CN110852235A - 一种图像特征提取方法 - Google Patents
一种图像特征提取方法 Download PDFInfo
- Publication number
- CN110852235A CN110852235A CN201911072293.3A CN201911072293A CN110852235A CN 110852235 A CN110852235 A CN 110852235A CN 201911072293 A CN201911072293 A CN 201911072293A CN 110852235 A CN110852235 A CN 110852235A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- processed
- images
- value
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000002068 genetic effect Effects 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 53
- 210000000349 chromosome Anatomy 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000000903 blocking effect Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 229910002056 binary alloy Inorganic materials 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 7
- 108090000623 proteins and genes Proteins 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Abstract
本发明公开了一种图像特征提取方法,通过将待处理图像均分为多个子图像,对每个子图像分别进行空间结构处理,得到每个子图像的梯度值和每个子图像的像素均值,然后根据得到每个子图像的梯度值和像素均值,采用局部差分二进制来得到各子图像的二进制序列,采用多重局部差分二进制表示网格单元强度和梯度的差异和纹理信息,可以捕获更丰富的细节纹理信息,将各子图像的二进制序列按照同样顺序进行排列即可得到待处理图像的选取特征;利用遗传算法提取选取特征中的最优个体,最终得到图形特征,将多样性‑适应性空间中的个体映射到选择概率方向上,从而达到初期以保证多样性,末期以适应度函数为主的效果,提高特征提取的鲁棒性。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种图像特征提取方法。
背景技术
近几年来,人脸识别已经成为了图像处理的热点。然而,由于图像易受天气、角度、人脸姿态的影响,使其对人脸图像的处理增大了难度。图像特征包括有全局特征和局部特征两种,全局特征主要是对图像整体的颜色和形状的描述,具有不变性、易计算、直观等特点,但其缺点在于维数高和计算量过大,不适用于处理含噪图像和有遮挡图像;局部特征主要是对图像局部特征的描述,相对于全局特征来说,其计算量小、局部的特征丰富、特征之间的相关性少,在处理遮挡和含噪图像上具有很好的鲁棒性。传统的局部图像特征提取算法主要有:方向梯度直方图(Histogram of Oriented Gradient,HOG)特征、局部二值模式(Local Binary Pattern,LBP)特征、局部三值模式(Local Ternary Pattern,LTP)、局部方向模式(Local Direction Pattern,LDP)、韦伯局部描述(Weber local descriptor,WLD)。但是,局部特征提取过程中图像的特征受复杂光照和噪声的影响,图像局部特征识别率低,噪声影响大。
发明内容
本发明的目的在于提供一种图像特征提取方法,以克服现有图形局部特征提取过程中识别率低,噪声影响大的问题。
为达到上述目的,本发明采用如下技术方案:
一种图像特征提取方法,包括以下步骤:
步骤1)、将待处理图像通过不同大小的分块法分别进行均分,每个分块法下得到多个大小相同的子图像,对同一大小分块法下得到的每个子图像分别进行空间结构处理,得到同一大小分块法下每个子图像的梯度值和每个子图像的像素均值;
步骤2)、根据得到的同一大小分块法下的每个子图像的梯度值和像素均值,采用局部差分二进制来得到同一分块法下的待处理图像的二进制序列Bn;将不同分块法下的待处理图像的二进制序列Bn按照同样顺序进行排列即可得到待处理图像的选取特征FD;
步骤3)、利用遗传算法提取选取特征FD中的最优个体,得到的最优个体的集合即为最终提取得到的图形特征。
进一步的,步骤1)中,通过分块法将待处理图像均分为分辨率大小相同的多个子图像,即将待处理图像划分为n×n块,得到n2个图像,Ii表示第i块图像,i∈[1,n2];
将待处理图像在同一大小分块法下均分得到的子图像进行空间结构处理,得到子图像在空间结构内不同划分区域内的像素均值,根据子图像在不同划分区域内的像素均值得到子图像在空间结构内的梯度值。
进一步的,将待处理图像在同一大小分块法下均分得到的子图像Ii分别进行t种不同空间结构处理,得到子图像Ii在第t种空间结构下划分区域X内的像素均值Xi(t),以及子图像Ii在第t种空间结构下划分区域Y内的像素均值Yi(t);根据子图像Ii划分区域X内的像素均值Xi(t)和划分区域X内的像素均值Xi(t)得到子图像Ii在第t种空间结构下的梯度值Vi(t):Vi(t)=Yi(t)-Xi(t);其中t=1,2,3,4;同时获取子图像Ii的像素均值Vi。
进一步的,步骤2)中,将待处理图像在同一大小分块法下均分后,计算任意两个子图像之间的特征值为τ(Vi,Vj),根据经过同一空间结构处理后的任意两个子图像的梯度值Vi(t)计算任意两个子图像之间的特征值τ(Vi(t),Vj(t));同时计算子图像Ii在第t种空间结构下的梯度特征值υ(Vi(t))。
进一步的,待处理图像分块为n×n时,任意两个子图像经过同一空间结构处理后的特征值τ(Vi(t),Vj(t)):
任意两个子图像之间的特征值为τ(Vi,Vj):
进一步的,子图像Ii在第t种空间结构下的梯度特征值υ(Vi(t)),如果Vi(t)>0,υ(Vi(t))的值取1,否则取0。
进一步的,将n2块子图像进行遍历得到n2块子图像的特征值,将任意两个子图像之间的特征值τ(Vi(t),Vj(t))按照同样的顺序排列,同时将每个子图像的梯度特征值υ(Vi(t))按照同样的顺序排列,可得到同一大小分块法均分后的待处理图像的二进制序列Bn,将不同大小分块法均分后的待处理图像的二进制序列Bn按照同样的顺序排列后级联,即可得到待处理图像的选取特征FD。
进一步的,步骤3)中,采用适应度-多样性协同选择的遗传算法提取选取特征:在得到选取特征后,对染色体矩阵进行编码,根据得到的待处理图像的选取特征长度确定变量个数与搜索空间,将选取特征的特征长度作为搜索空间,通过含有N条染色体的染色体矩阵进行特征选取,每一条染色体的变量个数与特征长度相同;构成染色体矩阵XN×D,完成最终图像特征的选取;
进一步的,适应度-多样性协同选择的遗传算法提取具体如下:
(1)、利用遗传算法在搜索空间内中搜索,搜索过程中保留表现最优的个体;
(2)、将适应度函数fitness如式(3)取倒数并作归一化处理得到适应性判据fit;
(4)、将适应性判据与多样性判据进行线性组合构成选择概率,如式(6);
其中:T为总迭代次数,t为当轮迭代次数;
(5)、基于轮盘赌策略,得到每个特征的选择概率的大小,按照选择概率的大小从大到小填满N条染色体,构成染色体矩阵XN×D,完成最终图像特征的选取。
进一步的,适应度函数选取准确率和降维率两个评价指标的线性组合如式(7)所示,
其中:accuracy表示准确率,dimension表示降维后的剩余特征数。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种图像特征提取方法,通过将待处理图像均分为多个子图像,对每个子图像分别进行空间结构处理,得到每个子图像的梯度值和每个子图像的像素均值,然后根据得到每个子图像的梯度值和像素均值,采用局部差分二进制来得到待处理图像的二进制序列,采用多重局部差分二进制表示网格单元强度和梯度的差异和纹理信息,而且可以捕获更丰富的细节纹理信息,提高图像局部特征识别率,将不同分块大小下待处理图像的二进制序列按照同样顺序进行排列即可得到待处理图像的选取特征,利用遗传算法提取选取特征中的最优个体,得到的最优个体的集合即为最终提取得到的图形特征,降低了局部特征噪声影响,将多样性-适应性空间中的个体映射到选择概率方向上,从而达到初期以保证多样性,末期以适应度函数为主的效果,采用多种分块方式对待处理图像进行分块,不同大小分块法中,粗级网格可以消除噪声,而精细级网格可以得到图像的局部细节特征,从而增强其识别的鲁棒性。
