CN103996023A - 基于深度信念网络的光场人脸识别方法 - Google Patents
基于深度信念网络的光场人脸识别方法 Download PDFInfo
- Publication number
- CN103996023A CN103996023A CN201410199207.6A CN201410199207A CN103996023A CN 103996023 A CN103996023 A CN 103996023A CN 201410199207 A CN201410199207 A CN 201410199207A CN 103996023 A CN103996023 A CN 103996023A
- Authority
- CN
- China
- Prior art keywords
- light field
- sub
- image
- hole
- pixel
- 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
Abstract
一种基于深度信念网络的光场人脸识别方法，包括如下步骤：a.基于光场相机所采集的人脸图像，重构人脸识别所需的4D光场子孔图像阵列，得到训练集；b.使用光场相机对识别对象进行人脸图像采集，基于识别对象的人脸图像重构4D光场子孔图像阵列，得到测试集；c.将所述训练集输入DBN分类器，对所述DBN分类器进行训练；d.将所述测试集输入经训练后的DBN分类器，由所述DBN分类器确定并输出识别结果。该方法在人脸识别上能够获得十分好的效果，并且具有2D人脸图像的易采集易操作等特性，有广阔的应用前景。
Description
技术领域
本发明涉及图像处理技术领域，特别是涉及一种基于深度信念网络(Deep Belief Networks，简称DBN)的光场人脸识别方法。
背景技术
很多现代人脸识别方法基于图像的局部二值特征、SIFT特征等图像特征，与其说尝试去寻找新的图像特征，不如应用机器学习的相关方法自动学习相关特征。近些年，深度学习在二维人脸识别上的研究取得了一定成果。但是，目前三维人脸识别方面进展相对落后。
发明内容
本发明的主要目的在于针对现有技术的不足，提供一种基于深度信念网络的光场人脸识别方法。
为实现上述目的，本发明采用以下技术方案：
一种基于深度信念网络的光场人脸识别方法，包括如下步骤：
a.基于光场相机所采集的人脸图像，重构人脸识别所需的4D光场子孔图像阵列，得到训练集；
b.使用光场相机对识别对象进行人脸图像采集，基于识别对象的人脸图像重构4D光场子孔图像阵列，得到测试集；
c.将所述训练集输入DBN分类器，对所述DBN分类器进行训练；
d.将所述测试集输入经训练后的DBN分类器，由所述DBN分类器确定并输出识别结果；
步骤a和步骤b中，重构4D光场子孔图像阵列的过程包括：
对于从光场相机采集的人脸图像所得的微透镜图像阵列，确定阵列中各个微透镜图像的中心位置，并根据微透镜图像的中心位置坐标的小数部分数值(0.fx,0.fy)，给予呈方形阵列的相邻四个像素对应的权重，重构像素值P＝waPt+wbPr+wcPl+wdPd，其中P为提取的像素值，Pt、Pr、Pl、Pd为微透镜图像的中心位置对应的相邻四个像素值，wa、wb、wc、wd为四个像素值依据微透镜图像的中心位置所确定的权重，wa+wb+wc+wd＝1，由此提取出重构的像素，并基于所提取的这些像素合成各子孔图像，以构成4D 光场子孔图像阵列。
根据优选的实施例，本发明的技术方案还可能包括以下一些技术特征：
在构成4D光场子孔图像阵列之前还包括以下步骤：
对于各子孔图像，偶数行的像素用相邻的像素进行线性插值得到中间像素，而奇数行的像素不操作，基于线性插值的结果将呈菱形的像素排列恢复成正常的像素排列。
微透镜图像的中心位置的确定包括以下步骤：
通过检测光场相机采集的源图像的水平梯度图和垂直梯度图，得到梯度峰值点；
进行水平线性拟合与垂直拟合，得到每个水平直线与垂直直线交叉点的位置；
利用交叉点的坐标，得到每个微透镜图像的中心坐标以及中心坐标之间距离的参数信息。
步骤a包括使用光场相机进行人脸图像采集。
步骤a和步骤b还包括对4D光场子孔图像阵列中的每幅子孔图像进行人脸位置的检测和提取。
步骤a中，对于每个4D光场子孔图像阵列，选取覆盖范围小于整个子孔图像阵列、处在中央区域的子孔图像子阵列用作DBN分类器的训练输入。
步骤b中，只重构微透镜图像的中心位置上像素所合成的一个子孔图像，用作经训练后的DBN分类器的识别输入。
步骤a中，所采集的人脸图像包括不同光照条件和/或不同姿态和/或不同遮挡程度下采集的图像。
在确定微透镜图像阵列中各个微透镜图像的中心位置之前，包括对光场相机采集的源图像进行源文件解析、去除马赛克以及对齐微透镜图像阵列的步骤。
在重构4D光场子孔图像阵列之后，还包括对4D光场子孔图像阵列进行颜色修正的步骤。
本发明的有益效果：
本发明基于DBN的光场人脸识别方法，使用光场相机作为图像采集工具，且能够对人脸的光场相机数据作出快速、准确的处理分析，精确获得微透镜位置，其所实现的4D光场重构以及利用DBN分类器深度学习的优点使其在人脸识别上能够获得十分好的效果，并且具有2D人脸图像的易采集 易操作等特性，有广阔的应用前景。
附图说明
图1本发明基于DBN的光场人脸识别方法实施例的流程图；
图2本发明一种实施例中的4D光场重构过程的流程图；
图3a-3c为获得每个微透镜图像的中心坐标参数信息的线性拟合示意图；
图4为本发明一种实施例中对微透镜图像的中心位置提取相应像素的示意图；
图5a和图5b为本发明一种实施例中提取像素之后的菱形的像素排列以及通过插值恢复的正常的像素排列；
具体实施方式
以下结合附图对本发明的实施方式作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。
根据本发明的实施例，如图1所示，基于DBN的光场人脸识别方法可以包括4个部分：光场相机图像采集、4D光场重构、图像预处理以及DBN分类器处理。
一、光场相机图像采集
该部分使用光场相机采集人脸数据，可以采集光线较强的情况下人的正脸、侧脸以及眼镜遮挡照等，也可以采集光线较暗情况下的正脸、侧脸和眼镜遮挡照，建立起人脸图像数据库。光场相机可以采用已知的Lytro相机。
二、4D光场重构
如图2所示，4D光场重构可以包括以下步骤：解析源文件、去马赛克、对齐、光场重构以及颜色修正。
解析源文件：
可以获取的文件只有光场相机提供的.lfp格式的源文件，其中的xxx.lfp文件包含了图像数据以及需要的所有元数据，通过解析该lfp源文件，获取图像数据，以及解码所需的相机参数信息metadata。
.lfp文件格式如下表1。
表1
| 地址 | 16进制数据 |
| 00000000 | 894c46500d0a1a0a0000000100000000 |
| 00000010 | 894c46500d0a1a0a00000000000020c2 |
| 00000020 | 736861312d6165316437303430356131 |
| 00000030 | 63653862343033626261643338306664 |
| 00000040 | 33653137613531616336303664000000 |
| 00000050 | 00000000000000000000000000000000 |
| 00000060 | 00000000000000000000000000000000 |
| 00000070 | 7b0a092266696c657322203a205b0a09 |
.lfp文件首先有一个12字节的文件头部894C46500D0A1A0A00000001。然后是4字节空段，00000000，之后为数据内容表，用来描述后面的数据排列。之后为图像元信息，深度索引表，以及图像元数据等等。有关光场相机提供的数据已为本领域技术人员所知，更详细的可参考文献“Todor Georgiev，Lytro camera technology:theory,algorithms,performance analysis”.
去马赛克：
通过对.lfp源文件的解析，得到Bayer模式的微透镜阵列图像。Bayer滤波器是一种彩色滤波阵列，由覆盖在感光器之前的RGB彩色滤波器完成，广泛应用在现代数码相机、摄像机、扫描仪中。彩色滤波阵列可由50％绿色、25％红色和25％蓝色组成，可为RGBG、GRGB或者RGGB模式。通过相机参数信息metadata，得到图片的bayer模式为RGGB，进而可应用梯度修正的双线性插值算法对原图进行彩色信息恢复。
对齐：
解析.lfp源文件之后得到的微透镜阵列图像可能有一定倾斜，可以用本步骤在光场重构处理之前进行重对齐。通过相机参数信息metadata，得到图片旋转角度，进行图像旋转对齐操作。
光场重构处理：
在重构4D光场之前，先定位每个微透镜图像的中心位置。在已知相机解码系统中，可以通过光场相机提供的白色图片中，提取图片参数。但是，当图像文件来源未知时，可基于以下的梯度峰值点检测方法获取相关 参数，实现在没有光场相机参数时对光场相机图像文件的解码。
梯度峰值点检测算法中，首先通过检测源图像的水平梯度图和垂直梯度图，得到梯度峰值点。如图3a-3c所示，在得到图像的梯度峰值点之后，可以通过水平线性拟合与垂直拟合，得到每个水平直线与垂直直线交叉点的位置坐标，而通过交叉点的坐标，就可以得到每个微透镜图像的中心位置坐标以及中心坐标之间距离等参数信息。
在得到图片参数之后，就可以提取相应像素，生成任意位置的子孔图像。由于微透镜图像的中心位置坐标并不是整数，而是小数，微透镜的间距也为小数，而感光器上像素为整数排列，所以直接提取像素会引入舍入误差，而舍入误差会导致重构光场图像中存在大量的线性噪点。为此，如图4所示，本发明的实施例在提取像素时，根据微透镜图像的中心位置坐标的小数部分数值(0.fx,0.fy)，得到相邻像素位置的四种情况，从而得到相邻位置的像素值，用于重构该点的像素值P＝waPt+wbPr+wcPl+wdPd，其中wa+wb+wc+wd＝1,P＝P1,P2,P3,或P4，以这种方式提取像素能够减小舍入误差、有效地消除线性噪点。例如可以设置权重为wa＝wb＝wc＝wd＝0.25。在具体情况下，如何具体选择的权重来达到上述效果，是本领域技术人员容易理解的。
如图5a所示，提取的像素可能呈菱形排列，因此，在优选的实施例中，通过一种插值方法恢复正常的像素排列，得到正常的光场图像。具体来说，对像素的重排列操作，对奇数行不操作，偶数行利用相邻像素进行插值得到中间像素P，如图5a和图5b所示，以该插值方法复正常的像素排列。
由此，本发明有效解决了光场重构的问题，可重构人脸识别所需的4D光场子孔图像阵列。
颜色修正：
可能有边缘的低光照度以及相机设置问题，对此可进行颜色修正来消除。可根据从相机参数信息metadata提取的颜色平衡、颜色转换和伽马矫正参数，实现图像的颜色修正。
经过颜色修正，可以得到颜色更鲜明以及对比度更明显，更贴近现实的图像。
三、图像预处理
由于拍摄的原因，上述过程得到的人脸图像可能是覆盖范围比较大 的，例如，该图像可能既包含人脸部分，也包含人的上身部分。图像预处理包括人脸图像位置的检测和提取，提取的人脸图像大小为80x100像素。
四、DBN分类器处理
针对待识别的人预先建立图像数据库，通过执行上述三个部分，所获得的4D光场子孔图像阵列数据可作为对DBN分类器进行训练的训练集。针对识别对象，同样执行上述三个部分，所获得的4D光场子孔图像阵列数据即作为对DBN分类器进行训练的测试集。
在优选的实施例中，采用如下的1-N2人脸匹配算法：对于训练集中的每个图像，首先通过上诉方法重构其4D光场图像阵列，之后选取其中的中央区域的子图像阵列，例如6x6幅图像阵列，对图像阵列中的每幅子孔图像做预处理操作之后，输入DBN网络训练人脸特征。对于测试集中的每个图像，只重构微透镜图像中心位置像素合成的子孔图像阵列。经过图像预处理，将测试集子孔图像阵列输入训练好的DBN网络，可以得到该子孔图像的分类标签。
在研究光照、姿态、遮挡等不同条件影响下基于光场相机的人脸识别效果时，可将采集的图像分为两组。例如，在做光照实验影响时，可把同一个人的图像按光照条件不同分为两组，一组为训练集，另外一组为测试集。
DBN网络的参数配置可以如下表2。
表2DBN网络参数配置
| 参数名称 | 参数配置 |
| Numepochs | 5000 |
| Batchsize | 100 |
| Momentum | 0 |
| alpha | 1 |
| LearningRate | 1 |
本发明实施例的一种实验结果如表3所示：
表3实验结果
| 条件 | 神经网络隐含层节点 | 正确识别率(％) |
| 光照 | 500-100 | 96.6％ |
| 姿态 | 500-100 | 93.3％ |
| 遮挡 | 500-100 | 93.3％ |
由表3可见，基于DBN的光场人脸识别方法在光照条件改变下效果基本不受影响，正确识别率达到96.6％，姿态影响识别率达到93.3％，遮挡影响识别率，达到93.3％，总识别率达到了94.3％。实验结果表明，本发明实施例基于DBN的光场人脸识别方法能够达到很好的识别效果。
以上内容是结合具体的/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于深度信念网络的光场人脸识别方法，其特征在于,包括如下步骤：
a.基于光场相机所采集的人脸图像，重构人脸识别所需的4D光场子孔图像阵列，得到训练集；
b.使用光场相机对识别对象进行人脸图像采集，基于识别对象的人脸图像重构4D光场子孔图像阵列，得到测试集；
c.将所述训练集输入DBN分类器，对所述DBN分类器进行训练；
d.将所述测试集输入经训练后的DBN分类器，由所述DBN分类器确定并输出识别结果；
步骤a和步骤b中，重构4D光场子孔图像阵列的过程包括：
对于从光场相机采集的人脸图像所得的微透镜图像阵列，确定阵列中各个微透镜图像的中心位置，并根据微透镜图像的中心位置坐标的小数部分数值(0.fx,0.fy)，给予呈方形阵列的相邻四个像素对应的权重，重构像素值P＝waPt+wbPr+wcPl+wdPd，其中P为提取的像素值，Pt、Pr、Pl、Pd为微透镜图像的中心位置对应的相邻四个像素值，wa、wb、wc、wd为四个像素值依据微透镜图像的中心位置所确定的权重，wa+wb+wc+wd＝1，由此提取出重构的像素，并基于所提取的这些像素合成各子孔图像，以构成4D光场子孔图像阵列。
2.如权利要求1所述的光场人脸识别方法，其特征在于,在构成4D光场子孔图像阵列之前还包括以下步骤：
对于各子孔图像，偶数行的像素用相邻的像素进行线性插值得到中间像素，而奇数行的像素不操作，基于线性插值的结果将呈菱形的像素排列恢复成正常的像素排列。
3.如权利要求1或2所述的光场人脸识别方法，其特征在于,微透镜图像的中心位置的确定包括以下步骤：
通过检测光场相机采集的源图像的水平梯度图和垂直梯度图，得到梯度峰值点；
进行水平线性拟合与垂直拟合，得到每个水平直线与垂直直线交叉点的位置；
利用交叉点的坐标，得到每个微透镜图像的中心坐标以及中心坐标之间距离的参数信息。
4.如权利要求1至3任一项所述的光场人脸识别方法，其特征在于,步骤a包括使用光场相机进行人脸图像采集。
5.如权利要求1至3任一项所述的光场人脸识别方法，其特征在于,步骤a和步骤b还包括对4D光场子孔图像阵列中的每幅子孔图像进行人脸位置的检测和提取。
6.如权利要求1至3任一项所述的光场人脸识别方法，其特征在于，步骤a中，对于每个4D光场子孔图像阵列，选取覆盖范围小于整个子孔图像阵列、处在中央区域的子孔图像子阵列用作DBN分类器的训练输入。
7.如权利要求1至3任一项所述的光场人脸识别方法，其特征在于，步骤b中，只重构微透镜图像的中心位置上像素所合成的一个子孔图像，用作经训练后的DBN分类器的识别输入。
8.如权利要求1至3任一项所述的光场人脸识别方法，其特征在于，步骤a中，所采集的人脸图像包括不同光照条件和/或不同姿态和/或不同遮挡程度下采集的图像。
9.如权利要求1至3任一项所述的光场人脸识别方法，其特征在于，在确定微透镜图像阵列中各个微透镜图像的中心位置之前，包括对光场相机采集的源图像进行源文件解析、去除马赛克以及对齐微透镜图像阵列的步骤。
10.如权利要求1至3任一项所述的光场人脸识别方法，其特征在于，在重构4D光场子孔图像阵列之后，还包括对4D光场子孔图像阵列进行颜色修正的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410199207.6A CN103996023B (zh) | 2014-05-09 | 2014-05-09 | 基于深度信念网络的光场人脸识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410199207.6A CN103996023B (zh) | 2014-05-09 | 2014-05-09 | 基于深度信念网络的光场人脸识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103996023A true CN103996023A (zh) | 2014-08-20 |
| CN103996023B CN103996023B (zh) | 2017-02-15 |
Family
ID=51310184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410199207.6A Active CN103996023B (zh) | 2014-05-09 | 2014-05-09 | 基于深度信念网络的光场人脸识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103996023B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719303A (zh) * | 2016-01-25 | 2016-06-29 | 杭州职业技术学院 | 基于多深度信念网络的磁共振前列腺3d图像分割方法 |
| CN105975926A (zh) * | 2016-04-29 | 2016-09-28 | 中山大学 | 基于光场相机的人脸活体检测方法 |
| CN106503661A (zh) * | 2016-10-25 | 2017-03-15 | 陕西师范大学 | 基于烟花深度信念网络的人脸性别识别方法 |
| CN106991429A (zh) * | 2017-02-27 | 2017-07-28 | 陕西师范大学 | 图像识别深度信念网络结构的构建方法 |
| CN108040244A (zh) * | 2017-12-11 | 2018-05-15 | 深圳云天励飞技术有限公司 | 基于光场视频流的抓拍方法及装置、存储介质 |
| CN109086675A (zh) * | 2018-07-06 | 2018-12-25 | 四川奇迹云科技有限公司 | 一种基于光场成像技术的人脸识别及攻击检测方法及其装置 |
| WO2019110012A1 (en) * | 2017-12-08 | 2019-06-13 | Shanghaitech University | Face detection and recognition method using light field camera system |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20140019388A1 (en) * | 2012-07-13 | 2014-01-16 | International Business Machines Corporation | System and method for low-rank matrix factorization for deep belief network training with high-dimensional output targets |
| CN103729678A (zh) * | 2013-12-12 | 2014-04-16 | 中国科学院信息工程研究所 | 一种基于改进dbn模型的水军检测方法及系统 |
-
2014
- 2014-05-09 CN CN201410199207.6A patent/CN103996023B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20140019388A1 (en) * | 2012-07-13 | 2014-01-16 | International Business Machines Corporation | System and method for low-rank matrix factorization for deep belief network training with high-dimensional output targets |
| CN103729678A (zh) * | 2013-12-12 | 2014-04-16 | 中国科学院信息工程研究所 | 一种基于改进dbn模型的水军检测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| GEOFFREY E.HINTON等: ""A Fast Learning Algorithm for Deep Belief Nets"", 《NEURAL COMPUTATION》 * |
| 周志良: ""光场成像技术研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
| 孙政等: ""基于狭缝图像的四维光场模型"", 《工程图学学报 》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719303A (zh) * | 2016-01-25 | 2016-06-29 | 杭州职业技术学院 | 基于多深度信念网络的磁共振前列腺3d图像分割方法 |
| CN105719303B (zh) * | 2016-01-25 | 2018-04-17 | 杭州职业技术学院 | 基于多深度信念网络的磁共振前列腺3d图像分割方法 |
| CN105975926B (zh) * | 2016-04-29 | 2019-06-21 | 中山大学 | 基于光场相机的人脸活体检测方法 |
| CN105975926A (zh) * | 2016-04-29 | 2016-09-28 | 中山大学 | 基于光场相机的人脸活体检测方法 |
| CN106503661A (zh) * | 2016-10-25 | 2017-03-15 | 陕西师范大学 | 基于烟花深度信念网络的人脸性别识别方法 |
| CN106503661B (zh) * | 2016-10-25 | 2019-06-28 | 陕西师范大学 | 基于烟花深度信念网络的人脸性别识别方法 |
| CN106991429A (zh) * | 2017-02-27 | 2017-07-28 | 陕西师范大学 | 图像识别深度信念网络结构的构建方法 |
| CN106991429B (zh) * | 2017-02-27 | 2018-10-23 | 陕西师范大学 | 图像识别深度信念网络结构的构建方法 |
| WO2019110012A1 (en) * | 2017-12-08 | 2019-06-13 | Shanghaitech University | Face detection and recognition method using light field camera system |
| CN111465937A (zh) * | 2017-12-08 | 2020-07-28 | 上海科技大学 | 采用光场相机系统的脸部检测和识别方法 |
| US11410459B2 (en) | 2017-12-08 | 2022-08-09 | Shanghaitech University | Face detection and recognition method using light field camera system |
| CN111465937B (zh) * | 2017-12-08 | 2024-02-02 | 上海科技大学 | 采用光场相机系统的脸部检测和识别方法 |
| CN108040244A (zh) * | 2017-12-11 | 2018-05-15 | 深圳云天励飞技术有限公司 | 基于光场视频流的抓拍方法及装置、存储介质 |
| CN109086675A (zh) * | 2018-07-06 | 2018-12-25 | 四川奇迹云科技有限公司 | 一种基于光场成像技术的人脸识别及攻击检测方法及其装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103996023B (zh) | 2017-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103996023A (zh) | 基于深度信念网络的光场人脸识别方法 | |
| CN102646193B (zh) | 一种环形排布字符图像分割方法 | |
| CN106529414A (zh) | 一种通过图像比对实现结果认证的方法 | |
| CN108288075A (zh) | 一种改进ssd的轻量化小目标检测方法 | |
| CN110084757A (zh) | 一种基于生成对抗网络的红外深度图像增强方法 | |
| 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 | |
| CN107705288A (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
| CN108573222A (zh) | 基于循环对抗生成网络的行人图像遮挡检测方法 | |
| CN108447050A (zh) | 一种基于超像素的工件表面缺陷分割方法 | |
| CN114241517B (zh) | 基于图像生成和共享学习网络的跨模态行人重识别方法 | |
| CN104376334B (zh) | 一种多尺度特征融合的行人比对方法 | |
| CN104751485B (zh) | 一种基于gpu自适应的前景提取方法 | |
| CN103971329A (zh) | 一种基于遗传优化细胞神经网络的多源图像融合方法 | |
| CN104408772A (zh) | 一种基于网格投影的自由曲面三维重建方法 | |
| CN106295501A (zh) | 基于唇部运动的深度学习身份识别方法 | |
| CN112784779A (zh) | 一种基于特征金字塔多级特征融合的遥感影像场景分类方法 | |
| CN107172386B (zh) | 一种基于计算机视觉的非接触式数据传输方法 | |
| CN110472634A (zh) | 基于多尺度深度特征差值融合网络的变化检测方法 | |
| CN104834909B (zh) | 一种基于Gabor综合特征的图像特征描述方法 | |
| CN104504672B (zh) | 基于NormLV特征的低秩稀疏邻域嵌入超分辨方法 | |
| CN103226831A (zh) | 利用分块布尔运算的图像匹配方法 | |
| CN106702870A (zh) | 一种道路裂缝检测系统 | |
| CN111797702A (zh) | 基于空间局部二值模式与光流梯度的人脸伪造视频检测方法 | |
| CN104036489A (zh) | 一种光场获取方法 | |
| Nathan et al. | Light weight residual dense attention net for spectral reconstruction from RGB images |
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 |