CN111209936B - 一种基于k-means聚类确定面部光泽的方法及系统 - Google Patents
一种基于k-means聚类确定面部光泽的方法及系统 Download PDFInfo
- Publication number
- CN111209936B CN111209936B CN201911371649.3A CN201911371649A CN111209936B CN 111209936 B CN111209936 B CN 111209936B CN 201911371649 A CN201911371649 A CN 201911371649A CN 111209936 B CN111209936 B CN 111209936B
- Authority
- CN
- China
- Prior art keywords
- gray
- average value
- gray average
- value
- threshold
- 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
- G06F18/23—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Abstract
本发明公开了一种基于k‑means聚类确定面部光泽的方法,属于机器学习与图像处理技术领域。本发明方法,包括:采集面部RGB颜色空间的样本图像,对样本图像进行灰度化处理,转换为HSI颜色空间的图像;对HSI颜色空间的图像进行k‑means聚类处理,选择灰度均值最大的目标图像作为处理图像;根据灰度值和灰度均值,确定处理图像中灰度值大于灰度均值的像素点的占比;根据灰度值、灰度均值和灰度值大于灰度均值的像素点的占比,确定灰度均值阈值和占比阈值,根据灰度均值阈值和占比阈值确定判定规则;对灰度均值和灰度值大于灰度均值的像素点的占比,与判定规则进行对比,确定目标面部光泽。本发明可以有效的判别面部光泽,为进一步面部分析奠定了坚实的基础。
Description
技术领域
本发明涉及机器学习与图像处理技术领域,并且更具体地,涉及一种基于k-means聚类确定面部光泽的方法及系统。
背景技术
将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合,这些对象与同一个簇中的对象彼此相似,与其他簇中的对象相异,可以由“物以类聚,人以群分”简单概括。
也可以说按照某个特定标准(如距离准则,即数据点之间的距离)把一个数据集分割成不同的类或簇,使得同一个簇内的数据对象的相似性尽可能大,同时不在同一个簇中的数据对象的差异性也尽可能地大。我们可以具体地理解为,聚类后同一类的数据尽可能聚集到一起,不同类数据尽量分离,即类类间距离大,类内间距离小。
和分类算法相比,分类算法是有监督学习,是基于有标注的历史数据进行算法模型的构建,而聚类算法是无监督学习,数据集中的数据是没有标注的。
发明内容
本发明的目的在于确定目标面部光泽,而提出了一种基于k-means聚类确定面部光泽的方法,包括:
采集面部RGB颜色空间的样本图像,对样本图像进行灰度化处理,转换为HSI颜色空间的图像;
对HSI颜色空间的图像进行k-means聚类处理,生成多个目标图像,对多个目标图像进行灰度化处理,确定多个目标图像中的每个目标图像的灰度值及灰度均值,选择灰度均值最大的目标图像作为处理图像;
根据灰度值和灰度均值,确定处理图像中灰度值大于灰度均值的像素点的占比;
根据灰度值、灰度均值和灰度值大于灰度均值的像素点的占比,确定灰度均值阈值和占比阈值,根据灰度均值阈值和占比阈值确定判定规则;
对灰度均值和灰度值大于灰度均值的像素点的占比,与判定规则进行对比,确定目标面部光泽。
可选的,灰度均值阈值和占比阈值数量均为3个;
所述灰度均值阈值,包括:灰度均值阈值0、灰度均值阈值1和灰度均值阈值2;
所述占比阈值,包括:占比阈值0、占比阈值1和占比阈值2。
可选的,判定规则,具体为:
条件1,灰度均值大于或等于灰度均值阈值1,且灰度值大于灰度均值的像素点的占比大于占比阈值0;
条件2,如果灰度均值大于或等于灰度阈值0、灰度均值小于灰度均值阈值1且灰度值大于灰度均值的像素点的占比大于占比阈值2;
条件3,灰度均值大于或等于灰度均值阈值1、灰度均值小于灰度均值阈值2且灰度值大于灰度均值的像素点的占比大于占比阈值1;
当灰度均值和灰度值大于灰度均值的像素点的占比满足条件1、条件2和条件3中的任意一个条件时,确定目标面部有光泽,否则判定目标面部有少量光泽。
可选的,多个目标图像为3-7个目标图像。
本发明一种基于k-means聚类确定面部光泽的系统,包括:
采集模块,采集面部RGB颜色空间的样本图像,对样本图像进行灰度化处理,转换为HSI颜色空间的图像;
处理模块,对HSI颜色空间的图像进行k-means聚类处理,生成多个目标图像,对多个目标图像进行灰度化处理,确定多个目标图像中的每个目标图像的灰度值及灰度均值,选择灰度均值最大的目标图像作为处理图像;
计算模块,根据灰度值和灰度均值,确定处理图像中灰度值大于灰度均值的像素点的占比;
规则制定模块,根据灰度值、灰度均值和灰度值大于灰度均值的像素点的占比,确定灰度均值阈值和占比阈值,根据灰度均值阈值和占比阈值确定判定规则;
判定模块,对灰度均值和灰度值大于灰度均值的像素点的占比,与判定规则进行对比,确定目标面部光泽。
可选的,灰度均值阈值和占比阈值数量均为3个;
所述灰度均值阈值,包括:灰度均值阈值0、灰度均值阈值1和灰度均值阈值2;
所述占比阈值,包括:占比阈值0、占比阈值1和占比阈值2。
可选的,判定规则,具体为:
条件1,灰度均值大于或等于灰度均值阈值1,且灰度值大于灰度均值的像素点的占比大于占比阈值0;
条件2,如果灰度均值大于或等于灰度阈值0、灰度均值小于灰度均值阈值1且灰度值大于灰度均值的像素点的占比大于占比阈值2;
条件3,灰度均值大于或等于灰度均值阈值1、灰度均值小于灰度均值阈值2且灰度值大于灰度均值的像素点的占比大于占比阈值1;
当灰度均值和灰度值大于灰度均值的像素点的占比满足条件1、条件2和条件3中的任意一个条件时,确定目标面部有光泽,否则判定目标面部有少量光泽。
可选的,多个目标图像为3-7个目标图像。
本发明可以有效的判别面部光泽,并有着较高的精准度,为进一步面部分析奠定了坚实的基础。
附图说明
图1为本发明一种基于k-means聚类确定面部光泽的方法流程图;
图2为本发明一种基于k-means聚类确定面部光泽的方法面部RGB颜色空间的样本图像原图;
图3为本发明一种基于k-means聚类确定面部光泽的方法面部RGB颜色空间的样本图像原图经过灰度化处理的HSI颜色空间的图像;
图4为本发明一种基于k-means聚类确定面部光泽的方法多个目标图像图;
图5为本发明一种基于k-means聚类确定面部光泽的方法多个目标图像灰度化处理灰度值最大的目标图像图;
图6为本发明一种基于k-means聚类确定面部光泽的方法处理图像像素点的占比效果图;
图7为本发明一种基于k-means聚类确定面部光泽的系统结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
本发明一种基于k-means聚类确定面部光泽的方法,如图1所示,包括:
采集面部RGB颜色空间的样本图像,如图2所示,对样本图像进行灰度化处理,转换为HSI颜色空间的图像如图3所示;
对HSI颜色空间的图像进行k-means聚类处理,生成多个目标图像,如图4所示,对多个目标图像进行灰度化处理,确定多个目标图像中的每个目标图像的灰度值及灰度均值,选择灰度均值最大的目标图像作为处理图像,如图5所示;
多个目标图像为3-7个目标图像。
根据灰度值和灰度均值,确定处理图像中灰度值大于灰度均值的像素点的占比,占比效果图如图6所示;
根据灰度值、灰度均值和灰度值大于灰度均值的像素点的占比,确定灰度均值阈值和占比阈值,根据灰度均值阈值和占比阈值确定判定规则;
灰度均值阈值和占比阈值数量均为3个;
灰度均值阈值,包括:灰度均值阈值0、灰度均值阈值1和灰度均值阈值2;
占比阈值,包括:占比阈值0、占比阈值1和占比阈值2。
判定规则,具体为:
条件1,灰度均值大于或等于灰度均值阈值1,且灰度值大于灰度均值的像素点的占比大于占比阈值0;
条件2,如果灰度均值大于或等于灰度阈值0、灰度均值小于灰度均值阈值1且灰度值大于灰度均值的像素点的占比大于占比阈值2;
条件3,灰度均值大于或等于灰度均值阈值1、灰度均值小于灰度均值阈值2且灰度值大于灰度均值的像素点的占比大于占比阈值1;
当灰度均值和灰度值大于灰度均值的像素点的占比满足条件1、条件2和条件3中的任意一个条件时,确定目标面部有光泽,否则判定目标面部有少量光泽。
对灰度均值和灰度值大于灰度均值的像素点的占比,与判定规则进行对比,确定目标面部光泽。
本发明还提供了一种基于k-means聚类确定面部光泽的系统200,如图7所示,包括:
采集模块201,采集面部RGB颜色空间的样本图像,对样本图像进行灰度化处理,转换为HSI颜色空间的图像;
处理模块202,对HSI颜色空间的图像进行k-means聚类处理,生成多个目标图像,对多个目标图像进行灰度化处理,确定多个目标图像中的每个目标图像的灰度值及灰度均值,选择灰度均值最大的目标图像作为处理图像;
计算模块203,根据灰度值和灰度均值,确定处理图像中灰度值大于灰度均值的像素点的占比;
规则制定模块204,根据灰度值、灰度均值和灰度值大于灰度均值的像素点的占比,确定灰度均值阈值和占比阈值,根据灰度均值阈值和占比阈值确定判定规则;
判定模块205,对灰度均值和灰度值大于灰度均值的像素点的占比,与判定规则进行对比,确定目标面部光泽。
灰度均值阈值和占比阈值数量均为3个;
所述灰度均值阈值,包括:灰度均值阈值0、灰度均值阈值1和灰度均值阈值2;
所述占比阈值,包括:占比阈值0、占比阈值1和占比阈值2。
判定规则,具体为:
条件1,灰度均值大于或等于灰度均值阈值1,且灰度值大于灰度均值的像素点的占比大于占比阈值0;
条件2,如果灰度均值大于或等于灰度阈值0、灰度均值小于灰度均值阈值1且灰度值大于灰度均值的像素点的占比大于占比阈值2;
条件3,灰度均值大于或等于灰度均值阈值1、灰度均值小于灰度均值阈值2且灰度值大于灰度均值的像素点的占比大于占比阈值1;
当灰度均值和灰度值大于灰度均值的像素点的占比满足条件1、条件2和条件3中的任意一个条件时,确定目标面部有光泽,否则判定目标面部有少量光泽。
多个目标图像为3-7个目标图像。
本发明可以有效的判别面部光泽,并有着较高的精准度,为进一步面部分析奠定了坚实的基础。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (6)
1.一种基于k-means聚类确定面部光泽的方法,所述方法包括:
采集面部RGB颜色空间的样本图像,对样本图像进行灰度化处理,转换为HSI颜色空间的图像;
对HSI颜色空间的图像进行k-means聚类处理,生成多个目标图像,对多个目标图像进行灰度化处理,确定多个目标图像中的每个目标图像的灰度值及灰度均值,选择灰度均值最大的目标图像作为处理图像;
根据灰度值和灰度均值,确定处理图像中灰度值大于灰度均值的像素点的占比;
根据灰度值、灰度均值和灰度值大于灰度均值的像素点的占比,确定灰度均值阈值和占比阈值,根据灰度均值阈值和占比阈值确定判定规则;
所述判定规则,具体为:
条件1,灰度均值大于或等于灰度均值阈值1,且灰度值大于灰度均值的像素点的占比大于占比阈值0;
条件2,如果灰度均值大于或等于灰度阈值0、灰度均值小于灰度均值阈值1且灰度值大于灰度均值的像素点的占比大于占比阈值2;
条件3,灰度均值大于或等于灰度均值阈值1、灰度均值小于灰度均值阈值2且灰度值大于灰度均值的像素点的占比大于占比阈值1;
当灰度均值和灰度值大于灰度均值的像素点的占比满足条件1、条件2和条件3中的任意一个条件时,确定目标面部有光泽,否则判定目标面部有少量光泽;
对灰度均值和灰度值大于灰度均值的像素点的占比,与判定规则进行对比,确定目标面部光泽。
2.根据权利要求1所述的方法,所述灰度均值阈值和占比阈值数量均为3个;
所述灰度均值阈值,包括:灰度均值阈值0、灰度均值阈值1和灰度均值阈值2;
所述占比阈值,包括:占比阈值0、占比阈值1和占比阈值2。
3.根据权利要求1所述的方法,所述多个目标图像为3-7个目标图像。
4.一种基于k-means聚类确定面部光泽的系统,所述系统包括:
采集模块,采集面部RGB颜色空间的样本图像,对样本图像进行灰度化处理,转换为HSI颜色空间的图像;
处理模块,对HSI颜色空间的图像进行k-means聚类处理,生成多个目标图像,对多个目标图像进行灰度化处理,确定多个目标图像中的每个目标图像的灰度值及灰度均值,选择灰度均值最大的目标图像作为处理图像;
计算模块,根据灰度值和灰度均值,确定处理图像中灰度值大于灰度均值的像素点的占比;
规则制定模块,根据灰度值、灰度均值和灰度值大于灰度均值的像素点的占比,确定灰度均值阈值和占比阈值,根据灰度均值阈值和占比阈值确定判定规则;
所述判定规则,具体为:
条件1,灰度均值大于或等于灰度均值阈值1,且灰度值大于灰度均值的像素点的占比大于占比阈值0;
条件2,如果灰度均值大于或等于灰度阈值0、灰度均值小于灰度均值阈值1且灰度值大于灰度均值的像素点的占比大于占比阈值2;
条件3,灰度均值大于或等于灰度均值阈值1、灰度均值小于灰度均值阈值2且灰度值大于灰度均值的像素点的占比大于占比阈值1;
当灰度均值和灰度值大于灰度均值的像素点的占比满足条件1、条件2和条件3中的任意一个条件时,确定目标面部有光泽,否则判定目标面部有少量光泽;
判定模块,对灰度均值和灰度值大于灰度均值的像素点的占比,与判定规则进行对比,确定目标面部光泽。
5.根据权利要求4所述的系统,所述灰度均值阈值和占比阈值数量均为3个;
所述灰度均值阈值,包括:灰度均值阈值0、灰度均值阈值1和灰度均值阈值2;
所述占比阈值,包括:占比阈值0、占比阈值1和占比阈值2。
6.根据权利要求4所述的系统,所述多个目标图像为3-7个目标图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911371649.3A CN111209936B (zh) | 2019-12-26 | 2019-12-26 | 一种基于k-means聚类确定面部光泽的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911371649.3A CN111209936B (zh) | 2019-12-26 | 2019-12-26 | 一种基于k-means聚类确定面部光泽的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111209936A CN111209936A (zh) | 2020-05-29 |
CN111209936B true CN111209936B (zh) | 2023-04-25 |
Family
ID=70786426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911371649.3A Active CN111209936B (zh) | 2019-12-26 | 2019-12-26 | 一种基于k-means聚类确定面部光泽的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111209936B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598908A (zh) * | 2014-09-26 | 2015-05-06 | 浙江理工大学 | 一种农作物叶部病害识别方法 |
CN105030205A (zh) * | 2015-08-07 | 2015-11-11 | 深圳可思美科技有限公司 | 手持式光学高清高倍智能皮肤测试分析仪及其系统、方法 |
CN105139414A (zh) * | 2015-09-29 | 2015-12-09 | 盐城工学院 | 用于x光片图像数据的聚类集成方法 |
CN106683076A (zh) * | 2016-11-24 | 2017-05-17 | 南京航空航天大学 | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 |
CN106845455A (zh) * | 2017-03-01 | 2017-06-13 | 中国科学院上海高等研究院 | 基于肤色检测的图像处理方法、系统及服务器 |
CN107563986A (zh) * | 2017-09-08 | 2018-01-09 | 北京进化者机器人科技有限公司 | 图像区域的判断方法和系统 |
CN109299633A (zh) * | 2017-07-25 | 2019-02-01 | 上海中科顶信医学影像科技有限公司 | 皱纹检测方法、系统、设备及介质 |
CN109325934A (zh) * | 2018-07-16 | 2019-02-12 | 青岛大学 | 一种织物光泽度自动分析评价方法及系统 |
CN109685046A (zh) * | 2019-02-28 | 2019-04-26 | 福建工程学院 | 一种基于图像灰度的皮肤光透明程度分析方法及其装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8213695B2 (en) * | 2007-03-07 | 2012-07-03 | University Of Houston | Device and software for screening the skin |
-
2019
- 2019-12-26 CN CN201911371649.3A patent/CN111209936B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598908A (zh) * | 2014-09-26 | 2015-05-06 | 浙江理工大学 | 一种农作物叶部病害识别方法 |
CN105030205A (zh) * | 2015-08-07 | 2015-11-11 | 深圳可思美科技有限公司 | 手持式光学高清高倍智能皮肤测试分析仪及其系统、方法 |
CN105139414A (zh) * | 2015-09-29 | 2015-12-09 | 盐城工学院 | 用于x光片图像数据的聚类集成方法 |
CN106683076A (zh) * | 2016-11-24 | 2017-05-17 | 南京航空航天大学 | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 |
CN106845455A (zh) * | 2017-03-01 | 2017-06-13 | 中国科学院上海高等研究院 | 基于肤色检测的图像处理方法、系统及服务器 |
CN109299633A (zh) * | 2017-07-25 | 2019-02-01 | 上海中科顶信医学影像科技有限公司 | 皱纹检测方法、系统、设备及介质 |
CN107563986A (zh) * | 2017-09-08 | 2018-01-09 | 北京进化者机器人科技有限公司 | 图像区域的判断方法和系统 |
CN109325934A (zh) * | 2018-07-16 | 2019-02-12 | 青岛大学 | 一种织物光泽度自动分析评价方法及系统 |
CN109685046A (zh) * | 2019-02-28 | 2019-04-26 | 福建工程学院 | 一种基于图像灰度的皮肤光透明程度分析方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111209936A (zh) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4921858B2 (ja) | 画像処理装置および画像処理プログラム | |
CN108021908B (zh) | 人脸年龄段识别方法及装置、计算机装置及可读存储介质 | |
Fathi et al. | General rotation-invariant local binary patterns operator with application to blood vessel detection in retinal images | |
CN109711442B (zh) | 无监督逐层生成对抗特征表示学习方法 | |
CN111428701B (zh) | 小面积指纹图像特征提取方法、系统、终端及存储介质 | |
CN105184771A (zh) | 一种自适应运动目标检测系统及检测方法 | |
CN103246877B (zh) | 基于图像轮廓的人脸识别新方法 | |
Dagher et al. | Improving the SVM gender classification accuracy using clustering and incremental learning | |
Adi et al. | Beef quality identification using thresholding method and decision tree classification based on android smartphone | |
CN109086801A (zh) | 一种基于改进lbp特征提取的图像分类方法 | |
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 | |
WO2022156214A1 (zh) | 一种活体检测方法及装置 | |
CN111209936B (zh) | 一种基于k-means聚类确定面部光泽的方法及系统 | |
CN109815887B (zh) | 一种基于多智能体协作的复杂光照下人脸图像的分类方法 | |
JP2016071800A (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP2011128916A (ja) | オブジェクト検出装置および方法並びにプログラム | |
Elsayed et al. | Hand gesture recognition based on dimensionality reduction of histogram of oriented gradients | |
Tavallali et al. | Robust skin detector based on AdaBoost and statistical luminance features | |
Rathore et al. | A novel approach for ensemble clustering of colon biopsy images | |
Diqi et al. | Implementation of CNN for plant leaf classification | |
Rungruangbaiyok et al. | Chromosome image classification using a two-step probabilistic neural network. | |
Wang et al. | An Image Edge Detection Algorithm Based on Multi-Feature Fusion. | |
JP2009251962A (ja) | 強識別器の学習装置及びその方法並びに強識別器の学習プログラム | |
Mousavi et al. | Crowd estimation using histogram model classificationbased on improved uniform local binary pattern | |
Ardakany et al. | An extended local binary pattern for gender classification |
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 |