CN110490210B - 一种基于紧致通道间t采样差分的彩色纹理分类方法 - Google Patents
一种基于紧致通道间t采样差分的彩色纹理分类方法 Download PDFInfo
- Publication number
- CN110490210B CN110490210B CN201910782708.XA CN201910782708A CN110490210B CN 110490210 B CN110490210 B CN 110490210B CN 201910782708 A CN201910782708 A CN 201910782708A CN 110490210 B CN110490210 B CN 110490210B
- Authority
- CN
- China
- Prior art keywords
- channels
- color
- channel
- sampling
- compact
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于紧致通道间t采样差分的彩色纹理分类方法,包括划分图像块,生成满足t分布的采样点;在每个图像块中,提取通道间t分布差分描述子;通过Fisher‑PCA方法构建基于紧致通道间t采样差分的描述子(CITDD);将最终得到的基于紧致通道间t采样差分的描述子(CITDD)通过线性SVM分类器进行分类的步骤。本发明中,首先通过t分布在图像块中采样微块,通过微块差分对不同颜色通道间的关系进行建模构建通道间t采样差分描述子(InterTDD);随后将通道间t采样差分描述子(InterTDD)通过Fisher‑PCA方法得到基于紧致通道间t采样差分的描述子;在五个公开的标准纹理数据集上的分类实验结果表示表明,与现有的具有代表性的彩色纹理分类方法相比,更加有效、实用、高效。
Description
技术领域
本发明属于计算机视觉和模式识别技术领域,主要是关于彩色纹理图像分类方法的研究具体涉及一种基于紧致通道间t采样差分的彩色纹理分类方法。
背景技术
纹理分类是计算机视觉和模式识别领域中的经典问题。构建具有判别性的纹理表示是纹理分类过程中的重要一步。目前,许多纹理表示和分类方法有着广泛的应用,包括:场景理解,目标识别,人脸检测和识别,图像分割和检索的领域。这些方法可粗略的分为变换域方法和空域方法。
变换域方法也被称为基于滤波的方法或基于信号处理的方法。这些方法主要是通过对变换系数进行建模构建纹理描述子。广泛应用的变换方法包括小波变换,轮廓波变换和剪切波变换。空域方法主要通过捕获纹理图像中空间像素与其邻域像素之间的关系来构建纹理描述子。
然而大多数方法只对灰度图像有效。在现实世界中,在我们识别物体时颜色是不可或缺的信息。因此构建彩色纹理描述子对于探索彩色纹理分类方法是重要的。
发明内容
有鉴于此,为解决上述现有技术的不足,本发明的目的在于提供了一种基于紧致通道间t采样差分的彩色纹理分类方法,主要是基于紧致通道间t采样差分的描述子(CITDD);首先通过t分布在图像块中采样微块,通过微块差分对不同颜色通道间的关系进行建模构建通道间t采样差分描述子(InterTDD);随后将通道间t采样差分描述子(InterTDD)通过Fisher-PCA方法得到基于紧致通道间t采样差分的描述子。在五个公开的标准纹理数据集上的分类实验结果表示表明,与现有的具有代表性的彩色纹理分类方法相比,本发明提出的方法更加有效、实用、高效。
为实现上述目的,本发明所采用的技术方案是:
一种基于紧致通道间t采样差分的彩色纹理分类方法,其特征在于:包括以下步骤:
S2:在每个图像块中,提取通道间t分布差分描述子:利用微块差分对彩色纹理图像的不同颜色通道间的关系进行建模;三对通道间的组合包括α通道和β通道(α-β)、β通道和γ通道(β-γ)、γ通道和α通道(γ-α),在图像块的每个颜色通道选取满足t分布采样的微块,计算每组颜色通道组合间的微块差分特征;
对于大小为L*L的图像块,通道间t采样差分描述子(InterTDD)计算过程如下:
InterTDD=[Fα-β,Fβ-γ,Fγ-α] (1);
S3:通过Fisher-PCA方法构建基于紧致通道间t采样差分的描述子(CITDD):
在对彩色纹理图像的通道间关系进行建模后得到通道间t采样差分描述子(InterTDD)后,通过Fisher-PCA构建基于紧致通道间t采样差分的描述子(CITDD);首先将得到的差分描述子(InterTDD)使用Fisher向量进行编码,再用主成分分析(PCA)对编码后的特征进行降维处理,最后得到基于紧致通道间t采样差分的描述子(CITDD);
S4:将最终得到的基于紧致通道间t采样差分的描述子(CITDD)通过线性SVM分类器进行分类。
进一步的,所述步骤S1中,生成满足t分布的采样点,其中,t分布为概率分布中的学生t分布;L*L的图像块中,L为图像块的长和宽。
进一步的,所述步骤S2中,通道间t采样差分描述子(InterTDD)计算过程中,其中,
进一步的,其中,c∈(α,β,γ)表示颜色通道,α、β、γ分别代表颜色通道,Fα-β,Fβ-γ,Fγ-α分别代表α-β,β-γ和γ-α三组相对颜色通道间的差分特征,x和y为采样点的坐标,代表在第p个纹理块中某个颜色通道上,坐标为xc=(a,b)T、尺寸大小为s*s的微块内的像素平均值;此外,通过连接不同尺寸的微块差分特征可以实现彩色纹理的多尺度分析。
本发明的有益效果是:
本发明的一种基于紧致通道间t采样差分的彩色纹理分类方法,主要是基于紧致通道间t采样差分的描述子(CITDD);首先通过t分布在图像块中采样微块,通过微块差分对不同颜色通道间的关系进行建模构建通道间t采样差分描述子(InterTDD);随后将通道间t采样差分描述子(InterTDD)通过Fisher-PCA方法得到基于紧致通道间t采样差分的描述子。在五个公开的标准纹理数据集上的分类实验结果表示表明,与现有的具有代表性的彩色纹理分类方法相比,本发明提出的方法更加有效、实用、高效。具体表现在:
其一,我们提出使用微块差分对彩色纹理的颜色通道间关系进行建模。这种建模方法优于对三个颜色通道分别单独建模;
其二,t分布被用于在图像块中生成采样点用以计算微块差分。与高斯分布相比,t分布具有更高的尾部,因此能捕获更大尺度的纹理信息;
其三,我们构建基于紧致通道间t采样差分的描述子(CITDD)用于表示彩色纹理图像,为了这个目的,我们使用主成分分析(PCA)降低经过Fisher向量编码的特征的维数;
其四,与其他具有代表性的彩色纹理分类方法在五个公开的标准纹理数据集(KTH-TIPS,VisTex,CUReT,USPTex,Colored Brodatz)上进行比较试验,实验结果表明我们所提出的方法是有效的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为通道间t分布差分描述子(InterTDD)提取方法图;
图2为基于紧致通道间t采样差分的描述子(CITDD)提取方法图;
图3为CITDD在三种不同颜色空间中在五个纹理数据集的分类精度示意图;
图4为CITDD在四个纹理数据集上的特征维度的分类精度示意图;
图5为t分布和高斯分布分别产生的微块对间的距离分布直方图;
图6为在不同自由度下实验的正确率示意图。
具体实施方式
下面给出具体实施例,对本发明的技术方案作进一步清楚、完整、详细地说明。本实施例是以本发明技术方案为前提的最佳实施例,但本发明的保护范围不限于下述的实施例。
一种基于紧致通道间t采样差分的彩色纹理分类方法,包括以下步骤:
S1:划分图像块,生成满足t分布的采样点,此处的t分布为概率分布中的学生t分布:对输入的图像,首先按照步长为2像素将图像划分长大小为L*L的图像块,其中L为图像块的长和宽;在每个图像块中,生成符合t分布的采样点集合和其中,采样点集合X和Y为独立同分布满足自由度为的t分布,其中c∈(α,β,γ)表示颜色通道,n表示采样的个数;进一步的,该颜色通道可以为,例如RGB颜色通道,HSV颜色通道,YcrCb颜色通道等;本实施例中,c∈(α,β,γ)即代表RGB颜色通道,HSV颜色通道,YcrCb颜色通道的集合;同高斯分布相比,通过t分布生成的采样点间距离更大,也就是说可以捕获较大尺度的纹理信息;
S2:在每个图像块中,提取通道间t分布差分描述子:如图1所示,微块差分特征是在图像块中选取尺寸较小的微块,通过计算成对的微块间的像素平均值的差捕获图像块的差分特征;利用微块差分对彩色纹理图像的不同颜色通道间的关系进行建模;三对通道间的组合包括α通道和β通道(α-β)、β通道和γ通道(β-γ)、γ通道和α通道(γ-α),在图像块的每个颜色通道选取满足t分布采样的微块,计算每组颜色通道组合间的微块差分特征;通过不同颜色通道组合间的微块的像素平均值的差,分别提取不同组合的颜色通道间的差分特征,并组合成通道间t采样差分描述子InterTDD;
对于大小为L*L的图像块,通道间t采样差分描述子(InterTDD)计算过程如下:
InterTDD=[Fα-β,Fβ-γ,Fγ-α] (1);
S3:通过Fisher-PCA方法构建基于紧致通道间t采样差分的描述子(CITDD):
如图2所示,在对彩色纹理图像的通道间关系进行建模后得到通道间t采样差分描述子(InterTDD)后,通过Fisher-PCA构建基于紧致通道间t采样差分的描述子(CITDD);首先将得到的差分描述子(InterTDD)使用Fisher向量进行编码,再用主成分分析(PCA)对编码后的特征进行降维处理,最后得到基于紧致通道间t采样差分的描述子(CITDD);
S4:将最终得到的基于紧致通道间t采样差分的描述子(CITDD)通过线性SVM分类器进行分类。
进一步的,所述步骤S1中,生成满足t分布的采样点,其中,t分布为概率分布中的学生t分布;L*L的图像块中,L为图像块的长和宽。
进一步的,所述步骤S1中,采样点集合X和Y为独立同分布满足自由度为的t分布,其中c∈(α,β,γ)表示颜色通道,n表示采样的个数。进一步的,该颜色通道可以为,例如RGB颜色通道,HSV颜色通道,YcrCb颜色通道等;本实施例中,c∈(α,β,γ)即代表RGB颜色通道,HSV颜色通道,YcrCb颜色通道的集合。同高斯分布比,通过t分布生成的采样点间距离更大,也就是说可以捕获较大尺度的纹理信息。
进一步的,所述步骤S2中,通道间t采样差分描述子(InterTDD)计算过程中,其中,
进一步的,其中,c∈(α,β,γ)表示颜色通道,α、β、γ分别代表颜色通道,Fα-β,Fβ-γ,Fγ-α分别代表α-β,β-γ和γ-α三组相对颜色通道间的差分特征,x和y为采样点的坐标,代表在第p个纹理块中某个颜色通道上,即特定的颜色通道上,坐标为xc=(a,b)T、尺寸大小为s*s的微块内的像素平均值;和可以通过公式(5)进行计算得到,i=1,2,..,n;此外,通过连接不同尺寸的微块差分特征可以实现彩色纹理的多尺度分析。
进一步的,本发明中,基于紧致通道间t采样差分的描述子用于彩色纹理图像分类,我们在KTH-TIPS,VisTex,CUReT,USPTex和Colored Brodatz五个公开的纹理数据集上进行了分类实验,其中颜色空间选取RGB颜色空间,采样点数n=80,划分图像块的尺寸L=15,微块尺寸s=4,PCA降维后的维数为450。具体的实验如下:
(1)纹理数据集:KTH-TIPS:包含不同光照角度,不同尺度的纹理图像,由10个纹理类组成,每个类有81个样本,其中40个用于训练,41个用于测试;
VisTex:包含40个彩色纹理类,每个512*512的纹理图像被分成16个128*128的非重叠样本,其中8个用于训练,8个用于测试;
CUReT:包括61个纹理类,我们使用46个样本进行训练,46个人样本进行测试;
USPTex:由191个纹理类组成,每个类有12个样本,其中6个样本用于训练,6个样本用于测试;
ColoredBrodatz:包括40个纹理类,每个640*640的纹理类被分成16个160*160的非重叠样本,其中8个用于训练,8个用于测试;
(2)参数敏感性的调研:我们分别在RGB,HSV和YCbCr三个空间中在五个标准的纹理数据集上进行了分类实验,实验结果如图3所示,CITDD在RGB颜色空间中的性能最好。在CUReT,VisTex,USPTex和KTH-TIPS四个纹理数据集上对PCA降维后维数进行实验,如图4所示;
(3)t分布采样同高斯分布采样的比较:我们对两种分布同时生成160对采样点,统计每对采样点间的距离分布,如图5所示,由t分布生成的采样点间的距离分布从1到8而高斯分布是从1到6,也就是说t分布采样的微块间可以捕获更大尺度的信息。此外,我们还在VisTex纹理数据集上对不同的自由度的t分布进行了实验,实验结果如图6所示;
(4)比较试验:在五个标准的纹理数据集(KTH-TIPS,VisTex,CUReT,USPTex,Colored Brodatz)上同13个具有代表性的彩色纹理分类方法进行比较实验,实验结果如下表的表1所示;
表1:在五个纹理数据集上同13个具有代表性的方法的比较表
实验结果表明,本发明的基于紧致通道间t采样差分的描述子(CITDD)的彩色纹理分类方法分类精度更高,更加有益。
综上所述,第一,我们提出使用微块差分对彩色纹理的颜色通道间关系进行建模。这种建模方法优于对三个颜色通道分别单独建模;
第二,t分布被用于在图像块中生成采样点用以计算微块差分。与高斯分布相比,t分布具有更高的尾部,因此能捕获更大尺度的纹理信息;
第三,我们构建基于紧致通道间t采样差分的描述子(CITDD)用于表示彩色纹理图像,为了这个目的,我们使用主成分分析(PCA)降低经过Fisher向量编码的特征的维数;
第四,与其他具有代表性的彩色纹理分类方法在五个公开的标准纹理数据集(KTH-TIPS,VisTex,CUReT,USPTex,Colored Brodatz)上进行比较试验,实验结果表明我们所提出的方法是有效的。
