CN106056059B - 多方向slgs特征描述及性能云加权融合的人脸识别方法 - Google Patents
多方向slgs特征描述及性能云加权融合的人脸识别方法 Download PDFInfo
- Publication number
- CN106056059B CN106056059B CN201610356577.5A CN201610356577A CN106056059B CN 106056059 B CN106056059 B CN 106056059B CN 201610356577 A CN201610356577 A CN 201610356577A CN 106056059 B CN106056059 B CN 106056059B
- Authority
- CN
- China
- Prior art keywords
- slgs
- face
- pure
- classification
- feature
- 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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多方向SLGS特征描述及性能云加权融合的人脸识别方法,包括如下步骤:1对现有SLGS算法从方向角度扩充,获取人脸在不同方向的纹理特征;2基于纹理特征采用分层交叉处理的方式构建基分类器,依据基分类器在不同区域上的识别稳定性和可靠度,形成性能云,获取权值;3通过对基分类器加权融合,实现对待测人脸判别分类。本发明能利用多方向SLGS算法对人脸图像进行充分描述,利用性能云获得的基分类器权值,达到提高系统的识别性能,获得较高识别率的目的。
Description
技术领域
本发明涉及到特征提取方法和集成判别,属于模式识别领域,具体地说是一种多方向SLGS特征描述及性能云加权融合的人脸识别方法。
背景技术
人脸识别是近几年来图像处理与计算机视觉领域的研究热点,它对多门相关学科有极大的促进作用,受到了研究者的广泛重视。人脸识别问题主要沿着两条主线发展:人脸图像的特征描述和目标匹配。特征描述是人脸识别的核心步骤,理想的描述特征应该是只反映人脸由于相貌不同引起的本质属性的变化,而对表情、光照外的变化不敏感。被广泛熟知的特征提取算法有PCA算法、Gabor算法,稀疏变换,LBP算法等。对称局部图形结构描述子算子(SLGS)是最近才被提出的一种纹理描述算法,它是MFA Abdullah在LGS算法上的一种改进,不再局限环形邻域,而且利用较少的像素点来描述纹理特征,但是SLGS描述纹理特征时只比较水平邻域像素和中心像素的灰度值,而忽略其他方向邻域上的灰度变化,因此不能全面的描述人脸的纹理特征。
分类函数的设计也对人脸识别系统的性能的好坏有很大影响,同样也是研究的重点。单一算法由于其自身存在一些无法克服的局限性,很难在一些复杂的分类任务中取得理想的结果。而集成学习是一种新的机器学习范式,它使用多个分类器来解决同一个问题,能够显著地提高学习系统的泛化能力,因此成为机器学习领域的一个热点,越来越引起众多学者的关注。如何让系统有效利用多个分类器的输出实现集成,获得一个较好的分类结果是集成研究的最终目的。这中间涉及到基分类器的构造,如何产生差异性和互补性的分类器,使得产生的误分类集合尽可能不重叠。基分类器的输出形式以及采用何种组合方式对于分类集成问题也至关重要。对于基分类器的构造,可以是利用相同的算法来训练分类器即同构集成,也可以是不同的算法即异构集成。相比于利用同一特征组成的不同分类器,反映不同性质特征的多个不同分类器可能更加全面的反映出一个模式,从而可以获得更好的分类结果。基分类器的输出主要有以下三级形式:抽象级、排序级和度量级,一般来说,对于这三个输出级别,其信息量是依次递增的,级别越高,理论上获得的实验结果也越好,但级别较高的输出通常也较难获得。多分类器的组合过程,实质上也是降低系统输出不确定性、提高决策可靠性的过程。以往的集成方法都是先提出某计算模型,然后根据训练样本估计模型参数,如线形组合模型中各个基分类器的权值。尽管它们能在一定条件下提高系统的性能。但是它们普遍存在一个缺陷:评判分类器性能的一个重要指标是模型对训练样本集在统计意义上达到最优,而并没有考虑基分类器在样本空间的不同区域上的识别稳定性和可靠度,即各个样本的具体情况,缺少对某一样本可靠度的描述。不同样本具有不同的特征,且基分类器对不同样本的识别能力是有差别的。
发明内容
本发明为避免上述现有技术存在的不足之处,提出一种多方向SLGS特征描述及性能云加权融合的人脸识别方法,以期能利用多方向SLGS算法对人脸图像进行充分描述,利用性能云获得的基分类器权值,达到提高系统的识别性能,获得较高识别率的目的。
本发明为解决技术问题采用如下技术方案:
本发明一种多方向SLGS特征描述及性能云加权融合的人脸识别方法的特点按如下步骤进行:
步骤1、对已知标签的人脸数据库中的人脸图像进行预处理
利用Haar-like小波特征和积分图方法对所有人脸图像中的人脸区域进行检测,并对检测到的人脸区域采用双向灰度积分投影法进行眼睛定位,并对定位后的人脸区域进行归一化处理和直方图均衡化处理,从而获得像素为L×W的纯人脸图像,将所述所有人脸图像均进行预处理,获得纯人脸图像集;
以所述纯人脸图像集作为样本集,假设所述样本集中的人脸类别总数为Q;选取每个人脸类别的N幅样本作为训练集,剩余样本作为测试集;选取所述测试集中的任意一幅纯人脸图像作为测试图像;
步骤2、不同角度SLGS特征子空间的构造
步骤2.1、α°SLGS特征子空间的构造;α∈{0°,45°,90°,135°};
步骤2.1.1、将所述训练集中任意一纯人脸图像的中心像素点的灰度值记为g(i,j);1≤i≤L,1≤j≤W;获得所述中心像素点的灰度值g(i,j)的α°方向的二进制编码
步骤2.1.2、将α°方向的二进制编码中首尾两个二进制值进行相连,形成一个α°方向的环形二进制编码模式;按顺时针方向统计所述α°方向的环形二进制编码模式中任一相邻的两位二进制值从0到1或从1到0的跳变次数,并判断所述跳变次数是否超过2次,若超过2次,则将所述α°方向的环形二进制编码模式归为α°方向的非统一模式,否则,将所述α°方向的环形二进制编码模式归为α°方向的统一模式;
步骤2.1.3、利用式(1)获得所述中心像素点灰度值g(i,j)的α°方向的十进制编码值SLGS(α°):
步骤2.1.4、将所述训练集中任意一幅纯人脸图像进行均匀分块,纯人脸图像的每一分块作为一幅纯人脸子图像,构成纯人脸子图像集;
步骤2.1.5、将所述纯人脸子图像集中任意一幅纯人脸子图像的任一中心像素点的灰度值按照步骤2.1.1-步骤2.1.3进行处理,从而获得所述纯人脸子图像的中心像素点的灰度值的α°方向的十进制编码值SLGS′(α°);将纯人脸子图像的α°方向的非统一模式中不同的α°方向的十进制编码值作为一类;将纯人脸子图像的α°方向的统一模式中不同的α°方向的十进制编码值作为不同类;
步骤2.1.6、将纯人脸子图像的α°方向的统一模式中不同的α°方向的十进制编码值按升序进行排序,并对排序后的每一类的个数进行统计;对纯人脸子图像的α°方向的非统一模式中的α°方向的十进制编码值的个数进行统计;从而获得纯人脸子图像的α°方向的直方图特征;
步骤2.1.7、重复步骤2.1.5和步骤2.1.6,从而获得所述训练集中任意一幅纯人脸图像中所有纯人脸子图像的α°方向的直方图特征,将所有纯人脸子图像的α°方向的直方图特征按照由左到右、由上到下的顺序进行级联;从而获得所述训练集中任意一幅纯人脸图像的α°SLGS特征;
步骤2.1.8、将所述训练集中所有纯人脸图像按照步骤2.1.4-步骤2.1.7进行处理,从而获得所有纯人脸图像的α°SLGS特征,并构成α°SLGS特征集;
步骤2.1.9、按照步骤2.1.4-步骤2.1.7对所述测试图像进行处理,从而获得所述测试图像不同角度的α°SLGS特征Tα°SLGS,即Tα°SLGS∈{T0°SLGS,T45°SLGS,T90°SLGS,T135°SLGS};
步骤3、基分类器的构造及性能云的形成;
步骤3.1、α°SLGS特征集构造分类器;
步骤3.1.1、选取所述训练集中每个人脸类别的N-1幅训练样本获得的α°SLGS特征集训练BP神经网络,获得α°方向的一个基分类器,共构造α°方向的N个基分类器 表示α°方向的第k个基分类器;
步骤3.2、性能云的形成;
步骤3.2.1、利用α°方向的第k个基分类器对所述训练集中每个人脸类别剩下的1幅训练样本的α°SLGS特征进行分类,将最大后验概率值对应的类别作为α°方向的识别结果;
步骤3.2.2、统计所述训练集中每个人脸类别α°方向的第k个混淆矩阵为: 为α°方向的第k个基分类器将第q类中的样本识别为第l类的数量,若q=l,则为α°方向的第k个基分类器将第q类中样本正确识别的数量;若q≠l,则为α°方向的第k个基分类器将第q类中的样本错误识别的数量;1≤q≤Q;
步骤3.2.3、利用式(2)获取α°方向的第k个基分类器在第q类上的准确率
步骤3.2.4、获取α°方向的第k个基分类器在Q个类别上的准确率Acc(k)(α°):
步骤3.2.5、重复步骤3.2.1-步骤3.2.4,获取所述α°SLGS特征集构造的α°方向的N个基分类器的类准确率矩阵AM(α°)为:
步骤3.2.6、对所述类准确率矩阵AM(α°)按列求和并取均值,获得α°SLGS特征集构造的α°方向的N个基分类器对各个类别的准确率均值Accα°SLGS为:
并有表示α°方向的第q个类别的准确率均值;
步骤3.2.7、将α°方向的准确率均值Accα°SLGS中各个值作为云滴,形成性能云,输入到逆向云发生器,从而获得性能云的三个特征值:α°方向的期望α°方向的熵和α°方向的超熵
步骤4、基于性能云的三个特征值获取基分类的权值,利用加权融合获取所述测试样本的分类结果;
步骤4.1、计算所述α°SLGS特征集构造α°方向的N个分类器的α°方向的权值wα°SLGS∈{w0°SLGS,w45°SLGS,w90°SLGS,w135°SLGS}:
步骤4.2、利用所述α°方向的第k个基分类器对所述测试样本的α°SLGS特征进行分类,得到所述测试样本属于第q个类别的后验概率
步骤4.3、利用式(4)对所述α°SLGS特征集上构造的α°方向的N个基分类器获取的测试样本属于第q个类别的后验概率求取均值,得到α°方向上所述测试样本属于第q个类别的后验概率均值
即
步骤4.4、利用式(5)获得所述测试样本属于类别q的后验概率值P(x|Cq):
步骤4.5、利用式(6)获得所述测试样本的分类结果Ttest:
Ttest=argmaxP(x|Cq) (6)。
本发明所述的多方向SLGS特征描述及性能云加权融合的人脸识别方法的特点也在于,
所述步骤2.1.1中心像素点的灰度值g(i,j)的α°方向的二进制编码是按如下情况获得:
当α°=0°时,将所述训练集中任意一纯人脸图像的中心像素点的灰度值g(i,j)的水平六邻域灰度值分别记为g(i,j-1)、g(i-1,j-2)、g(i+1,j-2)、g(i,j+1)、g(i-1,j+2)、g(i+1,j+2);并利用式(7)和式(8)获得所述中心像素点的灰度值g(i,j)的0°方向的二进制编码
当α°=45°时,将所述训练集中任意一幅纯人脸图像的中心像素点的灰度值g(i,j)的正对角六邻域灰度值分别记为g(i+1,j-2)、g(i+1,j-1)、g(i+2,j-1)、g(i-1,j+1)、g(i-1,j+2)、g(i-2,j+1);并利用式(9)和式(8)获得所述中心像素点的灰度值g(i,j)的45°方向的二进制编码
当α°=90°时,将所述训练集中任意一幅纯人脸图像的中心像素点的灰度值g(i,j)的垂直六邻域灰度值分别记为g(i-2,j-1)、g(i-2,j+1)、g(i-1,j)、g(i-1,j)、g(i+2,j-1)、g(i+2,j+1);并利用式(10)和式(8)获得所述中心像素点的灰度值g(i,j)的90°方向的二进制编码
当α°=135°时,将所述训练集中任意一纯人脸图像的中心像素点的灰度值g(i,j)的负对角六邻域灰度值分别记为g(i-1,j-1)、g(i-1,j-2)、g(i-2,j-1)、g(i+1,j+1)、g(i+2,j+1)、g(i+1,j+2);并利用式(11)和式(8)获得所述中心像素点的灰度值g(i,j)的二进制编码
所述步骤3.2.7是按如下过程获得α°方向的期望α°方向的熵和α°方向的超熵
步骤3.2.7.1、计算所述α°方向的准确率均值Accα°SLGS中所有值的α°方向的均值
步骤3.2.7.2、计算所述α°方向的准确率均值Accα°SLGS中所有值的α°方向的方差S(Acc0°SLGS)2:
步骤3.2.7.3、计算所述α°方向的准确率均值Accα°SLGS中所有值的α°方向的期望
步骤3.2.7.4、计算所述α°方向的准确率均值Accα°SLGS中所有值的α°方向的熵
步骤3.2.7.5、计算所述α°方向的准确率均值Accα°SLGS中所有值的α°方向的超熵
与已有技术相比,本发明的有益效果体现在:
1本发明对人脸图像从多个方向进行纹理描述,从整体上来看,更加全面的表征了人脸;依据基分类器在样本空间不同区域上的识别稳定性和可靠度赋予分类器权值,与传统方法相比,权值的获取更具合理性;利用多个基分类器对待测人脸进行集成分类,避免了单一分类器的片面性以及精确度低的弊端,最终系统获得了较高的识别精度;
2本发明在已有的SLGS算法的基础上对其进行扩充,增加了对角及垂直方向,定义了45°SLGS、90°SLGS和135°SLGS,并利用它们从不同方向对人脸图像进行描述,特征之间具有一定的差异性,满足了互补性,更加全面的表征了人脸;
3本发明通过对训练集采用分层交叉处理的方式来构造分类器,用样本集的一部分作为训练数据,余下的样本用于检测分类器的分类精确度,这种方法不易产生过拟合问题,且所有训练样本均参加了训练和测试,增加了分类器局部性能评估的可靠性,保证了基分类器分类信息的统计能够反映数据的整体分布;
4本发明根据构建的基分类器在不同样本及不同区域上的识别性能,用性能云来反映基分类器的性能包括随样本变化的稳定性、随机性和可靠度,充分考虑了不同基分类器在不同样本环境下的性能表现,更有针对性地发挥了不同基分类器在不同样本和不同区域上的优势,权值的获取更具合理性,从而使集成的整体性能更佳;
5本发明结合BP神经网络,利用决策层加权融合的方式对待测样本进行分类,决策级融合对学习器的依赖性小,且具有较好的容错性,能够弱化信息的不完整及错误数据的影响;
6本发明使用多个分类器对待测样本进行集成分类,有效地集成了多个分类器之间的输出结果,降低了具有高偏差分类器的不稳定性,同时也避免了单一分类器的片面性以及精确度低的弊端,增加了分类模型识别的准确性。
附图说明
图1a为现有技术中ORL人脸库的部分样本图;
图1b为现有技术中Yale人脸库的部分样本图;
图1c为现有技术中AR人脸库的部分样本图;
图2为现有技术中人脸图像预处理图;
图3a为现有技术中0°SLGS算法二进制编码计算过程示意图;
图3b为本发明45°SLGS算法二进制编码计算过程示意图;
图3c为本发明90°SLGS算法二进制编码计算过程示意图;
图3d为本发明135°SLGS算法二进制编码计算过程示意图;
图4为本发明α°SLGS人脸重建示意图;
图5为现有技术中逆向云发生器示意图;
图6a在ORL人脸库上,不同分块数时,α°SLGS算法的识别率对比图;
图6b在Yale人脸库上,不同分块数时,α°SLGS算法的识别率对比图;
图6c在AR人脸库上,不同分块数时,α°SLGS算法的识别率对比图;
图7a在ORL人脸库上,不同训练样本数时,α°SLGS算法的识别率对比图;
图7b在Yale人脸库上,不同训练样本数时,α°SLGS算法的识别率对比图;
图8在AR人脸库上,不同条件下,α°SLGS算法的识别率对比图。
具体实施方式
本实施例中,一种多方向SLGS特征描述及性能云加权融合的人脸识别方法包括如下步骤:1、首先从方向角度对已有的SLGS算法进行扩充,增加了对角及垂直方向,定义45°SLGS、90°SLGS和135°SLGS,并将其应用在人脸图像的纹理特征提取上2、采用对训练集分层交叉处理的方式训练基分类器,结合BP神经网络,获取不同特征空间上的基分类器。3、用性能云来反映基分类器的性能,赋予不同特征空间不同的权值,通过加权融合的方式获得待测样本最终的识别结果。具体的说该方法是按如下步骤进行:
步骤1、对已知标签的人脸数据库中的人脸图像进行预处理
利用Haar-like小波特征和积分图方法对如图1a或图1b或图1c示意的人脸库中的所有人脸图像中的人脸区域进行检测,并对检测到的人脸区域采用双向灰度积分投影法进行眼睛定位,并对定位后的人脸区域进行归一化处理和直方图均衡化处理,具体过程如图2所示,从而获得像素为L×W的纯人脸图像,将所有人脸图像均进行预处理,获得纯人脸图像集;
以纯人脸图像集作为样本集,假设样本集中的人脸类别总数为Q;选取每个人脸类别的N幅样本作为训练集,剩余样本作为测试集;选取测试集中的任意一幅纯人脸图像作为测试图像;
步骤2、不同角度SLGS特征子空间的构造
现有技术SLGS算法应用在人脸特征描述上,获取到的是人脸水平方向的纹理特征,忽略了其他方向,具有一定的片面性,描述人脸图像不够全面。介于此,本发明从方向角度对现有技术SLGS算法进行扩展,将原始的SLGS定义为0°SLGS。为了得到其他方向的纹理信息,本发明增加了垂直和对角方向,分别定义了45°SLGS、90°SLGS和135°SLGS;
步骤2.1、α°SLGS特征子空间的构造;α∈{0°,45°,90°,135°};
步骤2.1.1、将训练集中任意一纯人脸图像的中心像素点的灰度值记为g(i,j);1≤i≤L,1≤j≤W;获得中心像素点的灰度值g(i,j)的α°方向的二进制编码
中心像素点的灰度值g(i,j)的α°方向的二进制编码是按如下情况获得:
当α°=0°时,将训练集中任意一纯人脸图像的中心像素点的灰度值g(i,j)的水平六邻域灰度值分别记为g(i,j-1)、g(i-1,j-2)、g(i+1,j-2)、g(i,j+1)、g(i-1,j+2)、g(i+1,j+2);并利用式(1)和式(2)获得中心像素点的灰度值g(i,j)的0°方向的二进制编码图3a为0°SLGS算法二进制编码计算过程示意图;
当α°=45°时,将训练集中任意一幅纯人脸图像的中心像素点的灰度值g(i,j)的正对角六邻域灰度值分别记为g(i+1,j-2)、g(i+1,j-1)、g(i+2,j-1)、g(i-1,j+1)、g(i-1,j+2)、g(i-2,j+1);并利用式(3)和式(2)获得中心像素点的灰度值g(i,j)的45°方向的二进制编码图3b为45°SLGS算法二进制编码计算过程示意图;
当α°=90°时,将训练集中任意一幅纯人脸图像的中心像素点的灰度值g(i,j)的垂直六邻域灰度值分别记为g(i-2,j-1)、g(i-2,j+1)、g(i-1,j)、g(i-1,j)、g(i+2,j-1)、g(i+2,j+1);并利用式(4)和式(2)获得中心像素点的灰度值g(i,j)的90°方向的二进制编码图3c为90°SLGS算法二进制编码计算过程示意图;
当α°=135°时,将训练集中任意一纯人脸图像的中心像素点的灰度值g(i,j)的负对角六邻域灰度值分别记为g(i-1,j-1)、g(i-1,j-2)、g(i-2,j-1)、g(i+1,j+1)、g(i+2,j+1)、g(i+1,j+2);并利用式(5)和式(2)获得中心像素点的灰度值g(i,j)的二进制编码图3d为135°SLGS算法二进制编码计算过程示意图;
步骤2.1.2、将α°方向的二进制编码中首尾两个二进制值进行相连,形成一个α°方向的环形二进制编码模式;按顺时针方向统计α°方向的环形二进制编码模式中任一相邻的两位二进制值从0到1或从1到0的跳变次数,并判断跳变次数是否超过2次,若超过2次,则将α°方向的环形二进制编码模式归为α°方向的非统一模式,否则,将α°方向的环形二进制编码模式归为α°方向的统一模式;
步骤2.1.3、利用式(6)获得中心像素点灰度值g(i,j)的α°方向的十进制编码值SLGS(α°):
利用α°方向的十进制编码值SLGS(α°),可以获得α°方向的重建图,如图4所示;
步骤2.1.4、将训练集中任意一幅纯人脸图像进行均匀分块,纯人脸图像的每一分块作为一幅纯人脸子图像,构成纯人脸子图像集;
步骤2.1.5、将纯人脸子图像集中任意一幅纯人脸子图像的任一中心像素点的灰度值按照步骤2.1.1-步骤2.1.3进行处理,从而获得纯人脸子图像的中心像素点的灰度值的α°方向的十进制编码值SLGS′(α°);将纯人脸子图像的α°方向的非统一模式中不同的α°方向的十进制编码值作为一类;将纯人脸子图像的α°方向的统一模式中不同的α°方向的十进制编码值作为不同类;
步骤2.1.6、将纯人脸子图像的α°方向的统一模式中不同的α°方向的十进制编码值按升序进行排序,并对排序后的每一类的个数进行统计;对纯人脸子图像的α°方向的非统一模式中的α°方向的十进制编码值的个数进行统计;从而获得纯人脸子图像的α°方向的直方图特征;
步骤2.1.7、重复步骤2.1.5和步骤2.1.6,从而获得训练集中任意一幅纯人脸图像中所有纯人脸子图像的α°方向的直方图特征,将所有纯人脸子图像的α°方向的直方图特征按照由左到右、由上到下的顺序进行级联;从而获得训练集中任意一幅纯人脸图像的α°SLGS特征;
步骤2.1.8、将训练集中所有纯人脸图像按照步骤2.1.4-步骤2.1.7进行处理,从而获得所有纯人脸图像的α°SLGS特征,并构成α°SLGS特征集;
步骤2.1.9、按照步骤2.1.4-步骤2.1.7对测试图像进行处理,从而获得测试图像不同角度的α°SLGS特征Tα°SLGS,即Tα°SLGS∈{T0°SLGS,T45°SLGS,T90°SLGS,T135°SLGS};
步骤3、基分类器的构造及性能云的形成;
步骤3.1、α°SLGS特征集构造基分类器;
步骤3.1.1、选取训练集中每个人脸类别的N-1幅训练样本获得的α°SLGS特征集并训练BP神经网络,获得α°方向的一个基分类器;
步骤3.1.1.1、将训练集中每个人脸类别的N-1幅训练样本获得的α°SLGS特征集中的数据归一化到[0,1];
步骤3.1.1.2、创建BP四层网络函数
隐层第一层节点数:96;
输出维数:Q
各层传输函数:tansig、logsig、purelin(输出层);
指定训练函数为变学习率动量梯度下降算法:traingdx;
训练次数设置:1000;
训练目标误差设置:1e-7;
学习率设置:0.7;
显示训练结果的间隔步数:500;
步骤3.1.1.2、调用sim函数,运行Simulink模型;
由于训练集中,每个人脸类别共有N幅训练样本,因此共可以构造α°方向的N个基分类器 表示α°方向的第k个基分类器;
目前的分类器集成方法有投票法、线性组合法、证据理论法、模糊积分法,这些方法在一定程度上都能提高系统的识别性能,但它们都只是根据基分类器对整个样本空间的统计性能,而忽略了其在样本空间的不同区域上的识别稳定性和可靠度。为此,本发明引入云模型理论,利用基分类器对不同区域样本的识别准确度作为云滴,形成性能云,获得刻画基分类器的性能的特征值,求得基分类器的权值,完成定性到定量的描述。
云模型是李德毅提出的一种定性定量不确定性转换模型,它将模糊集理论中的模糊性和概率理论中的随机性有机地结合起来表征一个整体概念。云模型包含三个特征值:Ex,熵En,超熵He。期望Ex反映了云滴群的重心位置;熵En反映了论域空间中可被这个定性概念接受的范围,即模糊度,是定性概念亦此亦彼性的度量,另一方面还反映在论域空间中的点能够代表这个定性概念的概率,表示定性概念的云滴的随机性;超熵He在论域空间中代表云滴的凝聚,反映了云滴的离散程度以及隶属度的随机性变化;
云发生器主要有正向云发生器和逆向云发生器,本发明主要关注定量到定性的转换,即关注逆向云发生器。逆云发生器是定量到定性的转换,即已知云中相当数量的云滴分布Drop(xi,μi),且云滴服从正态分布,确定正态云的三个数字特征值Ex,En和He,如图5所示;
步骤3.2、性能云的形成
步骤3.2.1、利用α°方向的第k个基分类器对训练集中每个人脸类别剩下的1幅训练样本的α°SLGS特征进行分类,将最大后验概率值对应的类别作为α°方向的识别结果;
步骤3.2.2、统计训练集中每个人脸类别α°方向的第k个混淆矩阵为: 为α°方向的第k个基分类器将第q类中的样本识别为第l类的数量,若q=l,则为α°方向的第k个基分类器将第q类中样本正确识别的数量;若q≠l,则为α°方向的第k个基分类器将第q类中的样本错误识别的数量;1≤q≤Q;
步骤3.2.3、利用式(7)获取α°方向的第k个基分类器在第q类上的准确率
步骤3.2.4、获取α°方向的第k个基分类器在Q个类别上的准确率Acc(k)(α°):
步骤3.2.5、、重复步骤3.2.1-步骤3.2.4,获取α°SLGS特征集上构造的α°方向的N个基分类器的类准确率矩阵AM(α°)为:
步骤3.2.6、对类准确率矩阵AM(α°)按列求和并取均值,获得α°SLGS特征集构造的α°方向的N个基分类器对各个类别的准确率均值Accα°SLGS为:
并有表示α°方向的第q个类别的准确率均值;
步骤3.2.7、将α°方向的准确率均值Accα°SLGS中各个值作为云滴,形成性能云,输入到逆向云发生器,从而获得性能云的三个特征值:α°方向的期望α°方向的熵和α°方向的超熵
步骤3.2.7.1、计算α°方向的准确率均值Accα°SLGS中所有值的α°方向的均值
步骤3.2.7.2、计算α°方向的准确率均值Accα°SLGS中所有值的α°方向的方差S(Accα°SLGS)2:
步骤3.2.7.3、计算α°方向的准确率均值Accα°SLGS中所有值的α°方向的期望
步骤3.2.7.4、计算α°方向的准确率均值Accα°SLGS中所有值的α°方向的熵
步骤3.2.7.5、计算α°方向的准确率均值Acc0°SLGS中所有值的α°方向的超熵
α°方向的期望表示基分类器的平均性能,即基分类器的平均正确识别率;α°方向的熵表示基分类器对样本识别能力的离散程度,衡量了基分类器随样本变化的稳定性,即度量基分类器在不同区域上的类准确率的变化大小;α°方向的超熵表示与基分类器正常发挥的偏离程度(即随机性);
步骤4、基于性能云的三个特征值获取基分类的权值,利用加权融合获取测试样本的分类结果;
步骤4.1、计算α°SLGS特征集构造α°方向的N个分类器的α°方向的权值wα°SLGS∈{w0°SLGS,w45°SLGS,w90°SLGS,w135°SLGS}:
步骤4.2、利用α°方向的第k个基分类器对测试样本的α°SLGS特征进行分类,得到测试样本属于第q个类别的后验概率
步骤4.3、利用式(14)对α°SLGS特征集上构造的α°方向的N个基分类器获取的测试样本属于第q个类别的后验概率求取均值,得到α°方向上测试样本属于第q个类别的后验概率均值
即
步骤4.4、利用式(15)获得测试样本属于类别q的后验概率值P(x|Cq):
步骤4.5、利用式(16)获得测验样本的分类结果Ttest:
Ttest=argmaxP(x|Cq) (16)。
实施例:
将ORL人脸库、Yale人脸库和AR人脸库作为样本集;ORL人脸库是由英国剑桥AT&T实验室创建,由40个不同年龄、不同性别和不同种族的人组成,每个人有10幅不同的人脸图像,共400幅图像;Yale库由165幅人脸图像,共包含15个人,每个人有11幅不同的人脸图像组成,主要包括光照条件、表情的变化。AR人脸库包括126个人(其中男性70人,女性56人),每个人的图片是分别在两段时间内拍摄完成的,每段时期均拍摄13幅图片,包括遮挡、表情和光照等变化;
实验1不同分块时,α°SLGS算法识别率的对比
实验时,在ORL人脸库上,随机选取每人的5幅图像组成训练集,剩下的图像构成测试集;在Yale人脸库上,随机选取每人的2幅图像组成训练集,剩下的图像构成测试集;在AR人脸库上,随机选取每人的4幅图像组成训练集,剩下的图像构成测试集。将三个不同人脸库中的图像根据分块数进行归一化,若将其分成2×2,3×3,4×4,6×6,8×8块时,则将图像归一化为96×96像素大小;若将其分成5×5块,则将图像归一化为95×95;若将图像归一化为7×7块,则将图像归一化为98×98像素大小;若将图像归一化为9×9块,则将图像归一化为99×99像素大小。对分块后的人脸图像中的每一块分别利用α°SLGS求取特征,并将获得的纹理直方图级联,作为描述人脸图像的特征。本发明利用训练集获得的所有α°SLGS特征结合BP神经网络构造分类器,根据所得待测人脸的最大后验概率值进行分类。在不同人脸库上的实验结果如图6a、6b和6c所示。
实验结果表明,随着分块数的变化,α°SLGS算法的识别率也在发生变化,相比于现有的0°SLGS算法,45°SLGS、90°SLGS和135°SLGS算法表现出更好的识别性能,除水平方向外,其他方向的纹理特征在人脸识别上也承担重要角色,证明了本发明方法的有效性;
实验2不同训练样本数时,ORL人脸库和Yale人脸库上α°SLGS算法识别率的对比
实验时,在ORL和Yale人脸库上,随机选取每人的2-6幅图像组成训练集,剩下的图像构成测试集。根据实验1的识别结果,本发明综合考虑不同算法在不同分块时的性能表现,将ORL人脸库中的图像归一化为96×96大小,分成6×6块;Yale人脸库中的图像归一化为98×98大小,分成7×7块。在训练样本数不同的情况下,ORL和Yale人脸库上的实验结果如图7a和7b所示;
实验3不同条件下,AR人脸库上α°SLGS算法识别率的对比
图8给出了在AR库上,α°SLGS算法应用在含有遮挡、光照、表情变化和正常条件下,人脸识别的错误率对比。其中,正常条件下是指选择如图1c中编号1-4中的任意两幅图像进行训练,另外两幅作为测试;遮挡条件下是指选择如图1c中编号5-16中的任意6幅图像进行训练,剩下的图像作为测试;光照条件下选择如图1c中编号17-22中的任意3幅图像进行训练,剩下的图像作为测试;含有表情变化条件下是指如图1c中选择编号23-26中的任意两幅图像进行训练,剩下的图像作为测试;图8的实验数据显示,相比较含有光照、遮挡及表情变化的人脸识别,自然条件下的人脸识别表现出更高的识别性能,其中含有遮挡的识别性能最差,这是因为遮挡最影响人脸纹理特征的提取。135°SLGS算法应用在除自然状态下的其他三种条件时表现出的识别性能均是最好的,45°SLGS和90°SLGS算法在自然状态下的识别性能最优。这也说明,仅仅关注人脸图像某一方向上的纹理描述显然是不合理的,需要从多个方向对人脸图像进行描述,才能确保获得的纹理特征更加全面,使得构造的基分类器更加具有差异性和互补性,最终集成效果更优;
实验4各个算法识别率比较
实验时,在ORL和Yale人脸库上,随机选取每人的2-7幅图像组成训练集,剩下的图像组成测试集。ORL人脸库中的图像归一化为96×96大小,分成6×6块;Yale人脸库中的图像归一化为98×98大小,分成7×7块。在AR库人脸库上,随机选取每人的9-14幅图像组成训练样本集,剩下的图像组成测试集。分别利用α°SLGS算法和本发明提出的性能云加权融合人脸识别方法,以及现有人脸识别技术中的识别率进行对比。实验结果如表1a和1b和1c所示。
表1a 在ORL人脸库上,不同算法误识率对比(%)
表1b 在Yale人脸库上,不同算法误识率对比(%)
表1c 在AR人脸库上,不同算法误识率对比(%)
综上所述,本发明的意义在于:1本发明能对人脸进行更为全面的表征,性能云加权融合判决的方式有效的提高了系统的识别精确度和准确率;2采用分层交叉的方式构建基分类器,不易产生过拟合且增加了分类器性能评估的可靠性;3与传统方法相比,本发明依据基分类器在样本空间的不同区域上的识别稳定性和可靠度形成性能云,然后赋予基分类器权值,权值的赋予更具合理性;4利用多个基分类器对待测人脸进行集成分类,有效地利用基分类器间的差异性和互补性,避免单一分类器的片面性以及精确度低的弊端,最终系统获得了较高的识别性能。
Claims (3)
1.一种多方向SLGS特征描述及性能云加权融合的人脸识别方法,其特征是按如下步骤进行:
步骤1、对已知标签的人脸数据库中的人脸图像进行预处理
利用Haar-like小波特征和积分图方法对所有人脸图像中的人脸区域进行检测,并对检测到的人脸区域采用双向灰度积分投影法进行眼睛定位,并对定位后的人脸区域进行归一化处理和直方图均衡化处理,从而获得像素为L×W的纯人脸图像,将所述所有人脸图像均进行预处理,获得纯人脸图像集;
以所述纯人脸图像集作为样本集,假设所述样本集中的人脸类别总数为Q;选取每个人脸类别的N幅样本作为训练集,剩余样本作为测试集;选取所述测试集中的任意一幅纯人脸图像作为测试图像;
步骤2、不同角度SLGS特征子空间的构造
步骤2.1、α°SLGS特征子空间的构造;α∈{0°,45°,90°,135°};
步骤2.1.1、将所述训练集中任意一纯人脸图像的中心像素点的灰度值记为g(i,j);1≤i≤L,1≤j≤W;获得所述中心像素点的灰度值g(i,j)的α°方向的二进制编码
步骤2.1.2、将α°方向的二进制编码中首尾两个二进制值进行相连,形成一个α°方向的环形二进制编码模式;按顺时针方向统计所述α°方向的环形二进制编码模式中任一相邻的两位二进制值从0到1或从1到0的跳变次数,并判断所述跳变次数是否超过2次,若超过2次,则将所述α°方向的环形二进制编码模式归为α°方向的非统一模式,否则,将所述α°方向的环形二进制编码模式归为α°方向的统一模式;
步骤2.1.3、利用式(1)获得所述中心像素点灰度值g(i,j)的α°方向的十进制编码值SLGS(α°):
步骤2.1.4、将所述训练集中任意一幅纯人脸图像进行均匀分块,纯人脸图像的每一分块作为一幅纯人脸子图像,构成纯人脸子图像集;
步骤2.1.5、将所述纯人脸子图像集中任意一幅纯人脸子图像的任一中心像素点的灰度值按照步骤2.1.1-步骤2.1.3进行处理,从而获得所述纯人脸子图像的中心像素点的灰度值的α°方向的十进制编码值SLGS′(α°);将纯人脸子图像的α°方向的非统一模式中不同的α°方向的十进制编码值作为一类;将纯人脸子图像的α°方向的统一模式中不同的α°方向的十进制编码值作为不同类;
步骤2.1.6、将纯人脸子图像的α°方向的统一模式中不同的α°方向的十进制编码值按升序进行排序,并对排序后的每一类的个数进行统计;对纯人脸子图像的α°方向的非统一模式中的α°方向的十进制编码值的个数进行统计;从而获得纯人脸子图像的α°方向的直方图特征;
步骤2.1.7、重复步骤2.1.5和步骤2.1.6,从而获得所述训练集中任意一幅纯人脸图像中所有纯人脸子图像的α°方向的直方图特征,将所有纯人脸子图像的α°方向的直方图特征按照由左到右、由上到下的顺序进行级联;从而获得所述训练集中任意一幅纯人脸图像的α°SLGS特征;
步骤2.1.8、将所述训练集中所有纯人脸图像按照步骤2.1.4-步骤2.1.7进行处理,从而获得所有纯人脸图像的α°SLGS特征,并构成α°SLGS特征集;
步骤2.1.9、按照步骤2.1.4-步骤2.1.7对所述测试图像进行处理,从而获得所述测试图像不同角度的α°SLGS特征Tα°SLGS,即Tα°SLGS∈{T0°SLGS,T45°SLGS,T90°SLGS,T135°SLGS};
步骤3、基分类器的构造及性能云的形成;
步骤3.1、α°SLGS特征集构造分类器;
步骤3.1.1、选取所述训练集中每个人脸类别的N-1幅训练样本获得的α°SLGS特征集训练BP神经网络,获得α°方向的一个基分类器,共构造α°方向的N个基分类器 表示α°方向的第k个基分类器;
步骤3.2、性能云的形成;
步骤3.2.1、利用α°方向的第k个基分类器对所述训练集中每个人脸类别剩下的1幅训练样本的α°SLGS特征进行分类,将最大后验概率值对应的类别作为α°方向的识别结果;
步骤3.2.2、统计所述训练集中每个人脸类别α°方向的第k个混淆矩阵为: 为α°方向的第k个基分类器将第q类中的样本识别为第l类的数量,若q=l,则为α°方向的第k个基分类器将第q类中样本正确识别的数量;若q≠l,则为α°方向的第k个基分类器将第q类中的样本错误识别的数量;1≤q≤Q;
步骤3.2.3、利用式(2)获取α°方向的第k个基分类器在第q类上的准确率
步骤3.2.4、获取α°方向的第k个基分类器在Q个类别上的准确率Acc(k)(α°):
步骤3.2.5、重复步骤3.2.1-步骤3.2.4,获取所述α°SLGS特征集构造的α°方向的N个基分类器的类准确率矩阵AM(α°)为:
步骤3.2.6、对所述类准确率矩阵AM(α°)按列求和并取均值,获得α°SLGS特征集构造的α°方向的N个基分类器对各个类别的准确率均值Accα°SLGS为:并有表示α°方向的第q个类别的准确率均值;
步骤3.2.7、将α°方向的准确率均值Accα°SLGS中各个值作为云滴,形成性能云,输入到逆向云发生器,从而获得性能云的三个特征值:α°方向的期望α°方向的熵和α°方向的超熵
步骤4、基于性能云的三个特征值获取基分类的权值,利用加权融合获取所述测试样本的分类结果;
步骤4.1、计算所述α°SLGS特征集构造α°方向的N个分类器的α°方向的权值wα°SLGS∈{w0°SLGS,w45°SLGS,w90°SLGS,w135°SLGS}:
步骤4.2、利用所述α°方向的第k个基分类器对所述测试样本的α°SLGS特征进行分类,得到所述测试样本属于第q个类别的后验概率
步骤4.3、利用式(4)对所述α°SLGS特征集上构造的α°方向的N个基分类器获取的测试样本属于第q个类别的后验概率求取均值,得到α°方向上所述测试样本属于第q个类别的后验概率均值
即
步骤4.4、利用式(5)获得所述测试样本属于类别q的后验概率值P(x|Cq):
步骤4.5、利用式(6)获得所述测试样本的分类结果Ttest:
Ttest=argmaxP(x|Cq) (6)。
2.根据权利要求1所述的多方向SLGS特征描述及性能云加权融合的人脸识别方法,其特征是,所述步骤2.1.1中心像素点的灰度值g(i,j)的α°方向的二进制编码是按如下情况获得:
当α°=0°时,将所述训练集中任意一纯人脸图像的中心像素点的灰度值g(i,j)的水平六邻域灰度值分别记为g(i,j-1)、g(i-1,j-2)、g(i+1,j-2)、g(i,j+1)、g(i-1,j+2)、g(i+1,j+2);并利用式(7)和式(8)获得所述中心像素点的灰度值g(i,j)的0°方向的二进制编码
当α°=45°时,将所述训练集中任意一幅纯人脸图像的中心像素点的灰度值g(i,j)的正对角六邻域灰度值分别记为g(i+1,j-2)、g(i+1,j-1)、g(i+2,j-1)、g(i-1,j+1)、g(i-1,j+2)、g(i-2,j+1);并利用式(9)和式(8)获得所述中心像素点的灰度值g(i,j)的45°方向的二进制编码
当α°=90°时,将所述训练集中任意一幅纯人脸图像的中心像素点的灰度值g(i,j)的垂直六邻域灰度值分别记为g(i-2,j-1)、g(i-2,j+1)、g(i-1,j)、g(i-1,j)、g(i+2,j-1)、g(i+2,j+1);并利用式(10)和式(8)获得所述中心像素点的灰度值g(i,j)的90°方向的二进制编码
当α°=135°时,将所述训练集中任意一纯人脸图像的中心像素点的灰度值g(i,j)的负对角六邻域灰度值分别记为g(i-1,j-1)、g(i-1,j-2)、g(i-2,j-1)、g(i+1,j+1)、g(i+2,j+1)、g(i+1,j+2);并利用式(11)和式(8)获得所述中心像素点的灰度值g(i,j)的二进制编码
3.根据权利要求1所述的多方向SLGS特征描述及性能云加权融合的人脸识别方法,其特征是,所述步骤3.2.7是按如下过程获得α°方向的期望α°方向的熵和α°方向的超熵
步骤3.2.7.1、计算所述α°方向的准确率均值Accα°SLGS中所有值的α°方向的均值
步骤3.2.7.2、计算所述α°方向的准确率均值Accα°SLGS中所有值的α°方向的方差S(Acc0°SLGS)2:
步骤3.2.7.3、计算所述α°方向的准确率均值Accα°SLGS中所有值的α°方向的期望
步骤3.2.7.4、计算所述α°方向的准确率均值Accα°SLGS中所有值的α°方向的熵
步骤3.2.7.5、计算所述α°方向的准确率均值Accα°SLGS中所有值的α°方向的超熵
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610356577.5A CN106056059B (zh) | 2016-05-20 | 2016-05-20 | 多方向slgs特征描述及性能云加权融合的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610356577.5A CN106056059B (zh) | 2016-05-20 | 2016-05-20 | 多方向slgs特征描述及性能云加权融合的人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106056059A CN106056059A (zh) | 2016-10-26 |
CN106056059B true CN106056059B (zh) | 2019-02-12 |
Family
ID=57174632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610356577.5A Active CN106056059B (zh) | 2016-05-20 | 2016-05-20 | 多方向slgs特征描述及性能云加权融合的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106056059B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509927B (zh) * | 2018-04-09 | 2021-09-07 | 中国民航大学 | 一种基于局部对称图结构的手指静脉图像识别方法 |
CN108596126B (zh) * | 2018-04-28 | 2021-09-14 | 中国民航大学 | 一种基于改进的lgs加权编码的手指静脉图像识别方法 |
CN108446686A (zh) * | 2018-05-28 | 2018-08-24 | 天津科技大学 | 一种基于图像局部图结构的人脸识别特征提取算法 |
CN110660123B (zh) * | 2018-06-29 | 2021-08-31 | 清华大学 | 基于神经网络的三维ct图像重建方法和设备以及存储介质 |
CN110852150B (zh) * | 2019-09-25 | 2022-12-20 | 珠海格力电器股份有限公司 | 一种人脸验证方法、系统、设备及计算机可读存储介质 |
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 |
CN113159089A (zh) * | 2021-01-18 | 2021-07-23 | 安徽建筑大学 | 一种路面损伤识别方法、系统、计算机设备和存储介质 |
CN115984948B (zh) * | 2023-03-20 | 2023-05-26 | 广东广新信息产业股份有限公司 | 应用于温度感测的人脸识别方法及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673340A (zh) * | 2009-08-13 | 2010-03-17 | 重庆大学 | 综合多方向多尺度与bp神经网络的人耳识别方法 |
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 |
CN103632168A (zh) * | 2013-12-09 | 2014-03-12 | 天津工业大学 | 一种机器学习中的分类器集成方法 |
CN105117688A (zh) * | 2015-07-29 | 2015-12-02 | 重庆电子工程职业学院 | 基于纹理特征融合和svm的人脸识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2115662B1 (en) * | 2007-02-28 | 2010-06-23 | Fotonation Vision Limited | Separating directional lighting variability in statistical face modelling based on texture space decomposition |
