公开(公告)号：CN107578063B

公开(公告)日：2019-11-26

申请号：CN201710720021.4

申请日：2017-08-21

Applicant: 西安电子科技大学

Inventor： 姬红兵 ,  王益新 ,  张文博 ,  刘龙 ,  王厚华 ,  陈爽月 ,  张海涛 ,  苏镇镇

IPC: G06K9/62

Abstract: 本发明公开了一种快速选取地标点的图像谱聚类方法，主要解决现有图像谱聚类方法的聚类精度低和计算复杂度高的问题。其方法步骤为：(1)读取待谱聚类的所有的图像；(2)计算待谱聚类图像的近邻图；(3)选取地标点；(4)计算待谱聚类图像的特征稀疏表示矩阵；(5)计算待谱聚类图像的相关矩阵；(6)计算稀疏表示矩阵的右奇异特征矩阵；(7)识别聚类。本发明相对于现有的一些图像谱聚类技术可以降低图像的稀疏表示误差，提高谱聚类结果的准确率，并且计算复杂度低。

公开(公告)号：CN107423767A

公开(公告)日：2017-12-01

申请号：CN201710644457.X

申请日：2017-08-01

Applicant: 西安电子科技大学

Inventor： 王磊 ,  陈爽月 ,  姬红兵 ,  李丹萍 ,  李苗 ,  赵杰 ,  刘璐 ,  臧伟浩

IPC: G06K9/62

Abstract: 一种基于正则化图的多视角识别方法，实现步骤：1.从多视角数据库中任意提取一个视角特征；2.进行预处理；3.构建正则化图；4.计算正则化图的拉普拉斯矩阵；5.计算训练样本的散度矩阵；6.判断是否选取完所提取的视角特征中所有的视角特征，若是，则执行步骤7，否则，执行步骤1；7.计算相关性值；8.计算所有训练样本的投影两两组合后的视角特征；9.利用最近邻分类器对投影两两组合后的视角特征进行识别分类。本发明可在一个样本存在多个视角的情况下，利用多视角特征信息和单一视角特征类间的局部判别信息，提高了分类精度，使得对多视角特征的识别更加准确。

公开(公告)号：CN107480623A

公开(公告)日：2017-12-15

申请号：CN201710671065.2

申请日：2017-08-07

Applicant: 西安电子科技大学

Inventor： 王磊 ,  李苗 ,  姬红兵 ,  李丹萍 ,  陈爽月 ,  臧伟浩 ,  刘璐 ,  赵杰

IPC: G06K9/00

Abstract: 一种基于协作表示的近邻保持人脸识别方法，实现步骤：1、划分数据库样本集；2、组成样本矩阵；3、计算初始投影矩阵；4、计算初始降维后的训练样本矩阵；5、计算初始降维后训练样本的权值矩阵；6、构建近邻保持图；7、计算近邻保持图的拉普拉斯矩阵；8、计算初始降维后训练样本的迹差矩阵；9、计算二次投影矩阵；10、计算二次降维后的训练样本矩阵；11、对测试样本进行降维及分类。本发明在样本有标签的情况下，利用样本的协作表示关系构造类内近邻保持图和类间近邻保持图，保持了样本的局部信息和全局信息，再利用近邻保持投影，有效地实现了对人脸特征的降维，同时，本发明对人脸图像识别具有很好的实时性。

公开(公告)号：CN107480623B

公开(公告)日：2020-01-07

申请号：CN201710671065.2

申请日：2017-08-07

Applicant: 西安电子科技大学

Inventor： 王磊 ,  李苗 ,  姬红兵 ,  李丹萍 ,  陈爽月 ,  臧伟浩 ,  刘璐 ,  赵杰

IPC: G06K9/00

Abstract: 一种基于协作表示的近邻保持人脸识别方法，实现步骤：1、划分数据库样本集；2、组成样本矩阵；3、计算初始投影矩阵；4、计算初始降维后的训练样本矩阵；5、计算初始降维后训练样本的权值矩阵；6、构建近邻保持图；7、计算近邻保持图的拉普拉斯矩阵；8、计算初始降维后训练样本的迹差矩阵；9、计算二次投影矩阵；10、计算二次降维后的训练样本矩阵；11、对测试样本进行降维及分类。本发明在样本有标签的情况下，利用样本的协作表示关系构造类内近邻保持图和类间近邻保持图，保持了样本的局部信息和全局信息，再利用近邻保持投影，有效地实现了对人脸特征的降维，同时，本发明对人脸图像识别具有很好的实时性。

公开(公告)号：CN107578063A

公开(公告)日：2018-01-12

申请号：CN201710720021.4

申请日：2017-08-21

Applicant: 西安电子科技大学

Inventor： 姬红兵 ,  王益新 ,  张文博 ,  刘龙 ,  王厚华 ,  陈爽月 ,  张海涛 ,  苏镇镇

IPC: G06K9/62

Abstract: 本发明公开了一种快速选取地标点的图像谱聚类方法，主要解决现有图像谱聚类方法的聚类精度低和计算复杂度高的问题。其方法步骤为：(1)读取待谱聚类的所有的图像；(2)计算待谱聚类图像的近邻图；(3)选取地标点；(4)计算待谱聚类图像的特征稀疏表示矩阵；(5)计算待谱聚类图像的相关矩阵；(6)计算稀疏表示矩阵的右奇异特征矩阵；(7)识别聚类。本发明相对于现有的一些图像谱聚类技术可以降低图像的稀疏表示误差，提高谱聚类结果的准确率，并且计算复杂度低。

公开(公告)号：CN107423767B

公开(公告)日：2019-11-15

申请号：CN201710644457.X

申请日：2017-08-01

Applicant: 西安电子科技大学

Inventor： 王磊 ,  陈爽月 ,  姬红兵 ,  李丹萍 ,  李苗 ,  赵杰 ,  刘璐 ,  臧伟浩

IPC: G06K9/62

Abstract: 一种基于正则化图的多视角识别方法，实现步骤：1.从多视角数据库中任意提取一个视角特征；2.进行预处理；3.构建正则化图；4.计算正则化图的拉普拉斯矩阵；5.计算训练样本的散度矩阵；6.判断是否选取完所提取的视角特征中所有的视角特征，若是，则执行步骤7，否则，执行步骤1；7.计算相关性值；8.计算所有训练样本的投影两两组合后的视角特征；9.利用最近邻分类器对投影两两组合后的视角特征进行识别分类。本发明可在一个样本存在多个视角的情况下，利用多视角特征信息和单一视角特征类间的局部判别信息，提高了分类精度，使得对多视角特征的识别更加准确。