CN105139003B - 一种动态人脸识别系统及方法 - Google Patents
一种动态人脸识别系统及方法 Download PDFInfo
- Publication number
- CN105139003B CN105139003B CN201510600361.4A CN201510600361A CN105139003B CN 105139003 B CN105139003 B CN 105139003B CN 201510600361 A CN201510600361 A CN 201510600361A CN 105139003 B CN105139003 B CN 105139003B
- Authority
- CN
- China
- Prior art keywords
- facial image
- image
- face
- standard
- human
- 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.)
- Expired - Fee Related
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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
-
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种动态人脸识别系统及方法,其系统包括检测模块,预处理模块,特征提取训练模块,特征提取识别模块;检测模块加载人脸检测器,读取视频流或全景图像进行人脸检测,并对检测到的人脸图像进行实时显示和截取保存;预处理模块将人脸图像进行灰度变换和图像归一化,通过APVD进行检测,保留达标人脸图像;特征提取训练模块建立训练样本库和训练样本的索引,读取达标人脸图像,进行特征提取,进行PCA特征降维和BP神经网络训练;特征提取识别模块读取达标人脸图像,进行归一化、CGW特征提取、PCA降维和识别,输出识别结果。本发明计算图像的模糊程度,选取达到识别要求的人脸图像,使用弧形Gabor小波提取有效的人脸特征,提高识别率。
Description
技术领域
本发明涉及人脸识别技术领域,尤其涉及一种动态人脸识别系统及方法。
背景技术
人脸识别技术作为当今计算机视觉领域最热门的研究课题之一,在安防行业、门禁系统、考勤系统以及人机交互等领域有着广泛的应用。人脸识别的研究已经有几十年历史,至今已取得丰硕成果,然而现有的研究工作更多还是针对静态标准人脸图像,对于实际场景的动态人脸识别研究较少,还很难到达应用要求。实际场景中动态人脸识别,与静态条件下人脸识别相比,需要考虑更多的问题:摄像头失焦或者相对运动容易造成图像模糊,排除模糊图像是需要考虑的;视频流条件下很难保证采集到的人脸图像都是高质量,如何尽可能提取有用信息是一个挑战。
本发明针对动态条件下存在图像模糊,提出了基于小波域的像素差值累积(TheAccumulation of Pixel Values Difference in Wavelet Domain,APVD)的图像模糊检测算法,利用APVD算法计算人脸图像的模糊图像质量评估,图像只有达到一定的清晰度才进行下一步操作,减小模糊图像对识别系统的影响;针对动态条件下图像质量不高,为了尽可能多地提取有效信息,本文在Gabor小波变换的基础上,通过增加一个曲率参数,把Gabor小波扩展成弧形Gabor小波(Curve Gabor Wavelet,CGW),提取更多有效的人脸特征,从而提高系统识别率。
发明内容
本发明所要解决的技术问题是提供一种基于小波域的像素差值累积的图像模糊检测算法来计算图像的模糊程度,选取模糊程度达到识别要求的人脸图像,使用弧形Gabor小波提取有效的人脸特征,提高识别率的动态人脸识别系统及方法。
本发明解决上述技术问题的技术方案如下:一种动态人脸识别系统,包括检测模块,预处理模块,特征提取训练模块,特征提取识别模块;
所述检测模块,用于加载人脸检测器,通过人脸检测器读取视频流或全景图像进行人脸检测,并对检测到的人脸图像进行实时显示和截取保存;
所述预处理模块,用于对截取的人脸图像进行预处理,将人脸图像进行灰度变换和图像归一化,并通过APVD对人脸图像进行检测,剔除不达标的人脸图像,保留达标人脸图像;
所述特征提取训练模块,用于建立训练样本库和训练样本的索引,通过路径索引读取达标的人脸图像,并利用CGW算法对达标的人脸图像进行特征提取,对提取的特征进行PCA特征降维和BP神经网络训练,得出训练差值;
所述特征提取识别模块,用于当训练误差值达到设置定值,读取达标的人脸图像,并对达标的人脸图像进行归一化、CGW特征提取、PCA降维和识别,输出识别结果。
进一步,所述人脸检测器为Viola-Jones人脸检测器,所述Viola-Jones人脸检测器对视频流或全景图像提取Haar-like特征,结合级联Adaboost算法,获取人脸检测率,对人脸检测率达标的人脸图像进行实时显示和截取保存。
进一步,所述预处理模块的APVD具体为:通过Haar小波提取人脸图像的高频信息,从而把人脸图像分成高频与低频两个部分,分别累计两部分图像相邻间像素差值,并计算差值平均,最后根据这两个值的关系得出模糊图像质量,对模糊图像质量达标的人脸图像进行保留。
本发明的有益效果是:根据实际应用场景中,从视频中检测并截取人脸图像,碰到光照改变、模糊和遮挡等各种因素的干扰,为了获取到比较理想的人脸图像,本发明基于小波域的像素差值累积,提出了APVD模糊检测算法,尽可能的在采集动态人脸图像时克服这些干扰,从而减少模糊图像对整个人脸识别系统的影响;在采集到的人脸图像上,本发明还在Gabor小波变换基础上,通过增加一个曲率参数,把Gabor小波扩展成弧形Gabor小波(CGW),提取更加有效的人脸特征,从而提高系统识别率。
一种动态人脸识别方法,包括以下步骤:
步骤S1.加载人脸检测器,通过人脸检测器读取视频流和全景图像进行人脸检测,并对检测到的人脸图像进行实时显示和截取保存;
步骤S2.对截取的人脸图像进行预处理,将人脸图像进行灰度变换和图像归一化,并通过APVD对人脸图像进行检测,剔除不达标的人脸图像,保留达标人脸图像;
步骤S3.建立训练样本库和训练样本的索引,通过路径索引读取达标的人脸图像,利用CGW算法对达标的人脸图像进行特征提取,对提取的特征进行PCA特征降维和BP神经网络训练,得出训练误差值;
步骤S4.当训练误差值达到设置定值,读取达标的人脸图像,并对达标的人脸图像进行归一化、CGW特征提取、PCA降维和识别,输出识别结果。
优选的,所述人脸检测器为Viola-Jones人脸检测器,所述Viola-Jones人脸检测器对视频流或全景图像提取Haar-like特征,结合级联Adaboost算法,获取人脸检测率,对人脸检测率达标的人脸图像进行实时显示和截取保存。
进一步,所述步骤S2的APVD的具体实现:通过Haar小波提取人脸图像的高频信息,从而把人脸图像分成高频与低频两个部分,分别累计两部分图像相邻间像素差值,并计算差值平均,最后根据这两个值的关系得出模糊图像质量,对模糊图像质量达标的人脸图像进行保留。
进一步,所述步骤S2的APVD对人脸图像进行检测的具体步骤:
步骤S21:利用Haar小波对人脸图像提取小波特征,进行Haar小波一层分解后,使用低频子带提取低频振幅图像,高频子带提取高频振幅图像,将人脸图像分为低频与高频两个部分;
步骤S22:对提取小波特征后的高频振幅图像做自适应二值化,图G为小波提取后HL、LH和HH子带累加后的高频信息图像,平均像素值m(i,j)和方差ε(i,j)计算如下:
其中p是指邻近像素点(i,j)的像素点个数为半径,则像素点(i,j)处的局部二值化阈值为t(i,j)=m(i,j)+ε(i,j);高频信息图像G的水平二值化图B:
步骤S23:利用获得的二值图B,找出原人脸图像中对应的高频成分,定义为H,即H=S&B;对应其他区域定义为L,即L=S-H;图像H中像素点的水平绝对差值定义为:
Hh(i,j)=|H(i,j+1)-H(i,j-1)| (4)
水平差平均值为:
垂直绝对差值:
Hv(i,j)=|H(i+1,j)-H(i-1,j)| (6)
垂直差平均值:
与公式(5)和公式(7)类似,可以分别求出图像L的水平差平均值Lh-mean垂直差平均值Lv-mean,则图像H的差值平均为Hmean=(Hh-mean+Hv-mean)/2,图像L的差值平均为Lmean=(Lh-mean+Lv-mean)/2;最后,模糊图像质量评估为:
进一步,所述步骤S3中的CGW算法具体为:
根据Gabor核函数公式:
增加一个曲率参数c,可以获得弧形Gabor小波算法的核函数如下:
本发明的有益效果是:根据实际应用场景中,从视频中检测并截取人脸图像,碰到光照改变、模糊和遮挡等各种因素的干扰,为了获取到比较理想的人脸图像,本发明基于小波域的像素差值累积,提出了APVD模糊检测算法,尽可能的在采集动态人脸图像时克服这些干扰,从而减少模糊图像对整个人脸识别系统的影响;在采集到的人脸图像上,本发明还在Gabor小波变换基础上,通过增加一个曲率参数,把Gabor小波扩展成弧形Gabor小波(CGW),提取更加有效的人脸特征,从而提高系统识别率。
附图说明
图1为本发明一种动态人脸识别系统的模块框图;
图2为本发明一种动态人脸识别方法的流程图。
附图中,各标号所代表的部件列表如下:
1、检测模块,2、预处理模块,3、特征提取训练模块,4、特征提取识别模块。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,一种动态人脸识别系统,包括检测模块1,预处理模块2,特征提取训练模块3,特征提取识别模块4;
所述检测模块1,用于加载人脸检测器,通过人脸检测器读取视频流和全景图像进行人脸检测,并对检测到的人脸图像进行实时显示或截取保存;
所述预处理模块2,用于对截取的人脸图像进行预处理,将人脸图像进行灰度变换和图像归一化,并通过APVD对人脸图像进行检测,剔除不达标的人脸图像,保留达标人脸图像;
所述特征提取训练模块3,用于建立训练样本库和训练样本的索引,通过路径索引读取达标的人脸图像,并利用CGW算法对达标的人脸图像进行特征提取,对提取的特征进行PCA特征降维和BP神经网络训练,得出训练差值;
所述特征提取识别模块4,用于当训练误差值达到设置定值,读取达标的人脸图像,并对达标的人脸图像进行归一化、CGW特征提取、PCA降维和识别,输出识别结果。
优选的,所述人脸检测器为Viola-Jones人脸检测器,所述Viola-Jones人脸检测器对视频流或全景图像提取Haar-like特征,结合级联Adaboost算法,获取人脸检测率,对人脸检测率达标的人脸图像进行实时显示和截取保存。
优选的,所述预处理模块2的APVD具体为:通过Haar小波提取人脸图像的高频信息,从而把人脸图像分成高频与低频两个部分,分别累计两部分图像相邻间像素差值,并计算差值平均,最后根据这两个值的关系得出模糊图像质量,对模糊图像质量达标的人脸图像进行保留。
如图2所示,一种动态人脸识别方法,包括以下步骤:
步骤S1.加载人脸检测器,通过人脸检测器读取视频流和全景图像进行人脸检测,并对检测到的人脸图像进行实时显示和截取保存;
步骤S2.对截取的人脸图像进行预处理,将人脸图像进行灰度变换和图像归一化,并通过APVD对人脸图像进行检测,剔除不达标的人脸图像,保留达标人脸图像;
步骤S3.建立训练样本库和训练样本的索引,通过路径索引读取达标的人脸图像,利用CGW算法对达标的人脸图像进行特征提取,对提取的特征进行PCA特征降维和BP神经网络训练,得出训练误差值;
步骤S4.当训练误差值达到设置定值,读取达标的人脸图像,并对达标的人脸图像进行归一化、CGW特征提取、PCA降维和识别,输出识别结果。
优选的,所述人脸检测器为Viola-Jones人脸检测器,所述Viola-Jones人脸检测器对视频流或全景图像提取Haar-like特征,结合级联Adaboost算法,获取人脸检测率,对人脸检测率达标的人脸图像进行实时显示和截取保存。
优选的,所述步骤S2的APVD的具体实现:通过Haar小波提取人脸图像的高频信息,从而把人脸图像分成高频与低频两个部分,分别累计两部分图像相邻间像素差值,并计算差值平均,最后根据这两个值的关系得出模糊图像质量,对模糊图像质量达标的人脸图像进行保留。
优选的,所述步骤S2的APVD对人脸图像进行检测的具体步骤:
步骤S21:利用Haar小波对人脸图像提取小波特征,进行Haar小波一层分解后,使用低频子带提取低频振幅图像,高频子带提取高频振幅图像,将人脸图像分为低频与高频两个部分;
步骤S22:对提取小波特征后的高频振幅图像做自适应二值化,图G为小波提取后HL、LH和HH子带累加后的高频信息图像,平均像素值m(i,j)和方差ε(i,j)计算如下:
其中p是指邻近像素点(i,j)的像素点个数为半径,则像素点(i,j)处的局部二值化阈值为t(i,j)=m(i,j)+ε(i,j);高频信息图像G的水平二值化图B:
步骤S23:利用获得的二值图B,找出原人脸图像中对应的高频成分,定义为H,即H=S&B;对应其他区域定义为L,即L=S-H;图像H中像素点的水平绝对差值定义为:
Hh(i,j)=|H(i,j+1)-H(i,j-1)| (4)
水平差平均值为:
垂直绝对差值:
Hv(i,j)=|H(i+1,j)-H(i-1,j)| (6)
垂直差平均值:
与公式(5)和公式(7)类似,可以分别求出图像L的水平差平均值Lh-mean垂直差平均值Lv-mean,则图像H的差值平均为Hmean=(Hh-mean+Hv-mean)/2,图像L的差值平均为Lmean=(Lh-mean+Lv-mean)/2;最后,模糊图像质量评估为:
优选的,所述步骤S3中的CGW算法具体为:
根据Gabor核函数公式:
增加一个曲率参数c,可以获得弧形Gabor小波算法的核函数如下:
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种动态人脸识别系统,其特征在于,包括检测模块(1),预处理模块(2),特征提取训练模块(3),特征提取识别模块(4);
所述检测模块(1),用于加载人脸检测器,通过人脸检测器读取视频流或全景图像进行人脸检测,并对检测到的人脸图像进行实时显示和截取保存;
所述预处理模块(2),用于对截取的人脸图像进行预处理,将人脸图像进行灰度变换和图像归一化,并通过APVD对人脸图像进行检测,剔除不达标的人脸图像,保留达标人脸图像;
所述特征提取训练模块(3),用于建立训练样本库和训练样本的索引,通过路径索引读取达标的人脸图像,并利用CGW算法对达标的人脸图像进行特征提取,对提取的特征进行PCA特征降维和BP神经网络训练,得出训练差值;
所述特征提取识别模块(4),用于当训练误差值达到设置定值,读取达标的人脸图像,并对达标的人脸图像进行归一化、CGW特征提取、PCA降维和识别,输出识别结果;
所述预处理模块(2)的APVD具体为:通过Haar小波提取人脸图像的高频信息,从而把人脸图像分成高频与低频两个部分,分别累计两部分图像相邻间像素差值,并计算差值平均,最后根据这两个值的关系得出模糊图像质量,对模糊图像质量达标的人脸图像进行保留;
CGW算法具体为:
根据Gabor核函数公式:
增加一个曲率参数c,可以获得CGW算法的核函数如下:
2.根据权利要求1所述一种动态人脸识别系统,其特征在于,所述人脸检测器为Viola-Jones人脸检测器,所述Viola-Jones人脸检测器对视频流或全景图像提取Haar-like特征,结合级联Adaboost算法,获取人脸检测率,对人脸检测率达标的人脸图像进行实时显示和截取保存。
3.一种动态人脸识别方法,其特征在于,包括以下步骤:
步骤S1.加载人脸检测器,通过人脸检测器读取视频流和全景图像进行人脸检测,并对检测到的人脸图像进行实时显示和截取保存;
步骤S2.对截取的人脸图像进行预处理,将人脸图像进行灰度变换和图像归一化,并通过APVD对人脸图像进行检测,剔除不达标的人脸图像,保留达标人脸图像;
步骤S3.建立训练样本库和训练样本的索引,通过路径索引读取达标的人脸图像,利用CGW算法对达标的人脸图像进行特征提取,对提取的特征进行PCA特征降维和BP神经网络训练,得出训练误差值;
步骤S4.当训练误差值达到设置定值,读取达标的人脸图像,并对达标的人脸图像进行归一化、CGW特征提取、PCA降维和识别,输出识别结果;
所述步骤S2的APVD的具体实现:通过Haar小波提取人脸图像的高频信息,从而把人脸图像分成高频与低频两个部分,分别累计两部分图像相邻间像素差值,并计算差值平均,最后根据这两个值的关系得出模糊图像质量,对模糊图像质量达标的人脸图像进行保留;
所述步骤S3中的CGW算法具体为:
根据Gabor核函数公式:
增加一个曲率参数c,可以获得CGW算法的核函数如下:
4.根据权利要求3所述一种动态人脸识别方法,其特征在于,所述人脸检测器为Viola-Jones人脸检测器,所述Viola-Jones人脸检测器对视频流或全景图像提取Haar-like特征,结合级联Adaboost算法,获取人脸检测率,对人脸检测率达标的人脸图像进行实时显示和截取保存。
5.根据权利要求3所述一种动态人脸识别方法,其特征在于,所述步骤S2的APVD对人脸图像进行检测的具体步骤:
步骤S21:利用Haar小波对人脸图像提取小波特征,进行Haar小波一层分解后,使用低频子带提取低频振幅图像,高频子带提取高频振幅图像,将人脸图像分为低频与高频两个部分;
步骤S22:对提取小波特征后的高频振幅图像做自适应二值化,图G为小波提取后HL、LH和HH子带累加后的高频信息图像,平均像素值m(i,j)和方差ε(i,j)计算如下:
其中p是指邻近像素点(i,j)的像素点个数为半径,则像素点(i,j)处的局部二值化阈值为t(i,j)=m(i,j)+ε(i,j);高频信息图像G的水平二值化图B:
步骤S23:利用获得的二值图B,找出原人脸图像中对应的高频成分,定义为H,即H=S&B;对应其他区域定义为L,即L=S-H;图像H中像素点的水平绝对差值定义为:
Hh(i,j)=|H(i,j+1)-H(i,j-1)| (4)
水平差平均值为:
垂直绝对差值:
Hv(i,j)=|H(i+1,j)-H(i-1,j)| (6)
垂直差平均值:
与公式(5)和公式(7)类似,可以分别求出图像L的水平差平均值Lh-mean垂直差平均值Lv-mean,则图像H的差值平均为Hmean=(Hh-mean+Hv-mean)/2,图像L的差值平均为Lmean=(Lh-mean+Lv-mean)/2;最后,模糊图像质量评估为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510600361.4A CN105139003B (zh) | 2015-09-17 | 2015-09-17 | 一种动态人脸识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510600361.4A CN105139003B (zh) | 2015-09-17 | 2015-09-17 | 一种动态人脸识别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105139003A CN105139003A (zh) | 2015-12-09 |
CN105139003B true CN105139003B (zh) | 2018-07-06 |
Family
ID=54724346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510600361.4A Expired - Fee Related CN105139003B (zh) | 2015-09-17 | 2015-09-17 | 一种动态人脸识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105139003B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105554348A (zh) * | 2015-12-25 | 2016-05-04 | 北京奇虎科技有限公司 | 基于视频信息的图像显示方法及装置 |
CN105930834B (zh) * | 2016-07-01 | 2019-04-09 | 北京邮电大学 | 基于球哈希二值编码的人脸识别方法及装置 |
CN106775630A (zh) * | 2016-11-21 | 2017-05-31 | 江苏大学 | 一种跨平台的对视频中行人检测并保存检测结果的方法 |
CN106709458A (zh) * | 2016-12-27 | 2017-05-24 | 深圳市捷顺科技实业股份有限公司 | 一种人脸活体检测方法及装置 |
CN108664840A (zh) * | 2017-03-27 | 2018-10-16 | 北京三星通信技术研究有限公司 | 图像识别方法及装置 |
US10977509B2 (en) | 2017-03-27 | 2021-04-13 | Samsung Electronics Co., Ltd. | Image processing method and apparatus for object detection |
CN107220612B (zh) * | 2017-05-19 | 2021-06-08 | 天津工业大学 | 以关键点局部邻域的高频分析为核心的模糊人脸判别方法 |
CN107403165B (zh) * | 2017-08-01 | 2021-12-24 | 杰创智能科技股份有限公司 | 智能人脸识别系统的数据管理架构及使用方法 |
CN108229411A (zh) * | 2018-01-15 | 2018-06-29 | 上海交通大学 | 基于rgb彩色图像的人体手持刀行为检测系统及方法 |
CN108363964A (zh) * | 2018-01-29 | 2018-08-03 | 杭州美界科技有限公司 | 一种预先处理的皮肤皱纹评估方法及系统 |
CN109087320B (zh) * | 2018-08-29 | 2022-05-03 | 苏州钮曼精密机电科技有限公司 | 一种应用于倾斜传感器的图像筛选处理方法 |
CN111079701B (zh) * | 2019-12-30 | 2023-03-24 | 陕西西图数联科技有限公司 | 一种基于图像质量的人脸防伪方法 |
CN113095119B (zh) * | 2020-01-09 | 2023-11-21 | 北京君正集成电路股份有限公司 | 一种修正人脸裁剪框的人脸识别系统 |
CN112257672A (zh) * | 2020-11-17 | 2021-01-22 | 中国科学院深圳先进技术研究院 | 一种人脸识别方法、系统、终端以及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622585A (zh) * | 2012-03-06 | 2012-08-01 | 同济大学 | 基于局部特征Gabor小波的BP神经网络人脸识别方法 |
CN104008389A (zh) * | 2014-06-16 | 2014-08-27 | 河南科技大学 | 结合Gabor小波和SVM进行物体识别的方法 |
CN104112114A (zh) * | 2013-10-30 | 2014-10-22 | 北京安捷天盾科技发展有限公司 | 身份验证方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1343108A3 (en) * | 2002-03-04 | 2005-03-23 | Samsung Electronics Co., Ltd. | Method and apparatus for recognising faces using principal component analysis and second order independent component analysis |
US7406184B2 (en) * | 2002-07-03 | 2008-07-29 | Equinox Corporation | Method and apparatus for using thermal infrared for face recognition |
-
2015
- 2015-09-17 CN CN201510600361.4A patent/CN105139003B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622585A (zh) * | 2012-03-06 | 2012-08-01 | 同济大学 | 基于局部特征Gabor小波的BP神经网络人脸识别方法 |
CN104112114A (zh) * | 2013-10-30 | 2014-10-22 | 北京安捷天盾科技发展有限公司 | 身份验证方法和装置 |
CN104008389A (zh) * | 2014-06-16 | 2014-08-27 | 河南科技大学 | 结合Gabor小波和SVM进行物体识别的方法 |
Non-Patent Citations (1)
Title |
---|
改进的PCA与BP神经网络人脸识别方法研究;史文樊;《中国优秀硕士学位论文全文数据库信息科技辑》;20140815(第2014年第08期);第I138-1134页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105139003A (zh) | 2015-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105139003B (zh) | 一种动态人脸识别系统及方法 | |
CN105095856B (zh) | 基于掩模的有遮挡人脸识别方法 | |
CN104517104B (zh) | 一种基于监控场景下的人脸识别方法及系统 | |
Gllavata et al. | Text detection in images based on unsupervised classification of high-frequency wavelet coefficients | |
CN106934359B (zh) | 基于高阶张量子空间学习的多视角步态识别方法及系统 | |
Kobayashi et al. | Three-way auto-correlation approach to motion recognition | |
CN103605993B (zh) | 一种基于面向场景判别性分析的图像到视频人脸识别方法 | |
CN106203338B (zh) | 基于网格区域分割和阈值自适应的人眼状态快速识别方法 | |
CN108446690A (zh) | 一种基于多视角动态特征的人脸活体检测方法 | |
CN106940904B (zh) | 基于人脸识别和语音识别的考勤系统 | |
CN109522865A (zh) | 一种基于深度神经网络的特征加权融合人脸识别方法 | |
KR101174103B1 (ko) | 근골격 구조에 기초한 수학적 패턴 분석의 얼굴인식 방법 | |
CN104050456A (zh) | 一种基于不变矩的监测驾驶员眼睛状态的方法 | |
Tallapragada et al. | Morphology based non ideal iris recognition using decision tree classifier | |
Emadi et al. | Illumination normalization using 2D wavelet | |
CN110516547B (zh) | 一种基于加权非负矩阵分解的套牌车辆检测方法 | |
Kour | Face recognition using template matching | |
Bhowmik et al. | Fusion of wavelet coefficients from visual and thermal face images for human face recognition-a comparative study | |
Vimitha et al. | Recognizing faces from surgically altered face images using granular approach | |
Chung et al. | Face detection and posture recognition in a real time tracking system | |
Cahyani et al. | Adaptive Histogram Equalization to Increase the Percentage of Face Recognition | |
Sangha et al. | An Appearance-Based Gender Classification Using Radon Features | |
Jain et al. | Comparison of phase only correlation and neural network for iris recognition | |
Sajedi et al. | A contourlet-based face detection method in color images | |
Sree et al. | Face recognition under varying illumination conditions using deep neural networks |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180706 Termination date: 20210917 |
|
CF01 | Termination of patent right due to non-payment of annual fee |