CN105808757A - 基于多特征融合的bow模型的中草药植物图片检索方法 - Google Patents
基于多特征融合的bow模型的中草药植物图片检索方法 Download PDFInfo
- Publication number
- CN105808757A CN105808757A CN201610146005.4A CN201610146005A CN105808757A CN 105808757 A CN105808757 A CN 105808757A CN 201610146005 A CN201610146005 A CN 201610146005A CN 105808757 A CN105808757 A CN 105808757A
- Authority
- CN
- China
- Prior art keywords
- alpha
- picture
- herbal medicine
- chinese herbal
- vector
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
Landscapes
- Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
Abstract
本发明公开了一种基于多特征融合的Bag‑of‑Words(BOW)模型的中草药植物图像检索方法。首先,对中草药图片尺寸进行归一化处理;其次,对归一化后的中草药图片提取基于稠密采样的SIFT特征和OpponentSIFT特征;然后,采用k‑means聚类算法将前一步中提取的特征聚类得到视觉字典,其中,聚类中心即为视觉单词;接着,采用局部线性编码对局部特征用视觉词典中的视觉单词进行表达,得到其对应的编码向量;然后,采用最大值池化方法对中草药植物图片局部特征对应的编码向量进行池化处理,得到图片特征;最后,将图片特征输入训练好的SVM分类器得到相应类别,返回对应类别中的图片给用户。
Description
技术领域
本发明涉及中草药植物图片检索方法,尤其涉及一种基于多特征融合的BOW模型的中草药植物图片检索方法。
背景技术
中医药是中华名族的传统文化宝库的重要组成部分,中医药文化的复兴是实现中华名族文化复兴的一个重要组成部分,建设专业的中草药植物图像检索***将有利于推动中医药的推广和普及,因为它能降低人们认识和了解中医药的门槛,通过图像数据给人们一种视觉上的直观认知,引发人们对中医文化的浓厚兴趣。而中草药植物图像由于光照、视角和尺寸的不同,同时它们具有背景复杂混乱以及遮挡现象普遍存在等问题,导致即使是同一类植物图像的差别也很大,这将极大地影响到检索的效果。同时,不同于传统的基于内容的图像检索关注在不同类别的差异,如鸟和花,这样对于花的检索只需要返回是花的图像,而不必关注它到底是什么种类的花;但在细粒度的中草药植物图像检索中,需要的不仅仅是返回花的图像,而应该是同一种类花的图像,这就需要开发表达能力更强的视觉特征。同时,由于中草药植物种类数量的繁多以及它们之间存在的多样性,使得中草药植物图像的检索愈加更难。
发明内容
本发明的目的是将图像检索技术应用于中草药植物图像领域,提出了一种基于多特征融合的Bag-of-Words模型中草药植物图片检索方法。
本发明的目的是通过以下技术方案来实现的:一种基于多特征融合的Bag-of-Words(BOW)模型的中草药植物图片检索方法,其特征在于包括以下步骤:
1.一种基于多特征融合的BOW模型的中草药植物图片检索方法,其特征在于包括以下步骤:
1)对中草药植物图片尺寸进行归一化处理,首先将图片较长的边归一化到480像素,然后按原图片的宽高比将较短的边缩放到相应的像素;
2)将第1)步所得的归一化图片进行步长为4、图像块大小为16×16像素的稠密采样,对每个采样图像块提取SIFT(Scale-invariant feature transform)特征和OpponentSIFT特征,并将它们拼接融合为一个向量,得到各图像块的局部特征向量;
3)从第2)步中所得的局部特征向量中随机选取一部分,然后利用k-means算法对选取的局部特征进行聚类操作得到视觉词典,其中,各聚类中心为视觉单词;
4)采用局部约束线性编码算法将第2)步中所得的各局部特征向量用第3)步所得的视觉词典中的视觉单词表示,得到各局部特征的编码向量;
5)对于每一张中草药植物图片,采用最大值池化算法将第4)步所得编码向量进行池化处理,得到图片的特征向量;
6)利用第5)步得到的图片的特征向量和图片对应的类别标签作为训练集来训练SVM分类器;
7)对于用户的每一张查询图片,将其特征向量输入第6)步中训练好的SVM分类器中,得到其对应的类别,然后返回该类别中的图片集给用户。
本发明是中医药领域与计算机科学相结合的产物,它通过将基于内容的图像检索技术应用于中草药植物检索领域中,提出了一种基于多特征融合的BoW模型的方法,具有良好的效果,同时,本发明所阐述的方法也具有一般性,可适用于其他领域的图片检索中。
附图说明
图1是本一种基于多特征融合的BOW模型的中草药植物图片检索方法的整体流程图;
图2是实施例中的视觉单词示例;
图3是实施例中输入的例图--三色堇的图片;
图4是实施例中的检索结果图。
具体实施方式
下面结合附图和实施例对本发明做进一步阐述。
如图1所示,一种基于多特征融合的BOW模型的中草药植物图片检索方法,包括以下步骤:
1)对中草药植物图片尺寸进行归一化处理,首先将图片较长的边归一化到480像素,然后按原图片的宽高比将较短的边缩放到相应的像素;
2)将第1)步所得的归一化图片进行步长为4、图像块大小为16×16像素的稠密采样,对每个采样图像块提取SIFT(Scale-invariant feature transform)特征和OpponentSIFT特征,并将它们拼接融合为一个向量,得到各图像块的局部特征向量。本步骤中的OpponentSIFT特征的提取包括:
2.1)将图片从RGB颜色空间按如下公式转换到opponent颜色空间:
其中:O1、O2、O3分别为opponent颜色空间三个颜色通道;R、G、B为RGB颜色空间的三个颜色通道;
2.2)分别在在O1、O2、O3三个颜色通道上计算SIFT特征,并将它们拼接合并为一个向量,即为OpponentSIFT特征向量。
3)从第2)步中所得的局部特征向量中随机选取一部分,然后利用k-means算法对选取的局部特征进行聚类操作得到视觉词典,其中,各聚类中心为视觉单词。本步骤具体为:
给定N个局部特征描述子为n维向量空间,k-means算法的目标是寻找使最小的K个中心向量和各个局部特征对应的聚类中心标签q1,...,qN∈{1,...,K},其中,qi表示局部特征描述子xi对应的聚类中心标签,为xi对应聚类的中心向量;其中,i,j=1,...,N,表示使||xi-μk||2最小的k的值;学习得到的K个中心向量称为视觉单词,它们的集合构成视觉字典。
4)采用局部约束线性编码算法将第2)步中所得的各局部特征向量用第3)步所得的视觉词典中的视觉单词表示,得到各局部特征的编码向量。本步骤中局部约束线性编码是将局部特征用其所在的一个局部线性子空间中的视觉单词表示,即用与局部特征近邻的视觉单词表示;记X=[x1,...,xN]为一张图像的局部特征描述子的集合,其中xi为第i个局部特征描述子;V=[v1,...,vK]为视觉词典,其中为第i个视觉单词;对于局部特征xi,首先找出其近邻的L个视觉单词,记它们的集合为VL,其中L<<K,然后优化如下目标函数C:
其中λ为权衡因子;|| ||2表示2范数。
5)对于每一张中草药植物图片,采用最大值池化算法将第4)步所得编码向量进行池化处理,得到图片的特征向量。记f1,...,fN分别为图像局部特征x1,...,xN编码后的特征向量,x'表示池化后图像的特征向量;最大值池化的公式为:
x'i=max{f1i,...,fNi}i=1,...,K
其中,fji表示第j个图像局部特征fj的第i个元素,j=1,...,N。
6)利用第5)步得到的图片的特征向量和图片对应的类别标签作为训练集来训练SVM分类器。SVM分类器的分类函数f(x)为:
其中,{(x1,y1),...,(xi,yi),...,(xN,yN)}为训练集,〈〉表示向量内积运算,αi是拉格朗日乘子,i=1,...,N,N为训练数据集的大小;b为模型参数;
得到上式采用的方法如下:
6.1)初始化α=0;
6.2)选取优化变量α1和α2,解析求解如下两个变量的最优化变量即:
s.t.0≤αi≤C,i=1,2
其中,y1、y2均为类别;
Kij=K(xi,xj),i,j=1,...,N
C为惩罚因子,式中K为核函数;
为常数
上述最优化问题的解和按如下步骤求解:
6.2.1)计算解的上界H和下界L,即:
当y1≠y2时,得到
当y1=y2时,得到
其中,和分别为α1和α2更新前的值;
6.2.2)计算η=K11+K22-2K12;
6.2.3)更新α2,记更新后值为则:
其中,
6.2.4)计算裁剪后的α2,记其值为则:
6.2.5)更新α1,记α1更新后的值为即:
6.2.6)更新b,定义以及
bold为b更新前的值同时,记b更新后的值为bnew,则:
6.2.7)更新Ei,记Ei更新后的值为则:
其中,S是所有支持向量xj的集合;
6.3)重复6.2)步直到得到SVM分类器的解,即可得SVM分类器的分类函数f(x)。
7)对于用户的每一张查询图片,将其特征向量输入第6)步中训练好的SVM分类器中,得到其对应的类别,然后返回该类别中的图片集给用户。
实施例
如图1所示,本发明一种基于多特征融合的BOW模型的中草药植物图片检索方法。本实施例中,未详细说明的步骤,如步骤2)-6),具体按照前述具体实施方式中所述进行。本实施例中采用的主要步骤如下:
1)对中草药植物图片尺寸进行归一化处理,首先将图片较长的边归一化到480像素,然后按原图片的宽高比将较短的边缩放到相应的像素;
2)将第1)步所得的归一化图片进行步长为4、图像块大小为16×16像素的稠密采样,对每个采样图像块提取SIFT特征和OpponentSIFT特征,并将它们拼接融合为一个向量,得到各图像块的局部特征向量;
3)从第2)步中所得的局部特征向量中随机选取一部分,然后利用k-means算法对选取的局部特征进行聚类操作得到视觉词典,其中,各聚类中心为视觉单词,部分视觉单词如图2所示;
4)采用局部约束线性编码算法将第2)步中所得的各局部特征向量用第3)步所得的视觉词典中的视觉单词表示,得到各局部特征的编码向量;
5)对于每一张中草药植物图片,采用最大值池化算法将第4)步所得编码向量进行池化处理,得到图片的特征向量;
6)利用第5)步得到的图片的特征向量和图片对应的类别标签作为训练集来训练SVM分类器;
7)对于用户的每一张查询图片,将其特征向量输入第6)步中训练好的SVM分类器中,得到其对应的类别,然后返回该类别中的图片集给用户。例如,当输入“三色堇”的图片,如图3所示,其检索结果如图4所示。
Claims (6)
1.一种基于多特征融合的BOW模型的中草药植物图片检索方法,其特征在于包括以下步骤:
1)对中草药植物图片尺寸进行归一化处理,首先将图片较长的边归一化到480像素,然后按原图片的宽高比将较短的边缩放到相应的像素;
2)将第1)步所得的归一化图片进行步长为4、图像块大小为16×16像素的稠密采样,对每个采样图像块提取SIFT特征和OpponentSIFT特征,并将它们拼接融合为一个向量,得到各图像块的局部特征向量;
3)从第2)步中所得的局部特征向量中随机选取一部分,然后利用k-means算法对选取的局部特征进行聚类操作得到视觉词典,其中,各聚类中心为视觉单词;
4)采用局部约束线性编码算法将第2)步中所得的各局部特征向量用第3)步所得的视觉词典中的视觉单词表示,得到各局部特征的编码向量;
5)对于每一张中草药植物图片,采用最大值池化算法将第4)步所得编码向量进行池化处理,得到图片的特征向量;
6)利用第5)步得到的图片的特征向量和图片对应的类别标签作为训练集来训练SVM分类器;
7)对于用户的每一张查询图片,将其特征向量输入第6)步中训练好的SVM分类器中,得到其对应的类别,然后返回该类别中的图片集给用户。
2.根据权利要求1中所述的一种基于多特征融合的BOW模型的中草药植物图片检索方法,其特征在于所述的步骤2)中的OpponentSIFT特征的提取包括:
2.1)将图片从RGB颜色空间按如下公式转换到opponent颜色空间:
其中:O1、O2、O3分别为opponent颜色空间三个颜色通道;R、G、B为RGB颜色空间的三个颜色通道;
2.2)分别在在O1、O2、O3三个颜色通道上计算SIFT特征,并将它们拼接合并为一个向量,即为OpponentSIFT特征向量。
3.根据权利要求1中所述的一种基于多特征融合的BOW模型的中草药植物图片检索方法,其特征在于所述的步骤3)具体为:
给定N个局部特征描述子 为n维向量空间,k-means算法的目标是寻找使最小的K个中心向量和各个局部特征对应的聚类中心标签q1,...,qN∈{1,...,K},其中,qi表示局部特征描述子xi对应的聚类中心标签,为xi对应聚类的中心向量;其中,i,j=1,...,N,k=1,...,K,表示使||xi-μk||2最小的k的值;学习得到的K个中心向量称为视觉单词,它们的集合构成视觉字典。
4.根据权利要求1中所述的一种基于多特征融合的BOW模型的中草药植物图片检索方法,其特征在于所述的步骤4)中局部约束线性编码是将局部特征用其所在的一个局部线性子空间中的视觉单词表示,即用与局部特征近邻的视觉单词表示;记X=[x1,...,xN]为一张图像的局部特征描述子的集合,其中xi为第i个局部特征描述子;V=[v1,...,vK]为视觉词典,其中为第i个视觉单词;对于局部特征xi,首先找出其近邻的L个视觉单词,记它们的集合为VL,其中L<<K,然后优化如下目标函数C:
其中λ为权衡因子;|| ||2表示2范数。
5.根据权利要求1中所述的一种基于多特征融合的BOW模型的中草药植物图片检索方法,其特征在于所述的步骤5)中:
记f1,...,fN分别为图像局部特征x1,...,xN编码后的特征向量,x'表示池化后图像的特征向量;最大值池化的公式为:
x'i=max{f1i,...,fNi} i=1,...,K
其中,fji表示第j个图像局部特征fj的第i个元素,j=1,...,N。
6.根据权利要求1中所述的一种基于多特征融合的BOW模型的中草药植物图片检索方法,其特征在于所述的步骤6)中:
SVM分类器的分类函数f(x)为:
其中,{(x1,y1),...,(xi,yi),...,(xN,yN)}为训练集,〈 〉表示向量内积运算,αi是拉格朗日乘子,i=1,...,N,N为训练数据集的大小;b为模型参数;
得到上式采用的方法如下:
6.1)初始化α=0;
6.2)选取优化变量α1和α2,解析求解如下两个变量的最优化变量即:
s.t. 0≤αi≤C,i=1,2
其中,y1、y2均为类别;
Kij=K(xi,xj),i,j=1,...,N
C为惩罚因子
为常数
上述最优化问题的解和按如下步骤求解:
6.2.1)计算解的上界H和下界L,即:
当y1≠y2时,得到
当y1=y2时,得到
其中,和分别为α1和α2更新前的值;
6.2.2)计算η=K11+K22-2K12;
6.2.3)更新α2,记更新后值为则:
其中,
6.2.4)计算裁剪后的α2,记其值为则:
6.2.5)更新α1,记α1更新后的值为即:
6.2.6)更新b,定义以及
bold为b更新前的值同时,记b更新后的值为bnew,则:
6.2.7)更新Ei,记Ei更新后的值为则:
其中,S是所有支持向量xj的集合;
6.3)重复6.2)步直到得到SVM分类器的解,即可得SVM分类器的分类函数f(x)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610146005.4A CN105808757B (zh) | 2016-03-15 | 2016-03-15 | 基于多特征融合的bow模型的中草药植物图片检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610146005.4A CN105808757B (zh) | 2016-03-15 | 2016-03-15 | 基于多特征融合的bow模型的中草药植物图片检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105808757A true CN105808757A (zh) | 2016-07-27 |
CN105808757B CN105808757B (zh) | 2018-12-25 |
Family
ID=56467429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610146005.4A Active CN105808757B (zh) | 2016-03-15 | 2016-03-15 | 基于多特征融合的bow模型的中草药植物图片检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105808757B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777185A (zh) * | 2016-12-23 | 2017-05-31 | 浙江大学 | 一种基于深度学习的跨媒体中草药植物图像搜索方法 |
CN107369063A (zh) * | 2017-06-15 | 2017-11-21 | 东南大学 | 一种Android平台下基于扫码和图像处理的进销存方法 |
CN107967481A (zh) * | 2017-07-31 | 2018-04-27 | 北京联合大学 | 一种基于局部性约束和显著性的图像分类方法 |
CN108052867A (zh) * | 2017-11-20 | 2018-05-18 | 河海大学 | 一种基于词袋模型的单样本人脸识别方法 |
CN108256531A (zh) * | 2018-01-05 | 2018-07-06 | 上海交通大学 | 一种基于图像彩色信息的局部特征描述子构造方法及*** |
CN109858577A (zh) * | 2019-04-01 | 2019-06-07 | 盐城工学院 | 大豆外观品质检测装置以及检测方法 |
CN110083729A (zh) * | 2019-04-26 | 2019-08-02 | 北京金山数字娱乐科技有限公司 | 一种图像搜索的方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100195914A1 (en) * | 2009-02-02 | 2010-08-05 | Michael Isard | Scalable near duplicate image search with geometric constraints |
CN103810299A (zh) * | 2014-03-10 | 2014-05-21 | 西安电子科技大学 | 基于多特征融合的图像检索方法 |
CN104331717A (zh) * | 2014-11-26 | 2015-02-04 | 南京大学 | 一种整合特征字典结构与视觉特征编码的图像分类方法 |
-
2016
- 2016-03-15 CN CN201610146005.4A patent/CN105808757B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100195914A1 (en) * | 2009-02-02 | 2010-08-05 | Michael Isard | Scalable near duplicate image search with geometric constraints |
CN103810299A (zh) * | 2014-03-10 | 2014-05-21 | 西安电子科技大学 | 基于多特征融合的图像检索方法 |
CN104331717A (zh) * | 2014-11-26 | 2015-02-04 | 南京大学 | 一种整合特征字典结构与视觉特征编码的图像分类方法 |
Non-Patent Citations (4)
Title |
---|
WENGANG ZHOU 等: "Scalar Quantization for Large Scale Image Search", 《ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA》 * |
竺乐庆 等: "基于颜色名和OpponentSIFT特征的鳞翅目昆虫图像识别", 《昆虫学报》 * |
苑露: "用于场景图像分类的特征提取算法优化与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
谭亮: "基于内容的中草药图像检索关键技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777185A (zh) * | 2016-12-23 | 2017-05-31 | 浙江大学 | 一种基于深度学习的跨媒体中草药植物图像搜索方法 |
CN106777185B (zh) * | 2016-12-23 | 2020-07-10 | 浙江大学 | 一种基于深度学习的跨媒体中草药植物图像搜索方法 |
CN107369063A (zh) * | 2017-06-15 | 2017-11-21 | 东南大学 | 一种Android平台下基于扫码和图像处理的进销存方法 |
CN107967481A (zh) * | 2017-07-31 | 2018-04-27 | 北京联合大学 | 一种基于局部性约束和显著性的图像分类方法 |
CN108052867A (zh) * | 2017-11-20 | 2018-05-18 | 河海大学 | 一种基于词袋模型的单样本人脸识别方法 |
CN108052867B (zh) * | 2017-11-20 | 2021-11-23 | 河海大学 | 一种基于词袋模型的单样本人脸识别方法 |
CN108256531A (zh) * | 2018-01-05 | 2018-07-06 | 上海交通大学 | 一种基于图像彩色信息的局部特征描述子构造方法及*** |
CN108256531B (zh) * | 2018-01-05 | 2020-11-17 | 上海交通大学 | 一种基于图像彩色信息的局部特征描述子构造方法及*** |
CN109858577A (zh) * | 2019-04-01 | 2019-06-07 | 盐城工学院 | 大豆外观品质检测装置以及检测方法 |
CN110083729A (zh) * | 2019-04-26 | 2019-08-02 | 北京金山数字娱乐科技有限公司 | 一种图像搜索的方法及*** |
CN110083729B (zh) * | 2019-04-26 | 2023-10-27 | 北京金山数字娱乐科技有限公司 | 一种图像搜索的方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN105808757B (zh) | 2018-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105808757A (zh) | 基于多特征融合的bow模型的中草药植物图片检索方法 | |
Ding et al. | Semantic segmentation of large-size VHR remote sensing images using a two-stage multiscale training architecture | |
Mou et al. | Relation matters: Relational context-aware fully convolutional network for semantic segmentation of high-resolution aerial images | |
Zhao et al. | A 2-D wavelet decomposition-based bag-of-visual-words model for land-use scene classification | |
CN106257496B (zh) | 海量网络文本与非文本图像分类方法 | |
Ying et al. | Adaptive weights learning in CNN feature fusion for crime scene investigation image classification | |
Roman-Rangel et al. | Analyzing ancient maya glyph collections with contextual shape descriptors | |
Wulamu et al. | Multiscale road extraction in remote sensing images | |
Yang et al. | An improved Bag-of-Words framework for remote sensing image retrieval in large-scale image databases | |
CN105956560A (zh) | 一种基于池化多尺度深度卷积特征的车型识别方法 | |
CN106815604A (zh) | 基于多层信息融合的注视点检测方法 | |
CN107463954B (zh) | 一种模糊异谱图像的模板匹配识别方法 | |
CN103020265B (zh) | 图像检索的方法和*** | |
CN106023145A (zh) | 基于超像素标注的遥感图像的分割与识别方法 | |
Tian et al. | Natural scene text detection with MC–MR candidate extraction and coarse-to-fine filtering | |
CN107767416A (zh) | 一种低分辨率图像中行人朝向的识别方法 | |
CN104778476A (zh) | 一种图像分类方法 | |
CN106846322A (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
CN105608478A (zh) | 一种图像的特征提取与分类联合方法及*** | |
Li et al. | Dating ancient paintings of Mogao Grottoes using deeply learnt visual codes | |
CN109408655A (zh) | 结合带孔卷积与多尺度感知网络的手绘草图检索方法 | |
CN106203448A (zh) | 一种基于非线性尺度空间的场景分类方法 | |
CN105718934A (zh) | 一种基于低秩稀疏编码技术的害虫图像特征学习与识别方法 | |
Lee et al. | Automatic object detection algorithm-based braille image generation system for the recognition of real-life obstacles for visually impaired people | |
CN104331717B (zh) | 一种整合特征字典结构与视觉特征编码的图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |