CN104778472B - 人脸表情特征提取方法 - Google Patents
人脸表情特征提取方法 Download PDFInfo
- Publication number
- CN104778472B CN104778472B CN201510202840.0A CN201510202840A CN104778472B CN 104778472 B CN104778472 B CN 104778472B CN 201510202840 A CN201510202840 A CN 201510202840A CN 104778472 B CN104778472 B CN 104778472B
- Authority
- CN
- China
- Prior art keywords
- mrow
- lwbp
- msub
- munderover
- mtr
- 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
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种人脸表情特征提取方法,将人脸表情图像分为N个块图像,每个子图像的大小为m×n;由局部加权二值模式即LWBP分别计算出每个块图像中所有像素的LWBP1和LWBP2编码值;分别统计每个块图像的LWBP直方图;将块图像的两个直方图直接叠加得到直方图作为最终的块图像LWBP特征;将所有块图像的统计直方图顺序连接起来,得到用于分类识别的整个图像的LWBP特征向量。通过分别计算两组对称的共八个模板的加权灰度值,比较各个方向加权值与平均加权值的大小并进行编码,它综合考虑了不同方向上邻域像素的灰度变化,能够有效表征人脸表情细节特征,且对噪声有一定的鲁棒性,且识别速度明显加快,具有实用性。
Description
技术领域
本发明涉及一种人脸表情特征提取方法。
背景技术
人脸表情包含丰富的人体行为信息,是人类情绪的一种表现形式,也是人们进行非语言交流有效而重要的手段。人们可以通过表情准确、充分而微妙地表达自己的思想感情,也可以通过表情辨认对方的态度和内心世界。因此,对表情识别进行研究具有重要的学术价值和应用前景,逐渐成为近年来的研究热点。
人脸表情识别是计算机对人脸表情信息进行特征提取并归类的过程,它使计算机能够从人的表情中推断出人的心理,从而实现人机之间的高级智能交互。人脸表情识别系统主要由表情图像预处理、人脸检测与人脸区域分割、表情特征提取和表情分类等部分组成。
表情特征提取是人脸表情识别系统的一个重要环节,是提高表情分类准确性的关键步骤。在众多表情特征提取方法中,局部特征法对光照、姿态等变化具有较强的鲁棒性,其中局部二值模式(Local Binary Pattern,LBP)是代表性方法。LBP算法可以快速提取表情特征,具有强大的纹理判别能力和计算简单等特点,被广泛地应用于纹理分类、图像检索和人脸图像分析中,并且在模式识别领域越来越受欢迎。然而,LBP算法有以下不足:
一、LBP算法将中心像素点灰度值与周围8个邻域像素点灰度值进行比较,大于等于0的编码为1,否则为0。这种编码方法容易受到邻域灰度变化影响,对噪声敏感。
二、LBP算法对每个块(block)图像进行8位编码,得到特征维数是块(block)个数×28,导致图像特征维数过大,降低了识别速度,同时也影响了识别率,在大型数据库上表现更为明显。
发明内容
本发明的目的是提供一种人脸表情特征提取方法,综合考虑了不同方向上邻域像素的灰度变化,区别于传统LBP算法仅比较中心像素与单个邻域像素点的灰度大小,从而能够有效表征人脸表情细节特征,且对噪声有一定的鲁棒性。
本发明的技术解决方案是:
一种人脸表情特征提取方法,其特征在于,包括以下步骤:
S1、将人脸表情图像分为N个块图像,每个子图像的大小为m×n;
S2、由局部加权二值模式即LWBP,采用公式(1)和公式(2)分别计算出每个块图像中所有像素的LWBP1和LWBP2编码值;
公式(1)、公式(2)中,mi(i=0,1…3)为四个方向的加权值,ei(i=1,2)为加权平均值,LWBPi(i=1,2)为编码值;
S3、分别统计每个块图像的LWBP直方图H1和H2;
S4、由于LWBP的两组模板是对称的,LWBP1和LWBP2两幅编码图像所隐含的特征信息相似,将块图像的两个直方图H1和H2直接叠加得到直方图H作为最终的块图像LWBP特征,该特征维数为2k=24=16;
S5、将所有块图像的统计直方图顺序连接起来,得到用于分类识别的整个图像的LWBP特征向量,长度为16×N。
进一步地,S2中,局部加权二值模式即LWBP定义如下:
首先,将八个模板按方向分为对称的两组,每组都包含了水平、垂直和两个对角共4个方向;
其次,分别计算两组中4个方向的加权值,将每个加权值与4个方向的加权平均值进行比较,从而判断出灰度变化较大的方向,将灰度变化较大的方向编码为1,其余编码为0;定义式为公式(1)、(2)。
进一步地,S3中,采用公式(3)和公式(4)分别统计每个块图像的LWBP直方图H1和H2,
公式(3)中LWBP1(r,c)为像素(r,c)的LWBP1值,顺序扫描块图像中所有像素点的LWBP1值,当LWBP1值等于灰度值(i=0,1,2,...,2k-1)时,直方图H1(i)累加1,公式(3)中直方图的长度由LWBP算子的编码位数k决定,这里k=4,表示四个方向;
公式(4)与公式(3)同理,公式(4)中LWBP2(r,c)为像素(r,c)的LWBP2值,顺序扫描块图像中所有像素点的LWBP2值,当LWBP2值等于灰度值(i=0,1,2,…,2k-1)时,直方图H2(i)累加1,公式(4)中直方图的长度由LWBP算子的编码位数k决定,这里k=4,表示四个方向。
本发明的有益效果是:
该种人脸表情特征提取方法,使用八个模板计算八个方向上的邻域灰度加权值,且比较各个方向的加权值与加权平均值大小并进行编码,相比LBP算子仅对邻域单个像素灰度变化进行编码,LWBP特征包含信息更充分也更准确。
一、LWBP算子比LBP算子具有更好的抗噪声性能。
二、LWBP算子中分别采用两组对称的模板得到两个统计直方图,它们包含的信息是相似的,本发明通过直接叠加两个统计直方图得到特征向量,可以达到补偿信息的目的,使表情特征更准确。
三、LWBP算子是进行4位二值编码,特征向量维数大大降低,运行速度加快,具有实用性。
附图说明
图1是实施例中LWBP算子计算模板的示意图。
图2是实施例中LWBP算子编码示例的示意图。
图3是实施例中LBP和LWBP对噪声的鲁棒性对比示意图。
图4是高斯白噪声下JAFFE数据库的LBP算子和LWBP算子的识别率对比示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例
实施例分别计算两组对称的共八个模板的加权灰度值,比较各个方向加权值与平均加权值的大小并进行编码,它综合考虑了不同方向上邻域像素的灰度变化,区别于传统LBP算法仅比较中心像素与单个邻域像素点的灰度大小,能够有效表征人脸表情细节特征,且对噪声有一定的鲁棒性。
实施例仅进行4位编码,得到统计直方图长度只有16维,远远低于传统LBP的特征长度,识别速度明显加快,具有实用性。
LWBP算子定义
本发明提出了局部加权二值模式(Local Weighted Binary Pattern,LWBP),其定义如下:
首先,本发明将八个模板按方向分为对称的两组,每组都包含了水平、垂直和两个对角共4个方向,如图1所示。
其次,分别计算两组中4个方向的加权值,将每个加权值与4个方向的加权平均值进行比较,从而判断出灰度变化较大的方向,将其编码为1,其余编码为0,即加权值大于加权平均值的方向编码为1,加权值小于加权平均值的方向编码为0。图2为LWBPi(i=1,2)编码示例。定义式如公式(1)、(2)所示:
公式(1)、(2)中,mi(i=0,1…3)为四个方向的加权值,ei(i=1,2)为加权平均值,LWBPi(i=1,2)为编码值。
LWBP特征提取实现过程
考虑样本图像的位置在很大程度上影响了像素的分布,会对表情判别造成一定误差,因此在人脸表情识别中一般不采用编码图像作为特征值进行识别,而使用统计直方图作为特征向量来消除位置影响,具体实现步骤如下:
将人脸表情图像分为N个块(block)图像,每个子图像的大小为m×n;
采用公式(1)和公式(2)分别计算每个块(block)图像中所有像素的LWBP1和LWBP2编码值;
采用公式(3)和公式(4)分别统计每个块(block)图像的LWBP直方图H1和H2。公式(3)中LWBP1(r,c)为像素(r,c)的LWBP1值,顺序扫描块图像中所有像素点的LWBP1值,当LWBP1值等于灰度值(i=0,1,2,…,2k-1)时,直方图H1(i)累加1。公式(3)中直方图的长度由LWBP算子的编码位数k决定,这里k=4,表示四个方向。公式(4)同理。
如图1所示,由于LWBP的两组模板是对称的,所以LWBP1和LWBP2两幅编码图像所隐含的特征信息是相似,需要将它们融合。本发明将块(block)图像两个直方图H1和H2直接叠加得到直方图H作为最终的块(block)图像LWBP特征,该特征维数为2k=24=16。
将所有块(block)图像的统计直方图顺序连接起来,得到可用于分类识别的整个图像的LWBP特征向量,长度为16×N。
收益效果
一、LWBP算子与LBP算子的性能比较
LBP和LWBP分别在JAFFE数据库和Cohn-Kanade数据库上进行实验,结果如表1、表2所示。
表1 JAFFE数据库上不同算法的识别率和时间
表2 Cohn-Kanade数据库上不同算法的识别率和时间
从表1、表2中可以看出,无论是在JAFFE数据库上还是在Cohn-Kanade数据库上,LWBP算法的识别率均高于LBP,同时由于LWBP特征向量维数较少,识别时间大大减少,提高了运行效率。
二、LWBP算子与CBP算子、LDP算子的性能比较
表3 LWBP与CBP、LDP在JAFFE数据库上识别率和识别时间的比较
表4 LWBP与CBP、LDP在Cohn-Kanade数据库上识别率和识别时间的比较
CBP算子和LDP算子是两个改进的LBP算子,被大量文章引用和比较。从表3、表4中可以看出,LWBP算子的识别率均高于CBP和LDP,且运行时间大大缩短,是一种快速有效的表情特征提取算子。
三、LWBP算子对噪声的鲁棒性能分析
LBP算子通过比较邻域像素值与中心像素值的大小进行编码,因此在有噪声的情况下一旦有像素值发生变化就将影响编码结果。LWBP算子对方向加权响应进行编码,即使在有噪声和光照变化的情况下,也会保持其正确性。图3显示了示例模板在加入高斯白噪声前后的变化。加入噪声后,LBP编码的第五位由1变为0,发生错误。然而,在相同的噪声干扰下,LWBP编码值并未改变,说明其较强的鲁棒性。
在人脸表情图像中加入高斯白噪声,方差依次递增。分别用LBP和LWBP对其进行特征提取,结果如图4。可以看出,随着方差的加大,两种算子识别效果都在逐渐下降,但LWBP的识别识别率平均高于LBP达11.16%,所以本文所提出的方法鲁棒性更强。
Claims (3)
1.一种人脸表情特征提取方法,其特征在于,包括以下步骤:
S1、将人脸表情图像分为N个块图像,每个子图像的大小为m×n;
S2、采用局部加权二值模式即LWBP,采用公式(1)和公式(2)分别计算出每个块图像中所有像素的LWBP1和LWBP2编码值;
<mrow>
<msub>
<mi>LWBP</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>e</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msup>
<mn>2</mn>
<mi>i</mi>
</msup>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>a</mi>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mi>a</mi>
<mo><</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<msub>
<mi>e</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>4</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>LWBP</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msup>
<mn>2</mn>
<mi>i</mi>
</msup>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>{</mo>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>a</mi>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mi>a</mi>
<mo><</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>,</mo>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>4</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
公式(1)、公式(2)中,mi(i=0,1...3)为四个方向的加权值,ei(i=1,2)为加权平均值,LWBPi(i=1,2)为编码值;
S3、分别统计每个块图像的LWBP直方图H1和H2;
S4、由于LWBP的两组模板是对称的,LWBP1和LWBP2两幅编码图像所隐含的特征信息相似,将块图像的两个直方图H1和H2直接叠加得到直方图H作为最终的块图像LWBP特征,该特征维数为2k=24=16;
S5、将所有块图像的统计直方图顺序连接起来,得到用于分类识别的整个图像的LWBP特征向量,长度为16×N。
2.如权利要求1所述的人脸表情特征提取方法,其特征在于,S2中,局部加权二值模式即LWBP定义如下:
首先,将八个模板按方向分为对称的两组,每组都包含了水平、垂直和两个对角共4个方向;
其次,分别计算两组中4个方向的加权值,将每个加权值与4个方向的加权平均值进行比较,从而判断出灰度变化较大的方向,将灰度变化较大的方向编码为1,其余编码为0;定义式为公式(1)、(2)。
3.如权利要求1或2所述的人脸表情特征提取方法,其特征在于:S3中,采用公式(3)和公式(4)分别统计每个块图像的LWBP直方图H1和H2,
<mrow>
<msub>
<mi>H</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>r</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>c</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>LWBP</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mrow>
<mi>r</mi>
<mo>,</mo>
<mi>c</mi>
</mrow>
<mo>)</mo>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>a</mi>
<mo>=</mo>
<mi>i</mi>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mi>a</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>H</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>r</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>c</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>LWBP</mi>
<mn>2</mn>
</msub>
<mo>(</mo>
<mrow>
<mi>r</mi>
<mo>,</mo>
<mi>c</mi>
</mrow>
<mo>)</mo>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>a</mi>
<mo>=</mo>
<mi>i</mi>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mi>a</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
公式(3)中LWBP1(r,c)为像素(r,c)的LWBP1值,顺序扫描块图像中所有像素点的LWBP1值,当LWBP1值等于灰度值i时,其中i=0,1,2,...,2k-1,直方图H1(i)累加1,公式(3)中直方图的长度由LWBP算子的编码位数k决定,这里k=4,表示四个方向;
公式(4)与公式(3)同理,公式(4)中LWBP2(r,c)为像素(r,c)的LWBP2值,顺序扫描块图像中所有像素点的LWBP2值,当LWBP2值等于灰度值i时,其中i=0,1,2,...,2k-1,直方图H2(i)累加1,公式(4)中直方图的长度由LWBP算子的编码位数k决定,这里k=4,表示四个方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510202840.0A CN104778472B (zh) | 2015-04-24 | 2015-04-24 | 人脸表情特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510202840.0A CN104778472B (zh) | 2015-04-24 | 2015-04-24 | 人脸表情特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104778472A CN104778472A (zh) | 2015-07-15 |
CN104778472B true CN104778472B (zh) | 2017-11-21 |
Family
ID=53619925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510202840.0A Active CN104778472B (zh) | 2015-04-24 | 2015-04-24 | 人脸表情特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104778472B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825192B (zh) * | 2016-03-24 | 2019-06-25 | 深圳大学 | 一种人脸表情识别方法及系统 |
CN106503718B (zh) * | 2016-09-20 | 2019-11-22 | 南京邮电大学 | 一种基于滤波器组的局部二值模式图像描述方法 |
CN106778910B (zh) * | 2017-01-12 | 2020-06-16 | 张亮 | 基于本地训练的深度学习系统和方法 |
CN110287780B (zh) * | 2019-05-17 | 2021-08-03 | 长安大学 | 一种光照下人脸图像特征提取方法 |
CN111931588B (zh) * | 2020-07-15 | 2023-09-15 | 杭州电子科技大学 | 自适应延展交叉型局部二值模式的人脸特征提取方法 |
CN112766063B (zh) * | 2020-12-31 | 2024-04-23 | 沈阳康泰电子科技股份有限公司 | 基于位移补偿的微表情拟合方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004791A (zh) * | 2007-01-19 | 2007-07-25 | 赵力 | 一种基于二维偏最小二乘法的面部表情识别方法 |
CN101615245A (zh) * | 2009-07-30 | 2009-12-30 | 上海交通大学 | 基于avr和增强lbp的表情识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9336454B2 (en) * | 2013-05-31 | 2016-05-10 | Texas Instruments Incorporated | Vector processor calculation of local binary patterns |
-
2015
- 2015-04-24 CN CN201510202840.0A patent/CN104778472B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004791A (zh) * | 2007-01-19 | 2007-07-25 | 赵力 | 一种基于二维偏最小二乘法的面部表情识别方法 |
CN101615245A (zh) * | 2009-07-30 | 2009-12-30 | 上海交通大学 | 基于avr和增强lbp的表情识别方法 |
Non-Patent Citations (2)
Title |
---|
人脸表情的LBP特征分析;刘伟锋等;《计算机工程与应用》;20111231;第2卷(第47期);全文 * |
加权局部二值模式的人脸特征提取;张洁玉等;《中国图像图形学报》;20141231;第19卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104778472A (zh) | 2015-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104778472B (zh) | 人脸表情特征提取方法 | |
CN105956560B (zh) | 一种基于池化多尺度深度卷积特征的车型识别方法 | |
CN105139039B (zh) | 视频序列中人脸微表情的识别方法 | |
CN105095856B (zh) | 基于掩模的有遮挡人脸识别方法 | |
CN107967695B (zh) | 一种基于深度光流和形态学方法的运动目标检测方法 | |
CN102880877B (zh) | 一种基于轮廓特征的目标识别方法 | |
CN105069447B (zh) | 一种人脸表情的识别方法 | |
CN105825183B (zh) | 基于部分遮挡图像的人脸表情识别方法 | |
CN110738207A (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
CN102663400B (zh) | 一种结合预处理的lbp特征提取方法 | |
CN106127196A (zh) | 基于动态纹理特征的人脸表情的分类与识别方法 | |
CN102254188B (zh) | 掌纹识别方法及装置 | |
CN101004791A (zh) | 一种基于二维偏最小二乘法的面部表情识别方法 | |
CN107480649A (zh) | 一种基于全卷积神经网络的指纹汗孔提取方法 | |
CN101908149A (zh) | 一种从人脸图像序列中识别脸部表情的方法 | |
CN104778457A (zh) | 基于多示例学习的视频人脸识别算法 | |
CN101930549B (zh) | 基于第二代曲线波变换的静态人体检测方法 | |
CN104951793B (zh) | 一种基于stdf特征的人体行为识别方法 | |
CN103020614B (zh) | 基于时空兴趣点检测的人体运动识别方法 | |
CN104298981A (zh) | 人脸微表情的识别方法 | |
CN103854016A (zh) | 基于方向性共同发生特征的人体行为分类识别方法及系统 | |
CN103714181A (zh) | 一种层级化的特定人物检索方法 | |
CN103440510A (zh) | 一种面部图像中特征点的定位方法 | |
CN109325507A (zh) | 一种结合超像素显著性特征与hog特征的图像分类算法和系统 | |
CN106778529A (zh) | 一种基于改进ldp的人脸识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate 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: 20201224 Address after: Room 108, 7 Yingcui Road, Jiangning Development Zone, Nanjing, Jiangsu 210000 Patentee after: Nanjing tianzhixin Technology Co.,Ltd. Address before: 1 No. 211167 Jiangsu city of Nanjing province Jiangning Science Park Hongjing Road Patentee before: NANJING INSTITUTE OF TECHNOLOGY |
|
TR01 | Transfer of patent right |