CN101075291B - 一种用于人脸识别的高效提升训练方法 - Google Patents

一种用于人脸识别的高效提升训练方法 Download PDF

Info

Publication number
CN101075291B
CN101075291B CN200610011930A CN200610011930A CN101075291B CN 101075291 B CN101075291 B CN 101075291B CN 200610011930 A CN200610011930 A CN 200610011930A CN 200610011930 A CN200610011930 A CN 200610011930A CN 101075291 B CN101075291 B CN 101075291B
Authority
CN
China
Prior art keywords
face
stochastic subspace
stochastic
training
subspace
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN200610011930A
Other languages
English (en)
Other versions
CN101075291A (zh
Inventor
高勇
王阳生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN200610011930A priority Critical patent/CN101075291B/zh
Publication of CN101075291A publication Critical patent/CN101075291A/zh
Application granted granted Critical
Publication of CN101075291B publication Critical patent/CN101075291B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开一种用于人脸识别的高效提升算法的训练方法，利用人脸数据库，得到人脸训练数据；选择或构造适用于人脸识别的多种特征，构建原始特征空间；利用构建的人脸原始特征空间产生多个随机子空间；在随机子空间中，训练生成若干个分类器；用融合技术将所述若干个在随机子空间中训练得到分类器组合成最终的分类器，用于人脸识别。本发明的Boosting训练方法大为减少了训练时间和空间复杂度，最终得到分类器的精度也优于目前公知的Boosting训练方法得到的分类器。

Description

一种用于人脸识别的高效提升训练方法
技术领域
本发明属于模式识别技术领域，同时涉及到图像处理和统计学习等技术，特别是涉及用于人脸识别的高效提升(Boosting)训练方法
背景技术
如何高效的训练出具有良好推广能力的分类器一直是模式识别和统计学习领域关注的问题。Boosting作为一种优秀的统计学习算法近年来在人脸识别领域得到了广泛的应用。但是，由于Boosting算法自身的特点，在人脸识别领域的应用中，它存在着训练时间过长并且无法实现分布或并行式计算的不足。
目前，公知的Boosting算法都是在特征空间中依次学习出一系列弱分类器，然后用投票法将这些弱分类器组合成强分类器。在人脸识别领域，由于人脸模式具有高度的复杂性，通常抽取的特征数目非常巨大。一些和Boosting算法搭配使用的局部特征，如Haar-like特征、(LocalBinary Pattern局部二值模式)LBP特征和Gabor特征等，构成的特征空间的维数往往达到几万、十几万，甚至更高。以最常用的Gabor特征为例，如果采用50×60像素的人脸图像和5个尺度、8个方向的Gabor滤波器，得到的特征空间维数(特征数)是120,000。对于Boosting算法，高维的特征空间意味着大的计算量和大内存空间的需要。如果用和FERET人脸库中的训练集(314人的736张人脸图像)相当规模的数据作为训练样本的话，全部特征计算出来将需要4G左右的内存。由于一般的计算机内存配置小于4G，这使得训练时间剧增。上述的情况在一台配置为2G物理内存、P43.6G CPU的Dell服务器上训练，时间会长达一个多月。这对于使用Boosting进行工程开发或算法研究的人员来说是个极为不方便的地方。因此，在人脸识别领域，Boosting算法存在效率低下的问题。
相关的技术文献主要有以下几篇。其中文献[1]提出了一种基于Boosting和Haar特征的人脸检测算法。文献[2][3][4]分别提出了基于Boosting和Haar特征、Boosting和Gabor特征以及Boosting和LBP特征的人脸识别算法。文献[5]是关于FERET人脸库和测试的重要论文。文献[1][2][3][4]的检测和识别算法都是建立在公知的Boosting算法基础之上，存在分类器训练效率低下的问题。
[1]P.Viola and M.Jones，“Rapid Object Detection using a BoostedCascade of Simple Features，CVPR，2001.
[2]M.Jones and P.Viola，“Face Recognition Using Boosted LocalFeatures”，MERL Technical Reports.TR2003-25，April 2003.
[3]P.Yang，S.Shan，W.Gao，S.Z.Li，D.Zhang，“Face RecognitionUsing Ada-Boosted Gabor Features”，FGR2004.
[4]Stan Z.Li and His Face Team，“AuthenMetric F1：A HighlyAccurate and Fast Face Recognition System”，ICCV2005 Deom.
[5]P.Phillips，H.Moon，S.Rizvi and P.Rauss，“The FERET EvaluationMethodology for Face-Recognition Algorithms”，IEEE TPAMI，Vol 22，No.10，2000.
发明内容
为了克服在人脸识别领域Boosting算法训练需要大内存、训练时间过长、效率低的不足，本发明的目的是要提供减少计算量、减少训练时间和内存、提高效率、提高分类器的分类精度，为此，本发明提供一种用于人脸识别的高效提升Boosting训练方法。
本发明的一种用于人脸识别的高效提升Boosting训练方法，训练步骤如下：
获取训练数据步骤：利用人脸数据库，得到人脸训练数据；
构建原始特征空间步骤：选择或构造适用于人脸识别的特征，构建人脸原始特征空间；
生成随机子空间步骤：利用构建的人脸原始特征空间产生多个随机子空间；
生成随机子空间分类器步骤：在所述随机子空间中，训练生成若干个随机子空间分类器；
随机子空间分类器组合和人脸识别步骤：用融合技术将所述若干个随机子空间分类器组合成最终的分类器，用于人脸识别。
本发明采用在多个特征随机子空间(Random Subspace)中进行Boosting训练，然后将训练所得到的随机子空间分类器进行融合的技术方案来回避高维特征空间所带来的一系列问题。每个特征随机子空间从原始的高维特征空间中采用随机的方式产生，其维数远远小于原始的特征空间维数。在特征随机子空间中进行Boosting训练，计算量和训练的时间将大为减少。对于原始维数特别高的特征空间来说，如Gabor等，能够达到多个随机子空间训练时间的总和也远远比在原始的特征空间训练的时间要少得多的效果。多个随机子空间之间相互独立，因此训练可以分布式的进行，这将使训练时间进一步缩短。
为保证每个随机特征子空间的分类能力和训练出来的随机子空间分类器的鲁棒性，对于局部特征，随机子空间产生时从人脸各个区域的特征中同时随机选择，使每个随机子空间包含的位置信息分布于整个人脸。
由于随机子空间是原始的特征空间的子空间，随机子空间的表达能力不超过原始的特征空间，在随机子空间中训练所得到的分类器的表达能力不超过在原始的特征空间中所得到的分类器的表达能力。因此，在训练误差相同的情况下，随机子空间中训练出来的分类器不会比在原始的特征空间中训练出来的分类器的推广性能差，即本发明中随机子空间训练出的分类器的推广能力与原始特征空间训练出的分类器相等或比后者更好。同时，由于各个随机子空间是随机产生，因此必定存在差异，训练出的分类器也具有不同的属性，最后用融合的方法将各个随机子空间训练出的分类器组合可以进一步提高分类精度。
本发明的训练方法大大减少了训练的时间和内存需要，并且最终训练得到的分类器比目前公知的Boosting算法得到的分类器具有更好的分类精度。总体的效果是，在降低Boosting训练所需空间和时间复杂度的同时，提高了最终分类器的分类精度，达到了大幅度提高Boosting算法效率的目的。
附图说明
通过以下结合附图的详细描述，本发明的上述和其它方面、特征和优点将变得更加显而易见.附图中：
图1是本发明的在多个随机子空间进行Boosting训练，并融合得到最终分类器的示意图
图2是本发明的局部特征的随机子空间构造产生图
具体实施方式
下面结合附图对本发明作具体说明。应该指出，所描述的实施例仅仅是为说明的目的，而不是对本发明的限制。
根据本发明图1，在多个随机子空间进行Boosting训练，并融合得到最终分类器的示意图所示：
本发明的方法是利用人脸数据库，得到人脸训练数据；选择或构造适用于人脸识别的多种特征，构建原始特征空间；利用构建的人脸原始特征空间产生多个随机子空间；在随机子空间中，独立的训练生成若干个分类器；然后，用融合技术将所述若干个在随机子空间中训练得到分类器组合成最终的分类器，用于人脸识别。
本发明提出的用于人脸识别的高效提升Boosting训练方法如图1所示，具体实施方法如下：
1.所述获取训练数据步骤：利用人脸图像，得到人脸训练数据。对于每一张人脸图像，根据双眼的中心位置，旋转图像，使所有图像中人的双眼处于水平位置；缩放图像，使所有图像中人脸的双眼间距相同；最后将脸部区域按一定参数切割出来。缩放和切割人脸区域时，可采用如下参数：双眼间距为65像素，双眼的竖直方向位置为43像素，人脸区域高为142像素，宽为120像素。
由于通常的图像采集设备得到的图像具有噪声，并且不同光照环境下人脸图像会有很大差别，因此要对切割下来的标准尺寸人脸图像进行去噪和去光照处理。这里去噪使用3×3的高斯滤波器进行低通滤波。去光照可以使用一般的灰度直方图均衡或者计算量大一些的商图像算法。
最终，得到大小相同，并且所有人脸的眼睛都在同一位置，经过了去噪和去光照处理的人脸训练数据。
2.所述构建适用于人脸识别的原始特征空间步骤：利用人脸训练数据，构建人脸原始特征空间，人脸图像的主要特征包括如Haar、Gabor或(Local Binary Pattern局部二值模式)LBP特征等。
人脸特征空间是原始人脸图像空间的高维线性或非线性映射：
以Haar特征为例，每一个人脸特征由一个Haar算子φ(m，s，x，y)和图像做卷积得到，其中m是Haar算子的类型；s是Haar算子的尺度，对同一类型的Haar算子进行缩放，缩放程度由s控制；x，y是空间位置，取值范围受人脸区域限制，即算子可以位于人脸图像的任何位置，进行卷积，抽取该位置的特征。假设使用5种类型的Haar算子，每种算子有10种缩放级别，切割下来人脸图像高142像素，宽120像素，那么可以抽取的特征数目大约为5×10×142×120＝852,000，也就是说，原始特征空间的维数高达852,000。如果使用公知的Boosting算法，训练时间会非常的长，内存的需要量也非常之大。Gabor特征和LBP特征空间的构建与此类似。当然，也可以使用自己构造新的特征。
在文献[1][2][3][4]中作者都只使用到一种特征，再用Boosting算法在特征空间中训练分类器来完成人脸检测或识别任务。而且，为了避免特征空间维数过高，采取了诸如使用小的人脸图像，有空间间隔的特征抽取等一些小措施。由于本发明提出的Boosting训练方法可以很好的解决特征空间维数过高的问题，特征空间的构建上不再受其维数的限制。因此，在使用特征上有更大的自由度：可以同时用到不同种类的特征，如同时使用Haar和Gabor特征，或加入根据特定识别任务构造的特征，构成维数更高但判别能力更强的混合特征空间；可以使用更大尺寸的人脸图像，以抽取更多的具有判别能力的反映人脸细微差别的特征(这对一些困难的识别任务，如双胞胎的识别极为有利)。
3.所述生成随机子空间步骤：利用构建的人脸原始特征空间产生多个随机子空间，是在兼顾训练数据的可分性，各随机子空间训练出来的分类器之间的融合性和计算量的基础上确定随机子空间的维数和个数，进而产生相应数目具有相应维数的随机子空间。
所述从原始特征空间中产生多个特征随机子空间，Boosting训练在随机子空间中进行；随机子空间的表达能力不超过原始特征空间，随机子空间训练出分类器的推广能力与原始特征空间训练出的分类器相等或超过后者。
所述从构造的特征空间生成多个维数适中的随机子空间S1，S2......SL，为了保证每个特征随机子空间的分类能力和训练出来的分类器的鲁棒性，对于像Haar、Gabor或LBP等这样的一些局部特征，随机子空间产生时可以从人脸各个区域的特征中随机选择局部特征，以保证每个随机子空间包含的位置信息分布于整个人脸，如图2本发明的局部特征的随机子空间构造产生图所示。
随机子空间的维数和随机子空间的个数是本发明中的两个重要参数，下面分别加以说明：
1)随机子空间维数的确定：选择随机子空间的维数时，首先要确保训练出的分类器达到预期的训练误差指标，也就是要保证在随机子空间中人脸数据是可分的。因此，随机子空间维数不能任意小。同时，也不能太大。太大会增加随机子空间中Boosting训练的时间和空间复杂度。并且，将增加随机子空间之间的相关度，降低随后融合的效果。一般维数可取原始特征空间维数的1/8或1/10或1/12或1/15。
2)随机子空间个数的确定。随机子空间越多，融合后的分类器精度越高，并且越稳定。但是子空个数的太多同样会增加总的计算量。一般3个或5个或10个或12个随机子空间就可以达到非常好的效果。
确定好随机子空间的个数和每个随机子空间的维数后，就可以进行随机子空间的产生。设确定的随机子空间的个数为L，每个随机子空间的维数为M。根据图2本发明的局部特征的随机子空间构造产生图所示，其中：随机子空间构造是由随机子空间S1、随机子空间S2......随机子空间SL组成。
按图2所示，将人脸分为6个区域。对应的，将原始特征空间的特征按这6个区域进行分组，即每一组特征对应的位置属于同一个区域。然后进行下列操作：
for i＝1，2，…，L
从每个区域的特征中，随机的选择M/6个特征；
将这6个区域随机选择的特征组成一个维数为M的随机子空间；
end
就可以得到L个维数为M的随机子空间。
关于从每个区域中随机选择特征进一步说明如下：
在很多编程语言中都有随机数产生函数可以直接调用，以C语言为例，调用rand函数可以返回一个0到32767之间的伪随机数r。将每个区域里的特征从0起依次编号。设每个区域特征的特征数目为Na，将产生的随机数r用表达式index＝r/32768*Na映射到0-Na之间。每调用一次rand函数，得到一个随机数r，按映射表达式计算出index，选取一个编号等于index的特征。重复上述步骤M/6次，就可以在一个区域的特征中随机的选取出M/6个特征。
4.所述Boosting训练和生成随机子空间分类器步骤：在所述各个随机子空间中利用Boosting进行训练，生成若干个分类器；由于各随机子空间Boosting训练相互独立，因此可以在多台计算机上同时进行，这将进一步减少训练时间。所述训练生成若干个随机子空间分类器，是在在多个随机子空间中独立训练的分类器C1，C2......CL。
人脸识别是一个多类问题(一个人作为一个类别)，而一般的Boosting算法解决的是两类问题。为了避免复杂的多类Boosting算法，本发明采用类内差和类间差来将人脸识别这个多类分类问题转化为两类问题。在训练时，将类内差作为正样本，类间差作为负样本。识别的时候，对于任意一幅新人脸照片，把它同所有注册的照片相比较，通过判断它们的差是类内差还是类间差来实现人脸的多类分类。关于类内和类间差进一步解释如：
对于同一个人两幅人脸图像I1，I2，特征提取之后表示为F(I1)，F(I2)，它们的距离|F(I1)-F(I2)|就是类内差。对于来自不同人的两幅人脸图像I，J，特征提取之后表示为F(I)，F(J)，它们的距离|F(I)-F(J)|就是类间差。计算类内和类间差用到的距离测度可以是街区距离(City Block Distance)、欧氏距离或χ2距离等。设我们的训练数据有P个人，每个人有K张图像，这样可以得到的类内差样本数为
Figure G2006100119302D00081
类间差的样本数为
Figure G2006100119302D00082
在随机子空间中进行Boosting训练的另一个问题是类内差和类间差样本数量的不平衡。比如有200个人，每人2幅图像的400张训练人脸图像。可以产生的类内差样本数为
Figure G2006100119302D00083
类间差样本数量为
Figure G2006100119302D00084
两类样本数量的不平衡会影响到Boosting训练效果，并且类间差样本往往数量过大，包含很多的冗余信息。因此，在随机子空间进行Boosting训练时，所有的类内差样本都使用。而对于类间差样本由于其数量通常远大于类内差样本，我们只随机的抽取和类内差样本数量相当的一部分用于训练。随机抽取类间差样本的方法和前面所述从区域的特征中随机的选择特征相同，这里不再重复。
5.所述随机子空间训练出来的分类器的融合并用于人脸识别的步骤：用融合技术将所述若干个在随机子空间中训练出来的分类器C1，C2，...，CL组合生成最终的分类器C，用于人脸识别。C1，C2，...，CL是在多个随机子空间中独立训练得到的分类器。
这里，我们推荐使用直接求和，加权求和两种简单有效的融合技术。
在进行融合之前需要对随机子空间分类器C1，C2，...，CL输出分数进行归一化.尽管这些分类器是都是由AdaBoost训练出来同一类型分类器，但它们是在不同的随机子空间训练出来的，因此它们是有差别的.这些差别的表现之一，就是分类器输出的分数值的范围是不一样的.
为了提高后端的融合性能，必须对这些分类器的输出分数进行归一化。设某个随机子空间分类器输出的分数最大值为fmax，最小值为fmin，可以用公式
Figure G2006100119302D00085
将其输出分数f归一化为fn。
设fn1，fn2，...，fnL分别表示L个在随机子空间中训练出来的分类器C1，C2，...，CL的归一化分数。
求和的融合方法得到的最终总分类器C的输出可以由公式
Figure G2006100119302D00091
计算得到，这种融合方法的优点是简单，方便，计算速度快。
加权求和方法得到的最终总分类器C的输出可以有公式计算得到。其中，wi是第i个随机子空间分类器的权重，可以用交叉验证的方法加以确定。具体来说，就是单独的建立一用于人脸识别测试的验证集，测试并记录L个分类器的正确识别率r1，r2，...，rL，则第i个分类器的权重由公式
Figure G2006100119302D00093
计算得到。这种融合方法操作起来比直接求和法要复杂一些，但是效果比直接求和法要好。
识别时，首先要对图像采集设备获得的新的(未知身份)人脸图像进行切割和预处理，这一步和获取训练数据步骤中的切割和预处理完全相同；然后，将处理后的人脸图像和注册的(已知身份的)人脸图像组成图像对，分别抽取它们的特征和计算它们的差。具体的计算法也和所述Boosting训练和生成随机子空间分类器步骤中计算类内差和类间差完全相同；最后将每对人脸图像(其中一幅是待识别，未知身份的人脸图像，另一幅是已知身份的人脸图像)的特征差值作为分类器的输入，由分类器的输出分数判断是类内差还是类间差，即是同一个人的两幅图像还是不同人的两幅图像。分类器的分数表明图像对属于同一人的可信度，或者说，分数越高，该人脸图像对越有可能来自于同一人，分数越低，则这幅图像极有可能属于不同的两个人。
实际操作时，可以设置一个阈值，大于该阈值的就认为是同一个人的两幅图像。如果未知人脸图像和多个注册的人图像的得分大于阈值，我们就选取分数最大的，以此确定未知人脸的身份。
上面描述是用于实现本发明及其实施例，本发明的范围不应由该描述来限定。本领域的技术人员应该理解，在不脱离本发明的范围的任何修改或局部替换，均属于本发明权利要求来限定的范围。

Claims (3)

1.一种用于人脸识别的提升的训练方法，其特征在于，训练步骤如下：
获取训练数据步骤：利用人脸数据库，得到人脸训练数据；
构建原始特征空间步骤：选择或构造适用于人脸识别的多种特征，构建原始特征空间；
生成随机子空间步骤：利用构建的人脸原始特征空间产生多个随机子空间；
生成随机子空间分类器步骤：在所述随机子空间中，训练生成若干个随机子空间分类器；
随机子空间分类器的融合并用于人脸识别步骤：用融合技术将所述若干个随机子空间分类器组合，用于人脸识别；
所述生成随机子空间步骤：利用构建的人脸原始特征空间产生多个随机子空间，从人脸原始特征空间中产生多个特征随机子空间，在随机子空间中进行提升训练；随机子空间的表达能力不超过原始特征空间，随机子空间训练出分类器的推广能力与原始特征空间训练出的分类器相等或超过后者；是在兼顾训练数据的可分性、各随机子空间中训练出的分类器之间的融合性和计算量的基础上确定随机子空间的维数和个数，进而产生相应数目具有相应维数的随机子空间。
2.根据权利要求1所述的用于人脸识别的提升的训练方法，其特征在于，所述生成随机子空间步骤：从构造原始特征空间生成多个维数的随机子空间，随机子空间产生时从人脸各个区域的特征中随机选择局部特征，使每个随机子空间包含的位置信息分布于整个人脸；所述各个区域为左右对称的多个区域。
3.根据权利要求2所述的用于人脸识别的提升的训练方法，其特征在于：所述随机子空间的维数和个数确定：随机子空间的维数取原始特征空间维数的1/8-1/15；随机子空间的个数选择为3-12个。
CN200610011930A 2006-05-18 2006-05-18 一种用于人脸识别的高效提升训练方法 Expired - Fee Related CN101075291B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN200610011930A CN101075291B (zh) 2006-05-18 2006-05-18 一种用于人脸识别的高效提升训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN200610011930A CN101075291B (zh) 2006-05-18 2006-05-18 一种用于人脸识别的高效提升训练方法

Publications (2)

Publication Number Publication Date
CN101075291A CN101075291A (zh) 2007-11-21
CN101075291B true CN101075291B (zh) 2010-05-12

Family

ID=38976335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200610011930A Expired - Fee Related CN101075291B (zh) 2006-05-18 2006-05-18 一种用于人脸识别的高效提升训练方法

Country Status (1)

Country Link
CN (1) CN101075291B (zh)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156885B (zh) * 2010-02-12 2014-03-26 中国科学院自动化研究所 基于级联式码本生成的图像分类方法
CN101894275B (zh) * 2010-06-29 2013-07-24 武汉大学 一种弱监督的sar图像分类方法
JP5618670B2 (ja) * 2010-07-21 2014-11-05 キヤノン株式会社 データ処理装置及びその制御方法
CN102467658A (zh) * 2010-11-19 2012-05-23 康佳集团股份有限公司 一种笑脸识别方法、装置及移动终端
JP4775515B1 (ja) * 2011-03-14 2011-09-21 オムロン株式会社 画像照合装置、画像処理システム、画像照合プログラム、コンピュータ読み取り可能な記録媒体、および画像照合方法
CN102663400B (zh) * 2012-04-16 2014-06-04 北京博研新创数码科技有限公司 一种结合预处理的lbp特征提取方法
CN102799870B (zh) * 2012-07-13 2015-07-29 复旦大学 基于分块一致lbp和稀疏编码的单训练样本人脸识别方法
CN103164710B (zh) * 2013-02-19 2016-01-13 华南农业大学 一种基于压缩感知的选择集成人脸识别方法
CN103246893B (zh) * 2013-03-20 2016-08-24 西交利物浦大学 基于拒识的随机子空间的ecoc编码分类方法
CN104268534B (zh) * 2014-10-10 2017-06-06 扬州大学 触发式视频监控的智能箱控制系统及其控制方法
CN104992167B (zh) * 2015-07-28 2018-09-11 中国科学院自动化研究所 一种基于卷积神经网络的人脸检测方法及装置
CN105205124B (zh) * 2015-09-11 2016-11-30 合肥工业大学 一种基于随机特征子空间的半监督文本情感分类方法
CN107203775B (zh) * 2016-03-18 2021-07-27 斑马智行网络(香港)有限公司 一种图像分类的方法、装置和设备
CN107230090B (zh) * 2016-03-23 2021-11-16 中国移动通信集团上海有限公司 一种净推荐值nps分类方法及装置
CN105760899B (zh) * 2016-03-31 2019-04-05 大连楼兰科技股份有限公司 基于分布式计算与检测代价排序的训练学习方法及装置
CN106650678B (zh) * 2016-12-29 2019-10-22 宜宾学院 Gabor小波子带相关结构人脸识别方法
CN107103296A (zh) * 2017-04-20 2017-08-29 四川大学 基于完全矫正Boosting和子空间学习算法的步态识别方法
CN107194380A (zh) * 2017-07-03 2017-09-22 上海荷福人工智能科技（集团）有限公司 一种复杂场景下人脸识别的深度卷积网络及学习方法
CN108052864B (zh) * 2017-11-17 2019-04-26 平安科技（深圳）有限公司 人脸识别方法、应用服务器及计算机可读存储介质
CN109934047A (zh) * 2017-12-15 2019-06-25 浙江舜宇智能光学技术有限公司 基于深度学习的人脸识别系统及其人脸识别方法
CN109633134B (zh) * 2018-12-27 2024-03-12 山东宏业纺织股份有限公司 一种海藻纤维检测用随机分拣装置
CN112116598A (zh) * 2020-08-04 2020-12-22 北京农业信息技术研究中心 一种花卉种类识别方法及系统
CN112183302A (zh) * 2020-09-24 2021-01-05 上海新氦类脑智能科技有限公司 基于进化弱分类器的人脸信息识别方法、系统以及终端
CN112388643A (zh) * 2020-09-24 2021-02-23 中山大学 多功能健康科普机器人
CN112989904B (zh) * 2020-09-30 2022-03-25 北京字节跳动网络技术有限公司 风格图像生成方法、模型训练方法、装置、设备和介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1700240A (zh) * 2004-05-17 2005-11-23 香港中文大学 基于随机采样的面部识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1700240A (zh) * 2004-05-17 2005-11-23 香港中文大学 基于随机采样的面部识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Paul Viola, Michael Jones.Rapid Object Detection using a Boosted Cascade of SimpleFeatures.ACCEPTED CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION.2001,1-9. *
王琳、冯正进、刘成良、崔光亮.集成多分类器的人脸识别.计算机工程30 17.2004,30(17),第3页右栏、第4页右栏.
王琳、冯正进、刘成良、崔光亮.集成多分类器的人脸识别.计算机工程30 17.2004,30(17),第3页右栏、第4页右栏. *
说明书第8页第22-27行、附图1.

Also Published As

Publication number Publication date
CN101075291A (zh) 2007-11-21

Similar Documents

Publication Publication Date Title
CN101075291B (zh) 一种用于人脸识别的高效提升训练方法
Peralta et al. On the use of convolutional neural networks for robust classification of multiple fingerprint captures
Sabu et al. A survey on various optical character recognition techniques
Nakajima et al. Full-body person recognition system
Cament et al. Fusion of local normalization and Gabor entropy weighted features for face identification
CN105550657B (zh) 基于关键点的改进sift人脸特征提取方法
Oliveira et al. On exploration of classifier ensemble synergism in pedestrian detection
Li et al. DeepHSV: User-independent offline signature verification using two-channel CNN
Anwar et al. Learned features are better for ethnicity classification
Pan et al. Single-sample face recognition based on LPP feature transfer
Ren et al. Band-reweighed Gabor kernel embedding for face image representation and recognition
Rai et al. Gender classification techniques: A review
Verschae et al. A unified learning framework for object detection and classification using nested cascades of boosted classifiers
Sharma et al. Emotion recognition using facial expression by fusing key points descriptor and texture features
Scheirer Extreme value theory-based methods for visual recognition
Jain et al. Signature verification using geometrical features and artificial neural network classifier
Sampath et al. Decision tree and deep learning based probabilistic model for character recognition
Sharma et al. Low-level features based 2D face recognition using machine learning
Topçu et al. Decision fusion for patch-based face recognition
Littlewort et al. Fully automatic coding of basic expressions from video
Travieso et al. Bimodal biometric verification based on face and lips
Shoba et al. Face recognition using LBPH descriptor and convolution neural network
Zhao et al. Facial expression recognition based on local binary patterns and least squares support vector machines
Angulu et al. Age-group estimation using feature and decision level fusion
Wang et al. Histogram feature-based Fisher linear discriminant for face detection

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20100512

Termination date: 20150518

EXPY Termination of patent right or utility model