CN104008375A - 基于特征融合的集成人脸识别方法 - Google Patents
基于特征融合的集成人脸识别方法 Download PDFInfo
- Publication number
- CN104008375A CN104008375A CN201410245002.7A CN201410245002A CN104008375A CN 104008375 A CN104008375 A CN 104008375A CN 201410245002 A CN201410245002 A CN 201410245002A CN 104008375 A CN104008375 A CN 104008375A
- Authority
- CN
- China
- Prior art keywords
- feature
- training
- pca
- integrated
- local
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于模式识别技术领域,涉及基于特征融合的集成人脸识别方法。本发明采用PCA、SPP及简单投影方法提取图像的整体特征,采用子图像方法提取局部特征,将它们共同作为属性Bagging方法中的属性,并进行集成分类识别。本发明通过三庭五眼划分局部特征,一方面可以保留器官区域的完整性,另一方面减少了人工干预;通过整合整体特征和局部特征信息,降低人脸图像可能受到的光照、姿势、表情等各种因素的影响,提高了人脸识别正确率,且对外界因素变化具有很好的鲁棒性。实验表明,在AR数据库上,最好的情况下本发明所述方法比整体特征方法的识别率平均值提高了27%左右。
Description
技术领域
本发明属于模式识别技术领域,具体涉及一种基于特征融合的集成人脸识别方法,是一种利用计算机技术、数字图象处理技术、模式识别技术等实现人脸的自动分析与判别的方法,是生物特征识别领域中关于步态特征提取与识别的算法。
背景技术
人脸识别技术对图像采集设备没有过高的要求,使用者更容易接受。研究人脸识别的目的就是找到一种快速有效的分类识别方法,能够快速地判断输入图像中是否存在人脸图像,如果存在就对其进行快速归类。随着社会对人脸识别的迫切需求,越来越多的研究者投入到了人脸识别中,旨在找到一种快速、有效,并且能够应用到实际中的人脸识别方法。
近年来,在比较理想条件下基于整体特征的人脸识别方法具有较好的识别性能。但是实际应用中,人脸图像会受到各种因素的影响(例如光照、姿势、表情等方面的变化),要想取得较好的识别率就变得非常的困难。人脸图像的全局特征不能充分体现这些因素的变化,由于面部特征中各器官在这些因素改变时受影响程度不同,有些区域对光照比较敏感,有些区域对表情比较敏感,另外一些区域可能对姿态比较敏感。因此通过整合整体特征和局部特征信息,可以提高算法对各种影响因素的适应能力。
可以将人脸特征分为全局特征和局部特征。其中全局特征是指特征向量的每一维能够区别不同人带来的差异,侧重于人脸的主体特征;而局部特征的每一维能够区别光照、表情、姿态等因素引起的差异,反映了人脸的细节变化。研究表明,人脸图像中的整体特征和局部特征对人脸识别都是非常重要的。整体特征从全局角度来对人脸进行描述,用来进行预判断;而局部特征描述人脸由于外界因素影响下的局部属性,用来更加精确地识别。大量的特征提取方法已经被提出,其中经典的全局特征方法包括主成分分析(Principal Component Analysis,PCA)、线性判别分析(Linear Discriminant Analysis,LDA)和稀疏保持投影(Sparsity PreservingProjections,SPP)。PCA是在最小均方差的思想下寻求最佳鉴别特征;LDA是通过最大化类间离散度和最小化类内离散度来获取特征信息;SPP通过求解稀疏权向量重构原始信号的优化问题来获得主要鉴别特征。然而,全局特征对外界因素引起的细节变化的鲁棒性较差,不能充分体现这些微小的变化。而局部特征恰恰能够弥补全局特征的缺陷,对这些细节变化具有较好的抑制作用。申请号为CN201310084411.9的专利公开了一种基于图像分割的集成人脸识别方法,将人脸图像分成15部分,并将这15部分人脸特征作为属性Bagging(AttributeBagging,AB)中的属性集合,通过属性集的有放回抽样来构建训练样本集,从而完成基分类器的训练,最终利用1NN方法进行分类识别。由于面部特征中各器官在光照、表情、姿态等因素改变时受影响程度不同,有些区域对光照比较敏感,有些区域对表情比较敏感,该方法并没有整合整体特征,因此对各种影响因素的适应能力还不强。
发明内容
针对现有技术中存在的上述问题,本发明提出一种基于特征融合的集成人脸识别方法,通过整合人脸的整体特征和局部特征信息,降低光照、表情、姿态等因素对人脸图像的影响,从而提高人脸识别性能。
本发明采用PCA、SPP及简单投影方法提取图像的整体特征,采用子图像方法提取局部特征,将它们共同作为属性Bagging方法中的属性,并进行集成分类识别。
基于特征融合的集成人脸识别方法,具体包括如下步骤:
步骤1,图像预处理。
步骤1.1,对人脸原始图像进行大小归一化处理。
步骤1.2,确定训练集和测试集。
将原始图像集X分为训练样本集XR和测试样本集XT,将XR进一步分为训练基分类器时的训练集XRR和测试集XRT。
步骤2,特征提取。
对训练样本和测试样本分别进行整体特征提取和局部特征提取,分别得到各自的Feature_PCA、Feature_SPP、Feature_simple_projections以及Feature_local,并将它们作为属性Bagging方法中的属性集A。
步骤2.1简单投影特征提取。
对原始人脸图像集X进行简单投影:将图像像素逐列相加求平均,将其结果记为Feature_simple_projections。
步骤2.2,提取局部特征。
将原始人脸图像集X按照“三庭五眼”分割成大小相等的子图像,将其逐列相加求平均,将其结果记为Feature_local。
步骤2.3,利用PCA方法得到整体特征,将其结果记为Feature_PCA。
(1)利用下面的公式计算PCA的降维矩阵W:
|λI-Σ|=0,(λkI-Σ)uk=0
式中,Σ为样本的协方差矩阵,I为单位矩阵,λ为特征值变量,uk为特征值λk对应的特征向量。选择最大的d个特征值λk对应的单位特征向量u1,u2,...,ud构成降维矩阵W=(u1,u2,...,ud)。
(2)利用W对样本进行降维。
步骤2.4,利用SPP方法得到整体特征,将其结果记为Feature_SPP。
(1)利用下面公式得到训练样本的稀疏权向量,进而构成稀疏权矩阵:
S=[s1,...,sn]T。
其中,xi∈Rm是以矢量形式给出的一幅图像信号,X=[x1,x2,...,xn]∈Rm×n是由训练集中所有图像组成的变换基,si=[si,1,...,si,i-1,0,si,i+1,...,si,n]T∈Rn是xi的稀疏表示。S=[s1,s2,…sn]T是稀疏权值矩阵。
(2)利用下面公式得到投影空间:
XSβXTw=λXXTw
其中,Sβ=S+ST-STS,X是训练集的集合,S是稀疏权矩阵,w为上式特征值问题对应的特征向量,d个最大特征值的特征向量构成投影空间P=(w1,w2,...,wd)。
(3)利用P对所有样本进行降维。
步骤2.5,将Feature_PCA、Feature_SPP、Feature_simple_projections以及Feature_local共同作为属性Bagging方法中的属性集A。
步骤3,集成分类识别。
步骤3.1,设置迭代次数T和属性个数N。
步骤3.2,从原始属性集A中重抽样N个属性构建新的样本集。
步骤3.3,在新的训练集上训练基分类器。按抽取的属性顺次连接成为列向量,根据不同的样本集合得到识别性能互补的基分类器。
步骤3.4,通过综合投票法得到集成分类器,利用该分类器对测试样本进行分类识别。
与现有技术相比,本发明具有以下优点:
1.通过三庭五眼划分局部特征,一方面可以保留器官区域的完整性,另一方面减少了人工干预;
2.本发明通过整合整体特征和局部特征信息,降低人脸图像可能受到的光照、姿势、表情等各种因素的影响,提高了人脸识别正确率,且对外界因素变化具有很好的鲁棒性。在AR、Yale和YaleB数据库上的实验表明,本发明所述方法比PCA、SPP和简单投影等识别方法的识别率都要高。在AR数据库上效果尤为明显,最好情况下本发明所述方法比整体特征方法的识别率平均值提高了27%左右。
附图说明
图1是本发明所涉及方法的流程图;
图2是“三庭五眼”示意图;
图3是图像划分及相应的编码方式示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
本发明所述方法的流程图如图1所示,具体包括以下步骤:
步骤一,预处理过程。
(1)图像归一化
采用Yale、Yale B以及AR人脸数据库。为了消除图像大小对识别的影响,将图像的大小进行统一处理。实验中全局特征提取方法和局部特征提取方法采用不同的大小归一化处理,全局特征方法采用大小归一化为32×32,而局部特征方法采用60×60。
(2)确定训练集和测试集。
依照步骤一中各个数据库的测试集和训练集设定,将整个人脸库图像记为X,将原始图像集X分为训练样本集XR和测试样本集XT,将XR进一步分为训练基分类器时的训练集XRR和测试集XRT。
步骤二,特征提取过程。
(1)简单投影特征提取。
对原始人脸图像集X进行简单投影:将图像像素逐列相加求平均,降维维数为80维,将其结果记为Feature_simple_projections;
(2)提取局部特征。
“三庭五眼”是一个关于人脸结构的基本理论,如图2所示,基于“三庭五眼”理论,将人脸图像分割成15个等大的子图像,设S为人脸图像,按照从左到右从上到下的顺序对子图像进行编号,分别为S1,S2,...,S15,如图3所示。将原始人脸图像集X按照“三庭五眼”分割成大小相等的子图像后,将其逐列相加求平均,将其结果记为Feature_local。
(3)计算PCA整体特征。
主成分分析是以K-L变换为基础的统计分析方法,它的基本思想是寻找在最小均方差意义下最能代表原始数据的投影方法。用少量的特征表征原始高维样本信息,并且保持了原有数据中的主要特征信息。首先计算训练样本协方差矩阵特征值与其对应的标准特征向量;然后选择其中较大的m个特征值对应的特征向量组成降维矩阵,用该矩阵对原始样本进行降维。具体方法如下:
设样本集为其中,xi是一个列向量,是原始图像的行连接矩阵。那么训练样本的平均向量表示为:
样本协方差矩阵为:
计算特征值与特征向量:
|λI-Σ|=0(λkI-Σ)uk=0
计算上式的特征值对应的单位特征向量,选择最大的m个特征值对应的单位特征向量u1,u2,...,um构成降维矩阵:
W=(u1,...,um)T
利用W对样本进行降维,将其结果记为Feature_PCA。在实验中设定PCA的降维的维数为80。
(4)计算SPP整体特征。
压缩感知理论指出,若原始信号x可以被压缩信号y重构出来,则x的稀疏表示要尽可能的稀疏,因此压缩感知的思想也可以应用于特征提取。从模式识别角度出发,信号的表示越稀疏,就越有利于分类。通过原始信号的最稀疏表示来重构逼近原始信号的优化问题可以找到映射矩阵,用该矩阵就能将高维信号投影到低维空间并进行分类识别,这就是稀疏保持投影的思想。稀疏保持投影方法可以分为信号稀疏表示和建立投影空间两部分。
首先采用PCA方法对原始图像进行预降维,维数为85。
1)图像信号的稀疏表示。
以矢量形式给出的一幅人脸图像信号xi∈Rm和一个由训练集中所有人脸图像组成的变换基X=[x1,x2,...,xn]∈Rm×n,其中每幅图像作为一个基向量。稀疏表示的目的是用X中的向量线性表示xi,线性组合的系数中有较多的零值或很小的数,可以形式化的表示如下:
其中,si=[si,1,...,si,i-1,0,si,i+1,...,si,n]T∈Rn,si是xi的稀疏表示,称为稀疏权向量,si中第i位元素等于零,意味着用每个xj(j≠i)去重构xi。
计算出训练集中所有图像信号的稀疏权向量后,将它们组成稀疏权矩阵S=[s1,s2,…sn]T。
2)建立投影空间。
利用投影矩阵W将高维信号投影到低维空间,得到图像的主要特征信息,可以降低问题的计算复杂度。在SPP中,要保存的最主要的特性就是通过稀疏权向量重建出的信号要尽可能的逼近原始信号。即要满足:
进一步推导得到:
XSβXTw=λXXTw
其中,Sβ=S+ST-STS,X是训练集的集合,S是稀疏权矩阵,w为上式特征值问题对应的特征向量。SPP利用特征矩阵W得到样本的主要特征信息。
利用公式XSβXTw=λXXTw得到由d个最大特征值的特征向量组构成投影空间P=(w1,w2,...,wd),利用P对所有样本进行降维,SPP降维的维数为80。将其结果记为Feature_SPP。
(5)整合属性Bagging方法中的属性集A。
将Feature_PCA、Feature_SPP、Feature_simple_projections以及Feature_local共同作为属性Bagging方法中的属性集A。
步骤三,集成分类识别过程。
(1)确定属性个数为N和迭代次数为T。在实验中,迭代次数分别取5,10,15,20,25,30,35,40,45,50,属性个数取10。
(2)重复执行以下两步T次:
1)从步骤二中的(4)得到的A中重抽样N个属性得到新属性集At,根据At构建新的训练集St;
2)在St上训练基分类器ht(x),其中ht(x)→Y,根据训练时基分类器的性能分配ht(x)相应的权值其中rt为ht分类正确与分类错误样本个数之差与测试样本个数m的商。
(3)权值归一化:
(4)用集成分类器对测试图像x进行归类:
上式可以理解为测试样本x在每个基分类器上会分到一个类别yt∈Y,且每个基分类器对应有权值at,将相同类别标号对应的基分类器权值相加,最终将权值最大的类别标号赋给测试样本。
下面对本发明的实验结果进行分析。
本发明的实验采用的数据库是在Yale、Yale B以及AR的人脸数据库,其中Yale有15个人脸图像,每人有11张,总共165张图像,实验中每类随机抽取6张图像作为训练集,剩余的作为测试样本集,其中训练集中4张作为训练基分类器的训练集,剩余2张作为训练基分类器的测试集;Yale B有38个人脸图像,每人64张,实验中随机抽取32张作为训练样本,剩余的作为测试样本集,其中训练集中16张作为训练基分类器的训练集,剩余16张作为训练基分类器的测试集;AR数据库包含100为志愿者,其中50位男性和50位女性。每位志愿者有26张人脸图像,从中选取14张无遮挡的图片,共1400张,该库包含光照、表情和姿态的变化,实验中随机选取7张作为训练集,其余的作为测试集,其中训练集中5张作为训练基分类器的训练集,剩余2张作为训练基分类器的测试集。将整个人脸库图像记为X,训练样本集为XT,测试样本集为XT,训练基分类器时的训练样本从XT中随机选择,其训练样本集和测试样本集分别为XTR和XTT。样本分布如表1所示。
表1 训练样本与测试样本数分布情况
人脸数据库 | XT | XR | XTR | XTT |
Yale | 6 | 5 | 4 | 2 |
AR | 7 | 7 | 5 | 2 |
Yale B | 32 | 32 | 16 | 16 |
表2、3、4分别给出了应用整体特征提取方法在Yale、AR以及Yale B人脸数据库上的识别率结果;表5、6、7分别列出了应用本发明所述方法在Yale、AR以及Yale B人脸数据库上的识别率结果。为了方便计算,在三个数据库中,PCA降维的维数为80;通常情况下,样本个数会小于样本维数,XXT一般是奇异矩阵,因此在SPP方法中需要首先进行预降维处理,用PCA预降维的维数为85,SPP降维的维数为80;简单投影方法降维的维数为80。在验证新方法的实验中,迭代次数分别取5,10,15,20,25,30,35,40,45,50,属性个数取10,选择不同的迭代次数得到一组不同的实验结果。在三个人脸数据库上分别进行4次实验,分别对应情况1,情况2,情况3,情况4。在基于整体特征提取方法中的实验结果中,给出了不同情况下,3种不同整体特征提取方法的平均识别率。
实验表明:相比于整体特征提取的方法,基于特征融合的集成分类方法取得了较好的识别效果。其中在AR数据库上效果尤为明显,最好情况下新方法比整体特征方法的平均值提高了27%左右。进一步验证了集成类方法能够提高单一分类器的识别性能的理论,这种方法将具有广阔的应用前景。
表2 Yale数据库上整体特征提取方法的识别率(%)
Yale | PCA | SPP | 简单投影 | 平均值 |
情况1 | 73.3333 | 74.6667 | 72.0000 | 73.3333 |
情况2 | 77.3333 | 78.6667 | 66.6667 | 74.2222 |
情况3 | 81.3333 | 85.3333 | 69.3333 | 78.6667 |
情况4 | 76.0000 | 76.0000 | 62.6667 | 71.5556 |
表3 AR数据库上整体特征提取方法的识别率(%)
AR | PCA | SPP | 简单投影 | 平均值 |
情况1 | 66.5714 | 83.0000 | 62.0000 | 70.5238 |
情况2 | 64.5714 | 80.8571 | 66.0000 | 70.4762 |
情况3 | 82.0000 | 82.0000 | 64.8571 | 76.2857 |
情况4 | 80.5714 | 76.8571 | 61.4286 | 72.9524 |
表4 Yale B数据库上整体特征提取方法的识别率(%)
Yale B | PCA | SPP | 简单投影 | 平均值 |
情况1 | 72.7796 | 89.6382 | 77.4671 | 79.9616 |
情况2 | 61.5954 | 88.6513 | 66.6118 | 72.2862 |
情况3 | 74.6711 | 94.1612 | 73.4375 | 80.7566 |
情况4 | 66.0362 | 88.5691 | 68.3388 | 74.3147 |
表5 Yale数据库上本发明所述方法的识别率(%)
迭代次数T | 情况1 | 情况2 | 情况3 | 情况4 |
5 | 80.0000 | 73.3333 | 88.0000 | 80.0000 |
10 | 77.3333 | 77.3333 | 88.0000 | 85.3333 |
15 | 76.0000 | 78.6667 | 88.0000 | 84.0000 |
20 | 76.0000 | 80.0000 | 89.3333 | 84.0000 |
25 | 78.6667 | 78.6667 | 86.6667 | 84.0000 |
30 | 80.0000 | 78.6667 | 88.0000 | 81.3333 |
35 | 80.0000 | 77.3333 | 86.6667 | 81.3333 |
40 | 80.0000 | 77.3333 | 89.3333 | 78.6667 |
45 | 78.6667 | 78.6667 | 86.6667 | 78.6667 |
50 | 78.6667 | 77.3333 | 88.0000 | 78.6667 |
表6 AR数据库上本发明所述方法的识别率(%)
迭代次数T | 情况1 | 情况2 | 情况3 | 情况4 |
5 | 88.8571 | 90.1429 | 83.1429 | 88.2857 |
10 | 90.5714 | 92.8571 | 91.1429 | 90.5714 |
15 | 94.1429 | 93.5714 | 91.7143 | 91.5714 |
20 | 91.2857 | 95.0000 | 92.4286 | 92.2857 |
25 | 95.2857 | 94.7143 | 93.1429 | 90.7143 |
30 | 95.8571 | 94.8571 | 93.8571 | 89.7143 |
35 | 96.4286 | 94.8571 | 91.7143 | 89.4286 |
40 | 96.5714 | 94.8571 | 92.5714 | 90.2857 |
45 | 97.2857 | 95.1429 | 92.2857 | 90.2857 |
50 | 97.4286 | 95.0000 | 93.4286 | 89.4286 |
表7 Yale B数据库上本发明所述方法的识别率(%)
迭代次数T | 情况1 | 情况2 | 情况3 | 情况4 |
5 | 92.4342 | 90.3783 | 94.9013 | 87.3355 |
10 | 92.4342 | 90.4605 | 95.1480 | 87.2533 |
15 | 92.5987 | 90.7895 | 94.9836 | 87.9112 |
20 | 92.8454 | 91.0362 | 95.0658 | 87.8289 |
25 | 92.5987 | 90.7895 | 95.1480 | 88.8158 |
30 | 93.1743 | 90.8717 | 95.1480 | 88.5691 |
35 | 92.7632 | 90.8717 | 95.1480 | 88.4046 |
40 | 93.0921 | 90.7072 | 95.2303 | 88.5691 |
45 | 93.0921 | 90.8717 | 95.2303 | 88.4868 |
50 | 93.1743 | 90.7895 | 95.3125 | 88.6513 |
Claims (4)
1.基于特征融合的集成人脸识别方法,其特征在于包括如下步骤:
步骤1,图像预处理;
步骤1.1,对人脸原始图像进行大小归一化处理;
步骤1.2,确定训练集和测试集;
将原始图像集X分为训练样本集XR和测试样本集XT,将XR进一步分为训练基分类器时的训练集XRR和测试集XRT;
步骤2,特征提取;
步骤2.1简单投影特征提取;
对原始人脸图像集X进行简单投影:将图像像素逐列相加求平均,将其结果记为Feature_simple_projections;
步骤2.2,提取局部特征;
将原始人脸图像集X按照“三庭五眼”分割成大小相等的子图像,将其逐列相加求平均,将其结果记为Feature_local;
步骤2.3,利用PCA方法得到整体特征,将其结果记为Feature_PCA;
步骤2.4,利用SPP方法得到整体特征,将其结果记为Feature_SPP;
步骤2.5,将Feature_PCA、Feature_SPP、Feature_simple_projections以及Feature_local共同作为属性Bagging方法中的属性集A;
步骤3,集成分类识别;
步骤3.1,设置迭代次数T和属性个数N;
步骤3.2,从原始属性集A中重抽样N个属性构建新的样本集;
步骤3.3,在新的训练集上训练基分类器;按抽取的属性顺次连接成为列向量,根据不同的样本集合得到识别性能互补的基分类器;
步骤3.4,通过综合投票法得到集成分类器,利用该分类器对测试样本进行分类识别。
2.根据权利要求1所述的基于特征融合的集成人脸识别方法,其特征在于,所述步骤2对训练样本和测试样本分别进行整体特征提取和局部特征提取,分别得到各自的Feature_PCA、Feature_SPP、Feature_simple_projections以及Feature_local,并将它们作为属性Bagging方法中的属性集A。
3.根据权利要求1所述的基于特征融合的集成人脸识别方法,其特征在于,所述步骤2.3利用PCA方法得到整体特征的方法还包括以下步骤:
(1)利用下面的公式计算PCA的降维矩阵W:
|λI-Σ|=0,(λkI-Σ)uk=0
式中,Σ为样本的协方差矩阵,I为单位矩阵,λ为特征值变量,uk为特征值λk对应的特征向量;选择最大的d个特征值λk对应的单位特征向量u1,u2,...,ud构成降维矩阵W=(u1,u2,...,ud);
(2)利用W对样本进行降维。
4.根据权利要求1所述的基于特征融合的集成人脸识别方法,其特征在于,所述步骤2.4利用SPP方法得到整体特征的方法还包括以下步骤:
(1)利用下面公式得到训练样本的稀疏权向量,进而构成稀疏权矩阵:
S=[s1,...,sn]T;
其中,xi∈Rm是以矢量形式给出的一幅图像信号,X=[x1,x2,...,xn]∈Rm×n是由训练集中所有图像组成的变换基,si=[si,1,...,si,i-1,0,si,i+1,...,si,n]T∈Rn是xi的稀疏表示;S=[s1,s2,…sn]T是稀疏权值矩阵;
(2)利用下面公式得到投影空间:
XSβXTw=λXXTw
其中,Sβ=S+ST-STS,X是训练集的集合,S是稀疏权矩阵,w为上式特征值问题对应的特征向量,d个最大特征值的特征向量构成投影空间P=(w1,w2,...,wd);
(3)利用P对所有样本进行降维。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410245002.7A CN104008375B (zh) | 2014-06-04 | 2014-06-04 | 基于特征融合的集成人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410245002.7A CN104008375B (zh) | 2014-06-04 | 2014-06-04 | 基于特征融合的集成人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104008375A true CN104008375A (zh) | 2014-08-27 |
CN104008375B CN104008375B (zh) | 2017-08-25 |
Family
ID=51369024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410245002.7A Active CN104008375B (zh) | 2014-06-04 | 2014-06-04 | 基于特征融合的集成人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104008375B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715266A (zh) * | 2015-03-12 | 2015-06-17 | 西安电子科技大学 | 基于src-dp与lda相结合的图像特征提取方法 |
CN105608443A (zh) * | 2016-01-22 | 2016-05-25 | 合肥工业大学 | 一种多特征描述及局部决策加权的人脸识别方法 |
CN105787443A (zh) * | 2016-02-20 | 2016-07-20 | 北京工业大学 | 一种基于嵌入式平台的人脸识别方法 |
CN105913025A (zh) * | 2016-04-12 | 2016-08-31 | 湖北工业大学 | 一种基于多特征融合的深度学习人脸识别方法 |
CN105913053A (zh) * | 2016-06-07 | 2016-08-31 | 合肥工业大学 | 一种基于稀疏融合的单演多特征的人脸表情识别方法 |
CN106127250A (zh) * | 2016-06-24 | 2016-11-16 | 深圳市唯特视科技有限公司 | 一种基于三维点云数据的人脸质量评估方法 |
CN107273842A (zh) * | 2017-06-09 | 2017-10-20 | 北京工业大学 | 基于csjoga算法的选择性集成人脸识别方法 |
CN107991283A (zh) * | 2017-12-26 | 2018-05-04 | 同方威视技术股份有限公司 | 拉曼光谱检测设备和拉曼光谱检测方法 |
CN108664925A (zh) * | 2018-05-10 | 2018-10-16 | 王逸人 | 人脸识别的方法及用户终端 |
CN109285208A (zh) * | 2018-09-29 | 2019-01-29 | 吉林动画学院 | 基于表情动态模板库的虚拟角色表情卡通化算法 |
CN110866131A (zh) * | 2018-08-21 | 2020-03-06 | 北京京东尚科信息技术有限公司 | 图像去重方法、装置、介质及电子设备 |
CN117173161A (zh) * | 2023-10-30 | 2023-12-05 | 杭州海康威视数字技术股份有限公司 | 内容安全检测方法、装置、设备及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120002868A1 (en) * | 2010-07-01 | 2012-01-05 | Loui Alexander C | Method for fast scene matching |
CN102768732A (zh) * | 2012-06-13 | 2012-11-07 | 北京工业大学 | 融合稀疏保持映射和多类别属性Bagging的人脸识别方法 |
CN103258186A (zh) * | 2013-03-17 | 2013-08-21 | 北京工业大学 | 基于图像分割的集成人脸识别方法 |
-
2014
- 2014-06-04 CN CN201410245002.7A patent/CN104008375B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120002868A1 (en) * | 2010-07-01 | 2012-01-05 | Loui Alexander C | Method for fast scene matching |
CN102768732A (zh) * | 2012-06-13 | 2012-11-07 | 北京工业大学 | 融合稀疏保持映射和多类别属性Bagging的人脸识别方法 |
CN103258186A (zh) * | 2013-03-17 | 2013-08-21 | 北京工业大学 | 基于图像分割的集成人脸识别方法 |
Non-Patent Citations (1)
Title |
---|
苏煜 等: "基于全局和局部特征集成的人脸识别", 《软件学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715266B (zh) * | 2015-03-12 | 2018-03-27 | 西安电子科技大学 | 基于src‑dp与lda相结合的图像特征提取方法 |
CN104715266A (zh) * | 2015-03-12 | 2015-06-17 | 西安电子科技大学 | 基于src-dp与lda相结合的图像特征提取方法 |
CN105608443A (zh) * | 2016-01-22 | 2016-05-25 | 合肥工业大学 | 一种多特征描述及局部决策加权的人脸识别方法 |
CN105608443B (zh) * | 2016-01-22 | 2018-10-02 | 合肥工业大学 | 一种多特征描述及局部决策加权的人脸识别方法 |
CN105787443A (zh) * | 2016-02-20 | 2016-07-20 | 北京工业大学 | 一种基于嵌入式平台的人脸识别方法 |
CN105913025A (zh) * | 2016-04-12 | 2016-08-31 | 湖北工业大学 | 一种基于多特征融合的深度学习人脸识别方法 |
CN105913025B (zh) * | 2016-04-12 | 2019-02-26 | 湖北工业大学 | 一种基于多特征融合的深度学习人脸识别方法 |
CN105913053A (zh) * | 2016-06-07 | 2016-08-31 | 合肥工业大学 | 一种基于稀疏融合的单演多特征的人脸表情识别方法 |
CN105913053B (zh) * | 2016-06-07 | 2019-03-08 | 合肥工业大学 | 一种基于稀疏融合的单演多特征的人脸表情识别方法 |
CN106127250A (zh) * | 2016-06-24 | 2016-11-16 | 深圳市唯特视科技有限公司 | 一种基于三维点云数据的人脸质量评估方法 |
CN107273842A (zh) * | 2017-06-09 | 2017-10-20 | 北京工业大学 | 基于csjoga算法的选择性集成人脸识别方法 |
CN107991283A (zh) * | 2017-12-26 | 2018-05-04 | 同方威视技术股份有限公司 | 拉曼光谱检测设备和拉曼光谱检测方法 |
CN107991283B (zh) * | 2017-12-26 | 2023-09-22 | 同方威视技术股份有限公司 | 拉曼光谱检测设备和拉曼光谱检测方法 |
CN108664925A (zh) * | 2018-05-10 | 2018-10-16 | 王逸人 | 人脸识别的方法及用户终端 |
CN110866131A (zh) * | 2018-08-21 | 2020-03-06 | 北京京东尚科信息技术有限公司 | 图像去重方法、装置、介质及电子设备 |
CN109285208A (zh) * | 2018-09-29 | 2019-01-29 | 吉林动画学院 | 基于表情动态模板库的虚拟角色表情卡通化算法 |
CN117173161A (zh) * | 2023-10-30 | 2023-12-05 | 杭州海康威视数字技术股份有限公司 | 内容安全检测方法、装置、设备及系统 |
CN117173161B (zh) * | 2023-10-30 | 2024-02-23 | 杭州海康威视数字技术股份有限公司 | 内容安全检测方法、装置、设备及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104008375B (zh) | 2017-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104008375B (zh) | 基于特征融合的集成人脸识别方法 | |
CN104850825B (zh) | 一种基于卷积神经网络的人脸图像颜值计算方法 | |
CN104866829B (zh) | 一种基于特征学习的跨年龄人脸验证方法 | |
CN105005765B (zh) | 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法 | |
CN102629328B (zh) | 一种融合颜色的显著特征概率潜在语义模型物体图像识别方法 | |
CN102637251B (zh) | 基于参考特征的人脸识别方法 | |
CN105205449B (zh) | 基于深度学习的手语识别方法 | |
WO2018023734A1 (zh) | 一种3d图像的显著性检测方法 | |
CN106408030B (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN104408405B (zh) | 人脸表示和相似度计算方法 | |
CN104392246B (zh) | 一种基于类间类内面部变化字典的单样本人脸识别方法 | |
CN106126585B (zh) | 基于质量分级与感知哈希特征组合的无人机图像检索方法 | |
CN106909946A (zh) | 一种多模态融合的商品分类系统 | |
CN106529504B (zh) | 一种复合时空特征的双模态视频情感识别方法 | |
CN105913053B (zh) | 一种基于稀疏融合的单演多特征的人脸表情识别方法 | |
CN105956570B (zh) | 基于唇部特征和深度学习的笑脸识别方法 | |
CN105574475A (zh) | 一种基于共同向量词典的稀疏表示分类方法 | |
CN108647690A (zh) | 用于非约束人脸识别的判别稀疏保持投影方法 | |
CN102768732B (zh) | 融合稀疏保持映射和多类别属性Bagging的人脸识别方法 | |
CN101853397A (zh) | 一种基于人类视觉特性的仿生人脸检测方法 | |
CN110222560A (zh) | 一种嵌入相似性损失函数的文本人员搜索方法 | |
CN104715266B (zh) | 基于src‑dp与lda相结合的图像特征提取方法 | |
CN103839074B (zh) | 一种基于素描线段信息和空间金字塔匹配的图像分类方法 | |
CN109241813A (zh) | 用于非约束人脸识别的判别稀疏保持嵌入方法 | |
CN104268507A (zh) | 一种基于rgb-d图像的手语字母识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20180205 Address after: 224000 rejuvenation building, No. 1, revitalization Road, Yancheng City, Jiangsu Province Patentee after: Jiangsu anviz Intelligent Security Co., Ltd. Address before: 100124 Chaoyang District, Beijing Ping Park, No. 100 Patentee before: Beijing University of Technology |
|
TR01 | Transfer of patent right |