CN107273793A - 一种用于人脸识别的特征提取方法 - Google Patents
一种用于人脸识别的特征提取方法 Download PDFInfo
- Publication number
- CN107273793A CN107273793A CN201710293415.6A CN201710293415A CN107273793A CN 107273793 A CN107273793 A CN 107273793A CN 201710293415 A CN201710293415 A CN 201710293415A CN 107273793 A CN107273793 A CN 107273793A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msup
- matrix
- mtr
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 62
- 238000013507 mapping Methods 0.000 claims abstract description 21
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000011017 operating method Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000001815 facial effect Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 3
- 230000001360 synchronised effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种用于人脸识别的特征提取方法,采用同步局部二进制特征学习与编码(SLBFLE)的方法,提取人脸图像的像素差向量,设映射矩阵W把像素差向量转换成低维度的局部二进制码矩阵B,然后通过字典矩阵D转换为特征直方图,通过迭代的方法来优化映射矩阵W、字典矩阵D和系数矩阵A,从而得到特征直方图。通过本发明可以更好的防止灯光变化和表情微变带来的影响,提高了对人脸识别的正确率,而且抗干扰性比LBP方法要好,更适用于环境复杂的场所,可以很好的应用于教室人脸签到系统的特征提取。
Description
技术领域
本发明涉及人脸识别领域,更具体地,涉及一种用于人脸识别的特征提取方法。
背景技术
人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部的一系列相关技术,通常也叫做人像识别、面部识别。
现有的LBP(Local Binary Patterns)人脸特征提取方法,从人脸纹理的角度来分析,人脸图像一个像素点的纹理特征与这个点及其周围像素点有这密切的关系,即一个点的特征由这个点及其领域点共同决定。LBP就构造了一种衡量一个像素点及其领域点的关系。
如图1所示,LBP需要对图像的每个点进行一次处理,计算以这个像素点位中心的3*3范围的各个像素值与中心像素比较,如果像素值比中心像素值大,就把这个领域像素值置1,否则,置为0,也就把像素的灰度值转化为了一个8位的二进制序列。
但是,从LBP的定义来看,LBP算子是灰度不变,而不是旋转不变的。图像经过旋转以后,会得到不同的LBP值。为了解决这一问题,Maenpaa等人又对LBP算子进行了扩展,即通过旋转得到一个新的LBP值,这就是具有旋转不变形的LBP模式。即不断旋转圆形邻域得到一系列初始定义的LBP值,取其最小值作为该邻域的LBP值。
图2给出了计算旋转不变的LBP的过程,最后取LBP为15。LBP特征向量提取的步骤:
(1)灰度化;
(2)将待检测图像划分为小的区域;
(3)对每个区域的一个像素,将领域的8个像素灰度值与中心像素进行比较,如果大于或等下中心像素,该位置置为1,否则置为0。产生的8位二进制就是中心像素点的LBP初始值,然后通过旋转,选择出最小的值作为旋转不变的LBP值;
(4)转换为十进制LBP值,范围是0-255;
(5)计算每个区域的直方图,然后进行归一化处理;
(6)将得到的各个直方图进行连接成为一个特征向量,这就是整幅图像的特征向量。
现有LBP人脸特征提取方法存在以下不足:
(1)无法区分领域像素点与中心像素点是相等还是领域像素点大于中心像素点这两种情况。因为,这两中情况都是s(u)=1。
(2)容易受到灯光变化或表情微变干扰。
(3)通过旋转得到的LBP值,对应的原LBP值有36种可能,不能提供很好的分辨率。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提供一种用于人脸识别的特征提取方法,采用同步局部二进制特征学习与编码(SLBFLE)的方法,该可以更好的防止灯光变化和表情微变带来的影响。
为解决上述技术问题,本发明的技术方案如下:
一种用于人脸识别的特征提取方法,包括以下步骤:
S1:设N个训练样本图像为X=[x1,x2,…,xN]∈Rd×N,xn∈Rd,其中d为特征值个数,提取出图像的像素差向量;
S2:设映射矩阵W把像素差向量转换成维度为K的局部二进制码矩阵B,然后通过字典矩阵D转换为特征直方图;
训练样本的二进制码矩阵为:
B=0.5×(sgn(WTX)+1)∈{0,1}K×N (1)
其中当WTX<0时,sgn(WTX)=0,否则,sgn(WTX)=1;
S3:令矩阵A=[a1,a2…,aN]为相应的系数矩阵,制定以下损失函数J优化问题:
其中,λ1、λ2、λ3是优化时的权重参数;
S4:通过迭代的方法来优化映射矩阵W、字典矩阵D和系数矩阵A,从而通过得到的最优的映射矩阵W和字典矩阵D计算得到特征直方图。
在一种优选的技术方案中,步骤S4中,具体操作步骤如下:
S4.1:设映射矩阵W和字典矩阵D为固定值,通过公式(3)优化系数矩阵A:
S4.2:设映射矩阵W和系数矩阵A为固定值,通过公式(4)优化字典矩阵D:
S4.3:设系数矩阵A和字典矩阵D为固定值,通过公式(5)优化映射矩阵W:
S4.4:重复步骤S4.1-S4.3,直到公式(6)成立;
|WT-WT-1|<ε (6)
其中ε为无穷小数,得到了最优的W矩阵和D矩阵。
与现有技术相比,本发明技术方案的有益效果是:本发明提供一种用于人脸识别的特征提取方法,采用同步局部二进制特征学习与编码(SLBFLE)的方法,提取人脸图像的像素差向量,设映射矩阵W把像素差向量转换成低维度的局部二进制码矩阵B,然后通过字典矩阵D转换为特征直方图,通过迭代的方法来优化映射矩阵W、字典矩阵D和系数矩阵A,从而得到特征直方图。通过本发明可以更好的防止灯光变化和表情微变带来的影响,提高了对人脸识别的正确率,而且抗干扰性比LBP方法要好,更适用于环境复杂的场所,可以很好的应用于教室人脸签到系统的特征提取。
附图说明
图1为LBP方法对图像的像素点处理的方法示意图。
图2为计算旋转不变的LBP的过程图。
图3为提取图像的像素差向量(PDV)的示意图。
图4为利用本发明提供的用于人脸识别的特征提取方法进一步完成人脸识别的流程框图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
一种用于人脸识别的特征提取方法,包括以下步骤:
S1:设N个训练样本图像为X=[x1,x2,…,xN]∈Rd×N,xn∈Rd,其中d为特征值个数,如图1所示,提取出图像的像素差向量(PDV);这里不同于LBP,并非直接比较大小,然后置为1或0,而是取出一个像素,然后用领域像素减去中心像素后得到的值作为这个领域点的像素值。
S2:设映射矩阵W把像素差向量转换成维度为K的局部二进制码矩阵B,然后通过字典矩阵D转换为特征直方图。
训练样本的二进制码矩阵为:
B=0.5×(sgn(WTX)+1)∈{0,1}K×N (1)
其中当WTX<0时,sgn(WTX)=0,否则,sgn(WTX)=1;
S3:令矩阵A=[a1,a2…,aN]为相应的系数矩阵,制定以下损失函数J的优化问题:
其中,λ1、λ2、λ3是优化时的权重参数。
S4:通过迭代的方法来优化映射矩阵W、字典矩阵D和系数矩阵A,从而可以通过得到的最优的矩阵W和D就可以计算得到特征直方图。
在一种优选的方案中,步骤S4中,具体操作步骤如下:
S4.1:设映射矩阵W和字典矩阵D为固定值,通过公式(3)优化系数矩阵A:
S4.2:设映射矩阵W和系数矩阵A为固定值,通过公式(4)优化字典矩阵D:
S4.3:设系数矩阵A和字典矩阵D为固定值,通过公式(5)优化映射矩阵W:
S4.4:重复步骤S4.1-S4.3,直到公式(6)成立;
|WT-WT-1|<ε (6)
其中ε为无穷小数,得到了最优的W矩阵和D矩阵,从而得到特征直方图。
图4为利用本发明提供的用于人脸识别的特征提取方法进一步完成人脸识别的流程框图,利用本发明方法(SLBFLE)对训练图片提取特征直方图,然后利用本发明方法对测试图片提取特征直方图,经过匹配完成人脸识别。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (2)
1.一种用于人脸识别的特征提取方法,其特征在于,包括以下步骤:
S1:设N个训练样本图像为X=[x1,x2,…,xN]∈Rd×N,xn∈Rd,其中d为特征值个数,提取出图像的像素差向量;
S2:设映射矩阵W把像素差向量转换成维度为K的局部二进制码矩阵B,然后通过字典矩阵D转换为特征直方图;
训练样本的二进制码矩阵为:
B=0.5×(sgn(WTX)+1)∈{0,1}K×N (1)
其中当WTX<0时,sgn(WTX)=0,否则,sgn(WTX)=1;
S3:令矩阵A=[a1,a2…,aN]为相应的系数矩阵,制定以下损失函数J优化问题:
<mrow>
<mo>&CenterDot;</mo>
<mtable>
<mtr>
<mtd>
<mrow>
<munder>
<mrow>
<mi>min</mi>
<mi>J</mi>
</mrow>
<mrow>
<mi>W</mi>
<mo>,</mo>
<mi>D</mi>
<mo>,</mo>
<mi>A</mi>
</mrow>
</munder>
<mo>=</mo>
<msub>
<mi>J</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>J</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<msub>
<mi>J</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<msub>
<mi>J</mi>
<mn>4</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mrow>
<mi>B</mi>
<mo>-</mo>
<mn>0.5</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>D</mi>
<mi>A</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&kappa;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>A</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>|</mo>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mrow>
<mi>B</mi>
<mo>-</mo>
<mn>0.5</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mi>W</mi>
<mi>T</mi>
</msup>
<mi>X</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>|</mo>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mrow>
<mi>B</mi>
<mo>-</mo>
<mn>0.5</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msup>
<mn>1</mn>
<mrow>
<mi>N</mi>
<mo>&times;</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mi>t</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>B</mi>
<mo>-</mo>
<mn>0.5</mn>
</mrow>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>B</mi>
<mo>-</mo>
<mn>0.5</mn>
</mrow>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mrow>
其中,λ1、λ2、λ3是优化时的权重参数;
S4:通过迭代的方法来优化映射矩阵W、字典矩阵D和系数矩阵A,从而通过得到的最优的映射矩阵W和字典矩阵D计算得到特征直方图。
2.根据权利要求1所述的用于人脸识别的特征提取方法,其特征在于,步骤S4中,具体操作步骤如下:
S4.1:设映射矩阵W和字典矩阵D为固定值,通过公式(3)优化系数矩阵A:
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>A</mi>
</munder>
<mi>J</mi>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>-</mo>
<mn>0.5</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>D</mi>
<mi>A</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&kappa;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>A</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
S4.2:设映射矩阵W和系数矩阵A为固定值,通过公式(4)优化字典矩阵D:
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>D</mi>
</munder>
<mi>J</mi>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>-</mo>
<mn>0.5</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>D</mi>
<mi>A</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
S4.3:设系数矩阵A和字典矩阵D为固定值,通过公式(5)优化映射矩阵W:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<munder>
<mrow>
<mi>min</mi>
<mi>J</mi>
</mrow>
<mrow>
<mi>W</mi>
<mo>,</mo>
<mi>D</mi>
<mo>,</mo>
<mi>A</mi>
</mrow>
</munder>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>W</mi>
<mi>T</mi>
</msup>
<mi>X</mi>
<mo>-</mo>
<mn>0.5</mn>
<mo>-</mo>
<mi>D</mi>
<mi>A</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>|</mo>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mrow>
<mi>B</mi>
<mo>-</mo>
<mn>0.5</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mi>W</mi>
<mi>T</mi>
</msup>
<mi>X</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mi>t</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mrow>
<msup>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>&times;</mo>
<mi>K</mi>
</mrow>
</msup>
<msup>
<mi>W</mi>
<mi>T</mi>
</msup>
<mi>X</mi>
<msup>
<mn>1</mn>
<mrow>
<mi>N</mi>
<mo>&times;</mo>
<mn>1</mn>
</mrow>
</msup>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mi>t</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mrow>
<msup>
<mi>W</mi>
<mi>T</mi>
</msup>
<msup>
<mi>XX</mi>
<mi>T</mi>
</msup>
<mi>W</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
S4.4:重复步骤S4.1-S4.3,直到公式(6)成立;
|WT-WT-1|<ε (6)
其中ε为无穷小数,得到了最优的W矩阵和D矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710293415.6A CN107273793A (zh) | 2017-04-28 | 2017-04-28 | 一种用于人脸识别的特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710293415.6A CN107273793A (zh) | 2017-04-28 | 2017-04-28 | 一种用于人脸识别的特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107273793A true CN107273793A (zh) | 2017-10-20 |
Family
ID=60073609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710293415.6A Pending CN107273793A (zh) | 2017-04-28 | 2017-04-28 | 一种用于人脸识别的特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107273793A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729890A (zh) * | 2017-11-30 | 2018-02-23 | 华北理工大学 | 基于lbp和深度学习的人脸识别方法 |
CN108664917A (zh) * | 2018-05-08 | 2018-10-16 | 佛山市顺德区中山大学研究院 | 基于辅变字典及最大边际线性映射的人脸识别方法和系统 |
CN108921088A (zh) * | 2018-06-29 | 2018-11-30 | 佛山市顺德区中山大学研究院 | 一种基于判别式目标方程的人脸识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740790A (zh) * | 2016-01-25 | 2016-07-06 | 南京信息工程大学 | 基于多核字典学习的彩色人脸识别方法 |
-
2017
- 2017-04-28 CN CN201710293415.6A patent/CN107273793A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740790A (zh) * | 2016-01-25 | 2016-07-06 | 南京信息工程大学 | 基于多核字典学习的彩色人脸识别方法 |
Non-Patent Citations (1)
Title |
---|
JIWEN LU ET AL.: "Simultaneous Local Binary Feature Learning and Encoding for Face Recognition", 《2015 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729890A (zh) * | 2017-11-30 | 2018-02-23 | 华北理工大学 | 基于lbp和深度学习的人脸识别方法 |
CN107729890B (zh) * | 2017-11-30 | 2020-10-09 | 华北理工大学 | 基于lbp和深度学习的人脸识别方法 |
CN108664917A (zh) * | 2018-05-08 | 2018-10-16 | 佛山市顺德区中山大学研究院 | 基于辅变字典及最大边际线性映射的人脸识别方法和系统 |
CN108921088A (zh) * | 2018-06-29 | 2018-11-30 | 佛山市顺德区中山大学研究院 | 一种基于判别式目标方程的人脸识别方法 |
CN108921088B (zh) * | 2018-06-29 | 2022-03-04 | 佛山市顺德区中山大学研究院 | 一种基于判别式目标方程的人脸识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109299274B (zh) | 一种基于全卷积神经网络的自然场景文本检测方法 | |
CN109840556B (zh) | 一种基于孪生网络的图像分类识别方法 | |
CN110084156B (zh) | 一种步态特征提取方法及基于步态特征的行人身份识别方法 | |
CN111401384B (zh) | 一种变电设备缺陷图像匹配方法 | |
CN106547880B (zh) | 一种融合地理区域知识的多维度地理场景识别方法 | |
CN107967695B (zh) | 一种基于深度光流和形态学方法的运动目标检测方法 | |
Zhang et al. | Deep hierarchical guidance and regularization learning for end-to-end depth estimation | |
CN104700087B (zh) | 可见光与近红外人脸图像的相互转换方法 | |
CN104298992B (zh) | 一种基于数据驱动的自适应尺度行人重识别方法 | |
CN113628261B (zh) | 一种电力巡检场景下的红外与可见光图像配准方法 | |
CN111783884B (zh) | 基于深度学习的无监督高光谱图像分类方法 | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
CN109635726B (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
CN115147418B (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN118230059B (zh) | 一种异谱数据关联分析的长输管道内部异常状态检测方法 | |
CN117765313A (zh) | 一种基于空间连续视图对比学习的多源遥感图像分类方法 | |
CN114332007A (zh) | 一种基于Transformer的工业缺陷检测和识别方法 | |
CN107273793A (zh) | 一种用于人脸识别的特征提取方法 | |
CN117274627A (zh) | 一种基于图像转换的多时相积雪遥感图像匹配方法及系统 | |
CN117197622A (zh) | 一种基于图文多模态的目标检测标签优化方法 | |
CN106407975A (zh) | 基于空间‑光谱结构约束的多尺度分层目标检测方法 | |
CN118015332A (zh) | 一种遥感影像显著性目标检测方法 | |
CN117078608A (zh) | 一种基于双掩码引导的高反光皮革表面缺陷检测方法 | |
CN108154107B (zh) | 一种确定遥感图像归属的场景类别的方法 | |
CN116630660A (zh) | 一种多尺度增强学习的跨模态图像匹配方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |