專利名稱：一種基于幾何匹配和分合算法的人臉識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及人臉識(shí)別的領(lǐng)域，尤其是一種基于幾何匹配和分合算法的人臉識(shí)別方法。
背景技術(shù)：
所謂人臉的定位，就是在照片(靜態(tài)圖像)或視頻(動(dòng)態(tài)圖像)中標(biāo)出人臉?biāo)诘奈恢茫讶四樳x取出來(lái)。而人臉的識(shí)別就是把選取出來(lái)的人臉與數(shù)據(jù)庫(kù)中已有的人臉進(jìn)行比較，找出匹配的檔案來(lái)。有的文獻(xiàn)把人臉的定位和識(shí)別統(tǒng)稱為人臉識(shí)別，定位和識(shí)別則是兩個(gè)主要的步驟。完整的人臉識(shí)別系統(tǒng)涉及到?jīng)Q定照片或視頻中有無(wú)人臉，并計(jì)數(shù)，定位，定出大小，然后根據(jù)數(shù)據(jù)庫(kù)識(shí)別出個(gè)人，可能的話還要識(shí)別表情，以及根據(jù)臉的圖像做出描述(瓜子臉，丹鳳眼等等就是日常生活中“描述”的例子)，或者反過(guò)來(lái)根據(jù)描述挑選匹配的人臉圖像。 在日常生活中，我們主要根據(jù)臉來(lái)識(shí)別一個(gè)人。交談中，我們往往看著對(duì)方的臉，尤其是眼睛。臉上的表情也是進(jìn)行交談的一個(gè)重要部分。所以，人臉在人與人的交流過(guò)程中起著極其重要的作用。這就決定了在現(xiàn)代社會(huì)中，使用計(jì)算機(jī)自動(dòng)進(jìn)行人臉的定位和識(shí)別工作有著重要的意義。其應(yīng)用領(lǐng)域包括很多方面，比如身份鑒別，保安系統(tǒng)，人機(jī)交互界面等等。人臉識(shí)別系統(tǒng)雖然有誘人的應(yīng)用前景，但是在現(xiàn)實(shí)中卻還沒(méi)有開(kāi)始大規(guī)模的使用。其主要原因之一就是用計(jì)算機(jī)自動(dòng)進(jìn)行人臉的定位和識(shí)別十分困難，目前的識(shí)別效果(正確率，速度)不如其他的生物識(shí)別技術(shù)，如指紋識(shí)別，視網(wǎng)膜識(shí)別等等。人們?cè)谌粘Ｉ钪芯瓦M(jìn)行了大量的人臉定位和識(shí)別工作，當(dāng)然全部是由人的視覺(jué)系統(tǒng)和大腦“自動(dòng)”進(jìn)行的。目前還不清楚人的視覺(jué)系統(tǒng)和大腦的工作原理，因此這項(xiàng)人可以輕而易舉完成的任務(wù)，對(duì)于目前還只會(huì)死板地執(zhí)行程序指令的計(jì)算機(jī)來(lái)說(shuō)卻是極端困難。困難主要存在于兩個(gè)方面人臉的圖像數(shù)據(jù)具有高度的隨機(jī)性。光照條件，臉的偏向，表情，發(fā)型，胡子，化妝，衣飾(眼鏡，帽子)等等略有變化，就可以給識(shí)別系統(tǒng)帶來(lái)巨大的困難。人臉的圖像數(shù)據(jù)量巨大。目前出于計(jì)算量的考慮，人臉定位和識(shí)別算法研究大多使用尺寸很小的灰度圖像。一張64X64像素的256級(jí)灰度圖像就有4096個(gè)數(shù)據(jù)，每個(gè)數(shù)據(jù)有256種可能的取值。定位和識(shí)別算法一般都很復(fù)雜，在人臉庫(kù)較大的情況下，計(jì)算量十分大，很多情況下速度令人難以忍受。而灰度數(shù)據(jù)事實(shí)上是喪失了象色彩，運(yùn)動(dòng)等等的有用信息的。如果要使用全部的有用信息，計(jì)算量就更大了。因此，研究人臉的定位和識(shí)別不僅僅有實(shí)用上的考慮，而且對(duì)人們理解人腦的工作方式、研究人工智能和數(shù)字圖像處理有重要的意義。