基于量子粒子群的人臉特征融合識(shí)別算法*

湯清華， 熊繼平， 蔡麗桑

(浙江師范大學(xué) 數(shù)理與信息工程學(xué)院,浙江 金華 321004)

?

基于量子粒子群的人臉特征融合識(shí)別算法*

湯清華， 熊繼平， 蔡麗桑

(浙江師范大學(xué) 數(shù)理與信息工程學(xué)院,浙江 金華 321004)

人臉識(shí)別是機(jī)器視覺(jué)、模式識(shí)別等領(lǐng)域的研究熱點(diǎn),具有重大的科學(xué)意義和廣闊的應(yīng)用前景.為了提高人臉識(shí)別率，提出了基于量子粒子群(QPSO)的人臉特征融合識(shí)別算法.首先，采用快速主成分分析、奇異值分解和multi-block局部二進(jìn)制模式3種特征提取方法,分別提取人臉主成分特征、奇異值特征和LBP直方圖統(tǒng)計(jì)特征；其次，利用QPSO對(duì)提取的特征進(jìn)行加權(quán)處理；最后，采用支持向量機(jī)(SVM)對(duì)人臉進(jìn)行識(shí)別.在Feret和AR人臉數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果表明提出的方法具有較高的識(shí)別率和魯棒性.

快速主成分分析；奇異值分解；multi-block局部二進(jìn)制模式；量子粒子群；人臉識(shí)別

0 引 言

人臉識(shí)別是模式識(shí)別研究的一個(gè)熱點(diǎn),它在身份鑒別、移動(dòng)客服端服務(wù)、認(rèn)知應(yīng)用心理學(xué)及監(jiān)控系統(tǒng)等方面有著廣泛的應(yīng)用[1-3].但是，現(xiàn)實(shí)中攝像頭抓拍的人臉圖像經(jīng)常受到光照、姿勢(shì)、表情、遮擋等因素的影響，因而設(shè)計(jì)一個(gè)魯棒性強(qiáng)、準(zhǔn)確度高的人臉識(shí)別算法依然是一個(gè)挑戰(zhàn)性難題.人臉識(shí)別的成敗主要由人臉特征的提取方法和分類(lèi)算法決定.目前,常用的人臉特征提取方法有：主成分分析(PCA)[4]、Gabor小波分析[4]、奇異值分解[5]、傅里葉變換[6]、獨(dú)立主元分析(ICA)[6-7]和線性判別分析(LDA)[7]等.常用的人臉識(shí)別分類(lèi)器有：深度學(xué)習(xí)、支持向量機(jī)(SVM)、AdaBoost、貝葉斯分類(lèi)器、最近鄰分類(lèi)器、神經(jīng)網(wǎng)絡(luò)及它們集成的分類(lèi)器.

現(xiàn)有的人臉識(shí)別方法大多采用一種特征或者多種特征簡(jiǎn)單地融合[8-9]，并沒(méi)有考慮各種特征的重要程度.研究表明，對(duì)所提取的特征賦予適當(dāng)?shù)臋?quán)值會(huì)進(jìn)一步提高識(shí)別率.文獻(xiàn)[10]使用粒子群算法(PSO)確定PCA和小波提取的人臉特征的權(quán)值；文獻(xiàn)[11]利用加權(quán)求和法對(duì)提取的全局特征和局部特征進(jìn)行融合，這些融合方法提高了人臉識(shí)別率，同時(shí)具有更好的魯棒性.本文提出了一種新穎的基于多特征加權(quán)融合的人臉識(shí)別方法:首先，提取人臉的主成分特征、奇異值特征、LBP直方圖統(tǒng)計(jì)特征；其次，采用量子粒子群算法(QPSO)優(yōu)化確定各特征的權(quán)值；最后，利用支持向量機(jī)(SVM)分類(lèi)算法識(shí)別人臉.QPSO[12]是一種最新智能優(yōu)化算法.粒子具有量子行為，可以在整個(gè)可行解空間中進(jìn)行搜索，從而尋求全局最優(yōu)解，因此，QPSO比PSO算法具有更好的全局收斂性和搜索能力.QPSO在圖像分割[13]、路徑規(guī)劃[14]、參數(shù)優(yōu)化[15]中得到了廣泛的應(yīng)用,但是在人臉識(shí)別中的應(yīng)用卻很少.經(jīng)過(guò)查找大量的文獻(xiàn)，本文首次在人臉識(shí)別中利用QPSO確定特征融合時(shí)各特征的權(quán)值.圖1給出了人臉識(shí)別的總體流程，圖中w1,w2,w3分別表示主成分特征、奇異值特征和LBP直方圖統(tǒng)計(jì)特征的權(quán)重.

