CN105205460A - 基于最大方向编码的人脸表情特征提取及识别方法 - Google Patents
基于最大方向编码的人脸表情特征提取及识别方法 Download PDFInfo
- Publication number
- CN105205460A CN105205460A CN201510594355.2A CN201510594355A CN105205460A CN 105205460 A CN105205460 A CN 105205460A CN 201510594355 A CN201510594355 A CN 201510594355A CN 105205460 A CN105205460 A CN 105205460A
- Authority
- CN
- China
- Prior art keywords
- image
- encoding
- value
- response
- response value
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000008921 facial expression Effects 0.000 title claims abstract description 22
- 238000000605 extraction Methods 0.000 title abstract description 16
- 230000004044 response Effects 0.000 claims abstract description 44
- 230000001815 facial effect Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 235000020061 kirsch Nutrition 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 abstract 1
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000019552 anatomical structure morphogenesis Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001943 fluorescence-activated cell sorting Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于最大方向编码的人脸表情特征提取及识别方法。本发明改进了LDP的原始编码模式，即利用最大最小响应值所在位置，将位置参数作为编码值进行编码，利用最大的响应值、最小的响应值的所在方向来确定一个目标像素，且当最大的响应值、最小的响应值之差达到门限值才进行编码。同时还公开了基于本发明的特征提取方法的人脸表情识别方法。本发明改进了现有LDP的编码方法，简化特征维度和计算量，利用周围像素的明暗信息所代表的方向性进行编码可以排除部分偶然重合的情况，提高编码准确度，门限的引入排除了部分内在外在误差，提高了人脸表情特征提取方法的抗干扰能力。
Description
技术领域
本发明属于数字图像处理技术领域，具体涉及对图像的人脸表情特征提取及人脸表情识别处理。
背景技术
表情是人类用来表达情绪的一种基本方式，是非语言交流中的一种有效手段。人们可通过表情准确而微妙地表达自己的思想感情，也可通过表情辨认对方的态度和内心世界。人脸表情识别所要研究的就是如何自动、可靠、高效地利用人脸表情所传达的信息。人脸表情可以分为6种基本情感类别：惊奇、恐惧、厌恶、愤怒、高兴、悲伤，和一种最为普遍的表情类别：中性。其中中性是人脸表情进行转换的中间过程和所有人一般状态下所表现出来的最为普遍的表情类别。一个人脸表情识别系统(FER)一般包括3个环节，即人脸检测、表情特征提取、表情分类。其中人脸检测目前已经成为了一个单独的研究方向，现有的研究已经在该方面上研究出了一些成果。表情特征提取是FER系统中最重要的部分，有效的表情特征提取工作将使识别的性能大大提高。
目前常用的人脸面部表情识别算法有：
(1)基于人脸动作编码系统FACS和运动单元AU的算法，可参考文献：J.Hamm，C.G.Kohler，R.C.Gur，andR.Verma，“Automatedfacialactioncodingsystemfordynamicanalysisoffacialexpressionsinneuropsychiatricdisorders，”JournalofNeuroscienceMethods，vol.200，no.2，pp.237-256，2011；
(2)基于主成分分析PCA的算法，可参考文献：YongCY，SudirmanR，ChewKM.FacialExpressionMonitoringSystemUsingPCA-BayesClassifier[C].FutureComputerSciencesandApplication(ICFCSA)，2011InternationalConferenceon.IEEE，2011：187-191；
(3)基于LDP的算法，可参考文献：T.Jabid，M.H.Kabir，and0.Chae，“Robustfacialexpressionrecognitionbasedonlocaldirectionalpattern，”ETRIJournal，vol.32，no.5，pp.784-794，2010。
上述人脸面部表情提取方法都在一定程度上存在问题。方法(1)需要准确的五官定位及面部追踪才可以获得较好的效果，且对于噪声光照敏感，易受到干扰；方法(2)虽然拥有较小的计算量和特征维度，但是会忽略局部特征，局部特征在识别过程中也是非常重要的部分，因此对于识别精度有一定的影响；方法(3)虽然较前述两个有所改进，但是随着所取最大值个数的提升，其编码组合数目会大幅增加，用于区域图像分块处理之后，其整幅图像的特征维度会急剧增加；且LDP也仅是用周围像素与中心像素进行比较，直接取周围像素的最大运算值进行编码，非理想条件下，对噪声也不具有一定的抗力。LDP编码由如下公式计算而得：
且其中mi表示经过Kirsch算子运算后各像素点的八方向的响应值的绝对值，k表示取最大值的个数，mk表示mi中最大的第k个值。随着k的增大其特征维度会急剧增大，且抗干扰的能力不高。
发明内容
本发明针对上述存在的问题，公开了一种基于最大方向编码的人脸表情特征提取方法，能够有效的提取有用信息并减少计算量，提高抗干扰能力。
本发明的基于最大方向编码的人脸表情特征提取方法，包括下列步骤
对输入的待处理人脸图像进行预处理，得到待提取图像，所述预处理包括：图像灰度化处理、尺寸归一化处理；
分别以待提取图像的各像素点为中心，计算各中心像素点的八个方向响应值，并对各响应值所在位置进行二进制编码，例如从000到111；
查找各中心像素点的最大响应值、最小响应值，并记最大响应值所在位置编码为Max，最小响应值所在位置编码为Min；
判断与最小响应值的差值是否小于预设阈值Th(经验值，通常可设置为200-300)，若是，则当前中心像素点的编码值为0，若采用6位的二进制编码，则其编码值为0的编码为000000；否则，当前中心像素点的编码设置为：Max为高位，Min为低位的串接码；将各中心像素点的编码的十进制值作为其特征值，即得到待提取图像的各像素点的特征值并输出。
本发明改进了LDP的原始编码模式，首先，不直接使用所计算出来的响应值进行编码，而是利用最大最小响应值所在位置，将位置参数作为编码值进行编码，从而可以将原来八位的二进制编码缩减为六位的二进制编码值，降低了特征维度和后续识别的运算时间；其次因为对于中心像素而言，其八方向的响应值并不具有同等的地位，从而才会产生各个方向不同的响应值，因此可以利用最大最小响应值的所在方向来确定一个目标像素，这比直接选取最大三个响应值进行编码的LDP方法更加精确，原始方法可能会出现完全不同像素成为了同一种编码的情况，利用周围像素的明暗信息所代表的方向性进行编码可以排除部分偶然重合的情况，提高编码准确度；最后，为了排除部分噪声对于编码方式的影响，加入了门限值，当最大最小响应值之差达到门限值之后才进行编码，门限的引入排除了部分内在外在误差，提高了人脸表情特征提取方法的抗干扰能力。
基于本发明的表情特征提取方法，本发明还公开了一种基于最大方向编码的人脸表情识别方法，包括下列步骤：
步骤1：输入人脸图像，基于本发明的表情特征提取方法得到各人脸图像的像素点的特征值；
步骤2：基于各人脸图像的像素点的特征值进行SVM训练，得到SVM分类器；
步骤3：输入待识别人脸图像，基于本发明的表情特征提取方法得到待识别人脸图像的像素点的特征值，并基于步骤2得到的SVM分类器输出当前待识别人脸图像的表情识别结果。
综上所述，由于采用了上述技术方案，本发明的有益效果是：降低了LDP原始编码的特征维度和计算量以及编码准确度，提高了人脸表情特征提取及表情识别的抗干扰能力。
附图说明
图1是具体实施方式中，人脸表情识别流程示意图；
图2是具体实施方式中，本发明改进的LDP编码(DLDP编码)示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。
为了方便描述，首先给出具体实施方式所涉及的相关专业术语的简要描述：
(1)Haar-like特征。哈尔特征(Haar-like)是用于物体识别的一种数字图像特征，哈尔特征使用检测窗口中指定位置的相邻矩形，计算每一个矩形的像素和并取其差值，然后用这些差值来对图像的子区域进行分类。
(2)图像二值化。就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。在灰度图像中，常采用一个字节表示一个像素点，其灰度级为0～255，其二值化方法为构造用一个二进制位表示一个像素点的图像，设置二值化阈值T，将大于T的像素点设置为1，小于等于T的点设为0。
(3)Adaboost算法。Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的弱分类器，然后把这些弱分类器集合起来，构成一个强分类器。常用于人脸检测与定位。
(4)：Kirsch算子。Kirsch算子是R.Kirsch提出来一种边缘检测新算法，它采用8个模板对图像上的每一个像素点进行卷积求导数，这8个模板代表8个方向，对图像上的8个特定边缘方向做出最大响应，运算中取最大值作为图像的边缘输出。
(6)：直方图均衡化。直方图均衡化的基本思想是把原始图的直方图变换为均匀分布的形式，这样就增加了象素灰度值的动态范围从而可达到增强图像整体对比度的效果。
(7)：SVM。SVM(SupportVectorMachine，支持向量机)是一个有监督的学习模型，通常用来进行模式识别、分类、以及回归分析，是属于机器学习的范畴。它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分。
(8)：十折交叉验证。指将数据集分成10份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验。每次试验都会得出相应的正确率(或差错率)。10次的结果的正确率(或差错率)的平均值作为对算法精度的估计，一般还需要进行多次10折交叉验证(例如10次10折交叉验证)，再求其均值，作为对算法准确性的估计。
参见图1，本发明的基于最大方向编码的人脸表情识别方法具体实现包括下述步骤：
步骤1人脸检测及人脸图像预处理
步骤1.1人脸检测
对输入的原始图像进行人脸检测与定位，例如采用Adaboost方法。利用含有人脸和不含有人脸的图像对分类器进行训练，其中含有人脸的图像为正样本，不含有人脸的图像为负样本。
1)求取训练样本的四种Harr-Like特征，形成特征集。
2)训练弱分类器，训练弱分类器的目的是为了确定阈值，使得对所有训练样本的分类误差最低。
3)级联弱分类器形成强分类器。
步骤1.2人脸图像预处理
通过步骤1.1得到人脸图像后，进行尺度归一化，扩大或缩小到预设尺寸大小，例如256*256。若是彩色图像则需要先进行图像二值化获得灰度图像。为了获得更精确的特征提取及识别，可以对尺度归一化后的灰度图像进行直方图均衡处理后再进行特征提取处理。本具体实施方式中所采用的直方图均衡处理具体为：将尺度归一化后的灰度图像分割为预设尺寸(例如3*3)的图像块，得到每一块区域图像，再计算每一个区域图像的直方图，按顺序进行首尾相连，之后进行直方图均衡，得到最终的待检测图像，用以进行人脸表情的特征提取及识别处理。直方图均衡的计算公式为：其中L是图像中灰度值总数，ni是灰度为rk的像素数目，rk为原直方图分布中的第k种灰度值，n为尺寸归一化后的灰度图像的总像素个数，Sk是rk经过变化后的灰度值。
步骤2表情特征提取
分别以经步骤1预处理后的图像(待提取图像)各像素点为中心，并计算各中心像素点的八个方向响应值，本具体实施方式中，采用Kirsch算子得到各中心像素点的八个方向响应值，即得到待提取图像的各像素点的八个方向响应值。
然后基于本发明改进的LDP编码方式(DLDP编码)计算对应的编码值(DLDP)：
DLDP＝(8Max+Min)s(x)
其中，Max表示经过Kirsch算子运算后得到的八个方向的响应值中，最大响应值所在位置的二进制编码(位置编码方式为从000到111)，Min表示最小的响应值所在的位置(从000到111)，s(x)是关于最大响应值与最小响应值(八个方向的响应值中)的差值x的函数。若差值x小于预设阈值Th(本具体实施方式中，其值设置为243)，则s(x)＝0，即不对其编码，将编码值置为0，即000000(才用6位进行编码)；若差值x大于或等于Th，则s(x)＝1，对当前像素点(中心像素点)进行编码，其编码为：用Max作为高位，Min作为低位串接码。最后取编码的十进制值作为当前像素点的特征值。参见图2，图中的“X”表示当前中心像素点，“(0)～(7)”表示位置编号，方格内的数字分别表示灰度值(2-a)、响应值(2-b)。从图2-b所对应的各响应值可知，其最大响应值为位置(4)的537，最小响应值为位置2的87，因两者之差大于243，故当前中心像素点的编码为100与010的串接码：100010，即DLDP＝32。
步骤3表情分类
基于步骤2得到多幅具备对应特征值的人脸图像(分类图像)，并将其分为10份，其中9份作为训练图像，1份作为检测图像。将9份训练图像输入SVM进行训练，得到一个初级SVM分类器，之后采用十折交叉验证法，对样本进行其他9次训练，得到9个初级SVM分类器。最后将10个初级分类器级联成为一个强分类器，即本发明表情识别所用的SVM分类器。
步骤4表情识别
对输入的原始图像执行步骤l，得到待识别的人脸图像，执行步骤2，得到待识别人脸图像各像素点的特征值后，再输入步骤3得到的SVM分类器进行表情识别并输出识别结果。
本发明改进了现有LDP的编码方法，简化特征维度和计算量，且降低了部分不同像素使用同一种编码值出现的频率(参考表1，对于两种响应值，现有的LDP编码的编码值相同，而本发明的DLDP的编码值不同)，相较于常用的LDP，PCA方法，又提高了精确度，在DLDP中加入门限，提高对噪声的干扰能力。
表1：DLDP与LDP编码对比表
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。
Claims (6)
1.基于最大方向编码的人脸表情特征提取方法，其特征在于，包括下列步骤
对输入的待处理人脸图像进行预处理，得到待提取图像，所述预处理包括：图像灰度化处理、尺寸归一化处理；
分别以待提取图像的各像素点为中心，计算各中心像素点的八个方向响应值，并对各响应值所在位置进行二进制编码；
查找各中心像素点的最大响应值、最小响应值，并记最大响应值所在位置编码为Max，最小响应值所在位置编码为Min；
判断与最小响应值的差值是否小于预设阈值Th，若是，则当前中心像素点的编码值为0；否则，当前中心像素点的编码设置为：Max为高位，Min为低位的串接码；
将各中心像素点的编码的十进制值作为其特征值，输出待提取图像的各像素点的特征值。
2.如权利要求1所述的方法，其特征在于，基于Kirsch算子计算待提取图像的各中心像素点的八个方向响应值。
3.如权利要求1或2所述的方法，其特征在于，所述预设阈值Th的取值范围为200-300。
4.如权利要求1或2所述的方法，其特征在于，对输入的待处理图像进行预处理还包括：将尺寸归一化后的灰度图像分割成预设尺寸的图像区域，并计算每一个图像区域的直方图，按顺序进行首尾相连后，进行直方图均衡处理，将直方图分布中的第k种灰度值rk变换为Sk，所述其中L为灰度图像中灰度值总数，nj表示灰度值为rk的像素数目，n为尺寸归一化后的灰度图像的总像素个数。
5.基于最大方向编码的人脸表情识别方法，其特征在于，包括下列步骤：
步骤1：输入人脸图像，基于权利要求1所述的人脸表情特征提取方法得到各人脸图像的像素点的特征值；
步骤2：基于各人脸图像的像素点的特征值进行SVM训练，得到SVM分类器；
步骤3：输入待识别人脸图像，基于权利要求1所述的人脸表情特征提取方法得到待识别人脸图像的像素点的特征值，并基于步骤2得到的SVM分类器输出当前待识别人脸图像的表情识别结果。
6.如权利要求5所述的方法，其特征在于，所述步骤2中，采用十折交叉验证法得到10个初级SVM分类器，再将所有初级SVM分类器级联得到SVM分类器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510594355.2A CN105205460B (zh) | 2015-09-17 | 2015-09-17 | 基于最大方向编码的人脸表情特征提取及识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510594355.2A CN105205460B (zh) | 2015-09-17 | 2015-09-17 | 基于最大方向编码的人脸表情特征提取及识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105205460A true CN105205460A (zh) | 2015-12-30 |
| CN105205460B CN105205460B (zh) | 2019-02-15 |
Family
ID=54953132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510594355.2A Expired - Fee Related CN105205460B (zh) | 2015-09-17 | 2015-09-17 | 基于最大方向编码的人脸表情特征提取及识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105205460B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105893941A (zh) * | 2016-03-28 | 2016-08-24 | 电子科技大学 | 一种基于区域图像的人脸表情识别方法 |
| CN106169073A (zh) * | 2016-07-11 | 2016-11-30 | 北京科技大学 | 一种表情识别方法及系统 |
| CN108197529A (zh) * | 2017-11-27 | 2018-06-22 | 重庆邮电大学 | 一种融合DLDP与sobel的表情特征提取方法 |
| CN111507206A (zh) * | 2020-03-29 | 2020-08-07 | 杭州电子科技大学 | 一种基于多尺度局部特征融合的手指静脉识别方法 |
| CN114612983A (zh) * | 2022-03-15 | 2022-06-10 | 北京拙河科技有限公司 | 一种基于弹性图和svm的人脸识别方法及系统 |
| CN116311477A (zh) * | 2023-05-15 | 2023-06-23 | 华中科技大学 | 一种面向跨身份一致性的面部运动单元检测模型构建方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103577838A (zh) * | 2013-11-25 | 2014-02-12 | 苏州大学 | 一种人脸识别方法和装置 |
| WO2015076433A1 (ko) * | 2013-11-20 | 2015-05-28 | (주)나노인사이드 | 지역 미세 패턴을 이용한 얼굴 영상 분석 방법 |
-
2015
- 2015-09-17 CN CN201510594355.2A patent/CN105205460B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015076433A1 (ko) * | 2013-11-20 | 2015-05-28 | (주)나노인사이드 | 지역 미세 패턴을 이용한 얼굴 영상 분석 방법 |
| CN103577838A (zh) * | 2013-11-25 | 2014-02-12 | 苏州大学 | 一种人脸识别方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| ADIN RAMIREZ RIVERA等: "Local Directional Number Pattern for Face Analysis: Face and Expression Recognition", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105893941A (zh) * | 2016-03-28 | 2016-08-24 | 电子科技大学 | 一种基于区域图像的人脸表情识别方法 |
| CN106169073A (zh) * | 2016-07-11 | 2016-11-30 | 北京科技大学 | 一种表情识别方法及系统 |
| CN108197529A (zh) * | 2017-11-27 | 2018-06-22 | 重庆邮电大学 | 一种融合DLDP与sobel的表情特征提取方法 |
| CN108197529B (zh) * | 2017-11-27 | 2021-09-10 | 重庆邮电大学 | 一种融合DLDP与sobel的表情特征提取方法 |
| CN111507206A (zh) * | 2020-03-29 | 2020-08-07 | 杭州电子科技大学 | 一种基于多尺度局部特征融合的手指静脉识别方法 |
| CN111507206B (zh) * | 2020-03-29 | 2023-04-18 | 杭州电子科技大学 | 一种基于多尺度局部特征融合的手指静脉识别方法 |
| CN114612983A (zh) * | 2022-03-15 | 2022-06-10 | 北京拙河科技有限公司 | 一种基于弹性图和svm的人脸识别方法及系统 |
| CN116311477A (zh) * | 2023-05-15 | 2023-06-23 | 华中科技大学 | 一种面向跨身份一致性的面部运动单元检测模型构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105205460B (zh) | 2019-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105205460A (zh) | 基于最大方向编码的人脸表情特征提取及识别方法 | |
| CN107564025B (zh) | 一种基于深度神经网络的电力设备红外图像语义分割方法 | |
| CN106372648B (zh) | 基于多特征融合卷积神经网络的浮游生物图像分类方法 | |
| CN107145889B (zh) | 基于具有RoI池化的双CNN网络的目标识别方法 | |
| CN107657225B (zh) | 一种基于聚合通道特征的行人检测方法 | |
| CN105117707A (zh) | 一种基于区域图像的人脸表情识别方法 | |
| CN104091157A (zh) | 一种基于特征融合的行人检测方法 | |
| CN105956560A (zh) | 一种基于池化多尺度深度卷积特征的车型识别方法 | |
| CN105528595A (zh) | 在无人机航拍图像中对输电线路绝缘子的识别定位方法 | |
| CN104200228B (zh) | 一种安全带识别方法与系统 | |
| CN105893941B (zh) | 一种基于区域图像的人脸表情识别方法 | |
| CN103577838A (zh) | 一种人脸识别方法和装置 | |
| CN104966085A (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
| CN104021375A (zh) | 一种基于机器学习的车型识别方法 | |
| CN103996018A (zh) | 基于4dlbp的人脸识别方法 | |
| JP2017062778A (ja) | 画像のオブジェクトを分類するための方法およびデバイスならびに対応するコンピュータプログラム製品およびコンピュータ可読媒体 | |
| CN105760858A (zh) | 一种基于类Haar中间层滤波特征的行人检测方法及装置 | |
| CN105718889A (zh) | 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法 | |
| CN110659649A (zh) | 一种基于近红外光成像的图像处理与字符识别算法 | |
| Cai et al. | Traffic sign recognition algorithm based on shape signature and dual-tree complex wavelet transform | |
| CN106296743A (zh) | 一种自适应运动目标跟踪方法及无人机跟踪系统 | |
| CN106529504A (zh) | 一种复合时空特征的双模态视频情感识别方法 | |
| CN108664969A (zh) | 基于条件随机场的路标识别方法 | |
| CN105825233A (zh) | 一种基于在线学习随机蕨分类器的行人检测方法 | |
| CN103577804B (zh) | 基于sift流和隐条件随机场的人群异常行为识别方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20190807 Address after: Room 610, No. 789, Preschool East Road, Liangxi District, Wuxi City, Jiangsu Province Patentee after: Wuxi Yunding Network Technology Co.,Ltd. Address before: 611731 Chengdu province high tech Zone (West) West source Avenue, No. 2006 Patentee before: University of Electronic Science and Technology of China |
|
| TR01 | Transfer of patent right |
Effective date of registration: 20190903 Address after: Room 315, Room 33, Xiya Road, China (Shanghai) Free Trade Pilot Area, Pudong New Area, Shanghai, 2001 Patentee after: SHANGHAI XINDING NETWORK TECHNOLOGY Co.,Ltd. Address before: Room 610, No. 789, Preschool East Road, Liangxi District, Wuxi City, Jiangsu Province Patentee before: Wuxi Yunding Network Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Facial expression feature extraction and recognition method based on maximum direction encoding Effective date of registration: 20230509 Granted publication date: 20190215 Pledgee: Industrial Bank Co.,Ltd. Shanghai pilot Free Trade Zone Lingang New District sub branch Pledgor: SHANGHAI XINDING NETWORK TECHNOLOGY Co.,Ltd. Registration number: Y2023310000170 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190215 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |