CN107239741A - 一种基于稀疏重构的单样本人脸识别方法 - Google Patents

一种基于稀疏重构的单样本人脸识别方法 Download PDF

Info

Publication number
CN107239741A
CN107239741A CN201710323926.8A CN201710323926A CN107239741A CN 107239741 A CN107239741 A CN 107239741A CN 201710323926 A CN201710323926 A CN 201710323926A CN 107239741 A CN107239741 A CN 107239741A
Authority
CN
China
Prior art keywords
image
sparse
mrow
facial image
msubsup
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
Application number
CN201710323926.8A
Other languages
English (en)
Other versions
CN107239741B (zh
Inventor
甘海涛
刘江
李明珠
杞廷福
刘国攸
周靖淞
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.)
Xiamen Tongjing Intelligent Technology Co ltd
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201710323926.8A priority Critical patent/CN107239741B/zh
Publication of CN107239741A publication Critical patent/CN107239741A/zh
Application granted granted Critical
Publication of CN107239741B publication Critical patent/CN107239741B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开一种基于稀疏重构的单样本人脸识别方法，属于生物特征认证领域。首先在自然场景下采集单样本人脸图像，利用几何变换对人脸图像进行样本扩充，在此基础上进一步利用稀疏重构技术扩充人脸图像。然后对于摄像头采集到的人脸图像，以扩充后的人脸图像库作为字典，利用稀疏表达学习分类器并进行识别，最后给出识别的结果。本发明重点解决自然场景下单样本人脸图像的识别问题，提高了人脸识别系统的识别率以及应用范围。

Description

一种基于稀疏重构的单样本人脸识别方法
技术领域
本发明属于生物特征认证领域，涉及一种基于稀疏重构的单样本人脸识 别方法。
背景技术
人脸识别技术作为一种新型的身份验证技术，通过摄像头采集图像，经 算法处理，与人脸数据库进行比对，实现对人的鉴定识别。由于其在执法、 银行和海关的安全监控以及人机交互等场景中具有很高的应用前景，人脸识 别技术已成为身份识别与验证等领域的研究热点。然而实际应用时，人脸数 据库中往往只有1幅训练图像，这使得在这些场合中使用传统人脸识别技术 并不能取得很好的识别效果，限制了人脸识别的应用范围。所以对单训练样 本条件下人脸识别技术的特别研究，已成为目前人脸识别领域研究的热点。
人脸识别的识别率是人脸识别技术的核心指标，而现有的许多人脸识别 算法在单训练样本条件下识别率会急剧下降有些甚至无法应用。为此如何在 单训练样本条件下提高人脸识别的识别率是实际应用中面临的问题之一。近 年来对单样本人脸识别的研究分为两类：一类是无监督学习方法；另一类是 有监督学习方法。李欣等人提出多模块加权的改进(2D)2PCA算法，这种方法 在ORL和CAS－PEAL数据库上取得了好于2DPCA及2D2PCA的识别 率。王科俊等人李欣的基础上提出融合全局与局部特征的人脸识别方法，此 方法在ORL数据库上也取得了不错的实验效果，同时其实验结果表明分块 Gabor特征具有较好的分类能力，单独基于Gabor局部特征的识别率就可以 达到86.94％。Kan等人提出将多个人脸样本的通用数据辅助构造注册集中单 样本人脸的类内散度矩阵的算法，该方法在Feret数据集的fafb取得了 90.1％的识别率，与Gabor特征进行结合后达到了98.1％的识别率。但在自 然条件下，在人脸图像拍摄时的角度、光照、遮挡以及设备带来的噪声等因 素时，仅仅通过滑动窗口、位平面、重采样和镜像变换的方法对原始训练样 本进行图像处理得到虚拟样本的方法并不能很好地解决噪声等带来的影响， 现有的很多算法识别率都有所下降。
发明内容
本发明针对自然条件下单样本人脸图像的识别问题，提出一种基于稀疏 重构的单样本人脸识别方法。基本思路是首先构建人脸数据库，对人脸图像 进行预处理，然后通过图像几何变换技术扩充人脸数据库，再利用稀疏重构 技术进一步扩充人脸数据库，最后利用稀疏表达学习分类器，对待识别的人 脸图像进行识别。本方法能够更为有效而充分地处理自然条件下的单样本人 脸图像的识别问题，抑制噪声和遮挡带来的影响，提高了人脸图像的识别率。
技术方案：一种基于单样本的人脸识别方法，包含以下步骤：
步骤一：通过摄像头采集图像，构建人脸数据库；
步骤二：对采集到的人脸图像进行预处理；
步骤三：通过图像几何变换技术扩充人脸数据库；
步骤四：利用稀疏重构技术进一步扩充人脸数据库；
步骤五：对摄像头采集到的图像进行人脸检测；
步骤六：对人脸图像进行与步骤二相同的预处理；
步骤七：利用稀疏表达学习分类器，对待识别的人脸图像进行识别；
与现有的单样本人脸识别算法相比，本发明充分利用稀疏重构技术构建 虚拟人脸图像，一方面扩充了人脸数据库，解决了单样本问题，另一方面抑 制了噪声和遮挡对图像识别的影响，提高了单训练样本条件下人脸识别的识 别率。
附图说明
图1为本发明具体实施流程图；
图2为角度变换得到的扩充人脸图像；
图3为镜像变换的四种组合方式；
图4为镜像变换得到的扩充人脸图像；
图5为对概率进行降序累加的过程示意图；
图6为利用处理后的3组和字典Di虚拟生成图像。
具体实施方式
下面结合说明书附图进一步阐明本发明，应理解这些实施例仅用于说明 本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员 对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，本发明的实施主要包含四个步骤：(1)人脸图像预处理； (2)对图像进行角度和镜像变换扩充人脸库；(3)利用稀疏重构技术进一 步扩充人脸库；(4)利用稀疏表达学习分类器，对检测到的人脸图像进行识 别，并输出识别结果。
步骤一：通过摄像头采集图像，构建人脸数据库；
使用高清摄像头对用户进行人脸图像采集，构成n个用户的单人脸数据库 X11、X21、X31……Xn1。
步骤二：预处理；
由于采集到的自然场景下的人脸图像与预期样本存在很大差别，存在光 照不均匀等因素干扰，所以对步骤一中采集到的人脸样本进行预处理，主要 包括人脸图像的直方图均衡化、归一化等；
步骤三：通过图像几何变换技术扩充人脸图像库；
①角度变换：如图2所示，以原图像Xi1为基准，旋转角度θ＝0.2×m (m为整数，且-4≤m≤4)，得到的图像依次记为Xi2～Xi9。
②镜像变换：如图3所示，将原图像左右平均分为A、B两部分，将 A通过镜像得到A'，B通过镜像得到B'，然后将A、B、A'、B'组合生成 图像AA'、BB'、B'A'，依次记为Xi10～Xi12。图4为通过镜像变换得到的
虚拟图像Xi10～Xi12。
步骤四：利用稀疏重构技术进一步扩充人脸图像库；
①将步骤三得到的第i个扩充人脸图像作为字典Di，即Xi2～Xi12， 通过求解以下稀疏优化问题计算第i个用户原图的稀疏表达系数αi：
其中Xi1表示原图像，λ表示平衡系数
②得到n个用户的稀疏表达系数αi。对于每一个用户的稀疏表达系 数αi，都有11个特征值分别对应字典Di中的Xi2～Xi12；
③对于第i个用户人脸图像，将11个稀疏表达系数求和记为对每一个稀疏表达系数求概率记为
将得到的概率进行降序排列(保证所对应的Xi(j+1)不变)，从左 到右依次记为P1,P2,...,P11，再对排列后的Pk进行累加记为具体操 作如图5所示；
④分别取阈值为85％、90％、95％三个值，当达到所取阈 值时，停止累加，并记录此时的K值，找到PK+1,...,P11所对应的概率和并令对应的 其他值保持不变，得到处理后的系数 取不同的阈值时即可得到3组不同的处理后系数
⑤利用处理后的3组和字典Di虚拟生成图像Y'，记为 Xi13～Xi15；
步骤五：对摄像头采集到的图像进行人脸检测；
接下来进行人脸识别过程，使用高清摄像头拍摄，并对拍摄到的画面进 行人脸检测，如果没有检测到人脸，给出提示。
步骤六：对人脸图像进行与步骤二相同的预处理,处理后的图像记为Y；
包括人脸图像的直方图均衡化、归一化等。
步骤七：利用稀疏表达学习分类器，对待识别的人脸图像进行识别；
①由扩充后的第i个人脸图像组成字典Hi，即Xi1～Xi15。利用如下 优化问题得到预处理后的图像Y在字典Hi的稀疏表达：
得到稀疏表达系数wi；
②计算图像Y在稀疏表达系数wi下的偏差εi；
③获得图像Y在用不同字典Hi下的偏差εi后，寻找最小值，输出最 小值对应的下标i，即为识别的类别或对应的用户。

Claims (4)

1.一种基于稀疏重构的单样本人脸识别方法，其特征在于：该方法具体包括以下步骤：
步骤一：通过摄像头采集图像，构建人脸数据库；
步骤二：对采集到的人脸图像进行预处理；
步骤三：通过图像几何变换技术扩充人脸数据库；
步骤四：利用稀疏重构技术进一步扩充人脸数据库；
步骤五：对摄像头采集到的图像进行人脸检测；
步骤六：对人脸图像进行与步骤二相同的预处理；
步骤七：利用稀疏表达学习分类器，对待识别的人脸图像进行识别。
2.根据权利要求1所述的一种基于稀疏重构的单样本人脸识别方法，其特征在于：通过图像几何变换技术扩充人脸图像库；具体包括以下步骤：
①角度变换：以原图像Xi1为基准，旋转角度θ＝0.2×m，m为整数，且-4≤m≤4，得到的图像依次记为Xi2～Xi9；
②镜像变换：将原图像左右平均分为A、B两部分，将A通过镜像得到A′，B通过镜像得到B′，然后将A、B、A′、B′组合生成图像AA′、BB′、B′A′，依次记为Xi10～Xi12。
3.根据权利要求1或2所述的一种基于稀疏重构的单样本人脸识别方法，其特征在于：利用稀疏重构技术进一步扩充人脸图像库；具体包括以下步骤：
①将步骤三得到的第i个扩充人脸图像作为字典Di，即Xi2～Xi12，通过求解以下稀疏优化问题计算第i个用户原图的稀疏表达系数αi：
Minimize
Subject to
其中，Xi1表示原图像，λ表示平衡系数
②得到n个用户的稀疏表达系数αi；对于每一个用户的稀疏表达系数αi，都有11个特征值分别对应字典Di中的Xi2～Xi12；
③对于第i个用户人脸图像，将11个稀疏表达系数，求和记为对每一个稀疏表达系数求概率记为
<mrow> <msubsup> <mi>&amp;beta;</mi> <mi>j</mi> <mi>i</mi> </msubsup> <mo>=</mo> <msubsup> <mi>&amp;alpha;</mi> <mi>j</mi> <mi>i</mi> </msubsup> <mo>/</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>11</mn> </msubsup> <msubsup> <mi>&amp;alpha;</mi> <mi>j</mi> <mi>i</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
将得到的概率进行降序排列,保证所对应的Xi(j+1)不变，从左到右依次记为P1,P2,...,P11，再对排列后的Pk进行累加记为
④分别取阈值为85％、90％、95％三个值，当达到所取阈值时，停止累加，并记录此时的K值，找到PK+1,...,P11所对应的概率和并令对应的 其他值保持不变，得到处理后的系数取不同的阈值时即可得到3组不同的处理后系数
⑤利用处理后的3组和字典Di虚拟生成另外3张图像Y′记为Xi13～Xi15；
<mrow> <msup> <mi>Y</mi> <mo>&amp;prime;</mo> </msup> <mo>=</mo> <msup> <mi>D</mi> <mi>i</mi> </msup> <mo>&amp;times;</mo> <msup> <msubsup> <mi>&amp;alpha;</mi> <mi>j</mi> <mi>i</mi> </msubsup> <mo>&amp;prime;</mo> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
4.根据权利要求1所述的一种基于稀疏重构的单样本人脸识别方法，其特征在于：利用稀疏表达学习分类器，对待识别的人脸图像进行识别；具体包括以下步骤：
①由扩充后的第i个人脸图像组成字典Hi，即Xi1～Xi15；利用如下优化问题得到预处理后的图像Y在字典Hi的稀疏表达：
Minimize
Subject to
得到稀疏表达系数wi；
②计算图像Y在稀疏表达系数wi下的偏差εi；
<mrow> <msub> <mi>&amp;epsiv;</mi> <mi>i</mi> </msub> <mo>=</mo> <mo>|</mo> <mo>|</mo> <mi>Y</mi> <mo>-</mo> <msup> <mi>H</mi> <mi>i</mi> </msup> <mo>&amp;times;</mo> <msup> <mi>w</mi> <mi>i</mi> </msup> <mo>|</mo> <msubsup> <mo>|</mo> <mn>2</mn> <mn>2</mn> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
③获得图像Y在用不同字典Hi下的偏差εi后，寻找最小值，输出最小值对应的下标i，即为识别的类别或对应的用户。
CN201710323926.8A 2017-05-10 2017-05-10 一种基于稀疏重构的单样本人脸识别方法 Active CN107239741B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710323926.8A CN107239741B (zh) 2017-05-10 2017-05-10 一种基于稀疏重构的单样本人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710323926.8A CN107239741B (zh) 2017-05-10 2017-05-10 一种基于稀疏重构的单样本人脸识别方法

Publications (2)

Publication Number Publication Date
CN107239741A true CN107239741A (zh) 2017-10-10
CN107239741B CN107239741B (zh) 2020-09-08

Family

ID=59985455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710323926.8A Active CN107239741B (zh) 2017-05-10 2017-05-10 一种基于稀疏重构的单样本人脸识别方法

Country Status (1)

Country Link
CN (1) CN107239741B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862270A (zh) * 2017-10-31 2018-03-30 深圳云天励飞技术有限公司 人脸分类器训练方法、人脸检测方法及装置、电子设备
CN107886090A (zh) * 2017-12-15 2018-04-06 苏州大学 一种单样本人脸识别方法、系统、设备及可读存储介质
CN108182429A (zh) * 2018-02-01 2018-06-19 重庆邮电大学 基于对称性的人脸图像特征提取的方法及装置
CN108898547A (zh) * 2018-06-27 2018-11-27 太原理工大学 一种基于单样本的人脸图像虚拟样本扩充方法及系统
CN110705636A (zh) * 2019-09-29 2020-01-17 重庆邮电大学 一种基于多样本字典学习和局部约束编码的图像分类方法
CN111401331A (zh) * 2020-04-27 2020-07-10 支付宝(杭州)信息技术有限公司 人脸识别方法及装置
CN111523454A (zh) * 2020-04-22 2020-08-11 华东师范大学 一种基于样本扩充和点集匹配的部分人脸识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268593A (zh) * 2014-09-22 2015-01-07 华东交通大学 一种小样本情况下多稀疏表示的人脸识别方法
CN105303198A (zh) * 2015-11-17 2016-02-03 福州大学 一种自定步长学习的遥感影像半监督分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268593A (zh) * 2014-09-22 2015-01-07 华东交通大学 一种小样本情况下多稀疏表示的人脸识别方法
CN105303198A (zh) * 2015-11-17 2016-02-03 福州大学 一种自定步长学习的遥感影像半监督分类方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
HUANG, W 等: "Face Recognition with Single Training Sample per Person using Sparse Representation", 《INTERNATIONAL CONFERENCE ON ROBOT VISION AND SIGNAL PROCESSING》 *
LIU, Z 等: "Integrating virtual samples and fuzzy discriminant analysis for sparse representation-based face classification", 《JOURNAL OF ELECTRONIC IMAGING》 *
YONG DU 等: "Generating virtual training samples for sparse representation of face images and face recognition", 《JOURNAL OF MODERN OPTICS 》 *
刘梓 等: "整合原始人脸图像和其虚拟样本的人脸分类算法", 《计算机科学》 *
彭帆 等: "基于WSSRC单样本人脸识别及样本扩充方法研究", 《计算机测量与控制》 *
甘俊英 等: "样本扩充的稀疏表示单样本人脸识别", 《信号处理》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862270A (zh) * 2017-10-31 2018-03-30 深圳云天励飞技术有限公司 人脸分类器训练方法、人脸检测方法及装置、电子设备
CN107886090A (zh) * 2017-12-15 2018-04-06 苏州大学 一种单样本人脸识别方法、系统、设备及可读存储介质
CN107886090B (zh) * 2017-12-15 2021-07-30 苏州大学 一种单样本人脸识别方法、系统、设备及可读存储介质
CN108182429A (zh) * 2018-02-01 2018-06-19 重庆邮电大学 基于对称性的人脸图像特征提取的方法及装置
CN108182429B (zh) * 2018-02-01 2022-01-28 重庆邮电大学 基于对称性的人脸图像特征提取的方法及装置
CN108898547A (zh) * 2018-06-27 2018-11-27 太原理工大学 一种基于单样本的人脸图像虚拟样本扩充方法及系统
CN108898547B (zh) * 2018-06-27 2022-06-07 太原理工大学 一种基于单样本的人脸图像虚拟样本扩充方法及系统
CN110705636A (zh) * 2019-09-29 2020-01-17 重庆邮电大学 一种基于多样本字典学习和局部约束编码的图像分类方法
CN111523454A (zh) * 2020-04-22 2020-08-11 华东师范大学 一种基于样本扩充和点集匹配的部分人脸识别方法
CN111401331A (zh) * 2020-04-27 2020-07-10 支付宝(杭州)信息技术有限公司 人脸识别方法及装置

Also Published As

Publication number Publication date
CN107239741B (zh) 2020-09-08

Similar Documents

Publication Publication Date Title
CN107239741A (zh) 一种基于稀疏重构的单样本人脸识别方法
CN110287780B (zh) 一种光照下人脸图像特征提取方法
CN103745237A (zh) 光照变化条件下的人脸识别算法
CN103714326A (zh) 一种单样本人脸识别方法
Yue et al. Face recognition based on histogram equalization and convolution neural network
Dong et al. Feature extraction through contourlet subband clustering for texture classification
CN104809478B (zh) 一种面向大规模三维重建的图像分块方法及装置
Yuan et al. HandNet: Identification based on hand images using deep learning methods
CN107527064A (zh) 一种流形学习在故障诊断数据提取中的应用
Chen et al. A finger vein recognition algorithm based on deep learning
Baker et al. User identification system for inked fingerprint pattern based on central moments
Fang et al. Deep belief network based finger vein recognition using histograms of uniform local binary patterns of curvature gray images
Patil et al. Expression invariant face recognition using semidecimated DWT, Patch-LDSMT, feature and score level fusion
Guo et al. Automatic face recognition of target images based on deep learning algorithms
CN112241680A (zh) 基于静脉相似图像知识迁移网络的多模态身份认证方法
Zhou et al. Survey of Research on Face Recognition Methods Based on Depth Learning
CN113128624B (zh) 一种基于多尺度字典的图网络人脸恢复方法
Barbadekar et al. Skin Cancer Classification and Detection Using VGG-19 and DesNet
CN111898405A (zh) 基于3DHarris关键点及优化SHOT特征的三维人耳识别方法
Xu et al. Joint iris and facial recognition based on feature fusion and biomimetic pattern recognition
Islam et al. Leveraging Knowledge Distillation for Lightweight Skin Cancer Classification: Balancing Accuracy and Computational Efficiency
WO2024032277A1 (zh) 基于深度神经网络编码的个人化人脸生物密钥生成方法
Alhajlah A Novel Efficient Patient Monitoring FER System Using Optimal DL-Features.
Guan et al. Design of license plate recognition system based on capsule network
Sujatha et al. Reversible Logic-MUX-Multiplier based Face Recognition using Hybrid Features.

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200519

Address after: 808, floor 8, building B, business center, gangzhilong science and Technology Park, No. 6, Qinglong Road, Qinghua community, Longhua street, Longhua District, Shenzhen City, Guangdong Province

Applicant after: Shenzhen Pengbo Information Technology Co., Ltd.

Address before: Hangzhou City, Zhejiang province 310018 Xiasha Higher Education Park No. 2 street

Applicant before: HANGZHOU DIANZI University

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200813

Address after: 361000 unit pt-06, floor 3, No. 3, Chengyi North Street, phase III, software park, Xiamen City, Fujian Province

Applicant after: XIAMEN TONGJING INTELLIGENT TECHNOLOGY Co.,Ltd.

Address before: 808, floor 8, building B, business center, gangzhilong science and Technology Park, No. 6, Qinglong Road, Qinghua community, Longhua street, Longhua District, Shenzhen City, Guangdong Province

Applicant before: Shenzhen Pengbo Information Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant