CN109993178A - 一种特征数据生成和特征匹配方法及装置 - Google Patents
一种特征数据生成和特征匹配方法及装置 Download PDFInfo
- Publication number
- CN109993178A CN109993178A CN201711479219.4A CN201711479219A CN109993178A CN 109993178 A CN109993178 A CN 109993178A CN 201711479219 A CN201711479219 A CN 201711479219A CN 109993178 A CN109993178 A CN 109993178A
- Authority
- CN
- China
- Prior art keywords
- features
- feature
- image
- types
- class
- 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
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000000605 extraction Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 66
- 230000006870 function Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013441 quality evaluation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- 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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开一种特征数据生成和特征匹配的方法，其中，获取图像的特征信息，并确定所述至少两类特征中每类特征所对应的权重，其中，所述第一类特征对应的权重大于所述至少两类特征中其他特征对应的权重，所述第一类特征为所述所获取的特征中的主要特征；根据所述权重，对所述至少两类特征进行加权，得到加权后的特征信息，存储所述加权后的特征信息到数据库中从而生成特征数据，或者根据加权后的特征信息在数据库中进行特征匹配。采用本发明实施例，可以提高建立的特征匹配的准确度。
Description
技术领域
本发明实施例涉及多媒体技术领域，尤其涉及一种特征数据生成和特征匹配方法及装置。
背景技术
随着人们对社会公共安全越来越深入的密切关注，越来越多的政府研究机构和公司致力于相关的数据内容分析技术的研发，诸如商场、学校、大型广场、地铁站等人群密集易于发生公共安全事件的场所，已经部署了大量的监控摄像头，从而形成海量的视频数据，采用传统的人工对如此庞大的数据进行分析，已经无法满足实际的需求，因此，利用计算机实现对海量视屏数据中的行人自动再识别得到了快速的发展。
计算机内容分析技术的一个重要领域是特征提取。特征提取主要实现了对目标的检测与跟踪，并对感兴趣区域提取特征以表征源数据。对所提取的特征要求对同类数据具有一定的共性，异类的数据具有更高的区分性，即，具有较强的鉴别力。
现有针对目标的识别问题中，所提取的特征包括颜色、纹理、边缘、深度特征等，然而在海量数据集中，采用单一的特征很难获得对源数据较精准的描述。如何采用较简洁的方法，使得这些特征的描述能力得到更好的增强，成为一个难题。
发明内容
本发明实施例提供一种特征匹配和特征信息生成的方法及装置，可以提高图像特征匹配的准确性。
第一方面，本发明实施例提供了一种特征匹配的方法，方法包括：对图像进行特征提取，获取至少两类特征。根据每类特种对图像的描述能力的大小，对特征进行加权，其中，对图像的描述能力越大的特征权重越大。根据加权后的特征得到包含多类特征的特征信息，并根据该特征信息进行特征匹配。特征对图像的描述能力是指根据该特征对图像进行描述时的区分度。通过根据对图像的描述能力对特征进行加权，从而增强了描述能力高的特征在多类特种中的权重，提高了加权后的特征信息在图像匹配时的区分度，从而增强了图像匹配的准确度。
在一种实现方式中，获取图像的特征信息，所述特征信息包含至少两类特征，所述至少两类特征中包含第一类特征。确定所述至少两类特征中每类特征所对应的权重，其中，所述第一类特征对应的权重大于所述至少两类特征中其他特征对应的权重，所述第一特征为所述至少两类特征中的对所述图像描述能力大于所述至少两类特征中其他特征的特征。根据所述权重，对所述至少两类特征进行加权，得到加权后的特征信息。根据所述加权后的特征信息，对所述图像进行特征匹配。通过对第一类特征进行加权，由于第一类特征的图像描述能力大于其他特征，从而提升了加权后的特征信息在图像匹配时的区分度，增强了特征匹配的准确性。
在一种实现方式中，图像的描述能力根据与该特征相关的一种指标值确定，相应的，第一类特征对应的权重根据所述第一类特征的第一指标值确定。例如，当特征为纹理特征时，纹理特征对于图像的描述能力可以根据图像的平均幅值，或者拉普拉斯算子确定；深度特征可以根据特征的置信度或者通过质量评测值确定。置信度用于描述所述深度特征映射到对应的预设区间的可能性，质量评测值根据质量评测矩阵得到。
在一种实现方式中，根据指标值确定特征所对应的权重可以根据公式：
其中，为述第一类特征的第一指标值，T1、T2为预设阈值。当的取值在T1、T2之间时，可以参考上述公式确定ω1，当大于T1时，将所述第一类特征作为所述图像进行特征匹配的唯一特征，即ω1取1，当小于T2时，不将所述第一类特征作为所述图像进行特征匹配的特征，即ω1取0。
在一种实现方式中，所述第一类特征对应的权重根据所述第一类特征的特征类型确定。
第二方面，本发明实施例提供了一种特征信息生成的方法，方法包括：对图像进行特征提取，获取至少两类特征。根据每类特种对图像的描述能力的大小，对特征进行加权，其中，对图像的描述能力越大的特征权重越大。根据加权后的特征得到包含多类特征的特征信息，并将加权后的特征信息存储到数据库中。特征对图像的描述能力是指根据该特征对图像进行描述时的区分度。通过根据对图像的描述能力对特征进行加权，从而增强了描述能力高的特征在多类特种中的权重，提高了加权后的特征信息在图像匹配时的区分度，从而增强了图像匹配的准确度。
在一种实现方式中，获取图像的特征信息，所述特征信息包含至少两类特征，所述至少两类特征中包含第一类特征。确定所述至少两类特征中每类特征所对应的权重，其中，所述第一类特征对应的权重大于所述至少两类特征中其他特征对应的权重，所述第一特征为所述至少两类特征中的对所述图像描述能力大于所述至少两类特征中其他特征的特征。根据所述权重，对所述至少两类特征进行加权，得到加权后的特征信息。根据所述加权后的特征信息，对所述图像进行特征匹配。通过对第一类特征进行加权，由于第一类特征的图像描述能力大于其他特征，从而提升了加权后的特征信息在图像匹配时的区分度，增强了特征匹配的准确性。
