本發(fā)明涉及計(jì)算機(jī)視覺(jué)與圖像處理技術(shù)，尤其涉及一種用于行人重識(shí)別的圖像魯棒性特征的提取方法。
背景技術(shù)：
：近年來(lái)，隨著人們對(duì)社會(huì)公共安全的要求日漸提升，視頻監(jiān)控系統(tǒng)大量普及，如何利用計(jì)算機(jī)視覺(jué)分析技術(shù)，自動(dòng)化監(jiān)控及分析視頻信息，成為關(guān)注的熱點(diǎn)。行人重識(shí)別是計(jì)算機(jī)視覺(jué)研究中關(guān)鍵的任務(wù)。一般來(lái)說(shuō)，給定關(guān)于行人的一張圖片或者一段視頻，行人重識(shí)別就是在其它不重合拍攝場(chǎng)景下的圖片或者視頻中，將同一個(gè)人識(shí)別出來(lái)的過(guò)程。盡管相關(guān)的研究越來(lái)越受到重視，行人重識(shí)別的準(zhǔn)確率也已經(jīng)提高了不少，但仍有許多困難需要解決，比如姿態(tài)的變化、光照和無(wú)關(guān)背景的影響等等。現(xiàn)有傳統(tǒng)的行人重識(shí)別框架主要由特征提取和度量學(xué)習(xí)兩部分構(gòu)成。不過(guò)，目前大多數(shù)方法在提取圖像特征的過(guò)程中，都忽略了無(wú)關(guān)背景信息的影響，使得提取好的圖像特征帶有較多的噪聲；其次，為了解決由于拍攝角度不一以及行人姿態(tài)的變化問(wèn)題，大多數(shù)方法采取了非精確匹配的策略，使用特定的方式將不同圖像塊之間的特征進(jìn)行融合，效果頗為顯著，但同時(shí)也損失了一部分圖像內(nèi)部的空間信息，使得在分辨一些具有相對(duì)位置差異的圖像上，能力大大降低。技術(shù)實(shí)現(xiàn)要素：為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供一種用于行人重識(shí)別的圖像特征的提取方法，，基于圖像顏色和紋理特征，在精確匹配的策略下提出新的對(duì)齊局部描述子，并設(shè)計(jì)分級(jí)全局特征與之互補(bǔ)，解決由于行人姿態(tài)變化等帶來(lái)的特征不對(duì)齊等問(wèn)題，提高行人重識(shí)別的精確度。本發(fā)明的原理是：提出了應(yīng)用于行人重識(shí)別的對(duì)齊局部描述子和分級(jí)全局特征提取算法。本發(fā)明針對(duì)現(xiàn)有特征提取方法中非精確匹配策略帶來(lái)的缺陷，提出基于精確匹配策略下的對(duì)齊局部描述子，以及為了消除無(wú)關(guān)背景的影響，提出了分級(jí)全局特征，通過(guò)對(duì)齊局部描述子與分級(jí)全局特征提取，提高行人重識(shí)別的性能。對(duì)齊局部描述子保留了圖像內(nèi)部塊與塊之間的空間信息，同時(shí)為了解決圖像之間的不對(duì)齊問(wèn)題，采用了仿射變換對(duì)原圖像進(jìn)行處理，得到包括原圖在內(nèi)的水平翻轉(zhuǎn)和切變的四張圖像，通過(guò)疊加，僅對(duì)相鄰區(qū)域的圖像塊特征進(jìn)行求和池化操作，得到對(duì)齊局部描述子。為了豐富圖像特征的表達(dá)以及消除背景信息的影響，對(duì)原圖像中行人的整體輪廓區(qū)域及其頭部、上半身和下半身分別計(jì)算全局特征，最后整合成分級(jí)全局特征。實(shí)驗(yàn)證明，對(duì)齊局部描述子和分級(jí)全局特征有助于解決姿態(tài)變化問(wèn)題和弱化背景的影響，保留的圖像內(nèi)部空間信息也有助于行人匹配精度的提高。對(duì)齊局部描述子是基于精確匹配策略所提出來(lái)的一種特征，即對(duì)于圖像內(nèi)部的塊，提取其相應(yīng)的顏色和紋理特征，保留該圖像塊的位置信息，不與圖像內(nèi)其它塊的特征融合。為了解決行人姿態(tài)變化帶來(lái)兩張圖像之間的不對(duì)齊問(wèn)題，采用了仿射變換方法對(duì)原始圖像進(jìn)行了處理，如水平翻轉(zhuǎn)和水平切變，得到關(guān)于同一張圖像的四種不同角度的圖像擴(kuò)充。緊接著，在空間上將四張圖像疊加在一起，以圖像塊的特征為基礎(chǔ)，對(duì)相同圖像區(qū)域的圖像塊特征進(jìn)行求和池化操作，作為該圖像塊最終的描述子。分級(jí)全局特征是基于與局部特征互補(bǔ)的作用而提出來(lái)的。傳統(tǒng)的全局特征是對(duì)整幅圖像統(tǒng)計(jì)相應(yīng)的顏色和紋理信息，提取的全局特征往往包含大量的背景信息，而且空間信息紊亂，對(duì)于結(jié)構(gòu)差異大但統(tǒng)計(jì)信息一致的圖像，極易造成誤差。分級(jí)全局特征不僅考慮到背景的影響，還把屬于行人的區(qū)域的圖像塊按照頭部、上半身和下半身的人體結(jié)構(gòu)進(jìn)行分組，并對(duì)涵蓋重要信息的上半身進(jìn)一步分組，總共三級(jí)劃分，增強(qiáng)了全局特征的辨識(shí)力。本發(fā)明提供的技術(shù)方案是：一種圖像特征提取方法，通過(guò)對(duì)齊局部描述子提取和分級(jí)全局特征提取，進(jìn)行行人重識(shí)別；所述對(duì)齊局部描述子提取采用仿射變換對(duì)原圖像進(jìn)行處理，僅對(duì)相鄰區(qū)域的圖像塊特征進(jìn)行求和池化操作而得到對(duì)齊局部描述子；所述對(duì)齊局部描述子保留圖像內(nèi)部塊與塊之間的空間信息；所述分級(jí)全局特征提取對(duì)定位的行人區(qū)域塊進(jìn)行分級(jí)，通過(guò)求取相應(yīng)特征均值得到全局特征；包括如下步驟：1)對(duì)圖像進(jìn)行了預(yù)處理，以消除光照對(duì)圖像的影響；為了消除光照對(duì)圖像的影響，本發(fā)明采用了多尺度retinex算法對(duì)圖像進(jìn)行了預(yù)處理；在去除背景信息時(shí)，借助了通過(guò)元胞自動(dòng)機(jī)進(jìn)行顯著性檢測(cè)的前景提取方法；關(guān)于圖像塊的表達(dá)，顏色信息使用了nrgb、lab和hsv三種顏色空間直方圖，紋理信息使用了尺度不變局部三值模式(siltp)統(tǒng)計(jì)直方圖。2)提取對(duì)齊局部描述子，主要包括以下步驟：21)對(duì)圖像進(jìn)行仿射變換，得到多張圖像(包括原圖及變換后的圖像)；22)分別對(duì)上一步得到的每張圖像進(jìn)行圖像塊分割，提取特征，生成相應(yīng)的特征圖；23)在空間上疊加所有特征圖，對(duì)相鄰位置的圖像塊特征進(jìn)行求和池化操作，得到相應(yīng)局部描述子；24)根據(jù)局部描述子在圖像中所在的位置，將它們按從左上到右下的順序連接起來(lái)，得到對(duì)齊局部描述子；3)提取分級(jí)全局特征，主要分為以下步驟：31)使用前景提取方法對(duì)圖像進(jìn)行顯著性檢測(cè)，得到相應(yīng)的顯著圖；32)將上一步得到的顯著圖進(jìn)行對(duì)比增強(qiáng)；33)定位屬于行人區(qū)域的圖像塊；34)針對(duì)人體的特殊結(jié)構(gòu)，將屬于行人的圖像塊按照三個(gè)不同層級(jí)進(jìn)行歸類；35)對(duì)每一級(jí)圖像塊進(jìn)行平均池化操化，得到該級(jí)特征；36)對(duì)三級(jí)特征首尾連接起來(lái)，得到分級(jí)全局特征；4)根據(jù)步驟2)提取得到的對(duì)齊局部描述子和步驟3)提取得到的分級(jí)全局特征，使用現(xiàn)有的xqda(cross-viewquadraticdiscriminantanalysis，交叉視覺(jué)二次判別分析)方法作為度量學(xué)習(xí)方法，計(jì)算圖像的相似性，由此進(jìn)行行人重識(shí)別。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本發(fā)明提供一種行人重識(shí)別方法，通過(guò)對(duì)齊局部描述子的提取，保留了圖像局部塊之間的空間信息，并解決由于行人姿態(tài)變化等帶來(lái)的特征不對(duì)齊問(wèn)題；通過(guò)分級(jí)全局特征提取，消除無(wú)關(guān)背景帶來(lái)的影響；通過(guò)結(jié)合提取的對(duì)齊局部描述子和分級(jí)全局特征，提高行人重識(shí)別的精度和魯棒性。具體地，本發(fā)明具有以下優(yōu)點(diǎn)：(一)本發(fā)明方法保留不相關(guān)圖像塊的相對(duì)位置信息?，F(xiàn)有行人重識(shí)別方法在特征提取過(guò)程中經(jīng)常忽略，而本發(fā)明通過(guò)增加不相關(guān)圖像塊的相對(duì)位置信息，可讓后續(xù)匹配的準(zhǔn)確率更高；(二)本發(fā)明方法使用仿射變換對(duì)輸入圖片進(jìn)行處理，可以一定程度上解決由于行人姿態(tài)變化或拍攝角度不一帶來(lái)的特征不對(duì)齊問(wèn)題；(三)本發(fā)明方法使用多個(gè)層級(jí)的行人區(qū)域圖像塊提取全局特征，可以提高全局特征的魯棒性。附圖說(shuō)明圖1是對(duì)齊局部描述子提取過(guò)程示意圖；其中，(a)為對(duì)原圖像進(jìn)行仿射變換(水平剪切和水平翻轉(zhuǎn))，分別得到四張變換后的圖像；(b)為分別對(duì)每一張圖像進(jìn)行圖像塊的特征提取過(guò)程；(c)為將四張?zhí)卣鲌D在空間上疊加在一起；(d)為對(duì)相鄰圖像塊的特征進(jìn)行求和池化操作，得到多個(gè)局部描述子；(e)為將每個(gè)局描部描述子向量相連，得到最終的對(duì)齊局部描述子。圖2是分級(jí)全局特征提取過(guò)程示意圖；其中，(a)為通過(guò)顯著性檢測(cè)到顯著圖；(b)為對(duì)顯著圖進(jìn)行對(duì)比度增強(qiáng)；(c)為對(duì)屬于行人區(qū)域圖像塊進(jìn)行定位；(d)為對(duì)所有屬于行人的圖像塊特征進(jìn)行第一級(jí)全局特征提??；(e)為對(duì)所有屬于行人的圖像塊分成頭部、上半身和下半身三個(gè)部分，提取第二級(jí)全局特征；(f)為對(duì)所有屬于行人上半身的圖像塊分成三個(gè)部分，提取第三級(jí)全局特征；圖3是本發(fā)明實(shí)施例在viper數(shù)據(jù)集上與使用lomo特征匹配效果對(duì)比。圖4是本發(fā)明實(shí)施例在viper數(shù)據(jù)集上的cmc結(jié)果。圖5是本發(fā)明實(shí)施例在qmulgrid數(shù)據(jù)集上與使用lomo特征匹配效果對(duì)比。圖6是本發(fā)明實(shí)施例在qmulgrid數(shù)據(jù)集上的cmc結(jié)果。具體實(shí)施方式下面結(jié)合附圖，通過(guò)實(shí)施例進(jìn)一步描述本發(fā)明，但不以任何方式限制本發(fā)明的范圍。本發(fā)明針對(duì)現(xiàn)有圖像特征提取方法中非精確匹配策略帶來(lái)的缺陷，提出基于精確匹配策略下的對(duì)齊局部描述子和分級(jí)全局特征。對(duì)齊局部描述子保留了圖像內(nèi)部塊與塊之間的空間信息，同時(shí)為了解決圖像之間的不對(duì)齊問(wèn)題，采用了仿射變換對(duì)原圖像進(jìn)行處理，得到包括原圖在內(nèi)的水平翻轉(zhuǎn)和切變的四張圖像，通過(guò)疊加，對(duì)相同區(qū)域的圖像塊特征進(jìn)行求和池化操作，得到對(duì)齊局部描述子。為了豐富圖像特征的表達(dá)，對(duì)原圖像中行人的整體輪廓區(qū)域及其頭部、上半身和下半身分別計(jì)算全局特征，最后整合成分級(jí)全局特征。實(shí)驗(yàn)證明，對(duì)齊局部描述子和分級(jí)全局特征有助于解決姿態(tài)變化問(wèn)題，保留的圖像內(nèi)部空間信息有助于行人匹配精度的提高。圖1示意了對(duì)齊局部描述子的提取流程，首先是仿射變換，然后是圖像塊的特征提取，接著對(duì)相鄰圖像塊的特征向量進(jìn)行求和池化操作，最后把不同的局部描述子連接到一起作為圖片的對(duì)齊局部描述子。具體實(shí)施中，提取對(duì)齊局部描述子的過(guò)程具體包括如下步驟：1.把圖片統(tǒng)一縮放到128*48大小，并使用文獻(xiàn)[1](d.j.jobson,z.-u.rahman,andg.a.woodell.amultiscaleretinexforbridgingthegapbetweencolorimagesandthehumanobservationofscenes.imageprocessing,ieeetransactionson,6(7):965–976,1997)記載的多尺度retinex算法消除光照影響，得到預(yù)處理后的圖片i，其中尺度參數(shù)分別為σ＝5和σ＝20。2.仿射變換。對(duì)預(yù)處理后的圖片i進(jìn)行水平翻轉(zhuǎn)，得到圖片ii，分別對(duì)圖片i和ii進(jìn)行水平剪切變換，產(chǎn)生相應(yīng)圖片iii和iv，水平剪切變換具體如式1所示：其中，λ為剪切變換參數(shù)，方法中使用λ＝0.2。3.分別對(duì)上一步得到的四張圖片(i、ii、iii和iv)求圖像塊的特征。具體采用滑動(dòng)窗口方法，對(duì)窗口內(nèi)的圖像塊提取8*8*8維的nrgb和hsv顏色直方圖、32維的lab顏色直方圖以及兩個(gè)閾值為0.3的尺度不變局部三值模式(siltp)統(tǒng)計(jì)直方圖，兩個(gè)siltp的比較半徑r分別為3和5個(gè)像素，其中滑動(dòng)窗口大小為8*8，步長(zhǎng)為4*4，每張圖像在同一水平方向上通過(guò)滑動(dòng)窗口可以得到n個(gè)圖像塊，在同一垂直方向上得到m個(gè)圖像塊，提取相應(yīng)的特征后得到一張?zhí)卣鲌D，其中有m*n個(gè)點(diǎn)，每個(gè)點(diǎn)對(duì)應(yīng)一個(gè)圖像塊的特征向量，記作上述滑動(dòng)窗口方法中，nrgb是將原來(lái)的rgb三通道彩色圖片中的每一通道的像素值(原來(lái)是0-255)變到指定的0-8的范圍，8*8*8是將每一通道都縮放到0-8之間，再進(jìn)一步求相應(yīng)顏色直方圖。比較半徑r是指目標(biāo)元素點(diǎn)與離自己r個(gè)像素遠(yuǎn)的像素比較大小。4.在空間上疊加四個(gè)特征向量圖，對(duì)相鄰位置的圖像塊特征進(jìn)行求和池化操作，得到相應(yīng)局部描述子，如式2所示：其中：其中，代表了第i張?zhí)卣鲌D中第m行第n列的圖像塊特征向量，將相鄰的16個(gè)圖像塊特征向量相加，得到的表示一個(gè)局部描述子，其中p和q為正整數(shù)，分別表示為局部描述子所在的位置；5.最后，根據(jù)所有局部描述子在特征圖的位置，按從左上到右下的順序首尾連接成一個(gè)特征向量，作為整幅圖片的對(duì)齊局部描述子。圖2示意了分級(jí)全局特征的提取流程，首先對(duì)圖片進(jìn)行顯著性檢測(cè)，然后對(duì)相同水平方向上的元素值進(jìn)行對(duì)比度增強(qiáng)，接著對(duì)圖片進(jìn)行二值化處理，通過(guò)滑動(dòng)窗口的方法定位行人區(qū)域塊，對(duì)行人區(qū)域塊進(jìn)行分級(jí)求取相應(yīng)特征均值。提取分級(jí)全局特征的過(guò)程具體包括如下步驟：1.把圖片統(tǒng)一縮放到128*48大小，并使用文獻(xiàn)[1](d.j.jobson,z.-u.rahman,andg.a.woodell.amultiscaleretinexforbridgingthegapbetweencolorimagesandthehumanobservationofscenes.imageprocessing,ieeetransactionson,6(7):965–976,1997)所述的多尺度retinex算法消除光照影響，其中尺度參數(shù)分別為σ＝5和σ＝20。2.使用文獻(xiàn)[2](y.qin,h.lu,y.xu,andh.wang,"saliencydetectionviacellularautomata,"incomputervisionandpatternrecognition(cvpr),2015,pp.110-119)記載的方法對(duì)預(yù)處理后的圖片進(jìn)行前景提取,得到相應(yīng)的顯著圖。3.采用式3對(duì)提取得到的顯著圖作對(duì)比增強(qiáng)：其中，分子pr,i為第r行第i列的元素值，分母為該行元素的極差。得到該行每列元素的p′r,i值后，統(tǒng)一對(duì)該行元素進(jìn)行更新。4.使用文獻(xiàn)[3](n.otsu,"thresholdselectionmethodfromgray-levelhistograms,ieeetransactionsonsystemsmanandcybernetics,"systemsman&cyberneticsieeetransactionson,vol.9,no.1,pp.62-66,1979)中記載的otsu算法自適應(yīng)選取閾值，對(duì)上一步得到的結(jié)果進(jìn)行二值化處理，得到相應(yīng)的二值圖。5.采用滑動(dòng)窗口的方法對(duì)二值圖進(jìn)行掃描，其中窗口大小為10*10，步長(zhǎng)為5*5，對(duì)窗口內(nèi)的元素值求和，其中把大于設(shè)定閾值(如50)的窗口定義為行人區(qū)域，其它則為無(wú)關(guān)區(qū)域。6.按照提取對(duì)齊局部描述子圖像塊特征的方法，對(duì)行人區(qū)域的圖像塊提取顏色和紋理特征。7.可將得到的行人區(qū)域的圖像塊劃分為3個(gè)層級(jí)。第一級(jí)為人的整體(即全部圖像塊)，第二級(jí)是按人體的頭、上身、下身分，第三級(jí)是按人體上身的重要性來(lái)細(xì)分三塊。本實(shí)施例中，層級(jí)1為所有行人區(qū)域圖像塊；層級(jí)2按照?qǐng)D像塊所在垂直方向上的位置分為頭部區(qū)、上半身和下關(guān)身區(qū)域，其中行數(shù)小于等于15為頭部區(qū)，行數(shù)大于等于60為下半身區(qū)、中間為上半身區(qū)；層級(jí)3按照上半身圖像塊的垂直位置再細(xì)分為3個(gè)區(qū)，分界條件為：圖像塊所屬位置在15到30行之間為一區(qū)、在30到45行之間為一區(qū)、在15到60行為一區(qū)。對(duì)不同層級(jí)里的圖像塊特征向分別作平均池化操作，分別得到7個(gè)特征向量，然后連接在一起，作為最終的分級(jí)全局特征。8.最后，通過(guò)采取xqda作為度量學(xué)習(xí)方法，通過(guò)式4計(jì)算兩張圖像之間的相似性，值越小即說(shuō)明特征之間距離越小，對(duì)應(yīng)的兩張圖片越相似：其中，d(x,z)是指兩張圖像(x和z)之間的距離，越小則表明越相似；dw(f1,f2)是xqda距離函數(shù)，分別為圖像x的對(duì)齊局部描述子和分級(jí)全局特征，其中β表示全局特征的權(quán)重，在這里β＝1.3。本發(fā)明具體實(shí)施中，將本發(fā)明方法與現(xiàn)有其他方法進(jìn)行對(duì)比分析，以驗(yàn)證本發(fā)明方法的有效性。表1和表2中，lomo(localmaximumoccurrence，局部直方圖最大頻數(shù)特征)在文獻(xiàn)(s.liao,y.hu,x.zhu,ands.z.li,personre-identi_cationbylocalmaximaloccurrencerepresentationandmetriclearning,"incomputervisionandpatternrecognition(cvpr),2015,pp.2197-2206.)中記載。scncd(salientcolornamesbasedcolordescriptor，基于顏色描述子的顯著顏色名)在文獻(xiàn)(y.yang,salientcolornamesforpersonre-identification,"ineuropeanconferenceoncomputervision(eccv),2014,pp.536-551.)中記載。kbicov(covariancedescriptorbasedonbio-inspiredfeatures,基于生物啟發(fā)特征的協(xié)方差描述子)在文獻(xiàn)(b.ma,y.su,andf.jurie,covariancedescriptorbasedonbio-inspiredfeaturesforpersonre-identificationandfaceverification,"image&visioncomputing,vol.32,no.6-7,pp.379-390,2014.)中記載。ldfv(localdescriptorsencodedbyfishervectors,使用fisher向量編碼的局部描述子)在文獻(xiàn)(b.ma,y.su,andf.jurie,localdescriptorsencodedbyfishervectorsforpersonre-identification,"ineuropeanconferenceoncomputervision(eccv),2012,pp.413-422.)中記載。scsp(spatiallyconstrainedsimilarityfunctiononpolynomialfeaturemap，基于多項(xiàng)式特征圖的部分約束相似函數(shù))在文獻(xiàn)(d.chen,z.yuan,b.chen,andn.zheng,similaritylearningwithspatialconstraintsforpersonre-identification,"incomputervisionandpatternrecognition(cvpr),2016,pp.1268-1277.)中記載。dr-kiss(dual-regularizedkiss，雙正則化kiss算法)在文獻(xiàn)(d.tao,y.guo,m.song,andy.li,personre-identificationbydual-regularizedkissmetriclearning,"ieeetransactionsonimageprocessing,vol.25,no.6,pp.2726-2738,2016.)中記載。ssdal(semi-superviseddeepattributelearning，半監(jiān)督深度屬性學(xué)習(xí))在文獻(xiàn)(c.su,s.zhang,j.xing,w.gao,andq.tian,deepattributesdrivenmulti-camerapersonre-identification,"ineuropeanconferenceoncomputervision(eccv),2016,pp.475-491.)中記載。nlml(nonlinearlocalmetriclearning，非線性局部度量學(xué)習(xí))在文獻(xiàn)(s.huang,j.lu,j.zhou,anda.k.jain,nonlinearlocalmetriclearningforpersonre-identification,"arxivpreprintarxiv:1511.05169v1,2015.)中記載。lomo(localmaximumoccurrence，局部直方圖最大頻數(shù)特征)在文獻(xiàn)(s.liao,y.hu,x.zhu,ands.z.li,\personre-identi_cationbylocalmaximaloccurrencerepresentationandmetriclearning,"incomputervisionandpatternrecognition(cvpr),2015,pp.2197-2206.)中記載。圖3和圖5分別對(duì)比了使用本發(fā)明所提出的方法和使用lomo特征在viper和qmulgrid數(shù)據(jù)集上的表現(xiàn)，可以看出，我們的方法都取得了較好的效果。圖4和圖6對(duì)本發(fā)明所提出的方法進(jìn)行了不同情況下的對(duì)比實(shí)驗(yàn),分別為使用了結(jié)合對(duì)齊局部描述子和分級(jí)全局特征的完整方法、只使用了對(duì)齊局部描述子作為特征、只使用了分級(jí)全局特征作為特征和使用了不做仿射變換的對(duì)齊局部描述子和分級(jí)全局特征結(jié)合的方法，結(jié)果展示了局部描述子和全局特征在不同數(shù)據(jù)集上的不同表現(xiàn)，并且結(jié)合的效果達(dá)到最優(yōu)，說(shuō)明本專利所提出方法的有效性。表1本發(fā)明方法和現(xiàn)有方法在viper數(shù)據(jù)上的cmc結(jié)果方法rank＝1rank＝10rank＝20參考來(lái)源本發(fā)明方法46.285.394.4/lomo40.080.591.1cppr2015scncd37.881.290.4eccv2014kbicov31.170.782.5ivc2014ldfv26.570.984.6eccvw2012表2本發(fā)明方法和現(xiàn)有方法在qmulgrid數(shù)據(jù)上的cmc結(jié)果表1列出了其它一些方法在viper數(shù)據(jù)上的cmc(cumulativematchcharacteristic，累計(jì)匹配特性)結(jié)果，與之對(duì)比，使用本發(fā)明方法識(shí)別性能有較好的提升。表2列出了其它一些方法在qmulgrid數(shù)據(jù)上的cmc結(jié)果，與之對(duì)比，本發(fā)明方法的準(zhǔn)確率最高，說(shuō)明了本發(fā)明方法的有效性。需要注意的是，公布實(shí)施例的目的在于幫助進(jìn)一步理解本發(fā)明，但是本領(lǐng)域的技術(shù)人員可以理解：在不脫離本發(fā)明及所附權(quán)利要求的精神和范圍內(nèi)，各種替換和修改都是可能的。因此，本發(fā)明不應(yīng)局限于實(shí)施例所公開(kāi)的內(nèi)容，本發(fā)明要求保護(hù)的范圍以權(quán)利要求書(shū)界定的范圍為準(zhǔn)。當(dāng)前第1頁(yè)12