-
2016
- 2016-05-20 CN CN201610356577.5A patent/CN106056059B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673340A (zh) * | 2009-08-13 | 2010-03-17 | 重庆大学 | 综合多方向多尺度与bp神经网络的人耳识别方法 |
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 |
CN103632168A (zh) * | 2013-12-09 | 2014-03-12 | 天津工业大学 | 一种机器学习中的分类器集成方法 |
CN105117688A (zh) * | 2015-07-29 | 2015-12-02 | 重庆电子工程职业学院 | 基于纹理特征融合和svm的人脸识别方法 |
Non-Patent Citations (4)
Title |
---|
Face Recognition using Gabor Wavelet Features with PCA and KPCA - A Comparative Study;Vinay.A 等;《3rd International Conference on Recent Trends in Computing》;20151231;第650-659页 |
Feature Extraction by Fusing Local and Global Discriminant Features: An Application to Face Recognition;Shiladitya Chowdhury 等;《IEEE International Conference on Computational Intelligence and Computing Reseach》;20110131;第1-4页 |
局部二值模式及其扩展方法研究与展望;孙君顶 等;《计算机应用与软件》;20160131;第33卷(第1期);第302-210,215页 |
特征采样和特征融合的子图像人脸识别方法;朱玉莲 等;《软件学报》;20121231;第23卷(第12期);第3209-3220页 |
Also Published As
Publication number | Publication date |
---|---|
CN106056059A (zh) | 2016-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056059B (zh) | 多方向slgs特征描述及性能云加权融合的人脸识别方法 | |
CN106599797B (zh) | 一种基于局部并行神经网络的红外人脸识别方法 | |
He et al. | An end-to-end steel surface defect detection approach via fusing multiple hierarchical features | |
CN103605972B (zh) | 一种基于分块深度神经网络的非限制环境人脸验证方法 | |
CN104063719B (zh) | 基于深度卷积网络的行人检测方法及装置 | |
CN101419671B (zh) | 基于模糊支持向量机的人脸性别识别方法 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN104504362A (zh) | 基于卷积神经网络的人脸检测方法 | |
Jing et al. | Yarn-dyed fabric defect classification based on convolutional neural network | |
CN106919920A (zh) | 基于卷积特征和空间视觉词袋模型的场景识别方法 | |
CN101271469A (zh) | 一种基于三维模型库下二维图像的识别和物体的重建方法 | |
CN102156871A (zh) | 基于类别相关的码本和分类器投票策略的图像分类方法 | |
CN103077399B (zh) | 基于集成级联架构的生物显微图像分类方法 | |
CN102156885A (zh) | 基于级联式码本生成的图像分类方法 | |
CN105844221A (zh) | 一种基于Vadaboost筛选特征块的人脸表情识别方法 | |
CN101169830A (zh) | 基于嵌入式隐马尔可夫模型和选择性集成的人脸画像自动生成方法 | |
CN109614866A (zh) | 基于级联深度卷积神经网络的人脸检测方法 | |
CN105608443B (zh) | 一种多特征描述及局部决策加权的人脸识别方法 | |
Ren et al. | A high compatibility finger vein image quality assessment system based on deep learning | |
CN110502989A (zh) | 一种小样本高光谱人脸识别方法及系统 | |
Xia et al. | Evaluation of saccadic scanpath prediction: Subjective assessment database and recurrent neural network based metric | |
CN102129557A (zh) | 一种基于lda子空间学习的人脸识别方法 | |
CN100412884C (zh) | 基于局部描述子的人脸快速检测方法 | |
CN105404899A (zh) | 基于多方向上下文信息和稀疏编码模型的图像分类方法 | |
CN110210562A (zh) | 基于深度网络和稀疏Fisher矢量的图像分类方法 |
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 |