CN111797707A - 一种基于聚类的镜头关键帧提取方法 - Google Patents

一种基于聚类的镜头关键帧提取方法 Download PDF

Info

Publication number
CN111797707A
CN111797707A CN202010534738.1A CN202010534738A CN111797707A CN 111797707 A CN111797707 A CN 111797707A CN 202010534738 A CN202010534738 A CN 202010534738A CN 111797707 A CN111797707 A CN 111797707A
Authority
CN
China
Prior art keywords
cluster
frame
color histogram
clusters
hsv
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
Application number
CN202010534738.1A
Other languages
English (en)
Other versions
CN111797707B (zh
Inventor
王中元
梁步云
涂卫平
韩镇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202010534738.1A priority Critical patent/CN111797707B/zh
Publication of CN111797707A publication Critical patent/CN111797707A/zh
Application granted granted Critical
Publication of CN111797707B publication Critical patent/CN111797707B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于聚类的镜头关键帧提取方法，首先针对视频，提取视频帧的HSV颜色直方图作为特征向量；接着对HSV颜色直方图进行聚类，动态生成若干个簇，每个簇中包含镜头的若干个视频帧；然后对规模较小的簇进行合并，某个簇的大小小于预设值，则将该簇合并到其他簇中；最后根据颜色直方图距离或者图像熵选取关键帧。本方法能根据镜头内容的复杂程度自动确定镜头内关键帧的数量，因而选取的关键帧能准确代表镜头内容，且没有冗余。