在一种实现方式中，图像的描述能力根据与该特征相关的一种指标值确定，相应的，第一类特征对应的权重根据所述第一类特征的第一指标值确定。例如，当特征为纹理特征时，纹理特征对于图像的描述能力可以根据图像的平均幅值，或者拉普拉斯算子确定；深度特征可以根据特征的置信度或者通过质量评测值确定。置信度用于描述所述深度特征映射到对应的预设区间的可能性，质量评测值根据质量评测矩阵得到。
在一种实现方式中，根据指标值确定特征所对应的权重可以根据公式：
其中，为述第一类特征的第一指标值，T1、T2为预设阈值。当的取值在T1、T2之间时，可以参考上述公式确定ω1，当大于T1时，将所述第一类特征作为所述图像进行特征匹配的唯一特征，即ω1取1，当小于T2时，不将所述第一类特征作为所述图像进行特征匹配的特征，即ω1取0。
在一种实现方式中，所述第一类特征对应的权重根据所述第一类特征的特征类型确定。
第三方面，本发明实施例提供了一种图像处理装置，该图像处理装置被配置为实现上述第一方面中所执行的方法和功能，由硬件/软件实现，其硬件/软件包括与上述功能相应的模块。
第四方面，本发明实施例提供了一种图像处理装置，该图像处理装置被配置为实现上述第二方面中所执行的方法和功能，由硬件/软件实现，其硬件/软件包括与上述功能相应的模块。
第五方面，本申请实施例提供了一种图像处理装置，包括：处理器、存储器和通信总线，其中，通信总线用于实现处理器和存储器之间连接通信，处理器执行存储器中存储的程序用于实现上述第一方面方法中的步骤。
第六方面，本申请实施例提供了一种图像处理装置，包括：处理器、存储器和通信总线，其中，通信总线用于实现处理器和存储器之间连接通信，处理器执行存储器中存储的程序用于实现上述第二方面方法中的步骤。
第七方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面或者第二方面的方法。
第八方面，本申请提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面或者第二方面的方法。
本发明实施例中，通过本实施例中的方法，对不同种类的特征根据其描述能力进行加权，并根据加权后的特征信息进行特征匹配。相对于现有技术，增强了描述能力强的特征在特征信息中的权重，从而增强了特征信息在进行特征匹配时的区别度，提升了特征匹配的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例所需要使用的附图进行说明。
图1是本发明实施例提供的一种图像搜索系统的架构示意图；
图2是本发明实施例提供的一种特征匹配方法的流程示意图；
图3是本发明实施例提供的又一种特征匹配方法的流程示意图；
图4是本发明实施例提供的又一种特征匹配方法的流程示意图；
图5是本发明实施例提供的一种特征数据生成方法的流程示意图；
图6是本发明实施例提供的一种图像处理装置的结构示意图；
图7是本发明实施例提供的又一种图像处理装置的结构示意图；
图8是本发明实施例提供的一种图像处理装置的硬件结构示意图；
具体实施方式
下面结合本发明实施例中的附图对本发明实施例进行描述。
本发明实施例中的特征是某一类对象区别于其他类对象的相应特点或特性，或是这些特点和特性的集合。特征是通过测量或处理能够抽取的数据。对于图像而言，每一幅图像都具有能够区别于其他类图像的自身特征，有些是可以直观地感受到的自然特征，如亮度、边缘、纹理和色彩等；有些则是需要通过变换或处理才能得到的，如矩、直方图以及主成份等；还有一些是通过深度学习模型提取，得到的深度特征。
对于不同的图像，同一类特征的描述能力可能不同。例如，对于以纯色为主的图像，由于图像中的纹理比较少，因此当采用纹理特征对图像进行描述时，不能够很好的对不同的纯色为主的图像进行区分，相反的，采用颜色特征对于这类图像进行描述时，则能够比较好的区分该类图像中的不同图像。
特征匹配是指通过分别提取两个或多个图像的特征，对特征进行参数描述，然后运用所描述的参数来进行匹配的一种算法。基于特征的匹配所处理的图像一般包含的特征有颜色特征、纹理特征、形状特征、空间位置特征等。特征匹配首先对图像进行预处理来提取其高层次的特征，然后建立两幅图像之间特征的匹配对应关系，通常使用的特征基元有点特征、边缘特征和区域特征。特征匹配需要用到许多诸如矩阵的运算、梯度的求解、还有傅立叶变换和泰勒展开等数学运算。常用的特征提取与匹配方法有：统计方法、几何法、模型法、信号处理法、边界特征法、傅氏形状描述法、几何参数法、形状不变矩法等。
本发明实施例中的图像，包含了静态图像和动态图像。
结合图1，是本发明实施例的一种应用场景可以是基于图像特征匹配的图像搜索系统1000，该图像搜索系统可以实现对视频或者图像进行在时分析、查询。该系统由特征提取模块1001、特征存储模块1002、特征加权模块1003、特征匹配模块1004四个核心模块组成。特征提取模块1001主要实现了对图像或者视频文件的检测与跟踪，并对感兴趣区域提取特征以得到图像或者视频相对应的特征信息数据，此外，对于待检索的目标图像或者视频，特征提取模块也可以进行特征提取，并将提取后的特征通过特征加权模块进行处理。特征存储模块1002用于基于特征模块1001对视频或者图像进行特征提取后的结果，构建数据库及其索引。特征加权模块1003针对待检索的目标图像，对目标图像中提取的特征进行加权，得到加权后的图像特征信息。特征存储模块1002在建立数据库时，可以根据特征加权模块1003对特征提取模块所提取的特征进行加权后得到的加权后特征建立数据库，得到加权后的的特征数据库及其索引。特征加权模块1003可以对特征提取模块1001中提取的用于建立数据库的图像或者视频的特征进行加权，从而将加权的结果通过特征存储模块建立加权后的数据库。图像检索模块1004基于目标图像加权后的特征信息，并根据特征匹配算法与在数据库中的图像进行匹配，从而获得查询结果。在图像匹配中，对所提取的特征要求对同类数据具有一定的共性，异类的数据具有更高的区分性，即，具有较强的鉴别力。然而在海量数据集中，采用单一的特征很难获得对源数据较精准的描述。因此，在本发明实施例中，通过特征加权方法，对所提取的特征赋予权重，使得最终所获得的特征具有更强的描述能力，从而促进以图搜图系统取得更好的效果。
图像搜索系统1000在一些实现方式中，可以是一个独立的计算机系统，例如是一台服务器，从而实现特征提取模块1001、特征存储模块1002、特征加权模块1003、特征匹配模块1004相应的功能。在另一些实现方式中，图像搜索系统1000可以是分布式系统，其中包括了图像的数据库节点和计算节点。其中，数据库节点保存有特征存储模块1002处理后的数据库及其索引，计算节点可以实现特征提取模块1001、特征加权模块1002以及特征匹配模块1004的相应功能。在分布式系统的实现方式中，某一模块可能在不同的节点上均有部署。例如，特征提取模块1001和特征加权模块1003可能分别部署在数据库节点和计算节点上，数据库节点在生成特征数据时需要调用特征加权模块1003对特征提取模块1001提取的特征进行加权从而生成加权后的特征数据，而计算节点在进行特征匹配是也需要调用特征加权模块1003对特征提取模块1001提取的目标图像的特征进行加权从而进行特征匹配。