從模型匹配的方法來(lái)看，目前的人臉定位算法可以粗略地分為兩大類第一類是利用人臉各器官之間的幾何關(guān)系的方法；第二類是利用標(biāo)準(zhǔn)人臉圖像或者其變換結(jié)果直接或者經(jīng)特征提取后進(jìn)行匹配的方法。第一類方法利用了明顯的先驗(yàn)知識(shí)，因而方法簡(jiǎn)單明了，執(zhí)行速度較快，對(duì)人臉的方向和表情有一定的適應(yīng)性(在一定的變化范圍內(nèi)面部特征的相對(duì)幾何關(guān)系變化很小)，但是準(zhǔn)確率往往不高(漏判和誤判)，而且對(duì)預(yù)處理要求高，依賴于所有面部特征都完整地被提取，所以對(duì)轉(zhuǎn)角較大的側(cè)臉，光照極度不均勻，部分臉被遮蔽(眼鏡，圍巾等)適應(yīng)性不好。第二類方法利用了更多的圖像信息，準(zhǔn)確率高，不易受欺騙；缺點(diǎn)是計(jì)算量大，而且使用的人臉模板受人臉庫(kù)中已有資料的影響，可能會(huì)有通用性不好的問(wèn)題(比如不同人種的人臉模板不能通用)。

發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問(wèn)題是為了克服上述中存在的問(wèn)題，提供一種基于幾何匹配和分合算法的人臉識(shí)別方法。本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是一種基于幾何匹配和分合算法的人臉識(shí)別方法，具體方法如下a.人臉定位中的圖像分割把人臉的器官與臉的其他部分分離開(kāi)來(lái)，并保存每個(gè) 器官的完整性；b.對(duì)圖像分割后進(jìn)行分合算法具有某種共同特征并且相互連通的像素分在同一區(qū)域，而特征不同或者不相互連通的像素分在不同的區(qū)域；c.成組算法用來(lái)把挨得足夠近的可能本屬于同一器官的特征合并起來(lái)；d.形狀屬性的計(jì)算(1)特征塊的位置；(2)特征塊的取向；(3)特征塊的外接矩形；e.圖像的預(yù)處理(1)圖像對(duì)比度的增強(qiáng)；(2) 二值化；f.幾何匹配算法。b中分合算法包括分割算法、合并算法和相鄰歸并算法，所述的分割算法的具體步驟如下(1)把金字塔數(shù)據(jù)結(jié)構(gòu)中起始某個(gè)中間層的數(shù)據(jù)塊編碼全部壓入工作堆棧RgStack ; (2)從RgStack彈出一個(gè)數(shù)據(jù)塊編碼Code ; (3)反復(fù)執(zhí)行2,直至堆棧RgStack空；所述的合并算法的具體步驟如下(I)把中間層里所有均勻的數(shù)據(jù)塊的編碼存入工作隊(duì)列RgA ; (2)從RgA出隊(duì)一個(gè)編碼Code ；(3)反復(fù)執(zhí)行2，直至隊(duì)RgA空；所述的相鄰歸并算法的具體步驟如下(I)從RgCode中彈出一個(gè)編碼，壓入工作堆棧RgStack ; (2)從RgStack中彈出一個(gè)編碼Code，將它入隊(duì)到RgA ; (3)反復(fù)執(zhí)行2，直至棧RgStack空；(4)反復(fù)執(zhí)行1-2-3,直至棧RgCode空。e中圖像對(duì)比度的增強(qiáng)的方法包括S形變換方法、直方圖均衡化方法和灰度分布標(biāo)準(zhǔn)化方法。e中二值化分為全局閾值的二值化和取局部閾值的二值化本發(fā)明的有益效果是，本發(fā)明的一種基于幾何匹配和分合算法的人臉識(shí)別方法，采用分合的分割算法和幾何匹配的算法，實(shí)現(xiàn)了人臉的定位和算法清晰簡(jiǎn)單，具有一定的抗噪聲能力，符合人眼視覺(jué)多尺度的特征。


下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)一步說(shuō)明。圖I是本發(fā)明的金字塔數(shù)據(jù)結(jié)構(gòu)示意圖2是本發(fā)明的數(shù)據(jù)塊編碼規(guī)則的示意圖；圖3是本發(fā)明的2:2對(duì)角和2:2同側(cè)分布的示意圖；圖4是本發(fā)明的外接矩形的計(jì)算的示意圖；圖5是本發(fā)明的“物體”合并后外接矩形的近似計(jì)算的示意圖；圖6是本發(fā)明的分合算法結(jié)果顯示的示意圖；圖7是本發(fā)明的增強(qiáng)對(duì)比度方法的比較的示意圖；圖8是本發(fā)明的二值化方法比較的示意圖；
圖9是本發(fā)明的人臉幾何模型的示意圖；圖10是本發(fā)明的嘴的拼合效果的示意圖；圖11是本發(fā)明的人臉定位結(jié)果示例的示意圖。
具體實(shí)施例方式現(xiàn)在結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說(shuō)明。這些附圖均為簡(jiǎn)化的示意圖，僅以示意方式說(shuō)明本發(fā)明的基本結(jié)構(gòu)，因此其僅顯示與本發(fā)明有關(guān)的構(gòu)成。一種基于幾何匹配和分合算法的人臉識(shí)別方法，具體方法如下a.人臉定位中的圖像分割把人臉的器官與臉的其他部分分離開(kāi)來(lái)，并保存每個(gè)器官的完整性，在照片中，人臉比較明顯而易辨別的特征主要是面部器官眼睛，嘴巴，鼻子和眉毛。鼻子往往與臉的反差不大，因此通常用鼻孔代替。這幾個(gè)面部特征在灰度圖像中一般比周圍區(qū)域暗。尤其是眼睛和嘴巴在絕大部分情況下都清晰可見(jiàn)。因此圖像分割可以利用的特征就是灰度比周圍區(qū)域暗的區(qū)域。在我的畢業(yè)設(shè)計(jì)中，為了減少圖像分割這一步的運(yùn)算量，預(yù)處理的時(shí)候就對(duì)圖像做了二值化。因此事實(shí)上分割的對(duì)象已經(jīng)是黑白圖像，分割簡(jiǎn)化為找出所有黑色的連通區(qū)域，它們都成為人臉器官的候選者；對(duì)分割算法有兩個(gè)要求1. 一定的抗噪聲能力。經(jīng)過(guò)二值化的黑白圖像中，難免會(huì)有很多與主旨無(wú)關(guān)的細(xì)碎黑色像素連接了本應(yīng)分開(kāi)的特征，而某些單一的特征也可能會(huì)破碎成幾塊。要求分割算法具有一定的能力抵抗這些噪聲，將應(yīng)該分開(kāi)的特征分開(kāi)，應(yīng)該成為整體的部分連起來(lái)；2.運(yùn)行速度要快。人臉定位和識(shí)別系統(tǒng)常常作為實(shí)時(shí)應(yīng)用，在這些場(chǎng)合要求系統(tǒng)的運(yùn)行不能耗時(shí)過(guò)長(zhǎng)，否則就失去意義了。從幾何匹配方法來(lái)看，最耗時(shí)的步驟就是圖像分割這一步。所以這一步的速度決定了整個(gè)人臉定位方法的運(yùn)行速度。b.對(duì)圖像分割后進(jìn)行分合算法具有某種共同特征并且相互連通的像素分在同一區(qū)域，而特征不同或者不相互連通的像素分在不同的區(qū)域，判定區(qū)域R內(nèi)的像素是不是具有共同的特征需要均勻性判據(jù)H(R)，H(R)為T(mén)rue表示區(qū)域均勻(從而可以認(rèn)為像素具有共同的特征)，否則表示不均勻。一般應(yīng)用的均勻性判據(jù)往往是區(qū)域內(nèi)的灰度比較均勻，比如區(qū)域內(nèi)最大和最小的灰度值之差不超過(guò)一定閾值(5)。在我的應(yīng)用中，因?yàn)閳D像已事先做了二值化，所以均勻性的判定有所不同。我只關(guān)心黑色的區(qū)域，因?yàn)橹挥泻谏珔^(qū)域可能代表人臉特征。當(dāng)一個(gè)區(qū)域中黑色像素占了絕大部分時(shí)，我就認(rèn)為它是均勻的。具體的判據(jù)將在算法中給出。分合算法采用金字塔數(shù)據(jù)結(jié)構(gòu)。首先討論以像素計(jì)的邊長(zhǎng)是2的整數(shù)次冪的正方形圖像。塔的底層(第O層)是原始圖像(在我的應(yīng)用中是已經(jīng)過(guò)二值化的圖像)。用相鄰排作正方形的四個(gè)像素作為子結(jié)點(diǎn)，計(jì)算上一層相應(yīng)像素的取值。這樣每上溯一層(層編號(hào)加1)，像素?cái)?shù)目成為原來(lái)的1/4。當(dāng)整幅圖只剩下一個(gè)像素時(shí)，金字塔構(gòu)造完畢(見(jiàn)圖I)。數(shù)據(jù)結(jié)構(gòu)某一層中的一個(gè)像素事實(shí)上代表了第O層中2」個(gè)像素組成的一個(gè)數(shù)據(jù)方塊(j是該層編號(hào))，為了表示和計(jì)算方便起見(jiàn)，用編碼來(lái)代表這樣的一個(gè)數(shù)據(jù)塊。設(shè)數(shù)據(jù)結(jié)構(gòu)中最高一層的編號(hào)為n，則這個(gè)編碼共有η位。把一個(gè)方塊內(nèi)的四個(gè)子方塊按照?qǐng)D2順時(shí)針標(biāo)記為1，2，3，4。為了表示一個(gè)數(shù)據(jù)塊，我們首先把原始圖像劃分成四個(gè)正方形，第一位編碼就描述該數(shù)據(jù)塊落在了 1，2，3，4中哪個(gè)正方形里，然后對(duì)包含該數(shù)據(jù)塊的正方形再劃分為四個(gè)小正方形，第二位編碼就描述該數(shù)據(jù)塊落在了哪個(gè)小正方形里。如此反復(fù)，直到某個(gè)小正方形恰好是該數(shù)據(jù)塊，此后的編碼就全部取O，表示不必再細(xì)分。例如圖2所示的3層金字塔結(jié)構(gòu)；對(duì)于一幅普通的圖像，一般都不會(huì)恰好是正方形，邊長(zhǎng)也不會(huì)恰好是2的整數(shù)次冪。我便以128X128的方塊作為基本單位，用mXn個(gè)這樣的方塊對(duì)圖像做覆蓋。遇到圖像中某個(gè)部分填不滿一個(gè)方塊的情形，就補(bǔ)上白色(白色不作為特征，看成空白)。每個(gè)方塊都產(chǎn)生自己的一個(gè)7層金字塔數(shù)據(jù)結(jié)構(gòu)，相互獨(dú)立地運(yùn)行分裂算法和合并算法。在相鄰歸并算法中，不處于同一個(gè)128X128劃分塊但是相鄰的數(shù)據(jù)塊應(yīng)該被歸入同一個(gè)特征塊，所以數(shù)據(jù)塊編碼需要在全圖像內(nèi)唯一。我使用的數(shù)據(jù)塊編碼是在每個(gè)金字塔7位編碼的基礎(chǔ)上再加兩位，分別表示在mXn個(gè)128X 128劃分塊中該數(shù)據(jù)塊所處的劃分塊的x和y位置。因此完整的編碼是9位。 如圖3所示，根據(jù)子結(jié)點(diǎn)像素計(jì)算父結(jié)點(diǎn)像素時(shí)常用的是灰度平均法。我的應(yīng)用中有所不同如果四個(gè)像素中白色占了 3塊以上則父結(jié)點(diǎn)像素賦值為白色；如果黑白2 2對(duì)角分布也賦值為白色；如果黑色占了三塊以上則賦值為黑色；如果黑白2 :2各占據(jù)一側(cè)則賦值為黑色。這樣的好處是可以消除一部分不緊密的連接(2 :2對(duì)角分布)，而保留所有可能的緊密的連接(2 2同側(cè)分布)，分合算法的思路是1.任取一層數(shù)據(jù)結(jié)構(gòu)，檢驗(yàn)其均勻性H，若對(duì)于該結(jié)構(gòu)中某一區(qū)域R有H(R)=fal se，則分裂這個(gè)區(qū)域?yàn)?個(gè)子區(qū)；若4個(gè)彼此相鄰屬于同一個(gè)父結(jié)點(diǎn)的區(qū)域Rkl，…，Rk4滿足H(Rkl U Rk2 U Rk3 U Rk4)=true，則合并它們成為單一區(qū)域。當(dāng)不再有區(qū)域可分裂或合并時(shí)，停止分割；2.如果二任意相鄰區(qū)域Ri和Rj(可以不屬于同一個(gè)父結(jié)點(diǎn)；可以有不同的大小)使得IKRi U Rj)=trUe，則合并它們；分割算法的具體步驟如下(I)把金字塔數(shù)據(jù)結(jié)構(gòu)中起始某個(gè)中間層的數(shù)據(jù)塊編碼全部壓入工作堆棧RgStack ; (2)從RgStack彈出一個(gè)數(shù)據(jù)塊編碼Code ; (3)反復(fù)執(zhí)行2,直至堆棧RgStack空；合并算法的具體步驟如下(I)把中間層里所有均勻的數(shù)據(jù)塊的編碼存入工作隊(duì)列RgA ; (2)從RgA出隊(duì)一個(gè)編碼Code ；(3)反復(fù)執(zhí)行2，直至隊(duì)RgA空；相鄰歸并算法的具體步驟如下(1)從RgCode中彈出一個(gè)編碼，壓入工作堆棧RgStack ；(2)從RgStack中彈出一個(gè)編碼Code，將它入隊(duì)到RgA ；(3)反復(fù)執(zhí)行2，直至棧RgStack空；(4)反復(fù)執(zhí)行1-2-3,直至棧RgCode空。c.成組算法用來(lái)把挨得足夠近的可能本屬于同一器官的特征合并起來(lái)，算法實(shí)現(xiàn)參考了 Shi-Hong Jeng, Hong Yuan Mark Liao等ω的工作。算法有兩個(gè)特點(diǎn)1·合并半徑取決于待合并的特征塊的大小(一個(gè)重要參數(shù)一最大合并半徑Nmax事先指定)，特征塊越大，則合并半徑越?。?.如果待合并的兩個(gè)數(shù)據(jù)塊中任一個(gè)大于Nmax，那么它們必須位于同一主軸上(主軸的定義在形狀屬性的計(jì)算中介紹)才能合并。下面的偽代碼描述了成組算法，其中N(i)代表第i個(gè)塊Bi包含的像素個(gè)數(shù)，Nb代表圖像中特征塊的總數(shù)。
Procedure Grouping
for N := I to Nfflax do
R = 8 - 6 * (N-I) / (Nraax-I) for i :=1 to Nb do if N(i) =N then
“找到所有位于Bi的r鄰域內(nèi)的特征塊(Bj) ”
if (Bj} Φ Φ then “從{B.J中找出離Bi最近的塊Bk”if (N (k) < Nmax) or (Bk 與 B1 位于同一根主軸上)then“把BjUBk合并”end forend for
end Grouping合并后的特征塊的各個(gè)形狀屬性都要重新計(jì)算；d.形狀屬性的計(jì)算二值化后的原始圖像直接用黑和白的像素表示。在用分合算法分割之后，每一個(gè)連通的黑色特征塊就由一組數(shù)據(jù)塊編碼來(lái)表示，編碼所代表的數(shù)據(jù)塊(可能是來(lái)自金字塔數(shù)據(jù)結(jié)構(gòu)中不同的層次)在一起組成了該特征塊。但是這樣仍然不能方便地進(jìn)行幾何匹配。為了進(jìn)行幾何匹配，需要知道每一個(gè)特征塊的位置，大小，傾角及大概的形狀。這些參數(shù)統(tǒng)稱為形狀屬性。從組成一個(gè)特征塊的數(shù)據(jù)塊編碼來(lái)計(jì)算這個(gè)特征塊的形狀屬性是繼分合算法之后的重要步驟。由于它與分合算法結(jié)合更緊密(因?yàn)椴煌姆指钏惴▽?dǎo)致不同的計(jì)算形狀參數(shù)的方法)，所以把它放在分合算法這部分來(lái)介紹。圖像用f (X，y)來(lái)表示，X，y分別是橫、縱坐標(biāo)(已經(jīng)離散化，所以下面都使用求和而不是積分)，f(x，y)是該坐標(biāo)處的灰度值。用字母B代表特征塊。設(shè)特征塊由一組正方形數(shù)據(jù)塊IBJ組成，Bi包含的像素個(gè)數(shù)為Ni,邊長(zhǎng)為Di (Ni=Di2),其中心(也就是重心)坐標(biāo)為。隊(duì)和可以從數(shù)據(jù)塊編碼通過(guò)計(jì)算得到，方法較簡(jiǎn)單，這里就不贅述了。形狀屬性的計(jì)算就是要把特征塊的形狀屬性都用Ni (或Di)和表達(dá)出來(lái)。(I)特征塊的位置特征塊的位置用它的重心來(lái)表示。重心坐標(biāo)計(jì)算公式如下
權(quán)利要求
1.一種基于幾何匹配和分合算法的人臉識(shí)別方法，其特征是具體方法如下 a.人臉定位中的圖像分割把人臉的器官與臉的其他部分分離開(kāi)來(lái)，并保存每個(gè)器官的完整性； b.對(duì)圖像分割后進(jìn)行分合算法具有某種共同特征并且相互連通的像素分在同一區(qū)域，而特征不同或者不相互連通的像素分在不同的區(qū)域； c.成組算法用來(lái)把挨得足夠近的可能本屬于同一器官的特征合并起來(lái)； d.形狀屬性的計(jì)算(I)特征塊的位置；(2)特征塊的取向；(3)特征塊的外接矩形； e.圖像的預(yù)處理(I)圖像對(duì)比度的增強(qiáng)；(2)二值化； f.幾何匹配算法。
2.根據(jù)權(quán)利要求I所述的一種基于幾何匹配和分合算法的人臉識(shí)別方法，其特征是b中分合算法包括分割算法、合并算法和相鄰歸并算法，所述的分割算法的具體步驟如下(I)把金字塔數(shù)據(jù)結(jié)構(gòu)中起始某個(gè)中間層的數(shù)據(jù)塊編碼全部壓入工作堆棧RgStack ;(2 )從RgStack彈出一個(gè)數(shù)據(jù)塊編碼Code ； (3)反復(fù)執(zhí)行2,直至堆棧RgStack空； 所述的合并算法的具體步驟如下(I)把中間層里所有均勻的數(shù)據(jù)塊的編碼存入工作隊(duì)列RgA ; (2)從RgA出隊(duì)一個(gè)編碼Code ；(3)反復(fù)執(zhí)行2，直至隊(duì)RgA空； 所述的相鄰歸并算法的具體步驟如下(1)從RgCode中彈出一個(gè)編碼，壓入工作堆棧RgStack； (2)從RgStack中彈出一個(gè)編碼Code，將它入隊(duì)到RgA ; (3)反復(fù)執(zhí)行2，直至棧RgStack空；(4)反復(fù)執(zhí)行1-2-3,直至棧RgCode空。
3.根據(jù)權(quán)利要求I所述的一種基于幾何匹配和分合算法的人臉識(shí)別方法，其特征是e中圖像對(duì)比度的增強(qiáng)的方法包括S形變換方法、直方圖均衡化方法和灰度分布標(biāo)準(zhǔn)化方法。
4.根據(jù)權(quán)利要求I所述的一種基于幾何匹配和分合算法的人臉識(shí)別方法，其特征是e中二值化分為全局閾值的二值化和取局部閾值的二值化。
全文摘要
本發(fā)明涉及一種基于幾何匹配和分合算法的人臉識(shí)別方法，具體方法如下a.人臉定位中的圖像分割；b.對(duì)圖像分割后進(jìn)行分合算法；c.成組算法；d.形狀屬性的計(jì)算(1)特征塊的位置；(2)特征塊的取向；(3)特征塊的外接矩形；e.圖像的預(yù)處理(1)圖像對(duì)比度的增強(qiáng)；(2)二值化；f.幾何匹配算法。本發(fā)明的一種基于幾何匹配和分合算法的人臉識(shí)別方法，采用分合的分割算法和幾何匹配的算法，實(shí)現(xiàn)了人臉的定位和算法清晰簡(jiǎn)單，具有一定的抗噪聲能力，符合人眼視覺(jué)多尺度的特征。
文檔編號(hào)G06K9/00GK102831397SQ201210255648
公開(kāi)日2012年12月19日 申請(qǐng)日期2012年7月23日 優(yōu)先權(quán)日2012年7月23日
發(fā)明者吳軍 申請(qǐng)人:常州藍(lán)城信息科技有限公司