CN106022214B - 非约束环境下的有效人脸特征提取方法 - Google Patents

非约束环境下的有效人脸特征提取方法 Download PDF

Info

Publication number
CN106022214B
CN106022214B CN201610290463.5A CN201610290463A CN106022214B CN 106022214 B CN106022214 B CN 106022214B CN 201610290463 A CN201610290463 A CN 201610290463A CN 106022214 B CN106022214 B CN 106022214B
Authority
CN
China
Prior art keywords
principal direction
gradient
hog
template
scale
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
CN201610290463.5A
Other languages
English (en)
Other versions
CN106022214A (zh
Inventor
童莹
严郁
黄维
曹雪虹
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.)
Huashi design group safety technology (Jiangsu) Co.,Ltd.
Original Assignee
Nanjing Institute of Technology
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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN201610290463.5A priority Critical patent/CN106022214B/zh
Publication of CN106022214A publication Critical patent/CN106022214A/zh
Application granted granted Critical
Publication of CN106022214B publication Critical patent/CN106022214B/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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种非约束环境下的有效人脸特征提取方法，首先，构造多尺度主方向旋转梯度模板，包括3*3和5*5两个尺度的主方向旋转梯度模板；然后，对人脸图像中生物视觉ROI区域即感兴趣区域进行关键点标记，得到3*3尺度、5*5尺度的主方向旋转HOG特征，将k‑PDR‑HOG‑3和k‑PDR‑HOG‑5两个特征级联融合，得到最终的基于关键点的多尺度主方向旋转HOG特征。相比于原始的HOG算法，本发明构造的多尺度主方向旋转梯度模板在非约束环境下可以提取更为丰富全面的人脸特征，k‑MSPDR‑HOG特征具有强鲁棒性和高准确性。

Description

非约束环境下的有效人脸特征提取方法
技术领域
本发明涉及一种非约束环境下的有效人脸特征提取方法。
背景技术
随着社会的发展和科技的进步，人类对快速高效的身份验证技术有着迫切的要求。生物特征是人类理想的身份验证依据，而人脸特征是目前身份验证中最为理想的生物特征。
目前，由于在考勤、门禁系统、监控体系、刑事侦查等领域的良好应用前景，人脸识别受到了越来越多研究者的关注。近十年来，人脸识别技术取得了很大的进步，但是目前比较成熟的人脸识别方法大多集中在约束或半约束情况的研究，而在非约束环境中，人脸识别会受到遮挡、光照、姿态、低分辨率等干扰条件的影响，将已有的人脸特征提取方法，如HOG、LBP、SIFT等，用于非约束环境的人脸识别性能急剧下降。为克服非约束条件下存在的各种噪声的干扰，研究人员提出了很多方法，但仍无法彻底消除各种噪声对人脸识别造成的影响。
目前非约束环境下的人脸识别研究方法可以分为两种：基于3D模型的人脸识别和基于2D模型的人脸识别。基于3D模型的人脸识别优点在于能够很好地克服姿态、遮挡、光照等干扰因素的影响，但构造3D模型时耗费的时间代价巨大，不适合广泛的商业应用。而2D模型主要着重于提取人脸图像中具有良好表达效果的特征，使特征值能够最佳、最具判别性地表征人脸。Wolf等提出了改进的LBP算法进行人脸特征提取算法，并将提取出来的特征值与Gabor特征值相融合，试图得到最佳特征描述算子，但是由于提取的是整张人脸图片的特征值，所以受图片背景、姿态、遮挡等因素的干扰影响较大；Marsico等提出FACE模型，对人脸姿态以及光照归一化，取得了较好的识别效果，但是在进行人脸图像的重构时，虽然削弱了姿态和光照的影响，但是在重构的过程中弱化了图像其他的有效特征。
目前已有算法存在的不足之处在于：
一、传统的全局特征提取算法包含了额头、脸颊、下巴等非特征区域的冗余信息，导致引入的光照、姿态、遮挡等噪声较多。
二、经典HOG算法中用梯度算子计算像素点的梯度幅值和梯度方向，它仅描述了水平和垂直两个方向的灰度变化，包含的像素点信息较少，然而非约束环境下的人脸识别由于干扰因素较多，需考虑更丰富更全面的提取有用信息以表征人脸特征。
发明内容
本发明的目的是提供一种非约束环境下的有效人脸特征提取方法，构造了多尺度主方向旋转梯度算子，提出基于关键点的多方向主方向旋转HOG特征提取算法，尽可能准确提取非约束环境下有效人脸特征，解决现有技术中存在的非约束环境下的传统全局HOG算法在进行人脸特征提取时存在的引入冗余信息过多、梯度算子模板计算得到的有用信息较少的问题。
本发明的技术解决方案是：
一种非约束环境下的有效人脸特征提取方法，包括：
首先，构造多尺度主方向旋转梯度算子，包括3*3和5*5两个尺度的主方向旋转梯度算子；
然后，对人脸图像中生物视觉ROI区域即感兴趣区域进行关键点标记，以关键点为中心，在邻域范围内分别计算3*3和5*5两个尺度、四组旋转梯度模板下的HOG特征，并将每个尺度的四个方向的HOG特征级联，得到3*3尺度、5*5尺度两个改进梯度算子的主方向旋转HOG特征，即k-PDR-HOG-3、k-PDR-HOG-5；
最后，将k-PDR-HOG-3和k-PDR-HOG-5两个特征级联融合，得到最终的基于关键点的多尺度主方向旋转HOG特征。
进一步地，构造3*3尺度主方向旋转梯度算子具体为：在一个圆周2π范围内将3*3尺度主方向梯度模板从主方向每隔45°沿逆时针旋转一次，得到八个旋转梯度模板，即3*3尺度主方向旋转梯度算子。
进一步地，构建的3*3尺度主方向梯度模板如下：
其中，模板中权值2大于其他数值，设为主方向，如箭头所示。
进一步地，根据梯度求导规则将3*3尺度主方向旋转梯度算子分为四组，其中每组旋转梯度模板包含两个相互垂直模板。
进一步地，构造5*5尺度主方向旋转梯度算子具体为：在一个圆周2π范围内将5*5尺度主方向梯度模板从主方向每隔45°沿逆时针旋转一次，得到八个旋转梯度模板，即5*5尺度主方向旋转梯度算子。
进一步地，构建的5*5尺度主方向梯度模板如下：
其中，模板中权值2大于其他数值，设为主方向，如箭头所示。
进一步地，根据梯度求导规则将5*5尺度主方向旋转梯度算子分为四组，其中每组旋转梯度模板包含两个相互垂直模板。
本发明的有益效果是：该种非约束环境下的有效人脸特征提取方法，首先对生物视觉ROI区域包括眉毛、眼睛、鼻子、嘴巴等区域进行关键点标记，相比于经典的全局特征提取算法不仅大大降低了特征维度，而且减少了额头、脸颊等非特征区域冗余信息的干扰；另外，本发明设计3*3、5*5两种尺度下四组主方向旋转梯度模板，利用这些模板分别计算各个像素点的梯度幅值、方向变化，统计得到两种尺度四个方向的HOG特征，并进行融合得到最终基于关键点的多尺度主方向旋转HOG特征。相比于原始的HOG算法，本发明构造的多尺度主方向旋转梯度模板在非约束环境下可以提取更为丰富全面的人脸特征，k-MSPDR-HOG特征具有强鲁棒性和高准确性。
附图说明
图1是本发明实施例非约束环境下的有效人脸特征提取方法的流程示意图。
图2实施例中3*3尺度主方向旋转梯度算子的示意图。
图3是实施例中分组3*3尺度主方向旋转梯度算子的示意图。
图4是实施例中5*5尺度主方向旋转梯度算子的示意图。
图5是实施例中分组5*5尺度主方向旋转梯度算子的示意图。
图6是LFW数据库与ORL数据库上k-HOG算法与全局HOG算法的特征维数比较示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例
实施例对原始HOG算子进行改进，构建了3*3、5*5两个尺度主方向旋转HOG梯度算子，实现了非约束环境下有效人脸特征提取。一方面，相比原始HOG梯度算子，改进梯度算子模板范围变大，包含的像素点个数增加，从多尺度角度捕捉人脸纹理灰度变化统计信息；另一方面，改进梯度算子主方向在0°～360°范围内每隔45°逆时针旋转一次，得到八个旋转梯度模板，根据梯度求导规则将八个模板分为四组(Group)，分别计算关键点邻域范围内的梯度方向直方图，从多方向角度描述人脸纹理方向变化统计信息。
实施例的一种非约束环境下的有效人脸特征提取方法，具体实现流程如图1所示：首先对人脸图像进行关键点标记，然后以关键点为中心，在一定邻域范围内分别提取3*3尺度、5*5尺度两个改进梯度算子的主方向旋转HOG特征，得到基于关键点的3*3尺度主方向旋转HOG特征(3*3-Scale Principal Direction Rotation Histograms of OrientedGradient based on keypoints，k-PDR-HOG-3)和基于关键点的5*5尺度主方向旋转HOG特征(5*5-Scale Principal Direction Rotation Histograms of Oriented Gradientbased on keypoints，k-PDR-HOG-5)，然后将这两个特征进行级联融合，得到最终的基于关键点的多尺度主方向旋转HOG特征(Multi-Scale Principal Direction RotationHistograms of Oriented Gradient based on keypoints,k-MSPDR-HOG)。
3*3尺度主方向旋转梯度算子
利用传统的[-101]梯度算子计算梯度幅值和方向存在较大的局限性。首先，传统梯度算子仅考虑中心像素点周围4个像素点，包含的像素点灰度信息较少，不能丰富地体现中心像素点周围的纹理信息；其次，传统梯度算子仅计算水平和竖直两个方向的纹理变化，但是因为人脸五官的形状较为规律，人脸的主要几个组成部分，如眉毛，眼睛，鼻子和嘴，它们的中心部分均是水平或垂直延长的，但是它们的尾部均是大约在对角线方向(π/4和3π/4)收敛，仅从水平和竖直两个方向计算梯度幅值和梯度方向不足以体现人脸纹理信息的变化。受以上传统梯度算子局限性的启发，本发明构建了如下所示的3*3尺度主方向梯度模板，模板中权值2大于其他数值，设为主方向，如箭头所示。
在一个圆周2π范围内将模板主方向每隔45°沿逆时针旋转一次，得到八个旋转梯度模板，即3*3尺度主方向旋转梯度算子，如图2所示。并根据梯度求导规则将八个模板分为四组(Group)，如图3所示，其中mxi和myi分别表示两个相互垂直模板，便于计算不同方向的梯度幅值和梯度方向及统计HOG特征。相比传统[-101]梯度算子，3*3主方向旋转梯度算子计算中心像素点周围8*2＝16个像素点灰度值，而传统[-101]梯度算子仅计算中心像素点周围2*2＝4个像素点灰度值，统计像素点个数增加，可以捕捉到的人脸纹理灰度变化信息也增加；同时3*3主方向旋转梯度算子在0、π/4、π/2、3π/4、π、5π/4、3π/2、7π/4、2π方向上增加模板的权重，突出主方向的灰度变化情况，描述主要的人脸纹理延伸方向，并且将其分为四组，分别用来提取不同方向的HOG特征，可以更充分描述丰富的人脸纹理方向信息。
5*5尺度主方向旋转梯度算子
考虑不同尺度的梯度算子表征的人脸纹理信息不同，因此，本发明在3*3尺度主方向旋转梯度算子基础上，进一步构造5*5尺度主方向旋转梯度算子，并与3*3尺度主方向旋转梯度算子结合使用，使其表征的非约束人脸信息更加全面丰富。5*5主方向梯度模板如下：
同理，在一个圆周(2π)范围内将模板主方向每隔45°沿逆时针旋转一次，得到八个旋转梯度模板，即5*5尺度主方向旋转梯度算子，如图4所示。并根据梯度求导规则将八个模板分为四组(Group)，如图5所示。
在本发明中，一幅人脸图像标记51个关键点，分别标识人脸中眼睛、嘴巴、眉毛等关键特征区域。每个关键点的梯度方向直方图为9维，并且本发明从两个尺度四个方向全面充分描述非约束人脸特征，因此，最终的k-MSPDR-HOG特征维度为51*9*4*2＝3672，特征信息更全面丰富，噪声鲁棒性更强。
传统的HOG算法中用[-101]梯度算子计算像素点的梯度幅值和梯度方向，它仅描述了水平和垂直两个方向的灰度变化，且包含的像素点信息较少，应用于非约束人脸特征提取效果较差。因此本发明提出的基于关键点的多尺度主方向旋转HOG算子(Multi-ScalePrincipal Direction Rotation Histograms of Oriented Gradient based onkeypoints,k-MSPDR-HOG)可以有效提取非约束人脸特征。一方面，本发明是基于面部关键点提取特征，可以有效消除非约束全局人脸特征提取中光照、姿态、旋转等干扰因素影响，相比传统HOG算子，基于关键点的HOG算子(HOG based on keypoints,k-HOG)提取非约束人脸特征准确率提高了20.37％(LFW数据库)和5.5％(ORL数据库)；另一方面，本发明以关键点为中心，在一定邻域范围内从多尺度、多方向两个角度充分描述非约束人脸特征，相比k-HOG算子，k-MSPDR-HOG算子提取非约束人脸特征准确率又进一步提高了11.66％(LFW数据库)和6.68％(ORL数据库)。
由此可见，本发明提出的基于关键点的多尺度主方向旋转HOG特征提取算法是一种有效的非约束环境下的人脸特征提取算法。
实验验证
全局HOG算法与k-HOG算法的识别性能比较
在Matlab环境下进行实验，人脸数据库包括LFW数据库和ORL数据库。LFW包含了在非约束环境下捕捉到的5749类不同人的人脸图像，共有13,233张，图像的尺寸为250×250。ORL共包含40类不同人脸对象，每人分别有10张图像，共400张人脸图像。每张图像的尺寸大小为92×112。这里采用基于关键点的HOG算法(k-HOG)和全局HOG算法(HOG)分别提取LFW数据库和ORL数据库的非约束人脸特征，并用SVM分类器进行人脸识别，结果如表1和表2所示。K-HOG和HOG的参数设置一致，即cell＝8*8＝64(pixels)block＝2*2＝4(cell)，bin＝9。
表1 LFW数据库上全局HOG算法与k-HOG算法识别率比较
表2 ORL数据库上全局HOG算法与k-HOG算法识别率比较
由表1和表2结果可以看出，基于关键点的HOG特征提取算法在两个数据库上的识别率均明显高于全局HOG特征提取算法，并且特征维数均为51*9＝459，明显少于全局HOG特征维数(LFW_DimensionHOG＝8100，ORL_DimensionHOG＝1260)，如图6。由此可见，基于关键点的特征提取算法可以有效消除非约束人脸识别中光照、姿态、分辨率等干扰因素影响，可以有效提高非约束人脸特征的准确性和鲁棒性。
实施例与k-HOG算法的识别性能比较
这里采用本发明提出的k-MSPDR-HOG算法与k-HOG算法提取LFW数据库和ORL数据库的非约束人脸特征，并用KNN分类器和SVM分类器分别进行识别，结果如表3、表4所示。
表3 LFW数据库上k-MSPDR-HOG算法与k-HOG算法识别率比较
表4 ORL数据库上k-MSPDR-HOG算法与k-HOG算法识别率比较
由表3可见，在LFW数据库上，利用KNN分类器进行分类时，K-MSPDR-HOG算法比K-HOG算法(基于关键点的HOG特征提取算法)、3*3k-PDR-HOG算法(基于关键点的3*3尺度的主方向旋转HOG特征提取算法)和5*5k-PDR-HOG算法(基于关键点的5*5尺度的主方向旋转HOG特征提取算法)在三组实验上平均识别率分别提高了7.22％、3.19％、0.43％；利用SVM分类器进行分类时，K-MSPDR-HOG算法的识别率分别比其他三种算法平均提高了11.66％、2.11％、0.44％。
同理，由表4可见，在ORL数据库上，利用KNN分类器进行分类时，K-MSPDR-HOG算法的识别率比K-HOG、3*3k-PDR-HOG、5*5k-PDR-HOG在三组实验上平均分别提高了7.32％、0.61％、0.74％；利用SVM分类器进行分类时，K-MSPDR-HOG算法的识别率分别比其他三种算法平均提高了6.68％、0.72％、1.31％。
由此可见，K-MSPDR-HOG算法是一种基于关键点的特征提取算法，从多尺度、多方向两个角度改进梯度模板可以充分描述非约束人脸特征，在不同数据库和分类器情况下，均明显高于k-HOG算法性能。
实施例提出的k-MSMG-HOG算法与经典全局特征提取算法的比较
将K-MSMG-HOG算法与其他经典全局特征提取算法进行比较，采用KNN分类器在LFW、ORL两个库上实验，仿真结果如表5、表6所示。表5中取训练样本数为10，表6中取训练样本数为4。其中前四种算法均是全局特征提取算法，对于LFW数据库，在进行特征提取之前需使用人脸检测器裁剪出固定大小的人脸，去除掉背景干扰。
表5 LFW数据库上K-MSPDR-HOG算法与其他全局特征提取算法的比较
表6 ORL数据库上K-MSPDR-HOG算法与其他全局特征提取算法的比较
由表可知，实施例的K-MSMG-HOG人脸特征提取算法相比于其他经典的全局特征提取算法，在LFW数据库上的识别率提高了17.62％～38.06％，在ORL数据库上的识别率提高了4.79％～12.35％。证明了本发明提出的算法在非约束环境下能够进行有效的人脸特征提取。

Claims (3)

1.一种非约束环境下的有效人脸特征提取方法，其特征在于，包括：
首先，构造多尺度主方向旋转梯度模板，包括3*3和5*5两个尺度的主方向旋转梯度模板；
其中，构造3*3尺度主方向旋转梯度模板具体为：在一个圆周范围内将3*3尺度主方向梯度模板从主方向每隔45°沿逆时针旋转一次，得到八个旋转梯度模板，即3*3尺度主方向旋转梯度模板；根据梯度求导规则将八个3*3尺度主方向旋转梯度模板两两为一组分为四组，其中每组旋转梯度模板包含两个主方向相互垂直模板；
其中，构造5*5尺度主方向旋转梯度模板具体为：在一个圆周范围内将5*5尺度主方向梯度模板从主方向每隔45°沿逆时针旋转一次，得到八个旋转梯度模板，即5*5尺度主方向旋转梯度模板；根据梯度求导规则将5*5尺度主方向旋转梯度模板两两为一组分为四组，其中每组旋转梯度模板包含两个主方向相互垂直模板；
然后，对人脸图像中生物视觉ROI区域即感兴趣区域进行关键点标记，以关键点为中心，在邻域范围内分别计算3*3和5*5两个尺度、四组旋转梯度模板下的HOG特征，并将每个尺度的四组HOG特征级联，得到3*3尺度、5*5尺度的主方向旋转HOG特征，即k-PDR-HOG-3、k-PDR-HOG-5；
最后，将k-PDR-HOG-3和k-PDR-HOG-5两个特征级联融合，得到基于关键点的多尺度主方向旋转HOG特征。
2.如权利要求1所述的非约束环境下的有效人脸特征提取方法，其特征在于，构建的3*3尺度主方向梯度模板如下：设模板中第一行中三个像素的权值分别为-1、-1、1，第二行中三个像素的权值分别为-1、0、2，第三行中三个像素的权值分别为-1、-1、1，其中，模板中权值2大于其他数值，设为主方向。
3.如权利要求1所述的非约束环境下的有效人脸特征提取方法，其特征在于，构建的5*5尺度主方向梯度模板如下：设模板中第一行中五个像素的权值分别为-1、-1、-1、1、1，第二行中五个像素的权值分别为-1、-1、-1、1、1，第三行中中五个像素的权值分别为-1、-1、0、2、2，第四行中五个像素的权值分别为-1、-1、-1、1、1，第五行中五个像素的权值分别为-1、-1、-1、1、1，其中，模板中权值2大于其他数值，设为主方向。
CN201610290463.5A 2016-05-04 2016-05-04 非约束环境下的有效人脸特征提取方法 Active CN106022214B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610290463.5A CN106022214B (zh) 2016-05-04 2016-05-04 非约束环境下的有效人脸特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610290463.5A CN106022214B (zh) 2016-05-04 2016-05-04 非约束环境下的有效人脸特征提取方法

Publications (2)

Publication Number Publication Date
CN106022214A CN106022214A (zh) 2016-10-12
CN106022214B true CN106022214B (zh) 2019-10-08

Family

ID=57082046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610290463.5A Active CN106022214B (zh) 2016-05-04 2016-05-04 非约束环境下的有效人脸特征提取方法

Country Status (1)

Country Link
CN (1) CN106022214B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778751B (zh) * 2017-02-20 2020-08-21 迈吉客科技（北京）有限公司 一种非面部roi识别方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1615160A2 (en) * 2004-07-07 2006-01-11 Samsung Electronics Co., Ltd. Apparatus for and method of feature extraction for image recognition
CN101699470A (zh) * 2009-10-30 2010-04-28 华南理工大学 一种对人脸图片进行笑脸识别的提取方法
CN102880866A (zh) * 2012-09-29 2013-01-16 宁波大学 一种人脸特征提取方法
CN103198299A (zh) * 2013-03-27 2013-07-10 西安电子科技大学 基于多方向尺度与Gabor相位投影特征结合的人脸识别方法
CN103714331A (zh) * 2014-01-10 2014-04-09 南通大学 一种基于点分布模型面部表情特征的提取方法
CN104471389A (zh) * 2012-08-24 2015-03-25 富士施乐株式会社 图像处理装置、程序、图像处理方法、计算机可读介质及图像处理系统
CN104899576A (zh) * 2015-06-23 2015-09-09 南京理工大学 基于Gabor变换和HOG的人脸识别特征提取方法
CN104978569A (zh) * 2015-07-21 2015-10-14 南京大学 一种基于稀疏表示的增量人脸识别方法
CN105046224A (zh) * 2015-07-16 2015-11-11 东华大学 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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1615160A2 (en) * 2004-07-07 2006-01-11 Samsung Electronics Co., Ltd. Apparatus for and method of feature extraction for image recognition
CN101699470A (zh) * 2009-10-30 2010-04-28 华南理工大学 一种对人脸图片进行笑脸识别的提取方法
CN104471389A (zh) * 2012-08-24 2015-03-25 富士施乐株式会社 图像处理装置、程序、图像处理方法、计算机可读介质及图像处理系统
CN102880866A (zh) * 2012-09-29 2013-01-16 宁波大学 一种人脸特征提取方法
CN103198299A (zh) * 2013-03-27 2013-07-10 西安电子科技大学 基于多方向尺度与Gabor相位投影特征结合的人脸识别方法
CN103714331A (zh) * 2014-01-10 2014-04-09 南通大学 一种基于点分布模型面部表情特征的提取方法
CN104899576A (zh) * 2015-06-23 2015-09-09 南京理工大学 基于Gabor变换和HOG的人脸识别特征提取方法
CN105046224A (zh) * 2015-07-16 2015-11-11 东华大学 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
CN104978569A (zh) * 2015-07-21 2015-10-14 南京大学 一种基于稀疏表示的增量人脸识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于空间多尺度HOG特征的人脸表情识别方法;童莹;《计算机工程与设计》;20141130;第35卷(第11期);第1-6页 *
非限定条件下人脸识别方法研究;曾旻睿;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150315(第3期);第29-48页 *

Also Published As

Publication number Publication date
CN106022214A (zh) 2016-10-12

Similar Documents

Publication Publication Date Title
Yuan et al. Fingerprint liveness detection using an improved CNN with image scale equalization
CN110119686B (zh) 一种基于卷积神经网络的安全帽实时检测方法
Lin et al. Cir-net: Automatic classification of human chromosome based on inception-resnet architecture
CN108537743B (zh) 一种基于生成对抗网络的面部图像增强方法
CN110543822A (zh) 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法
WO2015101080A1 (zh) 人脸认证方法和装置
CN110751098A (zh) 一种基于光照、姿态生成对抗网络的人脸识别方法
CN109902736A (zh) 一种基于自动编码器构建特征表示的肺结节图像分类方法
Wyzykowski et al. Level three synthetic fingerprint generation
CN106250811B (zh) 基于hog特征稀疏表示的非约束人脸识别方法
Wrobel et al. Personal identification utilizing lip print furrow based patterns. A new approach
CN112052772A (zh) 一种人脸遮挡检测算法
CN112580445A (zh) 基于生成对抗网络的人体步态图像视角转化方法
CN105069403B (zh) 一种基于分块统计特征与字典学习稀疏表示分类的三维人耳识别
Alsawwaf et al. In your face: person identification through ratios and distances between facial features
Lian et al. FedFV: A personalized federated learning framework for finger vein authentication
Wang et al. Hand vein recognition based on improved template matching
Xu et al. Endowing rotation invariance for 3D finger shape and vein verification
CN110969101A (zh) 一种基于hog和特征描述子的人脸检测与跟踪方法
CN106022214B (zh) 非约束环境下的有效人脸特征提取方法
CN105389573B (zh) 一种基于局部三值模式分层重构的人脸识别方法
CN113486712A (zh) 一种基于深度学习的多人脸识别方法、系统和介质
CN116342968B (zh) 一种双通道人脸识别方法及装置
CN113887509B (zh) 一种基于图像集合的快速多模态视频人脸识别方法
Deng et al. Multi-stream face anti-spoofing system using 3D information

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: 20201225

Address after: 210000 9 Ziyun Avenue, Qinhuai District, Nanjing, Jiangsu Province

Patentee after: Huashi design group safety technology (Jiangsu) Co.,Ltd.

Address before: 1 No. 211167 Jiangsu city of Nanjing province Jiangning Science Park Hongjing Road

Patentee before: NANJING INSTITUTE OF TECHNOLOGY