一種基于結(jié)構(gòu)化詞典域轉(zhuǎn)移的交叉視角人臉識(shí)別方法
【專利摘要】本發(fā)明是一種基于結(jié)構(gòu)化詞典域轉(zhuǎn)移的交叉視角人臉識(shí)別方法，其包括步驟：S1：將訓(xùn)練出每個(gè)對樣本類別有區(qū)分性的子詞典串接構(gòu)成結(jié)構(gòu)化的源域詞典；S2：學(xué)習(xí)目標(biāo)域和多個(gè)中間域詞典；S3：對源域及目標(biāo)域的圖像人臉編碼、源域詞典、目標(biāo)域詞典和多個(gè)中間域詞典計(jì)算，得到并分別將源域及目標(biāo)域人臉圖像的源域重構(gòu)圖像、目標(biāo)域重構(gòu)圖像和中間域重構(gòu)圖像串接組成源域人臉圖像的域共享特征和目標(biāo)域人臉圖像的域共享特征；S4：根據(jù)源域人臉圖像的域共享特征，對源域人臉集中的每一類樣本訓(xùn)練一個(gè)支持向量機(jī)模型；將目標(biāo)域人臉圖像的域共享特征輸入所有類別的支持向量機(jī)模型，取得分?jǐn)?shù)最高的支持向量機(jī)模型對應(yīng)的類別定義為目標(biāo)域人臉圖像的類別。
【專利說明】一種基于結(jié)構(gòu)化詞典域轉(zhuǎn)移的交叉視角人臉識(shí)別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于交叉視角人臉識(shí)別【技術(shù)領(lǐng)域】，具體涉及一種基于結(jié)構(gòu)化詞典域轉(zhuǎn)移的 交叉視角人臉識(shí)別方法。

【背景技術(shù)】
[0002] 目前大多數(shù)的自動(dòng)人臉識(shí)別系統(tǒng)在正臉視角下可以達(dá)到較高的識(shí)別性能。但是， 在實(shí)際應(yīng)用場景中獲取的人臉圖片一般處于各種各樣的視角，這種情況會(huì)使得人臉識(shí)別系 統(tǒng)的性能大幅度退化。交叉視角人臉識(shí)別的困難主要在于人臉視角的變化處于3D空間中， 而人臉圖像僅捕獲2D的外觀特征。隨著視角的變化，不同的人臉部件呈現(xiàn)在圖像中。這導(dǎo) 致一個(gè)特殊的現(xiàn)象：不同身份相似視角的人臉圖像比相同身份不同視角的人臉圖像更為相 似。由視角變化導(dǎo)致的差異比身份變化導(dǎo)致的差異更大，使得交叉視角人臉識(shí)別非常困難。
[0003]目前常用的交叉視角人臉識(shí)別方法大致可以分為兩類：一類研究主要致力于對側(cè) 面視角的人臉生成虛擬的正臉圖像，這樣就可以在一個(gè)統(tǒng)一的視角下面進(jìn)行人臉識(shí)別。典 型地，Blanz提出為給定的2D人臉圖像構(gòu)造對應(yīng)的3D形變模型，并在3D形狀紋理空間中 進(jìn)行人臉匹配。但是，這類方法計(jì)算量較大且依賴人工標(biāo)定人臉關(guān)鍵點(diǎn)。Chai提出了局部 線性回歸模型（LLR)直接在2D域中合成虛擬的正面人臉。另外一類方法主要致力于學(xué)習(xí) 針對特定視角的變換，然后用這些變換將樣本投影到一個(gè)公共的子空間中進(jìn)行識(shí)別。Lin提 出了公共區(qū)分性特征提取方法（CDEF)來將不同模態(tài)的樣本投影到一個(gè)公共的特征空間； Sharma和Li引入了偏最小二乘法（PLS)和典型相關(guān)分析（CCA)來最大化投影空間中變化 視角人臉的類內(nèi)相關(guān)性。最近，基于域自適應(yīng)的交叉視角人臉識(shí)別方法被很多學(xué)者提出。其 中主流的思想是學(xué)習(xí)源域到目標(biāo)域之間的一系列的中間域表示，并利用這些中間域構(gòu)造一 條虛擬路徑來建模兩個(gè)域之間統(tǒng)計(jì)上的聯(lián)系。其中，基于子空間的中間域表示為一類常用 的虛擬路徑構(gòu)造方法。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是要解決交叉視角人臉識(shí)別中，相同身份不同視角的人臉圖像分布 差異大的問題，為此，本發(fā)明的目的是提供一種基于結(jié)構(gòu)化詞典域轉(zhuǎn)移的交叉視角人臉識(shí) 別方法。
[0005] 為了實(shí)現(xiàn)所述目的，本發(fā)明基于結(jié)構(gòu)化詞典域轉(zhuǎn)移的交叉視角人臉識(shí)別方法，該 方法包括以下步驟：
[0006] 步驟Sl:根據(jù)源域人臉集的人臉圖像特征，對源域人臉集中的每一類樣本訓(xùn)練 出每個(gè)對樣本類別有區(qū)分性的子詞典；所有類的子詞典串接在一起，構(gòu)成結(jié)構(gòu)化的源域詞 血.
[0007] 步驟S2 :通過遞增地減少源域詞典在目標(biāo)域人臉集上的重構(gòu)誤差，逐漸地將源域 詞典轉(zhuǎn)移到目標(biāo)域，同時(shí)學(xué)習(xí)目標(biāo)域詞典和多個(gè)中間域詞典；
[0008] 步驟S3 :計(jì)算源域人臉集的人臉圖像在源域詞典上的源域圖像人臉編碼，對源域 圖像人臉編碼、源域詞典、目標(biāo)域詞典和多個(gè)中間域詞典分別計(jì)算，得到源域人臉圖像的源 域重構(gòu)圖像、目標(biāo)域重構(gòu)圖像和中間域重構(gòu)圖像；將源域重構(gòu)圖像、目標(biāo)域重構(gòu)圖像和中間 域重構(gòu)圖像串接組成源域人臉圖像的域共享特征；
[0009] 計(jì)算目標(biāo)域人臉集的人臉圖像在目標(biāo)域詞典上的目標(biāo)域圖像人臉編碼，分別對目 標(biāo)域圖像人臉編碼、源域詞典、目標(biāo)域詞典和多個(gè)中間域詞典計(jì)算，得到目標(biāo)域人臉圖像的 源域重構(gòu)圖像、目標(biāo)域重構(gòu)圖像和中間域重構(gòu)圖像，將源域重構(gòu)圖像、目標(biāo)域重構(gòu)圖像和中 間域重構(gòu)圖像串接組成目標(biāo)域人臉圖像的域共享特征；
[0010] 步驟S4 :根據(jù)源域人臉圖像的域共享特征，對源域人臉集中的每一類樣本訓(xùn)練一 個(gè)支持向量機(jī)模型；將目標(biāo)域人臉圖像的域共享特征輸入所有類別的支持向量機(jī)模型，取 得分?jǐn)?shù)最高的支持向量機(jī)模型對應(yīng)的類別定義為目標(biāo)域人臉圖像的類別。
[0011] 本發(fā)明的有益效果：本發(fā)明首先對源域數(shù)據(jù)集區(qū)分性的學(xué)習(xí)結(jié)構(gòu)化的源域詞典， 有效地建模源域數(shù)據(jù)集的特征；根據(jù)域自適應(yīng)的思想學(xué)習(xí)一條基于中間域詞典的虛擬路 徑，基于該路徑的特征表示能有效地減小不同域人臉圖像之間的差異。

【專利附圖】

【附圖說明】
[0012] 圖1是本發(fā)明的基于結(jié)構(gòu)化詞典域轉(zhuǎn)移的交叉視角人臉識(shí)別方法的流程圖。

【具體實(shí)施方式】
[0013] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照 附圖，對本發(fā)明進(jìn)一步詳細(xì)說明。
[0014] 請參照圖1示出本發(fā)明基于結(jié)構(gòu)化詞典域轉(zhuǎn)移的交叉視角人臉識(shí)別方法，具體實(shí) 施例步驟如下：
[0015] 步驟Sl:根據(jù)源域人臉集的人臉圖像特征，對源域人臉集中的每一類樣本訓(xùn)練出 每個(gè)對樣本類別有區(qū)分性的子詞典；所有類的子詞典D1，D2,…，Dc串接在一起，構(gòu)成結(jié)構(gòu) 化的源域詞典；所述訓(xùn)練出源域詞典中每個(gè)對樣本類別有區(qū)分性的子詞典的步驟如下 ：
[0016] 步驟Sll:為了使源域詞典Dtl能有效的構(gòu)建源域人臉集模型，將源域詞典在源域 人臉集上的重構(gòu)誤差進(jìn)行最小化，并構(gòu)建出最小化目標(biāo)函數(shù)如下表示：

【權(quán)利要求】
1. 一種基于結(jié)構(gòu)化詞典域轉(zhuǎn)移的交叉視角人臉識(shí)別方法，特征在于，該方法包括以下 步驟： 步驟Sl:根據(jù)源域人臉集的人臉圖像特征，對源域人臉集中的每一類樣本訓(xùn)練出每個(gè) 對樣本類別有區(qū)分性的子詞典；所有類的子詞典串接在一起，構(gòu)成結(jié)構(gòu)化的源域詞典； 步驟S2 :通過遞增地減少源域詞典在目標(biāo)域人臉集上的重構(gòu)誤差，逐漸地將源域詞典 轉(zhuǎn)移到目標(biāo)域，同時(shí)學(xué)習(xí)目標(biāo)域詞典和多個(gè)中間域詞典； 步驟S3 :計(jì)算源域人臉集的人臉圖像在源域詞典上的源域圖像人臉編碼，對源域圖像 人臉編碼、源域詞典、目標(biāo)域詞典和多個(gè)中間域詞典分別計(jì)算，得到源域人臉圖像的源域重 構(gòu)圖像、目標(biāo)域重構(gòu)圖像和中間域重構(gòu)圖像；將源域重構(gòu)圖像、目標(biāo)域重構(gòu)圖像和中間域重 構(gòu)圖像串接組成源域人臉圖像的域共享特征； 計(jì)算目標(biāo)域人臉集的人臉圖像在目標(biāo)域詞典上的目標(biāo)域圖像人臉編碼，分別對目標(biāo)域 圖像人臉編碼、源域詞典、目標(biāo)域詞典和多個(gè)中間域詞典計(jì)算，得到目標(biāo)域人臉圖像的源域 重構(gòu)圖像、目標(biāo)域重構(gòu)圖像和中間域重構(gòu)圖像，將源域重構(gòu)圖像、目標(biāo)域重構(gòu)圖像和中間域 重構(gòu)圖像串接組成目標(biāo)域人臉圖像的域共享特征； 步驟S4 :根據(jù)源域人臉圖像的域共享特征，對源域人臉集中的每一類樣本訓(xùn)練一個(gè)支 持向量機(jī)模型；將目標(biāo)域人臉圖像的域共享特征輸入所有類別的支持向量機(jī)模型，取得分 數(shù)最高的支持向量機(jī)模型對應(yīng)的類別定義為目標(biāo)域人臉圖像的類別。
2. 根據(jù)權(quán)利要求1所述的交叉視角人臉識(shí)別方法，其特征在于，訓(xùn)練出源域詞典中每 個(gè)對樣本類別有區(qū)分性的子詞典的步驟如下： 步驟Sll:為了使源域詞典能有效的構(gòu)建源域人臉集模型，將源域詞典在源域人臉集 上的重構(gòu)誤差進(jìn)行最小化并構(gòu)建出最小化目標(biāo)函數(shù)： 步驟S12:為了使結(jié)構(gòu)化的源域詞典能夠區(qū)分源域人臉集中的每一類樣本，構(gòu)建源域 詞典中的每個(gè)子詞典與源域人臉集中對應(yīng)的第i類樣本的重構(gòu)能力約束項(xiàng)和區(qū)分性約束 項(xiàng)模型； 步驟S13 :結(jié)合最小化目標(biāo)函數(shù)、重構(gòu)能力約束項(xiàng)和區(qū)分性約束項(xiàng)，構(gòu)建新目標(biāo)函數(shù)； 步驟S14 :通過對源域詞典及其稀疏編碼系數(shù)矩陣迭代更新來求解新目標(biāo)函數(shù)，訓(xùn)練 出源域詞典中每個(gè)子詞典。
3. 根據(jù)權(quán)利要求2所述的交叉視角人臉識(shí)別方法，其特征在于，所述最小化目標(biāo)函數(shù) &表示為：
其中，Es為源域詞典在源域人臉集上的重構(gòu)誤差，Xs為源域人臉集Ys在所有類的子詞 典串接構(gòu)成的結(jié)構(gòu)化的源域詞典D上的稀疏編碼系數(shù)矩陣，s.t表示優(yōu)化條件；X/為稀疏編 碼系數(shù)矩陣Xs的第1列，1為稀疏編碼系數(shù)矩陣Xs的列的序號(hào)；Il.IlC1表示1°范數(shù)為統(tǒng)計(jì) 向量中的非零元素個(gè)數(shù)；Ttl是稀疏編碼的稀疏水平參數(shù)；?= =LDuD2s…SDC] _i為源 域人臉集中樣本類別序號(hào)，c為源域人臉集中樣本類別數(shù)目A為源域詞典中第i類樣本的 子詞典。
4. 根據(jù)權(quán)利要求2所述的交叉視角人臉識(shí)別方法，其特征在于，構(gòu)建所述約束項(xiàng)模型 的步驟包括如下： 步驟S121 :每個(gè)子詞典對源域人臉集中的第i類樣本集}f具有良好的重構(gòu)能力的約束 項(xiàng)表示為：C ，所述良好的重構(gòu)能力是重構(gòu)誤差紀(jì)越小重構(gòu)能力越好； 步驟S122 :第i類樣本的子詞典對源域人臉集中每類樣本集具有良 好的區(qū)分性約柬項(xiàng)Γ(Α)表小為：r(A)=I1m^j丨.，所述良好的區(qū)分_ + 性M約束項(xiàng)f(/)j越小R分性越好·，其1丨為源域人臉集屮第#類樣本^詞典,,為第i類樣本集if對應(yīng)子詞典Di的稀疏編碼系數(shù)矩陣,￡f是重構(gòu)誤差，i為源域 人臉集中樣本類別序號(hào)，C為源域人臉集中樣本類別數(shù)目；為第j類樣本集Ff對應(yīng)子詞 典稀疏編碼系數(shù)矩陣。
5. 根據(jù)權(quán)利要求2所述的交叉視角人臉識(shí)別方法，其特征在于，所述構(gòu)建新的目標(biāo)函 數(shù)J表示為：
其中，Xs為源域人臉集Ys在所有類的子詞典串接構(gòu)成的結(jié)構(gòu)化的源域詞典D上的稀疏 編碼系數(shù)矩陣，Y/為第i類樣本集，Di為源域人臉集中第i類樣本的子詞典，為第i類 樣本集Y/對應(yīng)子詞典Di的稀疏編碼系數(shù)矩陣，r(Di)表示為子詞典Di對源域人臉集中每類 樣本集的區(qū)分性約束項(xiàng)，α為正的懲罰參數(shù)，||,|表示F2范數(shù)；β= [A?,=[AsiΛ_/冬]t i為源域人臉集中樣本類別序號(hào)，C為源域人臉集中樣本類別數(shù)目。
6. 根據(jù)權(quán)利要求2所述的交叉視角人臉識(shí)別方法，其特征在于，求解所述源域詞典及 其稀疏編碼系數(shù)矩陣的步驟包括： 步驟S141 :設(shè)定源域詞典的取值，將新目標(biāo)函數(shù)簡化為標(biāo)準(zhǔn)的稀疏編碼問題；利用追 蹤算法對標(biāo)準(zhǔn)的稀疏編碼進(jìn)行求解，得到最優(yōu)解的稀疏編碼系數(shù)矩陣；所述追蹤算法為匹 配追蹤或正交匹配追蹤算法； 步驟S142 :設(shè)定稀疏編碼系數(shù)矩陣Xs的取值，將第i類樣本的子詞典依據(jù)以下的子問 題依次審新：
通過令新目標(biāo)函數(shù)Jtl對于源域詞典中第i類樣本的子詞典Di的一階導(dǎo)數(shù)為零，得到源 域詞典中第i類樣本的子詞典Di的閉集解；迭代更新源域詞典和稀疏編碼系數(shù)矩陣；當(dāng)?shù)?代次數(shù)達(dá)到預(yù)設(shè)迭代次數(shù)Ttl時(shí)，迭代終止；其中為第i類樣本集Yis對應(yīng)子詞典Di的稀 疏編碼系數(shù)矩陣；r(Di)表示子詞典Di對源域人臉集中每類樣本集的區(qū)分性約束項(xiàng)，a為 正的懲罰參數(shù)。
7. 根據(jù)權(quán)利要求1所述的交叉視角人臉識(shí)別方法，其特征在于，所述學(xué)習(xí)目標(biāo)域詞典 和多個(gè)中間域詞典的具體步驟為： 步驟S21 :依據(jù)稀疏表示的原則，通過最小化第k個(gè)中間域詞典在目標(biāo)域人臉集Yt上的 重構(gòu)誤差來求解第k個(gè)稀疏編碼系數(shù)矩陣Xt(k)，對稀疏編碼系數(shù)矩陣Xt(k)進(jìn)行優(yōu)化的目標(biāo) 函數(shù)表示為： Zfct) = miI11 _DmXt ||2； ￥/；| Λ.;||〇 <T〇. A1 其中，D(k)為給定的第k個(gè)中間域詞典，k為中間域詞典的序號(hào)；Xt為待求解的稀疏編 碼系數(shù)矩陣；s.t表示優(yōu)化條件；1為稀疏編碼系數(shù)矩陣Xt的列的序號(hào)；X丨為稀疏編碼系數(shù) 矩陣Xt的第1列；Il.Il〇表示1°范數(shù)，統(tǒng)計(jì)向量中的非零元素個(gè)數(shù)；Ttl是稀疏編碼的稀疏 水平參數(shù)；以上優(yōu)化目標(biāo)通過追蹤算法求解； 步驟S22 :將稀疏編碼系數(shù)矩陣Xt(k)寫做Xt(k) = {Χ/ω，X2t(k)，. . .，Xet(k)}，其中Xit(k) 為目標(biāo)域人臉集Yt對第i類樣本的子詞典Di(k)的稀疏編碼系數(shù)矩陣，那么重構(gòu)誤差 K二μ;-/嚴(yán)Jr,⑷PT以分解為：
其中，Ei表示去除子詞典Di(k)后，目標(biāo)域人臉集Yt在中間域詞典D(k)上的重構(gòu)誤差；X/(k)為目標(biāo)域人臉集Yt對第j類樣本的子詞典Dj(k)的稀疏編碼系數(shù)矩陣；j關(guān)i;為了最 小化重構(gòu)誤差Et，優(yōu)化子詞典Di(k)使得它能擬合當(dāng)前的殘余重構(gòu)誤差Ei,同時(shí)，為了懲罰相 鄰的中間域詞典間的突變，限制相鄰詞典的增量ADi00 =Di0^-Di00要小，Di(k+1)為子詞典 Di(k)的更新值；最終，優(yōu)化目標(biāo)函數(shù)表示為： 卿 ||Λ; - 廣+ 則/.f·" -/f "i 步驟S23 :假設(shè)ωi為目標(biāo)域人臉集Yt中使用子詞典Di(k)作為重構(gòu)元素的樣本的序號(hào) 索引集埤二⑷:^/^^^/:^"丨淇中以為目標(biāo)域人臉集的樣本總數(shù)^^為目標(biāo) 域人臉集Yt對子詞典Df的稀疏編碼系數(shù)矩陣，1為Xit(k)的列的序號(hào)，設(shè)Ωi為NtXIωi 大小的收縮矩陣，且收縮矩陣Qi中坐標(biāo)為（Coi(I), 1)的元素的值Qi(G)i(I), 1) = 1，收 縮矩陣Ω i中其余值為0 ;定義稀疏編碼系數(shù)矩陣Xit(k)的收縮矩陣為爲(wèi)_ =Ι,?ΜΩ^目標(biāo)域 人臉集Yt的收縮矩陣為$ =F1O,，重構(gòu)誤差Ei的收縮矩陣為g=/(Ω,，則步驟S22中的優(yōu)化 目標(biāo)函數(shù)J1等價(jià)于：
步驟S24:通過對Di (k+1)和尤，迭代更新來求解目標(biāo)函數(shù)J1;給定尤"' 通過令 目標(biāo)函數(shù)^對于參數(shù)Di(k+1)的一階導(dǎo)數(shù)為零來求解Di(k+1);給定Di(k+1)，通過令目標(biāo) 函數(shù)^對于參數(shù)的一階導(dǎo)數(shù)為零求來求解的更新值、迭代更新參數(shù) {尤氣丨⑷廣 1++'-^1%^當(dāng)相鄰詞典的增量AD嚴(yán)小于某一預(yù)設(shè)閾值Tl時(shí)，迭代操作終 止，學(xué)習(xí)得到多個(gè)中間域詞典i/ftf/，迭代更新算法得到的最后一個(gè)詞典定義為目標(biāo)域詞 典Dk ;其中K為學(xué)習(xí)目標(biāo)域詞典和多個(gè)中間域詞典的總數(shù)，K-I為中間域詞典的個(gè)數(shù)，k為 中間域詞典的序號(hào)。
8.根據(jù)權(quán)利要求1所述的交叉視角人臉識(shí)別方法，其特征在于，對源域人臉圖 像、在源域詞典上的稀疏編碼系數(shù)矩陣為Xs、源域詞典Dtl、目標(biāo)域詞典Dk和多個(gè) 中間域詞典{Ο1，=分別進(jìn)行計(jì)算，得到源域人臉圖像的源域重構(gòu)圖像（DtlXs)τ、目 標(biāo)域重構(gòu)圖像（DKxs)τ和中間域重構(gòu)圖像序列{(D(1)xs)τ，...，（D(IH)xs)τ};將源域重 構(gòu)圖像、目標(biāo)域重構(gòu)圖像和中間域重構(gòu)圖像串接組成源域人臉圖像的域共享特征 又=[(/Uvf，...，(，"Ag 上的稀疏編碼系數(shù)矩陣為Xt ;稀疏編碼系數(shù)矩陣Xt與源域詞典Dtl、目標(biāo)域詞典Dk和 多個(gè)中間域詞典分別計(jì)算，得到目標(biāo)域人臉圖像的源域重構(gòu)圖像（DtlXt)'目 標(biāo)域重構(gòu)圖像（DKxt)1和中間域重構(gòu)圖像序列{(D(1)xt)T，. . .，（D(IH)xt)τ};將源域重 構(gòu)圖像、目標(biāo)域重構(gòu)圖像和中間域重構(gòu)圖像串接組成目標(biāo)域人臉圖像的域共享特征 典和多個(gè)中間域詞典的總數(shù)，K-I為中間域詞典的個(gè)數(shù)，k為中間域詞典的序號(hào)。
9. 根據(jù)權(quán)利要求8所述的交叉視角人臉識(shí)別方法，其特征在于，由于域共享特征的維 數(shù)較高，利用主成分分析算法對域共享特征進(jìn)行降維；主成分分析中主成分的維數(shù)通過保 留域共享特征的98%的數(shù)據(jù)能量來確定。
10. 根據(jù)權(quán)利要求1所述的交叉視角人臉識(shí)別方法，其特征在于，獲得目標(biāo)域人臉圖像 的類別的具體步驟如下： 步驟S41 :源域人臉集中人臉圖像的域共享特征表示為Fs =丨JfXl，以源域人臉集中第i類樣本的域共享特征集Y/作為正樣本，以源域人臉集中除第i類樣本以外的所有其他類 別的樣本集Y/(j尹i)作為負(fù)樣本，訓(xùn)練出代表第i類樣本的支持向量機(jī)模型Yi ; 步驟S42 :將目標(biāo)域人臉圖像的域共享特征，輸入源域人臉集的所有類別的支持向量 機(jī)模型Yi中計(jì)算，得到目標(biāo)域人臉圖像與源域人臉集的所有類別的支持向量機(jī)模型的匹 配分?jǐn)?shù)Scorei ;取得分?jǐn)?shù)最高的支持向量機(jī)模型對應(yīng)的子類類別？定義為目標(biāo)域人臉圖像 的類別identity(yD:
其中，Y/表示源域人臉集中第i類樣本的域共享特征集，i為源域人臉集中樣本類別 的序號(hào)，C表示源域人臉集中的樣本類別數(shù)；j為源域人臉集中除第i類以外的其他類別的 序號(hào)；表示所有的模型匹配分?jǐn)?shù)Scorei中的最大值。
【文檔編號(hào)】G06K9/62GK104318214SQ201410583963
【公開日】2015年1月28日 申請日期:2014年10月27日 優(yōu)先權(quán)日:2014年10月27日
【發(fā)明者】陳雪, 王春恒, 肖柏華 申請人:中國科學(xué)院自動(dòng)化研究所