CN103646244B - 人脸特征的提取、认证方法及装置 - Google Patents
人脸特征的提取、认证方法及装置 Download PDFInfo
- Publication number
- CN103646244B CN103646244B CN201310690584.5A CN201310690584A CN103646244B CN 103646244 B CN103646244 B CN 103646244B CN 201310690584 A CN201310690584 A CN 201310690584A CN 103646244 B CN103646244 B CN 103646244B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- face image
- face
- hilbert transform
- representing
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Human Computer Interaction (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种人脸特征的提取、认证方法及装置，其中，人脸特征的提取方法，包括：对获取的人脸图像进行二维希尔伯特变换；以及将经过上述二维希尔伯特变换后的人脸图像用二维解析信号表示。通过本发明，解决了相关技术中人脸识别方法性能差、复杂度高的问题，简化了系统实现的复杂度，提高了系统的精确度和准确性。
Description
技术领域
本发明涉及图像处理与模式识别领域，具体而言，涉及一种人脸特征的提取、认证方法及装置。
背景技术
随着网络的普及以及信息技术的飞速发展，信息安全问题越来越引起人们的重视，已经成为技术发展必须要解决的关键问题。其中，如何准确的认证一个人的身份信息是信息安全领域的重要组成部分。
人脸认证是生物特征识别的一种形式，通过有效地表征人脸，得到两幅人脸照片的特征，来判定这两张照片是否是同一个人。相比于其他的生物特征认证技术，具有友好、方便、非侵入性等特点。因此，近年来人脸认证技术成为众多科研和商业机构的研究热点。
通常情况下，人脸认证的流程主要分为三部分：人脸检测，眼睛定位与归一化，特征提取与认证。由于人脸是一个三维形变模型，而且人脸认证是以摄像机成像模型所成的照片为介质的，所以认证的结果容易受到光照、姿态、表情和遮挡等外界因素的影响。同时由于人脸认证技术涉及到了模式识别，统计学习，机器视觉，应用数学与信息科学等众多交叉学科，再加上其广泛的应用前景，受到了越来越多的关注。
最初的人脸识别算法是利用人脸特征点之间像素的差别来做的，这种方法对背景光照等效果非常差，近年来，人脸识别的研究取得了飞速的进展，有一大批新的人脸识别算法被提出，不同的人有不同的分类方法，按照识别过程中人脸的表征方法，可以把人脸识别方法大体分为：基于几何特征的方法、基于整体特征的方法、基于局部纹理特征的方法。
（1）基于几何特征的方法
基于几何特征的人脸表示主要是提取人脸的关键点，比如眼睛、鼻子、嘴巴、下巴、眉毛等。然后利用这些关键点的相对位置来计算距离、面积的比率等，然后利用这些比率作为人脸的表征。该方法在定位准确的前提下，对光照变化有很强的鲁棒性，而且特征量比较小。但是，它有一个天生的缺点，那就是特别依赖于关键点的定位，而且关键点的相对位置容易受到表情以及姿态的影响。
（2）基于整体特征的方法
基于整体特征的人脸表示的一个主要的代表就是基于稀疏表示的方法。主要思想是直接利用一个很大的数据库作为人脸的一组基，然后将要进行比对的人脸向这组基进行稀疏投影，得到每一个人脸在这组基下的投影系数，然后利用这组投影系数来表征人脸。实质上就是利用这组基的稀疏线性组合来表征一个待识别的人脸。该方法当用来做基的数据库非常大且是闭集测试的时候，能取得相当不错的识别效果，但是，当训练库比较小的时候，或者进行开集测试时，对库外人的投影效果就不是很好。也就是说算法的泛化性不强。
（3）基于局部纹理特征的方法
基于局部纹理特征的一个典型的例子是基于Gabor特征的人脸表示。利用不同尺度和方向的Gabor核在图像上进行滤波，然后针对滤波后的图像做比对。Gabor特征有效的兼顾了信号的时域和频域的表示。是目前最为流行的特征表示之一。然而，该方法最大的一个问题就是数据量非常大，一个利用5个尺度8个方向的Gabor核就会把一幅照片变为40幅特征，提高了存储和计算的复杂度。
针对相关技术中人脸识别方法性能差、复杂度高的问题，目前尚未提出有效的解决方案。
发明内容
本发明的主要目的在于提供一种人脸特征的提取、认证方案，以至少解决上述问题。
根据本发明的一个方面，提供了一种人脸特征的提取方法，包括：对获取的人脸图像进行二维希尔伯特变换；以及将经过上述二维希尔伯特变换后的人脸图像用二维解析信号表示。
优选地，对获取的人脸图像进行二维希尔伯特变换的公式为：
其中，f(x,y)=axy，用于表示M行N列的人脸图像的图像矩阵，axy为图像矩阵中的元素，x为不大于M的正整数，y为不大于N的正整数，fx(x,y)和fy(x,y)为二维解析信号的两个虚部；hx、hy分别为Hx、Hy的逆傅立叶变换的结果，而Hx、Hy分别为二维希尔伯特变换的频域公式-jω/||ω||分解出的横坐标分量和纵坐标分量。
优选地，二维希尔伯特变换的时域公式为：
其中，在hx、hy分别与f(x,y)卷积时，(u,v)用于表示以（x,y）为原点的笛卡尔坐标系内的空间位置，u和v的取值范围均为w为正整数，为卷积窗口的大小。
优选地，将经过二维希尔伯特变换后的人脸图像用二维解析信号表示包括：通过局部振幅A，局部相位φ和局部方向θ三个分量表示人脸图像的二维解析信号，其中，
用于表示二维解析信号的能量信息；
用于表示二维解析信号的结构信息，sign(·)为符号函数；
θ=arctan(fy(x,y)/fx(x,y))，用于表示二维解析信号的几何信息；
且经过二维希尔伯特变换后的人脸图像的二维解析信号为：
fA(x,y)=(f(x,y),fx(x,y),fy(x,y))，
其中，f(x,y)为二维解析信号的实部，fx(x,y)和fy(x,y)分别为二维解析信号的两个虚部。
优选地，对获取的人脸图像进行二维希尔伯特变换之前，该方法还包括：分别将获取的人脸图像经过带通滤波器进行滤波，其中，带通滤波器包括log-Gabor滤波器。
优选地，将经过二维希尔伯特变换后的人脸图像用二维解析信号表示之后，该方法还包括：将经过二维希尔伯特变换后的人脸图像的二维解析信号通过预设的稀疏自编码神经网络，得到相应的最优值，其中，预设的稀疏自编码神经网络中的权重矩阵和偏置矩阵由人脸训练样本获得。
根据本发明的另一方面，提供了一种采用上述人脸特征的提取方法进行人脸特征的认证方法，包括：分别使用人脸特征的提取方法表示第一人脸图像和第二人脸图像；对经过人脸特征的提取方法表示后的第一人脸图像和第二人脸图像进行相似度计算；以及根据上述相似度计算的结果完成人脸认证过程。
优选地，对经过人脸特征的提取方法表示后的第一人脸图像和第二人脸图像进行相似度计算包括：对经过人脸特征的提取方法表示后的第一人脸图像和第二人脸图像的每个分量进行相似度计算；将每个分量相似度的加权平均得到人脸特征的提取方法表示后的第一人脸图像和第二人脸图像的总的相似度。
根据本发明的又一方面，还提供了一种人脸特征的提取装置，该提取装置包括：二维希尔伯特变换模块，对获取的人脸图像进行二维希尔伯特变换；以及人脸图像表示模块，用于将经过二维希尔伯特变换后的人脸图像用二维解析信号表示。
根据本发明的再一方面，提供了一种采用上述人脸特征的提取装置进行人脸特征的认证装置，该认证装置包括：特征提取模块，用于分别使用人脸特征的提取装置表示第一人脸图像和第二人脸图像；相似度计算模块，对经过人脸特征的提取装置表示的第一人脸图像和第二人脸图像进行相似度计算；以及认证模块，用于根据相似度计算的结果完成人脸认证过程。
通过本发明，采用“对获取的人脸图像进行二维希尔伯特变换，将经过二维希尔伯特变换后的人脸图像用二维解析信号表示”的方式，解决了相关技术中人脸识别方法性能差、复杂度高的问题，简化了系统实现的复杂度，提高了系统的精确度和准确性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的人脸特征的提取方法的流程图；
图2是根据本发明实施例的人脸特征的认证方法的流程图；
图3是根据本发明实施例的人脸特征的提取装置的结构框图；
图4是根据本发明优选实施例的人脸特征的提取装置的结构框图；
图5是根据本发明实施例的人脸特征的认证装置的结构框图；
图6是根据本发明一个优选实施例的基于二维Hilbert变换的人脸认证方法的流程示意图；
图7是根据本发明一个优选实施例的基于二维Hilbert变换的卷积模板坐标系的示意图；
图8是根据本发明一个优选实施例的三个尺度的log-Gabor滤波器频域表示的三维视图；
图9是根据本发明一个优选实施例的人脸照片在一个尺度下的二维解析表示的示意图；
图10是根据本发明另一优选实施例的一个自编码神经网络的示意图；
图11是根据本发明一个优选实施例的在DupI数据库上的ROC曲线的示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
根据本发明实施例，提供了一种人脸特征的提取方法。图1是根据本发明实施例的人脸特征的提取方法的流程图，如图1所示，该方法包括：
步骤S102，对获取的人脸图像进行二维希尔伯特（即2D Hilbert）变换；以及
步骤S104，将经过二维希尔伯特变换后的人脸图像用二维解析信号表示。
通过上述步骤，采用对“获取的人脸图像进行二维希尔伯特变换，将经过二维希尔伯特变换后的人脸图像用二维解析信号表示”的方式，解决了相关技术中人脸识别方法性能差、复杂度高的问题，化简了系统实现的复杂度，提高了系统的精确度和准确性。
一维希尔伯特（即1D Hilbert）变换可以被表示为：
H(ω)=-jsign(ω)，
其中，ω代表的是频率，sign(ω)是符号函数，即取变量ω的符号（正或负）。当ω大于等于0时，sign(ω)等于1，反之，当ω小于0时，sign(ω)等于-1。
其作用是对信号的正频率分量相位减少四分之一周期，同时使负频率分量的相位增加四分之一周期。
本实施例是将1D Hilbert变换推广到二维，应用到图像处理与模式识别领域，即基于信号的二维Hilbert变换来表征人脸，之后在一个优选实施例中，还可以利用稀疏自编码算法对变换后的人脸进行编码，作为最终的特征来认证人脸。
优选地，在实施过程中，步骤S102中所采用的二维希尔伯特变换的时域表示可以为：
其中，hx、hy分别为Hx、Hy的逆傅立叶变换的结果，Hx、Hy分别为二维希尔伯特变换的频域公式-jω/||ω||分解出的横坐标分量和纵坐标分量，u和v均取实数，(u,v)表示笛卡尔坐标系内的空间位置。其中，u为笛卡尔坐标系内空间点(u,v)的横坐标，v为笛卡尔坐标系内空间点(u,v)的纵坐标。
优选地，若经过二维希尔伯特变换后的人脸图像的二维解析信号为：
fA(x,y)=(f(x,y),fx(x,y),fy(x,y))，
其中，f(x,y)为上述二维解析信号的实部，fx(x,y)和fy(x,y)分别为上述二维解析信号的两个虚部；
则对获取的人脸图像进行二维希尔伯特变换可以表示为：
其中，f(x,y)=axy，用于表示M行N列的人脸图像的图像矩阵，axy为该图像矩阵中的元素，x为不大于M的正整数，y为不大于N的正整数，fx(x,y)和fy(x,y)为上述二维解析信号的两个虚部。优选地，若使用如上二维希尔伯特变换的时域表示式进行hx或hy与f(x,y)卷积，则(u,v)用于表示以（x,y）为原点的笛卡尔坐标系内的空间位置，u和v的取值范围均为即卷积模板大小为w×w，其中，w为正整数，为卷积窗口的大小。
优选地，在步骤S104中，可以通过局部振幅A，局部相位φ和局部方向θ三个分量来表示人脸图像的二维解析信号，其中，
用于表示上述二维解析信号的能量信息；
用于表示上述二维解析信号的结构信息，sign(·)为符号函数；
θ=arctan(fy(x,y)/fx(x,y))，用于表示上述二维解析信号的几何信息；
这里的f(x,y)代表的是第x行第y列的人脸图像矩阵中的元素axy，在实际应用中，可以表示人脸图像的图像矩阵中第x行第y列的像素灰度值。可见，人脸图像经过二维希尔伯特变换后的二维解析信号最终可以通过提取出来的A、φ、θ来表征。
优选地，在步骤S102之前，可以分别将获取的人脸图像经过带通滤波器进行滤波，其中，带通滤波器包括log-Gabor滤波器。
优选地，在步骤S104之后，还可以将经过二维希尔伯特变换后的人脸图像的二维解析信号通过预设的稀疏自编码神经网络，得到相应的最优值，其中，预设的稀疏自编码神经网络中的权重矩阵和偏置矩阵由人脸训练样本获得。
需要说明的是，在实施过程中，预设稀疏自编码神经网络的输入可以是直接的二维解析信号，也可以是通过二维解析信号的实部和虚部表征出来的三个分量：A、φ、θ。即通过预设的稀疏自编码神经网络，得到相应的输出或者编码。
根据本发明实施例，还提供了一种人脸特征的认证方法。图2是根据本发明实施例的人脸特征的认证方法的流程图，如图2所示，该方法包括：
步骤S202，分别对获取的第一人脸图像和第二人脸图像进行二维希尔伯特变换，将经过二维希尔伯特变换后的第一人脸图像和第二人脸图像用二维解析信号表示；
步骤S204，对经过二维希尔伯特变换后的第一人脸图像和第二人脸图像的二维解析信号进行相似度计算；以及
步骤S206，根据相似度计算的结果完成人脸认证过程。
通过上述步骤，采用分别对获取的第一人脸图像和第二人脸图像进行二维希尔伯特变换，将经过二维希尔伯特变换后的第一人脸图像和第二人脸图像用二维解析信号表示，并对经过二维希尔伯特变换后的第一人脸图像和第二人脸图像的二维解析信号进行相似度计算，然后根据相似度计算的结果完成人脸认证过程的方式，解决了相关技术中人脸识别方法性能差、复杂度高的问题，简化了系统实现的复杂度，提高了系统的精确度和准确性。
优选地，在步骤S204中，可以首先对经过二维希尔伯特变换后的第一人脸图像和第二人脸图像的二维解析信号的每个分量（即局部振幅A，局部相位φ和局部方向θ这三个分量）进行相似度计算，然后将每个分量相似度的加权平均得到经过二维希尔伯特变换后的第一人脸图像和第二人脸图像的二维解析信号的总的相似度。
在实施时，在步骤S206中，可以将相似度计算的结果与预设阈值比较，然后根据比较结果判定第一人脸图像与第二人脸图像是否为同一个人。
优选地，在步骤S202之前，还可以分别将获取的第一人脸图像和第二人脸图像经过带通滤波器进行滤波，其中，带通滤波器可以为log-Gabor滤波器。
优选地，在步骤S204中，可以将经过二维希尔伯特变换后的第一人脸图像和第二人脸图像的二维解析信号分别通过预设的稀疏自编码神经网络（即经过稀疏自编码算法对Hilbert变换后的人脸进行编码），得到各自对应的最优值，其中，预设的稀疏自编码神经网络中的权重矩阵和偏置矩阵由人脸训练样本获得，并对通过预设的稀疏自编码神经网络后的人脸图像对应的最优值与第二人脸图像对应的最优值进行相似度计算。
对应于上述识别方法，提供了一种人脸特征的提取装置。图3是根据本发明实施例的人脸特征的提取装置的结构框图，如图3所示，该提取装置30包括：二维希尔伯特变换模块32，对获取的人脸图像进行二维希尔伯特变换；以及人脸图像表示模块34，耦合至二维希尔伯特变换模块32，用于将经过上述二维希尔伯特变换后的上述人脸图像用二维解析信号表示。
通过上述提取装置30，二维希尔伯特变换模块32对获取的人脸图像进行二维希尔伯特变换，人脸图像表示模块34将经过二维希尔伯特变换后的人脸图像用二维解析信号表示，解决了相关技术中人脸识别方法性能差、复杂度高的问题，简化了系统实现的复杂度，提高了系统的精确度和准确性。
图4是根据本发明优选实施例的人脸特征的提取装置的结构框图，如图4所示，该认证装置还包括：编码模块42，耦合至人脸图像表示模块34，用于将经过二维希尔伯特变换后的人脸图像的二维解析信号通过预设的稀疏自编码神经网络，得到相应的最优值，其中，预设的稀疏自编码神经网络中的权重矩阵和偏置矩阵由人脸训练样本获得。
优选地，该识别装置还包括：滤波模块44，耦合至二维希尔伯特变换模块32，用于分别将获取的人脸图像经过带通滤波器进行滤波，其中，带通滤波器包括log-Gabor滤波器。
对应于上述认证方法，还提供了一种人脸特征的认证装置。图5是根据本发明实施例的人脸特征的认证装置的结构框图，如图5所示，该认证装置包括：特征提取模块52，用于分别使用上述人脸特征的提取装置30表示第一人脸图像和第二人脸图像；相似度计算模块54，耦合至特征提取模块52，对经过上述人脸特征的提取装置30表示的第一人脸图像和第二人脸图像进行相似度计算；以及认证模块56，耦合至相似度计算模块54，用于根据相似度计算的结果完成人脸认证过程。
通过上述认证装置，特征提取模块52分别使用上述人脸特征的提取装置30表示第一人脸图像和第二人脸图像，相似度计算模块54对经过上述人脸特征的提取装置30表示的第一人脸图像和第二人脸图像进行相似度计算，以及认证模块56根据上述相似度计算的结果完成人脸认证过程，解决了相关技术中人脸识别方法性能差、复杂度高的问题，简化了系统实现的复杂度，提高了系统的精确度和准确性。
下面结合多个优选实施例和附图对上述实施例的实现过程进行详细说明。
图6是根据本发明一个优选实施例的基于二维Hilbert变换的人脸认证方法的流程示意图，如图6所示，竖虚线将其分为左右两个流程，左侧流程称为稀疏自编码神经网络的训练过程，经过训练得到权重矩阵W和偏置矩阵b。这个训练过程是独立的，一旦训练过程结束，得到W和b之后，在做认证时，只用借助于W和b就可以。在实施过程中，上述人脸认证的方法可以分为特征提取与特征比对两部分。
（一）特征提取过程：
（a）Hilbert变换及其二维推广
由于不含负频率分量的信号被称为解析信号(Analytic Signal)，所以，在连续的时间域里面，任何一个解析信号z(t)都可以通过下式来表示：
其中，Z(ω)是复系数，控制着正频率复形的正弦曲线ejωt在频率ω处的振幅和相位。
一个实值的正弦曲线，例如，表达式为Acos(ωt+φ)，可以简单地通过增加一个相正交的分量Asin(ωt+φ)作为复数部分，而转化为正频率复形的正弦曲线Aexp[j(ωt+φ)]：
Aexp[j(ωt+φ)]=Acos(ωt+φ)+jAsin(ωt+φ) （2）
也就是说一个实值的信号可以通过增加一个相正交的复数分量变换为一个解析信号。
对于更为复杂的信号来说，它们都可以表示为一些正弦曲线的和的形式。即可以建立一个这样的滤波器，它能够旋转每一个频率的正弦曲线四分之一周期，从而把任何一个信号转化为一个解析信号的形式。其中，这个变换就是Hilbert变换，其形式为：
H(ω)=-jsign(ω) （3）
其中，sign(ω)=ω/||ω||，表示符号函数。
可见，Hilbert变换的主要作用就是为每一个正频率的相位减少四分之一周期，同时为每一个负频率的相位增加四分之一周期。
下面用Ηt{x}表示对信号x做Hilbert变换后在时间t的输出，则y(t)=Ηt{x}表示对信号x做Hilbert变换之后的信号，即利用x(t)和y(t)就可以形成一个新的复信号z(t)=x(t)+jy(t)。信号z(t)就成为对应于信号x(t)的复解析信号。也就是说通过下式：
z(t)=x(t)+jΗt{x} （4）
表示的信号z(t)的负频率为零，换句话说就是通过（4）式，x(t)的负频率部分被滤掉了。
为了利用解析信号的优良性质，同时结合人脸图像是一个二维信号的事实，下面对Hilbert变换向二维情况进行一个很自然的推广。
例如，首先，用f(x,y)表示输入的一幅大小为M×N的人脸图像的图像矩阵：
f(x,y)=axy，
axy为图像矩阵中的元素，x为不大于M的正整数，y为不大于N的正整数，M表示图像矩阵的行数，N表示图像矩阵的列数，均为正整数。
其次，将其进行二维Hilbert变换。对Hilbert变换进行二维推广，过程如下：
在二维频域中，频率ω可以表示为(ωx,ωy)，其中，ωx和ωy分别为ω的两个分量（即横坐标和纵坐标），则可以将二维Hilbert变换的频域表示式-jω/||ω||分解为两个分量，Hx=-jωx/||ω||和Hy=-jωy/||ω||。通过对Hx和Hy的逆傅立叶变换，可以得到二维Hilbert变换的时域表示（即hx、hy分别为Hx、Hy的逆傅立叶变换的结果）：
其中，u和v均取实数，(u,v)用于表示笛卡尔坐标系内的空间位置。需要说明的是，这里的公式（5）也是下面公式（6）中进行卷积的卷积模板。
然后，将人脸图像f(x,y)分别与hx和hy进行卷积运算，可以得到图像二维解析表示的两个虚部fx(x,y)和fy(x,y)，即：
其中，卷积的过程为：
这里i，j均为整数；
同理，
在卷积过程中，u和v表示以（x,y）为原点的笛卡尔坐标系内的空间位置，这里u和v的取值范围均为w为正整数，为卷积窗口的大小，即做卷积时，卷积模板的大小为w×w。图7是根据本发明一个优选实施例的基于二维Hilbert变换的卷积模板坐标系的示意图，如图7所示，以w取5为例，该图就是上述的笛卡尔坐标系(平面直角坐标系)，其中，当前点（x,y）做为该坐标系的原点。
可见，二维希尔伯特变换是将公式（5）代入公式（6）后完成的。
因此，对于一幅人脸图像f(x,y)，可以得到其二维解析表示为：
fA(x,y)=(f(x,y),fx(x,y),fy(x,y)) （7）
（7）式中，f(x,y)是图像二维解析表示的实部，fx(x,y)和fy(x,y)是其两个虚部。基于这些实部和虚部，原始的二维信号f(x,y)可以以被分解为以下三个分量：局部振幅A，局部相位φ和局部方向θ：
上式中Α描述了信号的能量信息，φ描述了信号的结构信息，θ描述了信号的几何信息。可见，相比于一维的情况，二维位增加了表明局部主方向的了几何信息，不同的分量从不同的角度来描述一个信号，从而可以利用这些分量来表征一个信号，即一个人脸图像信号可以通过局部振幅A，局部相位φ和局部方向θ来表示，而局部振幅A，局部相位φ和局部方向θ又是通过fA(x,y)中的f(x,y)、fx(x,y)和fy(x,y)这三个分量计算出来的。
可见，本实施例将一维Hilbert变换推广到二维，并把其应用到人脸识别的特征提取中，通过2D Hilbert变换，可以提取出人脸图像的A、φ和θ三个分量。
（b）带通滤波器的构造
在实际情况下，信号的长度是有限的，因此，需要在对图像应用二维Hilbert变换之前，对其进行一个带通滤波。从另一个方面来讲，带通滤波有利于维持信号分解中“不变-同变”的性质，这种“不变-同变”性质表示能量（局部振幅）和结构（局部相位和方向）是独立的信息。
Gabor滤波器是获取局部频域信息的一个传统的选择，它们提供了空间域位置和频率域信息的一个较好的融合。然而，它们却有着两个主要的限制：一方面，它的最大带宽被限制在近似一个倍频的范围，另一方面，如果一个人想要获得广泛光谱范围的最大特征定位，Gabor也不是最优的，而且由于Gabor的均值不为零，故容易受到直流分量的影响。作为对Gabor特征的一个改进，Field提出了log-Gabor特征。
log-Gabor滤波器抑制了直流分量，而且能够解决传统Gabor滤波器的带宽限制，同时它在对数频率尺度下的响应仍然是高斯形状的，这样就会使得更多的高频信息被保留下来。
log-Gabor滤波器的频域响应可以表示为：
其中，ω0是中心频率，σ是带宽的尺度因子，为了保证滤波器组有一个固定的形状，我们保持σ/ω0为一个常数。
由于log-Gabor是带通滤波器，为了更充分地描述一个信号，则需要提取不同的频率分量，从而需要不同尺度的log-Gabor滤波器。在多尺度的log-Gabor滤波器中，参数σ和ω0可以被重写为：
σ=σratioω0,ω0=(λminμs-1)-1 （10）
这里λmin的物理意义是最短的波长，μ是关于波长的一个乘子，s是尺度的索引，σratio是σ和ω0的比率σ/ω0。
具体的滤波过程可以通过下式表示：
针对一幅人脸图片f(x,y)，
ffiltered=F-1(F(f(x,y))*G(ω)) （11）
其中，F(·)和F-1(·)分别表示傅立叶和逆傅立叶变换。
图8是根据本发明一个优选实施例的三个尺度的log-Gabor滤波器频域表示的三维视图，如图8所示，分为上下两行，第一行从左到右依次表示不同尺度的log_Gabor函数在频域表示的俯视图，可以清楚地看到通过不同尺度的log_Gabor函数滤波后，图像保留的是不同频率段的信息；第二行依次表示第一行图像的三维表示，可以明确地表征出log_Gabor函数的带通特性。
图9是根据本发明一个优选实施例的人脸照片在一个尺度下的二维解析表示的示意图，如图9所示，通过以上两步，就可以得到一副人脸的二维解析表示。
(c)稀疏自编码
传统的统计学习方法都是有监督的，即在训练的过程中需要我们人工的干预，一方面训练过程复杂，另一方面需要大量的有标签的数据。而实际上带有标签的数据往往是有限的，这样就限制了算法的效率和准确性。
稀疏自编码学习，能从大量的无标签的样本中通过学习算法寻找这些样本的内在的本质特征，从而缓解了统计学习中的小样本问题，另一方面，稀疏自编码学习能够自动的寻找存在于数据中内在特征，本质上是一个特征学习的过程。
下面对稀疏自编码学习的过程进行一个详细的描述：
针对一个训练样本的集合{x1,x2,x3,L}，其中xi∈Rn表示一个训练样本。自编码神经网络是一个无监督的学习过程，它利用反向传播算法并且使得学习的目标等于输入值。
图10是根据本发明另一优选实施例的一个自编码神经网络的示意图，如图10所示，为自编码神经网络的一个示例：
自编码神经网络的目标是，通过随机梯度下降法得到一个从输入层到输出层的一个假设hw,b(x)≈x，即它尝试逼近一个恒等函数，使得网络的输出接近于输入x，其中，W为权重矩阵，b为偏置矩阵。即随机梯度下降法是针对要求解的优化问题，随机地沿着梯度降低的方向移动，最终达到待优化问题的最终的局部或全局最优解。这样，当隐藏层L2的神经元数目m小于训练样本的维数n的时候，仍然可以利用比n小的数据很好的恢复出n维的样本。也就是说，可以通过学习得到n维样本的m个本质特征，从而可以利用这m个特征来表征n维的训练数据。
另一方面，当隐藏层的神经元数目m很大的时候，仍然可以通过增加一些限制，从而使得自编码神经网络能够很好的表征样本的本质特征。这个限制条件就是隐藏层神经元的激活度，可以对这个激活度增加一个稀疏性限制，即保证在一次传播中隐藏层神经元是稀疏地被激活的，从而利用稀疏自编码网络来得到训练数据的结构特征。
图10就是一个典型的神经网络的模型，展示了从输入层（Layer）L1经过隐藏层（Layer）L2到输出层（Layer）L3的一个映射，从输入层L1到隐藏层L2的关系可以通过公式（12）得到，同理隐藏层L2又同时是输出层L3的输入层，故，从隐藏层L2到输出层L3的关系也是通过公式（12）给出的。与一般的神经网络不同的是，一般的神经网络训练过程中需要对输出层的内容进行手工的标定，而本实施例中用到的稀疏自编码神经网络是不需要手工标定的，这里假设输出层和输入层相等的，即，用网络输出来模拟输入的本质特征。
（二）特征比对过程
假设网络的输入为x，则其输出y可以表示为：
通过稀疏自编码学习算法得到的权重矩阵W和偏置b（即通过随机梯度下降法求解定义的损失函数的最小值），并分别以公式（8）中的三个分量作为网络的输入，从而会得到各自的输出，即为二维人脸解析表示的编码。
对每一个分量（即公式（8）中的局部振幅、局部方向和局部相位）的编码，分别计算其相似度，这里采用的是向量间夹角的余弦：
其中，x，y是编码后特征的向量表示，<x,y>表示向量x,y的内积。即利用其夹角的余弦来衡量两个向量的相似程度，然后，总的相似度是通过每一个分量相似度的加权平均得到，其中权重分别为：振幅0.25，相位0.45，方向0.3。
最后，把总的相似度和预先设定的阈值做比较，给出是否是同一个人的判定。
可见，上述实施例利用二维Hilbert变换为载体，得到了人脸图像的解析表示，同时利用稀疏自编码学习算法对得到的解析表示进行编码。既利用了局部纹理信息对光照、姿态、表情等具有鲁棒性的特点，同时算法的时间和空间的复杂度也比较低。在FERET数据库上，四个子库Fb，Fc，DupI，DupII上分别取得了99.7%，99.5%，93.6%，91.5%的首选识别率。
图11是根据本发明一个优选实施例的在DupI数据库上的ROC曲线的示意图，如图11所示，在拍摄时间、光照和表情等变化较大的子库DupI上，误识率为千分之一时，识别率达到了93.21%。
在上述优选实施例中，可以首先对人脸利用不同尺度的带通滤波器log-Gabor进行滤波，对滤波后的图像利用二维Hilbert变换求得其不同分辨率下的二维解析表示；然后，对人脸的解析表示进行稀疏自学习编码，通过学习的方法，自动地寻找数据的本质特征，从而得到人脸的更准确的表示。
综上所述，通过本发明实施例，利用信号的二维Hilbert变换后得到的二维解析信号来表征人脸，还可以利用稀疏自编码算法对变换后的人脸进行编码，作为最终的特征来认证人脸，即利用的是人脸的局部统计特征，不仅能够在一定的程度上解决光照姿态对结果的影响，而且算法的时间和空间复杂度都要比Gabor特征低，但是泛化性和识别结果要优于Gabor特征。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种人脸特征的提取方法，其特征在于，包括：
对获取的人脸图像进行二维希尔伯特变换；以及
将经过所述二维希尔伯特变换后的所述人脸图像用二维解析信号表示，
其中，对获取的所述人脸图像进行所述二维希尔伯特变换的公式为：
<mrow>
<msub>
<mi>f</mi>
<mi>H</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>h</mi>
<mi>x</mi>
</msub>
<mo>*</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>h</mi>
<mi>y</mi>
</msub>
<mo>*</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中，f(x,y)＝axy，用于表示M行N列的所述人脸图像的图像矩阵，axy为所述图像矩阵中的元素，x为不大于M的正整数，y为不大于N的正整数，fx(x,y)和fy(x,y)为所述二维解析信号的两个虚部；hx、hy分别为Hx、Hy的逆傅立叶变换的结果，而Hx、Hy分别为所述二维希尔伯特变换的频域公式-jω/||ω||分解出的横坐标分量和纵坐标分量，
其中，将经过所述二维希尔伯特变换后的所述人脸图像用二维解析信号表示包括：
通过局部振幅A，局部相位φ和局部方向θ三个分量表示所述人脸图像的二维解析信号，其中，
用于表示所述二维解析信号的能量信息；
用于表示所述二维解析信号的结构信息，sign(·)为符号函数；
θ＝arctan(fy(x,y)/fx(x,y))，用于表示所述二维解析信号的几何信息；
且经过所述二维希尔伯特变换后的所述人脸图像的所述二维解析信号为：
fA(x,y)＝(f(x,y),fx(x,y),fy(x,y))，
其中，f(x,y)为所述二维解析信号的实部。
2.根据权利要求1所述的方法，其特征在于，所述二维希尔伯特变换的时域公式为：
<mrow>
<mo>(</mo>
<msub>
<mi>h</mi>
<mi>x</mi>
</msub>
<mo>,</mo>
<msub>
<mi>h</mi>
<mi>y</mi>
</msub>
<mo>)</mo>
<mo>=</mo>
<mo>(</mo>
<mfrac>
<mi>u</mi>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
<mo>|</mo>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>3</mn>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
<mfrac>
<mi>v</mi>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
<mo>|</mo>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>3</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
<mo>,</mo>
</mrow>
其中，在hx、hy分别与f(x,y)卷积时，(u,v)用于表示以(x,y)为原点的笛卡尔坐标系内的空间位置，u和v的取值范围均为w为正整数，为卷积窗口的大小。
3.根据权利要求1所述的方法，其特征在于，对获取的人脸图像进行二维希尔伯特变换之前，所述方法还包括：
分别将获取的所述人脸图像经过带通滤波器进行滤波，其中，所述带通滤波器包括log-Gabor滤波器。
4.根据权利要求1所述的方法，其特征在于，将经过所述二维希尔伯特变换后的所述人脸图像用二维解析信号表示之后，所述方法还包括：
将经过所述二维希尔伯特变换后的所述人脸图像的二维解析信号通过预设的稀疏自编码神经网络，得到相应的最优值，其中，所述预设的稀疏自编码神经网络中的权重矩阵和偏置矩阵由人脸训练样本获得。
5.一种采用权利要求1至4中任一项所述人脸特征的提取方法进行人脸特征的认证方法，其特征在于，包括：
分别使用所述人脸特征的提取方法表示第一人脸图像和第二人脸图像；
对经过所述人脸特征的提取方法表示后的所述第一人脸图像和所述第二人脸图像进行相似度计算；以及
根据所述相似度计算的结果完成人脸认证过程。
6.根据权利要求5所述的方法，其特征在于，对经过所述人脸特征的提取方法表示后的所述第一人脸图像和所述第二人脸图像进行相似度计算包括：
对经过所述人脸特征的提取方法表示后的所述第一人脸图像和所述第二人脸图像的每个分量进行相似度计算；
将每个分量相似度的加权平均得到所述人脸特征的提取方法表示后的所述第一人脸图像和所述第二人脸图像的总的相似度。
7.一种人脸特征的提取装置，其特征在于，包括：
二维希尔伯特变换模块，对获取的人脸图像进行二维希尔伯特变换；以及
人脸图像表示模块，用于将经过所述二维希尔伯特变换后的所述人脸图像用二维解析信号表示，
其中，所述二维希尔伯特变换模块对获取的所述人脸图像进行所述二维希尔伯特变换的公式为：
<mrow>
<msub>
<mi>f</mi>
<mi>H</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>h</mi>
<mi>x</mi>
</msub>
<mo>*</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>h</mi>
<mi>y</mi>
</msub>
<mo>*</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中，f(x,y)＝axy，用于表示M行N列的所述人脸图像的图像矩阵，axy为所述图像矩阵中的元素，x为不大于M的正整数，y为不大于N的正整数，fx(x,y)和fy(x,y)为所述二维解析信号的两个虚部；hx、hy分别为Hx、Hy的逆傅立叶变换的结果，而Hx、Hy分别为所述二维希尔伯特变换的频域公式-jω/||ω||分解出的横坐标分量和纵坐标分量，
其中，所述人脸图像表示模块还用于通过局部振幅A，局部相位φ和局部方向θ三个分量表示所述人脸图像的二维解析信号，其中，
用于表示所述二维解析信号的能量信息；
用于表示所述二维解析信号的结构信息，sign(·)为符号函数；
θ＝arctan(fy(x,y)/fx(x,y))，用于表示所述二维解析信号的几何信息；
且经过所述二维希尔伯特变换后的所述人脸图像的所述二维解析信号为：
fA(x,y)＝(f(x,y),fx(x,y),fy(x,y))，
其中，f(x,y)为所述二维解析信号的实部。
8.一种采用权利要求7所述人脸特征的提取装置进行人脸特征的认证装置，其特征在于，所述认证装置包括：
特征提取模块，用于分别使用所述人脸特征的提取装置表示第一人脸图像和第二人脸图像；
相似度计算模块，对经过所述人脸特征的提取装置表示的所述第一人脸图像和所述第二人脸图像进行相似度计算；以及
认证模块，用于根据所述相似度计算的结果完成人脸认证过程。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310690584.5A CN103646244B (zh) | 2013-12-16 | 2013-12-16 | 人脸特征的提取、认证方法及装置 |
| PCT/CN2014/091046 WO2015090126A1 (zh) | 2013-12-16 | 2014-11-13 | 人脸特征的提取、认证方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310690584.5A CN103646244B (zh) | 2013-12-16 | 2013-12-16 | 人脸特征的提取、认证方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103646244A CN103646244A (zh) | 2014-03-19 |
| CN103646244B true CN103646244B (zh) | 2018-01-09 |
Family
ID=50251455
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310690584.5A Active CN103646244B (zh) | 2013-12-16 | 2013-12-16 | 人脸特征的提取、认证方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN103646244B (zh) |
| WO (1) | WO2015090126A1 (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646244B (zh) * | 2013-12-16 | 2018-01-09 | 北京天诚盛业科技有限公司 | 人脸特征的提取、认证方法及装置 |
| CN104281834B (zh) * | 2014-05-16 | 2017-07-25 | 华为技术有限公司 | 一种人脸识别的方法及设备 |
| CN104346607B (zh) * | 2014-11-06 | 2017-12-22 | 上海电机学院 | 基于卷积神经网络的人脸识别方法 |
| CN105069400B (zh) * | 2015-07-16 | 2018-05-25 | 北京工业大学 | 基于栈式稀疏自编码的人脸图像性别识别系统 |
| CN106934335B (zh) * | 2015-12-31 | 2021-02-02 | 南通东华软件有限公司 | 图像识别的方法和装置 |
| CN106203354B (zh) * | 2016-07-14 | 2019-04-12 | 南京信息工程大学 | 基于混合深度结构的场景识别方法 |
| CN109427080A (zh) * | 2017-08-31 | 2019-03-05 | 爱唯秀股份有限公司 | 快速生成大量复杂光源人脸图像的方法 |
| CN109784325A (zh) * | 2017-11-10 | 2019-05-21 | 富士通株式会社 | 开集识别方法和设备及计算机可读存储介质 |
| CN110110734B (zh) * | 2018-02-01 | 2023-04-07 | 富士通株式会社 | 开集识别方法、信息处理设备以及存储介质 |
| CN109189895B (zh) * | 2018-09-26 | 2021-06-04 | 杭州大拿科技股份有限公司 | 一种针对口算题的题目批改方法及装置 |
| CN109753942B (zh) * | 2019-01-14 | 2022-11-04 | 河南理工大学 | 基于空间金字塔fhog特征的人脸表情识别方法和装置 |
| CN109858463B (zh) * | 2019-02-22 | 2021-03-26 | 成都云鼎丝路信息技术有限公司 | 一种双引擎用户识别方法、系统及终端 |
| CN112017156B (zh) * | 2020-07-17 | 2023-02-14 | 中国科学院西安光学精密机械研究所 | 基于多光谱视频的空间点目标旋转周期估计方法 |
| CN112732092B (zh) * | 2021-01-22 | 2023-04-07 | 河北工业大学 | 基于双视图多尺度卷积神经网络的表面肌电信号识别方法 |
| CN112766215A (zh) * | 2021-01-29 | 2021-05-07 | 北京字跳网络技术有限公司 | 人脸融合方法、装置、电子设备及存储介质 |
| CN117218783A (zh) * | 2023-09-12 | 2023-12-12 | 广东云百科技有限公司 | 物联网安全管理系统及方法 |
| CN117373100B (zh) * | 2023-12-08 | 2024-02-23 | 成都乐超人科技有限公司 | 基于差分量化局部二值模式的人脸识别方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101021899A (zh) * | 2007-03-16 | 2007-08-22 | 南京搜拍信息技术有限公司 | 综合利用人脸及人体辅助信息的交互式人脸识别系统及方法 |
| CN101079104A (zh) * | 2007-06-14 | 2007-11-28 | 上海交通大学 | 基于切信息的人脸识别方法 |
| CN101159021A (zh) * | 2007-11-29 | 2008-04-09 | 北京中星微电子有限公司 | 特征提取方法、装置与模式识别方法、装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100543764C (zh) * | 2007-12-25 | 2009-09-23 | 西南交通大学 | 一种具有光照鲁棒性的人脸特征提取方法 |
| CN100557623C (zh) * | 2008-05-13 | 2009-11-04 | 清华大学 | 基于各向异性双树复小波包变换的人脸识别方法 |
| WO2010046104A2 (en) * | 2008-10-23 | 2010-04-29 | University Of Ulster | An encryption method |
| CN101777120A (zh) * | 2010-01-28 | 2010-07-14 | 山东大学 | 一种基于序特征的人脸识别图像处理方法 |
| US20130169621A1 (en) * | 2011-12-28 | 2013-07-04 | Li Mei | Method of creating and transforming a face model and related system |
| CN103646244B (zh) * | 2013-12-16 | 2018-01-09 | 北京天诚盛业科技有限公司 | 人脸特征的提取、认证方法及装置 |
-
2013
- 2013-12-16 CN CN201310690584.5A patent/CN103646244B/zh active Active
-
2014
- 2014-11-13 WO PCT/CN2014/091046 patent/WO2015090126A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101021899A (zh) * | 2007-03-16 | 2007-08-22 | 南京搜拍信息技术有限公司 | 综合利用人脸及人体辅助信息的交互式人脸识别系统及方法 |
| CN101079104A (zh) * | 2007-06-14 | 2007-11-28 | 上海交通大学 | 基于切信息的人脸识别方法 |
| CN101159021A (zh) * | 2007-11-29 | 2008-04-09 | 北京中星微电子有限公司 | 特征提取方法、装置与模式识别方法、装置 |
Non-Patent Citations (2)
| Title |
|---|
| 图像检索中若干问题的研究;刘伟;《中国博士学位论文全文数据库 医药卫生科技辑》;20080215(第2期);第7，16-18，80-87页 * |
| 基于LOG-GABOR滤波二值变换的人脸识别;庄德文;《第二十九届中国控制会议论文集》;20100729;第2793页及图2 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2015090126A1 (zh) | 2015-06-25 |
| CN103646244A (zh) | 2014-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103646244B (zh) | 人脸特征的提取、认证方法及装置 | |
| Nagpal et al. | A performance evaluation of convolutional neural networks for face anti spoofing | |
| Vageeswaran et al. | Blur and illumination robust face recognition via set-theoretic characterization | |
| CN106897675B (zh) | 双目视觉深度特征与表观特征相结合的人脸活体检测方法 | |
| Sanchez-Avila et al. | Two different approaches for iris recognition using Gabor filters and multiscale zero-crossing representation | |
| Yang et al. | Monogenic binary coding: An efficient local feature extraction approach to face recognition | |
| Li et al. | Overview of principal component analysis algorithm | |
| CN111639558A (zh) | 一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法 | |
| Alaslni et al. | Transfer learning with convolutional neural networks for iris recognition | |
| Dong et al. | Finger vein verification based on a personalized best patches map | |
| Chelali et al. | Face recognition using MLP and RBF neural network with Gabor and discrete wavelet transform characterization: a comparative study | |
| Zuobin et al. | Feature regrouping for cca-based feature fusion and extraction through normalized cut | |
| Mewada et al. | Wavelet features embedded convolutional neural network for multiscale ear recognition | |
| Rakshit et al. | Cross-resolution face identification using deep-convolutional neural network | |
| Subudhiray et al. | K-nearest neighbor based facial emotion recognition using effective features | |
| Ma et al. | Multiscale multidirection binary pattern learning for discriminant palmprint identification | |
| Yadav et al. | Robust face recognition under partial occlusion based on local generic features | |
| Chen et al. | Adapted deep convnets technology for robust iris recognition | |
| CN115984906A (zh) | 掌纹图像识别方法、装置、设备及存储介质 | |
| Almutiry | Efficient iris segmentation algorithm using deep learning techniques | |
| Satange et al. | Composite feature extraction based on Gabor and Zernike moments for face recognition | |
| Lou et al. | Palm vein recognition via multi-task loss function and attention layer | |
| Song et al. | Face anti-spoofing detection using least square weight fusion of channel-based feature classifiers | |
| Li et al. | Multi-level Fisher vector aggregated completed local fractional order derivative feature vector for face recognition | |
| Meade et al. | Comparative performance of principal component analysis, Gabor wavelets and discrete wavelet transforms for face recognition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100085, 1 floor 8, 1 Street, ten Street, Haidian District, Beijing. Patentee after: Beijing Eyes Intelligent Technology Co.,Ltd. Address before: 100085, 1 floor 8, 1 Street, ten Street, Haidian District, Beijing. Patentee before: BEIJING TECHSHINO TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220323 Address after: 071800 Beijing Tianjin talent home (Xincheng community), West District, Xiongxian Economic Development Zone, Baoding City, Hebei Province Patentee after: BEIJING EYECOOL TECHNOLOGY Co.,Ltd. Patentee after: Beijing Eyes Intelligent Technology Co.,Ltd. Address before: 100085, 1 floor 8, 1 Street, ten Street, Haidian District, Beijing. Patentee before: Beijing Eyes Intelligent Technology Co.,Ltd. |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Face feature extraction and authentication method and device Effective date of registration: 20220614 Granted publication date: 20180109 Pledgee: China Construction Bank Corporation Xiongxian sub branch Pledgor: BEIJING EYECOOL TECHNOLOGY Co.,Ltd. Registration number: Y2022990000332 |