CN106886771B - 基于模块化pca的图像主信息提取方法及人脸识别方法 - Google Patents

基于模块化pca的图像主信息提取方法及人脸识别方法 Download PDF

Info

Publication number
CN106886771B
CN106886771B CN201710152989.1A CN201710152989A CN106886771B CN 106886771 B CN106886771 B CN 106886771B CN 201710152989 A CN201710152989 A CN 201710152989A CN 106886771 B CN106886771 B CN 106886771B
Authority
CN
China
Prior art keywords
image
sub
recognized
main information
matrix
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
Application number
CN201710152989.1A
Other languages
English (en)
Other versions
CN106886771A (zh
Inventor
赵生捷
陈栋
杨恺
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN201710152989.1A priority Critical patent/CN106886771B/zh
Publication of CN106886771A publication Critical patent/CN106886771A/zh
Application granted granted Critical
Publication of CN106886771B publication Critical patent/CN106886771B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Abstract

本发明涉及一种基于模块化PCA的图像主信息提取方法及人脸识别方法，包括：采用重叠分块方式对图像进行分块成多个子图像；根据所有子图像的期望矩阵处理子图像得到标准化的子图像；还包括：根据行重要样本概率和列重要样本概率随机抽取标准化的子图像指定数目的行和列构成该子图像主信息矩阵，最终通过对比待识别图像和图像之间的主信息矩阵识别待识别图像。与现有技术相比，本发明在分块之后，采用统计学上的随机化算法进行模块匹配，在保留了模块化PCA优势的情况下，提高了识别速度。

Description

基于模块化PCA的图像主信息提取方法及人脸识别方法
技术领域
本发明涉及一种人脸识别方法，尤其是涉及一种基于模块化PCA的图像主信息提取方法及人脸识别方法。
背景技术
人脸识别是生物特征识别技术中的重要研究领域，应用前景广阔。无论在理论上还是在实践中都有很大的意义，它涵盖了数字图像处理、神经网络、心理学、生理学、模式识别、计算机视觉以及人工智能等各方面的知识内容，对推动各个学科领域的发展具有重要的理论意义。在公安、金融、网络安全、物业管理以及考勤等各种领域也都有着巨大的应用价值。如人脸识别技术可以快速地计算出实时采集到脸部数据与人脸图像数据库中已知人员的脸部数据之间的相似度，返回鉴别结果和相对应的可信度。如应用面像捕捉，人脸识别技术可以在监控范围中跟踪一个人并确定他的位置。如在商场、银行、交易所等和金融相关场所，加以人脸识别智能监控，排除不法分子的侵入。
虽然研究者们提出了很多人脸识别算法，但其性能仍需进一步改进。目前比较常见的人脸识别方法有PCA(Principal Component Analysis)，LDA，流形学习等。为了减少由于拍摄角度、光照以及表情在人脸识别过程中造成的影响，有学者提出了modular PCA的方法，首先将人脸图像分割成若干子块，然后对这些子块使用传统PCA算法进行识别，由于拍摄角度、光照以及表情对人脸的局部特征影响不大，因此模块化的PCA算法在处理这些问题上有较大的容错性，实验证明，相比较于传统的PCA算法，该方法能够取得更高的准确性。后来又有学者提出了该算法的变种，即在分割模块时不是简单地将图片直接分成若干块，而是采用重叠取样的方法，这样避免了直接分块造成的边界信息损失。然而随着摄影，图像技术的提高，在应用到实际生活中，对于像素较高的人脸图片，由于采用了重叠取样分割的方法，再进行PCA或者2D-PCA人脸识别方法时，处理的速度较慢，不能满足处理速度方面的需求。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于模块化PCA的图像主信息提取方法及人脸识别方法。
本发明的目的可以通过以下技术方案来实现：
一种基于模块化PCA的图像主信息提取方法，包括：
图像分块：采用重叠分块方式对图像进行分块成多个子图像；
标准化处理：根据所有子图像的期望矩阵处理子图像得到标准化的子图像；
还包括：
信息提取：设定每个标准化的子图像中每一行和每一列的行重要样本概率和列重要样本概率，根据每一行的行重要样本概率随机抽取标准化的子图像中第一指定数目的行，根据每一列的重要样本概率随机抽取标准化的子图像中第二指定数目的列，并将标准化的子图像中抽取的第一指定数目的行和第二指定数目的列构成该子图像主信息矩阵。
所述行重要样本概率具体为：
Figure GDA0002438129640000021
其中：pni为第n个子图像的第i行的重要样本概率，Jn为第n个子图像的标准化的子图像，Jn (i)为Jn的第i行，
Figure GDA0002438129640000022
为Jn的F范数的平方，
Figure GDA0002438129640000023
为Jn (i)的欧几里得范数的平方，
所述列重要样本概率具体为：
Figure GDA0002438129640000024
其中：qnj为第n个子图像的第j列的重要样本概率，Jn为第n个子图像的标准化的子图像，Jn (j)为Jn的第j列，
Figure GDA0002438129640000025
为Jn的F范数的平方，
Figure GDA0002438129640000026
为Jn (j)的欧几里得范数的平方。
所述图像分块步骤具体为以步长为S像素将尺寸为X×Y的图像分割成N个子图像：
Figure GDA0002438129640000027
其中：x×y为子图像的尺寸。
所述标准化的子图像具体为：
Jn＝In-A,n∈(1,N)
其中：Jn为第n个子图像的标准化的子图像，In为第n个子图像，A所有子图像的期望矩阵。
一种基于上述图像主信息提取方法的人脸识别方法，包括：
采用所述图像主信息提取方法处理所有对象中的每一个样本图像，其中，每个对象中的样本图像数据至少为一个；
计算各对象的各位置子图像的平均主信息矩阵：
Figure GDA0002438129640000031
其中：
Figure GDA0002438129640000032
为第t个对象的第n个位置子图像的平均主信息矩阵，T为对象的总数，Mt为第t个对象的样本图像的总数，N为由一个样本图像分块得到的子图像的总数，Wtmn为第t个对象的第m个样本图像的第n个子图像的主信息矩阵；
采用所述图像主信息提取方法处理待识别图像；
根据待识别图像的主信息矩阵和各对象的各位置子图像的平均主信息矩阵计算待识别图像和所有对象的最小矩阵距离，并识别所述待识别图像中的人脸。
所述根据待识别图像的主信息矩阵和各对象的各位置子图像的平均主信息矩阵计算待识别图像和所有对象的最小矩阵距离，并识别所述待识别图像中的人脸，具体包括：
计算待识别图像和所有对象的最小矩阵距离：
Figure GDA0002438129640000033
其中：Dt为待识别图像和第t个对象的最小矩阵距离，Wtestn为待识别图像的第n个子图像的主信息矩阵，
Figure GDA0002438129640000034
为欧几里得范数的平方；
搜索与待识别图像的最小矩阵距离最小的对象：
Dk＝min(Dt),k∈(1,T)
其中，Dk为待识别图像和第k个对象的最小矩阵距离，min(Dt)为待识别图像和所有对象的最小矩阵距离的最小值；
判断待识别图像和所有对象的最小矩阵距离的最小值是否小于设定阈值，若为是，则待识别图像的识别结果为第k个对象，若为否，则无识别结果。
所述根据待识别图像的主信息矩阵和各对象的各位置子图像的平均主信息矩阵计算待识别图像和所有对象的最小矩阵距离，并识别所述待识别图像中的人脸，具体包括：
计算待识别图像和所有对象的最小矩阵距离：
Figure GDA0002438129640000041
其中：Dt为待识别图像和第t个对象的最小矩阵距离，Wtestn为待识别图像的第n个子图像的主信息矩阵，
Figure GDA0002438129640000042
为欧几里得范数的平方；
判断待识别图像和所有对象的最小矩阵距离的最小值是否小于设定阈值，若为否，则无识别结果，若为是，则：
搜索与待识别图像的最小矩阵距离最小的对象作为识别结果：
Dk＝min(Dt),k∈(1,T)
其中，Dk为待识别图像和第k个对象的最小矩阵距离，min(Dt)为待识别图像和所有对象的最小矩阵距离的最小值。
与现有技术相比，本发明具有以下优点：
1)在分块之后，采用统计学上的随机化算法进行模块匹配，在保留了模块化PCA优势的情况下，提高了识别速度。
2)重要样本概率通过F范数平方和欧几里得范数的平方设定，可以在保留原图像矩阵大部分信息的同时，简单快速的对原图像矩阵进行降维，从而降低计算的复杂度，此外，该方法具有较好的鲁棒性。
3)每一个对象配置了多个样本图像，降低随机误差，提高识别精度。
4)通过对min(Dt)进行二重判断，避免对内容库之外的人物发生乱识别。
附图说明
图1为本发明图像主信息提取方法的主要步骤流程示意图；
图2为本发明人脸识别方法的主要步骤流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
由于模块化PCA，尤其是重叠分块情况下的分块处理提高了计算的复杂度，导致在进行实时人脸匹配以及人脸识别时速度降低，本申请针对这个问题进行改进，在分块之后，采用统计学上的随机化算法进行模块匹配，在保留了模块化PCA优势的情况下，提高了识别速度。
本申请是对目前模块化PCA的改进，因此先简要介绍模块化PCA算法：
在进行人脸识别时，假设有M个训练样本，每个样本的大小为L×L，在此前提下，经过对训练样本的处理，从而对新的样本进行归类。
模块化PCA算法：
(1)图像分块
常规模块化PCA处理方法为，将每一个训练图像分割成N个子图像，那么每一个子图像的大小为L2/N，
在重叠分块的情况下，假设以步长为S像素将原样本分割成大小为R×R的子块，则原样本将会分割成的子图像个数为：
Figure GDA0002438129640000051
(2)图像矩阵处理(PCA)
求出子图像的均值后，将每个子图像减去平均值得到标准化的子图像，对每个标准化的子图像矩阵，求出协方差矩阵，然后求出协方差矩阵的特征向量以及特征值。选取前最大的K个特征值对应的特征向量，根据每个子图像的特点求出每个子图像的权重向量。
(3)人脸识别
同样的方法求出待识别图像每个子图像的权重向量，求出训练样本与待识别子图像的权重向量差值的一阶范数，设定误差范围，满足条件即可认定待识别图像属于该类。
下面介绍本发明方法：基于模块化PCA和随机化方法的人脸识别算法：
改进后的算法采取了重叠分块的处理方法，主要是对子图像的处理部分，不再采用根据协方差矩阵求特征矩阵的方法，而是采用随机化算法快速得到每个子图像的主信息，并将训练样本与待测试图像主信息进行比对，得出识别结果。
首先需要进行主信息的提取，本申请公开一种基于模块化PCA的图像主信息提取方法，如图1所示，包括：
图像分块：采用重叠分块方式对图像进行分块成多个子图像；
标准化处理：根据所有子图像的期望矩阵处理子图像得到标准化的子图像；
还包括：
信息提取：设定每个标准化的子图像中每一行和每一列的行重要样本概率和列重要样本概率，根据每一行的行重要样本概率随机抽取标准化的子图像中第一指定数目的行，根据每一列的重要样本概率随机抽取标准化的子图像中第二指定数目的列，并将标准化的子图像中抽取的第一指定数目的行和第二指定数目的列构成该子图像主信息矩阵。
行重要样本概率具体为：
Figure GDA0002438129640000061
其中：pni为第n个子图像的第i行的重要样本概率，Jn为第n个子图像的标准化的子图像，Jn (i)为Jn的第i行，
Figure GDA0002438129640000062
为Jn的F范数的平方，
Figure GDA0002438129640000063
为Jn (i)的欧几里得范数的平方，
列重要样本概率具体为：
Figure GDA0002438129640000064
其中：qnj为第n个子图像的第j列的重要样本概率，Jn为第n个子图像的标准化的子图像，Jn (j)为Jn的第j列，
Figure GDA0002438129640000065
为Jn的F范数的平方，
Figure GDA0002438129640000066
为Jn (j)的欧几里得范数的平方。
图像分块步骤具体为以步长为S像素将尺寸为X×Y的图像分割成N个子图像：
Figure GDA0002438129640000067
其中：x×y为子图像的尺寸。
标准化的子图像具体为：
Jn＝In-A,n∈(1,N)
其中：Jn为第n个子图像的标准化的子图像，In为第n个子图像，A所有子图像的期望矩阵。
一种基于上述的图像主信息提取方法的人脸识别方法，如图2所示，包括：
采用图像主信息提取方法处理所有对象中的每一个样本图像，其中，每个对象中的样本图像数据至少为一个；
计算各对象的各位置子图像的平均主信息矩阵：
Figure GDA0002438129640000068
其中：
Figure GDA0002438129640000071
为第t个对象的第n个位置子图像的平均主信息矩阵，T为对象的总数，Mt为第t个对象的样本图像的总数，N为由一个样本图像分块得到的子图像的总数，Wtmn为第t个对象的第m个样本图像的第n个子图像的主信息矩阵；
采用图像主信息提取方法处理待识别图像；
根据待识别图像的主信息矩阵和各对象的各位置子图像的平均主信息矩阵计算待识别图像和所有对象的最小矩阵距离，并识别待识别图像中的人脸。
根据待识别图像的主信息矩阵和各对象的各位置子图像的平均主信息矩阵计算待识别图像和所有对象的最小矩阵距离，并识别待识别图像中的人脸，具体包括：
计算待识别图像和所有对象的最小矩阵距离：
Figure GDA0002438129640000072
其中：Dt为待识别图像和第t个对象的最小矩阵距离，Wtestn为待识别图像的第n个子图像的主信息矩阵，
Figure GDA0002438129640000073
为欧几里得范数的平方；
搜索与待识别图像的最小矩阵距离最小的对象：
Dk＝min(Dt),k∈(1,T)
其中，Dk为待识别图像和第k个对象的最小矩阵距离，min(Dt)为待识别图像和所有对象的最小矩阵距离的最小值；
判断待识别图像和所有对象的最小矩阵距离的最小值是否小于设定阈值，若为是，则待识别图像的识别结果为第k个对象，若为否，则无识别结果。
根据待识别图像的主信息矩阵和各对象的各位置子图像的平均主信息矩阵计算待识别图像和所有对象的最小矩阵距离，并识别待识别图像中的人脸，具体包括：
计算待识别图像和所有对象的最小矩阵距离：
Figure GDA0002438129640000074
其中：Dt为待识别图像和第t个对象的最小矩阵距离，Wtestn为待识别图像的第n个子图像的主信息矩阵，
Figure GDA0002438129640000075
为欧几里得范数的平方；
判断待识别图像和所有对象的最小矩阵距离的最小值是否小于设定阈值，若为否，则无识别结果，若为是，则：
搜索与待识别图像的最小矩阵距离最小的对象作为识别结果：
Dk＝min(Dt),k∈(1,T)
其中，Dk为待识别图像和第k个对象的最小矩阵距离，min(Dt)为待识别图像和所有对象的最小矩阵距离的最小值。

Claims (5)

1.一种基于模块化PCA的图像主信息提取方法，包括：
图像分块：采用重叠分块方式对图像进行分块成多个子图像，
标准化处理：根据所有子图像的期望矩阵处理子图像得到标准化的子图像，
其特征在于，还包括：
信息提取：设定每个标准化的子图像中每一行的行重要样本概率和每一列的列重要样本概率，根据每一行的行重要样本概率随机抽取标准化的子图像中第一指定数目的行，根据每一列的重要样本概率随机抽取标准化的子图像中第二指定数目的列，并将标准化的子图像中抽取的第一指定数目的行和第二指定数目的列构成该子图像主信息矩阵；
所述行重要样本概率具体为：
Figure FDA0002438129630000011
其中：pni为第n个子图像的第i行的重要样本概率，Jn为第n个子图像的标准化的子图像，Jn (i)为Jn的第i行，
Figure FDA0002438129630000012
为Jn的F范数的平方，
Figure FDA0002438129630000013
为Jn (i)的欧几里得范数的平方，x为子图像的总行数，N为由一个样本图像分块得到的子图像的总数，
所述列重要样本概率具体为：
Figure FDA0002438129630000014
其中：qnj为第n个子图像的第j列的重要样本概率，Jn (j)为Jn的第j列，
Figure FDA0002438129630000015
为Jn (j)的欧几里得范数的平方，y为子图像的总列数；
所述图像分块步骤具体为以步长为S像素将尺寸为X×Y的图像分割成N个子图像：
Figure FDA0002438129630000016
其中：x×y为子图像的尺寸。
2.根据权利要求1所述的一种基于模块化PCA的图像主信息提取方法，其特征在于，所述标准化的子图像具体为：
Jn＝In-A,n∈(1,N)
其中：Jn为第n个子图像的标准化的子图像，In为第n个子图像，A为所有子图像的期望矩阵。
3.一种基于权利要求1或2所述的图像主信息提取方法的人脸识别方法，其特征在于，包括：
采用所述图像主信息提取方法处理所有对象中的每一个样本图像，其中，每个对象中的样本图像数据至少为一个；
计算各对象的各位置子图像的平均主信息矩阵：
Figure FDA0002438129630000021
其中：
Figure FDA0002438129630000022
为第t个对象的第n个位置子图像的平均主信息矩阵，T为对象的总数，Mt为第t个对象的样本图像的总数，N为由一个样本图像分块得到的子图像的总数，Wtmn为第t个对象的第m个样本图像的第n个子图像的主信息矩阵；
采用所述图像主信息提取方法处理待识别图像；
根据待识别图像的主信息矩阵和各对象的各位置子图像的平均主信息矩阵计算待识别图像和所有对象的最小矩阵距离，并识别所述待识别图像中的人脸。
4.根据权利要求3所述的人脸识别方法，其特征在于，所述根据待识别图像的主信息矩阵和各对象的各位置子图像的平均主信息矩阵计算待识别图像和所有对象的最小矩阵距离，并识别所述待识别图像中的人脸，具体包括：
计算待识别图像和所有对象的最小矩阵距离：
Figure FDA0002438129630000023
其中：Dt为待识别图像和第t个对象的最小矩阵距离，Wtestn为待识别图像的第n个子图像的主信息矩阵，
Figure FDA0002438129630000024
为欧几里得范数的平方；
搜索与待识别图像的最小矩阵距离最小的对象：
Dk＝min(Dt),k∈(1,T)
其中，Dk为待识别图像和第k个对象的最小矩阵距离，min(Dt)为待识别图像和所有对象的最小矩阵距离的最小值；
判断待识别图像和所有对象的最小矩阵距离的最小值是否小于设定阈值，若为是，则待识别图像的识别结果为第k个对象，若为否，则无识别结果。
5.根据权利要求3所述的人脸识别方法，其特征在于，所述根据待识别图像的主信息矩阵和各对象的各位置子图像的平均主信息矩阵计算待识别图像和所有对象的最小矩阵距离，并识别所述待识别图像中的人脸，具体包括：
计算待识别图像和所有对象的最小矩阵距离：
Figure FDA0002438129630000031
其中：Dt为待识别图像和第t个对象的最小矩阵距离，Wtestn为待识别图像的第n个子图像的主信息矩阵，
Figure FDA0002438129630000032
为欧几里得范数的平方；
判断待识别图像和所有对象的最小矩阵距离的最小值是否小于设定阈值，若为否，则无识别结果，若为是，则：
搜索与待识别图像的最小矩阵距离最小的对象作为识别结果：
Dk＝min(Dt),k∈(1,T)
其中，Dk为待识别图像和第k个对象的最小矩阵距离，min(Dt)为待识别图像和所有对象的最小矩阵距离的最小值。
CN201710152989.1A 2017-03-15 2017-03-15 基于模块化pca的图像主信息提取方法及人脸识别方法 Active CN106886771B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710152989.1A CN106886771B (zh) 2017-03-15 2017-03-15 基于模块化pca的图像主信息提取方法及人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710152989.1A CN106886771B (zh) 2017-03-15 2017-03-15 基于模块化pca的图像主信息提取方法及人脸识别方法

Publications (2)

Publication Number Publication Date
CN106886771A CN106886771A (zh) 2017-06-23
CN106886771B true CN106886771B (zh) 2020-08-18

Family

ID=59181044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710152989.1A Active CN106886771B (zh) 2017-03-15 2017-03-15 基于模块化pca的图像主信息提取方法及人脸识别方法

Country Status (1)

Country Link
CN (1) CN106886771B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647640A (zh) * 2018-05-10 2018-10-12 王逸人 人脸识别的方法及电子设备
CN109165572B (zh) * 2018-08-03 2022-02-08 百度在线网络技术（北京）有限公司 用于生成信息的方法和装置
CN110503033B (zh) * 2019-08-21 2022-02-15 杭州宇泛智能科技有限公司 一种降低人脸库中多个相似人脸误识别的方法
CN111539271B (zh) * 2020-04-10 2023-05-02 哈尔滨新光光电科技股份有限公司 基于可穿戴设备的人脸识别方法及用于边防的可穿戴人脸检测设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101093539A (zh) * 2007-07-27 2007-12-26 哈尔滨工程大学 手指静脉特征提取与匹配识别方法
EP2246807A1 (en) * 2009-04-30 2010-11-03 Sony Corporation Information processing apparatus and method, and program
CN104408482A (zh) * 2014-12-08 2015-03-11 电子科技大学 一种高分辨率sar图像目标检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101093539A (zh) * 2007-07-27 2007-12-26 哈尔滨工程大学 手指静脉特征提取与匹配识别方法
EP2246807A1 (en) * 2009-04-30 2010-11-03 Sony Corporation Information processing apparatus and method, and program
CN104408482A (zh) * 2014-12-08 2015-03-11 电子科技大学 一种高分辨率sar图像目标检测方法

Also Published As

Publication number Publication date
CN106886771A (zh) 2017-06-23

Similar Documents

Publication Publication Date Title
CN107153817B (zh) 行人重识别数据标注方法和装置
KR100601957B1 (ko) 얼굴 인식을 위한 영상간 대응 결정 방법 및 장치, 이를이루기위한 영상 보정 방법 및 장치
CN106886771B (zh) 基于模块化pca的图像主信息提取方法及人脸识别方法
CN110728252B (zh) 一种应用于区域人员运动轨迹监控的人脸检测方法
CN105787466B (zh) 一种车辆类型的精细识别方法及系统
CN112183468A (zh) 一种基于多注意力联合多级特征的行人再识别方法
CN114783003B (zh) 一种基于局部特征注意力的行人重识别方法和装置
CN111709313B (zh) 基于局部和通道组合特征的行人重识别方法
Huang et al. The Internet technology for defect detection system with deep learning method in smart factory
CN113205002B (zh) 非受限视频监控的低清人脸识别方法、装置、设备及介质
CN111078946A (zh) 一种基于多目标区域特征聚合的卡口车辆检索方法及系统
CN109472733A (zh) 基于卷积神经网络的图像隐写分析方法
CN110991374B (zh) 一种基于rcnn的指纹奇异点检测方法
CN114359702A (zh) 一种基于Transformer的宅基地遥感图像违建识别方法及系统
CN110516547B (zh) 一种基于加权非负矩阵分解的套牌车辆检测方法
CN116071807B (zh) 基于视频监控的校园一卡通智能预警方法及系统
CN114743278A (zh) 一种基于生成对抗网络和卷积神经网络的指静脉识别方法
CN114627493A (zh) 一种基于步态特征的身份识别方法及系统
Singh et al. Facial Recognition Automation System Using Machine Learning
Singh et al. Fingerprint recognition system based on mapping approach
CN110502992A (zh) 一种基于关系图谱的固定场景视频的人脸快速识别方法
CN113128289B (zh) 人脸识别的特征提取计算方法及设备
Singh et al. Biometric security system for watchlist surveillance
Franzen et al. Impact of frequency-domain data representation on recognition performance of neural networks
CN115170509A (zh) 基于rgb-d图像分割的多目标人员识别与定位方法

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
GR01 Patent grant
GR01 Patent grant