图片分类特征增强的统计方法

ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用

图片分类特征增强的统计方法

张子明１。刘金刚－，２

ＺＨＡＮＧＺｉ－ｍｉｎｇｔ，ＬＩＵＪｉｎ－ｇａｎ９１＇２

１．首都师范大学信息工程学院，北京１０００４３２．中国科学院计算技术研究所，北京１０００８０

１．Ｓｃｈｏｏｌｏｆ２．Ｉｎｓｔｉｔｕｔｅ

ＩｎｆｏｒｍａｔｉｏｎａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＣａｐｉｔａｌＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１０００４３，Ｃｈｉｎａ

ｏｆＳｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ１０００８０，Ｃｈｉｎａ

ｏｆＣｏｍｐｕｔｉｎｇＴｅｃｈｎｏｌｏｇｙ，ＣｈｉｎｅｓｅＡｃａｄｅｍｙ

ＺＨＡＮＧ

Ｚｉ－ｍｉｎｇ．ＬＩＵＪｉｎ－ｇａｎｇ．Ｓｔａｔｉｓｔｉｃａｌａｐｐｒｏａｃｈｆｏｒｓｉｇｎａｔｕｒｅｅｎｈａｎｃｅｍｅｎｔｆｏｒ

Ａｐｐｌｉｃａｔｉｏｎｓ。２００９。４５（５）：１７７－１７９．

ｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎ．ＣｏｍｐｕｔｅｒＥｎｇｉ－

ｎｅｅｒｉｎｇａｎｄ

Ａｂｓｔｒａｃｔ：Ｂａｇ－ｏｆ－ｗｏｒｄｓｉｍａｇｅｒｅｐｒｅｓｅｎｔａｔｉｏｎ

ｎａｔｕｒｅ

ｈａｓｓｈｏｗｎｔｏｂｅ

ａ

ｐｏｗｅｒｆｕｌ

ｔｅｃｈｎｉｑｕｅｆｏｒ

ｆｏｒｅａｃｈ

ｔＯ

ｉｍａｇｅｕｓｉｎｇ

ｖｉｓｕａｌ

ｗｏｒｄｓ（ｉｍａｇｅｆｅａｔｕｒｅｓ）ｉｎ

ｖｉｓｕａｌ

ｔｈｅｐｒｅ－ｄｅｆｉｎｅｄ

ｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｗｈｉｃｈ

ｃｏｄｅｂｏｏｋ．Ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎｅｗ

ａ

ｃｒｅａｔｅｓａ

ｓｉｇ－

ｓｔａｔｉｓｔｉｃａｌａｐ—

ｐｒｏａｃｈｉｓ

ｄｉｓｃｏｖｅｒｔｈｅｄｉｓｃｒｉｍｉｎａｂｉｌｉｔｙｏｆｅａｃｈ

ｔｏ

ｗｏｒｄｆｏｒｅａｃｈｉｍａｇｅｃａｔｅｇｏｒｙｆｉｒｓｔ，ａｎｄｔｈｅｎ

ｎｅｗ

ｇｅｎｅｒａｌ

ｌｉｎｅａｒ

ｍｏｄｅｌ（ＧＬＭ）

ｅｍｐｌｏｙｅｄｔｏｃｏｍｂｉｎｅｔｈｅｓｅｖｉｓｕａｌｗｏｒｄｓ

ｅｎｈａｎｃｅｔｈｅｄｉｓｃｒｉｍｉｎａｂｉｌｉｔｙ

ｏｆｅａｃｈ

ｃｏｎｓｔｒｕｃｔ

ｓｉｇｎａｔｕｒｅｓｏｆｔｈｅｉｍａｇｅｓ．Ｅｘｐｅｒｉｍｅｎｔａｌ

ｒｅｓｕｌｔｓｓｈｏｗ

ｔｈａｔｔｈｅａｐｐｒｏａｃｈ

ｃａｎ

ｓｉｇｎａｔｕｒｅａｎｄ

ｔｈｕｓｉｍｐｒｏｖｅｔｈｅｐｅｒｆｏｒｍａｎｃｅ

ｏｆ

ｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎ．

Ｋｅｙｗｏｒｄｓ：ｓｔａｔｉｓｔｉｃａｌ

ａｐｐｒｏａｃｈ；ｓｉｇｎａｔｕｒｅｅｎｈａｎｃｅｍｅｎｔ；ｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎ

摘要：Ｂａｇ—ｏｆ－Ｗｏｒｄｓ模型对于图片分类来说是一种非常有用的技术，它利用事先定义好的“可见字”为每张图片建立一个特征向量。提出了一种新的统计方法来发掘可见字对于每一类图片的区分能力，再利用线性模型合并“可见字”，从而为每张图片构造新的特征向量。实验结果显示这一算法能够增强特征向量的区分度，进而提高图片分类的性能。关键词：统计方法；特征增强；图片分类ＤＯＩ：１０．３７７８／ｊ．ｉｓｓｎ．１００２—８３３１．２００９．０５．０５２

文章编号：１００２—８３３１（２００９）０５—０１７７－－０３

文献标识码：Ａ

中图分类Ｉ吾＇：ＴＰ３９１

１引言

Ｂａ州二Ｗｏｒｄｓ模型口在文本分类中非常流行，其基本思想是

建立—个由“字”和“文档”组成的共生矩阵，每个文档被表示成由一系列“字”组成的向量。近些年，这—模型被引入计算仉觇觉中，将每张图片描述成由一系列的相互独立的“可见字”组成的向量。文中先用统计方法得出每个“可见字”的类区分度，然后利用线性模型将这些“可见字”合并，构成一系列的新的“可见字”，再重建

每张图片的特征向量来增强其区分度并最终提高分类性能。２算法基本框架

图１给出了算法的基本框架。总体来说，此基本框架分为

图１算法基本框架

下一步便是利用合并模块找出每个“可见字”的类区分度并重构每个特征向量，然后利用分类模块为每个图片类建立了类模型。类似地，这些类区分度和类模型在算法中保持不变。

在识别阶段，每张测试图片经过检测模块、描述模块、特征模块和合并模块（没有聚类模块）的处理后将其新的特征向量输入分类模块。分类模块用每个已生成的图片类模型检测此特征向量并最终确定其所属类别。

六大模块：检测模块，描述模块，聚类模块，特征模块，合并模块

（虚线区域）和分类模块。

在学习阶段，检测模块从训练图片中提取有用的局部氏域，然后经描述模块将这些区域映射成高维向量，再由聚类模块将它们聚类，每个类中心（向量）便是—个“可见字”，并且这些“可见字”在算法中保持不变。接下来，特征模块计算每个向量和每个“可见字”在高维空间中的距离，用距离最短的“可见字”描述每个向量，再以直方图的形式统计每个“可见字”出现的次数。这个直方图便是图片的特征向量，其维度是“可见字”的个数。

３合并算法的实现

合并算法的基本思想是利用线性模型合并“可见字”构造

作者简介：张子明，男，硕士研究生；刘金刚，男，教授，博士生导师，主要研究方向：智能接口技术。

收稿日：２００８－０１—１１

修回口期：２００８—０４—２３

万方数据　

ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用

新的特征向量从而尽可能地最大化类问距离＿ｓ。同时最小化类内距离Ｓ，。

３．１线性模璎

—个线性模型的基本表达形式如Ｔ：ｙｉ＝ａｌ鼍．１帕２菇∞＋．．‘＋丐鼍Ｊ坩；，其中，ｘ是输出变量，毛。是输入变量，呼是气。的权重。

占；是误差项。如用矩阵形式表示，线性模型可以描述为：Ｙ＝ａＸ＋￡，其中，ｌ，是输出矩阵，ｘ是输入矩阵，口是权重矩阵，￡是误差矩阵。

在合并算法中，ｌ，等价于合并后的“可见字”一文档共生矩

阵，ｘ等价于未合并的“可见字”一文档共生矩阵，口是变换矩阵，而对于￡，假设ｅ－－－Ｏ。合并算法的目的就是找到—个合适的变换矩阵口。３．２

目标函数

这里没有直接同时最大化类间距离５。和最小化类内距离

ｓｒ，而是选择最大化＆和Ｓ甲的比值。＆和Ｓｗ的定义如下：

＆２；∞ｃ‘广∞ｃ－；）

其中卜ｃ２亩委ｔ

ｓ，－－．Ｙ。…Ｙ（‘甲。）Ｔ（‘牛。）Ｉ；＝号；‘

这里渺，表示类ｃ的平均特征向量，工表示所有训练图片的平均

特征向量，工．表示图片ｒ的特征向量，ｒ∈ｃ表示图片ｒ属于类ｃ，Ｍ表示类ｃ中的训练图片数量，Ⅳ表示所有训练图片的数量。

另外，在算法中，变换矩阵口还要满足下面两个条件：（１）口中的每个元素都是非负的。（２ｋ中每行元素的和都应相等。综合上述内容，最终的目标函数定义如下：

ｑ

ｈ≥ｏ

Ｖｉ√

以神一‘考’ｓ＇ｔ＂１∑畔ｖｉ

Ｌ

Ｊ

这里，ａ。表示ｄ中第ｉ行第』列的元素，１，０是一个预先定义的常量。３．３

Ｌ（ａ）的上限

考虑到目标函数的复杂性，采取寻找Ｌ（口）的一个定值上

限的方法来代替最大化Ｌ（ａ）。定义—个运算符“Ｖ”，表示选取两个向量中相同位置上的较大值来构造一个新的相同维度的

向量。以此为基础，蜀９３（ｐ６＝Ｖ｛ｏ，心一髫ｌ和ｇ：＝Ｖ｛ｏ，ｑ巩ｌ，则输出矩阵的类间距离ｓ：和类内距离Ｓｗｌ可分别定义为：

ｓ：＝；（ｐ‘）Ｔａｒａｐ。２；磊ｐ麓％％

ｓ：＝∑∑（ｇ：）７口７《＝∑∑Ｚｑ：ｑｆ，。ｔ，。％

其中，ｐ；表示特征向量ｐ。的第ｉ个元素，ｇ：表示特征向量ｇ：的

婿痧ｑｏ）一懒。＝畿，

万　

方数据ｓ审ＹⅡＪ重写为ｓ甲Ｙ＝；Ａ。∑ｉ虿＝歹１。∑，ｉｄ，ｌｔ荔虿，其中口是正定常量。

如，＝争豢≤。戛警≤乞毛ｃ≯

品｝。蓼ｉ“”＾吼乃

“”ｏ‘

当且仅当％＝鲁时等式成立。综上所述，对于Ｌ（口）存在

一个定值上限。Ｏｌｋｉ＝彗被定义为“可见字”ｉ对于类ｋ的类区

３．４变换矩阵口

求和问题，就是给定一系列的正整数ｃ，，…，ｃ。和正常数ｓ，希

望找到一系列的Ｗｉ∈｛ｏ，１）使得∑ｃｉＷｉ≈。而现在的问题是：给

定一系列的正数ａｌ’－“，ａ。和正常数ｓ，希望找到一系列的毗

Ｅ｛ｏ，１ｌ使得∑％峨一ｓ．ＫｔＺＯｃｉＷ；＿ｓＩ最小。

（３）对于图片类矗，根据１７计算每行和的粗略值ｓ＝∑％纫。

ｉ

（４）对于每个图片类，将所有类区分度非零的“可见字”从大到小排列，从头选取。

（５）当选取的“可见字”的类区分度之和大于ｓ时，停止选取，并将这些“可见字”按照其原来顺序排列，其余位置用０填充，构成口中的一行元素。

（６）重复步骤（３）、（４）和（５）直到所有的类区分度非零的“可见字”都已加入口中。

４实验结果

采用Ｃａｌｔｅｃｈ的图片库睐评估算法。这个图片库包含５个

图片类，分别是：摩托车（８２６张），人脸（４５０张），飞机（１

０７４

张），车尾（１１５５张）以及背景图片（９００张）。

实验中，所有图片均是灰度图且宽度固定为３００像素点。同时，在每次运行程序时，每个类中的图片都被等分成两份，一

份作为训练数据，—份作为测试数据。然后用Ｂａ州二Ｗｏｒｄｓ模

型来描述每张图片。首先，用ｓａｌｉｅｎｃｙｒｅｇｉｏｎ探测器ｐ提取图片中的局部区域，然后将这些区域的大小调整到长宽各为１６像

素点，再将其长宽各等分成４份，形成１６个小区域。接下来，将

每个小区域用—个８维梯度向量表示，然后将这１６个小区域

的８维梯度向量连接起来并正规化，得到—个１２８维的类似于

ＳＩＦＴ描述器目的梯度向量。用这种１２８维的梯度向量来描述每

个局部区域。下一步用ｋ－ｍｅａｎｓ将训练数据的梯度向量聚类形成１０００个“可见字”，再经过特征模块得到每张图片的特征向

张子明，刘金刚：图片分类特征增强的统计方法

量。在合成模块中，变量田的值固定为１５。在分类模块中，采用ｐＬＳＡｌ６蜥／为分类器。最终的实验结果是５０次运行程序获得结果的平均值。

下面从两个方面评估算法：（１）特征向量的区分度；（２）图片分类性能。

同数量的隐藏变量来检测算法。表３给出了比较结果，其中“ｒ

表示隐藏变量的数量，“Ｍ”、…Ｆ’、“Ａ”、“ＣＲ”和“ＢＧ”分别表示摩

托车、人脸、飞机、车尾和背景类。从这张表中，可以看出虽然在非背景类的４类图片的分类中实验结果不如［７１，但是在５类图片的分类中我们的结果要远好于【７】，且很稳定。这又可以说明我们的算法对图片分类性能的提高是很有帮助的。

表３

多类分类问题的比较

（％）

４．１特征向量的区分度

表ｌ列出了最初的特征向量０ｓ和合并后的特征向量ＤＳ的区分度、类间距离与类内距离的比值Ｌ（ａ）、以及百分比提高量Ｐｌ。从中可以明显地看出算法有效地增强了特征向量的区分度。

表１区分度比较

图片类等絮锷著

摩托车＋背景人脸＋背景飞机＋背景

车尾＋背景

Ｏ．８１．４１．２１．０

５．６８．１６．５６．１

６００．０４７８．６４４１．７５ｌＯ．Ｏ

５结束语

提出了一种以Ｂａｇ—ｏｆ－Ｗｏｒｄｓ模型为基础的增强图片特征向量的统计方法。其基本思想是通过分析“可见字”的类区分度，利用线性模型将不同的“可见字”合并，从而为每张图片构

４．２图片分类性能

将得到的实验结果与［７】和［３】中的实验结果进行了比较。比较结果基于Ｒｅｃｅｉｖｅｒ面积（ＡＵＣ）。

对于物体一背景的两类分类问题，表２给出了比较结果。通过分析表中的数据，不难发现算法（ＤＳ）大大提高了图片的分类性能，并且除飞机类图片外，算法在其余类上的实验结果是这４种方法中最好的。其原因可能是因为从飞机类图片中提取的局部区域一般要少于其他类，而局部区域的数量将直接影响到最终分类的结果。对从这５类图片中提取的局部区域数量进行统计发现，飞机类图片的平均局部区域数量为３７，而对于摩托车、人脸、车尾和背景类图片来说，其平均局部区域数量分别为５９、４６、６６和４６。这种平均数量上的差别可能导致飞机类的

Ｏｐｅｒａｔｉｎｇ

造出新的特征向量，再基于这些新的特征向量将图片分类。实

验结果显示这一算法能够大大增强特征向量的区分度，进而提高图片分类的性能。

Ｃｈａｒａｃｔｅｒｉｓｔｉｃ（ＲＯＣ）曲线下的

参考文献：

【ｌ】ＤａｎｃｅＣ，ＷｉｌｌａｍｅｗｓｋｉＪ，ＦａｎＬ，ｃｔａ１．Ｖｉｓｕａｌ

ｂａｇｓ

ｏｆ

ｃａｔｅｇｏｒｉｚａｔｉｏｎ

Ｏｎ

ｗｉｔｈ

ｋｅｙｐｏｉｎｔｓ［Ｃ］／／ＥＣＣＶＩｎｔｅｒｎａｔｉｏｎａｌＷｏｒｋｓｈｏｐ

ｉｎ

Ｓｔａｔｉｓｔｉｃａｌ

Ｉ．Ⅲｍｉｎｇ

ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，２００４．

ｔｏ

１２１ＧａｒｅｙＭＲ．ＪｏｈｎｓｏｎＤＳ．Ｃｏｍｐｕｔｅｒｓａｎｄｉｎｔｒａｃｔａｂｉｌｉｔｙ：Ａｇｕｉｄｅ

ｔｈｅｔｈｅｏｒｙｏｆ

ｎｐ－ｅｏｍｐｌｅｔｅｎｅｓｓ［Ｍ］．ＮｅｗＹｏｒｋ。ＮＹ。ＵＳＡ：Ｗ．Ｈ．Ｆｒｅｅ－

ｒｎ∞＆Ｃｏ．１９９０．

【３】３ＦｅｒｇｕｓＲ，ＰｅｒｏｎａＰ，ＺｉｓｓｅｒｍａｎＡ．Ｏｂｊｅｃｔｃｌａｓｓｒｅｃｏｇｎｉｔｉｏｎｂｙ

ｐｅｒｖｉｓｏｄｆｅｒｅｎｃｅ

ａｃａｌｅ－ｉｎｖａｒｉａｎｔ

ｏｎ

ｕｎｓｕ－

最终实验结果不如其他类。在下面的多类分类问题中，也观察

到类似问题。

表２两类分类问题的比较（％）

ｌｅａｒｎｉｎｇ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＣｏｎ—

ＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，Ｍａｄｉｓｏｎ，

Ｗｉｓｃｏｎｓｉｎ，２００３．２：２６４—２７１．

【４】ＫａｄｉｒＴ，ＢｒａｄｙＭ．Ｓａｌｉｅｎｃｙ，ｓｃａｌｅ

ａｎｄｉｍａｇｅｄｅｓｃｒｉｐｔｉｏｎ【ｃＦＡｌｃｖ，

２００ｌ。４５：８３—１０５．

【５】Ｉ．ｇｉｗｅＤ．Ｄｉｓｔｉｎｃｔｉｖｅｉｍａｇｅｆｅａｔｕｒｅｓｆｒｏｍｓｃａｌｅｉｎｖａｒｉａｎｔｋｅｙｐｏｉｎｔｓ叨．

ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎ。２００３。２０：９１—１ｌＯ．

【６】ＨｏｆｍａｎｎＺＵｍｕｐｅｒｖｉｓｅｄ

ｌｅａｒｎｉｎｇｂｙ

ｐｒｏｂａｂｉｌｉｓｔｉｃｌａｔｅｎｔ

ｓｅｍａｎｔｉｃ

ａｎａｌｙｓｉｆｆＭｌ．Ｈｉｎｇｈａｍ，ＭＡ，ＵＳＡ：ＫｌｕｗｅｒＡｃａｄｅｍｉｃＰｕｂｌｉｓｈｅｒｓ，２００１，４２：

１７７－１９６．

【７１ＳｉｖｉｃＪ，ＲｕｓｓｅｌｌＢＣ，ＥｆｒｏｓＡＡ，ｅｔａ１．Ｄｉｓｃｏｖｅｒｉｎｇｏｂｊｅｃｔ

ｃａｔｅｇｏｒｉｅｓ

对于多类分类问题，按照【７】中的实验配置对ｐＬＳＡ采用不

ｉｎ

ｉｍａｇｅ

ｃｏｉｌｅｅｔｉｏｎｓ［Ｃｌ／／ＩＣＣＶ，２００５．

（上接１３７页）

【７】ＢｒｙｌｌＲ，ＧｕｔｉｅｒｒｅｚＯＲ，ＱｕｅｋＦ．ＡｔｔｒｉｂｕｔｅＢａｇｇｉｎｇ：ＩｍｐｒｏｖｉｎｇａｃＣｑｌ－－

ｒａｃｙ

ｆｅｒｅｎｃｅ

ｏｎ

Ａｒｔｉｆｉｅｉａｌ

ｍｎ

【９】９

Ｙａｎｇ

Ｉｎｔｅｌｌｉｇｅｎｃｅ．ＳａｎＦｒａｎｃｉｓｃｏ，ＵＳＡ：Ｍｏｒｇａｎ

Ｋａｕｆ－

Ｐｕｂｌｉｓｈｅｒｓ．１９９３：８８９—８９４．Ｙｉｍｉｎｇ，Ｌｉｕ

Ｘｉｎ．Ａ他－ｅｘａｍｉｎａｔｉｏｎ

ｏｆＡＣＭＳＩＧＩＲ

ｏｆ

ｔｅｘｔ

ｏｆｃｌａｓｓｉｆｉｅｒ

ｅｎｓｅｍｂｌｅｓｂｙｕｓｉｎｇｒａｎｄｏｍｆｅａｔｕｒｅｓｓｕｂｓｅｔｓ［ｆ１．

ｃａｔｅｇｏｒｉｚａｔｉｏｎ

ｏｎ

ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎＬｅｔｔｅｒｓ，２００３，３６（６）：１２９１—１３０２．

ｍｅｔｈｏｄｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓａｎｄＤｅｖｅｌｏｐｍｅｎｔ

ｉｎ

ＣｏｎｆｅｒｅｎｃｅＲｅｓｅａｒｃｈ

ｆ８】ＬａｎｇｌｅｙＰ，ＩｂａＷ．Ａｖｅｒａｇｅ－ｃａｓｅＡｎａｌｙｓｉｓｏｆＮｅａｒｅｓｔＮｅｉｇ｝ｌ】ｃｘｎ＂ａｌ－

ｇｕｒｉｔｈｍ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＴｈｉｒｔｅｅｎｔｈ

ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｉｎｔＣｏｎ—

Ｉｎｆｏｒｍａｔｉｏｎ

Ｒｅｔｒｉｅｖａｌ（ＳＩＧＩＲ’９９），Ｂｅｒｋｅｌｅｙ，

Ｃａｌｉｆｏｍｉａ。ＵＳＡ：１９９９：４２—４９．

万方数据　

图片分类特征增强的统计方法

作者：作者单位：

张子明， 刘金刚， ZHANG Zi-ming， LIU Jin-gang

张子明,ZHANG Zi-ming(首都师范大学,信息工程学院,北京,100043)， 刘金刚,LIU Jin-gang(首都师范大学,信息工程学院,北京,100043;中国科学院,计算技术研究所,北京,100080)

计算机工程与应用

COMPUTER ENGINEERING AND APPLICATIONS2009,45(5)

刊名：英文刊名：年，卷(期)：

参考文献(7条)

1. Lowe D Distinetive image features from scale invariant keypoints 2003

2. Sivic J;Russell B C;Efros A A Diseovefing object categories in image collections 20053. Hofmann T Unanpervised learning by probabilistie latent semantic analysis 20014. Kadir T;Brady M Saliency,scale and image description[外文期刊] 2001(2)

5. Fergus R;Perona P;Zisserman A Object class recognition by unsupervised scale-invariant leaming2003

6. Garey M R;Johnson D S computers and intractability:A guide to the theory of np-completeness 19907. Dance C;Willamowski J;Fan L Visual categorization with bags of keypoints 2004

本文链接：http://d.g.wanfangdata.com.cn/Periodical_jsjgcyyy200905052.aspx