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 PDF

Info

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
Application number
CN201611201122.2A
Other languages
English (en)
Inventor
姜威
韩彤炜
刘晓芳
闫旭
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN201611201122.2A priority Critical patent/CN106599870A/zh
Publication of CN106599870A publication Critical patent/CN106599870A/zh
Pending legal-status Critical Current

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

一种基于自适应加权局部特征融合的人脸识别方法
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：
E i = - Σ k = 1 n p i k log p i k
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:
w i = E i / Σ i = 1 m E i .
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：
LBP P , R = &Sigma; p = 0 p - 1 s ( g p - g c ) &CenterDot; 2 p , s ( x ) = 1 , x &GreaterEqual; 0 0 , x < 0 .
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：
m ( x , y ) = ( G x ( x , y ) ) 2 + ( G y ( x , y ) ) 2
&theta; ( x , y ) = arctan &lsqb; G y ( x , y ) G x ( x , y ) &rsqb; .
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。
CN201611201122.2A 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 Pending CN106599870A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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