CN103745207A - 一种人脸识别的特征提取方法及装置 - Google Patents

一种人脸识别的特征提取方法及装置 Download PDF

Info

Publication number
CN103745207A
CN103745207A CN201410040459.4A CN201410040459A CN103745207A CN 103745207 A CN103745207 A CN 103745207A CN 201410040459 A CN201410040459 A CN 201410040459A CN 103745207 A CN103745207 A CN 103745207A
Authority
CN
China
Prior art keywords
feature
facial image
weight factor
lbp
sift
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.)
Pending
Application number
CN201410040459.4A
Other languages
English (en)
Inventor
冯良炳
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201410040459.4A priority Critical patent/CN103745207A/zh
Publication of CN103745207A publication Critical patent/CN103745207A/zh
Pending legal-status Critical Current

Links

Images

Abstract

本发明适用于计算机技术领域，提供了一种人脸识别的特征提取方法及装置，包括：提取人脸图像的多尺度LBP特征；提取所述人脸图像的SIFT特征；获取第一权重因子和第二权重因子，所述第一权重因子对应所述人脸图像的LBP特征，所述第二权重因子对应所述人脸图像的SIFT特征；根据所述第一权重因子和所述第二权重因子，对所述人脸图像的所述LBP特征和所述SIFT特征进行组合，生成所述人脸图像的人脸特征。本发明实现了对人脸纹理信息和人脸局部区域边缘信息的保留，有效地提高了人脸识别过程中人脸特征提取的精度。

Description

一种人脸识别的特征提取方法及装置
技术领域
本发明属于计算机技术领域，尤其涉及一种人脸识别的特征提取方法及装置。
背景技术
人脸识别，是基于人的脸部特征信息，通过计算机进行身份识别的一种技术，当给定一张人脸时，通过人脸识别算法在预存储了不同身份的众多人脸的数据库中进行查找，匹配出与给定的人脸最为相似的人脸，那么，该给定人脸的身份即为匹配出的人脸所对应的身份。目前，人脸识别技术被广泛应用在安防、信息安全领域。
人脸识别技术的核心为对人脸特征的提取，目前，最常用的特征提取算法是局部二值模式（Local Binary Patterns，LBP）算法和尺度不变特征转换（Scale-invariant feature transform，SIFT）算法，然而，对于LBP算法来说，其不能有效表征人脸局部区域的边缘信息；而对于SIFT算法来说，其容易造成人脸部纹理信息的遗失，因此，综合说来，上述算法均会对人脸特征的提取精度造成影响。
发明内容
本发明实施例的目的在于提供一种人脸识别的特征提取方法，旨在解决现有的人脸特征提取算法对人脸特征提取的精度低的问题。
本发明实施例是这样实现的，一种人脸识别的特征提取方法，包括：
提取人脸图像的多尺度局部二值模式LBP特征；
提取所述人脸图像的尺度不变特征转换SIFT特征；
获取第一权重因子和第二权重因子，所述第一权重因子对应所述人脸图像的LBP特征，所述第二权重因子对应所述人脸图像的SIFT特征；
根据所述第一权重因子和所述第二权重因子，对所述人脸图像的所述LBP特征和所述SIFT特征进行组合，生成所述人脸图像的人脸特征。
本发明实施例的另一目的在于提供一种人脸识别的特征提取装置，包括：
第一提取单元，用于提取人脸图像的多尺度局部二值模式LBP特征；
第二提取单元，用于提取所述人脸图像的尺度不变特征转换SIFT特征；
获取单元，用于获取第一权重因子和第二权重因子，所述第一权重因子对应所述人脸图像的LBP特征，所述第二权重因子对应所述人脸图像的SIFT特征；
生成单元，用于根据所述第一权重因子和所述第二权重因子，对所述人脸图像的所述LBP特征和所述SIFT特征进行组合，生成所述人脸图像的人脸特征。
在本发明实施例中，将多尺度LBP特征提取与SIFT特征提取同时应用到人脸识别的特征提取过程中，并通过为根据上述两种算法提取出的人脸特征分别赋予相应的权重，从而最终确定出人脸图像的人脸特征，实现了对人脸纹理信息和人脸局部区域边缘信息的保留，有效地提高了人脸识别过程中人脸特征提取的精度。
附图说明
图1是本发明实施例提供的人脸识别的特征提取方法的实现流程图；
图2是本发明实施例提供的人脸识别的特征提取方法S101的具体实现流程图；
图3是本发明实施例提供的人脸识别的特征提取方法图像分块的示意图；
图4是本发明实施例提供的人脸识别的特征提取方法S102的具体实现流程图；
图5是本发明实施例提供的人脸识别的特征提取装置的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明实施例中，将多尺度LBP特征提取与SIFT特征提取同时应用到人脸识别的特征提取过程中，并通过为根据上述两种算法提取出的人脸特征分别赋予相应的权重，从而最终确定出人脸图像的人脸特征，实现了对人脸纹理信息和人脸局部区域边缘信息的保留，有效地提高了人脸识别过程中人脸特征提取的精度。
图1示出了本发明实施例提供的人脸识别的特征提取方法的实现流程，详述如下：
在S101中，提取人脸图像的多尺度LBP特征。
为了克服单尺度LBP算法提取出的人脸特征在人脸纹理信息表达上的不充分，在本实施例中，使用不同半径大小来对人脸图像进行LBP特征提取，从而获取到人脸图像在多个尺度下的LBP特征，实现了对人脸纹理信息的完整表达，有效地提高了人脸特征提取的精度。
具体地，如图2所示，S101具体为：
在S201中，对所述人脸图像进行分块，得到N个图像分块，所述N为大于1的整数。
如图3所示，假定人脸图像的像素大小为W×H，其中，W为该人脸图像的像素宽度，H为该人脸图像的像素高度，则从人脸图像的像素坐标（0，0）开始，对该人脸图像进行分场，依次从该人脸图像中划分出像素大小为a×b的图像分块，那么最终该人脸图像被划分成了（W/a）×（H/b）个图像分块。在本实施例中，在对人脸图像进行分块时，可以设置人脸图像的像素宽度W为每一个图像分块的像素宽度a的倍数，设置人脸图像的像素高度H为每一个图像分块的像素高度b的倍数，以使得人脸图像最终被划分为若干个大小相等的图像分块。
作为本发明的一个实现示例，所述a和b均可以取32像素大小，从而划分得到的图像分块的像素大小为32×32。
在S202中，分别对每一个所述图像分块进行多尺度的LBP特征提取，得到每一个所述图像分块的多尺度LBP特征。
在本实施例中，在对每一个图像分块进行LBP特征提取时，均采用多尺度LBP特征提取的方法，对于每一个图像分块，分别采用不同像素大小的半径，每一个半径实际对应着一个尺度，由此得到M个尺度下该图像分块的LBP特征。
作为本发明的一个实现示例，可以分别采用像素大小为1、3、5、7的半径来对图像分块进行LBP特征提取，最终，对于每一个图像分块，均得到了这四个尺度之下的LBP特征。研究表明，LBP的特征值主要集中在59个“统一模式（Uniform Patterns）”中，因此，根据上述LBP的特征提取，对于每一个图像分块，在每个半径之下得到的LBP特征为一个59维的向量，那么将四个尺度之下根据LBP特征得出的59维向量进行合并，即形成了一个236维的向量，该236维的向量对应了一个图像分块的LBP特征。
在S203中，组合N个所述图像分块的所述多尺度LBP特征，并进行归一化处理，得到所述人脸图像的LBP特征。
在本实施例中，将S202中计算得到的每一个图像分块的多尺度LBP特征进行组合，当在四个尺度下进行LBP特征提取时，会形成一个维数为（W/a）×（H/b）×236的向量，并对该向量进行归一化处理，从而得到当前进行人脸特征提取的人脸图像的LBP特征。
在本实施例中，使用不同半径大小来对人脸图像进行LBP特征提取，从而获取到人脸图像在多个尺度下的LBP特征，实现了对人脸纹理信息的完整表达。
在S102中，提取所述人脸图像的SIFT特征。
为了克服LBP算法无法有效表征人脸局部区域的边缘信息的缺陷，在本实施例中，还需要提取人脸图像的SIFT特征，具体地，如图3所示，S102具体为：
在S401中，对所述人脸图像进行分块，得到N个图像分块，所述N为大于1的整数。
在S401中，对图像进行分块的相关原理如前述实施例S201中所述，在此不再赘述。
在S402中，分别对每一个所述图像分块进行SIFT特征提取，得到每一个所述图像分块的SIFT特征。
在本实施例中，对每一个图像分块进行SIFT特征提取，根据SIFT特征的提取原理，每一个图像分块可以提取得到一个128维的向量，该128维的向量即为该图像分块对应的SIFT特征。
在S403中，组合N个所述图像分块的所述SIFT特征，并进行归一化处理，得到所述人脸图像的SIFT特征。
在本实施例中，将S104中计算得到的每一个图像分块的SIFT特征进行组合，形成一个维数为（W/a）×（H/b）×128的向量，并对该向量进行归一化处理，从而得到当前进行人脸特征提取的人脸图像的SIFT特征。
在S103中，获取第一权重因子和第二权重因子，所述第一权重因子对应所述人脸图像的LBP特征，所述第二权重因子对应所述人脸图像的SIFT特征。
在本实施例中，第一权重因子和第二权重因子用于调整人脸纹理信息与人脸局部区域的边缘信息在最终生成的人脸特征中所占的权重，当第一权重因子的值大于第二权重因子的值时，在最终生成的人脸特征中，对人脸纹理信息表达的完整程度更高，对人脸局部区域边缘信息的表征最弱；当第二权重因子的值大于第一权重因子的值时，在最终生成的人脸特征中，对人脸纹理信息表达的完整程度不会达到最高，但对人脸局部区域边缘信息的表征更为有效。因此，通过合理设置这两个权重因子，可以有效地平衡最终生成的人脸特征中对人脸纹理信息及人脸局部区域边缘信息的表达权重，以根据实际的人脸识别场景，最为有效地进行人脸特征的提取。
在本实施例中，S103之前，可以随时根据实际的人脸识别场景需求，对第一权重因子和第二权重因子进行调整。同时，作为本发明的一个实施例，第一权重因子与第二权重因子之和可以被约束为1，以便于在权重因子调整的过程中，更好地确定LBP特征与SIFT特征在最终生成的人脸特征中所占的权重。
在S104中，根据所述第一权重因子和所述第二权重因子，对所述人脸图像的所述LBP特征和所述SIFT特征进行组合，生成所述人脸图像的人脸特征。
具体地，在S104中，可以将FLBP×VLBP和FSIFT×VSIFT进行组合，得到所述人脸图像的人脸特征，其中，所述FLBP为所述第一权重因子，所述VLBP为所述人脸图像的所述LBP特征，所述FSIFT为所述第二权重因子，所述VSIFT为所述人脸图像的所述SIFT特征。
在S104中，当在四个尺度下进行LBP特征提取时，最终会生成一个维数为（W/a）×（H/b）×364的向量，通过对该向量进行归一化处理，即可生成最终确定的人脸图像的人脸特征。
基于上述方法，最终确定出的人脸图像的人脸特征既能够较为完整地表达了人脸纹理信息，又能够较为充分地表达人脸局部区域的边缘信息，从而使得提取出的人脸特征更为精确，那么基于该人脸特征所进行的人脸识别过程也更为准确。
图5示出了本发明实施例提供的人脸识别的特征提取装置的结构框图，该装置可以用于运行本发明图1至图4实施例所述的人脸识别的特征提取方法。为了便于说明，仅示出了与本实施例相关的部分。
参照图5，该装置包括：
第一提取单元51，提取人脸图像的多尺度LBP特征。
第二提取单元52，提取所述人脸图像的SIFT特征。
获取单元53，获取第一权重因子和第二权重因子，所述第一权重因子对应所述人脸图像的LBP特征，所述第二权重因子对应所述人脸图像的SIFT特征。
生成单元54，根据所述第一权重因子和所述第二权重因子，对所述人脸图像的所述LBP特征和所述SIFT特征进行组合，生成所述人脸图像的人脸特征。
可选地，所述第一提取单元51包括：
第一分块单元，对所述人脸图像进行分块，得到N个图像分块，所述N为大于1的整数。
第一提取子单元，分别对每一个所述图像分块进行多尺度的LBP特征提取，得到每一个所述图像分块的多尺度LBP特征。
第一组合子单元，组合N个所述图像分块的所述多尺度LBP特征，并进行归一化处理，得到所述人脸图像的LBP特征。
可选地，所述第二提取单元52包括：
第二分块单元，对所述人脸图像进行分块，得到N个图像分块，所述N为大于1的整数。
第二提取子单元，分别对每一个所述图像分块进行SIFT特征提取，得到每一个所述图像分块的SIFT特征。
第二组合子单元，组合N个所述图像分块的所述SIFT特征，并进行归一化处理，得到所述人脸图像的SIFT特征。
