亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

基于無監(jiān)督學(xué)習(xí)的道路檢測方法及系統(tǒng)的制作方法

文檔序號:10613251閱讀:386來源:國知局
基于無監(jiān)督學(xué)習(xí)的道路檢測方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明具體涉及一種基于無監(jiān)督學(xué)習(xí)的道路檢測方法及系統(tǒng),該方法包括:從像素大小為M*N的待檢測道路圖像中隨機(jī)選取n個(gè)像素大小為W*W的圖像樣本;根據(jù)待檢測道路圖像左上角像素的坐標(biāo)和色彩特征值,計(jì)算每個(gè)圖像樣本i左上角像素的坐標(biāo)(xi,yi)和色彩特征值si,得到每個(gè)圖像樣本i的三維特征向量;對圖像樣本i的三維特征向量進(jìn)行歸一化處理和白化處理,得到圖像樣本i經(jīng)過歸一化處理和白化處理后的三維特征向量對特征表達(dá)式進(jìn)行K均值聚類計(jì)算,得到k個(gè)類簇;對k個(gè)類簇的聚類中心進(jìn)行非線性映射,得到k個(gè)非線性映射值對特征表達(dá)式y(tǒng)={ym,m=1,2,...,k}進(jìn)行K均值聚類計(jì)算,得到道路和非道路兩個(gè)類簇,其中聚類數(shù)K=2。通過本發(fā)明的技術(shù)方案,能提高道路檢測的效率和準(zhǔn)確率。
【專利說明】
基于無監(jiān)督學(xué)習(xí)的道路檢測方法及系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及模式識別技術(shù)領(lǐng)域,具體涉及一種基于無監(jiān)督學(xué)習(xí)的道路檢測方法及 系統(tǒng)。
【背景技術(shù)】
[0002] 通過有監(jiān)督學(xué)習(xí)的方法進(jìn)行道路檢測是模式識別領(lǐng)域新興的一種方法。有監(jiān)督的 學(xué)習(xí)分為訓(xùn)練和測試兩個(gè)階段,在訓(xùn)練階段,通過適當(dāng)?shù)靥崛颖咎卣鲗W(xué)習(xí)出一個(gè)函數(shù),在 接下來的測試階段中,就可以利用這個(gè)函數(shù)對新的數(shù)據(jù)進(jìn)行結(jié)果的預(yù)測。在道路檢測中,常 用于訓(xùn)練的特征有色彩特征(如灰度特征、RGB特征等)、紋理特征(如光強(qiáng)分布、顏色分布 等)等。通過對這些特征進(jìn)行訓(xùn)練可以得到一個(gè)分類器,用于區(qū)分道路和非道路。如果訓(xùn)練 的樣本足夠大,用這種方法進(jìn)行道路檢測能夠比單純地利用圖像處理技術(shù)進(jìn)行道路檢測取 得更好的效果。然而,這種方法也存在著如下四種弊端:
[0003] (1)圖像中道路及其周邊環(huán)境特征各異,尤其是對于有復(fù)雜形狀、多變光照的道路 圖像來說,很難選取合適的特征進(jìn)行訓(xùn)練,這極大地降低了測試階段的魯棒性。
[0004] (2)訓(xùn)練樣本和測試樣本之間特征的差異可能較大,這就意味著即便訓(xùn)練得再全 面,也不能對測試樣本進(jìn)行很好地分類。
[0005] (3)要想取得較好的訓(xùn)練效果,需要大量的樣本,而監(jiān)督學(xué)習(xí)對訓(xùn)練集的要求是包 括特征和目標(biāo),目標(biāo)是需要通過人工標(biāo)注的。因此,在大樣本的前提下,用監(jiān)督學(xué)習(xí)的方法 進(jìn)行道路檢測,工作繁重,效率較低。
[0006] (4)現(xiàn)有的用于道路檢測的監(jiān)督式學(xué)習(xí)方法大多只考慮了道路的色彩或紋理特 征,這些特征在陰影等不良因素的干擾下的適應(yīng)性較差,這對最終的檢測結(jié)果會產(chǎn)生不利 的影響。
[0007]總之,現(xiàn)有的基于學(xué)習(xí)的道路檢測方法能夠取得一定的效果,但其局限性也是不 容忽視的,集中體現(xiàn)在四個(gè)方面:在不同道路環(huán)境下魯棒性較差、訓(xùn)練樣本和測試樣本之間 的差異較大、訓(xùn)練需要大量樣本且工作繁重、用于道路檢測的圖像特征選擇不全面。

【發(fā)明內(nèi)容】

[0008] 有鑒于此,本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足,提供一種基于無監(jiān)督學(xué)習(xí)的 道路檢測方法及系統(tǒng),提高道路檢測的效率和準(zhǔn)確率。
[0009] 為實(shí)現(xiàn)以上目的,本發(fā)明采用如下技術(shù)方案:
[0010] -種基于無監(jiān)督學(xué)習(xí)的道路檢測方法,包括:
[0011] 步驟S1、從像素大小為M*N的待檢測道路圖像中隨機(jī)選取η個(gè)像素大小為W*W的圖 像樣本,其中M、N彡
[0012] 步驟S2、根據(jù)待檢測道路圖像左上角像素的坐標(biāo)和色彩特征值,計(jì)算每個(gè)圖像樣 本i左上角像素的坐標(biāo)(Xl,yO和色彩特征值Sl,得到每個(gè)圖像樣本i的三維特征向量 6 = (s,_,,乃),其中1 <η,所述色彩特征值為該像素的灰度特征值或RGB特征值;
[0013] 步驟S3、對圖像樣本i的三維特征向量ξ進(jìn)行歸一化處理和白化處理,得到圖像樣 本i經(jīng)過歸一化處理和白化處理后的三維特征向量I;';
[0014] 步驟S4、對特征表達(dá)式Γ = $'./ = 1,2,.,.,n)進(jìn)行K均值聚類計(jì)算,得到k個(gè)類簇,其中 聚類數(shù)K = k,n彡k彡2;
[0015] 步驟S5、對所述k個(gè)類簇的聚類中心(^進(jìn)行非線性映射,得到k個(gè)非線性映射值
[0016] 步驟S6、對特征表達(dá)式y(tǒng)= {ym,m=l,2, . . .,k}進(jìn)行K均值聚類計(jì)算,得到道路和非 道路兩個(gè)類簇,其中聚類數(shù)K = 2。
[0017] 優(yōu)選地,所述步驟S3中對圖像樣本i的三維特征向量ξ進(jìn)行歸一化處理,具體為根 據(jù)公式^·^1對圖像樣本i的三維特征向量進(jìn)行歸一化處理,其中W為所有圖像樣本的三 σ; 維特征向量的均值,〇:為所有圖像樣本的三維特征向量的標(biāo)準(zhǔn)差。
[0018] 優(yōu)選地,所述步驟35具體為:根據(jù)公式/(《_',(:1")=_11^1彳0,^!(2)-2,,,丨對所述1^個(gè)類簇 的聚類中心Cm進(jìn)行非線性映射,其^
_^(2)為2={2"1|111=1,2,...,1^}中所有元 素的均值。
[0019] 優(yōu)選地,所述步驟S1具體為:從像素大小為Μ*Ν的待檢測道路圖像中按預(yù)設(shè)密度隨 機(jī)選取η個(gè)像素大小為W*W的圖像樣本。
[0020] 另外,本發(fā)明還提出了一種基于無監(jiān)督學(xué)習(xí)的道路檢測系統(tǒng),包括:
[0021] 選取單元,用于從像素大小為M*N的待檢測道路圖像中隨機(jī)選取η個(gè)像素大小為W* w的圖像樣本,其4
[0022] 計(jì)算單元,用于根據(jù)待檢測道路圖像左上角像素的坐標(biāo)和色彩特征值,計(jì)算每個(gè) 圖像樣本i左上角像素的坐標(biāo)(Xl, yi)和色彩特征值Sl,得到每個(gè)圖像樣本i的三維特征向量 i; =(Si,.Tpy),其中l(wèi)<i<n,所述色彩特征值為該像素的灰度特征值或RGB特征值;
[0023] 處理單元,用于對圖像樣本i的三維特征向量I;進(jìn)行歸一化處理和白化處理,得到 圖像樣本i經(jīng)過歸一化處理和白化處理后的三維特征向量f ;
[0024] 聚類單元,用于對特征表達(dá)式r = = .....η!.進(jìn)行K均值聚類計(jì)算,得到k個(gè)類 簇,其中聚類數(shù)K = k,n彡k彡2;
[0025] 非線性映射單元,用于對所述k個(gè)類簇的聚類中心^進(jìn)行非線性映射,得到k個(gè)非 線性映射值.? = ;
[0026] 所述聚類單元,還用于對特征表達(dá)式y(tǒng)= {ym,m=l,2, . . .,k}進(jìn)行K均值聚類計(jì)算, 得到道路和非道路兩個(gè)類簇,其中聚類數(shù)K = 2。
[0027] 優(yōu)選地,所述處理單元,具體用于根據(jù)公式對圖像樣本i的三維特征向量ζ進(jìn) σ- i 行歸一化處理,其中m為所有圖像樣本的三維特征向量的均值,σ,為所有圖像樣本的三維特 征向量的標(biāo)準(zhǔn)差。
[0028] 優(yōu)選地,所述非線性映射單元,具體用于根據(jù)公式/(〇,,) = maxW(z)-z";!對所 述k個(gè)類簇的聚類中心(^進(jìn)行非線性映射,其c
Μ中所有元素的均值。
[0029] 優(yōu)選地,所述選取單元,具體用于從像素大小為Μ*Ν的待檢測道路圖像中按預(yù)設(shè)密 度隨機(jī)選取η個(gè)像素大小為W*W的圖像樣本。
[0030] 本發(fā)明采用以上技術(shù)方案,至少具備以下有益效果:
[0031] 本發(fā)明提供的這種基于無監(jiān)督學(xué)習(xí)的道路檢測方法及系統(tǒng)由于選取的是每個(gè)圖 像樣本左上角像素的坐標(biāo)(空間特征)和色彩特征值(色彩特征)作為學(xué)習(xí)樣本的特征值,而 左上角像素的坐標(biāo)是不會受道路圖像的光照和陰影等因素的影響發(fā)生改變,因此相比現(xiàn)有 技術(shù),本發(fā)明提供的這種基于無監(jiān)督學(xué)習(xí)的道路檢測方法及系統(tǒng)抗干擾能力相對較強(qiáng),道 路檢測準(zhǔn)確率更高。
[0032] 另外,由于本發(fā)明提供的這種基于無監(jiān)督學(xué)習(xí)的道路檢測方法及系統(tǒng),圖像樣本 是隨機(jī)選取的,整個(gè)道路檢測的過程減少了人工標(biāo)注的過程,因此相比現(xiàn)有技術(shù),不僅減少 了人工參與帶來的檢測誤差,同時(shí)還節(jié)省了人力消耗,檢測效率更高。
【附圖說明】
[0033]圖1為本發(fā)明一實(shí)施例提供的一種基于無監(jiān)督學(xué)習(xí)的道路檢測方法的流程示意 圖;
[0034]圖2為本發(fā)明一實(shí)施例提供的一種基于無監(jiān)督學(xué)習(xí)的道路檢測系統(tǒng)的示意框圖。
【具體實(shí)施方式】
[0035]下面通過附圖和實(shí)施例,對本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。參見圖1,本 發(fā)明一實(shí)施例提供的一種基于無監(jiān)督學(xué)習(xí)的道路檢測方法,包括:
[0036]步驟S1、從像素大小為M*N的待檢測道路圖像中隨機(jī)選取η個(gè)像素大小為W*W的圖 像樣本,其4
[0037] 步驟S2、根據(jù)待檢測道路圖像左上角像素的坐標(biāo)和色彩特征值,計(jì)算每個(gè)圖像樣 本i左上角像素的坐標(biāo)(Xl,y〇和色彩特征值Sl,得到每個(gè)圖像樣本i的三維特征向量 ?, = (s,_,七,.y,),其中1 <η,所述色彩特征值為該像素的灰度特征值或RGB特征值;
[0038] 步驟S3、對圖像樣本i的三維特征向量ξ.進(jìn)行歸一化處理和白化處理,得到圖像樣 本i經(jīng)過歸一化處理和白化處理后的三維特征向量ξ?
[0039] 步驟S4、對特征表達(dá)式f二2,…:,a}進(jìn)行Κ均值聚類計(jì)算,得至Ijk個(gè)類簇,其中 聚類數(shù)K = k,n彡k彡2;
[0040]步驟S5、對所述k個(gè)類簇的聚類中心(^進(jìn)行非線性映射,得到k個(gè)非線性映射值
[0041] 步驟S6、對特征表達(dá)式y(tǒng)= {ym,m=l ,2, . . . ,k}進(jìn)行K均值聚類計(jì)算,得到道路和非 道路兩個(gè)類簇,其中聚類數(shù)K = 2。
[0042]由上述技術(shù)方案可知,本發(fā)明提供的這種基于無監(jiān)督學(xué)習(xí)的道路檢測方法及系 統(tǒng),首先從待檢測道路圖像中隨機(jī)選取若干個(gè)小的方形區(qū)域作為學(xué)習(xí)樣本,獲取方形區(qū)域 左上角像素的坐標(biāo)(空間特征)和色彩特征值(色彩特征),以此構(gòu)建出該像素點(diǎn)的三維特征 向量,并對特征向量進(jìn)行歸一化和白化處理,并對進(jìn)行歸一化和白化處理后的特征向量進(jìn) 行K均值聚類計(jì)算,聚類數(shù)為k,最后對這k個(gè)類簇的聚類中心進(jìn)行非線性映射得到新的特征 表達(dá)式,并對新的特征表達(dá)式進(jìn)行K均值聚類計(jì)算,聚類數(shù)為2,由此確定出道路和非道路兩 個(gè)類簇。
[0043]本發(fā)明提供的這種基于無監(jiān)督學(xué)習(xí)的道路檢測方法及系統(tǒng)由于選取的是每個(gè)圖 像樣本左上角像素的坐標(biāo)(空間特征)和色彩特征值(色彩特征)作為學(xué)習(xí)樣本的特征值,而 左上角像素的坐標(biāo)是不會受道路圖像的光照和陰影等因素的影響發(fā)生改變,因此相比現(xiàn)有 技術(shù),本發(fā)明提供的這種基于無監(jiān)督學(xué)習(xí)的道路檢測方法及系統(tǒng)抗干擾能力相對較強(qiáng),道 路檢測準(zhǔn)確率更高。
[0044] 另外,由于本發(fā)明提供的這種基于無監(jiān)督學(xué)習(xí)的道路檢測方法及系統(tǒng),圖像樣本 是隨機(jī)選取的,整個(gè)道路檢測的過程減少了人工標(biāo)注的過程,因此相比現(xiàn)有技術(shù),不僅減少 了人工參與帶來的檢測誤差,同時(shí)還節(jié)省了人力消耗,檢測效率更高。
[0045] 優(yōu)選地,所述步驟S3中對圖像樣本i的三維特征向量進(jìn)行歸一化處理,具體為根 據(jù)公式^^對圖像樣本i的三維特征向量ξ進(jìn)行歸一化處理,其中m為所有圖像樣本的三 σ,: 維特征向量的均值,〇:為所有圖像樣本的三維特征向量的標(biāo)準(zhǔn)差。
[0046] 優(yōu)選地,所述步驟S5具體為:根據(jù)公式= max相,#(ζ)-對所述k個(gè)類簇 的聚類中心Cm進(jìn)行非線性映射,其牛
《2)為2={2"!|111=1,2,...,1^}中所有元 素的均值。
[0047] 優(yōu)選地,所述步驟S1具體為:從像素大小為M*N的待檢測道路圖像中按預(yù)設(shè)密度隨 機(jī)選取η個(gè)像素大小為W*W的圖像樣本。
[0048]可以理解的是,按預(yù)設(shè)密度隨機(jī)選取圖像樣本,相當(dāng)于從待檢測道路圖像中均勻 提取圖像樣本,這樣選取的圖像樣本更具代表性,相比現(xiàn)有技術(shù),可以減少學(xué)習(xí)樣本和測試 樣本之間的特征差異。
[0049] 參見圖2,本發(fā)明還提出了一種基于無監(jiān)督學(xué)習(xí)的道路檢測系統(tǒng)100,包括:
[0050] 選取單元101,用于從像素大小為M*N的待檢測道路圖像中隨機(jī)選取η個(gè)像素大小 為W*W的圖像樣本,其中Μ、
[0051] 計(jì)算單元102,用于根據(jù)待檢測道路圖像左上角像素的坐標(biāo)和色彩特征值,計(jì)算每 個(gè)圖像樣本i左上角像素的坐標(biāo)(Xl,yi)和色彩特征值Sl,得到每個(gè)圖像樣本i的三維特征向 量《=(sf,%,凡),其中1 ,所述色彩特征值為該像素的灰度特征值或RGB特征值;
[0052] 處理單元103,用于對圖像樣本i的三維特征向量〖進(jìn)行歸一化處理和白化處理,得 到圖像樣本i經(jīng)過歸一化處理和白化處理后的三維特征向量f ;
[0053] 聚類單元104,用于對特征表達(dá)式Γ =彳(/,/ = 1,2.....η丨進(jìn)行K均值聚類計(jì)算,得到k個(gè) 類簇,其中聚類數(shù)K = k,n彡k彡2;
[0054]非線性映射單元105,用于對所述k個(gè)類簇的聚類中心~進(jìn)行非線性映射,得到k個(gè) 非線性映射值=/(;>_,,,),= 1,2,…Λ ;
[0055] 所述聚類單元104,還用于對特征表達(dá)式y(tǒng)= {ym,m=l,2, . . .,k}進(jìn)行Κ均值聚類計(jì) 算,得到道路和非道路兩個(gè)類簇,其中聚類數(shù)K = 2。
[0056] 優(yōu)選地,所述處理單元103,具體用于根據(jù)公式對圖像樣本i的三維特征向量 ξ進(jìn)行歸一化處理,其中講為所有圖像樣本的三維特征向量的均值,為所有圖像樣本的三 維特征向量的標(biāo)準(zhǔn)差。
[0057] 優(yōu)選地,所述非線性映射單元105,具體用于根據(jù)公式/(.〇.,,) = max.
對所述k個(gè)類簇的聚類中心cm進(jìn)行非線性映射,其4 ,μ(ζ)為z= {zm|m=l, 2,. . .,k}中所有元素的均值。
[0058]優(yōu)選地,所述選取單元101,具體用于從像素大小為M*N的待檢測道路圖像中按預(yù) 設(shè)密度隨機(jī)選取η個(gè)像素大小為W*W的圖像樣本。
[0059]本發(fā)明不局限于上述最佳實(shí)施方式,任何人在本發(fā)明的啟示下都可得出其他各種 形式的產(chǎn)品,但不論在其形狀或結(jié)構(gòu)上作任何變化,凡是具有與本申請相同或相近似的技 術(shù)方案,均落在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于無監(jiān)督學(xué)習(xí)的道路檢測方法,其特征在于,包括: 步驟S1、從像素大小為M*N的待檢測道路圖像中隨機(jī)選取η個(gè)像素大小為W*W的圖像樣 本,其中>n>2; 步驟S2、根據(jù)待檢測道路圖像左上角像素的坐標(biāo)和色彩特征值,計(jì)算每個(gè)圖像樣本i左 上角像素的坐標(biāo)(XI,yi)和色彩特征值Si,得到每個(gè)圖像樣本i的Ξ維特征向量 《二(S,. Λ',其中1《i《η,所述色彩特征值為該像素的灰度特征值或RGB特征值; 步驟S3、對圖像樣本i的Ξ維特征向量?,進(jìn)行歸一化處理和白化處理,得到圖像樣本i經(jīng) 過歸一化處理和白化處理后的Ξ維特征向量; 步驟S4、對特征表達(dá)式r:=巧',/ = 1,2,...,崎進(jìn)行1(均值聚類計(jì)算,得至化個(gè)類簇,其中聚類 數(shù) K = k,n>k>2; 步驟S5、對所述k個(gè)類簇的聚類中屯、Cm進(jìn)行非線性映射,得到k個(gè)非線性映射值 義。=/《,句:),《 = 1,2,...,]£; 步驟S6、對特征表達(dá)式y(tǒng)={ym,m=l,2, . . .,k}進(jìn)行K均值聚類計(jì)算,得到道路和非道路 兩個(gè)類簇,其中聚類數(shù)Κ = 2。2. 根據(jù)權(quán)利要求1所述的基于無監(jiān)督學(xué)習(xí)的道路檢測方法,其特征在于,所述步驟S3中 對圖像樣本i的Ξ維特征向量·F,進(jìn)行歸一化處理,具體為根據(jù)公?!巧圖像樣本i的Ξ 維特征向量進(jìn)行歸一化處理,其中μι為所有圖像樣本的Ξ維特征向量的均值,〇1為所有圖 像樣本的Ξ維特征向量的標(biāo)準(zhǔn)差。3. 根據(jù)權(quán)利要求1所述的基于無監(jiān)督學(xué)習(xí)的道路檢測方法,其特征在于,所述步驟S5具 體為:根據(jù)公式/獲,%)=賊&輛,"(Ζ) -Zj對所述k個(gè)類簇的聚類中屯、Cm進(jìn)行非線性映射, 其中'y(z)為z = {zm|m=l,2,. . .,k}中所有元素的均值。4. 根據(jù)權(quán)利要求1~3任一項(xiàng)所述的基于無監(jiān)督學(xué)習(xí)的道路檢測方法,其特征在于,所 述步驟S1具體為:從像素大小為M*N的待檢測道路圖像中按預(yù)設(shè)密度隨機(jī)選取η個(gè)像素大小 為W*W的圖像樣本。5. -種基于無監(jiān)督學(xué)習(xí)的道路檢測系統(tǒng),其特征在于,包括: 選取單元,用于從像素大小為M*N的待檢測道路圖像中隨機(jī)選取η個(gè)像素大小為W*W的 圖像樣本,其中 計(jì)算單元,用于根據(jù)待檢測道路圖像左上角像素的坐標(biāo)和色彩特征值,計(jì)算每個(gè)圖像 樣本i左上角像素的坐標(biāo)(XI,yi)和色彩特征值si,得到每個(gè)圖像樣本i的Ξ維特征向量 =(s,,x,,y,),其中所述色彩特征值為該像素的灰度特征值或RGB特征值; 處理單元,用于對圖像樣本i的Ξ維特征向量科?行歸一化處理和白化處理,得到圖像 樣本i經(jīng)過歸一化處理和白化處理后的Ξ維特征向量; 聚類單元,用于對特征表達(dá)式f=-療,/ = 1.2....,n!-進(jìn)行K均值聚類計(jì)算,得到k個(gè)類簇,其 中聚類數(shù)K = k,n>k>2; 非線性映射單元,用于對所述k個(gè)類簇的聚類中屯、Cm進(jìn)行非線性映射,得到k個(gè)非線性映 射它所述聚類單元,還用于對特征表達(dá)式y(tǒng)={ym,m=l,2,...,k}進(jìn)行K均值聚類計(jì)算,得到 道路和非道路兩個(gè)類簇,其中聚類數(shù)K = 2。6. 根據(jù)權(quán)利要求5所述的基于無監(jiān)督學(xué)習(xí)的道路檢測系統(tǒng),其特征在于,所述處理單 元,具體用于根據(jù)公式巧圖像樣本i的Ξ維特征向量?進(jìn)行歸一化處理,其中μι為所有 圖像樣本的Ξ維特征向量的均值,〇1為所有圖像樣本的Ξ維特征向量的標(biāo)準(zhǔn)差。7. 根據(jù)權(quán)利要求5所述的基于無監(jiān)督學(xué)習(xí)的道路檢測系統(tǒng),其特征在于,所述非線性映 射單元,具體用于根據(jù)公式/皆為) = max觀興的-zj對所述k個(gè)類簇的聚類中屯、Cm進(jìn)行非 線性映射,其牛μ(ζ)為z = {zm|m=l,2,. . .,k}中所有元素的均值。8. 根據(jù)權(quán)利要求5~7任一項(xiàng)所述的基于無監(jiān)督學(xué)習(xí)的道路檢測系統(tǒng),其特征在于,所 述選取單元,具體用于從像素大小為M*N的待檢測道路圖像中按預(yù)設(shè)密度隨機(jī)選取η個(gè)像素 大小為W*W的圖像樣本。
【文檔編號】G06K9/62GK105975937SQ201610294862
【公開日】2016年9月28日
【申請日】2016年5月5日
【發(fā)明人】張培炎
【申請人】南京學(xué)安網(wǎng)絡(luò)科技有限公司
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點(diǎn)贊!
1