CN107220627A - 基于协作模糊均值鉴别分析的多姿态人脸识别方法 - Google Patents
基于协作模糊均值鉴别分析的多姿态人脸识别方法 Download PDFInfo
- Publication number
- CN107220627A CN107220627A CN201710416856.0A CN201710416856A CN107220627A CN 107220627 A CN107220627 A CN 107220627A CN 201710416856 A CN201710416856 A CN 201710416856A CN 107220627 A CN107220627 A CN 107220627A
- Authority
- CN
- China
- Prior art keywords
- mrow
- training sample
- msub
- sample
- class
- 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.)
- Granted
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
- 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
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于协作模糊均值鉴别分析的多姿态人脸识别方法,包括:获取包括若干个不同类的多姿态人脸图像训练样本集,对每个训练样本和待识别样本均进行归一化并利用PCA进行降维;利用训练样本的协作表示系数计算每个训练样本的类隶属度;计算模糊类均值;计算训练样本的模糊类内散度与模糊类间散度;通过最大化训练样本的模糊类间散度与模糊类内散度的比值求取投影矩阵,并利用投影矩阵提取训练样本和待识别样本的特征;根据最近邻分类器判断和确定待识别样本的类标。本发明充分利用了样本的类别信息,考虑了同类样本的相似性及不同类样本的差异性,当样本存在光照、姿态、表情多种变化时,通过引入隶属度信息增强了对噪声、野点的鲁棒性。
Description
技术领域
本发明涉及一种基于协作模糊均值鉴别分析的多姿态人脸识别方法,属于图像识别的技术领域。
背景技术
人脸识别是身份鉴别的一种重要方法,在档案管理系统、安全验证系统、信用卡验证、公安系统的罪犯身份识别、银行和海关的监控、人机交互等领域有着广泛的应用前景。一般而言,人脸识别的步骤可以分为三个部分:一是从复杂的场景中检测并分割出人脸;二是从找到的人脸图像中提取出人脸特征;三是根据提取的人脸特征采用合适的算法匹配和识别出人脸。其中人脸图像特征提取主要用于降低人脸图像维数,提取图像中有效的鉴别信息,减少图像中冗余信息、噪声等对识别率的影响,从而提高识别精度与识别速度。
现有的人脸特征提取与识别方法有:(1)特征脸(eigenfaces),即基于主成分分析(PCA)的人脸识别方法,记载于M.Turk与A.Pentland于1991年在Journal of CognitiveNeuroscience第3卷第1期71-86页发表的《Eigenfaces for recognition》中,该方法旨在寻找一个投影方向,使得人脸样本投影后总体散度最大,(2)费舍尔脸(fisherface),即基于线性鉴别分析(LDA)的人脸识别方法,记载于P.N.Belhumeur,J.P.Hespanha,D.J.Kriegman于1997年在IEEE Transactions on Pattern Analysis and MachineIntelligence第19卷第7期711-720页发表的《Eigenfaces vs.fisherfaces:recognitionusing class specific linear projection》,该方法利用样本的类别信息,刻画了样本包含的鉴别结构,(3)拉普拉斯脸(laplacianface),即基于局部保持投影(LPP)的人脸识别方法,记载于X.He,S.Yan,Y.Hu等人于2005年在IEEE Transactions on Pattern Analysisand Machine Intelligence第27卷第3期328-340页发表的《Face recognition usinglaplacianfaces》,该方法利用了样本间的近邻关系,旨在寻找一个投影方向,使得人脸样本投影后局部结构得到保持,(4)模糊费舍尔脸(fuzzy fisherface),该方法利用了样本的类隶属度关系,旨在寻找一个投影方向,使得样本投影后模糊类内散度最小同时模糊类间散度最大。fuzzy fisherface算法考虑了每个样本对不同类的隶属度,增强了算法在光照、遮挡、人脸姿态变化时的鲁棒性。
以上特征提取算法中,PCA没有考虑样本的鉴别结构,因此鲁棒性较差,LDA并没有考虑样本的类隶属度,因此无法鲁棒地处理多姿态问题,LPP尽管考虑了样本的局部结构,但属于无监督方法,未考虑样本的类别结构,fuzzy fisherface方法尽管考虑了样本的类隶属度,但在求解类隶属度过程中,需预先设定近邻参数K,并且基于欧氏距离度量选择近邻,因此受噪声、野点影响较严重。
发明内容
本发明所要解决的技术问题在于克服现有技术的不足,提供一种基于协作模糊均值鉴别分析的多姿态人脸识别方法,解决现有方法无法同时考虑同类样本的相似性及不同类样本的差异性,当样本存在光照、姿态、表情多种变化时,无法对噪声、野点的鲁棒性进行有效处理的问题,本发明基于协作表示的隶属度计算方法,运用获得的每个样本的隶属度信息计算样本的模糊类均值,满足实际应用中对多姿态人脸识别的高精度需求。
本发明具体采用以下技术方案解决上述技术问题:
基于协作模糊均值鉴别分析的多姿态人脸识别方法,包括如下步骤:
步骤1、获取包括若干个不同类的多姿态人脸图像训练样本集,对训练样本集中的每个训练样本和待识别样本均进行归一化并利用PCA进行降维;
步骤2、利用所得降维后训练样本的协作表示系数计算每个训练样本的类隶属度;
步骤3、利用所得训练样本的类隶属度计算模糊类均值;
步骤4、根据训练样本与模糊类均值之间的距离计算训练样本的模糊类内散度与模糊类间散度;
步骤5、通过最大化训练样本的模糊类间散度与模糊类内散度的比值求取投影矩阵,并利用投影矩阵提取训练样本和待识别样本的特征;
步骤6、根据最近邻分类器判断和确定待识别样本的类标。
进一步地,作为本发明的一种优选技术方案,所述步骤2计算每个训练样本的类隶属度采用公式:
其中,uci表示训练样本xi对于第c类的隶属度,所述c=1,2,...,C,且C表示训练样本集的类数;li为训练样本xi的类别标签,表示第c类训练样本重构xi的贡献度之和,表示全体训练样本重构xi的贡献度之和。
进一步地,作为本发明的一种优选技术方案,所述步骤3计算模糊类均值采用公式:
其中,mfc表示第c类训练样本的模糊类均值,所述c=1,2,...,C,且C表示训练样本集的类数;uci表示训练样本xi对于第c类的隶属度。
本发明采用上述技术方案,能产生如下技术效果:
本发明设计一种基于协作表示的隶属度计算方法,运用获得的每个样本的隶属度信息计算样本的模糊类均值,并构造模糊类内散度与类间散度,通过最大化模糊类间散度同时最小化模糊类内散度获得投影矩阵。运用获得的投影矩阵实现对待识别样本的特征提取,并由分类准则判断待识别样本的类标。
因此,本发明充分利用了样本的类别信息,考虑了同类样本的相似性及不同类样本的差异性,继承了fuzzy fisherface方法的优点,当样本存在光照、姿态、表情多种变化时,通过引入隶属度信息增强了对噪声、野点的鲁棒性。但是相比于fuzzy fisherface及其他现有的方法,具有如下优点:(1)避免预先设定近邻参数K,(2)可以自适应地获得训练样本的重构系数以计算隶属度,(3)协作表示系数本身就具备了对人脸光照、姿态、表情等变化的鲁棒性,(4)受限于类间散布矩阵,fuzzy fisherface与模糊二维核主成分分析方法最多仅可获取C-1个特征,而本发明所提方法可获取特征数远远多于C-1个。因此,本发明可满足实际应用中对多姿态人脸识别的高精度需求。
附图说明
图1为本发明基于协作模糊均值鉴别分析的多姿态人脸识别方法的流程示意图。
具体实施方式
下面结合说明书附图对本发明的实施方式进行描述。
如图1所示,本发明设计了一种基于协作模糊均值鉴别分析的多姿态人脸识别方法,该方法具体包括如下步骤:
步骤1、获取包括C个不同类的多姿态人脸图像训练样本集,对训练样本集中的每个训练样本和待识别样本均进行归一化并利用PCA进行降维。
假设图像的大小为w×h,训练样本来自于训练样本集的C个图像类,将每幅人脸图像进行矩阵向量化操作,得到第i幅人脸图像为xi∈RD,其中D=w×h。训练样本集可表示为X=[x1,x2,...,xn],待识别样本可表示为xtest,其中n表示人脸图像训练样本数。
对于训练样本xi,进行模为1的归一化操作:
xi=xi/||xi||2,(i=1,2,...,n)
同样,对于待识别样本xtest,也需进行归一化操作:
xtest=xtest/||xtest||2
利用PCA对归一化后的样本进行预处理以降低数据维数,为方便起见,仍用X=[x1,x2,...,xn]和xtest代表PCA预处理后的训练样本集和待识别样本,则计算步骤为:
(1).令Z=[x1-m,x2-m,…,xn-m],计算前d个非零特征值对应的特征向量。令λ1>λ2…>λd为前d个非零最大特征值,v1,v2,…,vd为相应的特征向量。
(2).PCA投影向量可表示为:
(3).令APCA=[a1,a2,…,ad],则可得PCA预处理后的数据为:
xi=APCA Txi,其中,i=1,2,...,n;
xtest=APCA Txtest
步骤2、利用所得降维后训练样本的协作表示系数计算每个训练样本的类隶属度。
对于步骤1中获得的每个训练样本xi(i=1,2,...,n),可将其协作表示成训练集中其它样本的线性组合,而组合系数可通过求解下列L2范数问题获得:
其中wi=[wi,1,...,wi,i-1,0,wi,i+1,...,wi,n]T∈Rn表示xi的重构系数向量,wij(i≠j)表示xj对重构xi的贡献度,wi可由下列计算式获得:
其中Xi=[x1,...,xi-1,0,xi+1,...,xn]T。
然后,由每个训练样本的协作表示系数可得样本的类隶属度为:
其中uci表示训练样本xi对于第c类的隶属度,所述c=1,2,...,C,且C表示训练样本集的类数;li为训练样本xi的类别标签,表示第c类训练样本重构xi的贡献度之和,表示全体训练样本重构xi的贡献度之和。
步骤3、利用所得训练样本的类隶属度计算模糊类均值,采用如下公式:
其中,mfc表示第c类训练样本的模糊类均值。
步骤4、根据训练样本与模糊类均值之间的距离计算训练样本的模糊类内散度与模糊类间散度。
所述样本的模糊类间散度计算为:
其中,是样本的模糊类间散布矩阵。
所述样本的类内模糊散度计算为:
其中,A是投影矩阵;是样本的模糊类内散布矩阵。
步骤5、通过最大化训练样本的模糊类间散度与模糊类内散度的比值求取投影矩阵,并利用投影矩阵提取训练样本和待识别样本的特征。
