CN107516083A - 一种面向识别的远距离人脸图像增强方法 - Google Patents
一种面向识别的远距离人脸图像增强方法 Download PDFInfo
- Publication number
- CN107516083A CN107516083A CN201710757108.9A CN201710757108A CN107516083A CN 107516083 A CN107516083 A CN 107516083A CN 201710757108 A CN201710757108 A CN 201710757108A CN 107516083 A CN107516083 A CN 107516083A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- image
- max
- facial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000001815 facial effect Effects 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 12
- 238000013527 convolutional neural network Methods 0.000 abstract description 9
- 238000000605 extraction Methods 0.000 abstract description 9
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 9
- 230000002708 enhancing effect Effects 0.000 description 9
- 238000013507 mapping Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 244000047478 Afzelia bijuga Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000003313 weakening effect Effects 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
-
- G06T5/90—
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Abstract
本发明公开了一种面向识别的远距离人脸图像增强方法,属于图像处理和人脸识别技术领域。本发明利用聚类算法将图像分块,对每一个图像块做基于伽马变换和对数变换相结合的非线性变换,从而增加图像的局部对比度,消除光照对图像的影响,恢复因距离因素丢失的高频分量,进而较好的恢复人脸图像细节信息。本发明方法利用图像非线性变换克服了光照和距离对图像质量的影响,当应用到人脸识别处理时,可以利用卷积神经网络进行稳健特征提取,然后计算特征的相似度进行识别,较大程度上提高了远距离人脸识别准确率。
Description
技术领域
本发明属于图像处理和人脸识别技术领域,具体涉及一种面向远距离的人脸图像增强方法。
背景技术
近几年,由于社会的发展,科技的进步,身份自动识别越来越成为时代的要求。人脸作为最重要的生物特征,其识别问题一直被研究者所青睐,尤其随着大数据的到来,取得了很大的进步,人脸识别技术有着十分广泛的应用范围和落地场景。目前近距离人脸识别已经发展相对成熟,许多理论方法和实际系统设备都日趋完善。但是由于大部分的算法集中在近距离拍摄的人脸图像的情况,这种条件下,环境光照、图像清晰度、人脸姿态基本都是可控的。实际上现有的人脸识别系统由于受到图像质量,环境变化和实验对象不可控等因素的影响,大多无法满足远距离识别的要求,对于远距离分辨率比较低的人脸图像的识别一直面对着比较大的挑战。在现实应用中,光照、角度和天气等因素对识别结果有着一定的影响,特别是以监控应用为背景的远距离人脸识别。并且远距离情形下被拍摄对象基本上是处于一种自然非合作的状态,采集到的人脸图像除了分辨率低、模糊外,还有姿态偏转、遮挡等问题,这造成数据库中的清晰图像和监控系统实际获取的真实画面间存在着明显的差距。远距离人脸识别的技术难点主要有:1)户外背景复杂多变;2)光线影响;3)人脸姿态与表情影响;4)脸部像素点较少,细节表现不充分。
综合各种因素的影响,人脸定位已经十分困难,更难以提取高质量的面部特征进行识别,导致人脸识别准确率随着距离的增加大大降低。针对这种情况,不少研究者做出了相应的努力,主流方法是首先对图像预处理,最大化恢复人脸细节特征,然后再抽取特征进行分类。图像增强用以增强图像中的有用信息,改善图像的视觉效果,有目的的强调图像的整体或局部特征,普遍做法是利用某种变换或者某种规律改变图像的像素分布。人脸图像预处理方法在整个远距离人脸识别系统中至关重要,直接影响提取特征的有效性,进而影响人脸识别的准确率。
申请号为201610544157.X的中国专利申请公开了一种人脸图像可变分块和LGBP(局部Gabor二值模式)相结合的识别方法,其主要步骤包括提取图像、Gamma图像校正、带通滤波处理、对比度归一化处理、Gabor滤波处理、生成VBLGBP直方图序列,最后匹配人脸数据库,该方法通过对人脸图像预处理克服光照的影响,通过引入人脸重点区域可变分块和Gabor滤波后统计LBP分量克服了人脸姿态和表情的影响,提高了单样本人脸识别的精确率。但是,该方法图像预处理模块只是简单的削弱光照对图像的影响,无法处理因距离因素对图像造成的影响,例如边缘弱化以及局部对比度较低等。
