-
公开(公告)号：CN109815889B
公开(公告)日：2022-08-30
申请号：CN201910055693.7
申请日：2019-01-21
Applicant: 南京邮电大学
IPC: G06V40/16 , G06K9/62 , G06V10/774
Abstract: 本发明公开了一种基于特征表示集的跨分辨率人脸识别方法，包括以下步骤：先获取高分辨率训练样本图像、低分辨率测试样本图像和高低分辨率训练字典图像各个像素位置的图像块；然后对低质量测试图像中的每个图像块，运用图像块的约束P范数正则回归方法获得其在低质量训练字典图像中对应位置上的图像块集合的线性表示，运用同样方法对高分辨率训练样本图像获得其在高分辨率字典对应位置上图像块集合的线性表示；再对低分辨率测试图像块特征表示集合和高分辨率训练图像特征表示集进行相似性度量；最后测试图像类别。本发明的优点是：能对分辨率不一致的人脸图像进行准确身份识别，有效解决了因人脸图像分辨率不一致难以识别的问题。
-
公开(公告)号：CN111008575B
公开(公告)日：2022-08-23
申请号：CN201911163739.3
申请日：2019-11-25
Applicant: 南京邮电大学
IPC: G06V40/16 , G06V10/764 , G06V10/80
Abstract: 本发明提出了一种基于多尺度上下文信息融合的鲁棒人脸识别方法，包括以下步骤：获取人脸关键点上下文信息；在特定尺度下对关键点图像块集合进行分；对待识别样本进行多尺度集成分类。本发明充分考虑人脸图像不同部位的上下文语义信息差异，提出使用检测到的关键点周围图像块集合来描述人脸图像不同部位的上下文语义信息，并使用多尺度集成方法来降低待识别样本图像块的尺度大小对识别效果的影响，提高了识别精度，为后续人脸识别方法的发展提供帮助。
-
公开(公告)号：CN107103592B
公开(公告)日：2020-04-28
申请号：CN201710223815.X
申请日：2017-04-07
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于双核范数正则的多姿态人脸图像质量增强方法，属于图像处理领域。本方法首先以图像中每个像素位置为中心，获取低质量测试样本和高低分辨率训练样本图像各个像素位置的图像块；其次，对低质量测试图像中的每个图像块，运用局部约束双核范数正则回归方法获得其在低质量训练样本图像中对应位置上的图像块集合的线性表示；再次，在保持表示系数不变的情况下，用高质量训练样本图像块替换低质量训练样本图像块，从而获得低质量测试图像块对应的高质量测试图像块；最后，对步骤3中的高质量测试图像块进行串联和整合，从而获得高质量的测试图像。
-
公开(公告)号：CN109815889A
公开(公告)日：2019-05-28
申请号：CN201910055693.7
申请日：2019-01-21
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于特征表示集的跨分辨率人脸识别方法，包括以下步骤：先获取高分辨率训练样本图像、低分辨率测试样本图像和高低分辨率训练字典图像各个像素位置的图像块；然后对低质量测试图像中的每个图像块，运用图像块的约束P范数正则回归方法获得其在低质量训练字典图像中对应位置上的图像块集合的线性表示，运用同样方法对高分辨率训练样本图像获得其在高分辨率字典对应位置上图像块集合的线性表示；再对低分辨率测试图像块特征表示集合和高分辨率训练图像特征表示集进行相似性度量；最后测试图像类别。本发明的优点是：能对分辨率不一致的人脸图像进行准确身份识别，有效解决了因人脸图像分辨率不一致难以识别的问题。
-
公开(公告)号：CN108615052A
公开(公告)日：2018-10-02
申请号：CN201810335966.9
申请日：2018-04-13
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明公开了一种无同类训练样本情形下的图像识别方法，本方法能有效减少在无同类训练样本情形下图像识别过程中语义迁移和已知类别训练样本属性噪声问题带来的影响。我们采用正太分布虚拟出已知类别训练样本的真实属性来减少其属性噪声问题带来的影响，其次基于已知类别训练样本特征和其虚拟的真实属性利用编码器—解码器模型学习一个属性预测器来达到有效减少语义迁移问题影响的目的，最后通过最近邻分类器获得待测试未知类别样本的标签。与现有的其他方法相比，我们的方法在识别率和识别速率上均取得显著提高。
-
Patent Agency Ranking
公开(公告)号：CN108564121B
公开(公告)日：2022-05-03
申请号：CN201810314788.1
申请日：2018-04-09
Applicant: 南京邮电大学
IPC: G06V10/764 , G06V10/77 , G06K9/62
Abstract: 本发明揭示了一种基于自编码器的未知类别图像标签预测方法，该方法包括以下步骤：S1步骤：利用图像数据库，该数据库中包括一个源域和一个目标域，通过源域的自编码器，学出一个源域投影矩阵；S2步骤：在源域和样本标签未知的目标域同时使用自编码器，将源域知识迁移学习到目标域，将S1步骤训练出的源域投影矩阵作为迭代算法中目标域投影矩阵的初值，通过迭代算法训练得到目标域中未知类别样本的属性；S3步骤：利用余弦相似性将训练出样本属性进行对比，从而预测得到未知类样本的标签。本发明应用了自编码原理在源域和目标域上同时学习从特征空间到属性空间的投影矩阵，通过迭代可以直接得到目标域样本图像的属性，有效缓解域迁移问题的影响。
-
公开(公告)号：CN111104868A
公开(公告)日：2020-05-05
申请号：CN201911164077.1
申请日：2019-11-25
Applicant: 南京邮电大学
Abstract: 本发明提出了一种基于卷积神经网络特征的跨质量人脸识别方法，该方法首先获取高质量训练样本图像、低质量测试样本图像、高低质量训练字典样本图像各个特征点的图像块；其次设计一深度卷积神经网络，对于每个特征点图像块，通过神经网络的学习得到一个特征向量；再次对测试图像块的特征向量和训练图像块的特征向量进行线性表示；然后对低质量测试图像块的特征表示和高分辨率训练图像块的特征表示进行相似性度量，并输出每一个测试图像块的类别；最后对于一张人脸图像分为S个人脸关键点的图像块集合，对每一个关键点位置的图像块分类结果进行投票，将图像分给获取票数最多的那一个类，输出最终低质量测试图像的类别。
-
公开(公告)号：CN109766863A
公开(公告)日：2019-05-17
申请号：CN201910051451.0
申请日：2019-01-18
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于局部和稀疏非局部正则的人脸图像超分辨率方法，包括以下步骤：步骤一：获取测试图像和训练样本图像各个像素位置的图像块；步骤二：使用局部PCA字典学习方法，对训练样本图像块使用K均值聚类算法将图像块划分聚类，每个聚类学习一个局部PCA字典；步骤三：对低质量图像块，运用基于局部约束和稀疏非局部双核范数正则算法求解最佳表示系数向量；步骤四：使用最佳表示系数向量在高分辨率字典上合成高分辨率图像块，更新非局部编码系数，将更新后的系数和高分辨率图像块放入步骤三中进行下一次迭代；经过多次迭代更新得到高分辨率图像块；步骤五：输出高分辨率图像。本发明具有提高图像质量的优点。
-
公开(公告)号：CN109117860A
公开(公告)日：2019-01-01
申请号：CN201810677726.7
申请日：2018-06-27
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于子空间投影和字典学习的图像分类方法，首先通过带标签的训练集样本对判别字典进行初始化，然后使用判别字典预测测试样本的类别标签。选出伪标签具有高可信度的测试集样本，并用其与带标签的训练集样本学习一个低维子空间，在这个低维空间上更新判别字典。利用更新得到的判别字典重新对测试集样本进行分类，比较本轮迭代得到的伪标签和上一轮伪标签，将两轮得到的伪标签属性相同的样本称为稳定样本，如果在一轮迭代结束后稳定样本的数量超过了测试集样本数量的百分之八十，则迭代结束，输出该轮得到的伪标签作为分类的结果。与已有的领域自适应图像分类方法相比，本发明的算法能取得更高的分类准确率。
-
公开(公告)号：CN108564121A
公开(公告)日：2018-09-21
申请号：CN201810314788.1
申请日：2018-04-09
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明揭示了一种基于自编码器的未知类别图像标签预测方法，该方法包括以下步骤：S1步骤：利用图像数据库，该数据库中包括一个源域和一个目标域，通过源域的自编码器，学出一个源域投影矩阵；S2步骤：在源域和样本标签未知的目标域同时使用自编码器，将源域知识迁移学习到目标域，将S1步骤训练出的源域投影矩阵作为迭代算法中目标域投影矩阵的初值，通过迭代算法训练得到目标域中未知类别样本的属性；S3步骤：利用余弦相似性将训练出样本属性进行对比，从而预测得到未知类样本的标签。本发明应用了自编码原理在源域和目标域上同时学习从特征空间到属性空间的投影矩阵，通过迭代可以直接得到目标域样本图像的属性，有效缓解域迁移问题的影响。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.021 seconds)
