CN107066966A - 一种基于关键点区域图像的人脸识别方法 - Google Patents

一种基于关键点区域图像的人脸识别方法 Download PDF

Info

Publication number
CN107066966A
CN107066966A CN201710236130.9A CN201710236130A CN107066966A CN 107066966 A CN107066966 A CN 107066966A CN 201710236130 A CN201710236130 A CN 201710236130A CN 107066966 A CN107066966 A CN 107066966A
Authority
CN
China
Prior art keywords
mrow
image
face
msubsup
gabor
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
CN201710236130.9A
Other languages
English (en)
Inventor
李朝荣
朱利红
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.)
Yibin University
Original Assignee
Yibin 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 Yibin University filed Critical Yibin University
Priority to CN201710236130.9A priority Critical patent/CN107066966A/zh
Publication of CN107066966A publication Critical patent/CN107066966A/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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • 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
    • G06V10/40—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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人脸识别技术，尤其是涉及一种基于关键点区域图像的Gabor‑LBP人脸识别方法。本发明的整体方案是：首先，对图像进行预处理，在预处理的图像上定位若干特征点，并在这些特征点上提取出“局部小区域”；然后，将这些局部区域重新组合成一个新的图像(称为“关键区域图像”)，再用Gabor小波将其分解为不同方向和不同尺度的特征图像(称为Gabor子带)；紧接着，在每一个Gabor子带上，用LBP进行提取特征，并计算出直方图(本文称为Gabor‑LBP特征)；最后，用白化PCA(WPCA)对特征进行压缩并识别。本发明能有效抵抗不同光照、不同面部表情、不同面部角度、人脸老化等不利因素的影响，有很好的识别效果。

Description

一种基于关键点区域图像的人脸识别方法
技术领域
本发明涉及人脸识别技术，尤其是涉及一种基于关键点区域图像的Gabor-LBP人脸识别技术。
背景技术
在智能信息化时代，基于计算机的人脸识别应用十分广泛，如网上交易、自动考勤等。进行人脸自动识别时，不同光照、不同面部表情、不同面部角度、人脸老化等因素仍然是人脸识别技术中的难点问题。这些不利因素往往同时存在，使得识别变得越发困难。
本文提出一种基于特征点区域的人脸识别技术，该技术能有效克服上述不利因素。基于特征点的局部区域有两个优势：(1)区分度比较好；(2)能有效抵抗人脸的变形、光照等不利因素的影响。另外，由于Gabor小波和LBP(局部二进制模式)是人脸识别中的两种十分有效的特征提取技术，因而本发明设计出基于关键点的Gabor-LBP识别方法。SDM是一种有效的人脸特征点定位方法(Xiong,Xuehan,and Fernando De la Torre."Superviseddescent method and its applications to face alignment",CVPR,2013)。在训练好的模型上，SDM能定位出面部的49个关键点。
Gabor滤波器能模拟人的感受野函数，十分适合表达纹理图像。二维Gabor滤波器函数为：其中σx和σy是在x和y方向的高斯标准差，F是频域的中心频率。借助于小波变换的多分辨分析，对Gabor滤波器进行扩展便可以得到具有多尺度性能的Gabor小波。Gabor小波为下：pm,n＝amaxf-mp(x′,y′),其中 K是整数，amax是常量，表示最大分解尺度，f是尺度因子。m(＝0,1,…,S-1)和n(＝0,1,…,K-1)是Gabor小波的尺度参数和方向参数，S和K是整数。利用Gabor小波进行分解时能得到S个尺度和K个方向的共S×K个分解子带。Gabor小波在光照变化和图像噪声情况下稳定性较好，广泛应用于机器视觉领域。
LBP(Local Binary Patterns，局部二进制模式)是一种计算快速的纹理描述算子，它能有效的提取图像局部的纹理信息。一个像素点的周围若干区域称为该像素点的局部区域，该点称为中心点。该局部区域的所有像素与其中心像素的差值的二进制编码称为“局部二进制编码”。用LBP(R,P)表示半径为R、像素点个数为P的局部区域的二进制模式，如LBP(2,8)。本发明采用LBP(2,8)来提取人脸的直方图特征。
发明内容
本发明的整体方案是：首先，对图像进行预处理，在预处理的图像上定位若干特征点，并在这些特征点上提取出“局部小区域”；然后，将这些局部区域重新组合成一个新的图像(称为“关键区域图像”)，再用Gabor小波将其分解为不同方向和不同尺度的特征图像(称为Gabor子带)；紧接着，在每一个Gabor子带上，用LBP进行提取特征，并计算出直方图(本文称为Gabor-LBP特征)；最后，用白化PCA(WPCA)对特征进行压缩并识别。
本发明的有效之处在于下面三方面：(1)Gabor与LBP组合能有效提取人脸特征。Gabor与LBP组合在文献中已经有报道，被称为LGBPHS方法。本发明在具体实现上采用了与LGBPHS方法类似的操作。LGBPHS方法对光照，简单变性等有较好的鲁棒性，但是对于极端光照变化，以及较大的面部变形(如夸张的表情、面部角度等导致)会明显地影响LGBPHS的识别效果；(2)“关键区域图像”是基于局部区域的显著图像(也是本发明的创新之处)。文献表明局部化的特征能有效抵抗光照、变形等不利因数。而且关键点区域是人脸中极具区分性的地方，比如不同人脸的“眼角”、“嘴角”等局部小区域有明显的不同。(3)本发明将这些关键点局部区域重新组合为一张图像(称为“关键区域图像”)以便更好地提取特征。为进一步提升性能，我们将对“关键区域图像”进行分块来提取Gabor-LBP特征。
本发明方法描述如下：
步骤(1)人脸图像预处理。
由于光照变化和图像噪声会影响识别准确率，本发明用预处理去除光照影响和图像噪声。设输入的人脸图像为I，依次进行下面两方面的预处理，得到图像IP1：
(1a)首先，用Gamma矫正消除部分光照，Gamma矫正是将像素的指数值替换本身的值，表示为：I＝Iλ，λ是矫正因子，这里取0.2。
(1b)其次，用直方图规定化增强图像。选取一副无光照和噪声影响的正面图像的直方图作为参照，根据该参照人脸图片将经过Gamma矫正后的图像进行规定化处理，进一步去光照和噪声影响，增强图片效果。
步骤(2)建立“关键区域图像”(Ikey)
(2a)用SDM方法提取IP1图像上的25个特征点。
(2b)对于25个点，以每个关键点为中心建立尺寸为M×M像素的局部矩形区域，这里M＝22。
(2c)将25个局部区域组合成一个大小为5M×5M的图像。当M＝22，则新图像尺寸为110×110，称这图像为“关键区域图像”，表示为Ikey。
步骤(3)高斯差分算子(DoG)滤波“关键区域图像”Ikey。
DoG滤波的目的是进一步消除图像噪声同时增强图像边缘，这步处理后的图像表示为IP2。DoG定义为：
步骤(4)用Gabor将IP2分解为S尺度K方向分解，共产生S×K个子带。这里S＝4，K＝6，即共产生24个子带，这些子带表示为其中j＝1,…,24。
步骤(5)计算每一个Gabor子带的LBP直方图。
(5a)将划分为非重叠的N×N的小块，即共产生N2个小块。这里取N＝10，被划分为100个小块。
(5b)对每个小块区域的像素分别进行LBP算子的转换，并计算该小块区域的直方图，然后将各个区域的直方图串联起来，构建成一个全局性的直方图。在这步得到的全局直方图表示为Hj，其中j＝1,…,24。
步骤(6)用WPCA特征变换。从步骤(5)得到的直方图为人脸特征Hj(j＝1,…,24)，这些直方图特征维数较高，因此本发明用白化主成分分析(Whitened PrincipalComponent Analysis，WPCA)降维。在这一步，通过WCPA变换，能得到维数更低、且更具有区分性能的人脸特征。根据人脸训练集的Hj，得到基于PCA正交特征投影矩阵U(U中每一列是特征值对应的特征向量和特征向量对角矩阵其中n是训练集中的人脸个数。则经WPCA变换后的输出为：
步骤(7)人脸识别。人脸识别主要是进行两个人脸特征向量直接的比较。本发明用余弦距离来度量两张人脸图像的相似程度。余弦值越小说明两张人脸越不相似，当接近1时说明两张人脸来源于同一个人。假定表示带查询的人脸图像特征人脸数据中已经计算出的特征为其中i＝1,…,N(N为数中人脸个数)，则用下面的夹角余弦距离进行查询：
附图说明
图1是本发明中人脸特征提取和识别的流程图。
图2是建立“关键区域图像”的示意图。
具体实施方式
步骤(1)人脸图像预处理。
由于光照变化和图像噪声会影响识别准确率，本发明用预处理去除光照影响和图像噪声。设输入的人脸图像为I，依次进行下面两方面的预处理，得到图像IP1：
(1a)首先，用Gamma矫正消除部分光照，Gamma矫正是将像素的指数值替换本身的值，表示为：I＝Iλ，λ是矫正因子，这里取0.2。
(1b)其次，用直方图规定化增强图像。选取一副无光照和噪声影响的正面图像的直方图作为参照，根据该参照人脸图片将经过Gamma矫正后的图像进行规定化处理，进一步去光照和噪声影响，增强图片效果。
步骤(2)建立“关键区域图像”(Ikey)(参见图2)
(2a)用SDM方法提取IP1图像上的25个特征点。
(2b)对于25个点，以每个关键点为中心建立尺寸为M×M像素的局部矩形区域，这里M＝22。
(2c)将25个局部区域组合成一个大小为5M×5M的图像。当M＝22，则新图像尺寸为110×110，称这图像为“关键区域图像”，表示为Ikey。
步骤(3)高斯差分算子(DoG)滤波“关键区域图像”Ikey。
DoG滤波的目的是进一步消除图像噪声同时增强图像边缘，这步处理后的图像表示为IP2。
步骤(4)用Gabor将IP2分解为S尺度K方向分解，共产生S×K个子带。这里S＝4，K＝6，即共产生24个子带，这些子带表示为其中j＝1,…,24。
步骤(5)计算每一个Gabor子带的LBP直方图。
(5a)将划分为非重叠的N×N的小块，即共产生N2个小块。这里取N＝10，被划分为100个小块。
(5b)对每个小块区域的像素分别进行LBP算子的转换，并计算该小块区域的直方图，然后将各个区域的直方图串联起来，构建成一个全局性的直方图。在这步得到的全局直方图表示为Hj，其中j＝1,…,24。
步骤(6)用WPCA特征变换。从步骤(5)得到的直方图为人脸特征Hj(j＝1,…,24)，这些直方图特征维数较高，因此本发明用白化主成分分析(Whitened PrincipalComponent Analysis，WPCA)降维。在这一步，通过WCPA变换，能得到维数更低、且更具有区分性能的人脸特征。根据人脸训练集的Hj，得到基于PCA正交特征投影矩阵U(U中每一列是特征值对应的特征向量和特征向量对角矩阵其中n是训练集中的人脸个数。则经WPCA变换后的输出为：
步骤(7)人脸识别。人脸识别主要是进行两个人脸特征向量直接的比较。本发明用余弦距离来度量两张人脸图像的相似程度。余弦值越小说明两张人脸越不相似，当接近1时说明两张人脸来源于同一个人。假定表示带查询的人脸图像特征人脸数据中已经计算出的特征为其中i＝1,…,N(N为数中人脸个数)，则用下面的夹角余弦距离进行查询：
。

Claims (1)

1.本发明涉及一种基于关键点区域图像的Gabor-LBP人脸识别方法，其特征在于它包括以下步骤：
步骤(1)人脸图像预处理。
由于光照变化和图像噪声会影响识别准确率，本发明用预处理去除光照影响和图像噪声。设输入的人脸图像为I，依次进行下面两方面的预处理，得到图像IP1：
(1a)首先，用Gamma矫正消除部分光照，Gamma矫正是将像素的指数值替换本身的值，表示为：I＝Iλ，λ是矫正因子，这里取0.2。
(1b)其次，用直方图规定化增强图像。选取一副无光照和噪声影响的正面图像的直方图作为参照，根据该参照人脸图片将经过Gamma矫正后的图像进行规定化处理，进一步去光照和噪声影响，增强图片效果。
步骤(2)建立“关键区域图像”(Ikey)
(2a)用SDM方法提取IP1图像上的25个特征点。
(2b)对于25个点，以每个关键点为中心建立尺寸为M×M像素的局部矩形区域，这里M＝22。
(2c)将25个局部区域组合成一个大小为5M×5M的图像。当M＝22，则新图像尺寸为110×110，称这图像为“关键区域图像”，表示为Ikey。
步骤(3)高斯差分算子(DoG)滤波“关键区域图像”Ikey。
DoG滤波的目的是进一步消除图像噪声同时增强图像边缘，这步处理后的图像表示为IP2。
步骤(4)用Gabor将IP2分解为S尺度K方向分解，共产生S×K个子带。
这里S＝4，K＝6，即共产生24个子带，这些子带表示为其中j＝1,…,24。
步骤(5)计算每一个Gabor子带的LBP直方图。
(5a)将划分为非重叠的N×N的小块，即共产生N2个小块。这里取N＝10，被划分为100个小块。
(5b)对每个小块区域的像素分别进行LBP算子的转换，并计算该小块区域的直方图，然后将各个区域的直方图串联起来，构建成一个全局性的直方图。在这步得到的全局直方图表示为Hj，其中j＝1,…,24。
步骤(6)用WPCA特征变换。从步骤(5)得到的直方图为人脸特征Hj(j＝1,…,24)，这些直方图特征维数较高，因此本发明用白化主成分分析(Whitened Principal ComponentAnalysis，WPCA)降维。在这一步，通过WCPA变换，能得到维数更低、且更具有区分性能的人脸特征。根据人脸训练集的Hj，得到基于PCA正交特征投影矩阵U(U中每一列是特征值对应的特征向量和特征向量对角矩阵其中n是训练集中的人脸个数。则经WPCA变换后的输出为：
<mrow> <msubsup> <mi>H</mi> <mi>j</mi> <mrow> <mi>w</mi> <mi>p</mi> </mrow> </msubsup> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msup> <mi>U&amp;Lambda;</mi> <mrow> <mo>-</mo> <mn>1</mn> <mo>/</mo> <mn>2</mn> </mrow> </msup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msub> <mi>H</mi> <mi>j</mi> </msub> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mn>2</mn> </mrow>
步骤(7)人脸识别。人脸识别主要工作是进行两个人脸特征向量之间的比较。本发明用余弦距离来度量两张人脸图像的相似程度。俩个向量间的夹角余弦值越小说明两张人脸越不相似，当接近1时说明两张人脸来源于同一个人。假定表示带查询的人脸图像特征人脸数据中已经计算出的特征为其中i＝1,…,N(N为数中人脸个数)，则用下面的夹角余弦距离进行查询：
<mrow> <mi>S</mi> <mrow> <mo>(</mo> <msubsup> <mi>H</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>q</mi> </mrow> <mrow> <mi>w</mi> <mi>p</mi> </mrow> </msubsup> <mo>,</mo> <msubsup> <mi>H</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>i</mi> </mrow> <mrow> <mi>w</mi> <mi>p</mi> </mrow> </msubsup> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msup> <mrow> <mo>(</mo> <msubsup> <mi>H</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>q</mi> </mrow> <mrow> <mi>w</mi> <mi>p</mi> </mrow> </msubsup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msubsup> <mi>H</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>i</mi> </mrow> <mrow> <mi>w</mi> <mi>p</mi> </mrow> </msubsup> </mrow> <mrow> <mo>|</mo> <mo>|</mo> <msubsup> <mi>H</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>q</mi> </mrow> <mrow> <mi>w</mi> <mi>p</mi> </mrow> </msubsup> <mo>|</mo> <mo>|</mo> <mo>|</mo> <mo>|</mo> <msubsup> <mi>H</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>i</mi> </mrow> <mrow> <mi>w</mi> <mi>p</mi> </mrow> </msubsup> <mo>|</mo> <mo>|</mo> </mrow> </mfrac> </mrow> 2
CN201710236130.9A 2017-04-17 2017-04-17 一种基于关键点区域图像的人脸识别方法 Pending CN107066966A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710236130.9A CN107066966A (zh) 2017-04-17 2017-04-17 一种基于关键点区域图像的人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710236130.9A CN107066966A (zh) 2017-04-17 2017-04-17 一种基于关键点区域图像的人脸识别方法

Publications (1)

Publication Number Publication Date
CN107066966A true CN107066966A (zh) 2017-08-18

Family

ID=59602068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710236130.9A Pending CN107066966A (zh) 2017-04-17 2017-04-17 一种基于关键点区域图像的人脸识别方法

Country Status (1)

Country Link
CN (1) CN107066966A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578005A (zh) * 2017-09-01 2018-01-12 宜宾学院 一种复数小波变换域lbp人脸识别方法
CN108256581A (zh) * 2018-01-19 2018-07-06 宜宾学院 Gabor小波域copula模型图像分类方法
CN108280470A (zh) * 2018-01-21 2018-07-13 宜宾学院 离散小波域copula模型图像分类方法
CN110472460A (zh) * 2018-05-11 2019-11-19 北京京东尚科信息技术有限公司 人脸图像处理方法及装置
CN110738082A (zh) * 2018-07-20 2020-01-31 北京陌陌信息技术有限公司 人脸关键点的定位方法、装置、设备及介质
CN117496019A (zh) * 2023-12-29 2024-02-02 南昌市小核桃科技有限公司 一种驱动静态图像的图像动画处理方法及系统
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 (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015095733A1 (en) * 2013-12-19 2015-06-25 Objectvideo, Inc. System and method for identifying faces in unconstrained media
CN105117692A (zh) * 2015-08-05 2015-12-02 福州瑞芯微电子股份有限公司 一种基于深度学习的实时人脸识别方法及系统
CN105138972A (zh) * 2015-08-11 2015-12-09 北京天诚盛业科技有限公司 人脸认证方法和装置
CN105893916A (zh) * 2014-12-11 2016-08-24 深圳市阿图姆科技有限公司 一种对检测人脸的预处理、特征提取到降维描述的新方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015095733A1 (en) * 2013-12-19 2015-06-25 Objectvideo, Inc. System and method for identifying faces in unconstrained media
CN105893916A (zh) * 2014-12-11 2016-08-24 深圳市阿图姆科技有限公司 一种对检测人脸的预处理、特征提取到降维描述的新方法
CN105117692A (zh) * 2015-08-05 2015-12-02 福州瑞芯微电子股份有限公司 一种基于深度学习的实时人脸识别方法及系统
CN105138972A (zh) * 2015-08-11 2015-12-09 北京天诚盛业科技有限公司 人脸认证方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XUEHAN XIONG等: "Supervised Descent Method and Its Applications to Face Alignment", 《2013 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
何云等: "基于多种LBP特征集成学习的人脸识别，《计算机应用研究》，第35卷1期", 《计算机应用研究》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578005A (zh) * 2017-09-01 2018-01-12 宜宾学院 一种复数小波变换域lbp人脸识别方法
CN108256581A (zh) * 2018-01-19 2018-07-06 宜宾学院 Gabor小波域copula模型图像分类方法
CN108256581B (zh) * 2018-01-19 2021-06-11 宜宾学院 Gabor小波域copula模型图像分类方法
CN108280470A (zh) * 2018-01-21 2018-07-13 宜宾学院 离散小波域copula模型图像分类方法
CN108280470B (zh) * 2018-01-21 2021-06-04 宜宾学院 离散小波域copula模型图像分类方法
CN110472460A (zh) * 2018-05-11 2019-11-19 北京京东尚科信息技术有限公司 人脸图像处理方法及装置
CN110738082A (zh) * 2018-07-20 2020-01-31 北京陌陌信息技术有限公司 人脸关键点的定位方法、装置、设备及介质
CN110738082B (zh) * 2018-07-20 2023-01-24 北京陌陌信息技术有限公司 人脸关键点的定位方法、装置、设备及介质
CN117496019A (zh) * 2023-12-29 2024-02-02 南昌市小核桃科技有限公司 一种驱动静态图像的图像动画处理方法及系统
CN117496019B (zh) * 2023-12-29 2024-04-05 南昌市小核桃科技有限公司 一种驱动静态图像的图像动画处理方法及系统
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
CN107066966A (zh) 一种基于关键点区域图像的人脸识别方法
Chaki et al. Fragmented plant leaf recognition: Bag-of-features, fuzzy-color and edge-texture histogram descriptors with multi-layer perceptron
CN107506740A (zh) 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法
CN102194114B (zh) 一种基于边缘梯度方向金字塔直方图的虹膜识别方法
CN108062543A (zh) 一种面部识别方法及装置
CN104484658A (zh) 一种基于多通道卷积神经网络的人脸性别识别方法及装置
CN106599854A (zh) 基于多特征融合的人脸表情自动识别方法
CN102844766A (zh) 基于人眼图像的多特征融合身份识别方法
CN107135664A (zh) 一种人脸识别的方法以及人脸识别装置
CN107944399A (zh) 一种基于卷积神经网络目标中心模型的行人重识别方法
Wang et al. Head pose estimation with combined 2D SIFT and 3D HOG features
CN102855468A (zh) 一种相片识别中的单样本人脸识别方法
Sinha et al. New color GPHOG descriptors for object and scene image classification
CN107633229A (zh) 基于卷积神经网络的人脸检测方法及装置
CN112541422A (zh) 光照和头部姿态鲁棒的表情识别方法、设备及存储介质
CN109614866A (zh) 基于级联深度卷积神经网络的人脸检测方法
CN107578005A (zh) 一种复数小波变换域lbp人脸识别方法
CN110287847A (zh) 基于Alexnet-CLbpSurf多特征融合的车辆分级检索方法
CN112396036A (zh) 一种结合空间变换网络和多尺度特征提取的遮挡行人重识别方法
Majumder et al. A tale of a deep learning approach to image forgery detection
CN115100719A (zh) 基于Gabor二值模式与三维梯度直方图特征融合的人脸识别方法
CN107610136A (zh) 基于凸包结构中心查询点排序的显著目标检测方法
McGuire et al. Eigenpaxels and a neural-network approach to image classification
Özyurt et al. A new method for classification of images using convolutional neural network based on Dwt-Svd perceptual hash function
CN109117898A (zh) 一种手写字符识别方法及系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170818

WD01 Invention patent application deemed withdrawn after publication