文献“Ana Belen Petro,Catalina Sbert,Jean-Michel Morel.:Multiscaleretinex.Image Processing On Line(IPIL),pp.71-88(2014).”提出利用多尺度Retinex图像增强算法(MSRCR)对远距离图像进行增强,该算法基本理论为图像是由携带光照信息的光照分量和携带图像细节信息的反射分量组成,通过计算光照分量并消除光照影响,从而得到反射分量,达到细节恢复的目的。该算法基于光照均匀的假设,认为光照分量可以通过高斯滤波得到。另外由于高斯卷积核参数无法进行理论建模,并对每一个通道进行多个不同尺度的滤波,最终结果为各滤波输出的累积。但是,MSRCR图像增强方法需要处理参数较多,参数选择对图像质量有较大的影响。并且对参数选择缺少理论依据,参数选择不当,容易造成图像失真的现象,反而会降低图像的质量。
申请号为201410729495.1的中国专利申请公开了一种基于人脸的自动调整对比度的图像增强方法,其通过对原始图像进行人脸检测,当检测到人脸时则对人脸区域进行直方图统计,并结合其阴影部分和高光部分的修剪值分别计算出阴影部分的上限值与高光部分的下限值,进而通过极值计算分别得到最小上限值与最大下限值,最后通过阀值计算得到最终的最小上限值与最大下限值,以及根据所述最终的最小上限值与最大下限值得到映射表,将所述原始图像中的各个像素点进行颜色映射得到结果图像,从而可以处理图像中人脸区域的阴影部分与高光部分之间的对比度调整以得到合适的对比度,防止对比度调整过大导致图像失真。但是,该方法过度的依赖于人脸区域的检测,一旦无法准确的从图像中分离出人脸则会极大的影响图像处理效果。
发明内容
本发明的发明目的在于:针对上述存在的问题,提供一种面向识别的远距离人脸图像增强方法,以较好的改进待进行人脸识别的图像的视觉效果,恢复图像细节特征,进而提高人脸识别准确率。
本发明的面向识别的远距离人脸图像增强方法包括下列步骤:
输入待识别图像I并进行平滑线性空间滤波处理;
利用k-means聚类算法将滤波后的图像I分为两个图像块:面部IF和背景IB,其中背景IB包括头发;
分别计算面部IF和背景IB的像素的最大值和最小值,分别表示为
分别对图像块面部IF和背景IB进行非线性变换处理:
其中,γ表示伽马变换系数;
对图像块IF1(x,y)、IB1(x,y)进行像素级融合,得到图像Io,再将图像Io变换到对数域,得到图像Io1:Io1=log(Io)-log(Io*F),其中高斯滤波器(x,y)表示像素点坐标,e表示自然底数,σ表示标准差,高斯滤波后图像被平滑的程度取决于标准差的大小,标准差越大,滤波效果越明显图像越模糊,需要根据原始图像噪声污染的程度选择合适的标准差;
将图像Io1从对数域变换到空域,表示为图像Io2;
对图像Io2进行像素归一化处理,得到图像Io3:Io3=(Io2-min)×255/(max-min),其中max、min分别表示图像Io2的像素最大值和最小值。
综上所述,由于采用了上述技术方案,本发明的有益效果是:本发明利用聚类算法将图像分块,对每一个图像块做基于伽马变换和对数变换相结合的非线性变换,可以增加图像的局部对比度,消除光照对图像的影响,恢复因距离因素丢失的高频分量,从而较好的恢复人脸图像细节信息。远距离人脸图像经过本发明的增强方法处理之后,可以充分利用卷积神经网络进行稳健特征提取,由于原始的人脸特征,例如Harr-Like,LBP特征等,对图像质量要求较高,当人脸图像分辨率较低时,人脸识别准确率大大下降,甚至无法区分人脸。在对待进行人脸识别的图像进行本发明的图像增强处理后,则可利用经过大数据训练的卷积神经网络进行特征提取,可以较好的处理图像质量下降的问题。本发明利用图像非线性变换克服了光照和距离对图像质量的影响,从而实现利用卷积神经网络进行稳健特征提取以及特征相似度计算、识别,较大程度上提高了远距离人脸识别准确率。
附图说明
图1是将本发明的图像增强方法用于人类识别的具体处理流程图;
图2是图像增强后的效果对比图,其中图a、c为原图,b、d分别为对应a、c的增强后的效果图;
图3是对图2-a、2-c进行聚类分类后的效果示意图;
图4是不同距离的CMC曲线图,其中图a的距离为100米,图b的距离为150米,其中G-Log表示本发明的增强方法,MSRCR表示带色彩恢复的多尺度视网膜增强算法,Wavalet表示小波变换方法,Guide filter表示引导滤波图像处理方法,Original表示未经任何处理的原始图像;。
图5是不同距离以及不同增强方法的卷积神经网络特征映射图,其中图a、b分布为1米和150米的原始图像的特征映射图,图c为对距离为150米的图像进行本发明增强处理后的特征映射图,图c为对距离为150米的图像采用MSRCR进行增强处理后的特征映射图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合实施方式和附图,对本发明作进一步地详细描述。
参见图1,本发明用于人类识别处理中,对远距离人脸图像的增强处理采用以下步骤实现:
S1:输入待识别图像I(如图2-a、2-c所示),为了去除一些明显噪声对图像质量的影响,对图像进行平滑线性空间滤波。例如选择大小为2*2的滤波器模板,对图像I进行均值滤波。由于均值滤波存在边缘模糊的负面效应,所以为了弥补这一影响,接下来对图像进行局部增强处理。
S2:利用k-means聚类算法将滤波后的图像I分为两个图像块:面部IF和背景IB,如图3所示。
之所以选择分为两块,是因为聚类算法可以将面部IF和背景IB(包括头发)各分为一类。将面部和背景分开,可以更好的有针对性的对图像进行局部处理,从而可以有效的增加图像的局部对比度,恢复面部具有辨别性的特征。
S3:求出每一个图像块像素的最大值和最小值,分别表示为
S4:对两个图像块做如公式(1)和(2)的非线性变换,可以有效的增加局部对比度,一定程度上恢复面部细节。并且,该变换可以保证变换前后图像块之间像素的大小关系不变,从而可以保证图像块边界的像素值的连续性,不会出现块效应。
其中,γ表示伽马变换系数,IF(x,y)、IB(x,y)分别表示面部IF和背景IB的像素值;
并对图像块IF1(x,y)、IB1(x,y)进行像素级融合,得到图像Io。
S5:由于光线和噪声是以一种乘性因子对图像质量造成的影响,所以将分块处理之后的整幅图像Io变换到对数域log(Io),以分离外界因素和真实的图像。
S6:在对数域进行如公式(3)的处理,以消除外界因素的影响,其中Io1为最终的输出,F为高斯滤波器。
Io1=log(Io)-log(Io*F) (3)
其中(x,y)表示像素点坐标,e表示自然底数,σ表示标准差,高斯滤波后图像被平滑的程度取决于标准差的大小,标准差越大,滤波效果越明显图像越模糊,需要根据原始图像噪声污染的程度选择合适的标准差。
S7:将图像Io1从对数域变换到空域,表示为Io2。
S8:求取Io2像素的最大值max和最小值min,利用最大值和最小值将图像归一化到0-255,
得到最终图像增强之后的图像Io3,如图2-b、2-d所示。
Io3=(Io2-min)×255/(max-min) (5)
然后基于本发明增强处理后的图像Io3进行人脸识别处理:
S9:将图像Io3送入卷积神经网络,提取卷积神经网络最后一个全连接层的输出fm,将fm进行归一化处理,作为待识别图像的特征α1。卷积神经网络是利用大量的人脸数据训练得到,本发明利用迁移学习技术,利用预训练过的模型提取图像的深度特征。
S410将待识别的人脸图像特征分别与数据库中的人脸图像特征αi(i为数据库中的人脸区分符)进行匹配,即利用公式(6)计算特征向量的相似度,并且按照相似度的大小进行排序。
S11:将相似度最高并且超过一定阈值(t)的图像作为正确的匹配图像。
S12:结束本次人脸识别。
实施例
经过本发明提出的增强方法(G-Log方法)之后,人脸识别准确率得到很大提高,例如将距离150米,100米,60米与1米的匹配准确率分别由70%,89%,95%提升到95%,98%,98%。并且与其他对比方法相比,本发明提出的G-Log方法在150米、100米、60米的距离中都得到了最好的效果。图4为实验得到的累计特征匹配(CMC)曲线,子图(a)、(b)分别为100米和150米的CMC曲线。由子图(a)可以看出,100米的原始图像第一次击中的概率为89%,采用本发明提出的G-Log方法增强之后,第一次击中的概率达到98%。同样,从子图(b)可以看出,原始图像与经过本发明提出的G-Log方法增强之后图像的第一次击中概率分别为70%和95%,较大程度上提升了准确率。并且,从CMC曲线可以看出,G-Log方法的CMC曲线均处在其他方法曲线的上方。
参见图5,,经本发明提出的G-Log方法增强之后,图像细节得到了较好的恢复。图5是利用卷积神经网络可视化之后的特征映射,子图(a)和子图(b)分别为1米和150米的原始图像的特征映射图,可以看出150米处的原始人脸图像未增强时特征丢失严重。但是经过本发明提出的G-Log方法增强之后,如子图(c)所示,150米的图像面部特征得到了较好的恢复,五官特征更加明显。而由MSRCR方法增强之后的图像特征并没有得到恢复,反而产生了一些噪声,如子图(d)所示。可以看出,本发明方法在低画质人脸图像处理中有明显的效果。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (2)
1.一种面向识别的远距离人脸图像增强方法,其特征在于,包括下列步骤:
输入待识别图像I并进行平滑线性空间滤波处理;
利用k-means聚类算法将滤波后的图像I分为两个图像块:面部IF和背景IB,其中背景IB包括头发;
分别计算面部IF和背景IB的像素的最大值和最小值,分别表示为
分别对图像块面部IF和背景IB进行非线性变换处理:
<mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>F</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>min</mi>
<msub>
<mi>I</mi>
<mi>F</mi>
</msub>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>max</mi>
<msub>
<mi>I</mi>
<mi>F</mi>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>min</mi>
<msub>
<mi>I</mi>
<mi>F</mi>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msup>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>I</mi>
<mi>F</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>min</mi>
<msub>
<mi>I</mi>
<mi>F</mi>
</msub>
</msub>
</mrow>
<mo>)</mo>
<mo>/</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>max</mi>
<msub>
<mi>I</mi>
<mi>F</mi>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>min</mi>
<msub>
<mi>I</mi>
<mi>F</mi>
</msub>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>&gamma;</mi>
</msup>
</mrow>
<mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>B</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>min</mi>
<msub>
<mi>I</mi>
<mi>B</mi>
</msub>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>max</mi>
<msub>
<mi>I</mi>
<mi>B</mi>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>min</mi>
<msub>
<mi>I</mi>
<mi>B</mi>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msup>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>I</mi>
<mi>B</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>min</mi>
<msub>
<mi>I</mi>
<mi>B</mi>
</msub>
</msub>
</mrow>
<mo>)</mo>
<mo>/</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>max</mi>
<msub>
<mi>I</mi>
<mi>B</mi>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>min</mi>
<msub>
<mi>I</mi>
<mi>B</mi>
</msub>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>&gamma;</mi>
</msup>
</mrow>
其中,γ表示伽马变换系数;
对图像块IF1(x,y)、IB1(x,y)进行像素级融合,得到图像Io,再将图像Io变换到对数域,得到图像Io1:Io1=log(Io)-log(Io*F),其中高斯滤波器(x,y)表示像素点坐标,e表示自然底数,σ表示标准差;
将图像Io1从对数域变换到空域,表示为图像Io2;
对图像Io2进行像素归一化处理,得到图像Io3:Io3=(Io2-min)×255/(max-min),其中max、min分别表示图像Io2的像素最大值和最小值。
2.如权利要求1所述的方法,其特征在于,对待识别图像I进行平滑线性空间滤波处理时,波器模板尺寸为2*2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710757108.9A CN107516083B (zh) | 2017-08-29 | 2017-08-29 | 一种面向识别的远距离人脸图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710757108.9A CN107516083B (zh) | 2017-08-29 | 2017-08-29 | 一种面向识别的远距离人脸图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107516083A true CN107516083A (zh) | 2017-12-26 |
CN107516083B CN107516083B (zh) | 2020-06-16 |
Family
ID=60724569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710757108.9A Active CN107516083B (zh) | 2017-08-29 | 2017-08-29 | 一种面向识别的远距离人脸图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107516083B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376675A (zh) * | 2018-11-01 | 2019-02-22 | 廖芳婧 | 一种远距离人脸识别签到系统及方法 |
CN109447964A (zh) * | 2018-10-23 | 2019-03-08 | 上海鹰瞳医疗科技有限公司 | 眼底图像处理方法及设备 |
CN110008876A (zh) * | 2019-03-26 | 2019-07-12 | 电子科技大学 | 一种基于数据增强与特征融合的人脸验证方法 |
CN113963428A (zh) * | 2021-12-23 | 2022-01-21 | 北京的卢深视科技有限公司 | 模型训练方法、遮挡检测方法、系统、电子设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130243334A1 (en) * | 2011-09-28 | 2013-09-19 | U.S. Army Research Laboratory Attn: Rdrl-Loc-I | System and Method for Image Enhancement and Improvement |
CN105512599A (zh) * | 2014-09-26 | 2016-04-20 | 数伦计算机技术(上海)有限公司 | 人脸识别方法及人脸识别系统 |
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 |
-
2017
- 2017-08-29 CN CN201710757108.9A patent/CN107516083B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130243334A1 (en) * | 2011-09-28 | 2013-09-19 | U.S. Army Research Laboratory Attn: Rdrl-Loc-I | System and Method for Image Enhancement and Improvement |
CN105512599A (zh) * | 2014-09-26 | 2016-04-20 | 数伦计算机技术(上海)有限公司 | 人脸识别方法及人脸识别系统 |
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 |
Non-Patent Citations (1)
Title |
---|
孙敏等: "基于Harris算子和K-means聚类的红外图像脸部特征自动定位", 《航天医学与医学工程》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447964A (zh) * | 2018-10-23 | 2019-03-08 | 上海鹰瞳医疗科技有限公司 | 眼底图像处理方法及设备 |
CN109376675A (zh) * | 2018-11-01 | 2019-02-22 | 廖芳婧 | 一种远距离人脸识别签到系统及方法 |
CN110008876A (zh) * | 2019-03-26 | 2019-07-12 | 电子科技大学 | 一种基于数据增强与特征融合的人脸验证方法 |
CN113963428A (zh) * | 2021-12-23 | 2022-01-21 | 北京的卢深视科技有限公司 | 模型训练方法、遮挡检测方法、系统、电子设备及介质 |
CN113963428B (zh) * | 2021-12-23 | 2022-03-25 | 北京的卢深视科技有限公司 | 模型训练方法、遮挡检测方法、系统、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107516083B (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Adeyanju et al. | Machine learning methods for sign language recognition: A critical review and analysis | |
CN104050471B (zh) | 一种自然场景文字检测方法及系统 | |
CN110569756B (zh) | 人脸识别模型构建方法、识别方法、设备和存储介质 | |
CN106897673B (zh) | 一种基于retinex算法和卷积神经网络的行人再识别方法 | |
CN107729820B (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
CN108268859A (zh) | 一种基于深度学习的人脸表情识别方法 | |
CN107066942A (zh) | 一种活体人脸识别方法及系统 | |
WO2016149944A1 (zh) | 用于识别人脸的方法、系统和计算机程序产品 | |
CN106815566A (zh) | 一种基于多任务卷积神经网络的人脸检索方法 | |
CN111340824B (zh) | 一种基于数据挖掘的图像特征分割方法 | |
CN104504383B (zh) | 一种基于肤色和Adaboost算法的人脸检测方法 | |
CN107516083A (zh) | 一种面向识别的远距离人脸图像增强方法 | |
CN106127193B (zh) | 一种人脸图像识别方法 | |
CN109035274A (zh) | 基于背景估计与u型卷积神经网络的文档图像二值化方法 | |
CN105046202B (zh) | 自适应的人脸识别光照处理方法 | |
CN113011253B (zh) | 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质 | |
Bawane et al. | Object and character recognition using spiking neural network | |
Thongtawee et al. | A novel feature extraction for American sign language recognition using webcam | |
CN111126240A (zh) | 一种三通道特征融合人脸识别方法 | |
Vishwakarma et al. | Simple and intelligent system to recognize the expression of speech-disabled person | |
CN109360179A (zh) | 一种图像融合方法、装置及可读存储介质 | |
CN110458792A (zh) | 人脸图像质量的评价方法及装置 | |
Yang et al. | A Face Detection Method Based on Skin Color Model and Improved AdaBoost Algorithm. | |
CN109325472B (zh) | 一种基于深度信息的人脸活体检测方法 | |
CN111160194A (zh) | 一种基于多特征融合的静态手势图像识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |