CN108182205A - 一种基于sift的hash算法的图像快速检索方法 - Google Patents
一种基于sift的hash算法的图像快速检索方法 Download PDFInfo
- Publication number
- CN108182205A CN108182205A CN201711325981.7A CN201711325981A CN108182205A CN 108182205 A CN108182205 A CN 108182205A CN 201711325981 A CN201711325981 A CN 201711325981A CN 108182205 A CN108182205 A CN 108182205A
- Authority
- CN
- China
- Prior art keywords
- image
- sift
- description
- key points
- hash
- 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
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000008859 change Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241000282320 Panthera leo Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Library & Information Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于SIFT的HASH算法的图像快速检索方法,采用二值化SIFT关键点描述子的HASH算法。首先预先建立一个图像文件夹将模板图像预处理,然后获取模板图像关键点描述子,二值化处理,存储二值化SIFT关键点描述子为HASH地址码;然后对查询图像类似操作获得其HASH地址码,根据此地址码在模板图像库中找到到相同地址码,然后计算查询图像和模板图像的SIFT关键点描述子的汉明距离,根据汉明距离来判断查询图像与模板图像的SIFT关键点描述子匹配的相似度,返回相似度高的图像。本发明能够加快相似特征检索速度、减少数据的存储空间,提高了查询的检索效率,能够满足实时应用。
Description
技术领域
本发明涉及图像检索技术领域,具体说是一种基于SIFT的HASH算法的图像快速检索方法。
背景技术
当今社会已进入信息化时代,随着计算机技术、通信技术的发展,图像信息处理能力也在不断提高,人们对此的关注也在相应的提高。图像匹配是图像处理中的一项关键技术,可广泛应用于目标物体识别、人脸识别、变化检测、停车场车牌识别等领域。SIFT(ScaleInvariant Feature Transform)算法是由Lowe提出的,适用于图像匹配,该算法通过提取图像的SIFT特征来实现图像匹配,在稳定性、独特性、多量性以及可扩展性等方面具有很好的表现。但SIFT算法在应用于图像匹配时,需要计算特征值之间的欧氏距离而非常耗时;也有采取将SIFT与HASH算法相结合的算法,该算法在图像hash的基础上结合sift,通过对SIFT特征向量进行有针对性的筛选和压缩、基于特征向量质心的量化生成图像摘要,为适应图像摘要构造的特性,设计了基于广义集合距的匹配算法来衡量摘要间的距离。此种算法优点在于结合了SIFT对常见的几何攻击,非几何攻击具有强鲁棒性,但计算太过繁琐,耗时久,不易于实现。
专利文献CN104199922A《一种基于局部相似哈希算法的大规模图像库检索方法》是一种SIFT与HASH相结合算法。该专利从待检索图像库中选取部分图像作为训练图像集,提取训练集图像的SIFT特征;利用K均值算法对训练集的SIFT特征进行聚类,得到码本;在训练集上计算码本中每一码字的逆频率;对每一码字进行局部敏感哈希编码;对查询图像和待检索图像库中图像分别提取SIFT特征;针对某一幅图像计算其中每一码字的词频,进而得到每一码字的权重;利用相似哈希算法计算图像的局部相似哈希编码。 此种方法查询图像时用到汉明距离简化了匹配,但步骤仍很繁琐,且不具有实时性。
发明内容
本发明的目的是针对上述现有技术中的不足,提供一种基于SIFT的HASH算法的图像快速检索方法。
本发明的目的是通过以下技术方案实现的:
一种基于SIFT的HASH算法的图像快速检索方法,包括以下步骤:
步骤S1:对模板图像和查询图像进行预处理,得到调整图像;
步骤S2:分别提取预处理后的模板图像和查询图像的SIFT关键点描述子;
步骤S3:二值化SIFT关键点描述子,存储二值化SIFT关键点描述子为HASH地址码;
步骤S4:计算查询图像和模板图像的SIFT关键点描述子的汉明距离,根据汉明距离来判断查询图像与模板图像的SIFT关键点描述子匹配的相似度,返回相似度高的图像。
本发明进一步的设计方案中,步骤S1中所述预处理为:将图像转化为灰度图像,然后将灰度图像的分辨率调整为240x320,得到调整图像。
本发明进一步的设计方案中,步骤S2包括:
步骤S21:构建尺度空间:用高斯卷积对调整图像进行尺度变换,获得不同尺度的图像;
步骤S22:在不同尺度的图像上进行拉普拉斯运算,并求极值点,得到关键点;
步骤S23:为关键点赋予128维梯度方向,并利用关键点的周围的像素梯度方向直方图生成SIFT特征描述子。
本发明进一步的设计方案中,步骤S3包括:
步骤S31:二值化SIFT关键点描述子,将128维的SIFT关键点描述子二值化为128位的二进制码;
步骤S32:存储二值化SIFT关键点描述子为HASH地址码。
本发明具有以下突出的有益效果:
本发明的基于SIFT的HASH算法的图像快速检索方法采用二值化SIFT关键点描述子的HASH算法。首先预先建立一个图像文件夹将模板图像预处理,然后获取模板图像关键点描述子,进行二值化处理,计算出对应的HASH地址码,存入HASH表中,最终获得每幅图像所对应的HASH表单元;然后对查询图像类似操作获得其HASH地址码,根据此地址码在模板图像库中找到到相同地址码,然后找到二值化关键点描述子来计算两个二值化关键点描述子的汉明距离(采用异或的方法进行计算),判断是否匹配,本发明结合HASH算法将二值化的SIFT关键点描述子存储到HASH地址码中从而进行匹配。这将加快相似特征检索速度,减少了数据的存储空间,提高了查询的检索效率,能够满足实时应用。
附图说明
图1是实施例中基于SIFT的HASH算法的图像快速检索方法的步骤示意图。
具体实施方式
下面结合附图及实施例对本发明作进一步说明。
实施例
参见附图1,一种基于SIFT的HASH算法的图像快速检索方法,包括以下步骤。
步骤S1:对模板图像和查询图像进行预处理,得到调整图像;
模板图像为预先放在一个文件夹内的大量图像,如果模板图像是彩色图像的话,就要先将模板图像转化为灰度图像。然后要将转化完成后得到的灰度图的分辨率调整为240x320,这样可以避免产生大量的SIFT关键点描述子,这样将大大的减少匹配的时间。
步骤S2:分别提取预处理后的模板图像和查询图像的SIFT关键点描述子;关键点也可称为特征点或兴趣点,一般为角点,是指一个梯度的大小和方向变换都很快的像素点,采用sift程序代码,具体包括:
步骤S21:构建尺度空间:用高斯卷积对调整图像进行尺度变换,获得不同尺度的图像;高斯核是唯一可以产生多尺度空间的核。是一个可变尺度的高斯函数,利用这个高斯函数我们可以计算得到图像的尺度空间L(x,y,σ) 。
构建高斯金字塔,对图像做高斯平滑,对图像做降采样。一幅图像可以产生几组(octave)图像,一组图像包括几层(interval)图像。为了让尺度体现出连续性,相邻两层图像间的尺度为k倍的关系,同时相邻两组的同一层尺度为2倍的关系。
步骤S22:在不同尺度的图像上进行拉普拉斯运算,并求极值点,得到关键点;为了减少运算量, SIFT中进行了近似处理:
对应DOG算子,需要构建DOG金字塔(即构造差分高斯金字塔),通过高斯差分图像看出图像上的像素值变化情况。如果没有变化,也就没有特征。特征必须是变化尽可能多的点。关键点是由DOG空间的局部极值点组成的。为了寻找DoG函数的极值点,每一个像素点要和它所有的相邻点比较,看其是否比它的图像域和尺度域的相邻点大或者小。具体来说,中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较,以确保在尺度空间和二维图像空间都检测到极值点。
步骤S23:为关键点赋予128维梯度方向,并利用关键点的周围的像素梯度方向直方图生成SIFT特征描述子。具体为:把8x8区域分成16个2x2区域,每个2x2区域生成一个8个方向向量的种子,那么一个特征点就有了16x8=128维向量信息了,就是生成了128维描述子。在计算好的特征点中,为每个特征点计算一个方向,依照这个方向作进一步的计算,利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数,是算子具备旋转不变性。
上式为(x,y)处模值和方向的公式。L所用的尺度为关键点所在的尺度。至此,图像的关键点检测完毕,每个关键点有三个信息:位置、所处尺度、方向,由此确定一个SIFT特征区域。梯度直方图的范围是0~360度,其中每10度一个柱,总共36个柱。梯度直方图统计法的采用是为了确定关键点,统计以关键点为原点,一定区域内的图像像素点对关键点方向生成所做的贡献。直方图柱所代表的方向为像素点梯度方向,柱的长短代表了梯度幅值。随着距中心点越远的领域其对直方图的贡献也相应减小。
本实施例中,以关键点为中心的邻域窗口采样,并用直方图统计邻域像素的梯度方向。梯度直方图的范围是0~360度,每10度一个柱,总共36个柱。使用高斯函数对直方图进行平滑,减少突变的影响。直方图的峰值则代表了该关键点处邻域梯度的主方向,即作为该关键点的方向。
通过对关键点周围图像区域分块,计算快内梯度直方图,生成具有独特性的向量,这个向量是该区域图像信息的一种抽象,具有唯一性。
关键点赋予方向后就是关键点描述子,关键点描述子:descriptors一个 K-by-128 的矩阵x, 其中每行是针对找到的K个关键特征点(the K keypoints)的不变量描述子. 这个描述子(descriptor)是一个拥有128个数值并归一化为单位长度向量。
本实施例中,模板图像总共找到790个128维的关键点描述子。查询图像总共找到331个128维关键点描述子。
步骤S3:二值化SIFT关键点描述子,存储二值化SIFT关键点描述子为HASH地址码;具体包括以下两大步骤:
步骤S31。具体包括:将128维的SIFT关键点描述子二值化为128位的二进制码。首先假设一个128维的关键点描述子为,计算,
(4-2),
然后,128位的二进制码的每一位根据式(4-2)来计算得到:
(4-3),
M为设置的阈值,根据这个阈值来计算SIFT关键点描述子二值码。
先设初始阈值M=0,临时变量i=0,冲突项数量S=图像的SIFT关键点总数。按初始阈值M来根据式(4-2)计算得到SIFT关键点描述子的二值码,然后再由式(4-3)、(4-4)、(4-5)、(4-6)计算得到SIFT关键点描述子的HASH地址码。将得到的HASH地址码逐一比较,记录下冲突项的个数num,判断num是否比S小,若果num比S小,则i=M,S=num,然后将初始阈值M加0.0001,否则直接将初始阈值M加0.0001,重复这一操作一直到阈值M为1。循环结束后i就是最优的阈值,本实施例中就拿阈值M=i来进行二值化操作和HASH地址码计算。得到最优阈值以便进行二值化操作。
步骤S32.存储二值化SIFT关键点描述子为HASH地址码。首先,我们得到的SIFT关键点描述子的二值码为:。将这128位的SIFT关键点描述子的二值码按每8位划分,得到16个八位的子二值码[20]。每一个子二值码按式(4-3)来计算得到对应的: ,再令(4-4),计算(4-5)
再计算H:(4-6),H就是关键点描述子的HASH地址码。
生成的HASH地址码范围为0-65535。有了HASH地址码之后,将对应的图像关键点信息存入HASH表里。每一个HASH地址码对应一条数据,首先,第一个字段设置为标志位Flag,初始值为0,表示该地址码没有存储SIFT关键点描述子,当有SIFT关键点描述子要存储在相应的地址码处时,Flag设置为1,表示已存有SIFT关键点描述子。第2~129个字段为128位的SIFT关键点描述子的二值码,第130位Sum表示地址码所对应的SIFT关键点描述子的冲突个数,初始为0,每存在一个冲突项,Sum+1,第131,132位则是该SIFT关键点描述子所对应的横坐标和纵坐标。
步骤S4:计算查询图像和模板图像的SIFT关键点描述子的汉明距离,根据汉明距离来判断查询图像与模板图像的SIFT关键点描述子匹配的相似度,返回相似度高的图像。
有了查询图像的HASH地址码 ,就能根据 在模板图像的HASH表里查询该地址码的数据,首先先看Flag位的数值,若Flag为0,则表示此SIFT关键点描述子没有相匹配的点,若Flag为1,则表示该地址码存在相对应的SIFT关键点描述子,然后从HASH表中取出模板图像的SIFT关键点描述子的二值码,并与查询图像的SIFT关键点描述子的二值码计算得出它们之间的汉明距离,设置一个阈值T,将计算得的汉明距离与T比较,当汉明距离小于T时则认为这两个点匹配,否则认为不匹配。本实施例中的结果为,当T=10的时候效果最好,能够减少大量的错配点的同时保留较多的正配点,所以阈值T取10。到此为止,SIFT关键点描述子的匹配便完成了。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (4)
1.一种基于SIFT的HASH算法的图像快速检索方法,其特征在于,包括以下步骤:
步骤S1:对模板图像和查询图像进行预处理,得到调整图像;
步骤S2:分别提取预处理后的模板图像和查询图像的SIFT关键点描述子;
步骤S3:二值化SIFT关键点描述子,存储二值化SIFT关键点描述子为HASH地址码;
步骤S4:计算查询图像和模板图像的SIFT关键点描述子的汉明距离,根据汉明距离来判断查询图像与模板图像的SIFT关键点描述子匹配的相似度,返回相似度高的图像。
2.根据权利要求1所述的基于SIFT的HASH算法的图像快速检索方法,其特征在于,步骤S1中所述预处理为:将图像转化为灰度图像,然后将灰度图像的分辨率调整为240x320,得到调整图像。
3.根据权利要求1所述的基于SIFT的HASH算法的图像快速检索方法,其特征在于,步骤S2包括:
步骤S21:构建尺度空间:用高斯卷积对调整图像进行尺度变换,获得不同尺度的图像;
步骤S22:在不同尺度的图像上进行拉普拉斯运算,并求极值点,得到关键点;
步骤S23:为关键点赋予128维梯度方向,并利用关键点的周围的像素梯度方向直方图生成SIFT特征描述子。
4.根据权利要求3所述的基于SIFT的HASH算法的图像快速检索方法,其特征在于,步骤S3包括:
步骤S31:二值化SIFT关键点描述子,将128维的SIFT关键点描述子二值化为128位的二进制码;
步骤S32:存储二值化SIFT关键点描述子为HASH地址码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711325981.7A CN108182205A (zh) | 2017-12-13 | 2017-12-13 | 一种基于sift的hash算法的图像快速检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711325981.7A CN108182205A (zh) | 2017-12-13 | 2017-12-13 | 一种基于sift的hash算法的图像快速检索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108182205A true CN108182205A (zh) | 2018-06-19 |
Family
ID=62546271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711325981.7A Pending CN108182205A (zh) | 2017-12-13 | 2017-12-13 | 一种基于sift的hash算法的图像快速检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108182205A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829848A (zh) * | 2018-06-20 | 2018-11-16 | 华中科技大学 | 一种图像检索方法和*** |
CN110084807A (zh) * | 2019-05-06 | 2019-08-02 | 河南大学 | 一种焊缝探伤底片图像造假的检测方法 |
CN110110441A (zh) * | 2019-05-08 | 2019-08-09 | 中铁八局集团建筑工程有限公司 | 一种基于建筑信息构件模型的实物统计分析方法 |
CN111428064A (zh) * | 2020-06-11 | 2020-07-17 | 深圳市诺赛特***有限公司 | 小面积指纹图像快速索引方法、装置、设备及存储介质 |
CN112015933A (zh) * | 2020-08-06 | 2020-12-01 | 北京奇艺世纪科技有限公司 | 一种图像检索方法、装置、***、电子设备及存储介质 |
CN112308027A (zh) * | 2020-11-23 | 2021-02-02 | 敦泰电子(深圳)有限公司 | 图像匹配方法、生物识别芯片及电子装置 |
CN114821128A (zh) * | 2022-06-24 | 2022-07-29 | 北京科技大学 | 一种尺度自适应的模板匹配方法 |
US20220300749A1 (en) * | 2021-03-19 | 2022-09-22 | Apple Inc. | Configurable keypoint descriptor generation |
WO2022252347A1 (zh) * | 2021-06-04 | 2022-12-08 | 华为技术有限公司 | 3d地图的检索方法和装置 |
CN117373100A (zh) * | 2023-12-08 | 2024-01-09 | 成都乐超人科技有限公司 | 基于差分量化局部二值模式的人脸识别方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650784A (zh) * | 2009-09-23 | 2010-02-17 | 南京大学 | 一种利用结构上下文特征进行图像匹配的方法 |
CN102915540A (zh) * | 2012-10-10 | 2013-02-06 | 南京大学 | 基于改进的Harris-Laplace和SIFT描述符的影像匹配方法 |
CN103034860A (zh) * | 2012-12-14 | 2013-04-10 | 南京思创信息技术有限公司 | 基于sift特征的违章建筑检测方法 |
CN105825201A (zh) * | 2016-03-31 | 2016-08-03 | 武汉理工大学 | 视频监控中的运动目标跟踪方法 |
CN107392215A (zh) * | 2017-08-02 | 2017-11-24 | 焦点科技股份有限公司 | 一种基于sift算法的重图检测方法 |
-
2017
- 2017-12-13 CN CN201711325981.7A patent/CN108182205A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650784A (zh) * | 2009-09-23 | 2010-02-17 | 南京大学 | 一种利用结构上下文特征进行图像匹配的方法 |
CN102915540A (zh) * | 2012-10-10 | 2013-02-06 | 南京大学 | 基于改进的Harris-Laplace和SIFT描述符的影像匹配方法 |
CN103034860A (zh) * | 2012-12-14 | 2013-04-10 | 南京思创信息技术有限公司 | 基于sift特征的违章建筑检测方法 |
CN105825201A (zh) * | 2016-03-31 | 2016-08-03 | 武汉理工大学 | 视频监控中的运动目标跟踪方法 |
CN107392215A (zh) * | 2017-08-02 | 2017-11-24 | 焦点科技股份有限公司 | 一种基于sift算法的重图检测方法 |
Non-Patent Citations (1)
Title |
---|
朱奇光等: "基于图像匹配的移动机器人导航研究", 《计量学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829848A (zh) * | 2018-06-20 | 2018-11-16 | 华中科技大学 | 一种图像检索方法和*** |
CN110084807A (zh) * | 2019-05-06 | 2019-08-02 | 河南大学 | 一种焊缝探伤底片图像造假的检测方法 |
CN110084807B (zh) * | 2019-05-06 | 2022-09-27 | 河南大学 | 一种焊缝探伤底片图像造假的检测方法 |
CN110110441A (zh) * | 2019-05-08 | 2019-08-09 | 中铁八局集团建筑工程有限公司 | 一种基于建筑信息构件模型的实物统计分析方法 |
CN111428064A (zh) * | 2020-06-11 | 2020-07-17 | 深圳市诺赛特***有限公司 | 小面积指纹图像快速索引方法、装置、设备及存储介质 |
CN112015933A (zh) * | 2020-08-06 | 2020-12-01 | 北京奇艺世纪科技有限公司 | 一种图像检索方法、装置、***、电子设备及存储介质 |
CN112308027B (zh) * | 2020-11-23 | 2022-04-01 | 敦泰电子(深圳)有限公司 | 图像匹配方法、生物识别芯片及电子装置 |
CN112308027A (zh) * | 2020-11-23 | 2021-02-02 | 敦泰电子(深圳)有限公司 | 图像匹配方法、生物识别芯片及电子装置 |
US20220300749A1 (en) * | 2021-03-19 | 2022-09-22 | Apple Inc. | Configurable keypoint descriptor generation |
US11475240B2 (en) * | 2021-03-19 | 2022-10-18 | Apple Inc. | Configurable keypoint descriptor generation |
WO2022252347A1 (zh) * | 2021-06-04 | 2022-12-08 | 华为技术有限公司 | 3d地图的检索方法和装置 |
CN114821128A (zh) * | 2022-06-24 | 2022-07-29 | 北京科技大学 | 一种尺度自适应的模板匹配方法 |
CN114821128B (zh) * | 2022-06-24 | 2022-09-09 | 北京科技大学 | 一种尺度自适应的模板匹配方法 |
CN117373100A (zh) * | 2023-12-08 | 2024-01-09 | 成都乐超人科技有限公司 | 基于差分量化局部二值模式的人脸识别方法及*** |
CN117373100B (zh) * | 2023-12-08 | 2024-02-23 | 成都乐超人科技有限公司 | 基于差分量化局部二值模式的人脸识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108182205A (zh) | 一种基于sift的hash算法的图像快速检索方法 | |
Srivastava et al. | Integration of wavelet transform, local binary patterns and moments for content-based image retrieval | |
CN105243139B (zh) | 一种基于深度学习的三维模型检索方法及其检索装置 | |
Srivastava et al. | Utilizing multiscale local binary pattern for content-based image retrieval | |
Hu et al. | Angular pattern and binary angular pattern for shape retrieval | |
CN106354735A (zh) | 一种图像中目标的检索方法和装置 | |
CN106469299A (zh) | 一种车辆搜索方法及装置 | |
Ahmad et al. | Saliency-weighted graphs for efficient visual content description and their applications in real-time image retrieval systems | |
CN110929080B (zh) | 基于注意力和生成对抗网络的光学遥感图像检索方法 | |
Chen et al. | Using binarization and hashing for efficient SIFT matching | |
CN101853486A (zh) | 一种基于局部数字指纹的图像拷贝检测方法 | |
CN102955855A (zh) | 基于量子算法的掌纹数据库搜索方法 | |
CN107908646A (zh) | 一种基于分层卷积神经网络的图像检索方法 | |
Wang et al. | Learning compact binary codes for hash-based fingerprint indexing | |
Chan et al. | BIND: Binary integrated net descriptors for texture-less object recognition | |
Srivastava et al. | Content-based image retrieval using moments of wavelet transform | |
Zhao et al. | Spatial pyramid deep hashing for large-scale image retrieval | |
Liu et al. | A novel local texture feature extraction method called multi-direction local binary pattern | |
Bai et al. | An efficient indexing scheme based on k-plet representation for fingerprint database | |
Yelchuri et al. | Exploiting deep and hand-crafted features for texture image retrieval using class membership | |
Kuang et al. | MutualCascade method for pedestrian detection | |
Guo | Research on sports video retrieval algorithm based on semantic feature extraction | |
CN108764245A (zh) | 一种提高商标图形相似度判定准确性的方法 | |
Wang et al. | A chordiogram image descriptor using local edgels | |
CN106886783A (zh) | 一种基于区域特征的图像检索方法及*** |
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 |
Application publication date: 20180619 |
|
RJ01 | Rejection of invention patent application after publication |