CN106485202A - 非约束人脸识别系统及方法 - Google Patents
非约束人脸识别系统及方法 Download PDFInfo
- Publication number
- CN106485202A CN106485202A CN201610829528.9A CN201610829528A CN106485202A CN 106485202 A CN106485202 A CN 106485202A CN 201610829528 A CN201610829528 A CN 201610829528A CN 106485202 A CN106485202 A CN 106485202A
- Authority
- CN
- China
- Prior art keywords
- face
- hog
- unconfinement
- feature
- picture
- 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.)
- Pending
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
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- 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
- 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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
- G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (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
本发明提供一种非约束人脸识别系统及方法,首先利用视觉注意机制获取输入图片的视觉显著图;根据视觉显著图检测人脸目标区域;再利用HOG算子对检测出的人脸目标区域进行特征提取;选取训练样本的HOG特征向量构建字典,剩余样本作为测试样本;最后根据稀疏表示的人脸识别算法对测试样本进行分类识别。该种非约束人脸识别系统及方法,一方面基于视觉显著性的人脸检测可以矫正对齐人脸区域,满足稀疏表示人脸识别的假设条件;另一方面以HOG特征作为稀疏字典可以进一步消除人脸变化干扰,两者结合可以有效提高非约束人脸识别准确率。
Description
技术领域
本发明涉及一种非约束人脸识别系统及方法。
背景技术
人脸识别作为最具潜力的生物身份识别方式之一,已经深入了人类日常生活的方方面面,正确辨识出非约束环境中的人脸对计算机来说至关重要。但由于非约束人脸识别性能受到背景、光照、姿态、表情、衣物遮挡、伪装等因素的严重影响,因此适应能力很强的人脸识别系统的设计具有很大的挑战性。
人脸识别系统流程如图1所示,大致可以分为四部分,首先输入人脸图片,接着对这幅图片进行人脸区域检测,然后对检测到的人脸区域进行特征提取和分类,最后判别出这幅图片所属的类别。
人脸识别系统的关键部分是人脸区域检测和人脸特征提取与识别。近几年来,人脸检测、人脸特征提取与识别的算法层出不穷,其目的就是为了使机器具有智能化,能准确无误地对测试图片进行判别,无论测试图片是单一的正面人脸还是背景复杂的非约束(光照、姿态、遮挡等因素影响)人脸。
现有技术方案的不足之处在于:
常用人脸区域检测算法有基于模板匹配的人脸检测和基于肤色模型的人脸检测两类,这些方法虽然原理简单,易于实现,但是预先设计出的人脸模板不能精确匹配不同的人脸轮廓以及五官分布;肤色模型也很容易受到其他非人脸因素(袒露的皮肤)的影响。所以这些人脸检测算法局限性很大,不适用非约束人脸检测的情况。
现有的人脸识别方法多是手工选取特征,再利用SVM、KNN等分类器判别人脸。基于手工特征提取的人脸识别方法其关键是人脸特征表示,良好特征表示对算法准确性起关键作用,手工选取特征是一件非常费力、启发式的方法,能不能选取适合特征很大程度上靠经验和运气。对于有遮挡、姿态变化、表情变化等因素影响的非约束人脸,手工选取人脸本质特征更加困难,导致识别率大大降低。
上述问题是在人脸识别过程中应当予以考虑并解决的问题。
发明内容
本发明的目的是提供一种非约束人脸识别系统及方法解决现有技术中存在的或人脸检测算法局限性很大,不适用非约束人脸检测的情况,或手工选取人脸本质特征更加困难,导致识别率大大降低的问题。
本发明的技术解决方案是:
一种非约束人脸识别系统,包括图片输入模块、人脸检测模块、人脸特征提取模块、判别结果输出模块,
图片输入模块:输入人脸图片;
人脸检测模块:利用视觉注意机制获取输入人脸图片的视觉显著图,根据视觉显著图检测人脸目标区域;
人脸特征提取模块:利用HOG算子对检测出的人脸目标区域进行特征提取;选取训练样本的HOG特征向量构建字典,剩余样本作为测试样本;根据稀疏表示的人脸识别算法对测试样本进行分类识别;
判别结果输出模块:对识别结果进行输出并显示。
进一步地,人脸检测模块中,利用视觉注意机制获取输入人脸图片的视觉显著图,具体为:对输入的灰度图片I(x,y)利用GBVS算法提取视觉显著图,记为S(x,y)。
进一步地,人脸检测模块中,根据视觉显著图检测人脸目标区域,具体为:
选择合适的阈值对视觉显著图S(x,y)进行阈值分割得到模板M1(x,y);对M1(x,y)进行形态学操作得到精细模板M2(x,y);定位M2(x,y)的质心p,利用边缘函数提取M2(x,y)的边缘;
求出质心p到模板边缘的最小距离d;以p为中心,d为边长得到正方区域,将输入图像I(x,y)与正方形区域作匹配得到人脸目标检测区域Dete(x,y)。
进一步地,人脸检测模块检测到的人脸目标区域Dete(x,y)后,人脸特征提取模块利用HOG算子提取Dete(x,y)的梯度方向特征,得到特征矩阵HOG_feature,其中每一行的列向量表示一幅图片的HOG特征。
进一步地,从所得特征矩阵HOG_feature中随机取出m行特征向量用于构建特征字典,剩余特征向量留作测试;
利用稀疏表示分类方法对测试样本进行识别与分类,正确分类的记作1,错误分类的记作0,根据1的个数计算识别率,并记录系统结束时所消耗的总时间。
一种非约束人脸识别方法,包括以下步骤:
基于视觉注意机制的人脸目标区域检测:首先利用视觉注意机制获取输入图片的视觉显著图,根据视觉显著图检测人脸目标区域;
基于HOG特征稀疏表示的人脸识别:利用HOG算子对检测出的人脸目标区域进行特征提取;选取训练样本的HOG特征向量构建字典,剩余样本作为测试样本;最后根据稀疏表示的人脸识别算法对测试样本进行分类识别。
进一步地,基于视觉注意机制的人脸目标区域检测,具体为:
输入图像一幅250×250的灰度图片I(x,y),利用GBVS算法提取视觉显著图,记为S(x,y);
选择合适的阈值对视觉显著图S(x,y)进行阈值分割得到模板M1(x,y);对M1(x,y)进行形态学操作得到精细模板M2(x,y);定位M2(x,y)的质心p,利用边缘函数提取M2(x,y)的边缘;
求出质心p到模板边缘的最小距离d。以p为中心,d为边长得到正方区域,将输入图像I(x,y)与正方形区域作匹配得到人脸目标检测区域Dete(x,y)。
进一步地,基于HOG特征稀疏表示的人脸识别,具体为:
利用HOG算子提取Det(e,x)的梯度方向特征,得到特征矩阵HOG_feat,其中列向量表示HOG特征;
从特征矩阵HOG_feature中随机取出m行特征向量用于构建特征字典,剩余特征向量留作测试;
利用稀疏表示分类方法对测试样本进行识别与分类,正确分类的记作1,错误分类的记作0,根据1的个数计算识别率,并记录系统结束时所消耗的总时间。
本发明的有益效果是:
一、该种非约束人脸识别系统及方法,利用视觉注意机制获取人脸显著图,根据显著图准确定位有效人脸目标区域,消除了复杂环境下光照、姿态、遮挡等因素的影响,达到无人工干预,自动、准确检测非约束人脸目标区域的目的,为准确提取非约束人脸特征提供技术支持。
二、该种非约束人脸识别系统及方法,采用HOG特征构建字典,相比较传统字典而言,字典原子包含了训练图片更丰富的边缘纹理信息,能够更准确描述人脸本质特征。并且HOG特征相比传统字典维数降低,解决了传统稀疏表示分类算法中因字典维度大导致运行速度慢的问题,有效提高算法运行效率。
三、该种非约束人脸识别系统及方法,一方面基于视觉显著性的人脸检测可以矫正对齐人脸区域,满足稀疏表示人脸识别的假设条件;另一方面以HOG特征作为稀疏字典可以进一步消除人脸变化干扰,两者结合可以有效提高非约束人脸识别准确率。
附图说明
图1是现有的非约束人脸识别系统的说明示意图。
图2是本发明实施例非约束人脸识别系统的说明框图。
图3是本发明实施例非约束人脸识别方法的流程示意图。
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
一种非约束人脸识别系统,如图2,包括图片输入模块、人脸检测模块、人脸特征提取模块、判别结果输出模块。
图片输入模块:输入人脸图片;
人脸检测模块:利用视觉注意机制获取输入人脸图片的视觉显著图,根据视觉显著图检测人脸目标区域;
人脸特征提取模块:利用HOG算子对检测出的人脸目标区域进行特征提取;选取训练样本的HOG特征向量构建字典,剩余样本作为测试样本;根据稀疏表示的人脸识别算法对测试样本进行分类识别;
判别结果输出模块:对识别结果进行输出并显示。
人脸检测模块中,利用视觉注意机制获取输入人脸图片的视觉显著图,具体为:对输入的灰度图片I(x,y)利用GBVS算法即Graph-Based Visual Saliency,基于图的视觉显著性,提取视觉显著图,记为S(x,y)。
人脸检测模块中,根据视觉显著图检测人脸目标区域,具体为:
选择合适的阈值对视觉显著图S(x,y)进行阈值分割得到模板M1(x,y);对M1(x,y)进行形态学操作得到精细模板M2(x,y);定位M2(x,y)的质心p,利用边缘函数提取M2(x,y)的边缘;
求出质心p到模板边缘的最小距离d;以p为中心,d为边长得到正方区域,将输入图像I(x,y)与正方形区域作匹配得到人脸目标检测区域Dete(x,y)。
人脸检测模块检测到的人脸目标区域Dete(x,y)后,人脸特征提取模块利用HOG算子提取Dete(x,y)的梯度方向特征,得到特征矩阵HOG_feature,其中列向量表示HOG特征;
从所得特征矩阵HOG_feature中随机取出m行特征向量用于构建特征字典,剩余特征向量留作测试;
利用稀疏表示分类方法对测试样本进行识别与分类,正确分类的记作1,错误分类的记作0,根据1的个数计算识别率,并记录系统结束时所消耗的总时间。
如图3,一种非约束人脸识别方法,包括以下步骤:
基于视觉注意机制的人脸目标区域检测:首先利用视觉注意机制获取输入图片的视觉显著图,根据视觉显著图检测人脸目标区域;
基于HOG特征稀疏表示的人脸识别:利用HOG算子对检测出的人脸目标区域进行特征提取;选取训练样本的HOG特征向量构建字典,剩余样本作为测试样本;最后根据稀疏表示的人脸识别算法对测试样本进行分类识别。
该种非约束人脸识别方法中,基于视觉注意机制的人脸目标区域检测,具体为:
输入图像一幅250×250的灰度图片I(x,y),利用GBVS算法提取视觉显著图,记为S(x,y);
选择合适的阈值对视觉显著图S(x,y)进行阈值分割得到模板M1(x,y);对M1(x,y)进行形态学操作得到精细模板M2(x,y);定位M2(x,y)的质心p,利用边缘函数提取M2(x,y)的边缘;
求出质心p到模板边缘的最小距离d。以p为中心,d为边长得到正方区域,将输入图像I(x,y)与正方形区域作匹配得到人脸目标检测区域Dete(x,y)。
该种非约束人脸识别方法中,基于HOG特征稀疏表示的人脸识别,具体为:
利用HOG算子提取Det(e,x)y的梯度方向特征,得到特征矩阵HOG_feat,其中列向量表示HOG特征;
从HOG_feature中随机取出m行特征向量用于构建特征字典,剩余特征向量留作测试;
利用稀疏表示分类(Sparse Representation Classification,SRC)方法对测试样本进行识别与分类,正确分类的记作1,错误分类的记作0,根据1的个数计算识别率,并记录系统结束时所消耗的总时间。
实验仿真
本实验采用LFW(Labeled Faces in the Wild)人脸数据库,从LFW数据库中选出有20张以上(包括20张)图片的人作为实验数据,共62类人,共3023张图片,其中每张图片的分辨率为250*250。下面从两个方面论证实施例的有效性。
1、人脸检测效果比较
这里采用利用模板检测(Template Detection,TD)人脸,再利用相同人脸特征提取与分类算法SRC_HOG对检测到的人脸识别。仿真结果如表1所示。
表1实施例与基于模板检测的人脸识别性能比较
从表1可以看出,实施例FD_VAM+HOG_SRC的人脸检测准确性要优于基于模板的人脸检测。因为基于模板的人脸检测虽然也去除了复杂的背景,但是检测结果分辨率下降,而且对于一些侧面人脸不能检测到完整的人脸区域,人脸面部信息损失严重。这导致从这些图片提取的HOG特征即方向梯度直方图特征不完整,不能准确地表征原图片,所以识别率下降。
2、人脸特征提取与分类性能比较
这里采用HOG算子、LBP算子提取基于视觉注意机制的人脸目标区域特征,再采用SVM进行分类识别。仿真结果如表2所示。
表2实施例与基于HOG、LBP特征提取的人脸识别性能比较
从表2可以看出,实施例FD_VAM+HOG_SRC的人脸识别准确率最高。HOG算子相比LBP算子对光照不敏感,用梯度方向描述人脸纹理变化,可以更准确提取非约束人脸特征,所以FD_VAM+HOG+SVM相比FD_VAM+LBP+SVM人脸识别准确率提高了24.3%;同时,以HOG特征作为字典,能够更准确描述人脸本质特征,用稀疏表示分类可以进一步消除人脸变化干扰,识别率提高了1.87%。并且HOG特征相比传统字典维数降低,解决了传统稀疏表示分类算法中因字典维度大导致运行速度慢的问题。
Claims (8)
1.一种非约束人脸识别系统,其特征在于,包括图片输入模块、人脸检测模块、人脸特征提取模块、判别结果输出模块,
图片输入模块:输入人脸图片;
人脸检测模块:利用视觉注意机制获取输入人脸图片的视觉显著图,根据视觉显著图检测人脸目标区域;
人脸特征提取模块:利用HOG算子对检测出的人脸目标区域进行特征提取;选取训练样本的HOG特征向量构建字典,剩余样本作为测试样本;根据稀疏表示的人脸识别算法对测试样本进行分类识别;
判别结果输出模块:对识别结果进行输出并显示。
2.如权利要求1所述的非约束人脸识别系统,其特征在于:人脸检测模块中,利用视觉注意机制获取输入人脸图片的视觉显著图,具体为:对输入的灰度图片I(x,y)利用GBVS算法提取视觉显著图,记为S(x,y)。
3.如权利要求2所述的非约束人脸识别系统,其特征在于:人脸检测模块中,根据视觉显著图检测人脸目标区域,具体为:
选择合适的阈值对视觉显著图S(x,y)进行阈值分割得到模板M1(x,y);对M1(x,y)进行形态学操作得到精细模板M2(x,y);定位M2(x,y)的质心p,利用边缘函数提取M2(x,y)的边缘;
求出质心p到模板边缘的最小距离d;以p为中心,d为边长得到正方区域,将输入图像I(x,y)与正方形区域作匹配得到人脸目标检测区域Dete(x,y)。
4.如权利要求3所述的非约束人脸识别系统,其特征在于:人脸检测模块检测到的人脸目标区域Dete(x,y)后,人脸特征提取模块利用HOG算子提取Dete(x,y)的梯度方向特征,得到特征矩阵HOG_feature,其中每一行的列向量表示一幅图片的HOG特征。
5.如权利要求4所述的非约束人脸识别系统,其特征在于:从所得特征矩阵HOG_feature中随机取出m行特征向量用于构建特征字典,剩余特征向量留作测试;
利用稀疏表示分类方法对测试样本进行识别与分类,正确分类的记作1,错误分类的记作0,根据1的个数计算识别率,并记录系统结束时所消耗的总时间。
6.一种非约束人脸识别方法,其特征在于,包括以下步骤:
基于视觉注意机制的人脸目标区域检测:利用视觉注意机制获取输入图片的视觉显著图,根据视觉显著图检测人脸目标区域;
基于HOG特征稀疏表示的人脸识别:利用HOG算子对检测出的人脸目标区域进行特征提取;选取训练样本的HOG特征向量构建字典,剩余样本作为测试样本;最后根据稀疏表示的人脸识别算法对测试样本进行分类识别。
7.如权利要求6所述的非约束人脸识别方法,其特征在于:基于视觉注意机制的人脸目标区域检测,具体为:
输入图像一幅250×250的灰度图片I(x,y),利用GBVS算法提取视觉显著图,记为S(x,y);
选择合适的阈值对视觉显著图S(x,y)进行阈值分割得到模板M1(x,y);对M1(x,y)进行形态学操作得到精细模板M2(x,y);定位M2(x,y)的质心p,利用边缘函数提取M2(x,y)的边缘;
求出质心p到模板边缘的最小距离d。以p为中心,d为边长得到正方区域,将输入图像I(x,y)与正方形区域作匹配得到人脸目标检测区域Dete(x,y)。
8.如权利要求7所述的非约束人脸识别方法,其特征在于:基于HOG特征稀疏表示的人脸识别,具体为:
利用HOG算子提取Det(e,x)y的梯度方向特征,得到特征矩阵HOG_feat,ur其e中列向量表示HOG特征;
从特征矩阵HOG_feature中随机取出m行特征向量用于构建特征字典,剩余特征向量留作测试;
利用稀疏表示分类方法对测试样本进行识别与分类,正确分类的记作1,错误分类的记作0,根据1的个数计算识别率,并记录系统结束时所消耗的总时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610829528.9A CN106485202A (zh) | 2016-09-18 | 2016-09-18 | 非约束人脸识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610829528.9A CN106485202A (zh) | 2016-09-18 | 2016-09-18 | 非约束人脸识别系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106485202A true CN106485202A (zh) | 2017-03-08 |
Family
ID=58267239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610829528.9A Pending CN106485202A (zh) | 2016-09-18 | 2016-09-18 | 非约束人脸识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106485202A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844235A (zh) * | 2016-03-22 | 2016-08-10 | 南京工程学院 | 基于视觉显著性的复杂环境人脸检测方法 |
CN109214367A (zh) * | 2018-10-25 | 2019-01-15 | 东北大学 | 一种基于视觉注意机制的人脸检测方法 |
CN109635682A (zh) * | 2018-11-26 | 2019-04-16 | 上海集成电路研发中心有限公司 | 一种人脸识别装置和方法 |
WO2022121059A1 (zh) * | 2020-12-08 | 2022-06-16 | 南威软件股份有限公司 | 一种基于5g物联网及ai智能门禁综合管理系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246870A (zh) * | 2013-04-24 | 2013-08-14 | 重庆大学 | 一种基于梯度稀疏表示的人脸识别方法 |
CN104063714A (zh) * | 2014-07-20 | 2014-09-24 | 詹曙 | 一种用于视频监控的、基于cuda并行计算与稀疏表示的快速人脸识别算法 |
CN104331683A (zh) * | 2014-10-17 | 2015-02-04 | 南京工程学院 | 一种具有噪声鲁棒性的人脸表情识别方法 |
CN104574555A (zh) * | 2015-01-14 | 2015-04-29 | 四川大学 | 基于稀疏表示的人脸分类算法的远距离考勤方法 |
CN104636711A (zh) * | 2013-11-15 | 2015-05-20 | 广州华久信息科技有限公司 | 一种基于局部稀疏表示分类器的人脸情感识别方法 |
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 |
CN105844235A (zh) * | 2016-03-22 | 2016-08-10 | 南京工程学院 | 基于视觉显著性的复杂环境人脸检测方法 |
-
2016
- 2016-09-18 CN CN201610829528.9A patent/CN106485202A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246870A (zh) * | 2013-04-24 | 2013-08-14 | 重庆大学 | 一种基于梯度稀疏表示的人脸识别方法 |
CN104636711A (zh) * | 2013-11-15 | 2015-05-20 | 广州华久信息科技有限公司 | 一种基于局部稀疏表示分类器的人脸情感识别方法 |
CN104063714A (zh) * | 2014-07-20 | 2014-09-24 | 詹曙 | 一种用于视频监控的、基于cuda并行计算与稀疏表示的快速人脸识别算法 |
CN104331683A (zh) * | 2014-10-17 | 2015-02-04 | 南京工程学院 | 一种具有噪声鲁棒性的人脸表情识别方法 |
CN104574555A (zh) * | 2015-01-14 | 2015-04-29 | 四川大学 | 基于稀疏表示的人脸分类算法的远距离考勤方法 |
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 |
CN105844235A (zh) * | 2016-03-22 | 2016-08-10 | 南京工程学院 | 基于视觉显著性的复杂环境人脸检测方法 |
Non-Patent Citations (4)
Title |
---|
CHUN-HOU ZHENG 等: "Improved sparse representation with low-rank representation for robust face recognition", 《NEUROCOMPUTING》 * |
G. KRISHNA VINAY 等: "HUMAN DETECTION USING SPARSE REPRESENTATION", 《ICASSP 2012》 * |
刘杰 等: "基于HOG特征和稀疏表征的鲁棒性人脸识别", 《电脑知识与技术》 * |
张铃华: "非约束环境下的稀疏表示人脸识别算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑(月刊)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844235A (zh) * | 2016-03-22 | 2016-08-10 | 南京工程学院 | 基于视觉显著性的复杂环境人脸检测方法 |
CN105844235B (zh) * | 2016-03-22 | 2018-12-14 | 南京工程学院 | 基于视觉显著性的复杂环境人脸检测方法 |
CN109214367A (zh) * | 2018-10-25 | 2019-01-15 | 东北大学 | 一种基于视觉注意机制的人脸检测方法 |
CN109635682A (zh) * | 2018-11-26 | 2019-04-16 | 上海集成电路研发中心有限公司 | 一种人脸识别装置和方法 |
CN109635682B (zh) * | 2018-11-26 | 2021-09-14 | 上海集成电路研发中心有限公司 | 一种人脸识别装置和方法 |
WO2022121059A1 (zh) * | 2020-12-08 | 2022-06-16 | 南威软件股份有限公司 | 一种基于5g物联网及ai智能门禁综合管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | Scene text detection and segmentation based on cascaded convolution neural networks | |
Neumann et al. | Efficient scene text localization and recognition with local character refinement | |
Tian et al. | Text flow: A unified text detection system in natural scene images | |
WO2018072233A1 (zh) | 一种基于选择性搜索算法的车标检测识别方法及系统 | |
CN106355138A (zh) | 基于深度学习和关键点特征提取的人脸识别方法 | |
CN102194108B (zh) | 一种聚类线性鉴别分析特征选择的笑脸表情识别方法 | |
CN102163281B (zh) | 基于AdaBoost框架和头部颜色的实时人体检测方法 | |
CN105389593A (zh) | 基于surf特征的图像物体识别方法 | |
CN107103326A (zh) | 基于超像素聚类的协同显著性检测方法 | |
CN103366160A (zh) | 融合肤色、人脸和敏感部位检测的不良图像判别方法 | |
CN104392229B (zh) | 基于笔画片段方向分布特征的笔迹识别方法 | |
CN103413119A (zh) | 基于人脸稀疏描述子的单样本人脸识别方法 | |
CN106485202A (zh) | 非约束人脸识别系统及方法 | |
CN109376717A (zh) | 人脸对比的身份识别方法、装置、电子设备及存储介质 | |
CN104050460B (zh) | 多特征融合的行人检测方法 | |
CN105608443B (zh) | 一种多特征描述及局部决策加权的人脸识别方法 | |
Chen et al. | Salient object detection: integrate salient features in the deep learning framework | |
Sari et al. | Iris recognition based on distance similarity and PCA | |
Kavitha et al. | A robust script identification system for historical Indian document images | |
Gao et al. | Adaptive scene text detection based on transferring adaboost | |
Prabhakar et al. | Facial expression recognition in video using adaboost and SVM | |
Matos et al. | Hand-geometry based recognition system: a non restricted acquisition approach | |
Vu et al. | Improving accuracy in face recognition proposal to create a hybrid photo indexing algorithm, consisting of principal component analysis and a triangular algorithm (pcaata) | |
Yahyatabar et al. | Online signature verification: A Persian-language specific approach | |
TW202030477A (zh) | 提取物件表面凹印的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170308 |