CN103927527A - 一种基于单训练样本的人脸特征提取方法 - Google Patents
一种基于单训练样本的人脸特征提取方法 Download PDFInfo
- Publication number
- CN103927527A CN103927527A CN201410182023.9A CN201410182023A CN103927527A CN 103927527 A CN103927527 A CN 103927527A CN 201410182023 A CN201410182023 A CN 201410182023A CN 103927527 A CN103927527 A CN 103927527A
- Authority
- CN
- China
- Prior art keywords
- image
- sigma
- theta
- training sample
- phi
- 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
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于单训练样本的人脸特征提取方法,包括步骤:一、人脸图像信号的采集及上传;二、人脸图像的分辨率调整及矩阵表示;三、图像特征提取:301、对图像矩阵X进行横向分块,302、采用二维Gabor滤波器组对图像矩阵X进行滤波,303、求取人脸子图像矩阵中的每个像素值的纹理贡献度,304、求取人脸图像G的特征向量W;四、处理结果同步输出。本发明设计合理、实现方便且投入成本低,操作简便,人脸特征提取速度快、效果好,实用性强,解决了现有技术中的图像特征提取方法在单训练样本条件下,很多传统方法失效、人脸识别率急剧下降等缺陷,性能方面明显优于现有的多种单训练样本的图像特征提取方法。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于单训练样本的人脸特征提取方法。
背景技术
现有技术中,对于具有多训练样本的人脸识别方法已经取得了非常优秀的成果。但是在实际的应用中,经常会遇到缺乏训练样本的情况,例如恐怖分子的布控、海关安防、公安系统等等。因此,单样本人脸识别的研究在近几年内也成了研究的热点,目前对于单样本的人脸特征描述近多年也提出了多种解决方法,总结起来主要分为两类:
1、使用各种方法对训练样本进行扩充,主要思想是扩充训练样本以使用全局特征描述方法,该类方法的优点是操作简单,但是缺点是扩充的训练样本和原训练样本一致性过高,很难达到多样本的效果;
2、对单样本的图像进行局部的纹理描述,旨在最大程度地描述图像的局部特征,该类方法对单样本人脸特征描述具有较高的稳定性和识别率,但是该方法的缺陷在于没有考虑每个局部特征对于图像整体描述的贡献,对于所有的局部特征描述的重要性没有区分。
综上所述,现有技术中的对于单训练样本人脸图像特征提取方法存在着对局部特征的贡献考虑不足、分类识别效果差、稳定性低等缺陷和不足,不能很好地满足实际应用的需求。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于单训练样本的人脸特征提取方法,其设计合理、实现方便且投入成本低,操作简便,人脸特征提取速度快、效果好,能够适用于实际应用中众多缺乏训练样本的场景,实用性强。
为解决上述技术问题,本发明采用的技术方案是:一种基于单训练样本的人脸特征提取方法,其特征在于该方法包括以下步骤:
步骤一、人脸图像信号的采集及上传:图像采集设备采集人脸图像信号并将其实时所采集的人脸图像信号通过图像信号传输装置上传给处理器;
步骤二、人脸图像的分辨率调整及矩阵表示:首先,处理器调用分辨率差值调整模块将其所接收到的人脸图像信号的分辨率调整为128×128,得到人脸图像G;然后,处理器将所述人脸图像G表示为图像矩阵X;
步骤三、图像特征提取:处理器对步骤二中所得到的图像矩阵X进行分析处理,得到人脸图像G的特征向量W,其分析处理过程如下:
步骤301、对图像矩阵X进行横向分块:将图像矩阵X横向分为q块,得到:
其中,q为自然数且q的取值为4、6、8、16、32或64,Xi1(i=1,2,...,q)为维的人脸子图像矩阵;
步骤302、采用二维Gabor滤波器组对图像矩阵X进行滤波,具体过程如下:
步骤3021、构建时域下的二维Gabor滤波器组:
其中,φe(x,y,f,θ,σ)为偶对称的二维Gabor滤波器,φo(x,y,f,θ,σ)为奇对称的二维Gabor滤波器,f为中心频率,x为时域下的横坐标变量,y为时域下的纵坐标变量,θ为空间相位角,σ为空间常数,g(x,y,σ)为高斯函数且
步骤3022、将时域下的二维Gabor滤波器组变换为频域下的二维Gabor滤波器组:
其中,Φ1(u,v,f,θ,σ)=exp{-2π2σ2[(u-fcosθ)2+(v-fsinθ)2]},Φ2(u,v,f,θ,σ)=exp{-2π2σ2[(u+fcosθ)2+(v+fsinθ)2]},Φe(u,v,f,θ,σ)为φe(x,y,f,θ,σ)的Fourier变换,Φo(u,v,f,θ,σ)为φo(x,y,f,θ,σ)的Fourier变换,j为虚数单位且u,v为频域下的空间频率变量;
步骤3023、首先,将所述人脸子图像矩阵Xi1(i=1,2,...,q)中的每个像素值表示为Xi1(x,y)(i=1,2,...,q);然后,采用频域下的二维Gabor滤波器组对Xi1(x,y)(i=1,2,...,q)进行滤波,得到滤波结果:
其中,为采用偶对称的二维Gabor滤波器对Xi1(x,y)(i=1,2,...,q)进行滤波的滤波结果,为采用奇对称的二维Gabor滤波器对Xi1(x,y)(i=1,2,...,q)进行滤波的滤波结果,Fi(u,v)为Xi1(x,y)(i=1,2,...,q)的Fourier变换;
步骤3024、选择n1个不同的中心频率f,并对每个中心频率f,选择n2个不同的空间相位角θ,形成n1×n2个Gabor滤波通道,对每个Gabor滤波通道的滤波结果,提取其幅值作为代表该Gabor滤波通道的特征;其中,采用偶对称的二维Gabor滤波器对Xi1(x,y)(i=1,2,...,q)进行滤波的滤波结果的幅值为采用奇对称的二维Gabor滤波器对Xi1(x,y)(i=1,2,...,q)进行滤波的滤波结果的幅值为
步骤3025、对每个Gabor滤波通道的滤波结果的幅值按行展开,形成一个行向量并对每个Gabor滤波通道的滤波结果的幅值按行展开,形成一个行向量
步骤3026、将n1×n2个Gabor滤波通道的n1×n2×2个行向量依次连接,形成Xi1(x,y)(i=1,2,...,q)的二维Gabor滤波器组的特征Wi(i=1,2,...q);
步骤303、求取所述人脸子图像矩阵Xi1(i=1,2,...,q)中的每个像素值Xi1(x,y)(i=1,2,...,q)的纹理贡献度,具体过程如下:
步骤3031、定义人脸图像G的熵函数为:
其中,X(x',y')为图像矩阵X的像素值,x'为图像X(x',y')的横向坐标,y'为图像X(x',y')的纵向坐标,m为人脸图像G的灰度级别总数,pa为第a个灰度级别出现的概率,a为自然数且a的取值为1~m;
步骤3032、定义局部信息熵图谱LH()对应的图像熵为:
LH(i',j')=H(F(i',j')w)
其中,w为滑动可变窗口的大小,H(F(i',j')w)为图像F(i',j')w的熵函数,(i',j')为图像F(i',j')w中每个像素的位置,i'为图像F(i',j')w的横向坐标,j'为图像F(i',j')w的纵向坐标,F(i',j')w为以(i',j')为中心滑动可变窗口内的子图像且:
F(i',j')w={X(x',y')|x∈[i'-w/2,i'+w/2-1],y'∈[j'-w/2,j'+w/2-1]};
步骤3033、定义所述人脸子图像矩阵Xi1(i=1,2,...,q)中的每个像素值Xi1(x',y')(i=1,2,...,q)的纹理贡献度为:
其中,X(x'+(i-1)×q,y')为将图像矩阵X横向分为q块后第i块子图像中(x',y')处的像素值,s为将图像矩阵X横向分为q块后每一块子图像的纵向像素个数且s=128/q;
步骤304、根据公式W=[W1*CM(1),W2*CM(2),…Wq*CM(q)]求取人脸图像G的特征向量W;
步骤四、处理结果同步输出:步骤三中进行图像特征提取过程中,处理器通过与其相接的显示器对步骤三中的图像信号处理过程及图像特征提取结果进行同步显示。
上述的一种基于单训练样本的人脸特征提取方法,其特征在于:步骤3021中所述σ的取值为1。
上述的一种基于单训练样本的人脸特征提取方法,其特征在于:步骤3024中所述n1的取值为6,6个不同的中心频率f的取值分别为2Hz、4Hz、8Hz、16Hz、32Hz和64Hz。
上述的一种基于单训练样本的人脸特征提取方法,其特征在于:步骤3024中所述n2的取值为4,4个不同的空间相位角θ的取值分别为0°,45°,90°和135°。
上述的一种基于单训练样本的人脸特征提取方法,其特征在于:步骤3031中所述m的取值为256。
上述的一种基于单训练样本的人脸特征提取方法,其特征在于:所述处理器为计算机。
本发明与现有技术相比具有以下优点:
1、本发明的方法步骤简单,设计合理,实现方便且投入成本低,操作简便。
2、本发明能够适用于实际使用中单训练样本的人脸识别场合。
3、本发明不仅通过二维Gabor滤波器组提取出了多方向、多分辨率的详细纹理特征,并且充分考虑到了每个子图像块中的每个像素值对整体图像的纹理贡献度,能够很好地描述人脸特征,在性能方面明显优于局部主成份分析(local PCA)、局部二进制模式(LBP)、局部三进制模式(LTP)和二维Gabor滤波变换(2DGabor)等多种基于单训练样本的常见图像特征提取算法。
4、本发明的人脸特征提取速度快,稳定性强,实用性强,能够应用于人脸识别,实现人脸识别在视频监控、人机交互、身份认证等方面的应用,能够很好地满足实际应用的需求。
综上所述,本发明设计合理、实现方便且投入成本低,操作简便,人脸特征提取速度快、效果好,实用性强,解决了现有技术中的图像特征提取方法在单训练样本条件下,很多传统方法失效、人脸识别率急剧下降等缺陷,性能方面明显优于现有的多种单训练样本的图像特征提取方法。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明采用的人脸特征提取设备的电路原理框图。
图2为本发明人脸特征提取方法的方法流程框图。
图3为本发明与多种图像特征提取方法所得人脸识别结果的YALE人脸库比较图。
图4为本发明与多种图像特征提取方法所得人脸识别结果的ORL人脸库比较图。
附图标记说明:
1—图像采集设备;2—图像信号传输装置;3—处理器;
4—显示器。
具体实施方式
如图1和图2所示,本发明的基于单训练样本的人脸特征提取方法,包括以下步骤:
步骤一、人脸图像信号的采集及上传:图像采集设备1采集人脸图像信号并将其实时所采集的人脸图像信号通过图像信号传输装置2上传给处理器3;
步骤二、人脸图像的分辨率调整及矩阵表示:首先,处理器3调用分辨率差值调整模块将其所接收到的人脸图像信号的分辨率调整为128×128,得到人脸图像G;然后,处理器3将所述人脸图像G表示为图像矩阵X;
步骤三、图像特征提取:处理器3对步骤二中所得到的图像矩阵X进行分析处理,得到人脸图像G的特征向量W,其分析处理过程如下:
步骤301、对图像矩阵X进行横向分块:将图像矩阵X横向分为q块,得到:
其中,q为自然数且q的取值为4、6、8、16、32或64,Xi1(i=1,2,...,q)为维的人脸子图像矩阵;
步骤302、采用二维Gabor滤波器组对图像矩阵X进行滤波,具体过程如下:
步骤3021、构建时域下的二维Gabor滤波器组:
其中,φe(x,y,f,θ,σ)为偶对称的二维Gabor滤波器,φo(x,y,f,θ,σ)为奇对称的二维Gabor滤波器,f为中心频率,x为时域下的横坐标变量,y为时域下的纵坐标变量,θ为空间相位角,σ为空间常数,g(x,y,σ)为高斯函数且
本实施例中,步骤3021中所述σ的取值为1。
步骤3022、将时域下的二维Gabor滤波器组变换为频域下的二维Gabor滤波器组:
其中,Φ1(u,v,f,θ,σ)=exp{-2π2σ2[(u-fcosθ)2+(v-fsinθ)2]},Φ2(u,v,f,θ,σ)=exp{-2π2σ2[(u+fcosθ)2+(v+fsinθ)2]},Φe(u,v,f,θ,σ)为φe(x,y,f,θ,σ)的Fourier变换,Φo(u,v,f,θ,σ)为φo(x,y,f,θ,σ)的Fourier变换,j为虚数单位且u,v为频域下的空间频率变量;
步骤3023、首先,将所述人脸子图像矩阵Xi1(i=1,2,...,q)中的每个像素值表示为Xi1(x,y)(i=1,2,...,q);然后,采用频域下的二维Gabor滤波器组对Xi1(x,y)(i=1,2,...,q)进行滤波,得到滤波结果:
其中,为采用偶对称的二维Gabor滤波器对Xi1(x,y)(i=1,2,...,q)进行滤波的滤波结果,为采用奇对称的二维Gabor滤波器对Xi1(x,y)(i=1,2,...,q)进行滤波的滤波结果,Fi(u,v)为Xi1(x,y)(i=1,2,...,q)的Fourier变换;
步骤3024、选择n1个不同的中心频率f,并对每个中心频率f,选择n2个不同的空间相位角θ,形成n1×n2个Gabor滤波通道,对每个Gabor滤波通道的滤波结果,提取其幅值作为代表该Gabor滤波通道的特征;其中,采用偶对称的二维Gabor滤波器对Xi1(x,y)(i=1,2,...,q)进行滤波的滤波结果的幅值为采用奇对称的二维Gabor滤波器对Xi1(x,y)(i=1,2,...,q)进行滤波的滤波结果的幅值为
本实施例中,步骤3024中所述n1的取值为6,6个不同的中心频率f的取值分别为2Hz、4Hz、8Hz、16Hz、32Hz和64Hz;步骤3024中所述n2的取值为4,4个不同的空间相位角θ的取值分别为0°,45°,90°和135°;因此本实施例能够形成24个Gabor滤波通道;
步骤3025、对每个Gabor滤波通道的滤波结果的幅值按行展开,形成一个行向量并对每个Gabor滤波通道的滤波结果的幅值按行展开,形成一个行向量
步骤3026、将n1×n2个Gabor滤波通道的n1×n2×2个行向量依次连接,形成Xi1(x,y)(i=1,2,...,q)的二维Gabor滤波器组的特征Wi(i=1,2,...q);
本实施例中,行向量的数量为48个;
步骤303、求取所述人脸子图像矩阵Xi1(i=1,2,...,q)中的每个像素值Xi1(x,y)(i=1,2,...,q)的纹理贡献度,具体过程如下:
步骤3031、定义人脸图像G的熵函数为:
其中,X(x',y')为图像矩阵X的像素值,x'为图像X(x',y')的横向坐标,y'为图像X(x',y')的纵向坐标,m为人脸图像G的灰度级别总数,pa为第a个灰度级别出现的概率,a为自然数且a的取值为1~m;
本实施例中,步骤3031中所述m的取值为256。
步骤3032、定义局部信息熵图谱LH()对应的图像熵为:
LH(i',j')=H(F(i',j')w)
其中,w为滑动可变窗口的大小,H(F(i',j')w)为图像F(i',j')w的熵函数,(i',j')为图像F(i',j')w中每个像素的位置,i'为图像F(i',j')w的横向坐标,j'为图像F(i',j')w的纵向坐标,F(i',j')w为以(i',j')为中心滑动可变窗口内的子图像且:
F(i',j')w={X(x',y')|x∈[i'-w/2,i'+w/2-1],y'∈[j'-w/2,j'+w/2-1]};
步骤3033、定义所述人脸子图像矩阵Xi1(i=1,2,...,q)中的每个像素值Xi1(x',y')(i=1,2,...,q)的纹理贡献度为:
其中,X(x'+(i-1)×q,y')为将图像矩阵X横向分为q块后第i块子图像中(x',y')处的像素值,s为将图像矩阵X横向分为q块后每一块子图像的纵向像素个数且s=128/q;
步骤304、根据公式W=[W1*CM(1),W2*CM(2),…Wq*CM(q)]求取人脸图像G的特征向量W;
步骤四、处理结果同步输出:步骤三中进行图像特征提取过程中,处理器3通过与其相接的显示器4对步骤三中的图像信号处理过程及图像特征提取结果进行同步显示。
本实施例中,所述处理器3为计算机。
对于一张人脸图像,整体图像的图像熵可以表达整张人脸的信息量,但是这对人脸特征的描述是没有意义的,而如果将一张人脸图像进行分块,每一块子图像的信息熵可以表示该子图像的信息量,同时也表示该子图像的细节纹理的丰富程度,纹理的丰富程度对人脸整体特征的描述有着重要的作用,所以可以根据子图像的局部图像信息熵来构建每个子图像纹理对整副人脸信息的贡献程度,能够很好地描述人脸特征。
为了验证本发明人脸特征提取方法的有效性和普适性,将本发明的人脸特征提取方法与局部主成份分析(local PCA)、局部二进制模式(LBP)、局部三进制模式(LTP)和二维Gabor滤波变换(2DGabor)的基于单训练样本的常见图像特征提取算法进行了比较,具体如下:
(1)在MATLAB的仿真环境下,以Yale人脸库为实验对象进行测试,Yale人脸库包括了15个人每人11幅共165幅人脸图像,具备了睁眼闭眼、张口闭口、以及非常丰富的面部表情的变化,选取每人1幅人脸图像为训练样本,其余为测试样本,分别采用各种所要比较的人脸特征提取算法进行人脸特征提取,并对每种算法提取到的人脸特征采用现有技术中的RBF神经网络分类识别法进行分类识别,其分类识别比较结果如图3所示。
(2)在MATLAB的仿真环境下,以ORL人脸库为实验对象进行测试,ORL人脸库包括了40个不同的光照、表情、发型和有无眼镜等人脸图像,每人10幅共400幅人脸,选取每人1幅人脸图像为训练样本,其余为测试样本,分别采用各种所要比较的人脸特征提取算法进行人脸特征提取,并对每种算法提取到的人脸特征采用现有技术中的RBF神经网络分类识别法进行分类识别,其分类识别比较结果如图4所示。
从图3和图4可以看出,本发明的人脸特征提取方法对人脸识别的识别率明显高于其它常见的基于单训练样本的常见图像特征提取算法,能够适用于实际应用中众多缺乏训练样本的场景。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (6)
1.一种基于单训练样本的人脸特征提取方法,其特征在于该方法包括以下步骤:
步骤一、人脸图像信号的采集及上传:图像采集设备(1)采集人脸图像信号并将其实时所采集的人脸图像信号通过图像信号传输装置(2)上传给处理器(3);
步骤二、人脸图像的分辨率调整及矩阵表示:首先,处理器(3)调用分辨率差值调整模块将其所接收到的人脸图像信号的分辨率调整为128×128,得到人脸图像G;然后,处理器(3)将所述人脸图像G表示为图像矩阵X;
步骤三、图像特征提取:处理器(3)对步骤二中所得到的图像矩阵X进行分析处理,得到人脸图像G的特征向量W,其分析处理过程如下:
步骤301、对图像矩阵X进行横向分块:将图像矩阵X横向分为q块,得到:
其中,q为自然数且q的取值为4、6、8、16、32或64,Xi1(i=1,2,...,q)为维的人脸子图像矩阵;
步骤302、采用二维Gabor滤波器组对图像矩阵X进行滤波,具体过程如下:
步骤3021、构建时域下的二维Gabor滤波器组:
其中,φe(x,y,f,θ,σ)为偶对称的二维Gabor滤波器,φo(x,y,f,θ,σ)为奇对称的二维Gabor滤波器,f为中心频率,x为时域下的横坐标变量,y为时域下的纵坐标变量,θ为空间相位角,σ为空间常数,g(x,y,σ)为高斯函数且
步骤3022、将时域下的二维Gabor滤波器组变换为频域下的二维Gabor滤波器组:
其中,Φ1(u,v,f,θ,σ)=exp{-2π2σ2[(u-fcosθ)2+(v-fsinθ)2]},Φ2(u,v,f,θ,σ)=exp{-2π2σ2[(u+fcosθ)2+(v+fsinθ)2]},Φe(u,v,f,θ,σ)为φe(x,y,f,θ,σ)的Fourier变换,Φo(u,v,f,θ,σ)为φo(x,y,f,θ,σ)的Fourier变换,j为虚数单位且u,v为频域下的空间频率变量;
步骤3023、首先,将所述人脸子图像矩阵Xi1(i=1,2,...,q)中的每个像素值表示为Xi1(x,y)(i=1,2,...,q);然后,采用频域下的二维Gabor滤波器组对Xi1(x,y)(i=1,2,...,q)进行滤波,得到滤波结果:
其中,为采用偶对称的二维Gabor滤波器对Xi1(x,y)(i=1,2,...,q)进行滤波的滤波结果,为采用奇对称的二维Gabor滤波器对Xi1(x,y)(i=1,2,...,q)进行滤波的滤波结果,Fi(u,v)为Xi1(x,y)(i=1,2,...,q)的Fourier变换;
步骤3024、选择n1个不同的中心频率f,并对每个中心频率f,选择n2个不同的空间相位角θ,形成n1×n2个Gabor滤波通道,对每个Gabor滤波通道的滤波结果,提取其幅值作为代表该Gabor滤波通道的特征;其中,采用偶对称的二维Gabor滤波器对Xi1(x,y)(i=1,2,...,q)进行滤波的滤波结果的幅值为采用奇对称的二维Gabor滤波器对Xi1(x,y)(i=1,2,...,q)进行滤波的滤波结果的幅值为
步骤3025、对每个Gabor滤波通道的滤波结果的幅值按行展开,形成一个行向量并对每个Gabor滤波通道的滤波结果的幅值按行展开,形成一个行向量
步骤3026、将n1×n2个Gabor滤波通道的n1×n2×2个行向量依次连接,形成Xi1(x,y)(i=1,2,...,q)的二维Gabor滤波器组的特征Wi(i=1,2,...q);
步骤303、求取所述人脸子图像矩阵Xi1(i=1,2,...,q)中的每个像素值Xi1(x,y)(i=1,2,...,q)的纹理贡献度,具体过程如下:
步骤3031、定义人脸图像G的熵函数为:
其中,X(x',y')为图像矩阵X的像素值,x'为图像X(x',y')的横向坐标,y'为图像X(x',y')的纵向坐标,m为人脸图像G的灰度级别总数,pa为第a个灰度级别出现的概率,a为自然数且a的取值为1~m;
步骤3032、定义局部信息熵图谱LH()对应的图像熵为:
LH(i',j')=H(F(i',j')w)
其中,w为滑动可变窗口的大小,H(F(i',j')w)为图像F(i',j')w的熵函数,(i',j')为图像F(i',j')w中每个像素的位置,i'为图像F(i',j')w的横向坐标,j'为图像F(i',j')w的纵向坐标,F(i',j')w为以(i',j')为中心滑动可变窗口内的子图像且:
F(i',j')w={X(x',y')|x∈[i'-w/2,i'+w/2-1],y'∈[j'-w/2,j'+w/2-1]};
步骤3033、定义所述人脸子图像矩阵Xi1(i=1,2,...,q)中的每个像素值Xi1(x',y')(i=1,2,...,q)的纹理贡献度为:
其中,X(x'+(i-1)×q,y')为将图像矩阵X横向分为q块后第i块子图像中(x',y')处的像素值,s为将图像矩阵X横向分为q块后每一块子图像的纵向像素个数且s=128/q;
步骤304、根据公式W=[W1*CM(1),W2*CM(2),…Wq*CM(q)]求取人脸图像G的特征向量W;
步骤四、处理结果同步输出:步骤三中进行图像特征提取过程中,处理器(3)通过与其相接的显示器(4)对步骤三中的图像信号处理过程及图像特征提取结果进行同步显示。
2.按照权利要求1所述的一种基于单训练样本的人脸特征提取方法,其特征在于:步骤3021中所述σ的取值为1。
3.按照权利要求1所述的一种基于单训练样本的人脸特征提取方法,其特征在于:步骤3024中所述n1的取值为6,6个不同的中心频率f的取值分别为2Hz、4Hz、8Hz、16Hz、32Hz和64Hz。
4.按照权利要求1所述的一种基于单训练样本的人脸特征提取方法,其特征在于:步骤3024中所述n2的取值为4,4个不同的空间相位角θ的取值分别为0°,45°,90°和135°。
5.按照权利要求1所述的一种基于单训练样本的人脸特征提取方法,其特征在于:步骤3031中所述m的取值为256。
6.按照权利要求1所述的一种基于单训练样本的人脸特征提取方法,其特征在于:所述处理器(3)为计算机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410182023.9A CN103927527A (zh) | 2014-04-30 | 2014-04-30 | 一种基于单训练样本的人脸特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410182023.9A CN103927527A (zh) | 2014-04-30 | 2014-04-30 | 一种基于单训练样本的人脸特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103927527A true CN103927527A (zh) | 2014-07-16 |
Family
ID=51145743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410182023.9A Pending CN103927527A (zh) | 2014-04-30 | 2014-04-30 | 一种基于单训练样本的人脸特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103927527A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104464289A (zh) * | 2014-12-04 | 2015-03-25 | 赵常维 | 一种车辆违章时驾驶信息的识别方法 |
CN104834909A (zh) * | 2015-05-07 | 2015-08-12 | 长安大学 | 一种基于Gabor综合特征的图像特征描述方法 |
CN106228163A (zh) * | 2016-07-25 | 2016-12-14 | 长安大学 | 一种基于特征选择的局部差三进制序列图像特征描述方法 |
CN106529412A (zh) * | 2016-10-12 | 2017-03-22 | 国政通科技股份有限公司 | 一种智能视频识别方法及系统 |
CN105426894B (zh) * | 2015-11-06 | 2018-08-14 | 中国铁道科学研究院 | 铁道塞钉图像检测方法及装置 |
CN110889454A (zh) * | 2019-11-29 | 2020-03-17 | 上海能塔智能科技有限公司 | 模型训练方法、装置、情绪识别方法、装置、设备与介质 |
CN111680549A (zh) * | 2020-04-28 | 2020-09-18 | 肯维捷斯(武汉)科技有限公司 | 一种纸纹识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060104504A1 (en) * | 2004-11-16 | 2006-05-18 | Samsung Electronics Co., Ltd. | Face recognition method and apparatus |
CN101710382A (zh) * | 2009-12-07 | 2010-05-19 | 深圳大学 | 基于简化智能单粒子优化算法的Gabor人脸识别方法 |
CN102930258A (zh) * | 2012-11-13 | 2013-02-13 | 重庆大学 | 一种人脸图像识别方法 |
-
2014
- 2014-04-30 CN CN201410182023.9A patent/CN103927527A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060104504A1 (en) * | 2004-11-16 | 2006-05-18 | Samsung Electronics Co., Ltd. | Face recognition method and apparatus |
CN101710382A (zh) * | 2009-12-07 | 2010-05-19 | 深圳大学 | 基于简化智能单粒子优化算法的Gabor人脸识别方法 |
CN102930258A (zh) * | 2012-11-13 | 2013-02-13 | 重庆大学 | 一种人脸图像识别方法 |
Non-Patent Citations (3)
Title |
---|
高涛 等: "改进投影梯度非负矩阵分解的单训练样本特征提取研究", 《电子与信息学报》 * |
高涛 等: "组合局部多通道Gabor滤波器和ICA的人脸描述与识别", 《计算机应用研究》 * |
高涛 等: "采用自适应加权扩展LBP的单样本人脸识别", 《光电子.激光》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104464289A (zh) * | 2014-12-04 | 2015-03-25 | 赵常维 | 一种车辆违章时驾驶信息的识别方法 |
CN104834909A (zh) * | 2015-05-07 | 2015-08-12 | 长安大学 | 一种基于Gabor综合特征的图像特征描述方法 |
CN104834909B (zh) * | 2015-05-07 | 2018-09-21 | 长安大学 | 一种基于Gabor综合特征的图像特征描述方法 |
CN105426894B (zh) * | 2015-11-06 | 2018-08-14 | 中国铁道科学研究院 | 铁道塞钉图像检测方法及装置 |
CN106228163A (zh) * | 2016-07-25 | 2016-12-14 | 长安大学 | 一种基于特征选择的局部差三进制序列图像特征描述方法 |
CN106228163B (zh) * | 2016-07-25 | 2019-06-25 | 长安大学 | 一种基于特征选择的局部差三进制序列图像特征描述方法 |
CN106529412A (zh) * | 2016-10-12 | 2017-03-22 | 国政通科技股份有限公司 | 一种智能视频识别方法及系统 |
CN110889454A (zh) * | 2019-11-29 | 2020-03-17 | 上海能塔智能科技有限公司 | 模型训练方法、装置、情绪识别方法、装置、设备与介质 |
CN111680549A (zh) * | 2020-04-28 | 2020-09-18 | 肯维捷斯(武汉)科技有限公司 | 一种纸纹识别方法 |
CN111680549B (zh) * | 2020-04-28 | 2023-12-05 | 肯维捷斯(武汉)科技有限公司 | 一种纸纹识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103927527A (zh) | 一种基于单训练样本的人脸特征提取方法 | |
CN103116763B (zh) | 一种基于hsv颜色空间统计特征的活体人脸检测方法 | |
CN104834909A (zh) | 一种基于Gabor综合特征的图像特征描述方法 | |
Nhat et al. | Feature fusion by using LBP, HOG, GIST descriptors and Canonical Correlation Analysis for face recognition | |
CN101697197B (zh) | 一种基于典型相关分析空间超分辨率的人脸识别方法 | |
CN106203356B (zh) | 一种基于卷积网络特征提取的人脸识别方法 | |
CN108960141A (zh) | 基于增强型深度卷积神经网络的行人再识别方法 | |
CN103714326B (zh) | 一种单样本人脸识别方法 | |
CN102402784B (zh) | 一种基于最近特征线流形学习的人脸图像超分辨率方法 | |
Jia et al. | Inconsistency-aware wavelet dual-branch network for face forgery detection | |
Zhao et al. | Better Visual Image Super-Resolution with Laplacian Pyramid of Generative Adversarial Networks. | |
CN103198299A (zh) | 基于多方向尺度与Gabor相位投影特征结合的人脸识别方法 | |
CN102426653A (zh) | 基于第二代Bandelet变换和星型模型的静态人体检测方法 | |
Majumder et al. | A tale of a deep learning approach to image forgery detection | |
Timoshenko et al. | Large crowdcollected facial anti-spoofing dataset | |
Almasri et al. | Rgb guided thermal super-resolution enhancement | |
Liu et al. | Pedestrian detection using pixel difference matrix projection | |
CN106940904A (zh) | 基于人脸识别和语音识别的考勤系统 | |
Wang et al. | Face recognition based on nonsubsampled contourlet transform and block-based kernel fisher linear discriminant | |
CN106228163B (zh) | 一种基于特征选择的局部差三进制序列图像特征描述方法 | |
CN109711387A (zh) | 一种基于多类能量图的步态图像预处理方法 | |
Simon et al. | WaveTexNeT: Ensemble Based Wavelet-Xception Deep Neural Network Architecture for Color Texture Classification. | |
Van Duong et al. | Lfdenet: Light field depth estimation network based on hybrid data representation | |
Gu et al. | Depth MHI based deep learning model for human action recognition | |
Jia et al. | Research of improved algorithm based on LBP for face recognition |
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: 20140716 |
|
RJ01 | Rejection of invention patent application after publication |