进一步的,通过每一条染色体的适应度函数转换为适应性判据与相对于其他染色体差异的多样性判据线性组合成为选择概率,两判据线性系数随迭代次数变化,迭代初期多样性判据主导选择,迭代末期适应度函数主导选择,可以在搜索空间中获得更充分的搜索,有效地避免了算法的早熟以及陷入局部极值的发生。
进一步的,将适应性判据与多样性判据线性组合为选择概率,将多样性-适应性空间中的个体映射到选择概率方向上,具有更高选择概率值的个体将会获得更高的候选概率,而随着迭代次数的增加,选择概率方向将会逐渐由多样性轴逐步旋转到适应性轴上,从而达到初期以保证多样性,末期以适应度函数为主的效果。
附图说明
图1为图像分块结构示意图。
图2为四种空间结构处理示意图。
图3为局部差分二进制流程图。
图4为多样性与适应度示意图。
图5为交叉算子示意图。
图6为CMU-PIE数据库部分图像。
图7为现有局部图像特征提取方法得到的图像识别率与本发明得到的图像识别率对比图,图7a为正常现有局部图像特征提取方法得到的图像识别率与本发明得到的图像识别率对比图,图7b为在0.2的椒盐噪声图像采用现有局部图像特征提取方法得到的图像识别率与本发明得到的图像识别率对比图。
图8为本发明结构示意框图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
本文提出一种多重局部差分二进制特征提取框架是对一副图像的网格单元使用简单强度和梯度差异测试来计算图像块的二进制字符串。该方法使用多重网格来编码,即采用多种分块方式对待处理图像进行分块,不同大小分块法中,粗级网格可以消除噪声,而精细级网格可以得到图像的局部细节特征,从而增强其识别的鲁棒性。多重特征提取框架的算法流程主要分为以下几步:
如图8所示,一种图像特征提取方法,具体包括以下流程:
步骤1)、将待处理图像通过不同大小的分块法分别进行均分,每个分块法下得到多个大小相同的子图像,对同一大小分块法下得到的每个子图像分别进行空间结构处理,得到同一大小分块法下每个子图像的梯度值和每个子图像的像素均值;
步骤2)、根据得到的同一大小分块法下的每个子图像的梯度值和像素均值,采用局部差分二进制来得到同一分块法下的待处理图像的二进制序列Bn;将不同分块法下的待处理图像的二进制序列Bn按照同样顺序进行排列即可得到待处理图像的选取特征FD;
步骤3)、利用遗传算法提取选取特征FD中的最优个体,得到的最优个体的集合即为最终提取得到的图形特征。
具体的,如图2所示,步骤1)中、通过分块法将待处理图像均分为分辨率大小相同的多个子图像,即将待处理图像划分为n×n块,得到n2个图像,Ii表示第i块图像,i∈[1,n2];本申请采用2×2,3×3,5×5三种分块法分别对待处理图像进行均分。
将待处理图像在同一大小分块法下均分得到的子图像进行空间结构处理,得到子图像在空间结构内不同划分区域内的像素均值,根据子图像在不同划分区域内的像素均值得到子图像在空间结构内的梯度值;
具体的,将待处理图像在同一大小分块法下均分得到的子图像Ii分别进行t种不同空间结构处理,得到子图像Ii在第t种空间结构下划分区域X内的像素均值Xi(t),以及子图像Ii在第t种空间结构下划分区域Y内的像素均值Yi(t);根据子图像Ii划分区域X内的像素均值Xi(t)和划分区域X内的像素均值Xi(t)得到子图像Ii在第t种空间结构下的梯度值Vi(t):Vi(t)=Yi(t)-Xi(t);其中t=1,2,3,4;同时获取子图像Ii的像素均值Vi;
步骤2)中,如图3所示,将待处理图像在同一大小分块法下均分后,计算任意两个子图像之间的特征值为τ(Vi,Vj),根据经过同一空间结构处理后的任意两个子图像的梯度值Vi(t)计算任意两个子图像之间的特征值τ(Vi(t),Vj(t));同时计算子图像Ii在第t种空间结构下的梯度特征值υ(Vi(t));
具体的,待处理图像分块为n×n时,任意两个子图像经过同一空间结构处理后的特征值τ(Vi(t),Vj(t)):
具体的,子图像Ii在第t种空间结构下的梯度特征值υ(Vi(t)),如果Vi(t)>0,υ(Vi(t))的值取1,否则取0,每块子图像Ii可到的4个梯度特征值{0,1};
具体的,任意两个子图像之间的特征值为τ(Vi,Vj)
将n2块子图像进行遍历得到n2块子图像的特征值,将任意两个子图像之间的特征值τ(Vi(t),Vj(t))按照同样的顺序排列,同时将每个子图像的梯度特征值υ(Vi(t))按照同样的顺序排列,可得到同一大小分块法均分后的待处理图像的二进制序列Bn,二进制序列Bn的长度为5×n2×(n2-1)/2+4×n2。
将不同大小分块法均分后的待处理图像的二进制序列Bn按照同样的顺序排列后级联,即可得到待处理图像的选取特征FD;本文使用2×2,3×3,5×5三种分块法分别对待处理图像进行分块处理,分别得到待处理图像在三种分块法下的二进制序列B2,B3和B5,最终得到选取特征FD=B2+B3+B5,FD特征长度D为1862。以上即为适应度-多样性协同选择的遗传算法提取待处理图像的选取特征FD。
步骤3)中,如图4所示,采用适应度-多样性协同选择的遗传算法提取选取特征FD中的最优个体:在得到选取特征FD后,对染色体矩阵进行编码,根据得到的待处理图像的选取特征FD长度确定变量个数与搜索空间,将选取特征FD的特征长度D作为搜索空间,即遗传算法的染色体矩阵中每一条染色体均有D个{0,1}变量;设有N条染色体,本文的N取经验值300;每一条染色体代表一种特征选择的情况,如式(2)构成染色体矩阵XN×D,完成最终图像特征的选取;
适应度-多样性协同选择的遗传算法提取具体如下:
(1)、利用遗传算法在搜索空间内中搜索,搜索过程中保留表现最优的个体;
(2)、将适应度函数fitness如式(3)取倒数并作归一化处理得到适应性判据fit;
(4)、将适应性判据与多样性判据进行线性组合构成选择概率,如式(6);
其中:T为总迭代次数,t为当轮迭代次数;
(5)、基于轮盘赌策略,得到每个特征的选择概率的大小,按照选择概率的大小从大到小填满N条染色体,构成染色体矩阵XN×D,完成最终图像特征的选取。
如图5所示,交叉算子选择传统的均匀交叉方法。通过随机生成一个屏蔽字来决定子代个体如何从父代个体获得基因。这个屏蔽字的长度要与个体基因串长度相同,且均由0,1生成。比如屏蔽字的第一位数是0,那么第一个子代个体基因串的第一位基因便继承父代个体A,第二个子代个体基因串的第一位基因便继承父代个体B;如果屏蔽字的第一位数是1,那么第一个子代个体基因串的第一位基因便继承父代个体B,第二个子代个体基因串的第一位基因便继承父代个体A。
适应度函数选取准确率和降维率两个评价指标的线性组合如式(7)所示,由于准确率是算法的核心目标所以权重较大。
其中:accuracy表示准确率,dimension表示降维后的剩余特征数。
经过遗传算法迭代,得到全局最优准确率和最优个体,按式(2)意义表示了特征的选择情况,即第j位取值为1,则代表第j个特征被选择。
本文提出的适应度-多样性协同选择的遗传算法是针对选择操作,通过每一条染色体的适应度函数转换为适应性判据与相对于其他染色体差异的多样性判据线性组合成为选择概率,两判据线性系数随迭代次数变化,迭代初期多样性判据主导选择,迭代末期适应度函数主导选择,可以在搜索空间中获得更充分的搜索,有效地避免了算法的早熟以及陷入局部极值的发生。
将适应性判据与多样性判据线性组合为选择概率,将多样性-适应性空间中的个体映射到选择概率方向上,具有更高选择概率值的个体将会获得更高的候选概率,而随着迭代次数的增加,选择概率方向将会逐渐由多样性轴逐步旋转到适应性轴上,从而达到初期以保证多样性,末期以适应度函数为主的效果。
为了验证本文算法的有效性,本文使用了CMU-PIE人脸数据库,如图6所示,该数据库包含来自68个人的图像,其中每个人4种表情、13种姿态以及43种光照条件下的40000张图像。
为了体现本文算法的高识别性,实验中分别与传统的局部特征提取算法进行比较。实验的结果如图7所示,从图7(a)中可以看出,随着训练样本数量的增加,所有方法的准确率都在增加,本文方法识别率明显高于传统的局部二值模式、局部三值模式以及韦伯局部描述符,与传统遗传算法也结合取得了很好的识别效果。同时从图7(b)中可以看出,在0.2的椒盐噪声图像识别中,本文算法依旧比几种传统算法的识别率高,验证了本文算法的有效性。
Claims (10)
1.一种图像特征提取方法,其特征在于,包括以下步骤:
步骤1)、将待处理图像通过不同大小的分块法分别进行均分,每个分块法下得到多个大小相同的子图像,对同一大小分块法下得到的每个子图像分别进行空间结构处理,得到同一大小分块法下每个子图像的梯度值和每个子图像的像素均值;
步骤2)、根据得到的同一大小分块法下的每个子图像的梯度值和像素均值,采用局部差分二进制来得到同一分块法下的待处理图像的二进制序列Bn;将不同分块法下的待处理图像的二进制序列Bn按照同样顺序进行排列即可得到待处理图像的选取特征FD;
步骤3)、利用遗传算法提取选取特征FD中的最优个体,得到的最优个体的集合即为最终提取得到的图形特征。
2.根据权利要求1所述的一种图像特征提取方法,其特征在于,步骤1)中,通过分块法将待处理图像均分为分辨率大小相同的多个子图像,即将待处理图像划分为n×n块,得到n2个图像,Ii表示第i块图像,i∈[1,n2];
将待处理图像在同一大小分块法下均分得到的子图像进行空间结构处理,得到子图像在空间结构内不同划分区域内的像素均值,根据子图像在不同划分区域内的像素均值得到子图像在空间结构内的梯度值。
3.根据权利要求2所述的一种图像特征提取方法,其特征在于,将待处理图像在同一大小分块法下均分得到的子图像Ii分别进行t种不同空间结构处理,得到子图像Ii在第t种空间结构下划分区域X内的像素均值Xi(t),以及子图像Ii在第t种空间结构下划分区域Y内的像素均值Yi(t);根据子图像Ii划分区域X内的像素均值Xi(t)和划分区域X内的像素均值Xi(t)得到子图像Ii在第t种空间结构下的梯度值Vi(t):Vi(t)=Yi(t)-Xi(t);其中t=1,2,3,4;同时获取子图像Ii的像素均值Vi。
4.根据权利要求3所述的一种图像特征提取方法,其特征在于,步骤2)中,将待处理图像在同一大小分块法下均分后,计算任意两个子图像之间的特征值为τ(Vi,Vj),根据经过同一空间结构处理后的任意两个子图像的梯度值Vi(t)计算任意两个子图像之间的特征值τ(Vi(t),Vj(t));同时计算子图像Ii在第t种空间结构下的梯度特征值υ(Vi(t))。
6.根据权利要求4所述的一种图像特征提取方法,其特征在于,子图像Ii在第t种空间结构下的梯度特征值υ(Vi(t)),如果Vi(t)>0,υ(Vi(t))的值取1,否则取0。
7.根据权利要求4所述的一种图像特征提取方法,其特征在于,将n2块子图像进行遍历得到n2块子图像的特征值,将任意两个子图像之间的特征值τ(Vi(t),Vj(t))按照同样的顺序排列,同时将每个子图像的梯度特征值υ(Vi(t))按照同样的顺序排列,可得到同一大小分块法均分后的待处理图像的二进制序列Bn,将不同大小分块法均分后的待处理图像的二进制序列Bn按照同样的顺序排列后级联,即可得到待处理图像的选取特征FD。
8.根据权利要求1所述的一种图像特征提取方法,其特征在于,步骤3)中,采用适应度-多样性协同选择的遗传算法提取选取特征:在得到选取特征后,对染色体矩阵进行编码,根据得到的待处理图像的选取特征长度确定变量个数与搜索空间,将选取特征的特征长度作为搜索空间,通过含有N条染色体的染色体矩阵进行特征选取,每一条染色体的变量个数与特征长度相同;构成染色体矩阵XN×D,完成最终图像特征的选取;
9.根据权利要求8所述的一种图像特征提取方法,其特征在于,适应度-多样性协同选择的遗传算法提取具体如下:
(1)、利用遗传算法在搜索空间内中搜索,搜索过程中保留表现最优的个体;
(2)、将适应度函数fitness如式(3)取倒数并作归一化处理得到适应性判据fit;
(4)、将适应性判据与多样性判据进行线性组合构成选择概率,如式(6);
其中:T为总迭代次数,t为当轮迭代次数;
(5)、基于轮盘赌策略,得到每个特征的选择概率的大小,按照选择概率的大小从大到小填满N条染色体,构成染色体矩阵XN×D,完成最终图像特征的选取。
10.根据权利要求9所述的一种图像特征提取方法,其特征在于,适应度函数选取准确率和降维率两个评价指标的线性组合如式(7)所示,
其中:accuracy表示准确率,dimension表示降维后的剩余特征数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911072293.3A CN110852235A (zh) | 2019-11-05 | 2019-11-05 | 一种图像特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911072293.3A CN110852235A (zh) | 2019-11-05 | 2019-11-05 | 一种图像特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110852235A true CN110852235A (zh) | 2020-02-28 |
Family