因此,本发明的一种基于紧致通道间t采样差分的彩色纹理分类方法,主要是基于紧致通道间t采样差分的描述子(CITDD);首先通过t分布在图像块中采样微块,通过微块差分对不同颜色通道间的关系进行建模构建通道间t采样差分描述子(InterTDD);随后将通道间t采样差分描述子(InterTDD)通过Fisher-PCA方法得到基于紧致通道间t采样差分的描述子。在五个公开的标准纹理数据集上的分类实验结果表示表明,与现有的具有代表性的彩色纹理分类方法相比,本发明提出的方法更加有效、实用、高效。即t分布被用于在图像块中生成采样点用于计算微块差分特征。然后,我们通过密集微块差分对彩色纹理的颜色通道间关系进行建模。此外,我们使用主成分分析(PCA)降低经过Fisher向量编码后的特征的维度构建基于紧致通道间t采样差分的描述子。最后在五个公开的标准纹理数据集(KTH-TIPS,VisTex,CUReT,USPTex,Colored Brodatz)上同其他有代表性的彩色纹理分类方法进行比较实验,实验结果表明,我们的彩色纹理描述方法CITDD是有效的。
以上显示和描述了本发明的主要特征、基本原理以及本发明的优点。本行业技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会根据实际情况有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于紧致通道间t采样差分的彩色纹理分类方法,其特征在于:包括以下步骤:
S2:在每个图像块中,提取通道间t分布差分描述子:利用微块差分对彩色纹理图像的不同颜色通道间的关系进行建模;三对通道间的组合包括α通道和β通道(α-β)、β通道和γ通道(β-γ)、γ通道和α通道(γ-α),在图像块的每个颜色通道选取满足t分布采样的微块,计算每组颜色通道组合间的微块差分特征;
对于大小为L*L的图像块,通道间t采样差分描述(InterTDD)计算过程如下:
InterTDD=[Fα-β,Fβ-γ,Fγ-α] (1);
通道间t采样差分描述子(InterTDD)计算过程中,其中,
S3:通过Fisher-PCA方法构建基于紧致通道间t采样差分的描述子(CITDD):
在对彩色纹理图像的通道间关系进行建模后得到通道间t采样差分描述子(InterTDD)后,通过Fisher-PCA构建基于紧致通道间t采样差分的描述子(CITDD);首先将得到的差分描述子(InterTDD)使用Fisher向量进行编码,再用主成分分析(PCA)对编码后的特征进行降维处理,最后得到基于紧致通道间t采样差分的描述子(CITDD);
S4:将最终得到的基于紧致通道间t采样差分的描述子(CITDD)通过线性SVM分类器进行分类。
2.根据权利要求1所述的一种基于紧致通道间t采样差分的彩色纹理分类方法,其特征在于:所述步骤S1中,生成满足t分布的采样点,其中,t分布为概率分布中的学生t分布;L*L的图像块中,L为图像块的长和宽。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782708.XA CN110490210B (zh) | 2019-08-23 | 2019-08-23 | 一种基于紧致通道间t采样差分的彩色纹理分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782708.XA CN110490210B (zh) | 2019-08-23 | 2019-08-23 | 一种基于紧致通道间t采样差分的彩色纹理分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490210A CN110490210A (zh) | 2019-11-22 |
CN110490210B true CN110490210B (zh) | 2022-09-30 |
Family
ID=68553120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910782708.XA Active CN110490210B (zh) | 2019-08-23 | 2019-08-23 | 一种基于紧致通道间t采样差分的彩色纹理分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490210B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291805B (zh) * | 2020-01-23 | 2023-03-24 | 河南科技大学 | 基于完整极值非负密集微块差分的彩色纹理图像分类方法 |
CN114548219A (zh) * | 2022-01-13 | 2022-05-27 | 河北汉光重工有限责任公司 | 基于微块差异特征提取及svm的图像分类方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038513A (zh) * | 2017-12-26 | 2018-05-15 | 北京华想联合科技有限公司 | 一种肝脏超声图像的特征分类方法 |
CN109271997A (zh) * | 2018-08-28 | 2019-01-25 | 河南科技大学 | 一种基于跳跃细分局部模式的图像纹理分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG10201405182WA (en) * | 2014-08-25 | 2016-03-30 | Univ Singapore Technology & Design | Method and system |
-
2019
- 2019-08-23 CN CN201910782708.XA patent/CN110490210B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038513A (zh) * | 2017-12-26 | 2018-05-15 | 北京华想联合科技有限公司 | 一种肝脏超声图像的特征分类方法 |
CN109271997A (zh) * | 2018-08-28 | 2019-01-25 | 河南科技大学 | 一种基于跳跃细分局部模式的图像纹理分类方法 |
Non-Patent Citations (1)
Title |
---|
基于局部特征多轴旋转不变特性的纹理图像分类算法;黄庆宇等;《计算机科学》;20181215(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110490210A (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109344701B (zh) | 一种基于Kinect的动态手势识别方法 | |
CN109190752B (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN107977661B (zh) | 基于fcn与低秩稀疏分解的感兴趣区域检测方法 | |
CN105528595A (zh) | 在无人机航拍图像中对输电线路绝缘子的识别定位方法 | |
CN111652273B (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
CN111709313B (zh) | 基于局部和通道组合特征的行人重识别方法 | |
CN105184772A (zh) | 一种基于超像素的自适应彩色图像分割方法 | |
CN102722712A (zh) | 基于连续度的多尺度高分辨图像目标检测方法 | |
CN107301643B (zh) | 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法 | |
CN110991258B (zh) | 一种人脸融合特征提取方法及系统 | |
CN109977834B (zh) | 从深度图像中分割人手与交互物体的方法和装置 | |
CN110490210B (zh) | 一种基于紧致通道间t采样差分的彩色纹理分类方法 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN103258202A (zh) | 一种鲁棒的纹理特征提取方法 | |
CN103971122A (zh) | 基于深度图像的三维人脸描述方法及装置 | |
CN107480471B (zh) | 基于小波变换为特征的序列相似性分析的方法 | |
Mali et al. | Indian sign language recognition using SVM classifier | |
Ai et al. | Color independent components based SIFT descriptors for object/scene classification | |
CN110909747A (zh) | 一种基于多颜色空间主元分析描述的煤矸石识别方法 | |
CN110555406B (zh) | 一种基于Haar-like特征及CNN匹配的视频运动目标识别方法 | |
CN106446909A (zh) | 一种中餐食物图像特征提取方法 | |
Özyurt et al. | A new method for classification of images using convolutional neural network based on Dwt-Svd perceptual hash function | |
CN110633666A (zh) | 一种基于手指颜色贴片的手势轨迹识别方法 | |
CN109598262A (zh) | 一种儿童人脸表情识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |