CN101719222A - 分类器训练方法和装置以及人脸认证方法和装置 - Google Patents
分类器训练方法和装置以及人脸认证方法和装置 Download PDFInfo
- Publication number
- CN101719222A CN101719222A CN200910241623A CN200910241623A CN101719222A CN 101719222 A CN101719222 A CN 101719222A CN 200910241623 A CN200910241623 A CN 200910241623A CN 200910241623 A CN200910241623 A CN 200910241623A CN 101719222 A CN101719222 A CN 101719222A
- Authority
- CN
- China
- Prior art keywords
- sample
- subregion
- sample characteristics
- sorter
- weak classifier
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 78
- 238000010606 normalization Methods 0.000 claims description 36
- 238000012804 iterative process Methods 0.000 claims description 20
- 239000000284 extract Substances 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 3
- 210000000887 face Anatomy 0.000 description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种分类器训练方法和装置以及人脸认证方法和装置。本发明将人脸图像划分为若干相互交叠的子区域,先利用人脸图像在每个子区域内的特征向量分别为各子区域训练一个子区域分类器,使每个子区域分类器可输出一置信度,用于表示基于该子区域内所具有的特征向量,可确定特征向量所属人脸为真的概率;再利用各子区域分类器输出的置信度训练得到一综合分类器,使该综合分类器能够基于其各子区域所对应的置信度确定人脸是否为真。这样一来,在人脸认证时即可通过子区域分类器更多地利用人脸局部特征,并基于人脸局部特征所对应的置信度综合判断该人脸是否为真,从而相比于现有基于全局特征的方式,能够提高人脸认证的准确性。
Description
技术领域
本发明涉及人脸识别技术,特别涉及用于人脸认证的一种分类器训练方法和一种分类器训练装置、以及一种人脸认证方法、一种人脸认证装置。
背景技术
人脸认证是人脸识别技术的一个分支,人脸认证过程就是在被认证对象声明自己的身份后,调用预先训练得到的分类器、并利用该分类器对被认证对象的人脸图像与人脸模型是否匹配进行识别,以判定被认证对象是否与其所声明身份一致。
现有的上述人脸认证方式中所使用的分类器,是利用人脸图像中的全局特征训练得到的一个完整分类器,相应地,利用该分类器的识别过程也是通过提取人脸图像的全局特征来实现的,然而,基于人脸图像全局特征的该人脸认证方式,对人脸局部特征的利用十分有限,而相比于人脸全局特征,人脸局部特征却更能够体现人脸中的丰富细节。
因此,现有基于人脸图像全局特征的人脸认证方式,会由于忽略大量人脸局部特征而导致人脸认证的准确度不高。
发明内容
有鉴于此,本发明提供了用于人脸认证的一种分类器训练方法和一种分类器训练装置、以及一种人脸认证方法、一种人脸认证装置,能够提高人脸认证的准确度。
本发明提供的一种用于人脸认证的分类器训练方法,包括:
a、将各样本图像按照脸部特征点位置对齐并归一化;
b、从对齐归一化后的各样本图像中提取特征向量、并将对齐归一化后的所有样本图像划分为相互交叠的若干子区域;
c、分别以相同人脸的各样本图像在每一子区域内特征向量差的绝对值为该子区域的正样本特征、以不同人脸的各样本图像在每一子区域内的特征向量差的绝对值为该子区域的反样本特征,为每一子区域训练一个子区域分类器,所述子区域分类器可依据各样本图像在该子区域内的特征向量的差,输出表示各样本图像属于同一人脸的置信度;
d、以所有子区域分类器针对相同人脸的各样本图像输出的置信度为正样本特征、以所有子区域分类器针对不同人脸的各样本图像输出的置信度为反样本特征,训练得到一个综合分类器,所述综合分类器可依据表示各样本图像属于同一人脸的置信度,输出各样本图像是否属于同一人脸的分类结果。
所述步骤c针对每一子区域执行如下步骤:
c0、给定该子区域的样本集LB={(xi,yi)},xi∈X、xi为特征向量差的绝对值构成的样本特征、X为包含所有n个特征向量差的绝对值构成的样本特征的特征向量,yi为样本标识、yi∈{+1,-1},n为所述正反样本总数目;
c1、设置每个样本特征xi的初始权重
c2、进行T轮迭代,其中,在第t轮迭代过程中,先依据以样本特征xi取值为横坐标、以样本特征xi的权重累积值为纵坐标的第t轮离散分布Dt为每个样本特征xi构造一弱分类器ht(xi),然后从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第t次迭代的最优弱分类器ht(X),再分别利用每个样本特征xi的弱分类器ht(xi)更新该样本特征xi下一次迭代的权重,T为预先设定的迭代次数;
所述步骤c2在第t次迭代过程中包括如下步骤:
c20、将第t轮离散分布Dt上的特征取值空间划分为m个互不相交的区间;
所述步骤d包括:
d0、给定综合样本集Lp={(x′p,y′q)},x′p∈X′、x′p为所述属于同一个人脸的置信度构成的样本特征、X′为包含所有N个所述属于同一个人脸的置信度所构成样本特征的特征向量,y′p为样本标识、y′p∈{+1,-1},N为所述子区域的总数;
d2、进行R轮迭代,其中,在第r轮迭代过程中,先依据以样本特征x′p取值为横坐标、以样本特征x′p的权重累积值为纵坐标的第r轮离散分布Dr为每个样本特征x′p构造一弱分类器hr(x′p),然后从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第r次迭代的最优弱分类器hr(X′),再分别利用每个样本特征x′p的弱分类器hr(x′p)更新该样本特征x′p下一次迭代的权重,R为预先设定的迭代次数;
所述步骤d2在第t次迭代过程中包括如下步骤:
d20、将第r轮离散分布Dr上的特征取值空间划分为Q个互不相交的区间;
本发明提供的一种用于人脸认证的分类器训练装置,包括:
样本对齐模块,将各样本图像按照脸部特征点位置对齐并归一化;
特征提取模块,从对齐归一化后的各样本图像中提取特征向量
区域划分模块,将对齐归一化后的所有样本图像划分为相互交叠的若干子区域;
区域训练模块,分别以相同人脸的各样本图像在每一子区域内特征向量差的绝对值为该子区域的正样本特征、以不同人脸的各样本图像在每一子区域内的特征向量差的绝对值为该子区域的反样本特征,为每一子区域训练一个子区域分类器,所述子区域分类器可依据各样本图像在该子区域内的特征向量的差,输出表示各样本图像属于同一人脸的置信度;
综合训练模块,以所有子区域分类器针对相同人脸的各样本图像输出的置信度为正样本特征、以所有子区域分类器针对不同人脸的各样本图像输出的置信度为反样本特征,训练得到一个综合分类器,所述综合分类器可依据表示各样本图像属于同一人脸的置信度,输出各样本图像是否属于同一人脸的分类结果。
所述区域训练模块依次将每一子区域作为当前子区域进行处理、并针对当前子区域包括:
区域样本配置模块,设置有当前子区域的样本集LB={(xi,yi)},xi∈X、xi为特征向量差的绝对值构成的样本特征、X为包含所有n个特征向量差的绝对值构成的样本特征的特征向量,yi为样本标识、yi∈{+1,-1},n为所述正反样本总数目;
区域迭代处理子模块,进行T轮迭代,其中,在第t轮迭代过程中,先依据以样本特征xi取值为横坐标、以样本特征xi的权重累积值为纵坐标的第t轮离散分布Dt为每个样本特征xi构造一弱分类器ht(xi),然后从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第t次迭代的最优弱分类器ht(X),再分别利用每个样本特征xi的弱分类器ht(xi)更新该样本特征xi下一次迭代的权重,T为预先设定的迭代次数;
所述区域迭代处理子模块包括循环执行T轮迭代的如下子单元:
区域区间划分子单元,将第t轮离散分布Dt上的特征取值空间划分为m个互不相交的区间;
区域弱分类器设定子单元,将每一区间Xj内的每一样本特征xj的弱分类器ht(xj)设定为:ε为避免W-1 j为0时引起数字溢出的预定系数;
区域弱分类器选择子单元,从所有弱分类器中选择分类误差上界最小的一个作为第t次迭代的最优弱分类器ht(X),其中,弱分类器ht(xj)的分类误差上界
所述综合训练模块包括:
全局样本配置子模块,设置有综合样本集Lp={(x′p,y′q)},x′p∈X′、x′p为所述属于同一个人脸的置信度构成的样本特征、X′为包含所有N个所述属于同一个人脸的置信度所构成样本特征的特征向量,y′p为样本标识、y′p∈{+1,-1},N为所述子区域的总数;
全局迭代处理子模块,进行R轮迭代,其中,在第r轮迭代过程中,先依据以样本特征x′p取值为横坐标、以样本特征x′p的权重累积值为纵坐标的第r轮离散分布Dr为每个样本特征x′p构造一弱分类器hr(x′p),然后从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第r次迭代的最优弱分类器hr(X′),再分别利用每个样本特征x′p的弱分类器hr(x′p)更新该样本特征x′p下一次迭代的权重,R为预先设定的迭代次数;
所述全局迭代处理子模块包括循环执行R轮迭代的如下子单元:
全局区间划分子单元,将第r轮离散分布Dr上的特征取值空间划分为Q个互不相交的区间;
全局弱分类器设定子单元,将每一区间X′q内的每一样本特征x′q的弱分类器hr(x′q)设定为:ε为避免W-1 q为0时引起数字溢出的预定系数;
本发明提供的一种人脸认证方法,包括:
a’、将待认证的输入图像与认证身份所对应的人脸模型按照脸部特征点位置对齐并归一化;
b’、从对齐归一化后的输入图像和人脸模型提取特征向量,并将对齐归一化后的输入图像和人脸模型划分为相互交叠的若干子区域;
c’、分别利用针对每个子区域预先训练得到的子区域分类器,对输入图像和人脸模型在该子区域内特征向量的差进行处理,得到表示输入图像和人脸模型基于该区域内的特征向量可被确定为同一人的置信度;
d’、利用预先训练得到的综合分类器,对所有子区域分类器输出的所述置信度进行处理,并得到表示输入图像和人脸模型基于各子区域的置信度是否属于同一人的认证结果。
本发明提供的一种人脸认证装置,包括:
跟踪定位模块,将待认证的输入图像与认证身份所对应的人脸模型按照脸部特征点位置对齐并归一化;
特征提取模块,从对齐归一化后的输入图像和人脸模型提取特征向量;
区域划分模块,将对齐归一化后的输入图像和人脸模型划分为相互交叠的若干子区域;
预先训练得到的对应每个子区域的子区域分类器,对输入图像和人脸模型在该子区域内特征向量的差进行处理,得到表示输入图像和人脸模型基于该区域内的特征向量可被确定为同一人的置信度;
预先训练得到的综合分类器,对所有子区域分类器输出的所述置信度进行处理,并得到表示输入图像和人脸模型基于各子区域的置信度是否属于同一人的认证结果。
由上述技术方案可见,本发明将人脸图像划分为若干相互交叠的子区域,先利用人脸图像在每个子区域内的特征向量分别为各子区域训练一个子区域分类器,使每个子区域分类器可输出一置信度,用于表示基于该子区域内所具有的特征向量,可确定特征向量所属人脸为真的概率;再利用各子区域分类器输出的置信度训练得到一综合分类器,使该综合分类器能够基于其各子区域所对应的置信度确定人脸是否为真。这样一来,在人脸认证时即可通过子区域分类器更多地利用人脸局部特征,并基于人脸局部特征所对应的置信度综合判断该人脸是否为真,从而相比于现有基于全局特征的方式,能够提高人脸认证的准确性。
附图说明
图1为本发明实施例中用于人脸认证的分类器训练方法的流程示意图;
图2为本发明实施例中人脸认证方法的流程示意图;
图3为本发明实施例中用于人脸认证的分类器训练装置的结构示意图;
图4为本发明实施例中人脸认证装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举实施例,对本发明进一步详细说明。
图1为本发明实施例中用于人脸认证的分类器训练方法的流程示意图。如图1所示,本发明实施例中用于人脸认证的分类器训练方法包括:
步骤101,将各样本图像按照例如眼睛、鼻尖等脸部特征点位置对齐并归一化。
本步骤中,如何识别眼睛、鼻尖等脸部特征,可以采用现有任一种方式来实现。
步骤102,从对齐归一化后的各样本图像中提取特征向量。
本步骤中,可以提取盖博(Gabor)特征作为特征向量。其中,Gabor特征由一系列不同尺度、不同方向的Gabor滤波器与图像进行二维卷积得到。具体说,本实施例可以采用m个尺度和n个方向所构成的所有Gabor滤波器来获取Gabor特征,称为全局滤波器组、用G(m×n)表示,可以但不限于取m=5,n=8。
假定人脸图像的宽度和高度分别为FW、FH,可以但不限于取FW为64、FH为64,则对一幅人脸图像即可得到一个由m*n*FW*FH个特征组成的特征向量,换言之,将尺度个数为m、方向个数为n的Gabor滤波器对像素中心位置为(i,j)的图像进行滤波,得到的Gabor特征可表示为Gabor(m,n,i,j)。
步骤103,将对齐归一化后的各样本图像划分为相互交叠的若干子区域。
本步骤中,若干子区域的大小可以相同、也可以不全相同,每个子区域的长宽比可以分别取但不限于取1∶1、1∶2、2∶1等等,且每个子区域与其任意邻边子区域交叠的宽度可以为至少1个像素。
步骤104,分别以相同人脸的各样本图像在每一子区域内特征向量差的绝对值为该子区域的正样本特征、以不同人脸的各样本图像在每一子区域内的特征向量差的绝对值为该子区域的反样本特征,为每一子区域训练一个子区域分类器,所述子区域分类器可依据各样本图像在该子区域内的特征向量的差,输出表示各样本图像属于同一人脸的置信度,从而使所述子区域分类器能够依据输入图像与人脸模型在对应子区域内的特征向量的差输出该输入图像与人脸模型属于同一人脸的置信度。
由于人脸识别是一个较为复杂的多类问题,即一个人脸与多个人脸的分类识别问题,因而为了简化处理,本步骤分别以同一人脸和不同人脸的各样本图像在每一子区域内特征向量差的绝对值为正反样本特征,而非利用若干人脸的样本图像本身作为正反样本特征,从而将多类问题转换为一个两类问题。
具体说,本步骤中对于每一子区域的处理过程可以包括:
1)给定由该子区域的正样本和反样本构成的样本集LB={(xi,yi)},xi∈X、xi为样本特征、X为所有n个样本特征构成的特征向量,yi为样本标识、yi∈{+1,-1}、xi为正样本特征时yi取+1、xi为反样本特征时yi取-1,i大于等于1且小于等于样本图像总数n、n为正反样本的总数目;
3)进行T轮迭代、T为预先设定的迭代次数,在第t轮迭代过程中:
3.1)依据以样本特征xi所有可能的取值为横坐标、以样本特征xi的权重累积值为纵坐标的第t轮离散分布Dt,为每个样本特征xi构造一弱分类器hi(xi)、hi(xi)表示基于对应样本特征xi基于其取值可被确定为真的概率。
例如:
可以先将Dt(i)累积分布的样本特征取值空间划分为m个互不相交的区间;
然后,统计每一区间Xj内出现正样本的概率:
以及,每一区间Xj内出现反样本特征的概率:
然后,即可将每一区间Xj内的每一样本特征xj的弱分类器ht(xj)设定为:
3.2)从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第t次迭代的最优弱分类器ht(X)。
3.3)分别利用每个样本特征xi的弱分类器ht(xi)更新该样本特征xi下一次迭代的权重,以使得正样本特征的权重越来越小、反样本特征的权重随着迭代过程的继续而越来越大,从而使最优弱分类器ht(X)的精度随着迭代过程的继续而越来越高,t大于等于1且小于等于T。
需要说明的是,本步骤中所出现的i和j、以及m和n与步骤102中表示Gabor特征的i和j、以及m和n无关。
步骤105,以所有子区域分类器针对相同人脸的各样本图像输出的置信度为正样本特征、以所有子区域分类器针对不同人脸的各样本图像输出的置信度为反样本特征,训练得到一个综合分类器,所述综合分类器可依据表示各样本图像属于同一人脸的置信度,输出各样本图像是否属于同一人脸的分类结果,从而使得所述综合分类器能够依据输入图像与人脸模型属于同一人脸的置信度,输出该输入图像与人脸模型是否属于同一人脸的分类结果。
如前所述,人脸识别是一个较为复杂的多类问题,即一个人脸与多个人脸的分类识别问题,因而仍然是为了简化处理,本步骤中利用置信度作为正反样本、而非利用样本图像本身作为正反样本,从而将多类问题转换为一个两类问题。
本步骤中的基本原理与步骤104类似,具体包括:
1)给定综合样本集Lp={(x′p,y′q)},x′p∈X′、x′p为所述属于同一个人脸的置信度构成的样本特征、X′为包含所有N个子区域分类器输出的置信度所构成样本特征的特征向量,y′p为样本标识、y′p∈{+1,-1},p大于等于1且小于等于子区域总数N;
2)设置每个样本特征x′p的初始权重这里设置的权重可以看作是每个样本特征x′p出现的概率值;
3)进行R轮迭代、R为预先设定的迭代次数,其中,在第r轮迭代过程中:
3.1)依据以样本特征x′p所有可能的取值为横坐标、以样本特征x′p的权重累积值为纵坐标的第r轮离散分布Dr,为每个样本特征x′p构造一弱分类器hr(x′p);
例如:
可先将第r轮离散分布Dr上的特征取值空间划分为Q个互不相交的区间;
统计每一区间X′q内出现正样本特征的概率:
以及,每一区间X′q内出现反样本特征的概率:
q大于等于1且小于等于Q;
3.2)从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第r次迭代的最优弱分类器hr(X′);
3.3)分别利用每个样本特征x′p的弱分类器hr(x′p)更新该样本特征x′p下一次迭代的权重,以使得正样本特征的权重越来越小、反样本特征的权重随着迭代过程的继续而越来越大,从而使最优弱分类器hr(x′)的精度随着迭代过程的继续而越来越高,r大于等于1且小于等于R;
至此,本流程结束。
基于上述流程训练得到的子区域分类器和综合分类器,即可实现分区域的人脸认证。
图2为本发明实施例中人脸认证方法的流程示意图。如图2所示,基于上述训练方法得到的子区域分类器和综合分类器,本实施例中的人脸认证方法包括:
步骤201、将待认证的输入图像与认证身份所对应的人脸模型按照例如眼睛、鼻尖等脸部特征点位置对齐并归一化。
步骤202、从对齐归一化后的输入图像和人脸模型提取特征向量。
步骤203、将对齐归一化后的输入图像和人脸模型划分为相互交叠的若干子区域。
本步骤中对若干子区域的划分,是按照训练子区域分类器时相同的方式。
