CN105046224A - 基于分块自适应加权梯度方向直方图特征的人脸识别方法 - Google Patents
基于分块自适应加权梯度方向直方图特征的人脸识别方法 Download PDFInfo
- Publication number
- CN105046224A CN105046224A CN201510418884.7A CN201510418884A CN105046224A CN 105046224 A CN105046224 A CN 105046224A CN 201510418884 A CN201510418884 A CN 201510418884A CN 105046224 A CN105046224 A CN 105046224A
- Authority
- CN
- China
- Prior art keywords
- block
- sub
- feature
- image
- hog feature
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Abstract
本发明涉及一种基于分块自适应加权的HOG特征人脸识别方法,首先采用小波分解提取低频图像以消除冗余、随机信息,其次将人脸图像分成均匀子块,并利用各子块对识别的贡献率不同而赋予不同的权重,进而提取人脸的AW-HOG特征,最后采用PCA算法对提取的特征进行降维形成最终分类特征,再采用支持向量机(SVM)方法对其进行分类识别。本发明能够有效降低分类特征的维数。
Description
技术领域
本发明涉及人脸识别技术领域,特别是涉及一种基于分块自适应加权梯度方向直方图特征的人脸识别方法。
背景技术
近些年来,随着人脸自动识别技术的不断发展,理想条件下的识别率已经达到了令人满意的水平,但在实际应用中,由于光照、姿态、表情等因素的影响,人脸识别仍然面临着巨大的挑战。在人脸识别中,一个关键的问题是找到人脸图像的有效描述特征,由于梯度直方图HOG特征对光照、旋转、方向的因素具有较强的鲁棒性,因此成为了人脸特征的主流描述算子。
HOG特征首次出现在ProceedingsoftheIEEEInternationalConferenceonComputerVisionandPatternRecognition杂志上Dalal发表的Histogramsoforientedgradientsforhumandetection文章中,其首次提出用于行人检测。其主要思想是基于网格作为采样窗将人脸图像划分为均匀的相邻块单元上进行计算,利用梯度方向归一化技术并统计得到的一种边缘和结构特征的描述算子。随后,HOG特征逐渐被应用于人脸识别中,并取得了较好的识别效果,有效证明了HOG特征对光照、姿态、表情的鲁棒性。但是这些算法只是将HOG特征简单的用于人脸全局特征提取中,并没有完全考虑人脸的全局和局部信息。经过对现有技术的文献检索发现,郭金鑫等人在《计算机科学》2013年第40卷第10期279~283页上发表的基于HOG多特征融合与随机森林的人脸识别文章中融合了人脸的全局特征以及局部特征形成最后的分类特征,但是其只是将全局和局部特征进行简单的级联,一方面大大的增加了分类特征的维数,同时并没有充分考虑到人脸不同子块对识别的贡献度不一致等因素,因而对识别率有一定的影响。此外,对已有技术的相关专利检索发现,HOG特征相关专利主要应用于目标检索,并未检索到其用于人脸识别的专利。
发明内容
本发明所要解决的技术问题是提供一种基于分块自适应加权梯度方向直方图特征的人脸识别方法,能够有效降低分类特征的维数。
本发明解决其技术问题所采用的技术方案是:提供一种基于分块自适应加权梯度方向直方图特征的人脸识别方法,包括以下步骤:
(1)对人脸图像进行预处理,得到低频人脸图像;
(2)将提取的低频人脸图像分割成大小统一的均匀子块;
(3)对人脸库训练集以及测试集中的所有人脸图像都进行步骤(1)-(2)的处理,并将图像的相同位置的子块图像构成新的训练集和测试集;
(4)提取子块图像的HOG特征;
(5)利用各子块的HOG特征进行分类识别,得到此位置子块的识别率;
(6)根据各子块所得到的识别率计算得出各子块的权值;
(7)融合各子块HOG特征以及相对应权值最终得到分类AW-HOG特征;
(8)对AW-HOG特征进行PCA算法降维;
(9)采用支持向量机SVM方法进行分类识别。
所述步骤(4)具体包括:确定一个K×K大小的滑动采样窗口block,并将其分为4个大小的单元,在每个单元上跟据计算每个像素点的梯度方向,根据 计算每个像素点的幅值,其中,I(x,y)是人脸图像上像素点(x,y)的灰度值;接着将梯度方向均匀分9个有符号方向,并将同一单元上所有点相同梯度方向的幅值按高斯权重累加,得到该单元上的9维梯度直方图,进而得到一个block上的36维梯度直方图,并进行标准化得到一个block上的HOG特征,最终级联所有block的HOG特征形成整副图像的HOG特征。
所述步骤(6)中根据计算得出各子块的权值,其中,δi为此位置子块的识别率。
所述步骤(1)包括以下子步骤:
(11)根据两眼距离对人脸图像进行旋转、裁剪缩放成统一大小像素的图像;
(12)对缩放裁剪过后的图像进行二级二维小波分解并提取低频图像。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明充分考虑了人脸各子块对识别的贡献不同,从而分配了相应的权重,并且定义了子块识别率与相应权重之间的对应关系,在同时考虑到全局以及局部特征的条件下,有效的降低了分类特征的维数。
附图说明
图1是本发明的流程图;
图2A是二级小波分解示意图;图2B是二级小波分解效果图;
图3人脸图像分块构成新子集的示意图;
图4是梯度方向直方图(HOG)特征提取示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于分块自适应加权的HOG特征人脸识别方法,如图1所示,首先采用小波分解提取低频图像以消除冗余、随机信息,其次将人脸图像分成均匀子块,并利用各子块对识别的贡献率不同而赋予不同的权重,进而提取人脸的AW-HOG特征,最后采用PCA算法对提取的特征进行降维形成最终分类特征,再采用支持向量机(SVM)方法对其进行分类识别,其具体实施步骤如下:
1)对人脸图像根据两眼距离进行旋转、裁剪缩放成统一大小像素的图像;
2)对缩放裁剪过后的图像A0(m,n)进行二级二维小波分解并提取低频图像;
小波分解其定义如下:
其中,g()为高通滤波器,h()为低通滤波器,j为分辨率也称为尺度。即:一副0尺度的原图像A0(m,n)可以分解为j+1尺度的低频图像Aj+1(m,n)以及p尺度的高频图像Hp(m,n),Vp(m,n),Dp(m,n)。其中,p=(1,2,...j,j+1),Hp保持水平边缘细节,Vp保持垂直边缘细节,Dp保持斜边缘细节。
图像经过一次二维离散小波分解可以分解为四个分量。二级小波分解即对一级小波分解的低频分量LL1进一步分解为一个低频逼近分量LL2与三个高频分量HL2LH2HH2,如图2A所示,经过大量实验分析,选取用Coif1小波对人脸图像做二级分解,图2B给出Coif1小波做二次分解的效果图,本算法提取LL2低频分量以消除随机、冗余信息。
3)将预处理过的人脸图像在水平方向及垂直方向均匀划分获得n2个均匀子块,其中n可以取任意整数值;
4)将人脸库训练集以及测试集中的所有人脸图像都进行预处理后根据图3示意构成新的子训练集及子测试集;
以测试集为例:
假设训练集中包含M个人的共N张L1×L2人脸图像,每个人分别拥有N1,N2,…NM张人脸图像,其中(N1+N2+…+NM=N)。将每张人脸图像均匀分割成n2个大小相等、互不重叠的子图像,其编号为1,2,3,…n2然后将所有相同位置的子块图像构成一个新的子训练集,所有分块后的子图像构成n2个子块集。图3给出的是n=3时的分块示意图。
5)提取子块图像的HOG特征;
图4给出了HOG特征的提取示意图,其具体步骤如下:
确定一个8×8大小的滑动采样窗口block,并将其分为4个4×4大小的cell,以cell为单位,在每个cell上跟据式2和式3分别计算每个像素点的梯度方向和幅值;
其中,I(x,y)是人脸图像上像素点(x,y)的灰度值,θ(x,y)为该点的梯度方向,m(x,y)为该点的梯度幅值。接着将梯度方向均匀分9个有符号方向并将同一cell上所有点相同梯度方向的幅值按高斯权重累加,得到该cell上的9维梯度直方图,进而得到一个block上的36维梯度直方图并进行标准化得到一个block上的HOG特征,最终级联所有block的HOG特征形成整副图像的HOG特征。
6)利用各子块的HOG特征进行分类识别,得到此位置子块的识别率;
7)根据各子块所得到的识别率按式4计算得出各子块的权值;
其中,δi为此位置子块的识别率。
8)根据式5融合各子块HOG特征以及相对应权值最终得到分类AW-HOG
V=(w1v1,w2v2,…wn×nvn×n)式5
其中,vi,i=1,2,…n2为各子块的HOG特征。
9)对AW-HOG特征进行PCA算法降维;
以YaleB人脸库中192×160像素大小的图像为例,分为4×4个均匀大小的子块,则其最终的AW-HOG特征维数为57024维。给定训练集中m个57024维空间的样本x1,x2,x3…xm,根据式6计算协方差矩阵。
对此协方差矩阵S进行特征分解,求出其前k=20个最大的特征值对应的特征向量构成的矩阵Uk=[u1,u2,…uk],最后根据式7得到降到20维后的人脸特征。
其中,Rk表示k维实数集。
10)采用支持向量机SVM方法并径向基内核RBF核函数进行分类识别。
基于YaleB以及AR人脸库上的实验表明,本发明提出的基于分块自适应加权的HOG特征人脸识别算法在YaleB人脸库上,根据不同的分块数量其平均识别率均有所提升,最佳分块选择的平均识别率达到了98.39%,在AR人脸库上的光照集以及表情集相对于全局HOG特征,其识别率在不同分块加权条件下均有15%左右的提升。同时分块数量对识别率有一定的影响,分块过大会导致子块不能准确表达较大区域的整体特征,分块过小会导致子块不能准确表达局部特征。对于YaleB人脸库而言,3×3的分块AW-HOG特征的识别效果达到最佳,对于AR人脸库而言,4×4的分块加权可使识别效果达到最佳。
Claims (4)
1.一种基于分块自适应加权梯度方向直方图特征的人脸识别方法,其特征在于,包括以下步骤:
(1)对人脸图像进行预处理,得到低频人脸图像;
(2)将提取的低频人脸图像分割成大小统一的均匀子块;
(3)对人脸库训练集以及测试集中的所有人脸图像都进行步骤(1)-(2)的处理,并将图像的相同位置的子块图像构成新的训练集和测试集;
(4)提取子块图像的HOG特征;
(5)利用各子块的HOG特征进行分类识别,得到此位置子块的识别率;
(6)根据各子块所得到的识别率计算得出各子块的权值;
(7)融合各子块HOG特征以及相对应权值最终得到分类AW-HOG特征;
(8)对AW-HOG特征进行PCA算法降维;
(9)采用支持向量机SVM方法进行分类识别。
2.根据权利要求1所述的基于分块自适应加权梯度方向直方图特征的人脸识别方法,其特征在于,所述步骤(4)具体包括:确定一个K×K大小的滑动采样窗口block,并将其分为4个大小的单元,在每个单元上跟据计算每个像素点的梯度方向,根据 计算每个像素点的幅值,其中,I(x,y)是人脸图像上像素点(x,y)的灰度值;接着将梯度方向均匀分9个有符号方向,并将同一单元上所有点相同梯度方向的幅值按高斯权重累加,得到该单元上的9维梯度直方图,进而得到一个block上的36维梯度直方图,并进行标准化得到一个block上的HOG特征,最终级联所有block的HOG特征形成整副图像的HOG特征。
3.根据权利要求1所述的基于分块自适应加权梯度方向直方图特征的人脸识别方法,其特征在于,所述步骤(6)中根据i=1,2,…n2计算得出各子块的权值,其中,δi为此位置子块的识别率。
4.根据权利要求1所述的基于分块自适应加权梯度方向直方图特征的人脸识别方法,其特征在于,所述步骤(1)包括以下子步骤:
(11)根据两眼距离对人脸图像进行旋转、裁剪缩放成统一大小像素的图像;
(12)对缩放裁剪过后的图像进行二级二维小波分解并提取低频图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510418884.7A CN105046224A (zh) | 2015-07-16 | 2015-07-16 | 基于分块自适应加权梯度方向直方图特征的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510418884.7A CN105046224A (zh) | 2015-07-16 | 2015-07-16 | 基于分块自适应加权梯度方向直方图特征的人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105046224A true CN105046224A (zh) | 2015-11-11 |
Family
ID=54452753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510418884.7A Pending CN105046224A (zh) | 2015-07-16 | 2015-07-16 | 基于分块自适应加权梯度方向直方图特征的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105046224A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022214A (zh) * | 2016-05-04 | 2016-10-12 | 南京工程学院 | 非约束环境下的有效人脸特征提取方法 |
CN106503697A (zh) * | 2016-12-05 | 2017-03-15 | 北京小米移动软件有限公司 | 目标识别方法及装置、人脸识别方法及装置 |
WO2017088249A1 (zh) * | 2015-11-25 | 2017-06-01 | 小米科技有限责任公司 | 特征提取方法及装置 |
CN107220651A (zh) * | 2017-06-05 | 2017-09-29 | 北京邮电大学 | 一种提取图像特征的方法及装置 |
CN107273845A (zh) * | 2017-06-12 | 2017-10-20 | 大连海事大学 | 一种基于置信区域和多特征加权融合的人脸表情识别方法 |
CN107818299A (zh) * | 2017-10-17 | 2018-03-20 | 内蒙古科技大学 | 基于融合hog特征和深度信念网络的人脸识别算法 |
CN107832690A (zh) * | 2017-10-30 | 2018-03-23 | 广东欧珀移动通信有限公司 | 人脸识别的方法及相关产品 |
CN108038464A (zh) * | 2017-12-22 | 2018-05-15 | 新疆大学 | 一种新的hog特征维吾尔族人脸图像识别算法 |
CN108960088A (zh) * | 2018-06-20 | 2018-12-07 | 天津大学 | 特定环境的面部活体特征检测、识别方法 |
CN109034256A (zh) * | 2018-08-02 | 2018-12-18 | 燕山大学 | 一种ltp与hog特征融合的乳腺肿瘤检测系统与方法 |
CN109359530A (zh) * | 2018-09-12 | 2019-02-19 | 中国人民解放军国防科技大学 | 一种智能视频监控方法及装置 |
CN109711305A (zh) * | 2018-12-19 | 2019-05-03 | 浙江工商大学 | 融合多种分量特征的人脸识别方法 |
CN109977965A (zh) * | 2019-02-28 | 2019-07-05 | 北方工业大学 | 一种在遥感机场图像中确定检测目标的方法及装置 |
CN110032915A (zh) * | 2018-01-12 | 2019-07-19 | 杭州海康威视数字技术股份有限公司 | 一种人脸活体检测方法、装置及电子设备 |
CN110197137A (zh) * | 2019-05-14 | 2019-09-03 | 苏州沃柯雷克智能系统有限公司 | 一种确定手掌姿势的方法、装置、设备及存储介质 |
CN113112565A (zh) * | 2021-04-08 | 2021-07-13 | 安徽工程大学 | 一种基于机器人视觉闭环检测算法的地图构建方法、存储介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050105794A1 (en) * | 2003-08-25 | 2005-05-19 | Glenn Fung | Greedy support vector machine classification for feature selection applied to the nodule detection problem |
CN103714326A (zh) * | 2013-12-26 | 2014-04-09 | 江南大学 | 一种单样本人脸识别方法 |
CN103714340A (zh) * | 2014-01-09 | 2014-04-09 | 西安电子科技大学 | 基于图像分块的自适应特征提取方法 |
CN104143091A (zh) * | 2014-08-18 | 2014-11-12 | 江南大学 | 基于改进mLBP的单样本人脸识别方法 |
-
2015
- 2015-07-16 CN CN201510418884.7A patent/CN105046224A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050105794A1 (en) * | 2003-08-25 | 2005-05-19 | Glenn Fung | Greedy support vector machine classification for feature selection applied to the nodule detection problem |
CN103714326A (zh) * | 2013-12-26 | 2014-04-09 | 江南大学 | 一种单样本人脸识别方法 |
CN103714340A (zh) * | 2014-01-09 | 2014-04-09 | 西安电子科技大学 | 基于图像分块的自适应特征提取方法 |
CN104143091A (zh) * | 2014-08-18 | 2014-11-12 | 江南大学 | 基于改进mLBP的单样本人脸识别方法 |
Non-Patent Citations (2)
Title |
---|
赵汝哲 等: "自适应加权LBP的单样本人脸识别方法", 《计算机工程与应用》 * |
郭金鑫 等: "基于HOG多特征融合与随机森林的人脸识别", 《计算机科学》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10297015B2 (en) | 2015-11-25 | 2019-05-21 | Xiaomi Inc. | Method, device and computer-readable medium for identifying feature of image |
WO2017088249A1 (zh) * | 2015-11-25 | 2017-06-01 | 小米科技有限责任公司 | 特征提取方法及装置 |
CN106022214A (zh) * | 2016-05-04 | 2016-10-12 | 南京工程学院 | 非约束环境下的有效人脸特征提取方法 |
CN106022214B (zh) * | 2016-05-04 | 2019-10-08 | 南京工程学院 | 非约束环境下的有效人脸特征提取方法 |
CN106503697A (zh) * | 2016-12-05 | 2017-03-15 | 北京小米移动软件有限公司 | 目标识别方法及装置、人脸识别方法及装置 |
CN107220651A (zh) * | 2017-06-05 | 2017-09-29 | 北京邮电大学 | 一种提取图像特征的方法及装置 |
CN107273845A (zh) * | 2017-06-12 | 2017-10-20 | 大连海事大学 | 一种基于置信区域和多特征加权融合的人脸表情识别方法 |
CN107818299A (zh) * | 2017-10-17 | 2018-03-20 | 内蒙古科技大学 | 基于融合hog特征和深度信念网络的人脸识别算法 |
CN107832690A (zh) * | 2017-10-30 | 2018-03-23 | 广东欧珀移动通信有限公司 | 人脸识别的方法及相关产品 |
CN108038464A (zh) * | 2017-12-22 | 2018-05-15 | 新疆大学 | 一种新的hog特征维吾尔族人脸图像识别算法 |
CN110032915A (zh) * | 2018-01-12 | 2019-07-19 | 杭州海康威视数字技术股份有限公司 | 一种人脸活体检测方法、装置及电子设备 |
CN108960088A (zh) * | 2018-06-20 | 2018-12-07 | 天津大学 | 特定环境的面部活体特征检测、识别方法 |
CN109034256A (zh) * | 2018-08-02 | 2018-12-18 | 燕山大学 | 一种ltp与hog特征融合的乳腺肿瘤检测系统与方法 |
CN109359530A (zh) * | 2018-09-12 | 2019-02-19 | 中国人民解放军国防科技大学 | 一种智能视频监控方法及装置 |
CN109711305A (zh) * | 2018-12-19 | 2019-05-03 | 浙江工商大学 | 融合多种分量特征的人脸识别方法 |
CN109977965A (zh) * | 2019-02-28 | 2019-07-05 | 北方工业大学 | 一种在遥感机场图像中确定检测目标的方法及装置 |
CN109977965B (zh) * | 2019-02-28 | 2021-04-13 | 北方工业大学 | 一种在遥感机场图像中确定检测目标的方法及装置 |
CN110197137A (zh) * | 2019-05-14 | 2019-09-03 | 苏州沃柯雷克智能系统有限公司 | 一种确定手掌姿势的方法、装置、设备及存储介质 |
CN113112565A (zh) * | 2021-04-08 | 2021-07-13 | 安徽工程大学 | 一种基于机器人视觉闭环检测算法的地图构建方法、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105046224A (zh) | 基于分块自适应加权梯度方向直方图特征的人脸识别方法 | |
CN108665481B (zh) | 多层深度特征融合的自适应抗遮挡红外目标跟踪方法 | |
CN102609716B (zh) | 一种基于改进的hog特征和pca的行人检测方法 | |
CN101976360B (zh) | 基于多级分类的稀疏表征人脸识别方法 | |
CN107464252A (zh) | 一种基于混合特征的可见光与红外异源图像识别方法 | |
CN102915453B (zh) | 一种实时反馈更新的车辆检测方法 | |
CN102722708B (zh) | 一种薄片类介质分类方法及其装置 | |
CN103927531A (zh) | 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法 | |
CN105069447A (zh) | 一种人脸表情的识别方法 | |
CN107832704B (zh) | 一种使用基于图像场的非刚性配准的指纹识别方法 | |
CN101763514A (zh) | 基于特征重要度排序谱聚类的图像分割方法 | |
CN104881871A (zh) | 基于改进多目标和声搜索算法的交通图像分割方法 | |
CN101251896B (zh) | 一种基于多分类器的物体检测系统及方法 | |
CN102663401A (zh) | 一种图像特征提取和描述方法 | |
CN104408479A (zh) | 一种基于深度局部特征描述符的海量图像分类方法 | |
CN103246877B (zh) | 基于图像轮廓的人脸识别新方法 | |
CN104143091A (zh) | 基于改进mLBP的单样本人脸识别方法 | |
CN101877065B (zh) | 小样本条件下的人脸图像非线性鉴别特征抽取和识别方法 | |
Hebbar et al. | TRANSFER LEARNING APPROACH FOR SPLICING AND COPY-MOVE IMAGE TAMPERING DETECTION. | |
US10872225B2 (en) | Instantaneous search and comparison method for large-scale distributed palm vein micro-feature data | |
CN111275070B (zh) | 一种基于局部特征匹配的签名验证方法及设备 | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
CN101216878A (zh) | 基于广义非线性判别分析的人脸识别方法 | |
CN106295478A (zh) | 一种图像特征提取方法和装置 | |
Kumar et al. | k-NN based writer independent offline signature verification system |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151111 |