Description

一种基于聚类的镜头关键帧提取方法
技术领域
本发明属于视频分析技术领域，涉及一种镜头关键帧提取方法，具体涉及一种基于聚类的镜头关键帧提取方法。
技术背景
新闻视频拆分是将一段长时间、完整的新闻视频拆分成独立的新闻故事单元、镜头以及关键帧。如果用户需要快速浏览或者需要查找到自己关注的新闻片段，就需要提前对新闻视频进行拆分。新闻视频拆分是个性化推送、短视频、视频摘要、智能拆条等应用的基础。
传统的人工视频拆分方式存在诸多缺点。首先，对于视频镜头分割需要浏览完视频的全部内容，整个过程需要消耗大量的时间和人力，处理效率低，难以批量生产；其次，对于视频中关键帧的选取存在很大的主观因素，没有一个选取关键帧的客观标准，不同的人选取出的关键帧可能会不同；最后，拆分的镜头不够准确，有可能出现遗漏和误判。为此，需要一个自动化的新闻视频拆分算法，对新闻视频进行高效精确的处理。
由于镜头中的帧是摄像机连续拍摄得到的，因此，在镜头内相邻帧之间的内容重复度极高。通常而言，只需要阅览镜头中少数的几帧，就可以了解到该镜头表达的核心内容。但是选取体现镜头核心内容的关键帧因视频内容而异，镜头内关键帧的数量由镜头复杂程度决定，当镜头内容越复杂，所取得的关键帧的个数也就越多；反之，当镜头内容基本稳定，即使镜头的时间再长，所提取的关键帧也应该比较少。
聚类算法被广泛应用于视频关键帧提取，基于K-means聚类的关键帧提取是其中的典型代表。尽管K-means算法能够有效的选取出镜头中存在的关键帧，且选出的关键帧具有一定的代表性，但是，由于K是事先设定的值，选取出的关键帧数量无法随着镜头内容复杂程度变化而变化。
发明内容
为了解决传统的K-means聚类方法提取关键帧存在的缺陷，本发明提出了一种改进的基于聚类的镜头关键帧提取方法，能够动态的确定簇的个数，且能合并规模较小的簇，从而提高选出的关键帧的代表性并且降低关键帧的冗余度。
本发明所采用的技术方案是：一种基于聚类的镜头关键帧提取方法，其特征在于，包括以下步骤：
步骤1：针对视频，提取视频帧的HSV颜色直方图作为特征向量；
步骤2：对HSV颜色直方图进行聚类，动态生成若干个簇，每个簇中包含镜头的若干个视频帧；
步骤3：对规模较小的簇进行合并，若某个簇的大小小于预设值，则将该簇合并到其他簇中；
步骤4：根据颜色直方图距离或者图像熵选取关键帧。
本发明具有如下优点和积极效果：
(1)本方法选取的关键帧能准确代表镜头内容，且没有冗余。
(2)能根据镜头内容的复杂程度自动确定镜头内关键帧的数量。镜头内容越复杂，所取得的关键帧的个数也就越多；镜头内容越稳定，即使镜头的时间再长，所提取的关键帧也较少。
附图说明
图1为本发明实施例的流程图；
图2为本发明实施例的《新闻三十分》片段中提取关键帧的比较示意图；
图3为本发明实施例的《新闻联播》片段中提取关键帧的比较示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
关键帧是视频镜头内能够代表镜头内容的一帧或多帧，请见图1，本发明提供的一种基于聚类的镜头关键帧提取方法，包括以下步骤：
步骤1：针对视频，提取视频帧的HSV颜色直方图作为特征向量；
相比于其它颜色空间，HSV颜色空间更符合人眼视觉感知特性。因此，本方法提取HSV颜色特征作为特征向量。具体通过openCV中的cvtColor()方法实现RGB颜色空间向HSV颜色空间的转换；然后，利用openCV中的calcHist()方法计算每一帧的HSV颜色直方图。
步骤2：对HSV颜色直方图进行聚类，动态生成若干个簇，每个簇中包含镜头的若干个视频帧；
步骤2.1：对HSV颜色直方图进行归一化；
归一化公式为：
Figure BDA0002536664420000031
其中Nk代表新生成的HSV归一化颜色直方图中第k级的值，Ok代表原先HSV颜色直方图中第k级的值，i取值范围为1～颜色直方图的总级数；
步骤2.2：生成一个新的簇，该簇包含视频的第一帧，簇的质心为第一帧的HSV归一化颜色直方图的值；
步骤2.3：对于视频中非第一帧的帧X，计算该帧HSV颜色直方图与当前存在的所有簇的颜色直方图的距离；
颜色直方图i与颜色直方图j间的距离定义为：
Figure BDA0002536664420000032
其中，m代表颜色分量，即色调H、饱和度S和明度V；vi,m,k代表在m颜色分量下，归一化颜色直方图i的第k级的值；N代表颜色直方图的总级数；Wm为颜色分量m在计算距离时所占的权重；
步骤2.4：判断是否存在一个簇C，使帧X与簇C的颜色直方图距离小于设定的阈值Threshold；
若是，则判断帧X属于簇C，并且更新簇C的质心；簇的质心计算公式如下：
Figure BDA0002536664420000033
其中Nk′为更新后质心颜色直方图第k级的值，Ck为更新前质心颜色直方图第k级的值，FK为新加入帧的颜色直方图第k级的值；S为帧X加入簇C后，簇中包含的总帧数；
若否，则帧X属于一个全新簇D；将全新簇D的质心初始化为帧X的HSV归一化颜色直方图的值；
步骤2.5：重复步骤2.3-2.4，直至完成视频中所有帧的处理。
步骤3：对规模较小的簇进行合并，若某个簇的大小小于预设值，则将该簇合并到其他簇中；
在聚类完成之后，会动态生成多个簇，每个簇中包含镜头的多个视频帧。但是每个簇之中的视频帧数不一致，有些簇中的视频帧较多，而有些簇中的视频帧较少。如果一个簇中所包含的视频帧数量较少，说明该簇所代表的颜色在镜头内出现时间较短，不具有代表性。如果不经过处理，直接从规模较小的簇中选取关键帧，提取出的关键帧将不具有代表性，关键帧之间也会存在冗余。为此，将规模较小的簇合并到规模较大的簇中。具体方法如下：
(1)若某个簇的大小满足：
S＜W×F；
则将该簇进行合并。其中S为簇中包含的帧数，W为设定的权值，F为镜头的总帧数。
(2)计算该簇质心与其它簇之间的颜色直方图距离，选取距离最小的簇进行合并，并更新合并后的簇的质心。
经过上述处理后，规模较小的簇将合并到规模较大的簇中，并且相应地更新合并后簇的质心。
步骤4：根据颜色直方图距离或者图像熵选取关键帧；
本发明提供了两种选取关键帧的方式。
(1)遍历每一个簇中的每一帧，计算该帧HSV归一化颜色直方图与所属簇的质心的颜色直方图的距离；选取距离最小的帧作为该簇的关键帧。因此，若聚类结束后存在k个簇，则能选取出k个关键帧。
(2)遍历每一个簇中的每一帧，计算该帧HSV颜色直方图的图像熵H：
Figure BDA0002536664420000041
其中N为颜色直方图的级数，pi为颜色直方图某一级i出现的概率。从中选取图像熵最大的帧作为该簇的关键帧。因此，若聚类结束后存在k个簇，则能选取出k个关键帧。
为了尽量避免冗余，适当提高步骤2中的阈值Threshold，但如果Threshold取值过高，则无法检测出多个关键帧，导致关键帧失去代表性。同时，对于步骤3中的权值W，也需要慎重选取。若权值W取值过高，则会使多个簇合并到一个簇，无法选出多个关键帧；若权值W取值过低，则无法达到去除规模较小的簇的效果。
将本方法自动生成的关键帧与用户手工提取的关键帧进行比较。由于关键帧的提取结果不唯一，只要能选出能代表整个镜头的关键帧，即使选取出的视频帧的位置存在差异，也被认为是一次有效的提取。
图2是《新闻三十分》片段中提取出的关键帧，图3是《新闻联播》片段中提取的关键帧。每个片段都经过了两个用户手工提取。
结果显示，本发明提取出的镜头关键帧与用户提取出的关键帧有很强的相似性，从而证实了算法的准确性和有效性。由图2和图3还可以看出，通过本发明提取出的关键帧之间没有冗余，并且十分有代表性，能够准确反映镜头的主题内容。
应当理解的是，本说明书未详细阐述的部分均属于现有技术；上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种基于聚类的镜头关键帧提取方法，其特征在于，包括以下步骤：
步骤1：针对视频，提取视频帧的HSV颜色直方图作为特征向量；
步骤2：对HSV颜色直方图进行聚类，动态生成若干个簇，每个簇中包含镜头的若干个视频帧；
步骤3：对规模较小的簇进行合并，若某个簇的大小小于预设值，则将该簇合并到其他簇中；
步骤4：根据颜色直方图距离或者图像熵选取关键帧。
2.根据权利要求1所述的基于聚类的镜头关键帧提取方法，其特征在于，步骤2的具体实现包括以下子步骤：
步骤2.1：对HSV颜色直方图进行归一化；
归一化公式为：
Figure FDA0002536664410000011
其中Nk代表新生成的HSV归一化颜色直方图中第k级的值，Ok代表原先HSV颜色直方图中第k级的值，i取值范围为1～颜色直方图的总级数；
步骤2.2：生成一个新的簇，该簇包含视频的第一帧，簇的质心为第一帧的HSV归一化颜色直方图的值；
步骤2.3：对于视频中非第一帧的帧X，计算该帧HSV颜色直方图与当前存在的所有簇的颜色直方图的距离；
颜色直方图i与颜色直方图j间的距离定义为：
Figure FDA0002536664410000012
其中，m代表颜色分量，即色调H、饱和度S和明度V；vi,m,k代表在m颜色分量下，归一化颜色直方图i的第k级的值；N代表颜色直方图的总级数；Wm为颜色分量m在计算距离时所占的权重；
步骤2.4：判断是否存在一个簇C，使帧X与簇C的颜色直方图距离小于设定的阈值Threshold；
若是，则判断帧X属于簇C，并且更新簇C的质心；簇的质心计算公式如下：
Figure FDA0002536664410000013
其中Nk′为更新后质心颜色直方图第k级的值，Ck为更新前质心颜色直方图第k级的值，FK为新加入帧的颜色直方图第k级的值；S为帧X加入簇C后，簇中包含的总帧数；
若否，则帧X属于一个全新簇D；将全新簇D的质心初始化为帧X的HSV归一化颜色直方图的值；
步骤2.5：重复步骤2.3-2.4，直至完成视频中所有帧的处理。
3.根据权利要求1所述的基于聚类的镜头关键帧提取方法，其特征在于：步骤3中，若某个簇的大小满足S＜W×F，则将该簇进行合并；其中S为簇中包含的帧数，W为设定的权值，F为镜头的总帧数；计算该簇质心与其它簇之间的颜色直方图距离，选取距离最小的簇进行合并，并更新合并后的簇的质心。
4.根据权利要求1-3任意一项所述的基于聚类的镜头关键帧提取方法，其特征在于：步骤4中，遍历每一个簇中的每一帧，计算该帧HSV归一化颜色直方图与所属簇的质心的颜色直方图的距离；选取距离最小的帧作为该簇的关键帧；因此，若聚类结束后存在k个簇，则能选取出k个关键帧。
5.根据权利要求1-3任意一项所述的基于聚类的镜头关键帧提取方法，其特征在于：步骤4中，遍历每一个簇中的每一帧，计算该帧HSV颜色直方图的图像熵H：
Figure FDA0002536664410000021
其中N为颜色直方图的级数，pi为颜色直方图某一级i出现的概率；从中选取图像熵最大的帧作为该簇的关键帧；因此，若聚类结束后存在k个簇，则能选取出k个关键帧。
CN202010534738.1A 2020-06-12 2020-06-12 一种基于聚类的镜头关键帧提取方法 Active CN111797707B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010534738.1A CN111797707B (zh) 2020-06-12 2020-06-12 一种基于聚类的镜头关键帧提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010534738.1A CN111797707B (zh) 2020-06-12 2020-06-12 一种基于聚类的镜头关键帧提取方法

Publications (2)

Publication Number Publication Date
CN111797707A true CN111797707A (zh) 2020-10-20
CN111797707B CN111797707B (zh) 2022-03-15

Family

ID=72803229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010534738.1A Active CN111797707B (zh) 2020-06-12 2020-06-12 一种基于聚类的镜头关键帧提取方法

Country Status (1)

Country Link
CN (1) CN111797707B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139507A (zh) * 2021-05-12 2021-07-20 保定金迪地下管线探测工程有限公司 一种排水管道缺陷照片自动截取方法及其系统
CN113255781A (zh) * 2021-05-28 2021-08-13 上海市胸科医院 Cp-ebus的代表性图片选取方法、装置以及诊断系统
CN113361426A (zh) * 2021-06-11 2021-09-07 爱保科技有限公司 车辆定损图像获取方法、介质、装置和电子设备
CN114419523A (zh) * 2022-03-29 2022-04-29 深圳市勘察研究院有限公司 基于视频深度特征识别和子空间聚类的管道缺陷检测方法
CN115205768A (zh) * 2022-09-16 2022-10-18 山东百盟信息技术有限公司 一种基于分辨率自适应网络的视频分类方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012105205A (ja) * 2010-11-12 2012-05-31 Nikon Corp キーフレーム抽出装置、キーフレーム抽出プログラム、キーフレーム抽出方法、撮像装置、およびサーバ装置
KR101323369B1 (ko) * 2012-09-21 2013-10-30 한양대학교 에리카산학협력단 영상 프레임 군집화 장치 및 방법
CN104679818A (zh) * 2014-12-25 2015-06-03 安科智慧城市技术（中国）有限公司 一种视频关键帧提取方法及系统
CN105025392A (zh) * 2015-06-25 2015-11-04 西北工业大学 基于摘要空间特征学习的视频摘要关键帧提取方法
US20150326833A1 (en) * 2014-05-12 2015-11-12 Sony Corporation Image processing method, image processing device and monitoring system
CN106960211A (zh) * 2016-01-11 2017-07-18 北京陌上花科技有限公司 关键帧获取方法及装置
CN107220585A (zh) * 2017-03-31 2017-09-29 南京邮电大学 一种基于多特征融合镜头聚类的视频关键帧提取方法
CN109151501A (zh) * 2018-10-09 2019-01-04 北京周同科技有限公司 一种视频关键帧提取方法、装置、终端设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012105205A (ja) * 2010-11-12 2012-05-31 Nikon Corp キーフレーム抽出装置、キーフレーム抽出プログラム、キーフレーム抽出方法、撮像装置、およびサーバ装置
KR101323369B1 (ko) * 2012-09-21 2013-10-30 한양대학교 에리카산학협력단 영상 프레임 군집화 장치 및 방법
US20150326833A1 (en) * 2014-05-12 2015-11-12 Sony Corporation Image processing method, image processing device and monitoring system
CN105100688A (zh) * 2014-05-12 2015-11-25 索尼公司 图像处理方法、图像处理装置和监视系统
CN104679818A (zh) * 2014-12-25 2015-06-03 安科智慧城市技术（中国）有限公司 一种视频关键帧提取方法及系统
CN105025392A (zh) * 2015-06-25 2015-11-04 西北工业大学 基于摘要空间特征学习的视频摘要关键帧提取方法
CN106960211A (zh) * 2016-01-11 2017-07-18 北京陌上花科技有限公司 关键帧获取方法及装置
CN107220585A (zh) * 2017-03-31 2017-09-29 南京邮电大学 一种基于多特征融合镜头聚类的视频关键帧提取方法
CN109151501A (zh) * 2018-10-09 2019-01-04 北京周同科技有限公司 一种视频关键帧提取方法、装置、终端设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HUAYONG L.等: "Key frame extraction of online video based on optimized frame difference", 《2012 9TH INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY》 *
朱映映 等: "一种基于视频聚类的关键帧提取方法", 《计算机工程》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139507A (zh) * 2021-05-12 2021-07-20 保定金迪地下管线探测工程有限公司 一种排水管道缺陷照片自动截取方法及其系统
CN113255781A (zh) * 2021-05-28 2021-08-13 上海市胸科医院 Cp-ebus的代表性图片选取方法、装置以及诊断系统
CN113361426A (zh) * 2021-06-11 2021-09-07 爱保科技有限公司 车辆定损图像获取方法、介质、装置和电子设备
CN114419523A (zh) * 2022-03-29 2022-04-29 深圳市勘察研究院有限公司 基于视频深度特征识别和子空间聚类的管道缺陷检测方法
CN114419523B (zh) * 2022-03-29 2022-07-08 深圳市勘察研究院有限公司 基于视频深度特征识别和子空间聚类的管道缺陷检测方法
CN115205768A (zh) * 2022-09-16 2022-10-18 山东百盟信息技术有限公司 一种基于分辨率自适应网络的视频分类方法

Also Published As

Publication number Publication date
CN111797707B (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
CN111797707B (zh) 一种基于聚类的镜头关键帧提取方法
CN109151501B (zh) 一种视频关键帧提取方法、装置、终端设备及存储介质
CN110909205B (zh) 一种视频封面确定方法、装置、电子设备及可读存储介质
CN108898145A (zh) 一种结合深度学习的图像显著目标检测方法
US8358837B2 (en) Apparatus and methods for detecting adult videos
US8064641B2 (en) System and method for identifying objects in video
Xiao et al. A fast method for particle picking in cryo-electron micrographs based on fast R-CNN
CN106851437A (zh) 一种提取视频摘要的方法
CN105049875B (zh) 一种基于混合特征与突变检测的精确关键帧提取方法
CN111062314B (zh) 图像选取方法、装置、计算机可读存储介质及电子设备
WO2021143865A1 (zh) 定位方法及装置、电子设备、计算机可读存储介质
TW202018666A (zh) 用於判定影像圖框中之像素位置屬於背景或前景之方法、裝置與系統
CN108710883B (zh) 一种采用轮廓检测的完整显著性物体检测方法
CN112561976A (zh) 一种图像主颜色特征提取方法、图像检索方法、存储介质及设备
CN110188625B (zh) 一种基于多特征融合的视频精细结构化方法
CN112258545A (zh) 一种烟叶图像在线背景处理系统及在线背景处理方法
CN110807790B (zh) 一种视频目标轨迹跟踪内容的图像数据抽取压缩方法
CN108985244B (zh) 一种电视节目类型识别方法及装置
CN108764258B (zh) 一种用于群体图像插入的最优图像集选取方法
CN109977738B (zh) 一种视频场景分割判断方法、智能终端及存储介质
CN110223253B (zh) 一种基于图像增强的去雾方法
CN115049865A (zh) 基于计算机视觉的烟叶分级方法和系统
CN113676752A (zh) 一种互联网视频广告关键帧提取方法
CN110516686B (zh) 三色rgb图像的蚊虫识别方法
CN110210311B (zh) 一种基于通道特征融合稀疏表示的人脸识别方法

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