CN105184235B - 一种基于特征融合的二代身份证识别方法 - Google Patents

一种基于特征融合的二代身份证识别方法 Download PDF

Info

Publication number
CN105184235B
CN105184235B CN201510528193.2A CN201510528193A CN105184235B CN 105184235 B CN105184235 B CN 105184235B CN 201510528193 A CN201510528193 A CN 201510528193A CN 105184235 B CN105184235 B CN 105184235B
Authority
CN
China
Prior art keywords
feature
china
identity card
global characteristics
facial image
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
CN201510528193.2A
Other languages
English (en)
Other versions
CN105184235A (zh
Inventor
汪中
施培蓓
钮俊清
钱立兵
沈君
邵俊伟
周慧德
王剑富
钟权
于晖
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.)
CETC 38 Research Institute
Original Assignee
CETC 38 Research Institute
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 CETC 38 Research Institute filed Critical CETC 38 Research Institute
Priority to CN201510528193.2A priority Critical patent/CN105184235B/zh
Publication of CN105184235A publication Critical patent/CN105184235A/zh
Application granted granted Critical
Publication of CN105184235B publication Critical patent/CN105184235B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
    • 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
    • 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 Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种基于特征融合的二代身份证识别方法，读取二代身份证上的人脸图像ID，同时现场抓拍M张人脸图像Ci(i＝1,...,M)；对采集的人脸图像ID和人脸图像Ci(i＝1,...,M)分别进行人脸抓取，再进一步进行特征提取，所述特征提取包括全局特征提取和局部特征提取；对全局特征和局部特征在公共特征空间内计算相似性，得到全局特征的相似性PA和局部特征的相似性PB；只有当PA＞α且PB＞β，认定二代身份证持有人是其本人。本发明通过融合全局特征和局部特征，解决二代身份证图片质量低导致的识别率较差难题；本发明分别使用全局特征和局部特征在公共特征库内计算相似性，对基于二代身份证的人脸识别技术应用具有一定的推动作用；本发明在识别率方面，比传统特征融合方法有显著提高。

Description

一种基于特征融合的二代身份证识别方法
技术领域
本发明涉及一种二代身份证的人脸识别技术，尤其涉及的是一种基于特征融合的二代身份证识别方法。
背景技术
人脸识别是利用计算机分析人脸图像，从中提取出有效的识别信息，用来辨认身份的一种技术。人脸识别的研究始于20世纪60年代中后期，近几年来已经为一个热门的研究课题。人脸识别问题之所以得到重视,是因为其有重要的研究意义，突出表现在其对学科发展的贡献和巨大的潜在应用前景两个方面：(1)人脸识别研究可以极大地促进多门相关学科的发展；(2)作为生物特征识别技术的人脸识别具有巨大的潜在应用前景。人脸识别与指纹、声音等其他生物特征识别相比，有着自己的特点，其非接触式采集、使用方便，但是也存在识别率相对较低、不同环境场景下识别结果差别较大的缺点。
经过几十年的发展，人脸识别技术取得了长足的进步，目前最好的人脸识别系统在理想情况下已经能够取得令人满意的识别性能。但测试和实践经验表明，非理想条件下的人脸识别技术还远未成熟。要开发出真正鲁棒、实用的自动人脸识别应用系统还需要解决大量的关键问题，尤其需要研究高效的人脸描述特征及其相应的快速、精确的核心识别算法。
在人脸识别中,如何提取人脸描述特征是一个关键步骤。人脸图像的变化分为内在变化和外在变化两种：内在变化是由于人的身份不同而引起的，属于人脸的本质属性；而外在变化是由于外界条件的不同而引起的，比如光照、姿态、表情、年龄等，反映了不同的图像采集条件。理想的人脸描述特征应该只反映人脸的内在变化，而对外在变化不敏感。也就是说，我们应该提取只反映人的身份而对光照、姿态等外部变化不敏感的人脸描述特征。
一般来说，人脸描述特征可以分为全局特征和局部特征两大类。全局特征是指其特征向量的每一维都包含了人脸图像上所有部分(甚至所有像素)的信息，因此反映的是人脸的整体属性。与全局特征不同，局部特征的每一维都只对应人脸图像上的一个局部区域，因此侧重于提取人脸的细节特征。尽管全局特征和局部特征都得到了广泛的应用，但是在人脸识别研究中一直存在关于全局特征和局部特征孰轻孰重的争论。近年来，生理学和心理学的研究表明，二者对识别都是必要的，但二者的描述内容和作用是不同的。全局特征主要描述人脸整体的属性，比如肤色、轮廓以及面部器官的分布等，用来进行粗略的匹配；而局部特征主要描述人脸的细节变化，比如面部器官的特点以及面部的一些奇异特征，用来进行精细的确认。
当前，第二代居民身份证已基本上在全国范围内普及，由于二代身份证采用了非接触式IC智能芯片来存储居民信息，基于二代身份证的身份认证系统也已在各行各业中逐步推广开来。原有的很多需要人工处理的事务，可由相应的设备来自动完成，完全可以作为一种对身份进行验证的自动识别卡片。正是由于二代身份证越来越频繁的作为身份验证介质使用，其使用的安全性也越来越手打重视，除了便捷的从二代身份证中获取居民基本信息外，还需要尽量确保人证合一的问题。
由于二代身份证内部存储的照片非常小，只有102×126像素，两眼间距不到30个像素，传统的人脸识别技术对这种小尺寸的照片的识别率较低，如何综合利用全局特征和局部特征来进行二代身份证人脸识别具有很高的应用价值。
发明内容
本发明的目的在于克服现有技术的不足，提供了一种基于特征融合的二代身份证识别方法，能够自动判断二代身份证持有者其本人是否与身份证是否一致。
本发明是通过以下技术方案实现的，本发明包括以下步骤：
(1)图像采集：读取二代身份证上的人脸图像ID，同时现场抓拍M张人脸图像Ci(i＝1,...,M)；
(2)特征提取：对采集的人脸图像ID和人脸图像Ci(i＝1,...,M)分别进行人脸抓取，再进一步进行特征提取，所述特征提取包括全局特征提取和局部特征提取；
(3)特征比对：对全局特征和局部特征在公共特征空间内计算相似性，得到全局特征的相似性PA和局部特征的相似性PB；
(4)输出结果：只有当PA＞α且PB＞β，认定二代身份证持有人是其本人，其中，α和β均为阈值；
所述步骤(2)中，所述全局特征提取包括以下步骤：
(211)Gabor滤波器：采用5个尺度，8个方向的Gabor核函数，将图像I(x,y)与40个核函数进行卷积，公式为：
Om,n(x,y)＝I(x,y)*ψ(x,y,ωm,θn)
其中，ω与θ分别表示尺度和方向；
(212)主分量分析PCA：对每个样本进行归一化，构造矩阵X，计算出协方差矩阵为S＝XXT，求得协方差矩阵S的本征值及本征向量：
λE＝SE
其中，E为本征向量，λ为本征值。
取前f个最大本征值对应的本征向量作为主分量方向；
(213)线性判别分析LDA：通过最小化类内距离同时最大化类间距离达到分类效果，具体如下：
其中，c为类别个数，Nj是类别j的样本个数，是类别j的样本的第i个样本，μj是类别j的平均值；
最大化类间散度与类内散度比值的投影方向函数为：
取特征方程SbW＝λSwW最大的d个特征值所对应的特征向量。
所述步骤(2)中，所述局部特征提取包括以下步骤：
(221)描述一个局部区域内的任意两个像素，沿着某一方向的空域关系，公式如下：
DBCa,d(zx,y))＝{f(I'a,d(zx,y))；f(I'a,d(zx,y-d))；f(I'a,d(zx-d,y-d))；
f(I'a,d(zx-d,y))；f(I'a,d(zx-d,y+d))；f(I'a,d(zx,y+d))；
f(I'a,d(zx+d,y+d))；f(I'a,d(zx+d,y))；f(I'a,d(zx+d,y-d))；}
其中，zx,y表示图像I的某一像素，a代表方向，d是指像素zx,y与其领域像素之间的距离，f(·)是一个二值函数，其定义为：
I'a,d(zx,y)是图像在像素zx,y位置，沿着0°，45°，90°，135°方向的一阶导数，其定义如下：
(222)将每张DBC图像分成多个区域，求出每个区域的直方图HDBC，将这些HDBC特征连接起来构成特征向量。
所述步骤(3)包括以下步骤：
(31)读取N张证件照，预处理归一化，分别提取全局特征和局部特征，得到相应的特征库TrainA、TrainB；
(32)删除特征库TrainA、TrainB中的相似特征；
(33)计算M张人脸图像Ci(i＝1,...,M)的平均脸，分别计算相应的全局特征和局部特征；
(34)对于二代身份证人脸图像ID，分别计算其全局特征和局部特征在公共特征空间内的相似性。
所述步骤(32)中，
对于全局特征，计算特征之间的曼哈顿距离，如果距离小于0.5，则删除该特征，并更新特征库TrainA；
对于局部特征，利用AdaBoost级联分类器的计算特征之间的输出权重和，如果权重和大于210，则删除该特征，并更新特征库TrainB。
所述步骤(34)中，对于全局特征，相似性计算包括以下步骤：
(3411)计算二代身份证图像ID的全局特征IDA；
(3412)计算IDA与特征库TrainA每个特征的距离；
(3413)计算所有距离的均值和方差，进一步得到正态分布曲线；
(3414)计算IDA与M张人脸图像Ci(i＝1,...,M)的平均脸特征的距离，根据该距离在正态分布曲线的位置，查表计算其相似性PA；
所述步骤(34)中，对于局部特征，相似性计算包括以下步骤：
(3421)计算二代身份证图像ID的局部特征IDB；
(3422)计算IDB与特征库TrainB每个特征的距离；
(3423)计算所有距离的均值和方差，进一步得到正态分布曲线；
(3424)计算IDB与M张人脸图像Ci(i＝1,...,M)的距离，得到最小距离，根据最小距离在正态分布曲线的位置，查表计算其相似性PB。
所述步骤(1)，采用身份证读卡器读取身份证中存储的人脸图像；采用摄像头现场抓拍人脸图像。
所述步骤(2)中，所述人脸抓取包括利用已经训练好的Haar特征级联分类器进行人脸检测，标准化处理获取包括人脸面部图片且大小为64×64的人脸图像。
本发明相比现有技术具有以下优点：本发明通过融合全局特征和局部特征，解决二代身份证图片质量低导致的识别率较差难题；本发明充分考虑二代身份证与摄像头照片的特点，分别使用全局特征和局部特征在公共特征库内计算相似性，对基于二代身份证的人脸识别技术应用具有一定的推动作用；本发明在识别率方面，比传统特征融合方法有显著提高。
附图说明
图1是本发明的结构示意图；
图2是特征提取工作流程图；
图3是特征对比的流程图；
图4是特征筛选的流程图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本实施例包括以下步骤：
(1)图像采集：读取二代身份证上的人脸图像ID，同时现场抓拍M张人脸图像Ci(i＝1,...,M)；采用身份证读卡器读取身份证中存储的人脸图像；采用摄像头现场抓拍人脸图像；
(2)特征提取：对采集的人脸图像ID和人脸图像Ci(i＝1,...,M)分别进行人脸抓取，再进一步进行特征提取，所述特征提取包括全局特征提取和局部特征提取；所述人脸抓取包括利用已经训练好的Haar特征级联分类器进行人脸检测，标准化处理获取包括人脸面部图片且大小为64×64的人脸图像；
(3)特征比对：对全局特征和局部特征在公共特征空间内计算相似性，得到全局特征的相似性PA和局部特征的相似性PB；
(4)输出结果：只有当PA＞α且PB＞β，认定二代身份证持有人是其本人。α和β均为阈值。
如图2所示，全局特征提取包括Gabor滤波器处理、PCA特征投影、LDA线性降维；
局部特征提取包括DBC计算、HDBC特征计算。
全局特征提取包括以下步骤：
(211)Gabor滤波器：采用5个尺度，8个方向的Gabor核函数，将图像I(x,y)与40个核函数进行卷积，公式为：
Om,n(x,y)＝I(x,y)*ψ(x,y,ωm,θn)
其中，ω与θ分别表示尺度和方向；
(212)主分量分析PCA：对每个样本进行归一化，构造矩阵X，计算出协方差矩阵为S＝XXT，求得协方差矩阵S的本征值及本征向量：
λE＝SE
其中，E为本征向量，λ为本征值。
取前f个最大本征值对应的本征向量作为主分量方向；
(213)线性判别分析LDA：通过最小化类内距离同时最大化类间距离达到分类效果，具体如下：
其中，c为类别个数，Nj是类别j的样本个数，是类别j的样本的第i个样本，μj是类别j的平均值；
最大化类间散度与类内散度比值的投影方向函数为：
取特征方程SbW＝λSwW最大的d个特征值所对应的特征向量。
局部特征提取包括以下步骤：
(221)描述一个局部区域内的任意两个像素，沿着某一方向的空域关系，公式如下：
DBCa,d(zx,y))＝{f(I'a,d(zx,y))；f(I'a,d(zx,y-d))；f(I'a,d(zx-d,y-d))；
f(I'a,d(zx-d,y))；f(I'a,d(zx-d,y+d))；f(I'a,d(zx,y+d))；
f(I'a,d(zx+d,y+d))；f(I'a,d(zx+d,y))；f(I'a,d(zx+d,y-d))；}
其中，zx,y表示图像I的某一像素，a代表方向，d是指像素zx,y与其领域像素之间的距离，f(·)是一个二值函数，其定义为：
I'a,d(zx,y)是图像在像素zx,y位置，沿着0°，45°，90°，135°等方向的一阶导数，其定义如下：
(222)将每张DBC图像分成多个区域，求出每个区域的直方图HDBC，将这些HDBC特征连接起来构成特征向量。
如图3所示，特征比对分析包括以下步骤：
(31)读取N张证件照，预处理归一化，分别提取全局特征和局部特征，得到相应的特征库TrainA、TrainB；
(32)删除特征库TrainA、TrainB中的相似特征；
(33)计算M张人脸图像Ci(i＝1,...,M)的平均脸，分别计算相应的全局特征和局部特征，平均脸是对M张人脸图像求平均得到；平均脸的全局特征与步骤(211)～(213)相同，局部特征与步骤(221)～(222)相同；
(34)对于二代身份证人脸图像ID，分别计算其全局特征和局部特征在公共特征空间内的相似性：
对于全局特征，相似性计算包括以下步骤：
(3411)计算二代身份证图像ID的全局特征IDA；
(3412)计算IDA与特征库TrainA每个特征的距离；
(3413)计算所有距离的均值和方差，进一步得到正态分布曲线；
(3414)计算IDA与M张人脸图像Ci(i＝1,...,M)的平均脸特征的距离，根据该距离在正态分布曲线的位置，查表计算其相似性PA；
对于局部特征，相似性计算包括以下步骤：
(3421)计算二代身份证图像ID的局部特征IDB；
(3422)计算IDB与特征库TrainB每个特征的距离；
(3423)计算所有距离的均值和方差，进一步得到正态分布曲线；
(3424)计算IDB与M张人脸图像Ci(i＝1,...,M)的距离，得到最小距离，根据最小距离在正态分布曲线的位置，查标准正态分布表计算其相似性PB。
如图4所示，特征筛选剔除流程如下：
对于全局特征，计算特征之间的曼哈顿距离，如果距离小于0.5，则删除该特征，并更新特征库TrainA；
对于局部特征，利用AdaBoost级联分类器的计算特征之间的输出权重和，如果权重和大于210，则删除该特征，并更新特征库TrainB。
以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于特征融合的二代身份证识别方法，其特征在于，包括以下步骤：
(1)图像采集：读取二代身份证上的人脸图像ID，同时现场抓拍M张人脸图像Ci(i＝1,...,M)；
(2)特征提取：对采集的人脸图像ID和人脸图像Ci(i＝1,...,M)分别进行人脸抓取，再进一步进行特征提取，所述特征提取包括全局特征提取和局部特征提取；
(3)特征比对：对全局特征和局部特征在公共特征空间内计算相似性，得到全局特征的相似性PA和局部特征的相似性PB；
(4)输出结果：只有当PA＞α且PB＞β，认定二代身份证持有人是其本人，其中，α和β均为阈值；
所述步骤(2)中，所述全局特征提取包括以下步骤：
(211)Gabor滤波器：采用5个尺度，8个方向的Gabor核函数，将图像I(x,y)与40个核函数进行卷积，公式为：
Om,n(x,y)＝I(x,y)*ψ(x,y,ωm,θn)
其中，ω与θ分别表示尺度和方向；
(212)主分量分析PCA：对每个样本进行归一化，构造矩阵X，计算出协方差矩阵为S＝XXT，求得协方差矩阵S的本征值及本征向量：
λE＝SE
其中，E为本征向量，λ为本征值；
取前f个最大本征值对应的本征向量作为主分量方向；
(213)线性判别分析LDA：通过最小化类内距离同时最大化类间距离达到分类效果，具体如下：
其中，c为类别个数，Nj是类别j的样本个数，是类别j的样本的第i个样本，μj是类别j的平均值；
最大化类间散度与类内散度比值的投影方向函数为：
取特征方程SbW＝λSwW最大的d个特征值所对应的特征向量；
所述步骤(2)中，所述局部特征提取包括以下步骤：
(221)描述一个局部区域内的任意两个像素，沿着某一方向的空域关系，公式如下：
DBCa,d(zx,y))＝{f(I'a,d(zx,y))；f(I'a,d(zx,y-d))；f(I'a,d(zx-d,y-d))；
f(I'a,d(zx-d,y))；f(I'a,d(zx-d,y+d))；f(I'a,d(zx,y+d))；
f(I'a,d(zx+d,y+d))；f(I'a,d(zx+d,y))；f(I'a,d(zx+d,y-d))；}
其中，zx,y表示图像I的某一像素，a代表方向，d是指像素zx,y与其领域像素之间的距离，f(·)是一个二值函数，其定义为：
I'a,d(zx,y)是图像在像素zx,y位置，沿着0°，45°，90°，135°方向的一阶导数，其定义如下：
(222)将每张DBC图像分成多个区域，求出每个区域的直方图HDBC，将这些HDBC特征连接起来构成特征向量；
所述步骤(3)包括以下步骤：
(31)读取N张证件照，预处理归一化，分别提取全局特征和局部特征，得到相应的特征库TrainA、TrainB；
(32)删除特征库TrainA、TrainB中的相似特征；
(33)计算M张人脸图像Ci(i＝1,...,M)的平均脸，分别计算相应的全局特征和局部特征；
(34)对于二代身份证人脸图像ID，分别计算其全局特征和局部特征在公共特征空间内的相似性；
所述步骤(32)中，
对于全局特征，计算特征之间的曼哈顿距离，如果距离小于0.5，则删除该特征，并更新特征库TrainA；
对于局部特征，利用AdaBoost级联分类器的计算特征之间的输出权重和，如果权重和大于210，则删除该特征，并更新特征库TrainB；
所述步骤(34)中，对于全局特征，相似性计算包括以下步骤：
(3411)计算二代身份证图像ID的全局特征IDA；
(3412)计算IDA与特征库TrainA每个特征的距离；
(3413)计算所有距离的均值和方差，进一步得到正态分布曲线；
(3414)计算IDA与M张人脸图像Ci(i＝1,...,M)的平均脸特征的距离，根据该距离在正态分布曲线的位置，查表计算其相似性PA；
所述步骤(34)中，对于局部特征，相似性计算包括以下步骤：
(3421)计算二代身份证图像ID的局部特征IDB；
(3422)计算IDB与特征库TrainB每个特征的距离；
(3423)计算所有距离的均值和方差，进一步得到正态分布曲线；
(3424)计算IDB与M张人脸图像Ci(i＝1,...,M)的距离，得到最小距离，根据最小距离在正态分布曲线的位置，查表计算其相似性PB。
2.根据权利要求1所述的一种基于特征融合的二代身份证识别方法，其特征在于，所述步骤(1)，采用身份证读卡器读取身份证中存储的人脸图像；采用摄像头现场抓拍人脸图像。
3.根据权利要求1所述的一种基于特征融合的二代身份证识别方法，其特征在于，所述步骤(2)中，所述人脸抓取包括利用已经训练好的Haar特征级联分类器进行人脸检测，标准化处理获取包括人脸面部图片且大小为64×64的人脸图像。
CN201510528193.2A 2015-08-24 2015-08-24 一种基于特征融合的二代身份证识别方法 Active CN105184235B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510528193.2A CN105184235B (zh) 2015-08-24 2015-08-24 一种基于特征融合的二代身份证识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510528193.2A CN105184235B (zh) 2015-08-24 2015-08-24 一种基于特征融合的二代身份证识别方法

Publications (2)

Publication Number Publication Date
CN105184235A CN105184235A (zh) 2015-12-23
CN105184235B true CN105184235B (zh) 2019-03-19

Family

ID=54906304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510528193.2A Active CN105184235B (zh) 2015-08-24 2015-08-24 一种基于特征融合的二代身份证识别方法

Country Status (1)

Country Link
CN (1) CN105184235B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127103B (zh) 2016-06-12 2019-06-25 广州广电运通金融电子股份有限公司 一种离线身份认证的方法和装置
CN106203367A (zh) * 2016-07-18 2016-12-07 北京红马传媒文化发展有限公司 一种身份识别的方法、系统及终端
CN106485253B (zh) * 2016-09-14 2019-05-14 同济大学 一种最大粒度结构描述符的行人再辨识方法
CN106778797A (zh) * 2016-10-31 2017-05-31 江苏濠汉信息技术有限公司 一种身份智能识别方法
CN108664850B (zh) * 2017-03-30 2021-07-13 展讯通信（上海）有限公司 人脸姿态的分类方法及装置
CN109409915B (zh) * 2017-08-18 2024-03-08 厦门雅迅网络股份有限公司 汽车配件销量预测方法、终端设备及存储介质
CN107808118A (zh) * 2017-09-28 2018-03-16 平安科技（深圳）有限公司 身份识别方法、电子装置及计算机可读存储介质
CN109697240B (zh) * 2017-10-24 2020-12-22 中移（杭州）信息技术有限公司 一种基于特征的图像检索方法及装置
CN108491773B (zh) * 2018-03-12 2022-11-08 中国工商银行股份有限公司 一种识别方法及系统
CN108776782A (zh) * 2018-05-31 2018-11-09 北京益泰电子集团有限责任公司 一种身份鉴定方法及身份鉴定系统
CN111325198B (zh) * 2018-12-13 2023-05-16 北京地平线机器人技术研发有限公司 视频对象特征提取方法和装置、视频对象匹配方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102479320A (zh) * 2010-11-25 2012-05-30 康佳集团股份有限公司 一种人脸识别方法、装置及移动终端
CN102902959A (zh) * 2012-04-28 2013-01-30 王浩 基于二代身份证存储证件照的人脸识别方法及系统
CN104318219A (zh) * 2014-10-31 2015-01-28 上海交通大学 基于局部特征及全局特征结合的人脸识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102479320A (zh) * 2010-11-25 2012-05-30 康佳集团股份有限公司 一种人脸识别方法、装置及移动终端
CN102902959A (zh) * 2012-04-28 2013-01-30 王浩 基于二代身份证存储证件照的人脸识别方法及系统
CN104318219A (zh) * 2014-10-31 2015-01-28 上海交通大学 基于局部特征及全局特征结合的人脸识别方法

Also Published As

Publication number Publication date
CN105184235A (zh) 2015-12-23

Similar Documents

Publication Publication Date Title
CN105184235B (zh) 一种基于特征融合的二代身份证识别方法
Ng et al. A review of facial gender recognition
Zou et al. Illumination invariant face recognition: A survey
Kak et al. A review of person recognition based on face model
Hofmann et al. 2.5 d gait biometrics using the depth gradient histogram energy image
Galoogahi et al. Inter-modality face sketch recognition
Singh et al. Comparison of face recognition algorithms on dummy faces
Agrawal et al. Evaluation of face recognition methods in unconstrained environments
Hofmann et al. Improved gait recognition using gradient histogram energy image
Liu et al. Local histogram specification for face recognition under varying lighting conditions
Chaa et al. Features-level fusion of reflectance and illumination images in finger-knuckle-print identification system
Kwaśniewska et al. Face detection in image sequences using a portable thermal camera
Reshma et al. Approaches on partial face recognition: a literature review
Nambiar et al. Frontal gait recognition combining 2D and 3D data
Choudhury et al. Robust facial Marks detection method Using AAM and SURF
Guan et al. People identification and tracking through fusion of facial and gait features
Jahanbin et al. Automated facial feature detection and face recognition using Gabor features on range and portrait images
Shi et al. A real-time face detection and recognition system
Odinokikh et al. Iris feature extraction and matching method for mobile biometric applications
Dwivedi et al. A new hybrid approach on face detection and recognition
Parashar Representation and interpretation of manual and non-manual information for automated American Sign Language recognition
Wang et al. Expression robust three-dimensional face recognition based on Gaussian filter and dual-tree complex wavelet transform
Xue et al. 3D+ 2D face localization using boosting in multi-modal feature space
Cahyani et al. Adaptive Histogram Equalization to Increase the Percentage of Face Recognition
Chen et al. A fusion framework for face recognition under varying illumination based on multi-scale analysis

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Zhong

Inventor after: Yu Hui

Inventor after: Shi Peibei

Inventor after: Niu Junqing

Inventor after: Qian Libing

Inventor after: Shen Jun

Inventor after: Shao Junwei

Inventor after: Zhou Huide

Inventor after: Wang Jianfu

Inventor after: Zhong Quan

Inventor before: Wang Zhong

Inventor before: Niu Junqing

Inventor before: Qian Libing

Inventor before: Shen Jun

Inventor before: Shao Junwei

Inventor before: Zhou Huide

Inventor before: Wang Jianfu

Inventor before: Zhong Quan

Inventor before: Yu Hui

GR01 Patent grant
GR01 Patent grant