结合图1所示的应用场景，参见图2，是本发明实施例提供的一种图像特征匹配方法的流程图，该方法包括：
S201，获取目标图像的特征信息。
目标图像即在本发明实施例中待匹配的图像。通过特征提取算法，提取目标图像的特征信息。在本实施例中，需要提取至少两类不同种类的特征，从而获取每个种类特征相应的特征值。在可能的实现方式中，特征可以是传统特征，如纹理特征、颜色特征、边缘特征等，也可以是深度特征，如深度学习网络提取的图像特征。示例性的，提取颜色特征可以通过颜色直方图、颜色矩、颜色集、颜色聚合向量等方式提取；提取纹理特征可以通过灰度共生矩阵、Tamura纹理特征、自回归纹理模型、小波变换等方法获取；提取形状特征可以通过边界特征法、傅里叶形状描述符法、几何参数法、形状不变矩法等方法提取。
S202，对提取的特征设置权重，使得主要特征的权重高于提取的其他特征的权重。在本发明实施例中，通过预设条件来判断提取的特种中某一特征是否为主要特征。所谓主要特征是指该特征对图像的描述能力高于所提取的其他特征。
在一种实现方式中，可以通过预设的类别来确定主要特征。例如，对于特定的目标图像，其纹理特征对于图像的描述能力更高，可以预先设置纹理特征为主要特征。当获取的特征为纹理特征时，则认为该特征为主要特征。又例如，将图像的深度特征中的头部特征预设为主要特征，则当获取的深度特征在图像中任务的头部位置区域，即认为该特征为主要特征
在另一种实现方式中，可以通过可以描述该特征的一种指标数值来确定一类特征是否为主要特征。例如，对于纹理特征，可以通过图像的平均幅值(Dense)、拉普拉斯算子来描述该图像中纹理特征是否为主要特征。通过将图像中每个点的幅值求平均值，获得该图像的平均幅值。图像的平均幅值越大，则认为该图像的纹理特征对于该图像的描述能力越强。当平均幅值超过预设的阈值后，则认为纹理特征为该图像的主要特征。又例如，对于采用VGGM深度模型所提取的深度特征，可以获得该特征相应的置信度。特征相应的置信度越高，则该特征对图像的描述能力越强。当置信度高于预设的阈值时，则认为该置信度相对应的深度特征为主要特征。
在又一种实现方式中，可以通过描述采集的特征的指标数值来确定其他特征是否为主要特征。例如，当所采集的特征中某一特征外的其他特征的指标数值均低于预设的阈值，则可以认为该特征为主要特征。
当确定一类特征为主要特征后，通过对提取的特征设置权重，使得该类特征的权重高于所设置的其他类型特征的权重。在一种实现方式中，可以通过预设的规则设置权重。例如，当设定某与种类的特征为主要特征后，可以预设与该种类相对应的权重，使得该种类的特征的权重高于其他类型特征的权重。
在一种实现方式中，可以根据该种类特征相对应的指标值，自适应的确定该类特征的权重。例如，可以通过设定该类特征作为主要特征所对应的指标值的经验阈值，该类特征的指标值与对应的经验阈值的差值与该类特征对应的权重正相关，即该类特征的指标值大于对应的经验阈值且差值越大，则该类特征对应的权重越大。
S203、根据所确定的权重对提取的特征进行加权，得到加权后的特征信息，并根据加权后的特征信息对图像进行特征匹配。
对获取的特征进行加权，从而得到最终加权后的特征信息。在一种实现方式中，将加权后的不同种类的特征进行串联拼接或特征维数对齐后，取平均或最大最小值，从而得到最终的特征信息。例如，提取了50维的纹理特征和50维的颜色特征，在分别对纹理特征和颜色特征进行加权后，可以获得加权后该图像最终的100维特征。
获取了加权后的特征信息后，根据该特征信息，可以对图像进行特征匹配。在不同的实现方式中，可以采用欧式距离、马氏距离、汉明距离等相似度计算方式，来表征不同特征间的相似度，从而获得最终的图像匹配结果。
通过本实施例中的方法，对不同种类的特征根据其描述能力进行加权，并根据加权后的特征信息进行特征匹配。相对于现有技术，增强了描述能力强的特征在特征信息中的权重，从而增强了特征信息在进行特征匹配时的区别度，提升了特征匹配的准确率。
结合图3，是本发明实施例中给出的一种图像特征匹配方法，该实施例以纹理特征和颜色特征为例，采用平均幅值作为衡量纹理特征或颜色特征的指标值。对图像提取纹理特征和颜色特征两类特征，采用阈值法，获得每类特征对应的权重，对该图像最终的特征信息作相应的权重的加权，因而增强最终的特征的鉴别力。可以理解的，对于其他传统特征，如边缘特征、灰度特征等，可以参考本实施例采用相似的方法进行匹配。
S301，获取图像的纹理特征和颜色特征。
在本实施例中，设目标图像为3通道彩色图像，尺寸为100×100，分别对图像进行纹理特征和颜色特征的提取。
其中，对图像提取纹理特征：
a.采用3*3Sobel算子提取每个点在x和y方向梯度dx和dy；
b.确定每一点的幅值，参考公式：其中，di为坐标为(xi，yi)的点的幅值，和为该点在x和y方向梯度；
c.划定幅值分布区间，如设分布区间为50个区间，获得该图像幅值的分布直方图，从而，得到该图像对应的50维的纹理特征。参考公式：其中，为落入第i个区间的幅值的统计值。
对图像提取颜色特征：
a.将目标图像进行灰度化处理。将三通道颜色值(r，g，b)加权为单通道灰度值Grey，参考公式:Grey＝0.299×r+0.587×g+0.114*b
b.划定灰度值分布区间，如设分布区间为50个range，获得该图像灰度值的分布直方图，从而，得到该图像对应的50维的颜色特征：其中，为落入第i个区间的图像灰度值的统计值。
S302、根据图像的平均幅值，确定纹理特征和颜色特征的权重。
图像的平均幅值，即图像中每个点的幅值求平均值。参考公式：其中，dij指坐标为(i,j)的点的幅值，m和n为图像的尺寸大小，在本实施例中为100×100。
对应了阈值T1和T2(T1＞T2)，其中，T1和T2为根据经验设置的进行特征匹配时纹理图像和颜色图像作为唯一的特征即可对图像进行描述的阈值。具体的，当平均幅值小于T2时，图像为强颜色图像，图像中的纹理特征的描述能力很弱，在特征匹配时可以不再将纹理特征作为进行匹配的特征；相应的，当平均幅值大于T1时，图像为强纹理图像，图像中的颜色特征描述能力很弱，在特征匹配时可以不再将颜色特征作为进行匹配的特征。
若则该图像属于强纹理图像，ω1＝1，ω2＝0；
若则该图像属于强颜色图像，ω1＝0，ω2＝1；
若则，可依据公式确定纹理特征和颜色特征所对应的权重：
在本发明实施例中，采用了双阈值的方式确定特征对应的权重。对于纹理特征，当的取值大于时，即纹理特征为该图像中的主要特征，此时，基于公式： 或者ω1＝1，ω2＝0，均会使得ω1＞ω2,即纹理特征的权重大于颜色特征。相应的，对于颜色特征，当的取值小于时，即颜色特征为该图像中的主要特征，此时ω1＜ω2,即颜色特征的权重大于纹理特征。
S303、根据所确定的权重，调整提取的特征在最终特征描述中的权重，最终将加权后的纹理特征及颜色特征的串联拼接作为最终的特征信息，即获得该图像最终的100维的特征：
S305、基于所获得的最终特征f，基于特征匹配完成图像识别或检索等工作。
可以采用各类特征匹配算法进行特征匹配。例如，可以采用由欧式距离表征不同特征间的相似度，从而获得最终的图像识别结果。假设数据库中有N幅图像，基于上述的特征加权形式，最终获得的特征分别为fi，i＝1，2，…，N，则第i幅与第j幅图像间的欧式距离为：根据欧式距离可判断这两幅图像的相似度，其中，欧氏距离越小，表明两幅图像间的相似度越高。
在本发明实施例中，通过根据平均幅值对图像的颜色特征和纹理特征的权重进行调整。使得当颜色特征为图像的主要特征时，颜色特征对应的权重更高，而当纹理特征问图像的主要特征时，纹理特征对应的权重更高。由此，增强了图像的主要特征对于图像的描述能力，从而能够增强不同特征在不同的图像中的区分性，提高了特征匹配时的准确度。
结合图4，是本发明实施例中给出的又一种图像特征匹配方法，该实施例以人物图像的深度学习特征为例。在本实施例中，基于深度模型对图像提取出不同的深度特征，同时，可基于该深度特征采用传统分类器，如SVM，或者增加全连接层(fully connectedlayer,fc层)，获得不同特征的置信度。根据置信度对不同的深度特征进行加权，因而增强最终的深度特征的鉴别力。
在深度特征学习中，对于目标图像，通过深度模型，可以提取用于描述图像的深度特征。对于深度特征，可以从不同的维度来描述图像。例如，深度特征可以从性别的维度，描述图像中人像是男性以及是女性的可能性；也可以从年龄的维度，描述图像中的人像在不同年龄段的可能性。
S401、根据深度模型对目标图像提取深度特征。
采用VGGM深度模型，提取人头区域的深度特征f1，特征维数为n1，每一维特征可表征为f1i，i＝1，2，…，n1；同时，获得划分为该人的置信度p1。
采用VGGM深度模型，提取人的性别特征f2，特征维数为n2，每一维特征可表征为f2i，i＝1，2，…，n2；同时，获得划分为该性别(的置信度p2。
采用VGGM深度模型，提取人的年龄特征f3，特征维数为n3，每一维特征可表征为f3i，i＝1，2，…，n3；同时，获得划分为该年龄段的置信度p3。
采用VGGM深度模型，提取衣着款式的深度特征f4，特征维数为n4，每一维特征可表征为f4i，i＝1，2，…，n4；同时，获得划分为该类款式的置信度p4。
S402、根据各个特征对应的置信度，调节该特征对行人描述的权重，即，最终可获得nd＝n1+n2+n3+n4维的特征。
基于原深度特征提取模型，增加全连接层(fully connected layer,fc层)，从而获得该特征映射到不同类上的概率，如，获得某幅图像的性别特征映射到“男”的概率，即获得不同特征的置信度pi。基于人头、性别、年龄段、衣服款式对应的置信度p1、p2、p3、p4，可将每个特征对应的权重设置为ω1＝p1， 从而获得最终的特征F＝concat(ω1×f1，ω2×f2，ω3×f3，ω4×f4)。
S403、基于所获得的特征，完成特征匹配。
可以采用由欧式距离表征不同特征间的相似度，从而获得最终的图像识别结果。例如有N幅图像，基于上述的特征加权形式，最终获得的特征分别为Fi，i＝1，2，…，N，则第i幅与第j幅图像间的欧式距离为：
由该距离可判断这两幅图像的相似度。
在一种实现方式中，还可以基于监督学习的方法来确定最终特征。采用传统有监督学习，如SVM，获得变换矩阵W可作为输入特征质量的评测矩阵，因此对每个深度特征fi，可得到对应的质量评测值pi＝W*fi，若各组特征的维数不同，则可采用PCA等降维法，使得每个特征的维数对齐，因而获得最终的特征F＝pooling(p1×f1，p2×f2，p3×f3，p4×f4)，其中，pooling可采用取最大值、最小值或平均值。
参考图5，为本发明提供的一种图像特征数据生成的方法。通过本实施例中的方法，可以生成用于特征匹配的图像特征数据库，在执行前述实施例中的图像特征匹配时，可以在本方法实施例中方法所生成的图像特征数据库中进行特征匹配，从而实现图像的检索能功能。该方法包括：
S501，获取待生成图像的特征信息。
待生成图像即在本发明实施例中需要生产特征信息存储到数据库中的图像。通过特征提取算法，提取待生成图像的特征信息。在本实施例中，需要提取至少两类不同种类的特征，从而获取每个种类特征相应的特征值。在可能的实现方式中，特征可以是传统特征，如纹理特征、颜色特征、边缘特征等，也可以是深度特征，如深度学习网络提取的图像特征。示例性的，提取颜色特征可以通过颜色直方图、颜色矩、颜色集、颜色聚合向量等方式提取；提取纹理特征可以通过灰度共生矩阵、Tamura纹理特征、自回归纹理模型、小波变换等方法获取；提取形状特征可以通过边界特征法、傅里叶形状描述符法、几何参数法、形状不变矩法等方法提取。
S502，对提取的特征设置权重，使得主要特征的权重高于提取的其他特征的权重。在本发明实施例中，通过预设条件来判断提取的特种中某一特征是否为主要特征。所谓主要特征是指该特征对图像的描述能力高于所提取的其他特征。
在一种实现方式中，可以通过预设的类别来确定主要特征。例如，对于特定的目标图像，其纹理特征对于图像的描述能力更高，可以预先设置纹理特征为主要特征。当获取的特征为纹理特征时，则认为该特征为主要特征。又例如，将图像的深度特征中的头部特征预设为主要特征，则当获取的深度特征在图像中任务的头部位置区域，即认为该特征为主要特征
在另一种实现方式中，可以通过可以描述该特征的一种指标数值来确定一类特征是否为主要特征。例如，对于纹理特征，可以通过图像的平均幅值(Dense)、拉普拉斯算子来描述该图像中纹理特征是否为主要特征。通过将图像中每个点的幅值求平均值，获得该图像的平均幅值。图像的平均幅值越大，则认为该图像的纹理特征对于该图像的描述能力越强。当平均幅值超过预设的阈值后，则认为纹理特征为该图像的主要特征。又例如，对于采用VGGM深度模型所提取的深度特征，可以获得该特征相应的置信度。特征相应的置信度越高，则该特征对图像的描述能力越强。当置信度高于预设的阈值时，则认为该置信度相对应的深度特征为主要特征。
在又一种实现方式中，可以通过描述采集的特征的指标数值来确定其他特征是否为主要特征。例如，当所采集的特征中某一特征外的其他特征的指标数值均低于预设的阈值，则可以认为该特征为主要特征。
当确定一类特征为主要特征后，通过对提取的特征设置权重，使得该类特征的权重高于所设置的其他类型特征的权重。在一种实现方式中，可以通过预设的规则设置权重。例如，当设定某与种类的特征为主要特征后，可以预设与该种类相对应的权重，使得该种类的特征的权重高于其他类型特征的权重。
在一种实现方式中，可以根据该种类特征相对应的指标值，自适应的确定该类特征的权重。例如，可以通过设定该类特征作为主要特征所对应的指标值的经验阈值，该类特征的指标值与对应的经验阈值的差值与该类特征对应的权重正相关，即该类特征的指标值大于对应的经验阈值且差值越大，则该类特征对应的权重越大。
S503、根据所确定的权重对提取的特征进行加权，得到加权后的特征信息，并将加权后的特征信息存储至特征数据库中。
对获取的特征进行加权，从而得到最终加权后的特征信息。在一种实现方式中，将加权后的不同种类的特征进行串联拼接或特征维数对齐后，取平均或最大最小值，从而得到最终的特征信息。例如，提取了50维的纹理特征和50维的颜色特征，在分别对纹理特征和颜色特征进行加权后，可以获得加权后该图像最终的100维特征。
获取了加权后的特征信息后，将加权后的特征信息存储至特征数据库中。特征数据库中的特征信息可以用于前述实施例中待检索图像的特征匹配。
在本实施例中，在进行特征加权和得到加权后的特征信息时，可以参考前述实施例中，S301、S302、S303或者S401、S402、S403中的特征加权和特征信息生成的方法。基于相同的发明构思，前述特征匹配中的特征加权方法与本实施例中的特征加权方法相对应。在前述图1所对应的系统中，前述特征匹配方法实施例中的方法由特征提取模块1001、特征加权模块1003、特征匹配模块1004完成，特征信息生成实施例中的方法由特征提取模块1001、特征存储模块1002、特征加权模块1003完成。在同一系统中，为了保证特征匹配和特征数据库中的特征信息的统一性，特征匹配和特征信息生成所对应的特征加权方法应当一致。
请参照图6，为本发明实施例提供的一种图像处理装置的结构示意图。参考图1所示的架构，本实施例中的装置可以是一个独立于图1中的特征存储模块1002以及数据库的装置，也可以是与特征存储模块1002以及数据库集成在同一装置中。本实施例中的图像处理装置用于将目标图像进行特征提取和处理后，在数据库中进行特征匹配。如图所示，该图像处理装置包括特征提取模块601、特征加权模块602、特征匹配模块603。其中，各个模块的描述如下：
特征提取模块601，用于获取目标图像的至少两类特征；
特征加权模块602，用于确定所述至少两类特征中每类特征所对应的权重，并根据设置的权重对所述至少两类特征进行加权，得到加权后的特征信息；
特征匹配模块603，根据加权后的特征信息，对图像进行特征匹配。
需要说明的是，各个模块的实现还可以对应参照图2、图3或者图4所示的方法实施例的相应描述，执行上述实施例中所执行的方法和功能。例如，参照图2，特征提取模块601的功能可以参考S201中的方法；特征加权模块602的功能可以参考S202中的方法，以及S203中对特征进行加权得到加权后特征信息的方法；特征匹配模块603可以参考S203中进行图像特征匹配的方法。
请参照图7，为本发明实施例提供的一种图像处理装置的结构示意图。参考图1所示的架构，本实施例中的装置与图6所述装置相独立的装置，也可以是集成在图6所述装置中，实现本实施例功能的装置。本实施例中的图像处理装置用于将图像数据进行特征提取后，对特征进行加权，生成加权后的特征信息并存储于数据库中。如图所示，该图像处理装置包括特征提取模块701、特征加权模块702、特征存储模块703以及特征信息数据库704。其中，各个模块的描述如下：
特征提取模块701，用于获取图像的至少两类特征；
特征加权模块702，用于确定所述至少两类特征中每类特征所对应的权重，并根据设置的权重对所述至少两类特征进行加权，得到加权后的特征信息；
特征存储模块703，将所述加权后的特征信息存储到特征数据库中；
数据库704，用于存储图像数据加权后的特征信息。
需要说明的是，各个模块的实现还可以对应参照图5所示的方法实施例的相应描述，执行上述实施例中所执行的方法和功能。同时，特征提取模块701和特征加权模块702还可以参考图2、图3和图4中相对应的待检索图像的特征提取和特征处理的方法。
参考图8，是本发明给出的一种前述方法实施例的装置实施例，该装置可以执行前述图2、图3、图4或者图5所对应的方法，也可以是前述图6或者与7所述装置的一种硬件实现形式。
本发明实施例以一种通用计算机系统环境作为示例来对装置进行说明。众所周知的，可适用于该装置还可以采用其他的异构计算硬件架构来实现类似的功能。包括并不限制于，个人计算机，服务计算机，多处理器系统，基于微处理器的系统，可编程消费电器，网路PC，小型计算机，大型计算机，包括任何上述系统或设备的分布式计算环境，等等。
可以理解的，本发明实施例也可以以其他能够实现类似计算机功能的终端装置实现，例如智能手机，PAD，智能穿戴设备，等等。
装置800的元件可以包括，但并不限制于，处理单元820，系统存储器830，和系统总线810。系统总线将包括系统存储器的各种系统元件与处理单元820相耦合。系统总线810可以是几种类型总线结构中的任意一种总线，这些总线可以包括存储器总线或存储器控制器，外围总线，和使用一种总线结构的局部总线。总线结构可以包括工业标准结构(ISA)总线，微通道结构(MCA)总线，扩展ISA(EISA)总线，视频电子标准协会(VESA)局域总线，以及外围器件互联(PCI)总线。
包含前述本实施例中所列举的如中央处理器(Central Processing Unit，CPU)、图形处理器(Graphics Processing Unit)或数字信号(Digital Signal Processing,DSP)处理器等类型的互为异构的处理器。其中，在一种实施方式中，中央处理器可用于执行前述实施例中的方法步骤，如前述图2、图3、图4或者图5所对应的方法步骤。
装置800一般包括多种装置可读媒介。装置可读媒介可以是任何装置800可有效访问的媒介，并包括易失性或非易失性媒介，以及可拆卸或非拆卸的媒介。例如，但并不限制于，装置可读媒介可以包括装置存储媒介和通讯媒介。装置存储媒介包括易失性和非易失性，可拆卸和非拆卸媒介，这些媒介可以采用存储诸如装置可读指令，数据结构，程序模块或其他数据的信息的任何方法或技术来实现。装置存储媒介包括，但并不限制于，RAM，ROM，EEPROM，闪存存储器或其他存储器技术，或者硬盘存储、固态硬盘存储、光盘存储，磁盘盒，磁盘存储或其它存储设备，或任何其它可以存储所要求信息和能够被装置800访问的媒介。通讯媒介一般包括嵌入的计算机可读指令，数据结构，程序模块或在模块化数据信号(例如，载波或其他传输机制)中的其他数据，并且还包括任何信息传递的媒介。上述任何组合也应该包括在装置可读媒介的范围内。
系统存储器830包括装置存储媒介，它可以是易失性和非易失性存储器，例如，只读存储器(ROM)831和随即存取存储器(RAM)832。基本输入/输出系统833(BIOS)一般存储于ROM831中，包含着基本的例行程序，它有助于在装置810中各元件之间的信息传输。RAM 832一般包含着数据和/或程序模块，它可以被处理单元820即时访问和/或立即操作。例如，但并不限制于，图8说明了操作系统834，应用程序835，其他程序模块836和程序数据837。
装置800也可以包括其他可拆卸/非拆卸，易失性/非易失性的装置存储媒介。仅仅是一个实例，图8说明了硬盘存储器841，它可以是非拆卸和非易失性的可读写磁媒介；外部存储器851，它可以是可拆卸和非易失性的各类外部存储器，例如光盘、磁盘、闪存或者移动硬盘等；硬盘存储器81一般是通过非拆卸存储接口(例如，接口840)与系统总线810相连接，外部存储器一般通过可拆卸存储接口(例如，接口860)与系统总线810相连接。
上述所讨论的以及图8所示的驱动器和它相关的装置存储媒介提供了装置可读指令，数据结构，程序模块和装置800的其它数据的存储。例如，硬盘驱动器841说明了用于存储操作系统842，应用程序843，其它程序模块844以及程序数据845。值得注意的是，这些元件可以与操作系统834，应用程序835，其他程序模块836，以及程序数据837是相同的或者是不同的。
在本实施例中，前述实施例中的方法或者上一实施例中逻辑模块的功能可以通过存储在装置存储媒介中的代码或者可读指令，并由处理单元820读取所述的代码或者可读指令从而执行所述方法。
当本装置执行前述图5所对应的方法，或者作为前述实施例中图7所对应的装置时，前述的存储媒介，例如硬盘驱动器841或者外部存储器851可以存储有前述实施例中的特征数据库。
用户可以通过各类输入设备861装置800输入命令和信息。各种输入设备经常都是通过用户输入接口860与处理单元820相连接，用户输入接口860与系统总线相耦合，但也可以通过其他接口和总线结构相连接，例如，并行接口，或通用串行接口(USB)。显示设备890也可以通过接口(例如，视频接口890)与系统总线810相连接。此外，诸如计算设备800也可以包括各类外围输出设备820，输出设备可以通过输出接口880等来连接。
装置800可以在使用逻辑连接着一个或多个计算设备，例如，远程计算机870。远程计算节点包括装置，计算节点，服务器，路由器，网络PC，等同的设备或其它通用的网络结点，并且一般包括许多或所有与装置800有关的上述所讨论的元件。结合前述图1所描述的架构中，远程计算节点可以是从节点、计算节点或者其他装置。在图8中所说明的逻辑连接包括局域网(LAN)和广域网(WAN)，也可以包括其它网络。通过逻辑连接，装置可以与其他节点实现本发明中与其他主题之间的交互。例如，可以通过与用户的逻辑链接进行任务信息和数据的传输，从而获取用户的待分配任务；通过和计算节点的逻辑链接进行资源数据的传输以及任务分配命令的传输，从而实现各个节点的资源信息的获取以及任务的分配。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (22)
1.一种特征匹配的方法，其特征在于，所述方法包括，
获取图像的特征信息，所述特征信息包含至少两类特征，所述至少两类特征中包含第一类特征；
确定所述至少两类特征中每类特征所对应的权重，其中，所述第一类特征对应的权重大于所述至少两类特征中其他特征对应的权重，所述第一特征为所述至少两类特征中的对所述图像描述能力大于所述至少两类特征中其他特征的特征；
根据所述权重，对所述至少两类特征进行加权，得到加权后的特征信息；
根据所述加权后的特征信息，对所述图像进行特征匹配。
2.根据权利要求1所述方法，其特征在于，所述第一类特征对应的权重根据所述第一类特征的第一指标值确定，所述第一指标值用于指示所述第一特征对于所述图像的描述能力。
3.根据权利要求2所述方法，其特征在于，所述第一类特征为纹理特征，所述第一指标值为图像的平均幅值。
4.根据权利要求2或3所述方法，其特征在于，确定所述至少两类特征中每类特征所对应的权重包括：
为所述第一类特征的第一指标值，T1、T2为预设阈值，当大于或等于T2且小于或等于T1时，确定所述第一类特征的权重当大于T1时，ω1＝1，当小于T2时，ω1＝0。
5.根据权利要求1或2所述方法，其特征在于，所述特征为深度特征，所述确定所述至少两类特征中每类特征所对应的权重具体包括：
根据每类特征的置信度确定对应的权重，其中，所述置信度用于描述所述深度特征映射到对应的预设区间的可能性。
6.根据权利要求1所述方法，其特征在于，所述第一类特征对应的权重根据所述第一类特征的特征类型确定。
7.一种特征数据的生成方法，其特征在于，所述方法包括：
获取图像的特征信息，所述特征信息包含至少两类特征，所述至少两类特征中包含第一类特征；
确定所述至少两类特征中每类特征所对应的权重，其中，所述第一类特征对应的权重大于所述至少两类特征中其他特征对应的权重，所述第一特征为所述至少两类特征中的对所述图像描述能力大于所述至少两类特征中其他特征的特征；
根据所述权重，对所述至少两类特征进行加权，得到加权后的特征信息；
将所述加权后的特征信息存储到特征数据库。
8.根据权利要求7所述方法，其特征在于，所述第一类特征对应的权重根据所述第一类特征的第一指标值确定，所述第一指标值用于指示所述第一特征对于所述图像的描述能力。
9.根据权利要求8所述方法，其特征在于，所述第一类特征为纹理特征，所述第一指标值为图像的平均幅值。
10.根据权利要求8或9所述方法，其特征在于，确定所述至少两类特征中每类特征所对应的权重包括：
为所述第一类特征的第一指标值，T1、T2为预设阈值，当大于或等于T2且小于或等于T1时，确定所述第一类特征的权重当大于T1时，ω1＝1，当小于T2时，ω1＝0。
11.根据权利要求7或8所述方法，其特征在于，所述特征为深度特征，所述确定所述至少两类特征中每类特征所对应的权重具体包括：
根据每类特征的置信度确定对应的权重，其中，所述置信度用于描述所述深度特征映射到对应的预设区间的可能性。
12.根据权利要求7所述方法，其特征在于，所述第一类特征对应的权重根据所述第一类特征的特征类型确定。
13.一种特征匹配装置，其特征在于，所述装置包括：
特征提取模块，用于获取图像的特征信息，所述特征信息包含至少两类特征，所述至少两类特征中包含第一类特征；
特征加权模块，用于确定所述至少两类特征中每类特征所对应的权重，其中，所述第一类特征对应的权重大于所述至少两类特征中其他特征对应的权重，所述第一特征为所述至少两类特征中的对所述图像描述能力大于所述至少两类特征中其他特征的特征；以及根据所述权重，对所述至少两类特征进行加权，得到加权后的特征信息；
特征匹配模块，用于根据所述加权后的特征信息，对所述图像进行特征匹配。
14.根据权利要求13所述装置，其特征在于，所述第一类特征对应的权重根据所述第一类特征的第一指标值确定，所述第一指标值用于指示所述第一特征对于所述图像的描述能力。
15.根据权利要求14所述装置，其特征在于，所述特征加权模块确定所述至少两类特征中每类特征所对应的权重包括：
为所述第一类特征的第一指标值，T1、T2为预设阈值，当大于或等于T2且小于或等于T1时，确定所述第一类特征的权重当大于T1时，ω1＝1，当小于T2时，ω1＝0。
16.一种特征数据生成装置，其特征在于，所述装置包括：
特征提取模块，用于获取图像的特征信息，所述特征信息包含至少两类特征，所述至少两类特征中包含第一类特征；
特征加权模块，用于确定所述至少两类特征中每类特征所对应的权重，其中，所述第一类特征对应的权重大于所述至少两类特征中其他特征对应的权重，所述第一特征为所述至少两类特征中的对所述图像描述能力大于所述至少两类特征中其他特征的特征；以及根据所述权重，对所述至少两类特征进行加权，得到加权后的特征信息；
特征存储模块，用于将所述加权后的特征信息存储到特征数据库。
17.根据权利要求16所述装置，其特征在于，所述第一类特征对应的权重根据所述第一类特征的第一指标值确定，所述第一指标值用于指示所述第一特征对于所述图像的描述能力。
18.根据权利要求17所述装置，其特征在于，
所述特征加权模块确定所述至少两类特征中每类特征所对应的权重包括：
为所述第一类特征的第一指标值，T1、T2为预设阈值，当大于或等于T2且小于或等于T1时，确定所述第一类特征的权重当大于T1时，ω1＝1，当小于T2时，ω1＝0。
19.一种计算机系统，其特征在于，所述计算机系统包括至少一个处理器和至少一个存储器，其中，
所述存储器存储有计算机程序指令，所述处理器读取所述计算机程序指令，以执行权利要求1-6中任意一项权利要求所述的方法。
20.一种计算机系统，其特征在于，所述计算机系统包括至少一个处理器和至少一个存储器，其中，
所述存储器存储有计算机程序指令，所述处理器读取所述计算机程序指令，以执行权利要求7-12中任意一项权利要求所述的方法。
21.一种计算机可读存储介质，其特征在于，所述算机可读存储介质包含指令，当所述指令在计算机上运行时，所述计算机执行权利要求1-6中任意一项权利要求所述的方法。
22.一种计算机可读存储介质，其特征在于，所述算机可读存储介质包含指令，当所述指令在计算机上运行时，所述计算机执行权利要求7-12中任意一项权利要求所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711479219.4A CN109993178B (zh) | 2017-12-29 | 2017-12-29 | 一种特征数据生成和特征匹配方法及装置 |
| PCT/CN2018/125732 WO2019129293A1 (zh) | 2017-12-29 | 2018-12-29 | 一种特征数据生成和特征匹配方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711479219.4A CN109993178B (zh) | 2017-12-29 | 2017-12-29 | 一种特征数据生成和特征匹配方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109993178A true CN109993178A (zh) | 2019-07-09 |
| CN109993178B CN109993178B (zh) | 2024-02-02 |
Family
ID=67066670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711479219.4A Active CN109993178B (zh) | 2017-12-29 | 2017-12-29 | 一种特征数据生成和特征匹配方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109993178B (zh) |
| WO (1) | WO2019129293A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116184969B (zh) * | 2023-04-24 | 2023-07-14 | 山东省滨州公路工程有限公司 | 一种沥青拌和站生产质量监控方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020122587A1 (en) * | 2001-01-09 | 2002-09-05 | Samsung Electronics Co., Ltd. | Image retrieval method based on combination of color and image features |
| US20030081859A1 (en) * | 2001-10-30 | 2003-05-01 | Nec Corporation | Determination of similarity using weighting value depending on the type of characteristic |
| US20100189354A1 (en) * | 2009-01-28 | 2010-07-29 | Xerox Corporation | Modeling images as sets of weighted features |
| CN102096797A (zh) * | 2011-01-18 | 2011-06-15 | 深圳市民德电子科技有限公司 | 一种被识读条码的位置提示装置、方法及条码识读设备 |
| CN105718932A (zh) * | 2016-01-20 | 2016-06-29 | 中国矿业大学 | 一种基于果蝇优化算法和光滑孪生支持向量机的彩色图像分类方法与系统 |
| CN106776710A (zh) * | 2016-11-18 | 2017-05-31 | 广东技术师范学院 | 一种基于垂直搜索引擎的图文知识库构建方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101477665B1 (ko) * | 2013-04-04 | 2014-12-30 | 한국기술교육대학교 산학협력단 | 불균일한 텍스쳐 표면의 불량 검출방법 |
| CN107480711B (zh) * | 2017-08-04 | 2020-09-01 | 合肥美的智能科技有限公司 | 图像识别方法、装置、计算机设备和可读存储介质 |
-
2017
- 2017-12-29 CN CN201711479219.4A patent/CN109993178B/zh active Active
-
2018
- 2018-12-29 WO PCT/CN2018/125732 patent/WO2019129293A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020122587A1 (en) * | 2001-01-09 | 2002-09-05 | Samsung Electronics Co., Ltd. | Image retrieval method based on combination of color and image features |
| US20030081859A1 (en) * | 2001-10-30 | 2003-05-01 | Nec Corporation | Determination of similarity using weighting value depending on the type of characteristic |
| US20100189354A1 (en) * | 2009-01-28 | 2010-07-29 | Xerox Corporation | Modeling images as sets of weighted features |
| CN102096797A (zh) * | 2011-01-18 | 2011-06-15 | 深圳市民德电子科技有限公司 | 一种被识读条码的位置提示装置、方法及条码识读设备 |
| CN105718932A (zh) * | 2016-01-20 | 2016-06-29 | 中国矿业大学 | 一种基于果蝇优化算法和光滑孪生支持向量机的彩色图像分类方法与系统 |
| CN106776710A (zh) * | 2016-11-18 | 2017-05-31 | 广东技术师范学院 | 一种基于垂直搜索引擎的图文知识库构建方法 |
Non-Patent Citations (2)
| Title |
|---|
| 杜娟等: "基于特征加权和支持向量机的图像分类研究", 《激光与红外》 * |
| 杜娟等: "基于特征加权和支持向量机的图像分类研究", 《激光与红外》, no. 03, 20 March 2013 (2013-03-20) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109993178B (zh) | 2024-02-02 |
| WO2019129293A1 (zh) | 2019-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8452096B2 (en) | Identifying descriptor for person or object in an image | |
| US8792722B2 (en) | Hand gesture detection | |
| US8750573B2 (en) | Hand gesture detection | |
| EP3853764A1 (en) | Training neural networks for vehicle re-identification | |
| US20110293188A1 (en) | Processing image data | |
| US8948517B2 (en) | Landmark localization via visual search | |
| US9977950B2 (en) | Decoy-based matching system for facial recognition | |
| KR20150111641A (ko) | 계층적 패턴 구조에 기반한 기술자 생성 방법 및 이를 이용한 객체 인식 방법과 장치 | |
| Lee et al. | Tag refinement in an image folksonomy using visual similarity and tag co-occurrence statistics | |
| US20150131873A1 (en) | Exemplar-based feature weighting | |
| Demirkus et al. | Hierarchical temporal graphical model for head pose estimation and subsequent attribute classification in real-world videos | |
| Nanni et al. | Combining face and eye detectors in a high-performance face-detection system | |
| US9081800B2 (en) | Object detection via visual search | |
| Andiani et al. | Face recognition for work attendance using multitask convolutional neural network (MTCNN) and pre-trained facenet | |
| KR101093107B1 (ko) | 영상정보 분류방법 및 장치 | |
| Chen et al. | Saliency modeling via outlier detection | |
| US9002116B2 (en) | Attribute recognition via visual search | |
| CN109993178B (zh) | 一种特征数据生成和特征匹配方法及装置 | |
| CN116958720A (zh) | 目标检测模型的训练方法、目标检测方法、装置及设备 | |
| El Sayed et al. | 3D face detection based on salient features extraction and skin colour detection using data mining | |
| US20140254864A1 (en) | System and method for gesture detection through local product map | |
| CN111079704A (zh) | 一种基于量子计算的人脸识别方法及装置 | |
| Wang et al. | Framework for facial recognition and reconstruction for enhanced security and surveillance monitoring using 3D computer vision | |
| CN111428679B (zh) | 影像识别方法、装置和设备 | |
| Mohammed et al. | Upright FAST-Harris Filter |
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 |