圖1 人臉識(shí)別總體流程圖

本文采用快速主成分分析(Fast PCA)、奇異值分解(SVD)和multi-block局部二進(jìn)制模式(MB-LBP)3種特征提取方法分別提取人臉主成分特征、奇異值特征、LBP直方圖統(tǒng)計(jì)特征.選取這3種特征提取方法主要基于以下考慮：

1)Fast PCA提取的主成分特征對(duì)圖像的全局具有較好的描繪能力,與PCA相比，F(xiàn)ast PCA大大減少了計(jì)算復(fù)雜度,加快了主成分提取速度.

2)SVD提取的奇異值特征對(duì)噪音、光照引起的灰度變化具有良好的魯棒性，本文采用整體與局部奇異值分解相結(jié)合的方法進(jìn)行特征提取.

3)MB-LBP提取的LBP直方圖統(tǒng)計(jì)特征對(duì)人臉的局部紋理具有卓越的描繪能力.傳統(tǒng)的LBP易受噪聲的影響而不夠健壯，缺乏對(duì)圖像整體信息的粗粒度把握，而MB-LBP 彌補(bǔ)了這一不足.

1 主成分特征

主成分分析是統(tǒng)計(jì)學(xué)中分析多個(gè)相關(guān)變量的一種有效方法,它是一種用較小數(shù)量且互不相干的主成分對(duì)原有變量絕大部分信息進(jìn)行描述以達(dá)到有效降低變量維數(shù)的方法，基于K-L分解.主成分分析法相比傳統(tǒng)的特征提取方法(如基于圖像亮度或者顏色信息、奇異值分解(Single Value Decomposition)及梯度提取等方法)來(lái)說(shuō)具有大幅降低特征維數(shù)的優(yōu)勢(shì)，在人臉識(shí)別中有著廣泛的應(yīng)用.它的基本原理是利用一個(gè)特殊的矩陣將高維空間的數(shù)據(jù)投影到低維的向量空間中，使得低維向量各成分互不相干而且方差最大.

本文采用快速主成分分析(Fast PCA)[16]方法提取主成分特征，過(guò)程如下：

(1)

(2)

式(1)中：n為人臉樣本數(shù)目；xi=(xi1,xi2,…,xid)T為第i幅人臉樣本的灰度圖像的向量表示形式;d為人臉圖像的像素?cái)?shù)目.式(2)中：e1,e2，…，ek分別為散布矩陣Q的前k個(gè)(從大到小)本征值所對(duì)應(yīng)的本征向量，散布矩陣Q的計(jì)算公式為

圖2 20個(gè)主成分臉

(3)

(a)和(f)實(shí)際上是同一向量在不同基下的2種不同的表示.(a)原始樣本x的圖像；(b)使用20個(gè)主成分的重建效果；(c)使用50個(gè)主成分的重建效果；(d)使用100個(gè)主成分的重建效果；(e)使用150個(gè)主成分的重建效果；(f)使用200個(gè)主成分的重建效果；

2 奇異值特征

奇異值向量是圖像一種有效的代數(shù)特征，具有轉(zhuǎn)置不變性、旋轉(zhuǎn)不變性、位移不變性、鏡像不變性等性質(zhì)，而且對(duì)噪聲和光照強(qiáng)度變化具有較好的魯棒性，在信號(hào)處理、模式識(shí)別、圖像壓縮等領(lǐng)域獲得了廣泛的應(yīng)用.近年來(lái),研究者[17-20]也把奇異值分解應(yīng)用到人臉識(shí)別中，并且取得了較高的識(shí)別率和良好的穩(wěn)定性.

本文利用局部與整體奇異值分解相結(jié)合的方法提取人臉奇異值向量特征，過(guò)程如下：對(duì)整體的人臉圖像進(jìn)行奇異值分解，把奇異值由大到小排列，取前10個(gè)奇異值作為該人臉圖像的整體特征向量，記為h∈R1×10；把人臉圖像分為a×b個(gè)無(wú)重疊的子塊，對(duì)每一個(gè)子塊進(jìn)行奇異值分解，取每一個(gè)子塊的最大奇異值作為圖像的局部特征向量，記為g∈R1×ab；將人臉圖像的局部與整體的奇異值特征向量組合為一個(gè)總體的奇異值特征向量[h,g]∈R1×(10+ab)，這個(gè)特征向量作為待融合的特征之一.

3 LBP直方圖統(tǒng)計(jì)特征

局部二進(jìn)制模式(LBP)對(duì)圖像的局部紋理特征具有較好的描述能力，具有低復(fù)雜度、高區(qū)分度及對(duì)單調(diào)的灰度變化具有不變性等特征，因此，在人臉識(shí)別中得到廣泛的應(yīng)用[21].圖4(a)給出了一個(gè)簡(jiǎn)單的LBP操作，逐點(diǎn)掃描整幅圖像，對(duì)圖像中的每個(gè)像素點(diǎn)，以該點(diǎn)的灰度作為閾值，對(duì)與其相連的8鄰域進(jìn)行二值化，大于該閾值的像素點(diǎn)設(shè)為1，否則為0，按照統(tǒng)一的順序?qū)⒍祷慕Y(jié)果組成一個(gè)8位的二進(jìn)制，以此二進(jìn)制數(shù)對(duì)應(yīng)的十進(jìn)制值(0～255)作為該點(diǎn)值.當(dāng)然，基本的LBP算子能被推廣到不同大小和形狀的鄰域，對(duì)于圓形的LBP 算子記作LBPP,R，其中下標(biāo)P為P鄰域，R為圓形鄰域的半徑.圖4(b)給出了一個(gè)圓形(8,2)鄰域的LBP8,2算子，圖中每個(gè)方格表示一個(gè)像素，對(duì)于正好位于方格中心的鄰域點(diǎn)(左、上、右、下4個(gè)黑點(diǎn))，該點(diǎn)的像素值q直接為該點(diǎn)所在方格的像素值，對(duì)于不在像素中心位置的鄰域點(diǎn)(斜45°方向的4個(gè)黑點(diǎn))，該點(diǎn)的像素值q利用雙線性插值確定，例如，圖4(b)中的q值通過(guò)下式確定：

(4)

式(4)中,I(i,j)表示圖像中第i行第j列的像素.

(a) (b)圖4 基本的LBP算子和圓形(8,2)鄰域

圖5 算子和不同S下的LBP直方圖

4 多特征加權(quán)融合算法

上面已經(jīng)介紹了提取主成分特征、奇異值特征、LBP直方圖統(tǒng)計(jì)特征的方法，并對(duì)3種特征分別進(jìn)行歸一化處理.由于各個(gè)特征對(duì)識(shí)別的貢獻(xiàn)率不相同，因此本文在將主成分、奇異值、LBP直方圖統(tǒng)計(jì)特征融合時(shí)，分別給3種特征分配權(quán)值w1,w2,w3,假設(shè)測(cè)試樣本的錯(cuò)誤率Δ(w1,w2,w3)是關(guān)于權(quán)值w1,w2,w3的函數(shù)，則可以通過(guò)下式的優(yōu)化問(wèn)題求得：

(5)

式(5)是一個(gè)有約束條件的優(yōu)化問(wèn)題，可以把它轉(zhuǎn)化為無(wú)條件的罰函數(shù)：

(6)

對(duì)于式(6)無(wú)約束的最小值問(wèn)題采用量子粒子群(QPSO)尋優(yōu)[12]，該算法簡(jiǎn)單有效，收斂速度快，全局搜索性能力優(yōu)于其他算法，不易陷入局部最優(yōu)解.QPSO的進(jìn)化方程可描述為：

(7)

(8)

(9)

5 實(shí)驗(yàn)結(jié)果及分析

在MATLAB7.8.0環(huán)境進(jìn)行仿真實(shí)驗(yàn)，分類(lèi)器采用臺(tái)灣大學(xué)林智仁教授開(kāi)發(fā)的LIBSVM工具箱(http：//www.csie.ntu.edu.tw/～cjlin/libsvm)，選擇徑向基作為核函數(shù)，代價(jià)系數(shù)c=2 000,λ=0.001.融合后的特征向量l∈Rk+10+a×b+59包括k個(gè)主成分元素、10個(gè)全局奇異值、a×b個(gè)局部奇異值、59個(gè)LBP特征，特征向量l作為SVM分類(lèi)器的輸入.本實(shí)驗(yàn)中設(shè)定a=b=S=4，為了更好、更充分地表示人臉同時(shí)又不至于特征向量維數(shù)過(guò)高，在不同訓(xùn)練樣本下k需要做相應(yīng)的調(diào)整.下面在Feret與AR人臉庫(kù)上對(duì)本文算法進(jìn)行識(shí)別率測(cè)試.

Feret人臉庫(kù)由FERET項(xiàng)目創(chuàng)建，共有1 400幅人臉圖像(200人，每人7幅，大小為80像素*80像素),包括不同性別、不同膚色的人，單類(lèi)的所有人臉圖像具有表情、姿勢(shì)、光照強(qiáng)度變化.圖6為Feret人臉庫(kù)兩類(lèi)樣本圖.

圖6 Feret人臉庫(kù)兩類(lèi)樣本圖

在實(shí)驗(yàn)中,取每個(gè)人的前M幅人臉圖像作為訓(xùn)練樣本，余下的圖像用來(lái)測(cè)試，這樣訓(xùn)練樣本數(shù)是200*M，測(cè)試樣本數(shù)是200*(7-M).表1是Feret人臉庫(kù)在不同訓(xùn)練樣本數(shù)M下的識(shí)別率.表1中對(duì)QPSO、PSO、普通融合(每種特征的權(quán)值相同，全為1)3種特征融合方法在3種特征上的融合效果進(jìn)行了比較，可以看出：基于QPSO的特征融合和基于PSO的特征融合的識(shí)別率都比普通特征融合的識(shí)別率高.在M=3，5時(shí)，基于QPSO的特征融合比基于PSO的特征融合的識(shí)別率高；在M=2，4時(shí)，兩者識(shí)別率相同，這表明PSO易陷入局部最優(yōu)點(diǎn)，QPSO比PSO有更好的全局尋優(yōu)能力；在M=5時(shí)，本文方法的人臉識(shí)別率達(dá)到了99.25%.圖7是本文提出的QPSO特征融合方法在對(duì)應(yīng)訓(xùn)練樣本數(shù)目下各特征的權(quán)重，權(quán)值越大，對(duì)識(shí)別的貢獻(xiàn)也越大.從圖7可以看出：不同訓(xùn)練樣本數(shù)目M下本文算法的PCA權(quán)值都是最大，實(shí)際上也驗(yàn)證了圖8中單一特征的人臉識(shí)別方法中PCA的識(shí)別率比SVD、MB-LBP高.圖8是本文算法的識(shí)別率跟單一特征的PCA、SVD、MB-LBP人臉識(shí)別算法最大識(shí)別率的比較.與單一特征的人臉識(shí)別方法相比，本文提出的基于量子粒子群的人臉特征融合識(shí)別算法的識(shí)別率有了很大提高，對(duì)光照強(qiáng)度、表情、姿勢(shì)變化具有更好的魯棒性，特別是在訓(xùn)練樣本不足的情況下具有明顯的優(yōu)勢(shì).

表1 在Feret人臉庫(kù)上不同M條件下的識(shí)別率 %

圖7 不同訓(xùn)練樣本數(shù)目下各特征權(quán)重 圖8 不同算法在Feret人臉庫(kù)上的識(shí)別率比較

AR人臉庫(kù)由西班牙巴塞羅那計(jì)算機(jī)視覺(jué)中心創(chuàng)建,包含120位志愿者的1 680張圖片,每人14張，分別對(duì)應(yīng)于不同表情和光照條件下的人臉圖像，是公認(rèn)度比較高的一個(gè)數(shù)據(jù)庫(kù).圖9所示為AR人臉庫(kù)兩類(lèi)樣本圖.

圖9 AR人臉庫(kù)兩類(lèi)樣本圖

相比Feret人臉庫(kù)，AR人臉庫(kù)具有更大的識(shí)別難度.在實(shí)驗(yàn)時(shí)，取每個(gè)人的前M/2和后M/2幅人臉圖像作為訓(xùn)練樣本，余下的圖像用來(lái)測(cè)試.表2是AR人臉庫(kù)在不同M條件下的識(shí)別率.表2中對(duì)QPSO、PSO、普通融合(每種特征的權(quán)值相同，全為1)3種特征融合方法在3種特征上的融合效果進(jìn)行了比較.從表2可以看出：基于QPSO的特征融合和基于PSO的特征融合的識(shí)別率都比普通特征融合的識(shí)別率高.在M=2，6，8時(shí)，基于QPSO的特征融合比基于PSO的特征融合的識(shí)別率高；在M=4時(shí)，兩者識(shí)別率相同，這同樣表明了QPSO的全局尋優(yōu)能力比PSO好.圖10是對(duì)應(yīng)訓(xùn)練樣本數(shù)目下各特征的權(quán)重，反映了各特征在識(shí)別中的重要性.在M=6，8時(shí)，PCA的權(quán)值明顯大于SVD、MB-LBP的權(quán)值，因此對(duì)人臉識(shí)別的貢獻(xiàn)最大.圖11是本文算法的識(shí)別率跟單一特征的PCA、SVD、MB-LBP人臉識(shí)別算法最大識(shí)別率的比較.從圖11可以看出：在AR人臉庫(kù)上,本文算法比單一特征的人臉識(shí)別算法有明顯的優(yōu)勢(shì)，而且隨著訓(xùn)練樣本數(shù)目M的增加，識(shí)別率呈現(xiàn)穩(wěn)步增加的趨勢(shì).同時(shí)，單一特征的識(shí)別算法在訓(xùn)練樣本不足的情況下，識(shí)別效果不理想，魯棒性較差.

表2 在AR人臉庫(kù)上不同M條件下的識(shí)別率 %

圖10 不同訓(xùn)練樣本數(shù)目下各特征權(quán)重 圖11 不同算法在AR人臉庫(kù)上的識(shí)別率比較

6 結(jié) 語(yǔ)

本文針對(duì)人臉單特征魯棒性和識(shí)別率不高及不同特征對(duì)識(shí)別結(jié)果貢獻(xiàn)不同等問(wèn)題，提出了一種基于量子粒子群的人臉特征融合識(shí)別算法.該方法采用快速主成分分析(Fast PCA)、奇異值分解(SVD)、Multi-block局部二進(jìn)制模式(MB-LBP)3種特征提取方法分別提取人臉主成分特征、奇異值特征和LBP直方圖統(tǒng)計(jì)特征，這3種特征中人臉主成分特征對(duì)圖像有較好的全局描繪能力，奇異值特征對(duì)圖像噪音、圖像光照條件引起的灰度變化有良好的穩(wěn)定性，LBP直方圖統(tǒng)計(jì)特征對(duì)圖像局部紋理特征有卓越的描繪能力,特征加權(quán)融合的權(quán)重值采用量子粒子群尋優(yōu)確定.在Feret和AR人臉庫(kù)上實(shí)驗(yàn)顯示，本文算法不僅人臉識(shí)別率大大提高了，而且對(duì)光照、噪聲、姿勢(shì)等變化具有更強(qiáng)的魯棒性，泛化能力也更強(qiáng).

[1]Radtke P V W,Granger E,Sabourin R,et al.Skew-sensitive boolean combination for adaptive ensembles:An application to face recognition in video surveillance[J].Information Fusion,2014,20(1):31-48.

[2]Kremic E,Subasi A,Hajdarevic K.Face recognition implementation for client server mobile application using PCA[C]//Proceedings of the ITI 2012 34th International Conference on Information Technology Interfaces.Cavtat:IEEE,2012:435-440.

[3]Baddeley A.Applied cognitive and cognitive applied psychology:The case of face recognition[J].Perspectives on Learning and Memory,2014,19(5):367-388.

[4]Cho H,Roberts R,Jung B,et al.An efficient hybrid face recognition algorithm using pca and gabor wavelets[J].International Journal of Advanced Robotic Systems,2014,11(1):557-572.

[5]Mittal R K,Garg A.Face recognition through combined SVD and LBP features[J].International Journal of Computer Applications,2014,88(9):23-27.

[6]Jha A K,Gupta R,Saini D.Face recognition:A Fourier transform and SVD based approach[C]//Proceedings of the 2013 5th International Conference on Computational Intelligence and Communication Networks.Mathura:IEEE Computer Society,2013:205-209.

[7]Toygar O,Acan A.Face recognition using PCA,LDA and ICA approaches on colored images[J].Journal of Electrical & Electronics Engineering,2003,3(1):735-743.

[8]郭金鑫,陳瑋.基于HOG多特征融合與隨機(jī)森林的人臉識(shí)別[J].計(jì)算機(jī)科學(xué),2013,40(10):279-282.

[9]蘭佩,方超.基于全局與局部特征融合的人臉識(shí)別方法[J].計(jì)算機(jī)與現(xiàn)代化,2014(3):109-113.

[10]溫浩,郭崇慧.利用粒子群優(yōu)化的人臉特征提取識(shí)別算法[J].西安交通大學(xué)學(xué)報(bào),2010,44(4):48-51.

[11]常俊彥,達(dá)飛鵬,蔡亮.基于特征融合的三維人臉識(shí)別[J].東南大學(xué)學(xué)報(bào):自然科學(xué)版,2011,41(1):47-51.

[12]Sun J,Feng B,Xu W.Particle swarm optimization with particles having quantum behavior[C]//Congress on Evolutionary Computation.Portland:IEEE,2004:325-331.

[13]劉篤晉.基于粒子群算法的圖像分割方法研究[J].現(xiàn)代計(jì)算機(jī):中旬刊,2013,23(8):12-15.

[14]王世亮.基于改進(jìn)量子粒子群算法的智能電網(wǎng)多目標(biāo)優(yōu)化規(guī)劃研究[D].蘭州:蘭州理工大學(xué),2014.

[15]李繼松.自適應(yīng)參數(shù)調(diào)整量子粒子群算法研究及應(yīng)用[D].長(zhǎng)沙:中南大學(xué),2014.

[16]Mittal N,Walia E.Face recognition using improved fast PCA algorithm[C]//Proceedings of the 2008 Congress on Image and Signal Processing.Sanya:IEEE Computer Society,2008:554-558.

[17]計(jì)雨含,王曉東,姚宇.基于張量奇異值分解的人臉識(shí)別方法[J].計(jì)算機(jī)應(yīng)用,2015,35(S1):117-121.

[18]王虹,朱雙燕.基于整體與局部奇異值分解的人臉識(shí)別方法[J].計(jì)算機(jī)工程與應(yīng)用,2007,43(22):235-237.

[19]孫靜靜,張宏飛,孫昌.一種基于奇異值分解的人臉識(shí)別新方法[J].科學(xué)技術(shù)與工程,2010,10(25):6204-6208.

[20]梁毅雄,龔衛(wèi)國(guó),潘英俊,等.基于奇異值分解的人臉識(shí)別方法[J].光學(xué)精密工程,2004,12(5):543-549.

[21]王紅,武繼剛,張錚.基于二維MB-LBP特征的人臉識(shí)別[J].計(jì)算機(jī)工程與應(yīng)用,2015,51(10):191-194.

(責(zé)任編輯 陶立方)

Face recognition with multi-feature fusion based on quantum particle swarm optimization

TANG Qinghua, XIONG Jiping, CAI Lisang

(CollegeofMathematics,PhysicsandInformationEngineering,ZhejiangNormalUniversity,Jinhua321004,China)

Face recognition was a research focus in the fields of machine vision and pattern recognition, and it had broad application prospects. In order to improve the face recognition rate, it was proposed a face recognition algorithm with multi-feature fusion based on quantum particle swarm optimization. Firstly, the method used the fast principal component analysis (Fast PCA), singular value decomposition (SVD), multi-block local binary pattern (MB-LBP) of three kinds of feature extraction methods to extract face principal component features, singular value feature, LBP histogram feature respectively; Then, weights of the features were determined using QPSO. Finally, the support vector machine (SVM) was employed to face recognition. The experiments on Feret and AR face data set indicated that the method had better recognition rate and robustness.

fast principal component analysis (Fast PCA); singular value decomposition (SVD); multi-block local binary pattern (MB-LBP); quantum-behaved particle swarm optimization (QPSO); face recognition

10.16218/j.issn.1001-5051.2017.01.007

2015-10-20；

2016-06-03

浙江省重中之重學(xué)科“計(jì)算機(jī)軟件與理論”開(kāi)放基金資助項(xiàng)目(ZSDZZZZXK28)

湯清華(1989-)，男，湖南衡陽(yáng)人，碩士研究生.研究方向：計(jì)算機(jī)視覺(jué)；機(jī)器學(xué)習(xí)；數(shù)據(jù)挖掘；圖像處理.

熊繼平.E-mail： xjping@zjnu.cn

TP391.41

A

1001-5051(2017)01-0043-08