投影矩阵可通过求解以下最优化问题获得:
以上投影矩阵可通过求解以下特征方程d个最大特征值对应的特征向量获得:
SFBa=λSFWa
其中λ是特征值,a是对应的特征向量。
设a1,a2,...,ad是特征方程SFBa=λSFWa的d个最大的特征值对应的特征向量,则投影矩阵可表示为:A=[a1,a2,...,ad]。
利用投影矩阵可对训练样本和待识别样本进行特征提取,如对于训练样本集X=[x1,x2,...,xn],提取出的特征为:
Y=[y1,y2,...,yn]=ATX
对于某一待识别样本xtest,提取出的特征为:
ytest=ATxtest
步骤6、根据最近邻分类器判断和确定待识别样本的类标。
通过以下规则判别待识别样本的类标:
如果||ytest-yk||=mini||ytest-yi||,则label(ytest)=label(yk)。
其中,ytest为待识别样本,yk、yi分别表示第k个和第i个训练样本所提取出的特征,即如根据第k个训练样本离待识别样本的距离,判断待识别样本类别应和第k个训练样本属于同一类。
综上,本发明的方法,充分利用了样本的类别信息,考虑了同类样本的相似性及不同类样本的差异性,继承了fuzzy fisherface方法的优点,当样本存在光照、姿态、表情多种变化时,通过引入隶属度信息增强了对噪声、野点的鲁棒性。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (4)
1.基于协作模糊均值鉴别分析的多姿态人脸识别方法,其特征在于,包括如下步骤:
步骤1、获取包括若干个不同类的多姿态人脸图像训练样本集,对训练样本集中的每个训练样本和待识别样本均进行归一化并利用PCA进行降维处理;
步骤2、利用所得降维后训练样本的协作表示系数计算每个训练样本的类隶属度;
步骤3、利用所得训练样本的类隶属度计算模糊类均值;
步骤4、根据训练样本与模糊类均值之间的距离计算训练样本的模糊类内散度与模糊类间散度;
步骤5、通过最大化训练样本的模糊类间散度与模糊类内散度的比值求取投影矩阵,并利用投影矩阵提取训练样本和待识别样本的特征;
步骤6、根据最近邻分类器判断和确定待识别样本的类标。
2.根据权利要求1所述基于协作模糊均值鉴别分析的多姿态人脸识别方法,其特征在于:所述步骤2计算每个训练样本的类隶属度采用公式:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>c</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0.51</mn>
<mo>+</mo>
<mn>0.49</mn>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<msub>
<mi>l</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mi>c</mi>
</mrow>
</munder>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>/</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
</mrow>
</munder>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>c</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0.49</mn>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<msub>
<mi>l</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mi>c</mi>
</mrow>
</munder>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>/</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
</mrow>
</munder>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
<mo>&NotEqual;</mo>
<mi>c</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,uci表示训练样本xi对于第c类的隶属度,所述c=1,2,...,C,且C表示训练样本集的类数;li为训练样本xi的类别标签,表示第c类训练样本重构xi的贡献度之和,表示全体训练样本重构xi的贡献度之和。
3.根据权利要求1所述基于协作模糊均值鉴别分析的多姿态人脸识别方法,其特征在于:所述步骤3计算模糊类均值采用公式:
<mrow>
<msub>
<mi>m</mi>
<mrow>
<mi>f</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>u</mi>
<mrow>
<mi>c</mi>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>u</mi>
<mrow>
<mi>c</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
其中,mfc表示第c类训练样本的模糊类均值,所述c=1,2,...,C,且C表示训练样本集的类数;uci表示训练样本xi对于第c类的隶属度。
4.根据权利要求1所述基于协作模糊均值鉴别分析的多姿态人脸识别方法,其特征在于:所述步骤6判断待识别样本的类标,具体为:
如果||ytest-yk||=mini||ytest-yi||,则label(ytest)=label(yk);
其中,ytest为待识别样本,yk、yi分别表示第k个和第i个训练样本所提取出的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710416856.0A CN107220627B (zh) | 2017-06-06 | 2017-06-06 | 基于协作模糊均值鉴别分析的多姿态人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710416856.0A CN107220627B (zh) | 2017-06-06 | 2017-06-06 | 基于协作模糊均值鉴别分析的多姿态人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107220627A true CN107220627A (zh) | 2017-09-29 |
CN107220627B CN107220627B (zh) | 2020-04-21 |
Family
ID=59948361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710416856.0A Active CN107220627B (zh) | 2017-06-06 | 2017-06-06 | 基于协作模糊均值鉴别分析的多姿态人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107220627B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898123A (zh) * | 2018-07-09 | 2018-11-27 | 成都考拉悠然科技有限公司 | 一种基于特征分析的人脸识别方法 |
CN110956113A (zh) * | 2019-11-25 | 2020-04-03 | 南京审计大学 | 基于二次协作表示鉴别投影的鲁棒人脸识别方法 |
CN110991521A (zh) * | 2019-11-29 | 2020-04-10 | 北京仿真中心 | 一种聚类判别分析方法 |
CN111259780A (zh) * | 2020-01-14 | 2020-06-09 | 南京审计大学 | 一种基于分块线性重构鉴别分析的单样本人脸识别方法 |
CN111832626A (zh) * | 2020-06-18 | 2020-10-27 | 五邑大学 | 图像识别分类方法、装置及计算机可读存储介质 |
CN112163540A (zh) * | 2020-10-09 | 2021-01-01 | 上海第二工业大学 | 一种基于WiFi的姿态识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903017A (zh) * | 2014-03-26 | 2014-07-02 | 浙江大学 | 一种基于自适应软直方图局部二值模式的人脸识别方法 |
-
2017
- 2017-06-06 CN CN201710416856.0A patent/CN107220627B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903017A (zh) * | 2014-03-26 | 2014-07-02 | 浙江大学 | 一种基于自适应软直方图局部二值模式的人脸识别方法 |
Non-Patent Citations (1)
Title |
---|
赵澈: "基于交差验证的模糊线性判别法和离群样本处理及人脸识别应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898123A (zh) * | 2018-07-09 | 2018-11-27 | 成都考拉悠然科技有限公司 | 一种基于特征分析的人脸识别方法 |
CN110956113A (zh) * | 2019-11-25 | 2020-04-03 | 南京审计大学 | 基于二次协作表示鉴别投影的鲁棒人脸识别方法 |
CN110956113B (zh) * | 2019-11-25 | 2022-05-24 | 南京审计大学 | 基于二次协作表示鉴别投影的鲁棒人脸识别方法 |
CN110991521A (zh) * | 2019-11-29 | 2020-04-10 | 北京仿真中心 | 一种聚类判别分析方法 |
CN111259780A (zh) * | 2020-01-14 | 2020-06-09 | 南京审计大学 | 一种基于分块线性重构鉴别分析的单样本人脸识别方法 |
CN111832626A (zh) * | 2020-06-18 | 2020-10-27 | 五邑大学 | 图像识别分类方法、装置及计算机可读存储介质 |
CN111832626B (zh) * | 2020-06-18 | 2024-01-12 | 五邑大学 | 图像识别分类方法、装置及计算机可读存储介质 |
CN112163540A (zh) * | 2020-10-09 | 2021-01-01 | 上海第二工业大学 | 一种基于WiFi的姿态识别方法 |
CN112163540B (zh) * | 2020-10-09 | 2024-01-19 | 上海第二工业大学 | 一种基于WiFi的姿态识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107220627B (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Support vector machines for face recognition | |
CN107220627A (zh) | 基于协作模糊均值鉴别分析的多姿态人脸识别方法 | |
Meshgini et al. | Face recognition using Gabor-based direct linear discriminant analysis and support vector machine | |
Wang et al. | SymNet: A simple symmetric positive definite manifold deep learning method for image set classification | |
Su et al. | Heteroscedastic max-min distance analysis | |
CN110956113B (zh) | 基于二次协作表示鉴别投影的鲁棒人脸识别方法 | |
Pop et al. | Fusion based approach for thermal and visible face recognition under pose and expresivity variation | |
Ebrahimpour et al. | Face detection using mixture of MLP experts | |
Tsai et al. | Expression-invariant face recognition system using subspace model analysis | |
CN107506694B (zh) | 基于局部中值表示的鲁棒人脸识别方法 | |
Narayana et al. | Enhanced Face Recognition based on PCA and SVM | |
Srisuk et al. | Handcraft and learned feature extraction techniques for robust face recognition: A review | |
Amine et al. | Investigation of feature dimension reduction based DCT/SVM for face recognition | |
Liu et al. | Modeling face appearance with nonlinear independent component analysis | |
Sun et al. | Face recognition based on NMF and SVM | |
Hongtao et al. | Face recognition with discrete cosine transform | |
Chen et al. | Supervised regularization locality-preserving projection method for face recognition | |
Yoo et al. | Design of face recognition algorithm realized with feature extraction from 2D-LDA and optimized polynomial-based RBF NNs | |
Wan et al. | Feature extraction based on fuzzy class mean embedding (FCME) with its application to face and palm biometrics | |
Liu et al. | Feature extraction with genetic algorithms based nonlinear principal component analysis for face recognition | |
Grosso et al. | Understanding critical factors in appearance-based gender categorization | |
Zafeiriou et al. | Discriminant NMFfaces for frontal face verification | |
Yang et al. | Unsupervised discovery of visual face categories | |
Huang et al. | GraphConnect: A regularization framework for neural networks | |
Yodkhad et al. | Approximate nearest neighbor search using self-organizing map clustering for face recognition system |
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 |