CN106599870A - 一种基于自适应加权局部特征融合的人脸识别方法 - Google Patents
一种基于自适应加权局部特征融合的人脸识别方法 Download PDFInfo
- Publication number
- CN106599870A CN106599870A CN201611201122.2A CN201611201122A CN106599870A CN 106599870 A CN106599870 A CN 106599870A CN 201611201122 A CN201611201122 A CN 201611201122A CN 106599870 A CN106599870 A CN 106599870A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- sub
- block
- method based
- 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
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
-
- 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
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于自适应加权和局部特征融合的人脸识别方法,主要步骤为:首先将图像进行分块,计算每个子块的信息熵得出其加权系数,接着利用局部二值模式提取图像的纹理特征,利用方向梯度直方图提取图像的边缘信息,并对样本图像进行自适应加权的局部特征融合,最后采用最近邻法进行分类识别。本发明利用了图像的局部纹理特征和边缘特征对图像局部阴影、光照变化的鲁棒性,最终输出的特征具有较强的抗干扰能力和鉴别能力,在光照、姿态变化条件下取得了良好的识别效果。
Description
技术领域
本发明涉及一种基于自适应加权局部特征融合的人脸识别方法,属于图像处理的技术领域。
背景技术
人脸识别作为一个典型的模式识别问题,是图像处理、机器视觉、人工智能等多个学科交叉研究的热点,同时,人脸识别作为生物特征识别的一个重要分支,具有非接触式采集、隐蔽性强、符合人类认知习惯等优点。人脸识别技术在如门禁防盗系统、身份认证、视频监控、刑侦执法等公共安全及经济金融领域有广阔的应用前景,近年来人脸识别技术的发展十分迅速。
虽然人脸识别技术研究已经取得了丰富的理论成果,但现有的理论方法与实际应用间仍存在一段距离,无法满足现实生活的出现的许多状况,在光照、姿态变化条件下的人脸识别率仍然较低。因此现有的人脸识别算法仍欠缺通用性和实用性,人脸识别技术依然具有有极大的发展空间。
人脸识别的一般步骤为人脸图像的预处理,特征提取,模式分类。其中特征提取方法是人脸识别的一大重点。目前人脸特征提取的方法主要包括基于几何特征的方法,基于子空间的方法,基于局部特征的方法三类。
(1)基于几何特征的方法
早期人脸识别主要是基于几何特征的方法,主要通过提取人脸的几何特征,包括人脸部件归一化的点间距离和比率以及人脸的一些特征点,如眼角、嘴角、鼻尖等部位所构成的二维拓扑结构,作为人脸识别的重要特征依据。但几何特征所表述的人脸信息量不足,易被干扰,导致识别效果不佳,已被逐渐舍弃。
(2)基于子空间的方法
基于子空间的方法把单幅人脸图像看作是高维空间的一个点,通常利用投影矩阵达到降维的目的。由麻省理工学院(MIT)媒体实验室的Turk和Pentland提出的特征脸(Eigenface)方法和Belhumeur等人提出的Fisherface人脸识别方法是其中的典型代表,在人脸识别领域也取得了极大的成功,基于子空间的算法还包括独立分量分析(ICA)、核主成分分析(KPCA)、核Fisher判别分析(KFDA)等,一些算法还进行了二维拓展。
(3)基于局部特征的方法
基于局部特征的方法从整个面部或面部特定点提取局部不变量,其结果反映了局部邻域像素之间的关系。其中Gabor波、局部二值模式(LBP)和尺度不变特征变换(SIFT)算子,梯度方向直方图(HOG)算子等都被应用于人脸的特征提取,并取得了良好的人脸识别效果。
相对于基于几何特征和子空间的方法,基于局部特征的方法对头部姿势、光照变化和部分遮挡等具有更强的鲁棒性。因此,研究基于局部特征的人脸识别算法的改进方法具有重要意义。现有技术中基于局部特征的方法仅提取图像的单一特征,如LBP算子仅提取图像的纹理特征,单一的特征在人脸图像的表述中存在欠缺。同时,图像中纹理丰富,边缘变化的子区域包含大量的信息,反之只包含的少量信息,现有技术不加区分地对待人脸图像的不同区域,会导致提取的特征鉴别能力不强,降低人脸识别率。
发明内容
针对现有技术的不足,本发明提供一种基于自适应加权局部特征融合的人脸识别方法。
术语说明:
局部二值模式(Local Binary Pattern,LBP):是一种描述图像局部纹理特征的算子,传统的LBP方法,首先以窗口中心点像素为阈值,将其与邻域的p个像素值进行比较,若邻域像素值大于中心像素值,则该像素点的位置被标记为1,否则为0,这样能得到p位二进制数,即为中心点像素的LBP特征值。LBP算子是人脸识别中经常使用的特征提取方法。
方向梯度直方图(Histogram of Oriented Gradient,HOG):是一种描述图像边缘信息的算子,通过计算图像局部区域的不同方向上的梯度值,累积后得到直方图来作为该局部区域的表征,是目前模式识别领域中常用的方法,特别是在行人检测领域取得了良好的识别效果,HOG特征在人脸识别领域的还有较大的应用潜力。
本发明的技术方案为:
一种基于自适应加权局部特征融合的人脸识别方法,包括步骤如下:
(1)将选取人脸库分为训练样本和测试样本;
(2)对训练样本和测试样本依次进行几何裁剪、gamma校正预处理;
(3)将步骤(2)预处理后的图像分为m个大小相等互不重叠的子块,计算各个子块的信息熵,根据信息熵得出各个子块的加权系数;
(4)使用局部二值模式提取步骤(2)预处理后图像的纹理特征;记图像中任意一点为(x,y),在以像素点(x,y)为中心,R为半径的环形邻域上均匀分布着p个采样点,将像素点(x,y)的像素灰度值gc分别与这p个采样点的灰度值gp做对比,得到像素点(x,y)的LBP特征值;利用上述方法计算图像中每个像素点的LBP特征值,得到LBP纹理图像;
用与步骤(3)中相同的分块方法将上述LBP纹理图像分块,对各个子块的LBP特征值进行直方图统计,得到图像各个子块的LBP统计直方图;
(5)使用方向梯度直方图提取步骤(3)中图像的边缘特征;计算图像中各像素的水平方向的梯度和竖直方向的梯度,得到像素点(x,y)的梯度幅值m(x,y)和梯度方向θ(x,y),用与步骤(3)中相同的分块方法将图像分成子块,再将每个子块分为4个大小相等的单元,即每个单元包含相同的像素数目;θ(x,y)的取值范围为0°~180°,将其平均划分为9个方向范围,然后在每个单元中按像素的梯度方向θ(x,y)投票,权重为像素的梯度幅值m(x,y),每个单元得到一个9维HOG特征直方图,将同一个子块的4个单元的9维HOG特征直方图连接起来,得到每个子块的36维HOG特征直方图;
(6)将步骤(4)、(5)中得到的各个子块的纹理特征和边缘特征进行融合,得到LBPHOG特征直方图,根据步骤(2)中各个子块的加权系数对融合后的特征进行加权,将图像各个子块加权后的特征连接,得到整幅图像的LBPHOG鉴别特征;求出测试样本与训练样本间的卡方距离,用最近邻法进行分类。
优选的,m=3×3。
优选的,步骤(2)中对图像进行处理时,首先将样本几何裁剪为100像素×100像素大小的图片,利用gamma校正调节图像的对比度,实现公式如下:
I(x,y)=I(x,y)gamma。
利用gamma校正调节图像的对比度,以降低光照变化对人脸图像造成的影响,同时抑制噪声的干扰。
进一步优选的,gamma值为0.5。
优选的,步骤(3)中将图像分为m块个子块后,图像第i个子块的信息熵为:
其中,n表示像素灰度级数,pik表示第k级像素点出现的概率;由子块的信息熵计算该子块的加权系数为:
进一步优选的,n=256。
优选的,步骤(4)中计算样本像素点(x,y)的LBP特征值的公式如下:
优选的,步骤(5)中样本像素点(x,y)水平方向的梯度和垂直方向的梯度分别为:
Gx(x,y)=I(x+1,y)-I(x-1,y)
Gy(x,y)=I(x+1,y)-I(x-1,y)
其中,I(x,y)为像素点(x,y)处的灰度值;
计算像素点(x,y)的梯度幅值和梯度方向:
优选的,步骤(6)中卡方距离的计算公式为:
χ2(S,M)=∑i(Si-Mi)2/(Si+Mi);
其中,Si代表测试样本的特征直方图,Mi代表训练样本的特征直方图。
优选的,步骤(6)中用最近邻法进行分类的具体步骤为,选出与测试样本的卡方距离最小的训练样本,由该训练样本的类别认定测试样本的类别。
本发明的有益效果为:
1.本发明所述基于自适应加权局部特征融合的人脸识别方法,提高人脸图像了在不可控条件下的识别可靠性,对光照变化、姿态变化下的人脸识别具有鲁棒性;
2.本发明所述基于自适应加权局部特征融合的人脸识别方法,利用了图像的局部纹理特征和边缘特征对图像局部阴影、光照变化的鲁棒性,并对样本图像进行自适应加权的局部特征融合,最终输出的特征具有较强的抗干扰能力和鉴别能力,在光照、姿态变化条件下取得了良好的识别效果。
附图说明
图1为人脸图像3×3分块示意图;
图2为(P,R)=(8,2)的LBP算子模型;
图3为本发明所述基于自适应加权局部特征融合的人脸识别方法流程图。
具体实施方式
下面结合实施例和说明书附图对本发明做进一步说明,但不限于此。
实施例1
如图1-3所示。
一种基于自适应加权局部特征融合的人脸识别方法,包括步骤如下:
(1)将选取人脸库分为训练样本和测试样本;
(2)对训练样本和测试样本依次进行几何裁剪、gamma校正预处理;
(3)将步骤(2)预处理后的图像分为m个大小相等互不重叠的子块,计算各个子块的信息熵,根据信息熵得出各个子块的加权系数;m=3×3;
(4)使用局部二值模式提取步骤(2)预处理后图像的纹理特征;记图像中任意一点为(x,y),在以像素点(x,y)为中心,R为半径的环形邻域上均匀分布着p个采样点,将像素点(x,y)的像素灰度值gc分别与这p个采样点的灰度值gp做对比,得到像素点(x,y)的LBP特征值;利用上述方法计算图像中每个像素点的LBP特征值,得到LBP纹理图像;P=8;R=2;
用与步骤(3)中相同的分块方法将上述LBP纹理图像分块,对各个子块的LBP特征值进行直方图统计,得到图像各个子块的LBP统计直方图;
(5)使用方向梯度直方图提取步骤(3)中图像的边缘特征;计算图像中各像素的水平方向的梯度和竖直方向的梯度,得到像素点(x,y)的梯度幅值m(x,y)和梯度方向θ(x,y),用与步骤(3)中相同的分块方法将图像分成子块,再将每个子块分为4个大小相等的单元,即每个单元包含相同的像素数目;θ(x,y)的取值范围为0°~180°,将其平均划分为9个方向范围(9个方向范围分别为0°~20°、20°~40°、40°~60°、60°~80°、80°~100°、100°~120°、120°~140°、140°~160°、160°~180°),然后在每个单元中按像素的梯度方向θ(x,y)投票,权重为像素的梯度幅值m(x,y),每个单元得到一个9维HOG特征直方图,将同一个子块的4个单元的9维HOG特征直方图连接起来,得到每个子块的36维HOG特征直方图;
(6)将步骤(4)、(5)中得到的各个子块的纹理特征和边缘特征进行融合,得到LBPHOG特征直方图,根据步骤(2)中各个子块的加权系数对融合后的特征进行加权,将图像各个子块加权后的特征连接,得到整幅图像的LBPHOG鉴别特征;求出测试样本与训练样本间的卡方距离,用最近邻法进行分类。
实施例2
如实施例1所述的基于自适应加权局部特征融合的人脸识别方法,所不同的是,包括步骤如下:
步骤(2)中对图像进行处理时,首先将样本几何裁剪为100像素×100像素大小的图片,利用gamma校正调节图像的对比度,实现公式如下:
I(x,y)=I(x,y)gamma。
利用gamma校正调节图像的对比度,以降低光照变化对人脸图像造成的影响,同时抑制噪声的干扰。
实施例3
如实施例2所述的基于自适应加权局部特征融合的人脸识别方法,所不同的是,gamma值为0.5。
实施例4
如实施例1所述的基于自适应加权局部特征融合的人脸识别方法,所不同的是,步骤(3)中将图像分为m块个子块后,图像第i个子块的信息熵为:
其中,n表示像素灰度级数,pik表示第k级像素点出现的概率;由子块的信息熵计算该子块的加权系数为:
实施例5
如实施例4所述的基于自适应加权局部特征融合的人脸识别方法,所不同的是,n=256。
实施例6
如实施例1所述的基于自适应加权局部特征融合的人脸识别方法,所不同的是,步骤(4)中计算样本像素点(x,y)的LBP特征值的公式如下:
实施例7
如实施例1所述的基于自适应加权局部特征融合的人脸识别方法,所不同的是,步骤(5)中样本像素点(x,y)水平方向的梯度和垂直方向的梯度分别为:
Gx(x,y)=I(x+1,y)-I(x-1,y)
Gy(x,y)=I(x+1,y)-I(x-1,y)
其中,I(x,y)为像素点(x,y)处的灰度值;
计算像素点(x,y)的梯度幅值和梯度方向:
实施例8
如实施例1所述的基于自适应加权局部特征融合的人脸识别方法,所不同的是,步骤(6)中卡方距离的计算公式为:
χ2(S,M)=Σi(Si-Mi)2/(Si+Mi);
其中,Si代表测试样本的特征直方图,Mi代表训练样本的特征直方图。
实施例9
如实施例1所述的基于自适应加权局部特征融合的人脸识别方法,所不同的是,步骤(6)中用最近邻法进行分类的具体步骤为,选出与测试样本的卡方距离最小的训练样本,由该训练样本的类别认定测试样本的类别。
Claims (10)
1.一种基于自适应加权局部特征融合的人脸识别方法,其特征在于,包括步骤如下:
(1)将选取人脸库分为训练样本和测试样本;
(2)对训练样本和测试样本依次进行几何裁剪、gamma校正预处理;
(3)将步骤(2)预处理后的图像分为m个大小相等互不重叠的子块,计算各个子块的信息熵,根据信息熵得出各个子块的加权系数;
(4)使用局部二值模式提取步骤(2)预处理后图像的纹理特征;记图像中任意一点为(x,y),在以像素点(x,y)为中心,R为半径的环形邻域上均匀分布着p个采样点,将像素点(x,y)的像素灰度值gc分别与这p个采样点的灰度值gp做对比,得到像素点(x,y)的LBP特征值;利用上述方法计算图像中每个像素点的LBP特征值,得到LBP纹理图像;
用与步骤(3)中相同的分块方法将上述LBP纹理图像分块,对各个子块的LBP特征值进行直方图统计,得到图像各个子块的LBP统计直方图;
(5)使用方向梯度直方图提取步骤(3)中图像的边缘特征;计算图像中各像素的水平方向的梯度和竖直方向的梯度,得到像素点(x,y)的梯度幅值m(x,y)和梯度方向θ(x,y),用与步骤(3)中相同的分块方法将图像分成子块,再将每个子块分为4个大小相等的单元,即每个单元包含相同的像素数目);θ(x,y)的取值范围为0°~180°,将其平均划分为9个方向范围,然后在每个单元中按像素的梯度方向θ(x,y)投票,权重为像素的梯度幅值m(x,y),每个单元得到一个9维HOG特征直方图,将同一个子块的4个单元的9维HOG特征直方图连接起来,得到每个子块的36维HOG特征直方图;
(6)将步骤(4)、(5)中得到的各个子块的纹理特征和边缘特征进行融合,得到LBPHOG特征直方图,根据步骤(2)中各个子块的加权系数对融合后的特征进行加权,将图像各个子块加权后的特征连接,得到整幅图像的LBPHOG鉴别特征;求出测试样本与训练样本间的卡方距离,用最近邻法进行分类。
2.根据权利要求1所述的基于自适应加权局部特征融合的人脸识别方法,其特征在于,m=3×3。
3.根据权利要求1所述的基于自适应加权局部特征融合的人脸识别方法,其特征在于,步骤(2)中对图像进行处理时,首先将样本几何裁剪为100像素×100像素大小的图片,利用gamma校正调节图像的对比度,实现公式如下:
I(x,y)=I(x,y)gamma。
4.根据权利要求3所述的基于自适应加权局部特征融合的人脸识别方法,其特征在于,gamma值为0.5。
5.根据权利要求1所述的基于自适应加权局部特征融合的人脸识别方法,其特征在于,步骤(3)中将图像分为m块个子块后,图像第i个子块的信息熵为:
其中,n表示像素灰度级数,pik表示第k级像素点出现的概率;由子块的信息熵计算该子块的加权系数为:
6.根据权利要求5所述的基于自适应加权局部特征融合的人脸识别方法,其特征在于,n=256。
7.根据权利要求1所述的基于自适应加权局部特征融合的人脸识别方法,其特征在于,步骤(4)中计算样本像素点(x,y)的LBP特征值的公式如下:
8.根据权利要求1所述的基于自适应加权局部特征融合的人脸识别方法,其特征在于,步骤(5)中样本像素点(x,y)水平方向的梯度和垂直方向的梯度分别为:
Gx(x,y)=I(x+1,y)-I(x-1,y)
Gy(x,y)=I(x+1,y)-I(x-1,y)
其中,I(x,y)为像素点(x,y)处的灰度值;
计算像素点(x,y)的梯度幅值和梯度方向:
9.根据权利要求1所述的基于自适应加权局部特征融合的人脸识别方法,其特征在于,步骤(6)中卡方距离的计算公式为:
χ2(S,M)=Σi(Si-Mi)2/(Si+Mi);
其中,Si代表测试样本的特征直方图,Mi代表训练样本的特征直方图。
10.根据权利要求1所述的基于自适应加权局部特征融合的人脸识别方法,其特征在于,步骤(6)中用最近邻法进行分类的具体步骤为,选出与测试样本的卡方距离最小的训练样本,由该训练样本的类别认定测试样本的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611201122.2A CN106599870A (zh) | 2016-12-22 | 2016-12-22 | 一种基于自适应加权局部特征融合的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611201122.2A CN106599870A (zh) | 2016-12-22 | 2016-12-22 | 一种基于自适应加权局部特征融合的人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106599870A true CN106599870A (zh) | 2017-04-26 |
Family
ID=58603018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611201122.2A Pending CN106599870A (zh) | 2016-12-22 | 2016-12-22 | 一种基于自适应加权局部特征融合的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599870A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909562A (zh) * | 2017-12-05 | 2018-04-13 | 华中光电技术研究所(中国船舶重工集团公司第七七研究所) | 一种基于像素级的快速图像融合算法 |
CN108009478A (zh) * | 2017-11-17 | 2018-05-08 | 天津大学 | 一种基于局部特征投影的表情识别方法 |
CN108388862A (zh) * | 2018-02-08 | 2018-08-10 | 西北农林科技大学 | 基于lbp特征及最近邻分类器的人脸识别方法 |
CN108734139A (zh) * | 2018-05-24 | 2018-11-02 | 辽宁工程技术大学 | 基于特征融合及svd自适应模型更新的相关滤波跟踪方法 |
CN108960088A (zh) * | 2018-06-20 | 2018-12-07 | 天津大学 | 特定环境的面部活体特征检测、识别方法 |
CN109308584A (zh) * | 2018-09-27 | 2019-02-05 | 深圳市乔安科技有限公司 | 一种无感考勤系统及方法 |
CN109359522A (zh) * | 2018-09-06 | 2019-02-19 | 浙江工业大学 | 一种小样本皮肤图像分类方法 |
CN109409212A (zh) * | 2018-09-12 | 2019-03-01 | 中国人民解放军国防科技大学 | 一种基于级联bgp的人脸识别方法 |
CN109934208A (zh) * | 2019-04-22 | 2019-06-25 | 江苏邦融微电子有限公司 | 一种用于指纹识别的硬件加速系统及方法 |
CN110188646A (zh) * | 2019-05-23 | 2019-08-30 | 南京邮电大学 | 基于梯度方向直方图与局部二值模式融合的人耳识别方法 |
CN110287780A (zh) * | 2019-05-17 | 2019-09-27 | 长安大学 | 一种光照下人脸图像特征提取方法 |
CN110490194A (zh) * | 2019-07-24 | 2019-11-22 | 广东工业大学 | 一种自适应权值的多特征分块融合交通标志的识别方法 |
CN110717960A (zh) * | 2019-10-22 | 2020-01-21 | 北京建筑大学 | 一种建筑垃圾遥感图像样本的生成方法 |
CN115035572A (zh) * | 2022-05-27 | 2022-09-09 | 汤姆逊(广东)智能科技有限公司 | 人脸识别方法及装置 |
CN116895095A (zh) * | 2023-09-11 | 2023-10-17 | 新云滕科技有限公司 | 自动售票机的人脸识别智能判图方法 |
CN117765656A (zh) * | 2024-02-21 | 2024-03-26 | 四川省肿瘤医院 | 住院部各病区闸机的控制方法和控制系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080166026A1 (en) * | 2007-01-10 | 2008-07-10 | Samsung Electronics Co., Ltd. | Method and apparatus for generating face descriptor using extended local binary patterns, and method and apparatus for face recognition using extended local binary patterns |
CN104268539A (zh) * | 2014-10-17 | 2015-01-07 | 中国科学技术大学 | 一种高性能的人脸识别方法及系统 |
-
2016
- 2016-12-22 CN CN201611201122.2A patent/CN106599870A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080166026A1 (en) * | 2007-01-10 | 2008-07-10 | Samsung Electronics Co., Ltd. | Method and apparatus for generating face descriptor using extended local binary patterns, and method and apparatus for face recognition using extended local binary patterns |
CN104268539A (zh) * | 2014-10-17 | 2015-01-07 | 中国科学技术大学 | 一种高性能的人脸识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
岑瑶 等: "《基于MB-LBP和HOG的掌纹识别》", 《计算机应用研究》 * |
张洁玉 等: "《加强局部二值模式的人脸特征提取》", 《中国图象图形学报》 * |
王晓华 等: "《融合局部特征的面部遮挡表情识别》", 《中国图象图形学报》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009478B (zh) * | 2017-11-17 | 2020-03-06 | 天津大学 | 一种基于局部特征投影的表情识别方法 |
CN108009478A (zh) * | 2017-11-17 | 2018-05-08 | 天津大学 | 一种基于局部特征投影的表情识别方法 |
CN107909562A (zh) * | 2017-12-05 | 2018-04-13 | 华中光电技术研究所(中国船舶重工集团公司第七七研究所) | 一种基于像素级的快速图像融合算法 |
CN107909562B (zh) * | 2017-12-05 | 2021-06-08 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种基于像素级的快速图像融合算法 |
CN108388862A (zh) * | 2018-02-08 | 2018-08-10 | 西北农林科技大学 | 基于lbp特征及最近邻分类器的人脸识别方法 |
CN108388862B (zh) * | 2018-02-08 | 2021-09-14 | 西北农林科技大学 | 基于lbp特征及最近邻分类器的人脸识别方法 |
CN108734139A (zh) * | 2018-05-24 | 2018-11-02 | 辽宁工程技术大学 | 基于特征融合及svd自适应模型更新的相关滤波跟踪方法 |
CN108734139B (zh) * | 2018-05-24 | 2021-12-14 | 辽宁工程技术大学 | 基于特征融合及svd自适应模型更新的相关滤波跟踪方法 |
CN108960088A (zh) * | 2018-06-20 | 2018-12-07 | 天津大学 | 特定环境的面部活体特征检测、识别方法 |
CN109359522A (zh) * | 2018-09-06 | 2019-02-19 | 浙江工业大学 | 一种小样本皮肤图像分类方法 |
CN109409212A (zh) * | 2018-09-12 | 2019-03-01 | 中国人民解放军国防科技大学 | 一种基于级联bgp的人脸识别方法 |
CN109308584A (zh) * | 2018-09-27 | 2019-02-05 | 深圳市乔安科技有限公司 | 一种无感考勤系统及方法 |
CN109934208A (zh) * | 2019-04-22 | 2019-06-25 | 江苏邦融微电子有限公司 | 一种用于指纹识别的硬件加速系统及方法 |
CN110287780A (zh) * | 2019-05-17 | 2019-09-27 | 长安大学 | 一种光照下人脸图像特征提取方法 |
CN110188646A (zh) * | 2019-05-23 | 2019-08-30 | 南京邮电大学 | 基于梯度方向直方图与局部二值模式融合的人耳识别方法 |
CN110188646B (zh) * | 2019-05-23 | 2022-08-02 | 南京邮电大学 | 基于梯度方向直方图与局部二值模式融合的人耳识别方法 |
CN110490194A (zh) * | 2019-07-24 | 2019-11-22 | 广东工业大学 | 一种自适应权值的多特征分块融合交通标志的识别方法 |
CN110717960A (zh) * | 2019-10-22 | 2020-01-21 | 北京建筑大学 | 一种建筑垃圾遥感图像样本的生成方法 |
CN115035572A (zh) * | 2022-05-27 | 2022-09-09 | 汤姆逊(广东)智能科技有限公司 | 人脸识别方法及装置 |
CN116895095A (zh) * | 2023-09-11 | 2023-10-17 | 新云滕科技有限公司 | 自动售票机的人脸识别智能判图方法 |
CN117765656A (zh) * | 2024-02-21 | 2024-03-26 | 四川省肿瘤医院 | 住院部各病区闸机的控制方法和控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106599870A (zh) | 一种基于自适应加权局部特征融合的人脸识别方法 | |
CN102184419B (zh) | 基于敏感部位检测的色情图像识别方法 | |
CN107230267B (zh) | 基于人脸识别算法的幼儿园智能签到方法 | |
CN109902590A (zh) | 深度多视图特征距离学习的行人重识别方法 | |
CN105447503B (zh) | 基于稀疏表示lbp和hog融合的行人检测方法 | |
CN103077378B (zh) | 基于扩展八邻域局部纹理特征的非接触式人脸识别算法和签到系统 | |
CN105956579A (zh) | 融合模糊模板和点特征的手指静脉快速识别方法 | |
CN102902986A (zh) | 自动性别识别系统及方法 | |
CN105574509B (zh) | 一种基于光照的人脸识别系统回放攻击检测方法及应用 | |
CN104751136A (zh) | 一种基于人脸识别的多相机视频事件回溯追踪方法 | |
CN107784263B (zh) | 基于改进加速鲁棒特征的平面旋转人脸检测的方法 | |
CN106845328A (zh) | 一种基于双摄像头的智能人脸识别方法及系统 | |
CN104504383A (zh) | 一种基于肤色和Adaboost算法的人脸检测方法 | |
CN105975952A (zh) | 一种视频图像中大胡子检测的方法及系统 | |
CN108446642A (zh) | 一种快速人脸识别系统 | |
CN113450369A (zh) | 一种基于人脸识别技术的课堂分析系统及方法 | |
CN106778637A (zh) | 一种对男女客流的统计方法 | |
CN109190456A (zh) | 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法 | |
Kalaiselvi et al. | Face recognition system under varying lighting conditions | |
Li et al. | Analysis of face detection based on skin color characteristic and AdaBoost algorithm | |
Murugan et al. | Fragmented iris recognition system using BPNN | |
Li et al. | Disguised face detection and recognition under the complex background | |
Navabifar et al. | A Fusion Approach Based on HOG and Adaboost Algorithm for Face Detection under Low-Resolution Images. | |
CN110135362A (zh) | 一种基于红外摄像头下的人脸快速识别方法 | |
CN115830701A (zh) | 一种基于小样本学习的人员违规行为预测方法 |
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 |