CN104463234B - 人脸识别方法 - Google Patents

人脸识别方法 Download PDF

Info

Publication number
CN104463234B
CN104463234B CN201510003944.9A CN201510003944A CN104463234B CN 104463234 B CN104463234 B CN 104463234B CN 201510003944 A CN201510003944 A CN 201510003944A CN 104463234 B CN104463234 B CN 104463234B
Authority
CN
China
Prior art keywords
mrow
msub
msubsup
face
class
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
Application number
CN201510003944.9A
Other languages
English (en)
Other versions
CN104463234A (zh
Inventor
李钦
张运生
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 Information Technology
Original Assignee
Shenzhen Institute of Information Technology
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 Information Technology filed Critical Shenzhen Institute of Information Technology
Priority to CN201510003944.9A priority Critical patent/CN104463234B/zh
Publication of CN104463234A publication Critical patent/CN104463234A/zh
Application granted granted Critical
Publication of CN104463234B publication Critical patent/CN104463234B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

一种人脸识别方法，包括如下步骤：扩充训练集：使用不同类训练样本在高维空间的线性关系合成训练样本，为每个原始训练样本生成一个聚类；扩展LDA算法：估计类内距与类间距，为LDA投影向量构造Fisher准则，使LDA算法适用于扩充的训练集；特征向量提取：利用所述Fisher准则，构造特征提取算子，提取人脸图像特征向量；人脸识别：根据提取的人脸特征向量进行人脸识别。本方法识别准确率高、运算复杂度低、实时性好，在每类训练样本仅有一个的情况下能够高效准确地识别人脸。

Description

人脸识别方法
技术领域
本发明涉及一种人脸识别方法。
背景技术
人脸识别是一种在生活中常见的技术，相关研究众多，是一种相对成熟的技术。然而，在一些特殊的应用环境中，如身份证人脸识别、护照人脸识别、驾照人脸识别、犯罪现场鉴定等情况下，每类(每个人)仅有一个已知训练样本。在这种情况下，绝大多数经典的人脸识别算法PCA、LDA、LPP等的准确率都会非常低甚至完全失效，其原因如下：
(1)小样本问题。单样本问题是一种极端的小样本问题。人脸图像至少为上千维的高维向量，否则不具备别性。已有研究表明，N维特征向量至少需要10*N个样本，才能被各种学习方法生成一个鲁棒性高的模型。在每类仅有一个训练样本的情况下，显然无法进行有效的学习。
(2)单一样本表达力不足。对于同一张人脸，由于拍照时姿势、光照等差异性，可形成一系列有差异的图像。这一系列有差异地图像共同表达同一张人脸。而在每类仅有一个训练样本的情况下，显然无法对人脸进行有效的表达。
(3)类内方差不可知。同时需要对类内方差和类间方差进行优化才能得到鲁棒性好的分类器。在每类仅有一个训练样本的情况下，类内方差不可知，因此无法设计有效的分类器。
(4)类间方差过估计。在每类仅有一个训练样本的情况下，所有的差值都由类间样本产生，则类间方差被放大，从而影响分类器性能。
发明内容
本发明的主要目的在于针对现有技术的不足，提供一种新的人脸识别算法，以提高单一训练样本情况下识别准确率。
为实现上述目的，本发明采用以下技术方案：
一种人脸识别方法，包括如下步骤：
扩充训练集：使用不同类训练样本在高维空间的线性关系合成训练样本，为每个原始训练样本生成一个聚类；
扩展LDA算法：估计类内距与类间距，为LDA投影向量构造Fisher准则，使LDA算法适用于扩充的训练集；
特征向量提取：利用所述Fisher准则，构造特征提取算子，提取人脸图像特征向量；
人脸识别：根据提取的人脸特征向量进行人脸识别。
优选地：
所述扩充训练集包括如下步骤：
设定来自第一人脸的图像x与来自第二人脸的图像y为高维空间的两个点，构造一条高维的直线连接这两个点，该直线由式(1)表达；
z＝λx+(1-λ)y 0≤λ≤1 (1)
其中λ为变体选择系数；
在所有的原始训练样本中，找到x的k个近邻yi(1≤i≤k)，y1表示最近邻；
使用公式zi＝λix+(1-λi)yi合成图像，生成一个关于x的聚类，其中1≤i≤k并且1-d(x,y1)/(3*d(x,yi))＜λi≤1，其中d()表示两点间的欧氏距离。
所述扩展LDA算法包括如下步骤：
将LDA扩展为适用于扩充的训练集，由式(2)表达，
其中α为投影向量，J(α)为Fihser鉴别表达式即Fisher准则，表示类间散度矩阵，表示类内散度矩阵，xi为第i类的原始图像，用来作第i类训练样本的中心，c为原始样本总数，ni为第i个原始样本合成的样本总数，为第i个原始样本合成的第j个合成图像，为第i个原始样本合成的第k个合成图像，i1和i2代表不同的类。
所述特征向量提取包括：
基于扩展的LDA算法确定特征提取算子，该特征提取算子使得式(2)中的Fisher准则取得最大值。
确定由式(3)定义的泛化特征方程的最大特征值所对应的特征向量，
以所确定的特征向量来作特征提取的投影向量。
本发明的有益效果：
本发明提出一种新的人脸识别方法，通过采用扩充训练集样本数量，并有针对性地扩展LDA算法提取特征向量的手段，能够显著提高单一训练样本情况下识别准确率，有效解决在人脸识别系统(身份证人脸识别、驾照人脸识别等)中每类训练样本仅有一个的情况下(即每个人仅有一张人脸图像作为训练)，传统识别算法准确率低的问题，本识别方法准确率高、运算复杂度低、实时性好，在每类训练样本仅有一个的情况下能够高效准确地识别人脸。更具体来说，本发明的人脸识别方法可针对单一训练样本下的基于训练样本集扩充，主要优点体现在：1.通过扩充训练集样本数量，增强样本表达力，保证训练样本有小的类内方差与大的类间方差；2.通过扩展LDA算法，能够针对扩展样本集的特点，构造优化的Fisher准则，能够准确地估计类内方差与类间方差，提取表达力强的特征向量，从而高效准确地实现人脸识别。
附图说明
图1为本发明人脸识别方法的基本流程图。
具体实施方式
以下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。
参阅图1，根据本发明的实施例，有效扩充训练样本集，扩充后的训练样本集可以有效的表达同一人脸的不同变化，并且样本具有小的类内方差和大的类间方差。进一步地，针对扩充后的训练样本集，扩展传统的LDA算法，可实现单一训练样本集情况下准确的人脸识别。本发明的实施例包括以下步骤：
扩充训练集：使用不同类训练样本在高维空间的线性关系合成训练样本，为每个原始训练样本生成一个聚类。由于单一训练样本情况下存在样本表达力低、类内方差不可知、类间方差过估计等问题，本步骤通过扩充训练样本数量，增强样本表达力，并保证训练样本有小的类内方差与大的类间方差。
扩展LDA算法：估计类内距与类间距，为LDA投影向量构造Fisher准则，使LDA算法适用于扩充的训练集。本步骤在训练样本数量扩充的基础上，扩展LDA算法，能够针对扩充样本集的特点，获得优化的Fisher准则。
特征向量提取：根据扩展的LDA，使用经优化的Fisher准则，构造特征提取算子，提取人脸图像特征向量；
人脸识别：根据提取的人脸特征向量进行人脸识别。
在优选的实施例中，该方法具体包括如下步骤：
步骤一、扩充训练样本集：通过图像合成算法，扩充训练集样本数量，增强样本表达力，并保证训练样本有小的类内方差与大的类间方差。图像合成算法主要步骤如下所述。
(1)设定来自人脸1的图像x与来自人脸2的图像y为高维空间的两个点(每个人有一张人脸图像作为训练，人脸1和人脸2分别来自两个人)，我们可以构造一条直线连接这两个点。该直线由公式(1)表达：
z＝λx+(1-λ)y 0≤λ≤1 (1)
λ为变体选择系数，可限定λ的取值范围，若则公式(1)为y的变体；若则公式(1)为x的变体。
(2)在所有的原始训练样本中，找到x的k个近邻yi(1≤i≤k)，y1表示最近邻。
(3)使用公式zi＝λix+(1-λi)yi合成图像，生成一个关于x的聚类，其中1≤i≤k并且1-d(x,y1)/(3*d(x,yi))＜λi≤1，d()表示两点间的欧氏距离。
上述算法保证了以下两点：
(1)图像zi＝λix+(1-λi)yi比任何一个不为x的原始训练样本距x的距离都要近；
(2)设zi＝λix+(1-λi)yi是x的一个变体，设zj＝λjyj+(1-λj)x是yj的一个变体,则zi与x距离必然小于zj与x的距离，其中，zi是x的变体，zj是x的某个近邻的变体。
步骤二、扩展LDA算法：针对扩展后的样本集，扩展LDA算法。
传统的LDA算法中，类间散度矩阵完全由原始训练样本得到，造成了类间散度矩阵无法准确估计。
本发明实施例将LDA算法扩展为适用于扩充的训练集，优选地，LDA扩展由公式(2)表达，
其中α为投影向量，J(α)为Fihser鉴别表达式(Fisher准则)，表示类间散度矩阵，表示类内散度矩阵，xi为第i类的原始图像，我们用来作第i类训练样本的中心，c为原始样本总数，ni为第i个原始样本合成的样本总数(即第i类的总数)，为第i个原始样本合成的第j个合成图像，为第i个原始样本合成的第k个合成图像，i1和i2代表不同的类，从而使类间散度矩阵使用所有的合成图像得出。
步骤三、特征向量提取：基于扩展的LDA算法，确定特征提取算子，该特征提取算子使得公式(2)中的Fisher准则取得最大值。即，寻找一个投影向量α，使Fihser鉴别表达式J(α)最大。
优选地，公式(3)定义的泛化特征方程最大特征值对应的特征向量可以使Fisher准则最大化。我们可以用这些特征向量来作特征提取的投影向量。
步骤四、人脸识别：根据上述步骤提取的人脸特征向量，可以进行人脸识别。
表1记录了在FERET数据库中本算法与其它传统算法的实验测试比较。
表1识别准确率(％)对比
LDA LPP 本发明实施例
FERET 67.3 63.3 75.9
以上内容是结合具体/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 (4)

1.一种人脸识别方法，其特征在于,包括如下步骤：
扩充训练集：使用不同类训练样本在高维空间的线性关系合成训练样本，为每个原始训练样本生成一个聚类；
扩展LDA算法：估计类内距与类间距，为LDA投影向量构造Fisher准则，使LDA算法适用于扩充的训练集；
特征向量提取：利用所述Fisher准则，构造特征提取算子，提取人脸图像特征向量；
人脸识别：根据提取的人脸特征向量进行人脸识别；
其中所述扩充训练集包括如下步骤：
设定来自第一人脸的图像x与来自第二人脸的图像y为高维空间的两个点，构造一条高维的直线连接这两个点，该直线由式(1)表达；
z＝λx+(1-λ)y 0≤λ≤1 (1)
其中λ为变体选择系数；
在所有的原始训练样本中，找到x的k个近邻yi(1≤i≤k)，y1表示最近邻；
使用公式zi＝λix+(1-λi)yi合成图像，生成一个关于x的聚类，其中1≤i≤k并且1-d(x,y1)/(3*d(x,yi))＜λi≤1，其中d()表示两点间的欧氏距离。
2.如权利要求1所述的人脸识别方法，其特征在于,所述扩展LDA算法包括如下步骤：
将LDA扩展为适用于扩充的训练集，由式(2)表达，
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>J</mi> <mrow> <mo>(</mo> <mi>&amp;alpha;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msup> <mi>&amp;alpha;</mi> <mi>T</mi> </msup> <msubsup> <mi>S</mi> <mi>b</mi> <mo>*</mo> </msubsup> <mi>&amp;alpha;</mi> </mrow> <mrow> <msup> <mi>&amp;alpha;</mi> <mi>T</mi> </msup> <msubsup> <mi>S</mi> <mi>w</mi> <mo>*</mo> </msubsup> <mi>&amp;alpha;</mi> </mrow> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mi>S</mi> <mi>w</mi> <mo>*</mo> </msubsup> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>c</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <mi>i</mi> </msub> </munderover> <mrow> <mo>(</mo> <msubsup> <mi>z</mi> <mi>j</mi> <mi>i</mi> </msubsup> <mo>-</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msup> <mrow> <mo>(</mo> <msubsup> <mi>z</mi> <mi>j</mi> <mi>i</mi> </msubsup> <mo>-</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mi>T</mi> </msup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mi>S</mi> <mi>b</mi> <mo>*</mo> </msubsup> <mo>=</mo> <munder> <mi>&amp;Sigma;</mi> <mrow> <msub> <mi>i</mi> <mn>1</mn> </msub> <mo>&amp;NotEqual;</mo> <msub> <mi>i</mi> <mn>2</mn> </msub> </mrow> </munder> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <msub> <mi>i</mi> <mn>1</mn> </msub> </msub> </munderover> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <msub> <mi>i</mi> <mn>2</mn> </msub> </msub> </munderover> <mrow> <mo>(</mo> <msubsup> <mi>z</mi> <mi>j</mi> <msub> <mi>i</mi> <mn>1</mn> </msub> </msubsup> <mo>-</mo> <msubsup> <mi>z</mi> <mi>k</mi> <msub> <mi>i</mi> <mn>2</mn> </msub> </msubsup> <mo>)</mo> </mrow> <msup> <mrow> <mo>(</mo> <msubsup> <mi>z</mi> <mi>j</mi> <msub> <mi>i</mi> <mn>1</mn> </msub> </msubsup> <mo>-</mo> <msubsup> <mi>z</mi> <mi>k</mi> <msub> <mi>i</mi> <mn>2</mn> </msub> </msubsup> <mo>)</mo> </mrow> <mi>T</mi> </msup> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中α为投影向量，J(α)为Fihser鉴别表达式即Fisher准则，表示类间散度矩阵，表示类内散度矩阵，xi为第i类的原始图像，用来作第i类训练样本的中心，c为原始样本总数，ni为第i个原始样本合成的样本总数，为第i个原始样本合成的第j个合成图像，为第i个原始样本合成的第k个合成图像，i1和i2代表不同的类。
3.如权利要求2所述的人脸识别方法，其特征在于,所述特征向量提取包括：
基于扩展的LDA算法确定特征提取算子，该特征提取算子使得式(2)中的Fisher准则取得最大值。
4.如权利要求3所述的人脸识别方法，其特征在于,确定由式(3)定义的泛化特征方程的最大特征值所对应的特征向量，
<mrow> <msubsup> <mi>S</mi> <mi>b</mi> <mo>*</mo> </msubsup> <mi>&amp;alpha;</mi> <mo>=</mo> <msubsup> <mi>&amp;lambda;S</mi> <mi>w</mi> <mo>*</mo> </msubsup> <mi>&amp;alpha;</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
以所确定的特征向量来作特征提取的投影向量。
CN201510003944.9A 2015-01-04 2015-01-04 人脸识别方法 Active CN104463234B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510003944.9A CN104463234B (zh) 2015-01-04 2015-01-04 人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510003944.9A CN104463234B (zh) 2015-01-04 2015-01-04 人脸识别方法

Publications (2)

Publication Number Publication Date
CN104463234A CN104463234A (zh) 2015-03-25
CN104463234B true CN104463234B (zh) 2017-10-27

Family

ID=52909248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510003944.9A Active CN104463234B (zh) 2015-01-04 2015-01-04 人脸识别方法

Country Status (1)

Country Link
CN (1) CN104463234B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106250821A (zh) * 2016-07-20 2016-12-21 南京邮电大学 一种聚类再分类的人脸识别方法
CN109214255B (zh) * 2017-07-07 2024-01-19 深圳信息职业技术学院 一种单样本人脸识别方法
CN107909011B (zh) * 2017-10-30 2021-08-24 Oppo广东移动通信有限公司 人脸识别方法及相关产品
CN108460630B (zh) * 2018-02-12 2021-11-02 广州虎牙信息科技有限公司 基于用户数据进行分类分析的方法和装置
CN110097033B (zh) * 2019-05-15 2023-04-07 成都电科智达科技有限公司 一种基于特征扩充的单样本人脸识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855468A (zh) * 2012-07-31 2013-01-02 东南大学 一种相片识别中的单样本人脸识别方法
CN103077318A (zh) * 2013-01-17 2013-05-01 电子科技大学 一种基于稀疏度量的分类方法
CN104239856A (zh) * 2014-09-04 2014-12-24 电子科技大学 基于Gabor特征和自适应线性回归的人脸识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100543707B1 (ko) * 2003-12-04 2006-01-20 삼성전자주식회사 서브그룹별 ｐｃａ 학습을 이용한 얼굴인식방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855468A (zh) * 2012-07-31 2013-01-02 东南大学 一种相片识别中的单样本人脸识别方法
CN103077318A (zh) * 2013-01-17 2013-05-01 电子科技大学 一种基于稀疏度量的分类方法
CN104239856A (zh) * 2014-09-04 2014-12-24 电子科技大学 基于Gabor特征和自适应线性回归的人脸识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A new LDA-based face recognition system which can solve the small sample size problem;Li-Fen Chen, et al.;《Pattern recognition》;20001031;第33卷(第10期);第1713-1726页 *
单样本条件下的人脸识别算法研究;赵雅英;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130315(第3期);I138-1505 *
基于优化的LDA算法人脸识别研究;庄哲民等;《电子与信息学报》;20071119;第29卷(第9期);第2047-2049页 *

Also Published As

Publication number Publication date
CN104463234A (zh) 2015-03-25

Similar Documents

Publication Publication Date Title
CN104463234B (zh) 人脸识别方法
JP6192010B2 (ja) 重み設定装置および方法
CN101976360B (zh) 基于多级分类的稀疏表征人脸识别方法
CN104239856B (zh) 基于Gabor特征和自适应线性回归的人脸识别方法
CN103514443A (zh) 一种基于lpp特征提取的单样本人脸识别迁移学习方法
CN105760833A (zh) 一种人脸特征识别方法
Huang et al. Globality-locality preserving projections for biometric data dimensionality reduction
CN103218617B (zh) 一种多线性大间距的特征提取方法
CN103941244A (zh) 一种雷达目标一维距离像局部最优子空间识别方法
CN111259780B (zh) 一种基于分块线性重构鉴别分析的单样本人脸识别方法
CN106570183A (zh) 一种彩色图像检索和分类方法
CN103714340A (zh) 基于图像分块的自适应特征提取方法
CN104463246A (zh) 一种基于流形的线性回归学习方法
CN105975940A (zh) 一种基于稀疏双向二维局部判别投影的掌纹图像识别方法
CN102289679B (zh) 一种基于相关特征和非线性映射的固定视角人脸超分辨率识别方法
CN102779271A (zh) 基于谱稀疏典型相关分析的表情语义稀疏量化方法
Zhao et al. Face recognition based on wavelet transform weighted modular PCA
CN104166993A (zh) 一种基于加权变分期望最大化准则的图像分割方法
Yang et al. Face recognition using a multi-manifold discriminant analysis method
CN103116742A (zh) 基于rgb彩色特征双重鉴别相关性分析的人脸识别方法
CN103093184A (zh) 一种基于列向量展开二维主成分分析的人脸识别方法
Markuš et al. Learning local descriptors by optimizing the keypoint-correspondence criterion
Mei et al. Face recognition base on low dimension Gabor feature using direct fractional-step LDA
CN106022373A (zh) 一种基于广义均值的鲁棒典型相关分析算法
Li et al. Face recognition using Hog feature and group sparse coding

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant