径R分别为1、4、6三个尺度下的自适应SILTP直方图特征向量H1,H2,H3,并对特征向量H1,H2,H3分别归一化为H'1,H'2,H'3;
(b)对特征向量H'1,H'2,H'3进行加权融合,得到三尺度加权自适应SILTP特征FMWA-SILTP,
FMWA-SILTP=w1×H'1+w2×H'2+w3×H'3 (6)
式中,w1是R=1尺度对应的权重,w2是R=4尺度对应的权重,w3是R=6尺度对应的权重,w1+w2+w3=1且w1、w2、w3均为正数。
作为一种优选的技术方案,所述的R=1尺度对应的权重w1为0.6,R=4尺度对应的权重w2为0.2,R=6尺度对应的权重w3为0.2。
作为一种优选的技术方案,其特征在于所述的步骤(3.3)中局部方向模式特征FLDP和方差VAR直方图特征FVAR按下式融合:
FLVR=[FLDP,FVAR] (7)
作为一种优选的技术方案,所述的步骤(4)中三尺度加权自适应SILTP特征FMWA-SILTP和改进的局部方向模式特征FLVR按下式融合:
FMWASILTP-LVR=[FMWA-SILTP,FLVR] (8)
本发明的有益效果如下:
本发明在SILTP中采用自适应阈值,得到自适应SILTP,可动态生成适应于各样本的阈值,自适应性更强,对光照变化和噪声具有较好的鲁棒性,降低了学习者姿态图像受外界环境的影响;并在SILTP中引入三尺度加权机制,对图像进行多分辨率表征,获得更丰富的特征信息,具有较好的特征表征能力;本发明在局部方向模式中融入方差VAR,充分利用图像的边缘梯度信息和灰度值变化强度,获得更丰富的特征信息,更稳定;本发明采用多特征融合的方式,融合三尺度加权自适应SILTP和改进的局部方向模式特征,从多角度提取图像各方面的信息,为学习者姿态识别提供可靠的分类依据,有效地提高分类识别的精度。本发明具有抗干扰性强、识别率高等优点,可用于学习者姿态识别及其它图像识别和分类。
附图说明
图1是本发明的流程图。
图2是LPR图库中的部分图像。
具体实施方式
下面结合附图和实施例对本发明进一步详细说明,但本发明不限于下述的实施方式。
实施例1
在图1中,融合改进的SILTP和局部方向模式的学习者姿态识别方法,由下述步骤组成:
(1)图像预处理
对学习者姿态图像进行尺度归一化处理,归一化后的图像像素为256×256,并将图像转化为灰度图像{G(p,q)},p是灰度图像像素点的横坐标,q是灰度图像像素点的纵坐标,p、q均为正整数;
(2)提取三尺度加权的自适应SILTP特征
(2.1)根据全局和局部邻域对比度值的离散程度自动生成当前邻域的自适应阈值ε,并进行SILTP编码,得到自适应SILTP,自适应SILTP的表达式为
式中(xc,yc)为灰度图像{G(p,q)}像素点的位置,Ic是中心像素点的灰度值,Ik是以中心像素点为圆心、半径为R区域内N邻域所对应的像素点的灰度值,k∈{0,1,...,N-1},R为有限正整数,N取4,ε是自适应阈值,是比特连接运算符,sε是分段函数;
本实施例中分段函数sε为
本实施例中自适应阈值ε生成公式如下:
式中u是图像水平方向上像素点的总数,u为256,w是图像垂直方向上像素点的总数,w为256,Δgpq是灰度图像{G(p,q)}像素点的灰度值与平均灰度值的差值,是灰度图像{G(p,q)}像素点的灰度值与平均灰度值的差值的均值,ΔIk是中心像素值Ic在(R,N)邻域内的对比度值,是中心像素值Ic在(R,N)邻域内对比度值的均值;
本实施例中心像素值Ic在(R,N)邻域内的对比度值ΔIk为
ΔIk=Ik-Ic,(k=0,1,…,N-1) (4)
本实施例中心像素值Ic在(R,N)邻域内对比度值的均值为
本实施例灰度图像{G(p,q)}像素点的灰度值与平均灰度值的差值Δgpq为
Δgpq=T(p,q)-J (6)
式中J是灰度图像{G(p,q)}的像素点的平均灰度值,T(p,q)是灰度图像{G(p,q)}像素点的灰度值;
本实施例灰度图像{G(p,q)}像素点的灰度值与平均灰度值的差值的均值为
(2.2)提取灰度图像{G(p,q)}的三个尺度的自适应SILTP特征,并将该三个尺度的自适应SILTP特征以不同权重融合,得到三尺度加权自适应SILTP特征FMWA-SILTP;
上述三个不同尺度的自适应SILTP特征加权融合的方法如下:
(a)把灰度图像{G(p,q)}送入自适应SILTP中,获取灰度图像{G(p,q)}在半径R分别为1、4、6三个尺度下的自适应SILTP直方图特征向量H1,H2,H3,并对特征向量H1,H2,H3分别归一化为H'1,H'2,H'3;
(b)对特征向量H'1,H'2,H'3进行加权融合,得到三尺度加权自适应SILTP特征FMWA-SILTP,
FMWA-SILTP=w1×H'1+w2×H'2+w3×H'3 (8)
式中,w1是R=1尺度对应的权重,w2是R=4尺度对应的权重,w3是R=6尺度对应的权重,w1为0.6,w2为0.2,w3为0.2;
(3)提取改进的局部方向模式特征FLVR
(3.1)把灰度图像{G(p,q)}送入局部方向模式中,选取前3个最大边缘响应绝对值并设为1,提取灰度图像{G(p,q)}的局部方向模式特征FLDP;
(3.2)通过计算灰度图像{G(p,q)}每个像素点在(R1,N1)邻域内的方差VAR值,提取灰度图像{G(p,q)}的方差VAR直方图特征FVAR,R1是邻域半径,N1是邻域节点数目,R1为1,N1取8;
(3.3)将局部方向模式特征FLDP和方差VAR直方图特征FVAR按下式(9)进行融合,作为图像{G(p,q)}的改进的局部方向模式特征FLVR;
FLVR=[FLDP,FVAR] (9)
(4)将三尺度加权自适应SILTP特征FMWA-SILTP和改进的局部方向模式特征FLVR按下式(10)进行融合,得到姿态识别的总特征FMWASILTP-LVR;
FMWASILTP-LVR=[FMWA-SILTP,FLVR] (10)
(5)采用支持向量机对学习者姿态进行分类识别。
将学习者姿态的图像分为训练样本和测试样本两类,学习者姿态图像按照所属的类别分为正坐的标签为1、举手的标签为2、低头的标签为3,将学习者姿态训练样本的特征向量及标签输入支持向量机分类器训练,并将学习者姿态测试样本的特征向量及标签输入支持向量机分类器,由分类器对学习者姿态进行识别。
为了验证本发明的有益效果,发明人应用实施例1的方法进行了如下实验:
1、图库的建立
在教室场景中,用普通相机拍摄教室里学生学习时正坐、举手、低头的图像,建立了一个学习者姿态图像数据库(简称LPR图库),该数据库共采集了3000张图像,其中正坐姿态、举手姿态、低头姿态图像各1000张。图2为LPR图库中的部分图像,图2中(a)为正坐姿态,(b)为举手姿态,(c)为低头姿态。
2、学习者姿态识别
从LPR图库中随机选取2100张图像作为训练集,其中正坐姿态、举手姿态、低头姿态的图像各700张;图库中剩余的900张图像作为测试集;
应用实施例1的融合改进的SILTP和局部方向模式的学习者姿态识别方法进行姿态识别,表1给出了该方法三种姿态对应的识别率,
表1三种姿态对应的识别率
从表1看出,本发明对学习者的正坐、举手、低头三种姿态具有较高的识别率,因为本发明充分利用三尺度加权自适应SILTP特征FMWA-SILTP和改进的局部方向模式特征FLVR两种特征的优势,对光照变化和噪声具有较好的鲁棒性,抗干扰性更强,更稳定,能够更好地提取边缘信息,自适应性强,从而使得多特征融合具有更好的特征表征能力,从而提高了学习者姿态识别率。
Claims (6)
1.一种融合改进的SILTP和局部方向模式的学习者姿态识别方法,其特征在于由下述步骤组成:
(1)图像预处理
对学习者姿态图像进行尺度归一化处理,并将图像转化为灰度图像{G(p,q)},p是灰度图像像素点的横坐标,q是灰度图像像素点的纵坐标,p、q均为正整数;
(2)提取三尺度加权的自适应SILTP特征
(2.1)根据全局和局部邻域对比度值的离散程度自动生成当前邻域的自适应阈值ε,并进行SILTP编码,得到自适应SILTP,自适应SILTP的表达式为
式中(xc,yc)为灰度图像{G(p,q)}像素点的位置,Ic是中心像素点的灰度值,Ik是以中心像素点为圆心、半径为R区域内N邻域所对应的像素点的灰度值,k∈{0,1,...,N-1},R为有限正整数,N取4或8,ε是自适应阈值,是比特连接运算符,sε是分段函数;
所述的分段函数sε为
(2.2)提取灰度图像{G(p,q)}的三个尺度的自适应SILTP特征,并将该三个尺度的自适应SILTP特征以不同权重融合,得到三尺度加权自适应SILTP特征FMWA-SILTP;
(3)提取改进的局部方向模式特征FLVR
(3.1)把灰度图像{G(p,q)}送入局部方向模式中,选取前3个最大边缘响应绝对值并设为1,提取灰度图像{G(p,q)}的局部方向模式特征FLDP;
(3.2)通过计算灰度图像{G(p,q)}每个像素点在(R1,N1)邻域内的方差VAR值,提取灰度图像{G(p,q)}的方差VAR直方图特征FVAR,R1是邻域半径,N1是邻域节点数目,R1为正整数,N1取4或8;
(3.3)将局部方向模式特征FLDP和方差VAR直方图特征FVAR进行融合,作为图像{G(p,q)}的改进的局部方向模式特征FLVR;
(4)将三尺度加权自适应SILTP特征FMWA-SILTP和改进的局部方向模式特征FLVR进行融合,得到姿态识别的总特征FMWASILTP-LVR;
(5)采用支持向量机对学习者姿态进行分类识别。
2.按照权利要求1所述的融合改进的SILTP和局部方向模式的学习者姿态识别方法,其特征在于所述的步骤(2.1)中自适应阈值ε生成公式如下:
式中u是图像水平方向上像素点的总数,w是图像垂直方向上像素点的总数,Δgpq是灰度图像{G(p,q)}像素点的灰度值与平均灰度值的差值,是灰度图像{G(p,q)}像素点的灰度值与平均灰度值的差值的均值,ΔIk是中心像素值Ic在(R,N)邻域内的对比度值,是中心像素值Ic在(R,N)邻域内对比度值的均值;
所述的中心像素值Ic在(R,N)邻域内的对比度值ΔIk为
ΔIk=Ik-Ic,(k=0,1,…,N-1) (4)
所述的中心像素值Ic在(R,N)邻域内对比度值的均值为
3.按照权利要求1所述的融合改进的SILTP和局部方向模式的学习者姿态识别方法,其特征在于所述的步骤(2.2)中三个不同尺度的自适应SILTP特征加权融合的方法如下:
(a)把灰度图像{G(p,q)}送入自适应SILTP中,获取灰度图像{G(p,q)}在半径R分别为1、4、6三个尺度下的自适应SILTP直方图特征向量H1,H2,H3,并对特征向量H1,H2,H3分别归一化为H'1,H'2,H'3;
(b)对特征向量H'1,H'2,H'3进行加权融合,得到三尺度加权自适应SILTP特征FMWA-SILTP,
FMWA-SILTP=w1×H'1+w2×H'2+w3×H'3 (6)
式中,w1是R=1尺度对应的权重,w2是R=4尺度对应的权重,w3是R=6尺度对应的权重,w1+w2+w3=1且w1、w2、w3均为正数。
4.按照权利要求3所述的融合改进的SILTP和局部方向模式的学习者姿态识别方法,其特征在于:所述的R=1尺度对应的权重w1为0.6,R=4尺度对应的权重w2为0.2,R=6尺度对应的权重w3为0.2。
5.按照权利要求1所述的融合改进的SILTP和局部方向模式的学习者姿态识别方法,其特征在于所述的步骤(3.3)中局部方向模式特征FLDP和方差VAR直方图特征FVAR按下式融合:
FLVR=[FLDP,FVAR] (7)
6.按照权利要求1所述的融合改进的SILTP和局部方向模式的学习者姿态识别方法,其特征在于所述的步骤(4)中三尺度加权自适应SILTP特征FMWA-SILTP和改进的局部方向模式特征FLVR按下式融合:
FMWASILTP-LVR=[FMWA-SILTP,FLVR] (8)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811649123.2A CN109697432B (zh) | 2018-12-30 | 2018-12-30 | 融合改进的siltp和局部方向模式的学习者姿态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811649123.2A CN109697432B (zh) | 2018-12-30 | 2018-12-30 | 融合改进的siltp和局部方向模式的学习者姿态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109697432A true CN109697432A (zh) | 2019-04-30 |
CN109697432B CN109697432B (zh) | 2023-04-07 |
Family
ID=66233069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811649123.2A Active CN109697432B (zh) | 2018-12-30 | 2018-12-30 | 融合改进的siltp和局部方向模式的学习者姿态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109697432B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3076367A1 (en) * | 2013-07-22 | 2016-10-05 | Zhejiang University | Method for road detection from one image |
CN107316059A (zh) * | 2017-06-16 | 2017-11-03 | 陕西师范大学 | 学习者姿态识别方法 |
CN107316031A (zh) * | 2017-07-04 | 2017-11-03 | 北京大学深圳研究生院 | 用于行人重识别的图像特征提取方法 |
CN108345900A (zh) * | 2018-01-12 | 2018-07-31 | 浙江大学 | 基于颜色纹理分布特征的行人重识别方法及其系统 |
CN108664951A (zh) * | 2018-05-22 | 2018-10-16 | 南京邮电大学 | 基于颜色名特征的行人重识别方法 |
CN109087330A (zh) * | 2018-06-08 | 2018-12-25 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于由粗到精图像分割的运动目标检测方法 |
-
2018
- 2018-12-30 CN CN201811649123.2A patent/CN109697432B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3076367A1 (en) * | 2013-07-22 | 2016-10-05 | Zhejiang University | Method for road detection from one image |
CN107316059A (zh) * | 2017-06-16 | 2017-11-03 | 陕西师范大学 | 学习者姿态识别方法 |
CN107316031A (zh) * | 2017-07-04 | 2017-11-03 | 北京大学深圳研究生院 | 用于行人重识别的图像特征提取方法 |
CN108345900A (zh) * | 2018-01-12 | 2018-07-31 | 浙江大学 | 基于颜色纹理分布特征的行人重识别方法及其系统 |
CN108664951A (zh) * | 2018-05-22 | 2018-10-16 | 南京邮电大学 | 基于颜色名特征的行人重识别方法 |
CN109087330A (zh) * | 2018-06-08 | 2018-12-25 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于由粗到精图像分割的运动目标检测方法 |
Non-Patent Citations (5)
Title |
---|
JIA LU: "An Empirical Study for Human Behavior Analysis", 《INTERNATIONAL JOURNAL OF DIGITAL CRIME AND FORENSICS》 * |
XING ZENG: "A Method of Learner"s Sitting Posture Recognition Based on Depth Image", 《2017 2ND INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION AND ARTIFICIAL》 * |
李瑞静: "部分遮挡人脸表情识别研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
阎少梅: "基于度量学习的图像分类算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
齐美彬: "改进特征与GPU加速的行人检测", 《中国图象图形学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109697432B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11417148B2 (en) | Human face image classification method and apparatus, and server | |
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
CN106960202B (zh) | 一种基于可见光与红外图像融合的笑脸识别方法 | |
CN109101865A (zh) | 一种基于深度学习的行人重识别方法 | |
CN103810478B (zh) | 一种坐姿检测方法和装置 | |
CN108229458A (zh) | 一种基于运动检测和多特征提取的火焰智能识别方法 | |
CN106778468B (zh) | 3d人脸识别方法及设备 | |
CN105335725B (zh) | 一种基于特征融合的步态识别身份认证方法 | |
CN108182397B (zh) | 一种多姿态多尺度的人脸验证方法 | |
CN105205449B (zh) | 基于深度学习的手语识别方法 | |
CN108734138B (zh) | 一种基于集成学习的黑色素瘤皮肤病图像分类方法 | |
KR20170006355A (ko) | 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치 | |
CN103971112B (zh) | 图像特征提取方法及装置 | |
CN106022223B (zh) | 一种高维局部二值模式人脸识别方法及系统 | |
CN110096925A (zh) | 人脸表情图像的增强方法、获取方法和装置 | |
JP2015215877A (ja) | ステレオ画像の対において物体を検出する方法 | |
CN107862267A (zh) | 基于完全对称局部韦伯描述子的人脸识别特征提取算法 | |
CN106980852A (zh) | 基于角点检测与匹配的药品识别系统及其识别方法 | |
CN109685025A (zh) | 肩部特征和坐姿行为识别方法 | |
Babu et al. | Handwritten digit recognition using structural, statistical features and k-nearest neighbor classifier | |
CN107316059A (zh) | 学习者姿态识别方法 | |
CN109145947B (zh) | 一种基于部件检测和视觉特征的时尚女装图像细粒度分类方法 | |
Li et al. | A hierarchical framework for image-based human age estimation by weighted and OHRanked sparse representation-based classification | |
KR20000023923A (ko) | 표정변화와 주변환경에 독립적인 지능형 얼굴검출방법. | |
Agrawal et al. | A Tutor for the hearing impaired (developed using Automatic Gesture Recognition) |
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 |