可选地，所述生成单元54具体用于：
将FLBP×VLBP和FSIFT×VSIFT进行组合，并进行归一化处理，得到所述人脸图像的人脸特征，其中，所述FLBP为所述第一权重因子，所述VLBP为所述人脸图像的所述LBP特征，所述FSIFT为所述第二权重因子，所述VSIFT为所述人脸图像的所述SIFT特征。
可选地，所述第一权重因子和所述第二权重因子之和为1。
在本发明实施例中，将多尺度LBP特征提取与SIFT特征提取同时应用到人脸识别的特征提取过程中，并通过为根据上述两种算法提取出的人脸特征分别赋予相应的权重，从而最终确定出人脸图像的人脸特征，实现了对人脸纹理信息和人脸局部区域边缘信息的保留，有效地提高了人脸识别过程中人脸特征提取的精度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种人脸识别的特征提取方法，其特征在于，包括：
提取人脸图像的多尺度局部二值模式LBP特征；
提取所述人脸图像的尺度不变特征转换SIFT特征；
获取第一权重因子和第二权重因子，所述第一权重因子对应所述人脸图像的LBP特征，所述第二权重因子对应所述人脸图像的SIFT特征；
根据所述第一权重因子和所述第二权重因子，对所述人脸图像的所述LBP特征和所述SIFT特征进行组合，生成所述人脸图像的人脸特征。
2.如权利要求1所述的方法，其特征在于，所述提取人脸图像的多尺度LBP特征包括：
对所述人脸图像进行分块，得到N个图像分块，所述N为大于1的整数；
分别对每一个所述图像分块进行多尺度的LBP特征提取，得到每一个所述图像分块的多尺度LBP特征；
组合N个所述图像分块的所述多尺度LBP特征，并进行归一化处理，得到所述人脸图像的LBP特征。
3.如权利要求1所述的方法，其特征在于，所述提取人脸图像的SIFT特征包括：
对所述人脸图像进行分块，得到N个图像分块，所述N为大于1的整数；
分别对每一个所述图像分块进行SIFT特征提取，得到每一个所述图像分块的SIFT特征；
组合N个所述图像分块的所述SIFT特征，并进行归一化处理，得到所述人脸图像的SIFT特征。
4.如权利要求1所述的方法，其特征在于，所述根据所述第一权重因子和所述第二权重因子，对所述人脸图像的所述LBP特征和所述SIFT特征进行组合，生成所述人脸图像的人脸特征包括：
将FLBP×VLBP和FSIFT×VSIFT进行组合，并进行归一化处理，得到所述人脸图像的人脸特征，其中，所述FLBP为所述第一权重因子，所述VLBP为所述人脸图像的所述LBP特征，所述FSIFT为所述第二权重因子，所述VSIFT为所述人脸图像的所述SIFT特征。
5.如权利要求4所述的方法，其特征在于，所述第一权重因子和所述第二权重因子之和为1。
6.一种人脸识别的特征提取装置，其特征在于，包括：
第一提取单元，用于提取人脸图像的多尺度局部二值模式LBP特征；
第二提取单元，用于提取所述人脸图像的尺度不变特征转换SIFT特征；
获取单元，用于获取第一权重因子和第二权重因子，所述第一权重因子对应所述人脸图像的LBP特征，所述第二权重因子对应所述人脸图像的SIFT特征；
生成单元，用于根据所述第一权重因子和所述第二权重因子，对所述人脸图像的所述LBP特征和所述SIFT特征进行组合，生成所述人脸图像的人脸特征。
7.如权利要求6所述的装置，其特征在于，所述第一提取单元包括：
第一分块单元，用于对所述人脸图像进行分块，得到N个图像分块，所述N为大于1的整数；
第一提取子单元，用于分别对每一个所述图像分块进行多尺度的LBP特征提取，得到每一个所述图像分块的多尺度LBP特征；
第一组合子单元，用于组合N个所述图像分块的所述多尺度LBP特征，并进行归一化处理，得到所述人脸图像的LBP特征。
8.如权利要求6所述的装置，其特征在于，所述第二提取单元包括：
第二分块单元，用于对所述人脸图像进行分块，得到N个图像分块，所述N为大于1的整数；
第二提取子单元，用于分别对每一个所述图像分块进行SIFT特征提取，得到每一个所述图像分块的SIFT特征；
第二组合子单元，用于组合N个所述图像分块的所述SIFT特征，并进行归一化处理，得到所述人脸图像的SIFT特征。
9.如权利要求6所述的装置，其特征在于，所述生成单元具体用于：
将FLBP×VLBP和FSIFT×VSIFT进行组合，并进行归一化处理，得到所述人脸图像的人脸特征，其中，所述FLBP为所述第一权重因子，所述VLBP为所述人脸图像的所述LBP特征，所述FSIFT为所述第二权重因子，所述VSIFT为所述人脸图像的所述SIFT特征。
10.如权利要求9所述的装置，其特征在于，所述第一权重因子和所述第二权重因子之和为1。
CN201410040459.4A 2014-01-27 2014-01-27 一种人脸识别的特征提取方法及装置 Pending CN103745207A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410040459.4A CN103745207A (zh) 2014-01-27 2014-01-27 一种人脸识别的特征提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410040459.4A CN103745207A (zh) 2014-01-27 2014-01-27 一种人脸识别的特征提取方法及装置

Publications (1)

Publication Number Publication Date
CN103745207A true CN103745207A (zh) 2014-04-23

Family

ID=50502224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410040459.4A Pending CN103745207A (zh) 2014-01-27 2014-01-27 一种人脸识别的特征提取方法及装置

Country Status (1)

Country Link
CN (1) CN103745207A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021380A (zh) * 2014-05-02 2014-09-03 香港应用科技研究院有限公司 通过计算装置进行面部识别的方法和装置
CN104917963A (zh) * 2015-05-25 2015-09-16 深圳市金立通信设备有限公司 一种图像处理方法及终端
CN105224849A (zh) * 2015-10-20 2016-01-06 广州广电运通金融电子股份有限公司 一种多生物特征融合身份鉴别方法以及装置
CN105469076A (zh) * 2015-12-29 2016-04-06 东莞市微模式软件有限公司 基于多示例学习的人脸比对验证方法
CN105740864A (zh) * 2016-01-22 2016-07-06 大连楼兰科技股份有限公司 一种基于lbp的图像特征提取方法
CN106557769A (zh) * 2015-09-25 2017-04-05 北京大学 一种基于路径积分的ms-lbp的特征抽取方法及系统
CN108520215A (zh) * 2018-03-28 2018-09-11 电子科技大学 基于多尺度联合特征编码器的单样本人脸识别方法
CN113823054A (zh) * 2021-11-24 2021-12-21 中国南方电网有限责任公司超高压输电公司广州局 换流站的综合安防管理系统、方法、装置和计算机设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6807298B1 (en) * 1999-03-12 2004-10-19 Electronics And Telecommunications Research Institute Method for generating a block-based image histogram
CN101840510A (zh) * 2010-05-27 2010-09-22 武汉华博公共安全技术发展有限公司 基于成本敏感的自适应增强的人脸认证方法
CN102163288A (zh) * 2011-04-06 2011-08-24 北京中星微电子有限公司 眼镜检测方法和装置
CN102663400A (zh) * 2012-04-16 2012-09-12 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
CN103207986A (zh) * 2013-02-06 2013-07-17 江苏清大维森科技有限责任公司 一种基于lbp-hf的人脸识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6807298B1 (en) * 1999-03-12 2004-10-19 Electronics And Telecommunications Research Institute Method for generating a block-based image histogram
CN101840510A (zh) * 2010-05-27 2010-09-22 武汉华博公共安全技术发展有限公司 基于成本敏感的自适应增强的人脸认证方法
CN102163288A (zh) * 2011-04-06 2011-08-24 北京中星微电子有限公司 眼镜检测方法和装置
CN102663400A (zh) * 2012-04-16 2012-09-12 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
CN103207986A (zh) * 2013-02-06 2013-07-17 江苏清大维森科技有限责任公司 一种基于lbp-hf的人脸识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵怀勋等: "基于多尺度LBP的人脸识别", 《计算机应用与软件》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021380A (zh) * 2014-05-02 2014-09-03 香港应用科技研究院有限公司 通过计算装置进行面部识别的方法和装置
CN104021380B (zh) * 2014-05-02 2017-12-12 香港应用科技研究院有限公司 通过计算装置进行面部识别的方法和装置
CN104917963A (zh) * 2015-05-25 2015-09-16 深圳市金立通信设备有限公司 一种图像处理方法及终端
CN106557769B (zh) * 2015-09-25 2019-03-22 北京大学 一种基于路径积分的ms-lbp的特征抽取方法及系统
CN106557769A (zh) * 2015-09-25 2017-04-05 北京大学 一种基于路径积分的ms-lbp的特征抽取方法及系统
CN105224849A (zh) * 2015-10-20 2016-01-06 广州广电运通金融电子股份有限公司 一种多生物特征融合身份鉴别方法以及装置
US10346602B2 (en) 2015-10-20 2019-07-09 Grg Banking Equipment Co., Ltd. Method and device for authenticating identify by means of fusion of multiple biological characteristics
CN105469076A (zh) * 2015-12-29 2016-04-06 东莞市微模式软件有限公司 基于多示例学习的人脸比对验证方法
CN105469076B (zh) * 2015-12-29 2019-05-03 广东微模式软件股份有限公司 基于多示例学习的人脸比对验证方法
CN105740864A (zh) * 2016-01-22 2016-07-06 大连楼兰科技股份有限公司 一种基于lbp的图像特征提取方法
CN108520215A (zh) * 2018-03-28 2018-09-11 电子科技大学 基于多尺度联合特征编码器的单样本人脸识别方法
CN108520215B (zh) * 2018-03-28 2022-10-11 电子科技大学 基于多尺度联合特征编码器的单样本人脸识别方法
CN113823054A (zh) * 2021-11-24 2021-12-21 中国南方电网有限责任公司超高压输电公司广州局 换流站的综合安防管理系统、方法、装置和计算机设备

Similar Documents

Publication Publication Date Title
CN103745207A (zh) 一种人脸识别的特征提取方法及装置
Vezzetti et al. 3D geometry-based automatic landmark localization in presence of facial occlusions
CN103761515A (zh) 一种基于lbp的人脸特征提取方法及装置
CN103745209B (zh) 一种人脸识别方法及系统
US9213897B2 (en) Image processing device and method
KR101865253B1 (ko) Ｒｅｇｉｏｎ－ｓｉｆｔ와 ｄｉｓｃｒｉｍｉｎａｎｔ ｓｖｍ 분류기를 이용한 나이 및 성별 인식 장치 및 그 방법
Prakash et al. Human recognition using 3D ear images
CN103049750A (zh) 字符识别方法
CN110414502B (zh) 图像处理方法及装置、电子设备和计算机可读介质
CN105809651A (zh) 基于边缘非相似性对比的图像显著性检测方法
CN105005776A (zh) 指纹识别方法及装置
CN102663399A (zh) 一种基于Hilbert曲线和LBP的图像局部特征提取方法
CN107103311A (zh) 一种连续手语的识别方法及其装置
Reddy et al. Facial recognition based on straight angle fuzzy texture unit matrix
JP2015201151A (ja) 三次元モデル検索システム、及び三次元モデル検索方法
An et al. Content-based image retrieval using color features of salient regions
Yuan et al. A review of recent advances in ear recognition
CN104376312A (zh) 基于词袋压缩感知特征提取的人脸识别方法
US11080551B2 (en) Proposal region filter for digital image processing
CN104504692A (zh) 基于区域对比度的图像中显著对象的提取方法
Zhao et al. Facial expression recognition based on local binary patterns and least squares support vector machines
Wady et al. Ethnicity identification based on fusion strategy of local and global features extraction
Malkapurkar et al. A new technique for LBP method to improve face recognition
Ding et al. A novel 3D ear identification approach based on sparse representation
CN104050457A (zh) 基于小样本训练库下的人脸性别识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20140423

RJ01 Rejection of invention patent application after publication