CN105740790B - 基于多核字典学习的彩色人脸识别方法 - Google Patents
基于多核字典学习的彩色人脸识别方法 Download PDFInfo
- Publication number
- CN105740790B CN105740790B CN201610051557.7A CN201610051557A CN105740790B CN 105740790 B CN105740790 B CN 105740790B CN 201610051557 A CN201610051557 A CN 201610051557A CN 105740790 B CN105740790 B CN 105740790B
- Authority
- CN
- China
- Prior art keywords
- sample
- dictionary
- indicate
- formula
- sparse coding
- 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
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
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多核字典学习的彩色人脸识别方法,将多核学习技术应用到彩色人脸数据的字典学习和稀疏编码过程中,通过设计核函数选择准则,对彩色人脸图像训练样本集的三个彩色分量分别挑选最优的核映射函数,再对核映射后的三个彩色分量分别学习三个特征提取系数矩阵、结构化字典和相应的稀疏编码,然后使用学习得到的字典对待识别样本的非线性特征进行稀疏编码,并根据重构误差进行分类和识别。本发明识别效果更高,并对图像质量问题具有较好的鲁棒性。
Description
技术领域
本发明具体涉及基于多核字典学习的彩色人脸识别方法,属于人脸识别技术领域。
背景技术
现有基于多核学习技术的彩色人脸识别方法包括:
对一个彩色人脸图像训练样本集X,令n表示所有彩色人脸图像训练样本的个数,XR∈Rd×n、XG∈Rd×n、XB∈Rd×n分别表示R、G、B三个彩色分量样本集,d表示彩色分量样本维数;φR:Rd→HR、φG:Rd→HG、φB:Rd→HB表示三个核映射,它们分别将R、G、B三个彩色分量样本从原始d维的线性空间Rd映射到三个非线性高维核空间HR、HG、HB,Hi的维数为ki表示核映射φi对应的核函数,ωi表示多核学习中对应核函数ki的多核组合系数,表示中心化后的φi(Xi);表示一个投影变换,它可以将φi(Xi)的样本维数从降低到
基于彩色特征双重多核鉴别分析的人脸识别方法(CD-MK-DA)(专利申请号201510104510.8)将多核子空间学习技术应用到彩色人脸特征的双重鉴别分析中,对三个彩色分量分别使用三个不同的非线性核映射,再在各个彩色分量特征内部和不同彩色分量特征之间实现基于欧式距离的双重鉴别分析。具体做法如下:
式中,tr(·)表示方阵的迹,是一个系数矩阵,满足Wi=φi(Xi)Ai,和分别表示加入多核组合系数的第i个彩色分量训练样本集内部的类内核特征散布矩阵和类间核特征散布矩阵,和分别表示加入多核组合系数的第i和第j个彩色分量训练样本集之间的类内核特征散布矩阵和类间核特征散布矩阵。
基于彩色特征双重多核鉴别相关性分析的人脸识别方法(CD-MK-DCA)(专利申请号201510103084.6)将多核子空间学习技术应用到彩色人脸特征的双重鉴别相关性分析中,对三个彩色分量分别使用三个不同的非线性核映射,再在各个彩色分量特征内部和不同彩色分量特征之间实现基于相关性度量的双重鉴别相关性分析。具体做法如下:
式中,是一个系数矩阵,满足 和分别表示第i个彩色分量训练样本集内部的类内核特征相关性矩阵和类间核特征相关性矩阵,和分别表示第i和第j个彩色分量训练样本集之间的类内核特征相关性矩阵和类间核特征相关性矩阵。通过公式的等价变换,并加入多核组合系数,可得
式中,表示一个nk阶所有元素都为1的方阵。
CD-MK-DA方法和CD-MK-DCA方法对三个彩色分量分别使用三个不同的非线性核映射,但它们没有考虑如何选择合适的核映射函数;并且这两个方法没有考虑如何处理噪声干扰、部分遮挡和图像腐蚀等图像质量问题,在存在这些问题的彩色人脸识别任务中识别效果受到的影响较大。因此,下面考虑通过基于多核字典学习的彩色人脸识别方法来解决这两个问题。
发明内容
发明目的:为解决上述问题,本发明公开了一种基于多核字典学习的彩色人脸识别方法,将多核学习技术应用到彩色人脸数据的字典学习和稀疏编码过程中,通过设计核函数选择准则,对彩色人脸图像训练样本集的三个彩色分量分别挑选最优的核映射函数,再对核映射后的三个彩色分量分别学习三个特征提取系数矩阵、结构化字典和相应的稀疏编码,然后使用学习得到的字典对待识别样本的非线性特征进行稀疏编码,并根据重构误差进行分类和识别。
本发明为解决上述技术问题采用以下技术方案:
本发明提供一种基于多核字典学习的彩色人脸识别方法,包括以下步骤:
步骤1,获得各彩色分量训练样本集,为每一个彩色分量样本集选择最优的核函数;
步骤2,定义目标函数,对目标函数求解,得到每一个彩色分量训练样本集的字典、特征提取系数矩阵和非线性鉴别特征集;
步骤3,获得待识别样本,根据上述训练样本特征集,得出待识别样本的非线性特征,使用字典对待识别样本的非线性特征进行稀疏编码,并根据重构误差进行分类和识别。
作为本发明的进一步优化方案,步骤1中按照下面的核函数选择准则为第i个彩色分量样本集(i=R,G,B)选择最优的核函数
式中,和分别表示第i个彩色分量样本集的类间散布和类内散布,定义如下:
式中,c表示彩色人脸图像训练样本集中训练样本的类别数,n表示彩色人脸图像训练样本集中所有训练样本的个数,np和nr分别表示彩色人脸图像训练样本集中第p类和第r类训练样本的个数;令XR∈Rd×n、XG∈Rd×n、XB∈Rd×n分别表示彩色人脸图像训练样本集中R、G、B三个彩色分量样本集,d表示彩色分量样本维数,表示Xi中第p类的第q个样本,表示Xi中第p类的第s个样本,表示Xi中第r类的第s个样本;φi:Rd→Hi表示一个核映射,它将彩色人脸图像训练样本的第i个彩色分量样本从原始d维的线性空间Rd映射到一个非线性高维核空间Hi,ki表示核映射φi对应的核函数;
选择好之后,令表示多核学习中对应核函数的多核组合系数,表示用于非线性鉴别特征提取的核映射后第i个彩色分量样本集φi(Xi)的投影变换矩阵,hi表示高维核空间Hi的维数,m<min{hR,hG,hB}表示提取的特征数。令表示φi(Xi)的非线性鉴别特征,则令可得
根据核重构理论(J.S.Taylor,and N.Cristianini,“Kernel Methods forPattern Analysis,”Cambridge University Press,Cambridge,2004),核空间Hi(i=R,G,B)中的投影变换Ui可以用所有核映射后的训练样本线性表示,即Ui=φi(Xi)Vi,其中Vi∈Rn ×m是一个系数矩阵。则
式中Ki∈Rn×n表示Xi的核矩阵,Ki中第p行第q列的元素和分别表示Xi中的第p个和第q个样本。
作为本发明的进一步优化方案,步骤2中定义目标函数如下:
式中,Di表示对应的字典,Ai表示使用字典Di重构的稀疏编码系数,表示中第p类的样本特征,Aip表示使用字典Di重构的稀疏编码系数,0表示一个零矩阵,
Diq表示字典Di中对应第q类的子字典,Aipq表示使用子字典Diq重构的稀疏编码系数。
公式(5)的求解涉及到特征提取系数矩阵、字典和稀疏编码系数三组变量求解,可以按照下面的算法通过三组变量依次更新的方式进行迭代求解:
步骤2-1,初始化VR,VG,VB和DR,DG,DB。
步骤2-2,根据公式(5)求解AR,AG,AB,令
步骤2-3,根据公式(5)更新DR,DG,DB。
步骤2-4,根据公式(5)更新VR,VG,VB。
步骤2-5,根据公式(5)更新AR,AG,AB,令如果J1-J2≥ε,ε>0是一个比较小的阈值,转向步骤2-3;否则,算法结束。
求得特征提取系数矩阵VR,VG,VB和字典DR,DG,DB之后,我们可以得到训练样本的非线性鉴别特征如下:
作为本发明的进一步优化方案,步骤3中对于一个待识别样本y,其非线性鉴别特征按照如下的方式进行计算:
式中,yR∈Rd、yG∈Rd、yB∈Rd分别表示y的R、G、B三个彩色分量,表示yi的核矩阵,中第p行的元素
按照下面的公式使用字典DR,DG,DB对待识别样本的非线性特征进行稀疏编码,得到稀疏编码系数βR,βG,βB:
按照下面的公式计算重构误差eq(q=1,2,…,c):
式中,βiq表示βi中对应子字典Diq的稀疏编码系数。根据
可以判定待识别样本y的类别。
有益效果
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明提供基于多核字典学习的彩色人脸识别方法,将多核学习技术应用到彩色人脸数据的字典学习和稀疏编码过程中,通过设计核函数选择准则,对彩色人脸图像训练样本集的三个彩色分量分别挑选最优的核映射函数,再对核映射后的三个彩色分量分别学习三个特征提取系数矩阵、结构化字典和相应的稀疏编码,然后使用学习得到的字典对待识别样本的非线性特征进行稀疏编码,并根据重构误差进行分类和识别。本发明识别效果更高,并对图像质量问题具有较好的鲁棒性。
附图说明
1、图1为方法流程图。
2、图2为人脸示例图。
3、图3为20%像素点随机噪声的人脸示例图。
4、图4为10次随机测试的平均识别率随着像素点随机噪声百分比波动的情况图。
具体实施方式
下面结合附图以及具体实施例对本发明的技术方案做进一步的详细说明:
实验验证选用Face Recognition Grand Challenge(FRGC)version 2Experiment4彩色人脸数据库(P.J.Phillips,P.J.Flynn,T.Scruggs,K.Bowyer,J.Chang,K.Hoffman,J.Marques,J.Min,and W.Worek.Overview of the Face Recognition GrandChallenge.IEEE Conf.Computer Vision and Pattern Recognition,vol.1,pp.947-954,2005.)该数据库规模较大,包含了training、target、query三个子库,training子库包含222个人的12776张图片,target子库包含466个人的16028张图片,query子库包含466个人的8014张图片。实验选用了training集合的222个人,每个人36幅图像。所有选中的原始图像都进行了校正(使两眼处于水平位置)、缩放和裁剪,每个图像样本只保留60×60大小的人脸及附近区域。处理后的人脸示例图片见图2。
为了验证基于多核字典学习的彩色人脸识别方法在处理图像质量问题方面的效果,对实验选用的图像进行了随机噪声处理,图3给出了20%像素点随机噪声的示例图像。
在实验数据库中,每个类别随机选择8个彩色人脸图像样本作为训练样本,其余样本作为待识别样本,进行10次随机测试。对于每个彩色分量样本集,按照公式(1)的核函数选择准则从以下六种常用的核函数中挑选最优的核函数:
(1)Linear Kernel:k(x,y)=xTy;
(2)Polynomial Kernel:k(x,y)=(xTy+1)p,其中,p是核参数,取值为自然数;
(3)Gaussian Kernel:k(x,y)=exp(-||x-y||2/σ),其中σ>0是核参数;
(4)Cauchy Kernel:其中σ>0是核参数;
(5)Inverse Multi-quadric Kernel:其中,c≥0是核参数;
(6)General ized T-Student Kernel:其中p≥0是核参数。
R彩色分量使用Inverse Multi-quadric Kernel,参数c=1.3758e21;G彩色分量使用Inverse Multi-quadric Kernel,参数c=9.4272e19;B彩色分量使用Inverse Multi-quadric Kernel,参数c=2.2048e20。
图4显示了CD-MK-DA方法、CD-MK-DCA方法和基于多核字典学习的彩色人脸识别方法(即图中的MKDL方法)10次随机测试的平均识别效果随着像素点随机噪声百分比变化的情况。在图4中,横坐标是像素点随机噪声百分比,纵坐标为10次随机测试的平均识别率(识别率=正确识别的待识别样本个数/待识别样本总数)。与CD-MK-DA方法和CD-MK-DCA方法相比,基于多核字典学习的彩色人脸识别方法的识别率明显更高;并且,在像素点随机噪声百分比低于60%时,基于多核字典学习的彩色人脸识别方法平均识别率下降的速度非常慢。这说明字典学习和稀疏编码技术有效地提高了非线性鉴别特征的分类能力,并对图像质量问题具有较好的鲁棒性。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (3)
1.一种基于多核字典学习的彩色人脸识别方法,包括以下步骤:
步骤1,获得各彩色分量训练样本集,为每一个彩色分量样本集选择最优的核函数;
步骤2,定义目标函数,对目标函数求解,得到每一个彩色分量训练样本集的字典、特征提取系数矩阵和非线性鉴别特征集;
步骤3,获得待识别样本,根据上述训练样本特征集,得出待识别样本的非线性特征,使用字典对待识别样本的非线性特征进行稀疏编码,并根据重构误差进行分类和识别;
步骤1中按照下面的核函数选择准则为第i个彩色分量样本集(i=R,G,B)选择最优的核函数
式中,和分别表示第i个彩色分量样本集的类间散布和类内散布,定义如下:
式中,c表示彩色人脸图像训练样本集中训练样本的类别数,n表示彩色人脸图像训练样本集中所有训练样本的个数,np和nr分别表示彩色人脸图像训练样本集中第p类和第r类训练样本的个数;令XR∈Rd×n、XG∈Rd×n、XB∈Rd×n分别表示彩色人脸图像训练样本集中R、G、B三个彩色分量样本集,d表示彩色分量样本维数,表示Xi中第p类的第q个样本,表示Xi中第p类的第s个样本,表示Xi中第r类的第s个样本;φi:Rd→Hi表示一个核映射,它将彩色人脸图像训练样本的第i个彩色分量样本从原始d维的线性空间Rd映射到一个非线性高维核空间Hi,ki表示核映射φi对应的核函数;
选择好之后,令表示多核学习中对应核函数的多核组合系数,表示用于非线性鉴别特征提取的核映射后第i个彩色分量样本集φi(Xi)的投影变换矩阵,hi表示高维核空间Hi的维数,m<min{hR,hG,hB}表示提取的特征数;令表示φi(Xi)的非线性鉴别特征,则令得
根据核重构理论,核空间Hi(i=R,G,B)中的投影变换Ui用所有核映射后的训练样本线性表示,即Ui=φi(Xi)Vi,其中Vi∈Rn×m是一个系数矩阵,则
式中Ki∈Rn×n表示Xi的核矩阵,Ki中第p行第q列的元素 和分别表示Xi中的第p个和第q个样本。
2.根据权利要求1所述的彩色人脸识别方法,其特征在于,步骤2中定义目标函数如下:
式中,Di表示对应的字典,Ai表示使用字典Di重构的稀疏编码系数,表示中第p类的样本特征,Aip表示使用字典Di重构的稀疏编码系数,0表示一个零矩阵,
Diq表示字典Di中对应第q类的子字典,Aipq表示使用子字典Diq重构的稀疏编码系数;
公式(5)的求解涉及到特征提取系数矩阵、字典和稀疏编码系数三组变量求解,按照下面的算法通过三组变量依次更新的方式进行迭代求解:
步骤2-1,初始化VR,VG,VB和DR,DG,DB;
步骤2-2,根据公式(5)求解AR,AG,AB,令
步骤2-3,根据公式(5)更新DR,DG,DB;
步骤2-4,根据公式(5)更新VR,VG,VB;
步骤2-5,根据公式(5)更新AR,AG,AB,令如果J1-J2≥ε,ε>0是一个比较小的阈值,转向步骤2-3;否则,算法结束;
求得特征提取系数矩阵VR,VG,VB和字典DR,DG,DB之后,得到训练样本的非线性鉴别特征如下:
3.根据权利要求1所述的彩色人脸识别方法,其特征在于,步骤3中对于一个待识别样本y,其非线性鉴别特征按照如下的方式进行计算:
式中,yR∈Rd、yG∈Rd、yB∈Rd分别表示y的R、G、B三个彩色分量,i=R,G,B,表示yi的核矩阵,中第p行的元素
按照下面的公式使用字典DR,DG,DB对待识别样本的非线性特征进行稀疏编码,得到稀疏编码系数βR,βG,βB:
按照下面的公式计算重构误差eq(q=1,2,…,c):
式中,βiq表示βi中对应子字典Diq的稀疏编码系数,根据
判定待识别样本y的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610051557.7A CN105740790B (zh) | 2016-01-25 | 2016-01-25 | 基于多核字典学习的彩色人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610051557.7A CN105740790B (zh) | 2016-01-25 | 2016-01-25 | 基于多核字典学习的彩色人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105740790A CN105740790A (zh) | 2016-07-06 |
CN105740790B true CN105740790B (zh) | 2019-01-08 |
Family
ID=56247312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610051557.7A Active CN105740790B (zh) | 2016-01-25 | 2016-01-25 | 基于多核字典学习的彩色人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740790B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127179B (zh) * | 2016-06-30 | 2019-06-25 | 南京理工大学 | 基于自适应分层多尺度的高光谱遥感图像分类方法 |
CN106446840B (zh) * | 2016-09-28 | 2019-06-04 | 南京信息工程大学 | 基于典型相关多核学习的彩色人脸识别方法 |
CN106570464B (zh) * | 2016-10-31 | 2020-05-22 | 华南理工大学 | 一种快速处理人脸遮挡的人脸识别方法及装置 |
CN107025444A (zh) * | 2017-04-08 | 2017-08-08 | 华南理工大学 | 分块协同表示嵌入核稀疏表示遮挡人脸识别方法和装置 |
CN107273793A (zh) * | 2017-04-28 | 2017-10-20 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种用于人脸识别的特征提取方法 |
CN108399396A (zh) * | 2018-03-20 | 2018-08-14 | 深圳职业技术学院 | 一种基于核方法和线性回归的人脸识别方法 |
CN109711283B (zh) * | 2018-12-10 | 2022-11-15 | 广东工业大学 | 一种联合双字典和误差矩阵的遮挡表情识别方法 |
CN109886927B (zh) * | 2019-01-23 | 2021-09-21 | 华南理工大学 | 一种基于核稀疏编码的图像质量评估方法 |
CN111723827B (zh) * | 2019-03-18 | 2023-05-30 | 中南大学 | 基于核字典学习的工业过程监测方法、装置和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080240237A1 (en) * | 2007-03-26 | 2008-10-02 | Dihong Tian | Real-time face detection |
CN103116758A (zh) * | 2013-02-01 | 2013-05-22 | 南京信息工程大学 | 基于rgb彩色特征双重鉴别分析的彩色人脸识别方法 |
CN104680150A (zh) * | 2015-03-10 | 2015-06-03 | 南京信息工程大学 | 基于彩色特征双重多核鉴别分析的人脸识别方法 |
CN104732204A (zh) * | 2015-03-10 | 2015-06-24 | 南京信息工程大学 | 基于彩色特征双重多核鉴别相关性分析的人脸识别方法 |
-
2016
- 2016-01-25 CN CN201610051557.7A patent/CN105740790B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080240237A1 (en) * | 2007-03-26 | 2008-10-02 | Dihong Tian | Real-time face detection |
CN103116758A (zh) * | 2013-02-01 | 2013-05-22 | 南京信息工程大学 | 基于rgb彩色特征双重鉴别分析的彩色人脸识别方法 |
CN104680150A (zh) * | 2015-03-10 | 2015-06-03 | 南京信息工程大学 | 基于彩色特征双重多核鉴别分析的人脸识别方法 |
CN104732204A (zh) * | 2015-03-10 | 2015-06-24 | 南京信息工程大学 | 基于彩色特征双重多核鉴别相关性分析的人脸识别方法 |
Non-Patent Citations (1)
Title |
---|
基于统计正交性分析的彩色人脸识别;刘茜等;《南京邮电大学学报》;20130228;全文 |
Also Published As
Publication number | Publication date |
---|---|
CN105740790A (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740790B (zh) | 基于多核字典学习的彩色人脸识别方法 | |
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN109685115B (zh) | 一种双线性特征融合的细粒度概念模型及学习方法 | |
Seo et al. | Visual reference resolution using attention memory for visual dialog | |
Dosovitskiy et al. | Inverting visual representations with convolutional networks | |
CN106372581B (zh) | 构建及训练人脸识别特征提取网络的方法 | |
Gosselin et al. | Revisiting the fisher vector for fine-grained classification | |
Bai et al. | Subset based deep learning for RGB-D object recognition | |
CN108108751B (zh) | 一种基于卷积多特征和深度随机森林的场景识别方法 | |
CN107832786B (zh) | 一种基于字典学习的人脸识别分类方法 | |
CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
CN105574475A (zh) | 一种基于共同向量词典的稀疏表示分类方法 | |
CN108154133B (zh) | 基于非对称联合学习的人脸画像-照片识别方法 | |
CN107862680B (zh) | 一种基于相关滤波器的目标跟踪优化方法 | |
CN105740787B (zh) | 基于多核鉴别彩色空间的人脸识别方法 | |
CN105005798B (zh) | 一种基于局部相似结构统计匹配的目标识别方法 | |
CN114332544B (zh) | 一种基于图像块评分的细粒度图像分类方法和装置 | |
CN106529586A (zh) | 基于补充文本特征的图像分类方法 | |
CN112966685B (zh) | 用于场景文本识别的攻击网络训练方法、装置及相关设备 | |
CN108520215A (zh) | 基于多尺度联合特征编码器的单样本人脸识别方法 | |
CN114549567A (zh) | 基于全方位感知的伪装目标图像分割方法 | |
Lv et al. | Chinese character CAPTCHA recognition based on convolution neural network | |
CN109934239B (zh) | 图像特征提取方法 | |
CN104732204B (zh) | 基于彩色特征双重多核鉴别相关性分析的人脸识别方法 | |
CN108596906A (zh) | 一种基于稀疏局部保持投影的全参考屏幕图像质量评价方法 |
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 | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: 210000 No. 219 Ning six road, Jiangbei new district, Nanjing, Jiangsu Patentee after: NANJING University OF INFORMATION SCIENCE & TECHNOLOGY Address before: 210000 No. 69 Olympic Sports street, Jianye District, Jiangsu, Nanjing Patentee before: NANJING University OF INFORMATION SCIENCE & TECHNOLOGY |