CN106599815A - 基于标记分布的解决类别缺失问题的头部姿态估计方法 - Google Patents
基于标记分布的解决类别缺失问题的头部姿态估计方法 Download PDFInfo
- Publication number
- CN106599815A CN106599815A CN201611107604.1A CN201611107604A CN106599815A CN 106599815 A CN106599815 A CN 106599815A CN 201611107604 A CN201611107604 A CN 201611107604A CN 106599815 A CN106599815 A CN 106599815A
- Authority
- CN
- China
- Prior art keywords
- image
- head pose
- vector
- classification
- indicia distribution
- 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
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于标记分布的解决类别缺失问题的头部姿态估计方法,步骤为:获取用于训练的人脸图像训练集并且对人脸图像进行裁剪,使其只剩下人脸部分;将所有裁剪后的人脸图像进行放缩,使所有的人脸图像有相同的分辨率;对放缩后的人脸图像提取图像的特征向量;收集每一幅人脸图像的头部姿态信息,根据头部姿态信息,生成该图像对应的标记分布;生成目标函数,并对该目标函数进行优化;将待测图像的特征向量送入训练出来的模型,计算该图像的标记分布,从而得到该图像的头部姿态。本发明可以快速有效地训练出用于预测缺失类别的人脸头部姿态的模型,并且相比于传统的训练集类别缺失问题,本发明不需要属性或者语义短语等辅助信息来进行训练。
Description
技术领域
本发明属于模式识别和机器学习技术,具体涉及一种基于标记分布的解决类别缺失问题的头部姿态估计方法。
背景技术
头部姿态估计是给定一幅人脸图像,估计出该图像中头部的偏转角度。头部姿态估计有着非常重要的应用,如在人机交互中,智能机器通过估计头部姿态的变化做出不同的决策,人可以通过头部姿态对计算机直接下达命令。在车辆安全驾驶中,可以根据驾驶员头部姿态的变化判断其是否疲劳驾驶,从而避免事故的发生。除了这些,头部姿态估计可以为其他计算机视觉问题提供重要的预处理,如人脸识别,人脸表情识别等计算机视觉问题可能需要事先知道头部的姿态,这样可以提高此类问题的精度。
类别缺失问题是指在训练时没有某些类别的样本,通过特定的算法学习这些类别。常见的类别缺失问题有物体识别,自然界中有非常多的物体,我们无法对每一种物体训练模型,但是可以通过对一些物体进行学习,来预测新类别的物体,通常的做法是利用一些属性信息来进行学习。比如,对一幅图像进行分析,发现这张图像中反映出“灰色巨大的动物”以及“长长的鼻子”这两种属性,那么我们可以初步断定图像中是大象,即使我们从来没有对大象进行建模。这种基于属性的方法在类别缺失问题中非常的常见。
在头部姿态估计中,理论上,因为转动的角度是连续的,我们有无数种头部姿态,但是在实际中,我们无法利用所有的头部姿态,只能利用其中的一部分。因此,类别缺失问题在头部姿态中是很普遍的。并且,针对头部姿态估计的类别缺失问题,无法利用一些属性信息来进行学习,因为头部姿态这种有序的类别并没有特别的属性,往往都是数值。。
发明内容
发明目的:本发明的目的在于解决现有技术中存在的不足,提供一种基于标记分布的解决类别缺失问题的头部姿态估计方法,通过使用标记分布的方法,利用标记间的相关性,可以很好地解决现有缺陷。
技术方案:本发明的一种基于标记分布的解决类别缺失问题的头部姿态估计方法,包括如下步骤:
(1)获取用于训练的头部姿态的图像数据集,该图像数据集中缺少某些姿态的样本,对该图像数据集中的图像进行预处理,即将数据集中的每幅图像的人脸部分裁剪出来,裁剪掉头发、脖子以及背景部分,使得图像中只剩下人脸;
(2)将步骤(1)中得到裁剪后的人脸图像缩放到统一大小的分辨率(例如64×64像素);
(3)从步骤(2)中得到的人脸图像中提取图像特征向量,例如可以采用层次梯度直方图方法;
(4)收集每幅图像对应的类别信息(即头部姿态信息),根据每幅图像的类别信息(头部姿态)以及类别之间的关系(头部姿态类别差异可以量化,如:30°与20°相比,与40°的相似程度更大),给予每幅图像一个标记分布,该标记分布用向量表示,然后将该标记分布向量作为训练中所需的图像的监督信息,该监督信息表示每种姿态与人脸图像的关系;
(5)使用人脸图像特征向量及其标记分布作为训练集,将最大熵模型产生的标记分布、根据类别生成的标记分布的Jeffrey散度以及参数向量的平滑正则项作为目标函数,对该目标函数进行优化,训练得到可以用于头部姿态估计的参数模型,即使用最大熵模型作为头部姿态估计的参数模型;
(6)将待测的头部姿态图像经过步骤(1)中的裁剪人脸,然后使用步骤(2)和(3)中的方法提取出图像的特征向量,接着使用步骤(5)中训练出来的参数模型计算得到一个向量,所述向量表示各个类别对该图像的描述度,选择所述向量中最大的描述度对应的类别作为该图像的头部姿态。
进一步的,所述步骤(5)中,在所述目标函数中加入关于参数的平滑正则项使预测出的标记分布更加平滑,同时通过平滑正则项来加强对缺失类别的学习;然后使用l-bfgs优化方法作为最小化目标函数的参数优化方法。
进一步的,在步骤(6)中,进行头部姿态估计时,先计算出标记分布向量,然后得到对应的头部姿态。
有益效果:本发明可以快速、有效地训练出用于头部姿态估计的模型,利用该方法可以对新类别的人脸图像进行头部姿态估计,并且不需要额外的属性信息。
附图说明
图1为本发明的流程图;
图2为实施例中人脸裁剪示例图;
图3为实施例中二维头部姿态的邻居示例图;
图4为实施例中二维头部姿态标记分布的示例图;
其中,2(a)为人脸的左视图,2(b)为人脸的主视图,2(c)为人脸的右视图。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
如图1所示,本发明的一种基于标记分布的解决类别缺失问题的头部姿态估计方法,包括以下步骤:
步骤S1,获取用于训练的类别缺失的头部姿态的图像集,将图像集中的每幅图像的人脸部分裁剪出来,裁剪掉头发、脖子和背景等部分,使图像中只剩下人脸;该步骤可以借助人脸检测技术来完成,也可以根据数据集中给出的人脸区域直接裁剪;
步骤S2,将图像集中的所有图像缩放到统一大小的分辨率(如:64×64像素,也可以是其它分辨率,但是分辨率不可太低);
步骤S3,使用层次梯度直方图方法从步骤S2中缩放后的图像中提取出图像特征向量;在该步骤中,从图像集合中提取出图像特征其中,N表示图像集合中样本个数,Ii表示第i个样本的图像,Fi表示第i个样本的特征向量,提取层次梯度直方图特征时,需要设置每个bin的大小作为参数,这个参数往往需要调试确定;
步骤S4,收集每幅图像对应的类别信息根据每幅图像的类别信息以及类别之间的相关性(头部姿态类别差异可以量化,如:30°与20°相比,与40°的相似程度更大),给予每幅图像一个标记分布Yi;
在该步骤中,yi表示每个样本图像的类别(由于头部姿态最多可以有三个自由度,因此yi有可能是一个2维或者3维的向量,也有可能是标量),所有图像的类别信息可以在类别空间中得到类别集合L={L1,L2,…,LM},M表示类别空间中类别的个数,Lj可能是一个二维向量或者三维向量,也可能是标量,这是由头部姿态数据集决定的。集合L即为每幅图像的类别取值范围。对第i个样本,生成的标记分布Yi中要满足每个元素都大于0并且相加和为1,并且随着标记之间相关性的减小,标记对图像的描述程度也要相应减小。为了满足以上性质,采用多维离散高斯分布公式来产生标记分布,即
其中,Yij表示Yi的第j个元素(即,第i个样本图像属于第j个类别的隶属程度),yi为第i个样本的真实类别。这里的协方差矩阵是需要初始化的,可以通过交叉验证确定。Z是归一化因子,公式为
步骤S5,使用图像特征向量及其类别分布作为训练集,将最大熵模型与真实标记分布的Jeffrey散度以及平滑正则项结合起来作为目标函数,使用l-bfgs算法优化该目标函数,得到可以用于头部姿态估计的参数模型;
该步骤中,目标函数可以表示为
Jeffrey()表示Jeffrey散度,计算公式如下
Pi与Qi表示分布P与Q中的第i个元素。公式(2)中Yki表示第k个图像对应的标记分布向量中的第i个元素,Eki表示最大熵模型对第k个图像估计出的标记分布向量中的第i个元素值,最大熵模型的公式为
其中θid表示步骤S6中待优化的模型参数矩阵θ的第i行第d列所对应的元素,Fkd表示第k个图像特征向量中的第d个元素,D表示步骤S3中提取出的特征向量的维度。θm和θn表示第m个姿态对应的参数向量和第n个姿态对应的参数向量,并且第m个姿态与第n个姿态是邻居,邻居指一个姿态周围的姿态,图3示例了二维头部姿态邻居的概念,用圆形的相对位置代表头部的不同姿态,比如左上角的圆形表示头部姿态向左并向上偏转,中间的圆形表示头部姿态在两个方向上不变。菱形代表的姿态是正方形代表的姿态的邻居,圆形代表的姿态不是正方形代表的姿态的邻居。图中圆形的位置代表不同的姿态。λ1为平衡Jeffrey散度与平滑正则项之间的权重。
步骤S6,将待估计头部姿态的图像It经过步骤S1中的裁剪人脸,然后使用步骤S2、S3中的方法提取出图像的特征向量Ft,接着使用步骤S6中训练出来的参数模型计算得到一个标记分布向量Et,表示各个类别对该图像的描述度,选择该向量中最大的描述度对应的类别作为该图像的头部姿态L。
该步骤中,标记分布向量中的每一个分量的计算公式为公式(5),即
Eti是用模型计算出来的标记分布Et的第i个元素。
实施例1:
为了证明本发明的实施效果,接下来以Pointing’04头部姿态数据集为例说明。该数据集包含2790幅含人脸的图像,涉及到的头部姿态总共93个,头部姿态在两个自由度上变化,即头部姿态是二维的。随机取数据集中的558(20%)作为测试集,在剩下的2232(80%)幅图像中,选取特定的类别,将这些类别的样本剔除,剩下的图像作为训练集。因为是随机划分的数据,测试集中某些样本的类别在训练集中并没有出现,因此是类别缺失问题。本方法将使用基于标记分布的头部姿态估计方法进行训练。具体实现步骤如下:
步骤S1,将训练集中的每幅图像的人脸部分裁剪出来,裁剪掉头发、脖子、背景等部分,使图像中只剩下人脸,裁剪到如图2所示的程度;
步骤S2,将图像集中的所有图像缩放到统一大小的分辨率(如:64×64像素);
步骤S3,使用层次梯度直方图方法从步骤S2中缩放后的图像中提取出图像特征向量,每个bin的尺寸分别设置为8×8像素,16×16像素,32×32像素,将三种尺寸下的特征向量拼接起来,得到最终2604维的特征向量;
步骤S4,收集每幅图像对应的类别信息,根据每幅图像的类别信息以及类别之间的关系,给予每幅图像一个标记分布,协方差矩阵设置为图4示例了二维头部姿态的标记分布,对于图五左边的头部姿态图像,生成的标记分布如图4右边所示。
步骤S5,使用图像特征向量及其标记分布作为训练集,将最大熵模型与真实标记分布的Jeffrey散度以及平滑正则项作为目标函数,使用l-bfgs算法优化该目标函数,得到可以用于头部姿态估计的参数模型;
步骤S6,将测试集中的图像经过步骤S1中的裁剪人脸,然后使用步骤S2、S3中的方法提取出图像的特征向量,接着使用步骤S6中训练出来的参数模型计算得到一个表示各个类别对该图像描述度的向量,选择该向量中最大的描述度对应的类别作为该图像的头部姿态。
本发明对头部姿态估计的正确率和平均错误进行了统计,统计结果表明本发明中的方法优于(无论是从正确率,还是平均错误)其他对比方法,如表1所示。实验采用五倍交叉验证,在93个姿态中随机挑选28个姿态,在训练集中剔除这些姿态的样本。对比算法采用支持向量回归(SVR)与核支持向量回归(KSVR),偏最小二乘(PLS)以及核偏最小二乘(KPLS)。
表1本发明与现有技术的对比表
正确率 | 平均错误 | |
本发明 | 68.1362±0.6753 | 5.5075±0.2353 |
KPLS | 51.1828±1.5026 | 8.8936±0.3077 |
PLS | 25.2688±0.8310 | 14.5586±0.2579 |
KSVR | 38.3871±2.1595 | 12.1745±0.3288 |
SVR | 23.9068±1.6888 | 15.1435±0.4935 |
Claims (3)
1.一种基于标记分布的解决类别缺失问题的头部姿态估计方法,其特征在于,包括如下步骤:
(1)获取用于训练的头部姿态的图像数据集,该图像数据集中缺少某些姿态的样本,对该图像数据集中的图像进行预处理,即将数据集中的每幅图像的人脸部分裁剪出来,裁剪掉头发、脖子以及背景部分;
(2)将步骤(1)中得到的裁剪后的人脸图像缩放到统一大小的分辨率;
(3)从步骤(2)中得到的人脸图像中提取图像特征向量;
(4)收集每幅图像对应的类别信息,即头部姿态信息,然后根据每幅图像的头部姿态信息以及头部姿态之间的关系,给予每幅图像一个标记分布,该标记分布用向量表示,然后将该标记分布向量作为训练中所需的图像的监督信息,该监督信息表示每种姿态与人脸图像的关系;
(5)使用人脸图像特征向量及其标记分布作为训练集,将最大熵模型产生的标记分布与根据类别生成的标记分布的Jeffrey散度以及参数向量的平滑正则项作为目标函数,对该目标函数进行优化,训练得到可以用于头部姿态估计的参数模型,即使用最大熵模型作为头部姿态估计的参数模型;
(6)将待测的头部姿态图像经过步骤(1)中的裁剪人脸,然后使用步骤(2)和(3)中的方法提取出图像的特征向量,接着使用步骤(5)中训练出来的参数模型计算得到一个向量,所述向量表示各个头部姿态对该图像的描述度,选择所述向量中最大的描述度对应的姿态作为该图像的头部姿态。
2.根据权利要求1所述的基于标记分布解决类别缺失问题的头部姿态估计方法,其特征在于:所述步骤(5)中,在所述目标函数中加入关于参数的平滑正则项使预测出的标记分布更加平滑,同时通过平滑正则项来加强对缺失类别的学习;然后使用l-bfgs优化方法作为最小化目标函数的参数优化方法。
3.如权利要求1所述的基于标记分布解决类别缺失问题的头部姿态估计方法,其特征在于:在步骤(6)中,进行头部姿态估计时,先计算出标记分布向量,然后得到对应的头部姿态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611107604.1A CN106599815A (zh) | 2016-12-06 | 2016-12-06 | 基于标记分布的解决类别缺失问题的头部姿态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611107604.1A CN106599815A (zh) | 2016-12-06 | 2016-12-06 | 基于标记分布的解决类别缺失问题的头部姿态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106599815A true CN106599815A (zh) | 2017-04-26 |
Family
ID=58597278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611107604.1A Pending CN106599815A (zh) | 2016-12-06 | 2016-12-06 | 基于标记分布的解决类别缺失问题的头部姿态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599815A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818175A (zh) * | 2017-11-17 | 2018-03-20 | 厦门能见易判信息科技有限公司 | 一种法律类案问题智能预判系统及方法 |
CN110210290A (zh) * | 2019-04-22 | 2019-09-06 | 平安科技(深圳)有限公司 | 人脸图片采集方法、装置和计算机设备 |
CN111027526A (zh) * | 2019-10-25 | 2020-04-17 | 深圳羚羊极速科技有限公司 | 一种提高车辆目标检测识别检测效率的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030235332A1 (en) * | 2002-06-20 | 2003-12-25 | Moustafa Mohamed Nabil | System and method for pose-angle estimation |
US20080159596A1 (en) * | 2006-12-29 | 2008-07-03 | Motorola, Inc. | Apparatus and Methods for Head Pose Estimation and Head Gesture Detection |
CN103530651A (zh) * | 2013-10-22 | 2014-01-22 | 东南大学 | 一种基于标记分布的头部姿态估计方法 |
CN103544500A (zh) * | 2013-10-22 | 2014-01-29 | 东南大学 | 多用户自然场景标记排序方法 |
CN104915658A (zh) * | 2015-06-30 | 2015-09-16 | 东南大学 | 一种基于情感分布学习的情感成分分析方法及其系统 |
CN105260471A (zh) * | 2015-10-19 | 2016-01-20 | 广州唯品会信息科技有限公司 | 商品个性化排序模型训练方法及系统 |
-
2016
- 2016-12-06 CN CN201611107604.1A patent/CN106599815A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030235332A1 (en) * | 2002-06-20 | 2003-12-25 | Moustafa Mohamed Nabil | System and method for pose-angle estimation |
US20080159596A1 (en) * | 2006-12-29 | 2008-07-03 | Motorola, Inc. | Apparatus and Methods for Head Pose Estimation and Head Gesture Detection |
CN103530651A (zh) * | 2013-10-22 | 2014-01-22 | 东南大学 | 一种基于标记分布的头部姿态估计方法 |
CN103544500A (zh) * | 2013-10-22 | 2014-01-29 | 东南大学 | 多用户自然场景标记排序方法 |
CN104915658A (zh) * | 2015-06-30 | 2015-09-16 | 东南大学 | 一种基于情感分布学习的情感成分分析方法及其系统 |
CN105260471A (zh) * | 2015-10-19 | 2016-01-20 | 广州唯品会信息科技有限公司 | 商品个性化排序模型训练方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818175A (zh) * | 2017-11-17 | 2018-03-20 | 厦门能见易判信息科技有限公司 | 一种法律类案问题智能预判系统及方法 |
CN107818175B (zh) * | 2017-11-17 | 2021-08-24 | 厦门能见易判信息科技有限公司 | 一种基于裁判文书的法律类案问题分析方法及装置 |
CN110210290A (zh) * | 2019-04-22 | 2019-09-06 | 平安科技(深圳)有限公司 | 人脸图片采集方法、装置和计算机设备 |
CN111027526A (zh) * | 2019-10-25 | 2020-04-17 | 深圳羚羊极速科技有限公司 | 一种提高车辆目标检测识别检测效率的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263774B (zh) | 一种人脸检测方法 | |
CN100472556C (zh) | 特定被摄体检测装置及方法 | |
CN103218609B (zh) | 一种基于隐最小二乘回归的多姿态人脸识别方法及其装置 | |
CN103279768B (zh) | 一种基于增量学习人脸分块视觉表征的视频人脸识别方法 | |
CN104318219B (zh) | 基于局部特征及全局特征结合的人脸识别方法 | |
Belhumeur et al. | Localizing parts of faces using a consensus of exemplars | |
CN105373777B (zh) | 一种用于人脸识别的方法及装置 | |
CN100561503C (zh) | 一种人脸眼角与嘴角定位与跟踪的方法及装置 | |
CN106682598A (zh) | 一种基于级联回归的多姿态的人脸特征点检测方法 | |
CN107832672A (zh) | 一种利用姿态信息设计多损失函数的行人重识别方法 | |
CN107103281A (zh) | 基于聚集损失深度度量学习的人脸识别方法 | |
CN103544499B (zh) | 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法 | |
CN106355138A (zh) | 基于深度学习和关键点特征提取的人脸识别方法 | |
CN110532920A (zh) | 基于FaceNet方法的小数量数据集人脸识别方法 | |
CN105894047A (zh) | 一种基于三维数据的人脸分类系统 | |
CN105160317A (zh) | 一种基于区域分块行人性别识别方法 | |
CN104049760B (zh) | 一种人机交互命令的获取方法及系统 | |
CN106096560A (zh) | 一种人脸对齐方法 | |
CN104573672B (zh) | 一种基于邻域保持的鉴别嵌入人脸识别方法 | |
CN103942535B (zh) | 多目标跟踪方法及装置 | |
CN105809113B (zh) | 三维人脸识别方法及应用其的数据处理装置 | |
CN104156690B (zh) | 一种基于图像空间金字塔特征包的手势识别方法 | |
CN105956570B (zh) | 基于唇部特征和深度学习的笑脸识别方法 | |
CN106778489A (zh) | 人脸3d特征身份信息库的建立方法及设备 | |
CN104751463B (zh) | 一种基于草图轮廓特征的三维模型最佳视角选取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |
Application publication date: 20170426 |
|
RJ01 | Rejection of invention patent application after publication |