步骤204、分别利用针对每个子区域训练得到的子区域分类器,对输入图像和人脸模型在该子区域内特征向量的差进行处理,得到表示输入图像和人脸模型基于该区域内的特征向量可被确定为同一人的置信度。
步骤205、利用预先训练得到的综合分类器,对所有子区域分类器输出的所述置信度进行处理,并得到表示输入图像和人脸模型基于各子区域的置信度是否属于同一人的认证结果。
至此,本流程结束。
由上述分类器训练方法、以及基于该分类器训练方法的人脸认证方法可见,本发明实施例将人脸图像划分为若干相互交叠的子区域,先利用人脸图像在每个子区域内的特征向量分别为各子区域训练一个子区域分类器,使每个子区域分类器可输出一置信度,用于表示基于该子区域内所具有的特征向量可确定所属人脸为真的概率;再利用各子区域分类器输出的置信度训练得到一综合分类器,使该综合分类器能够基于其各子区域所对应的置信度确定人脸是否为真。这样一来,在人脸认证时即可通过子区域分类器更多地利用人脸局部特征,并基于人脸局部特征所对应的置信度综合判断该人脸是否为真,从而相比于现有基于全局特征的方式,能够提高人脸认证的准确性。
下面,再对本发明实施例中用于人脸认证的分类器训练装置和人脸认证装置进行详细说明。
图3为本发明实施例中用于人脸认证的分类器训练装置的结构示意图。如图3所示,本实施例中用于人脸认证的分类器训练装置包括:
样本对齐模块301,将各样本图像按照脸部特征点位置对齐并归一化;
特征提取模块302,从对齐归一化后的各样本图像中提取特征向量,例如Gabor特征;
区域划分模块303,将对齐归一化后的所有样本图像划分为相互交叠的若干子区域;
区域训练模块304,分别以相同人脸的各样本图像在每一子区域内特征向量差的绝对值为该子区域的正样本特征、以不同人脸的各样本图像在每一子区域内的特征向量差的绝对值为该子区域的反样本特征,为每一子区域训练一个子区域分类器,所述子区域分类器可依据各样本图像在该子区域内的特征向量的差,输出表示各样本图像属于同一人脸的置信度;
综合训练模块305,以所有子区域分类器针对相同人脸的各样本图像输出的置信度为正样本特征、以所有子区域分类器针对不同人脸的各样本图像输出的置信度为反样本特征,训练得到一个综合分类器,所述综合分类器可依据表示各样本图像属于同一人脸的置信度,输出各样本图像是否属于同一人脸的分类结果。
实际应用中,区域训练模块304依次将每一子区域作为当前子区域进行处理、并针对当前子区域包括(图3中未示出):
区域样本配置模块,设置有当前子区域的样本集LB={(xi,yi)},xi∈X、xi为特征向量差的绝对值构成的样本特征、X为包含所有n个特征向量差的绝对值构成的样本特征的特征向量,yi为样本标识、yi∈{+1,-1},n为所述正反样本总数目;
区域迭代处理子模块,进行T轮迭代、T为预先设定的迭代次数,其中,在第t轮迭代过程中,先依据以样本特征xi取值为横坐标、以样本特征xi的权重累积值为纵坐标的第t轮离散分布Dt为每个样本特征xi构造一弱分类器ht(xi),然后从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第t次迭代的最优弱分类器ht(X),再分别利用每个样本特征xi的弱分类器ht(xi)更新该样本特征xi下一次迭代的权重;
进一步地,区域迭代处理子模块又可以包括循环执行T轮迭代的如下子单元:
区域区间划分子单元,将第t轮离散分布Dt上的特征取值空间划分为m个互不相交的区间;
区域权重更新子单元,通过计算来更新每个样本特征xi下一次迭代的权重Dt+1(i)。
与区域训练模块304基本相同的原理,综合训练模块305可以包括(图3中未示出):
全局样本配置子模块,设置有综合样本集Lp={(x′p,y′q)},x′p∈X′、x′p为所述属于同一个人脸的置信度构成的样本特征、X′为包含所有N个子区域分类器输出的所述属于同一个人脸置信度所构成样本特征的特征向量,y′p为样本标识、y′p∈{+1,-1},N为所述子区域的总数;
全局迭代处理子模块,进行R轮迭代、R为预先设定的迭代次数,其中,在第r轮迭代过程中,先依据以样本特征x′p取值为横坐标、以样本特征x′p的权重累积值为纵坐标的第r轮离散分布Dr为每个样本特征x′p构造一弱分类器hr(x′p),然后从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第r次迭代的最优弱分类器hr(X′),再分别利用每个样本特征x′p的弱分类器hr(x′p)更新该样本特征x′p下一次迭代的权重;
进一步地,全局迭代处理子模块又可以包括循环执行R轮迭代的如下子单元:
全局区间划分子单元,将第r轮离散分布Dr上的特征取值空间划分为Q个互不相交的区间;
图4为本发明实施例中人脸认证装置的结构示意图。如图4所示,本实施例中的人脸认证装置包括:
跟踪定位模块401,将待认证的输入图像与认证身份所对应的人脸模型按照脸部特征点位置对齐并归一化;
特征提取模块402,从对齐归一化后的输入图像和人脸模型提取特征向量;
区域划分模块403,将对齐归一化后的输入图像和人脸模型划分为相互交叠的若干子区域;
预先训练得到的对应每个子区域的子区域分类器404,对输入图像和人脸模型在该子区域内特征向量的差进行处理,得到表示输入图像和人脸模型基于该区域内的特征向量可被确定为同一人的置信度;
预先训练得到的综合分类器405,对所有子区域分类器输出的所述置信度进行处理,并得到表示输入图像和人脸模型基于各子区域的置信度是否属于同一人的认证结果。
由上述分类器训练装置、以及基于分类器训练装置训练得到的子区域分类器和综合分类器的人脸认证装置可见,本发明实施例将人脸图像划分为若干相互交叠的子区域,先利用人脸图像在每个子区域内的特征向量分别为各子区域训练一个子区域分类器,使每个子区域分类器可输出一置信度,用于表示基于该子区域内所具有的特征向量可确定所属人脸为真的概率;再利用各子区域分类器输出的置信度训练得到一综合分类器,使该综合分类器能够基于其各子区域所对应的置信度确定人脸是否为真。这样一来,在人脸认证时即可通过子区域分类器更多地利用人脸局部特征,并基于人脸局部特征所对应的置信度综合判断该人脸是否为真,从而相比于现有基于全局特征的方式,能够提高人脸认证的准确性。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换以及改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种用于人脸认证的分类器训练方法,其特征在于,包括如下步骤:
a、将各样本图像按照脸部特征点位置对齐并归一化;
b、从对齐归一化后的各样本图像中提取特征向量、并将对齐归一化后的所有样本图像划分为相互交叠的若干子区域;
c、分别以相同人脸的各样本图像在每一子区域内特征向量差的绝对值为该子区域的正样本特征、以不同人脸的各样本图像在每一子区域内的特征向量差的绝对值为该子区域的反样本特征,为每一子区域训练一个子区域分类器,所述子区域分类器可依据各样本图像在该子区域内的特征向量的差,输出表示各样本图像属于同一人脸的置信度;
d、以所有子区域分类器针对相同人脸的各样本图像输出的置信度为正样本特征、以所有子区域分类器针对不同人脸的各样本图像输出的置信度为反样本特征,训练得到一个综合分类器,所述综合分类器可依据表示各样本图像属于同一人脸的置信度,输出各样本图像是否属于同一人脸的分类结果。
2.如权利要求1所述的分类器训练方法,其特征在于,所述步骤c针对每一子区域执行如下步骤:
c0、给定该子区域的样本集LB={(xi,yi)},xi∈X、xi为特征向量差的绝对值构成的样本特征、X为包含所有n个特征向量差的绝对值构成的样本特征的特征向量,yi为样本标识、yi∈{+1,-1},n为所述正反样本总数目;
c2、进行T轮迭代,其中,在第t轮迭代过程中,先依据以样本特征xi取值为横坐标、以样本特征xi的权重累积值为纵坐标的第t轮离散分布Dt为每个样本特征xi构造一弱分类器ht(xi),然后从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第t次迭代的最优弱分类器ht(X),再分别利用每个样本特征xi的弱分类器ht(xi)更新该样本特征xi下一次迭代的权重,T为预先设定的迭代次数;
3.如权利要求2所述的分类器训练方法,其特征在于,所述步骤c2在第t次迭代过程中包括如下步骤:
c20、将第t轮离散分布Dt上的特征取值空间划分为m个互不相交的区间;
4.如权利要求1至3中任一项所述的分类器训练方法,其特征在于,所述步骤d包括:
d0、给定综合样本集Lp={(x′p,y′q)},x′p∈X′、x′p为所述属于同一个人脸的置信度构成的样本特征、X′为包含所有N个所述属于同一个人脸的置信度所构成样本特征的特征向量,y′p为样本标识、y′p∈{+1,-1},N为所述子区域的总数;
d2、进行R轮迭代,其中,在第r轮迭代过程中,先依据以样本特征x′p取值为横坐标、以样本特征x′p的权重累积值为纵坐标的第r轮离散分布Dr为每个样本特征x′p构造一弱分类器hr(x′p),然后从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第r次迭代的最优弱分类器hr(X′),再分别利用每个样本特征x′p的弱分类器hr(x′p)更新该样本特征x′p下一次迭代的权重,R为预先设定的迭代次数;
5.如权利要求4所述的分类器训练方法,其特征在于,所述步骤d2在第t次迭代过程中包括如下步骤:
d20、将第r轮离散分布Dr上的特征取值空间划分为Q个互不相交的区间;
6.一种用于人脸认证的分类器训练装置,其特征在于,包括:
样本对齐模块,将各样本图像按照脸部特征点位置对齐并归一化;
特征提取模块,从对齐归一化后的各样本图像中提取特征向量
区域划分模块,将对齐归一化后的所有样本图像划分为相互交叠的若干子区域;
区域训练模块,分别以相同人脸的各样本图像在每一子区域内特征向量差的绝对值为该子区域的正样本特征、以不同人脸的各样本图像在每一子区域内的特征向量差的绝对值为该子区域的反样本特征,为每一子区域训练一个子区域分类器,所述子区域分类器可依据各样本图像在该子区域内的特征向量的差,输出表示各样本图像属于同一人脸的置信度;
综合训练模块,以所有子区域分类器针对相同人脸的各样本图像输出的置信度为正样本特征、以所有子区域分类器针对不同人脸的各样本图像输出的置信度为反样本特征,训练得到一个综合分类器,所述综合分类器可依据表示各样本图像属于同一人脸的置信度,输出各样本图像是否属于同一人脸的分类结果。
7.如权利要求6所述的分类器训练装置,其特征在于,所述区域训练模块依次将每一子区域作为当前子区域进行处理、并针对当前子区域包括:
区域样本配置模块,设置有当前子区域的样本集LB={(xi,yi)},xi∈X、xi为特征向量差的绝对值构成的样本特征、X为包含所有n个特征向量差的绝对值构成的样本特征的特征向量,yi为样本标识、yi∈{+1,-1},n为所述正反样本总数目;
区域迭代处理子模块,进行T轮迭代,其中,在第t轮迭代过程中,先依据以样本特征xi取值为横坐标、以样本特征xi的权重累积值为纵坐标的第t轮离散分布Dt为每个样本特征xi构造一弱分类器ht(xi),然后从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第t次迭代的最优弱分类器ht(X),再分别利用每个样本特征xi的弱分类器ht(xi)更新该样本特征xi下一次迭代的权重,T为预先设定的迭代次数;
8.如权利要求7所述的分类器训练装置,其特征在于,所述区域迭代处理子模块包括循环执行T轮迭代的如下子单元:
区域区间划分子单元,将第t轮离散分布Dt上的特征取值空间划分为m个互不相交的区间;
区域弱分类器设定子单元,将每一区间Xj内的每一样本特征xj的弱分类器ht(xj)设定为:ε为避免W-1 j为0时引起数字溢出的预定系数;
区域弱分类器选择子单元,从所有弱分类器中选择分类误差上界最小的一个作为第t次迭代的最优弱分类器ht(X),其中,弱分类器ht(xj)的分类误差上界
9.如权利要求6至8中任一项所述的分类器训练装置,其特征在于,所述综合训练模块包括:
全局样本配置子模块,设置有综合样本集Lp={(x′p,y′q)},x′p∈X′、x′p为所述属于同一个人脸的置信度构成的样本特征、X′为包含所有N个所述属于同一个人脸的置信度所构成样本特征的特征向量,y′p为样本标识、y′p∈{+1,-1},N为所述子区域的总数;
全局迭代处理子模块,进行R轮迭代,其中,在第r轮迭代过程中,先依据以样本特征x′p取值为横坐标、以样本特征x′p的权重累积值为纵坐标的第r轮离散分布Dr为每个样本特征x′p构造一弱分类器hr(x′p),然后从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第r次迭代的最优弱分类器hr(X′),再分别利用每个样本特征x′p的弱分类器hr(x′p)更新该样本特征x′p下一次迭代的权重,R为预先设定的迭代次数;
10.如权利要求9所述的分类器训练方法,其特征在于,所述全局迭代处理子模块包括循环执行R轮迭代的如下子单元:
全局区间划分子单元,将第r轮离散分布Dr上的特征取值空间划分为Q个互不相交的区间;
全局弱分类器设定子单元,将每一区间X′q内的每一样本特征x′q的弱分类器hr(x′q)设定为:ε为避免W-1 q为0时引起数字溢出的预定系数;
全局弱分类器选择子单元,从所有弱分类器中选择分类误差上界最小的一个作为第r次迭代的最优弱分类器hr(X′),其中,弱分类器hr(x′q)的分类误差上界
11.一种人脸认证方法,其特征在于,包括如下步骤:
a’、将待认证的输入图像与认证身份所对应的人脸模型按照脸部特征点位置对齐并归一化;
b’、从对齐归一化后的输入图像和人脸模型提取特征向量,并将对齐归一化后的输入图像和人脸模型划分为相互交叠的若干子区域;
c’、分别利用针对每个子区域预先训练得到的子区域分类器,对输入图像和人脸模型在该子区域内特征向量的差进行处理,得到表示输入图像和人脸模型基于该区域内的特征向量可被确定为同一人的置信度;
d’、利用预先训练得到的综合分类器,对所有子区域分类器输出的所述置信度进行处理,并得到表示输入图像和人脸模型基于各子区域的置信度是否属于同一人的认证结果。
12.一种人脸认证装置,其特征在于,包括:
跟踪定位模块,将待认证的输入图像与认证身份所对应的人脸模型按照脸部特征点位置对齐并归一化;
特征提取模块,从对齐归一化后的输入图像和人脸模型提取特征向量;
区域划分模块,将对齐归一化后的输入图像和人脸模型划分为相互交叠的若干子区域;
预先训练得到的对应每个子区域的子区域分类器,对输入图像和人脸模型在该子区域内特征向量的差进行处理,得到表示输入图像和人脸模型基于该区域内的特征向量可被确定为同一人的置信度;
预先训练得到的综合分类器,对所有子区域分类器输出的所述置信度进行处理,并得到表示输入图像和人脸模型基于各子区域的置信度是否属于同一人的认证结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910241623.7A CN101719222B (zh) | 2009-11-27 | 2009-11-27 | 分类器训练方法和装置以及人脸认证方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910241623.7A CN101719222B (zh) | 2009-11-27 | 2009-11-27 | 分类器训练方法和装置以及人脸认证方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101719222A true CN101719222A (zh) | 2010-06-02 |
CN101719222B CN101719222B (zh) | 2014-02-12 |
Family
ID=42433795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910241623.7A Active CN101719222B (zh) | 2009-11-27 | 2009-11-27 | 分类器训练方法和装置以及人脸认证方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101719222B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102375991A (zh) * | 2010-08-24 | 2012-03-14 | 北京中星微电子有限公司 | 分类器训练方法和装置以及字符识别方法和装置 |
CN102682309A (zh) * | 2011-03-14 | 2012-09-19 | 汉王科技股份有限公司 | 一种基于模板学习的人脸注册方法及装置 |
CN103679188A (zh) * | 2012-09-12 | 2014-03-26 | 富士通株式会社 | 图像分类器生成方法和装置及图像分类方法和装置 |
CN103745204A (zh) * | 2014-01-17 | 2014-04-23 | 公安部第三研究所 | 一种基于斑痣点的体貌特征比对方法 |
CN103988228A (zh) * | 2011-09-27 | 2014-08-13 | 英特尔公司 | 脸部识别方法、设备和用于执行该方法的计算机可读记录介质 |
CN104680120A (zh) * | 2013-12-02 | 2015-06-03 | 华为技术有限公司 | 一种人脸检测的强分类器的生成方法及装置 |
CN104715227A (zh) * | 2013-12-13 | 2015-06-17 | 北京三星通信技术研究有限公司 | 人脸关键点的定位方法和装置 |
CN105160295A (zh) * | 2015-07-14 | 2015-12-16 | 东北大学 | 一种面向大规模人脸数据库的快速高效人脸识别方法 |
CN105378762A (zh) * | 2014-04-08 | 2016-03-02 | 微软技术许可有限责任公司 | 使用交替方向乘子法的深度学习 |
CN107609455A (zh) * | 2016-07-11 | 2018-01-19 | 北京展讯高科通信技术有限公司 | 人脸子分类器扩展器 |
CN107832684A (zh) * | 2017-10-26 | 2018-03-23 | 通华科技(大连)有限公司 | 一种具有自主学习能力的智能静脉认证方法和系统 |
CN107871103A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸认证方法和装置 |
CN108021986A (zh) * | 2017-10-27 | 2018-05-11 | 平安科技(深圳)有限公司 | 电子装置、多模型样本训练方法和计算机可读存储介质 |
CN108062787A (zh) * | 2017-12-13 | 2018-05-22 | 北京小米移动软件有限公司 | 三维人脸建模方法及装置 |
CN108491794A (zh) * | 2018-03-22 | 2018-09-04 | 腾讯科技(深圳)有限公司 | 面部识别的方法和装置 |
CN109460792A (zh) * | 2018-11-14 | 2019-03-12 | 深圳市威富视界有限公司 | 一种基于图像识别的人工智能模型训练方法及装置 |
CN109711386A (zh) * | 2019-01-10 | 2019-05-03 | 北京达佳互联信息技术有限公司 | 获取识别模型的方法、装置、电子设备及存储介质 |
CN112353368A (zh) * | 2020-05-08 | 2021-02-12 | 北京理工大学 | 一种基于反馈调节的多输入信号癫痫发作检测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050074167A1 (en) * | 2003-10-06 | 2005-04-07 | Fuji Xerox Co., Ltd. | Operation-discerning apparatus and apparatus for discerning posture of subject |
CN101276421A (zh) * | 2008-04-18 | 2008-10-01 | 清华大学 | 人脸部件特征和Gabor人脸特征融合的人脸识别方法及其装置 |
CN101482925A (zh) * | 2009-01-16 | 2009-07-15 | 西安电子科技大学 | 基于局部嵌入式隐马尔可夫模型的照片生成方法 |
-
2009
- 2009-11-27 CN CN200910241623.7A patent/CN101719222B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050074167A1 (en) * | 2003-10-06 | 2005-04-07 | Fuji Xerox Co., Ltd. | Operation-discerning apparatus and apparatus for discerning posture of subject |
CN101276421A (zh) * | 2008-04-18 | 2008-10-01 | 清华大学 | 人脸部件特征和Gabor人脸特征融合的人脸识别方法及其装置 |
CN101482925A (zh) * | 2009-01-16 | 2009-07-15 | 西安电子科技大学 | 基于局部嵌入式隐马尔可夫模型的照片生成方法 |
Non-Patent Citations (1)
Title |
---|
张成言: "基于块内相关性的2DPCA人脸识别方法", 《中山大学硕士学位论文》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102375991B (zh) * | 2010-08-24 | 2016-04-13 | 北京中星微电子有限公司 | 分类器训练方法和装置以及字符识别方法和装置 |
CN102375991A (zh) * | 2010-08-24 | 2012-03-14 | 北京中星微电子有限公司 | 分类器训练方法和装置以及字符识别方法和装置 |
CN102682309B (zh) * | 2011-03-14 | 2014-11-19 | 汉王科技股份有限公司 | 一种基于模板学习的人脸注册方法及装置 |
CN102682309A (zh) * | 2011-03-14 | 2012-09-19 | 汉王科技股份有限公司 | 一种基于模板学习的人脸注册方法及装置 |
CN103988228A (zh) * | 2011-09-27 | 2014-08-13 | 英特尔公司 | 脸部识别方法、设备和用于执行该方法的计算机可读记录介质 |
CN103988228B (zh) * | 2011-09-27 | 2018-11-30 | 英特尔公司 | 脸部识别方法、设备和用于执行该方法的计算机可读记录介质 |
CN103679188A (zh) * | 2012-09-12 | 2014-03-26 | 富士通株式会社 | 图像分类器生成方法和装置及图像分类方法和装置 |
CN104680120A (zh) * | 2013-12-02 | 2015-06-03 | 华为技术有限公司 | 一种人脸检测的强分类器的生成方法及装置 |
CN104680120B (zh) * | 2013-12-02 | 2018-10-19 | 华为技术有限公司 | 一种人脸检测的强分类器的生成方法及装置 |
CN104715227A (zh) * | 2013-12-13 | 2015-06-17 | 北京三星通信技术研究有限公司 | 人脸关键点的定位方法和装置 |
CN104715227B (zh) * | 2013-12-13 | 2020-04-03 | 北京三星通信技术研究有限公司 | 人脸关键点的定位方法和装置 |
CN103745204B (zh) * | 2014-01-17 | 2017-11-28 | 公安部第三研究所 | 一种基于斑痣点的体貌特征比对方法 |
CN103745204A (zh) * | 2014-01-17 | 2014-04-23 | 公安部第三研究所 | 一种基于斑痣点的体貌特征比对方法 |
CN105378762B (zh) * | 2014-04-08 | 2018-01-19 | 微软技术许可有限责任公司 | 使用交替方向乘子法的深度学习 |
CN105378762A (zh) * | 2014-04-08 | 2016-03-02 | 微软技术许可有限责任公司 | 使用交替方向乘子法的深度学习 |
US10579922B2 (en) | 2014-04-08 | 2020-03-03 | Microsoft Technology Licensing, Llc | Deep learning using alternating direction method of multipliers |
CN105160295A (zh) * | 2015-07-14 | 2015-12-16 | 东北大学 | 一种面向大规模人脸数据库的快速高效人脸识别方法 |
CN105160295B (zh) * | 2015-07-14 | 2019-05-17 | 东北大学 | 一种面向大规模人脸数据库的快速高效人脸检索方法 |
CN107609455A (zh) * | 2016-07-11 | 2018-01-19 | 北京展讯高科通信技术有限公司 | 人脸子分类器扩展器 |
CN107609455B (zh) * | 2016-07-11 | 2019-11-12 | 北京展讯高科通信技术有限公司 | 人脸子分类器扩展器 |
CN107871103A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸认证方法和装置 |
CN107832684A (zh) * | 2017-10-26 | 2018-03-23 | 通华科技(大连)有限公司 | 一种具有自主学习能力的智能静脉认证方法和系统 |
CN108021986A (zh) * | 2017-10-27 | 2018-05-11 | 平安科技(深圳)有限公司 | 电子装置、多模型样本训练方法和计算机可读存储介质 |
CN108062787A (zh) * | 2017-12-13 | 2018-05-22 | 北京小米移动软件有限公司 | 三维人脸建模方法及装置 |
CN108062787B (zh) * | 2017-12-13 | 2022-02-11 | 北京小米移动软件有限公司 | 三维人脸建模方法及装置 |
CN108491794A (zh) * | 2018-03-22 | 2018-09-04 | 腾讯科技(深圳)有限公司 | 面部识别的方法和装置 |
CN109460792A (zh) * | 2018-11-14 | 2019-03-12 | 深圳市威富视界有限公司 | 一种基于图像识别的人工智能模型训练方法及装置 |
CN109711386A (zh) * | 2019-01-10 | 2019-05-03 | 北京达佳互联信息技术有限公司 | 获取识别模型的方法、装置、电子设备及存储介质 |
CN112353368A (zh) * | 2020-05-08 | 2021-02-12 | 北京理工大学 | 一种基于反馈调节的多输入信号癫痫发作检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN101719222B (zh) | 2014-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101719222B (zh) | 分类器训练方法和装置以及人脸认证方法和装置 | |
Jia et al. | Gabor cube selection based multitask joint sparse representation for hyperspectral image classification | |
CN104166841B (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
Sirmacek et al. | Urban-area and building detection using SIFT keypoints and graph theory | |
CN100458831C (zh) | 人脸模型训练模块及方法、人脸实时认证系统及方法 | |
CN109063649B (zh) | 基于孪生行人对齐残差网络的行人重识别方法 | |
CN105956560A (zh) | 一种基于池化多尺度深度卷积特征的车型识别方法 | |
Li et al. | Rank-SIFT: Learning to rank repeatable local interest points | |
CN106096602A (zh) | 一种基于卷积神经网络的中文车牌识别方法 | |
CN106228166B (zh) | 字符图像的识别方法 | |
CN106203387A (zh) | 人脸验证方法及系统 | |
CN100389388C (zh) | 基于人脸认证的屏幕保护方法及装置 | |
CN106529484A (zh) | 基于类指定多核学习的光谱和激光雷达数据联合分类方法 | |
CN104298974A (zh) | 一种基于深度视频序列的人体行为识别方法 | |
CN111353504B (zh) | 基于图像块多样性选择和残差预测模块的源相机识别方法 | |
CN102542243A (zh) | 一种基于lbp图像和分块编码的虹膜特征提取方法 | |
CN106257496A (zh) | 海量网络文本与非文本图像分类方法 | |
CN102184411A (zh) | 基于彩色信息的尺度不变特征点描述和匹配方法 | |
CN108776777A (zh) | 一种基于Faster RCNN的遥感影像对象间空间关系的识别方法 | |
Xiong et al. | RGB-D scene recognition via spatial-related multi-modal feature learning | |
CN109919088A (zh) | 一种喀斯特地区火龙果单株识别自动提取方法 | |
CN110826449A (zh) | 基于轻量型卷积神经网络的非机动车再识别目标检索方法 | |
CN104008374B (zh) | 一种矿井图像中基于条件随机场的矿工检测方法 | |
CN113159015A (zh) | 一种基于迁移学习的印章识别方法 | |
Khodadadzadeh et al. | A new framework for hyperspectral image classification using multiple spectral and spatial features |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20180417 Address after: 100191 Xueyuan Road, Haidian District, Haidian District, Beijing, No. 607, No. six Patentee after: Beijing Vimicro AI Chip Technology Co Ltd Address before: 100083, Haidian District, Xueyuan Road, Beijing No. 35, Nanjing Ning building, 15 Floor Patentee before: Beijing Vimicro Corporation |
|
TR01 | Transfer of patent right |