ID=69598550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911072293.3A Pending CN110852235A (zh) | 2019-11-05 | 2019-11-05 | 一种图像特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852235A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111575358A (zh) * | 2020-05-11 | 2020-08-25 | 菏泽市疾病预防控制中心(挂市卫生检测检验中心牌子) | 非诊断目的的肠道微生物定性与定量检测方法及检测系统 |
WO2022001843A1 (zh) * | 2020-06-30 | 2022-01-06 | 索尼集团公司 | 图像特征提取方法和设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156584A (zh) * | 2014-08-04 | 2014-11-19 | 中国船舶重工集团公司第七0九研究所 | 多目标优化差分进化算法的传感器目标分配方法及系统 |
US20150078629A1 (en) * | 2013-09-16 | 2015-03-19 | EyeVerify, Inc. | Template update for biometric authentication |
CN104537382A (zh) * | 2015-01-12 | 2015-04-22 | 杭州电子科技大学 | 基于遗传算法优化支持向量机的肌电信号步态识别方法 |
CN106960451A (zh) * | 2017-03-13 | 2017-07-18 | 西安电子科技大学 | 一种提升图像弱纹理区域特征点数量的方法 |
WO2017177003A1 (en) * | 2016-04-06 | 2017-10-12 | Nec Laboratories America, Inc | Extraction and comparison of hybrid program binary features |
CN107273818A (zh) * | 2017-05-25 | 2017-10-20 | 北京工业大学 | 遗传算法融合差分进化的选择性集成人脸识别方法 |
CN107358253A (zh) * | 2017-06-12 | 2017-11-17 | 中国地质大学(武汉) | 一种基于差分演化的自适应集成学习方法及系统 |
CN108346159A (zh) * | 2018-01-28 | 2018-07-31 | 北京工业大学 | 一种基于跟踪-学习-检测的视觉目标跟踪方法 |
CN110070141A (zh) * | 2019-04-28 | 2019-07-30 | 上海海事大学 | 一种网络入侵检测方法 |
-
2019
- 2019-11-05 CN CN201911072293.3A patent/CN110852235A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150078629A1 (en) * | 2013-09-16 | 2015-03-19 | EyeVerify, Inc. | Template update for biometric authentication |
CN104156584A (zh) * | 2014-08-04 | 2014-11-19 | 中国船舶重工集团公司第七0九研究所 | 多目标优化差分进化算法的传感器目标分配方法及系统 |
CN104537382A (zh) * | 2015-01-12 | 2015-04-22 | 杭州电子科技大学 | 基于遗传算法优化支持向量机的肌电信号步态识别方法 |
WO2017177003A1 (en) * | 2016-04-06 | 2017-10-12 | Nec Laboratories America, Inc | Extraction and comparison of hybrid program binary features |
CN106960451A (zh) * | 2017-03-13 | 2017-07-18 | 西安电子科技大学 | 一种提升图像弱纹理区域特征点数量的方法 |
CN107273818A (zh) * | 2017-05-25 | 2017-10-20 | 北京工业大学 | 遗传算法融合差分进化的选择性集成人脸识别方法 |
CN107358253A (zh) * | 2017-06-12 | 2017-11-17 | 中国地质大学(武汉) | 一种基于差分演化的自适应集成学习方法及系统 |
CN108346159A (zh) * | 2018-01-28 | 2018-07-31 | 北京工业大学 | 一种基于跟踪-学习-检测的视觉目标跟踪方法 |
CN110070141A (zh) * | 2019-04-28 | 2019-07-30 | 上海海事大学 | 一种网络入侵检测方法 |
Non-Patent Citations (2)
Title |
---|
BIBARS AHMED等: "New local difference binary image descriptor and algorithm for rapid and precise vehicle visual localisation", 《COMPUTER VISION, IET》 * |
XIN YANG等: "Local Difference Binary for Ultrafast and Distinctive Feature Description", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111575358A (zh) * | 2020-05-11 | 2020-08-25 | 菏泽市疾病预防控制中心(挂市卫生检测检验中心牌子) | 非诊断目的的肠道微生物定性与定量检测方法及检测系统 |
WO2022001843A1 (zh) * | 2020-06-30 | 2022-01-06 | 索尼集团公司 | 图像特征提取方法和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321813B (zh) | 基于行人分割的跨域行人重识别方法 | |
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN110458844B (zh) | 一种低光照场景的语义分割方法 | |
CN109670528B (zh) | 面向行人重识别任务的基于成对样本随机遮挡策略的数据扩充方法 | |
CN112308158A (zh) | 一种基于部分特征对齐的多源领域自适应模型及方法 | |
CN111639564B (zh) | 一种基于多注意力异构网络的视频行人重识别方法 | |
CN110363068B (zh) | 一种基于多尺度循环生成式对抗网络的高分辨行人图像生成方法 | |
CN113763442B (zh) | 一种可变形医学图像配准方法及系统 | |
CN111027464A (zh) | 对卷积神经网络和序特征编码联合优化的虹膜识别方法 | |
CN114067444A (zh) | 基于元伪标签和光照不变特征的人脸欺骗检测方法和系统 | |
CN112418041A (zh) | 一种基于人脸正面化的多姿态人脸识别方法 | |
CN110852235A (zh) | 一种图像特征提取方法 | |
CN112990052A (zh) | 基于人脸修复的部分遮挡人脸识别方法及装置 | |
CN112329784A (zh) | 一种基于时空感知及多峰响应的相关滤波跟踪方法 | |
CN111242971B (zh) | 一种基于改进的双中心粒子群优化算法的目标跟踪方法 | |
CN116052218A (zh) | 一种行人重识别方法 | |
CN113033345B (zh) | 基于公共特征子空间的v2v视频人脸识别方法 | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
CN116645562A (zh) | 一种细粒度伪造图像的检测方法及其模型训练方法 | |
CN114842512B (zh) | 基于多特征协同和语义感知的遮挡行人重识别和检索方法 | |
CN116433690A (zh) | 一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法 | |
CN115661771A (zh) | 一种基于不均匀锚的车道线边沿实时检测方法和系统 | |
CN110503061B (zh) | 一种融合多特征的多因素视频遮挡区域检测方法及系统 | |
CN115546828A (zh) | 一种复杂牛场环境牛脸识别方法 | |
CN110060243B (zh) | 一种大坝表面裂缝骨架提取方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200228 |