CN111507413B - 一种基于字典学习的城市管理案件图像识别方法 - Google Patents
一种基于字典学习的城市管理案件图像识别方法 Download PDFInfo
- Publication number
- CN111507413B CN111507413B CN202010311622.1A CN202010311622A CN111507413B CN 111507413 B CN111507413 B CN 111507413B CN 202010311622 A CN202010311622 A CN 202010311622A CN 111507413 B CN111507413 B CN 111507413B
- Authority
- CN
- China
- Prior art keywords
- dictionary
- case
- sample
- cases
- management
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 230000006835 compression Effects 0.000 claims abstract description 4
- 238000007906 compression Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims 1
- 230000006872 improvement Effects 0.000 description 5
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于字典学习的城市管理案件图像识别方法,首先将城市管理案件图片以及监控视频截图的各类案件上传到云库,通过压缩技术对采集各类案件进行压缩,减少冗余信息后,再对其进行传输和存储;再提取案件样本图片的轮廓特征,使用训练样本特征构建字典模型;然后在字典中加入样本标签,并通过加入的线性判别式来实现字典对城市管理案件的分类;最后在城市管理案件分类完之后,将案件类型上报审核,及时发送给该地区的工作人员,提高工作效率,实现智能化城市案件管理。
Description
技术领域
本发明涉及城市管理案件领域,特别设计基于字典学习的城市管理案件 图像识别方法。
背景技术
由于城区文明建设的进程加快,市容环境整顿与提升也因此变得极其重 要。近年来,越来越多的城市采用智慧城市管理系统更方便快捷来管理城市 运作。不仅在一些一线城市成功实施,如北京、杭州、上海和深圳;并且大 多数二线城市如重庆、青岛和济南也逐渐成为智慧城市的试用点。这些城市 都相继以过硬的技术及创新实力去实现智慧城市管理。
随着城市化的进程,如今国内各主要城市的面积快速增加,城市管理的 难度大大增加,各类案件激增,依靠传统的固定视角摄像头,难以监控广大 的城市区域,尤其是城管案件髙发的背街小巷,老旧小区,大多处于监控死 角,并且人工观看监控视频的效率极低,因此开发城市管理案件的智能处理 是极其重要的。
对城市案件的智能化处理,实现对城市案件的正确分类是重中之重。而 为了实现城市案件正确分类,其中对案件的特征提取、分类算法又是能保证 正确分类的核心。为了克服了传统边界特征只能提取水平方向上轮廓变化信 息的缺点,本发明采用了一种起始点对齐方法来对齐相同视频下的各个案件 轮廓,与传统的边界特征相比还增加了旋转不变性。
发明内容
为了解决上述存在问题,本发明提供基于字典学习的城市管理案件图像 识别方法,解决城市管理案件问题。为达此目的:
本发明提供基于字典学习的城市管理案件图像识别方法,具体步骤如下:
步骤1:将城市管理案件图片以及监控视频截图的各类案件上传到云库, 通过压缩技术对采集各类案件进行压缩,减少冗余信息后,再对其进行传输 和存储;
步骤2:提取案件样本图片的轮廓特征,并将各类案件的样本特征按照 4:1的比例划分为训练样本和测试样本,使用训练样本特征Y构建字典模 型,得到字典D和稀疏系数矩阵X;
步骤3:在字典中加入样本标签,并通过加入的线性判别式来实现字典 对城市管理案件的分类,使用测试样本特征测试字典的分类效果;
步骤4:城市管理案件分类完之后,将案件类型上报审核,及时发送给 该地区的工作人员,提高工作效率,实现智能化城市案件管理。
作为本发明进一步改进,所述步骤1中城市管理案件分类如下:
为了加速城市管理案件的处理,本发明将识别8种特定的城市管理案件, 包括:1、机动车;2、共享单车;3、小广告;4、垃圾桶;5、电动摩托车; 6、道路栅栏;7、泄水口;8、窨井盖。
作为本发明进一步改进,所述步骤2中提取案件图片轮廓特征如下:
计算轮廓曲线上每个点(xi,yi)到质心的加权距离:
在用式3得到的距离向量作为每一帧图像的可移动物体轮廓的初步表示 量;对各个监控视频里的第t+1帧,使用下式进行起始点对齐:
m*=arg minm||Smpt+1-pt||2 (4)
在每个监控视频中,从t=1开始,重复以上方法对每帧可移动图像的 物体轮廓进行起始点对齐;通过采样将对齐后的距离向量p=(d1,d2,,dn) 规范统一长度s后将其单位化:
作为本发明进一步改进,所述步骤2中构建字典模型如下:
使用KSVD算法自适应学习一个城市管理案件字典,其目标函数是:
式中D是字典,α是稀疏系数,Y是训练样本矩阵,其中约束条件是 每一列训练样本稀疏系数的非零项个数小于等于稀疏度阈值T0;其中字典 的更新算法如下:
其中dk是原子,Ek表示除了dk列之外的列字典和稀疏系数重构的信 号和真实信号的差值,训练样本训练的结果是用字典和稀疏系数去表示训练 样本,每一列样本为对应的稀疏系数中的非零项和字典表示,而每一个列字 典对应一个样本特征,相应的稀疏系数中的非零项突出了样本的主要特征;
字典的更新过程是以列来更新,当更新到第k列时,除了第k列以外 的列不变,求出目标函数最小化的原子dk;在式中只保留系数中的非 零项,EK只保留dk和/>中非零项相乘后的项,再做SVD分解,更新列 字典,直到收敛,得到字典D和系数系数矩阵组成的矩阵X。
作为本发明进一步改进,所述步骤3中使用字典实现城市管理案件测试 样本的分类如下:
由于上述的字典算法是无监督类型算法,因此本专利在字典算法中加入 样本标签,添加字典的判别能力,同时在算法中加入线性判别式:
通过该判别式可以得到一个线性的分类面,W为法向量,b是位移量, H是样本的类标签,为了防止过拟合设置||W||2是正则化惩罚项;同时将线 性判别式添加到字典的目标函数中,可得:
其中,Y是训练样本,D是字典,α是稀疏系数,H是标签,W是 分类器参数,γ和β约束了表达式对目标函数的作用大小;
将上式进行变换可得:
去掉式中的正则项可得:
上式再用步骤3求解,得到字典和稀疏系数,将字典和分类器参数W同 时训练有:
再归一化后得到新的字典和判别参数:
再使用求得的归一化的字典求解稀疏系数:
使用L2范数代替L0范数,可求得稀疏系数;在分类时,分类器参数W结 合稀疏系数,得到标签l:
l=W'*α' (16)
最后根据标签l将测试样本分到已知案件类别中。
作为本发明进一步改进,所述步骤4中智能化城市案件管理如下:
在案件识别之后,算法识别的结果会结合视频地点、案情描述和案发时 间等整合信息并通过审核后发布在案件处理平台上;工作人员可以通过手机 端接收到相应案情信息,及时有效的处理案件。
本发明一种基于字典学习的城市管理案件图像识别方法,有益效果在于:
1.本发明提取了物体的轮廓特征,该特征能有效区分不同案件类别,且 具有平移不变性、尺度不变性和旋转不变性;
2.将字典学习应用于城市管理案件的分类,提高了城市管理案件的分类 正确率;
3.本发明为城市案件管理提供了一种重要技术处理手段。
附图说明
图1是整体算法原理流程图;
图2是字典的分类算法流程图;
图3是城市案件处理流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供基于字典学习的城市管理案件图像识别方法,整体算法原理 流程如图1所示,发明步骤如下所示:
步骤1:将城市管理案件图片以及监控视频截图的各类案件上传到云库, 通过压缩技术对采集各类案件进行压缩,减少冗余信息后,再对其进行传输 和存储;
步骤1中城市管理案件分类具体描述如下:
为了加速城市管理案件的处理,本发明将识别8种特定的城市管理案件, 包括:1、机动车;2、共享单车;3、小广告;4、垃圾桶;5、电动摩托车; 6、道路栅栏;7、泄水口;8、窨井盖。
步骤2:提取案件样本图片的轮廓特征,并将各类案件的样本特征按照 4:1的比例划分为训练样本和测试样本,使用训练样本特征Y构建字典模 型,得到字典D和稀疏系数矩阵X;
步骤2中提取案件图片轮廓特征具体描述如下:
计算轮廓曲线上每个点(xi,yi)到质心的加权距离:
在用式3得到的距离向量作为每一帧图像的可移动物体轮廓的初步表示 量;对各个监控视频里的第t+1帧,使用下式进行起始点对齐:
m*=arg minm||Smpt+1-pt||2 (4)
在每个监控视频中,从t=1开始,重复以上方法对每帧可移动图像的 物体轮廓进行起始点对齐;通过采样将对齐后的距离向量p=(d1,d2,,dn) 规范统一长度s后将其单位化:
步骤2中构建字典模型具体描述如下:
使用KSVD算法自适应学习一个城市管理案件字典,其目标函数是:
式中D是字典,α是稀疏系数,Y是训练样本矩阵,其中约束条件是 每一列训练样本稀疏系数的非零项个数小于等于稀疏度阈值T0;其中字典 的更新算法如下:
其中dk是原子,Ek表示除了dk列之外的列字典和稀疏系数重构的信 号和真实信号的差值,训练样本训练的结果是用字典和稀疏系数去表示训练 样本,每一列样本为对应的稀疏系数中的非零项和字典表示,而每一个列字 典对应一个样本特征,相应的稀疏系数中的非零项突出了样本的主要特征;
字典的更新过程是以列来更新,当更新到第k列时,除了第k列以外 的列不变,求出目标函数最小化的原子dk;在式中只保留系数中的非 零项,EK只保留dk和/>中非零项相乘后的项,再做SVD分解,更新列 字典,直到收敛,得到字典D和系数系数矩阵组成的矩阵X。
步骤3:在字典中加入样本标签,并通过加入的线性判别式来实现字典 对城市管理案件的分类,使用测试样本特征测试字典的分类效果;
步骤3中使用字典实现城市管理案件测试样本的分类具体描述如下:
字典的分类算法流程图如图2所示,由于上述的字典算法是无监督类型 算法,因此本专利在字典算法中加入样本标签,添加字典的判别能力,同时 在算法中加入线性判别式:
通过该判别式可以得到一个线性的分类面,W为法向量,b是位移量, H是样本的类标签,为了防止过拟合设置||W||2是正则化惩罚项;同时将线 性判别式添加到字典的目标函数中,可得:
其中,Y是训练样本,D是字典,α是稀疏系数,H是标签,W是 分类器参数,γ和β约束了表达式对目标函数的作用大小;
将上式进行变换可得:
去掉式中的正则项可得:
上式再用步骤3求解,得到字典和稀疏系数,将字典和分类器参数W同 时训练有:
再归一化后得到新的字典和判别参数:
再使用求得的归一化的字典求解稀疏系数:
使用L2范数代替L0范数,可求得稀疏系数;在分类时,分类器参数W结 合稀疏系数,得到标签l:
l=W'*α' (16)
最后根据标签l将测试样本分到已知案件类别中。
步骤4:城市管理案件分类完之后,将案件类型上报审核,及时发送给 该地区的工作人员,提高工作效率,实现智能化城市案件管理;
步骤4中智能化城市案件管理具体描述如下:
城市案件处理流程图如图3所示,在案件识别之后,算法识别的结果会 结合视频地点、案情描述和案发时间等整合信息并通过审核后发布在案件处 理平台上;工作人员可以通过手机端接收到相应案情信息,及时有效的处理 案件。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式 的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所 要求保护的范围。
Claims (4)
1.基于字典学习的城市管理案件图像识别方法,具体步骤如下,其特征在于,
步骤1:将城市管理案件图片以及监控视频截图的各类案件上传到云库,通过压缩技术对采集各类案件进行压缩,减少冗余信息后,再对其进行传输和存储;
步骤2:提取案件样本图片的轮廓特征,并将各类案件的样本特征按照4:1的比例划分为训练样本和测试样本,使用训练样本特征Y构建字典模型,得到字典D和稀疏系数矩阵X;
步骤2中提取案件图片轮廓特征如下:
计算轮廓曲线上每个点(xi,yi)到质心的加权距离:
在用式3得到的距离向量作为每一帧图像的可移动物体轮廓的初步表示量;对各个监控视频里的第t+1帧,使用下式进行起始点对齐:
m*=argminm||Smpt+1-pt||2 (4)
在每个监控视频中,从t=1开始,重复以上方法对每帧可移动图像的物体轮廓进行起始点对齐;通过采样将对齐后的距离向量p=(d1,d2,...,dn)规范统一长度s后将其单位化:
步骤2中构建字典模型如下:
使用KSVD算法自适应学习一个城市管理案件字典,其目标函数是:
式中D是字典,α是稀疏系数,Y是训练样本矩阵,其中约束条件是每一列训练样本稀疏系数的非零项个数小于等于稀疏度阈值T0;其中字典的更新算法如下:
其中dk是原子,Ek表示除了dk列之外的列字典和稀疏系数重构的信号和真实信号的差值,训练样本训练的结果是用字典和稀疏系数去表示训练样本,每一列样本为对应的稀疏系数中的非零项和字典表示,而每一个列字典对应一个样本特征,相应的稀疏系数中的非零项突出了样本的主要特征;
字典的更新过程是以列来更新,当更新到第k列时,除了第k列以外的列不变,求出目标函数最小化的原子dk;在式中只保留系数中的非零项,EK只保留dk和/>中非零项相乘后的项,再做SVD分解,更新列字典,直到收敛,得到字典D和系数矩阵组成的矩阵X;
步骤3:在字典中加入样本标签,并通过加入的线性判别式来实现字典对城市管理案件的分类,使用测试样本特征测试字典的分类效果;
步骤4:城市管理案件分类完之后,将案件类型上报审核,及时发送给该地区的工作人员,提高工作效率,实现智能化城市案件管理。
2.根据权利要求1基于字典学习的城市管理案件图像识别方法,其特征在于:步骤1中城市管理案件分类如下:
为了加速城市管理案件的处理,将识别8种特定的城市管理案件,包括:1、机动车;2、共享单车;3、小广告;4、垃圾桶;5、电动摩托车;6、道路栅栏;7、泄水口;8、窨井盖。
3.根据权利要求1基于字典学习的城市管理案件图像识别方法,其特征在于:步骤3中使用字典实现城市管理案件测试样本的分类如下:
由于上述的字典算法是无监督类型算法,因此在字典算法中加入样本标签,添加字典的判别能力,同时在算法中加入线性判别式:
通过该判别式可以得到一个线性的分类面,W为法向量,b是位移量,H是样本的类标签,为了防止过拟合设置||W||2是正则化惩罚项;同时将线性判别式添加到字典的目标函数中,可得:
其中,Y是训练样本,D是字典,α是稀疏系数,H是标签,W是分类器参数,γ和β约束了表达式对目标函数的作用大小;
将上式进行变换可得:
去掉式中的正则项可得:
上式再用步骤3求解,得到字典和稀疏系数,将字典和分类器参数W同时训练有:
再归一化后得到新的字典和判别参数:
再使用求得的归一化的字典求解稀疏系数:
使用L2范数代替L0范数,可求得稀疏系数;在分类时,分类器参数W结合稀疏系数,得到标签l:
l=W'*α' (16)
最后根据标签l将测试样本分到已知案件类别中。
4.根据权利要求1基于字典学习的城市管理案件图像识别方法,其特征在于:步骤4中智能化城市案件管理如下:
在案件识别之后,算法识别的结果会结合视频地点、案情描述和案发时间整合信息并通过审核后发布在案件处理平台上;工作人员可以通过手机端接收到相应案情信息,及时有效的处理案件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010311622.1A CN111507413B (zh) | 2020-04-20 | 2020-04-20 | 一种基于字典学习的城市管理案件图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010311622.1A CN111507413B (zh) | 2020-04-20 | 2020-04-20 | 一种基于字典学习的城市管理案件图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507413A CN111507413A (zh) | 2020-08-07 |
CN111507413B true CN111507413B (zh) | 2023-06-16 |
Family
ID=71876252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010311622.1A Active CN111507413B (zh) | 2020-04-20 | 2020-04-20 | 一种基于字典学习的城市管理案件图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507413B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112050825A (zh) * | 2020-09-21 | 2020-12-08 | 金陵科技学院 | 基于lgc-mdl非线性信息抗干扰识别的导航控制系统 |
CN112488659A (zh) * | 2020-12-11 | 2021-03-12 | 浪潮云信息技术股份公司 | 一种基于遥感的城市事件智能发现及自动派单的方法 |
CN112733909A (zh) * | 2020-12-31 | 2021-04-30 | 北京软通智慧城市科技有限公司 | 一种城市案件的去重识别方法、装置、介质及电子设备 |
CN113269223B (zh) * | 2021-03-16 | 2022-04-22 | 重庆市地理信息和遥感应用中心 | 一种基于空间文化模因分析的城市风格分类方法 |
CN112989086B (zh) * | 2021-05-20 | 2022-04-15 | 苏州元澄科技股份有限公司 | 一种城市管理图像智能识别分类系统及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IN2013DE00589A (zh) * | 2013-02-28 | 2015-06-26 | Samsung India Electronics Pvt Ltd | |
CN104281845B (zh) * | 2014-10-29 | 2017-08-25 | 中国科学院自动化研究所 | 基于旋转不变字典学习模型的人脸识别方法 |
CN106897685A (zh) * | 2017-02-17 | 2017-06-27 | 深圳大学 | 基于核非负矩阵分解的字典学习和稀疏特征表示的人脸识别方法及系统 |
-
2020
- 2020-04-20 CN CN202010311622.1A patent/CN111507413B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111507413A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507413B (zh) | 一种基于字典学习的城市管理案件图像识别方法 | |
Weihong et al. | Research on license plate recognition algorithms based on deep learning in complex environment | |
CN112418117B (zh) | 一种基于无人机图像的小目标检测方法 | |
CN111259786B (zh) | 一种基于视频的外观和运动信息同步增强的行人重识别方法 | |
CN106650731B (zh) | 一种鲁棒的车牌、车标识别方法 | |
CN105989336B (zh) | 基于带权重的解卷积深度网络学习的场景识别方法 | |
CN110348357A (zh) | 一种基于深度卷积神经网络的快速目标检测方法 | |
CN112464730B (zh) | 一种基于域无关前景特征学习的行人再识别方法 | |
CN110222636B (zh) | 基于背景抑制的行人属性识别方法 | |
CN110245577A (zh) | 目标车辆识别方法、装置及车辆实时监控系统 | |
CN110533100A (zh) | 一种基于机器学习进行cme检测和跟踪的方法 | |
CN111079543B (zh) | 一种基于深度学习的高效车辆颜色识别方法 | |
CN110569819A (zh) | 一种公交车乘客再识别方法 | |
CN113486886A (zh) | 一种自然场景下的车牌识别方法和装置 | |
CN107545281B (zh) | 一种基于深度学习的单一有害气体红外图像分类识别方法 | |
CN113723188B (zh) | 一种结合人脸与步态特征的着装一致人员身份核验方法 | |
CN112580569B (zh) | 一种基于多维特征的车辆重识别方法及装置 | |
CN113936034A (zh) | 一种结合帧间光流的表观运动联合弱小运动目标检测方法 | |
CN109190451B (zh) | 基于lfp特征的遥感图像车辆检测方法 | |
CN110929632A (zh) | 面向复杂场景的车辆目标检测方法及装置 | |
CN113392695B (zh) | 一种公路货车及其轮轴识别方法 | |
CN115100681A (zh) | 一种衣着识别方法、系统、介质及设备 | |
CN111046861B (zh) | 识别红外影像的方法、构建识别模型的方法及应用 | |
CN114639090A (zh) | 一种非可控环境下的鲁棒中文车牌识别方法 | |
CN109190710B (zh) | 基于Haar-NMF特征和级联Adaboost分类器的脱岗检测方法 |
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 |