CN107563305A - 基于多样本扩充协同表示分类的人脸识别方法 - Google Patents
基于多样本扩充协同表示分类的人脸识别方法 Download PDFInfo
- Publication number
- CN107563305A CN107563305A CN201710679469.6A CN201710679469A CN107563305A CN 107563305 A CN107563305 A CN 107563305A CN 201710679469 A CN201710679469 A CN 201710679469A CN 107563305 A CN107563305 A CN 107563305A
- Authority
- CN
- China
- Prior art keywords
- class
- training sample
- sample
- matrix
- mirror image
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的基于多样本扩充协同表示分类的人脸识别方法,在图像镜面性的基础上,构造镜像人脸图,然后分别对同一类中任意的两个原始样本与镜像样本,取它们的平滑中值样本构造新的虚拟样本,然后用欧式距离选择出接近测试样本的训练样本。本发明将不同途径构成的训练样本分别进行参数加权融合,采用基于协同表示的分类方法进行人脸识别,不仅构造多种虚拟训练样本,简化运算复杂度,而且能够提高人脸识别的效果。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于多样本扩充协同表示分类的人脸识别方法。
背景技术
随着人工智能技术的飞速发展,人脸识别技术在身份确认、身份鉴别、安全监控以及人机交互等领域应用成熟,在生产生活中得到了广泛的应用。而且伴随着网络购物日益融入人们的生活,人脸识别支付技术将会有广泛的应用前景。
有限的人脸样本无法满足实际生活中人脸识别的需要,已经有学者利用图像的对称性和噪声构造新的虚拟样本。但是人脸在实际生活中往往会受到光照等不确定因素的影响,呈现出复杂多样的特性,因而构造的虚拟样本仍然无法满足人脸识别的需要。稀疏识别方法是一种经典的人脸识别方法,它是将测试样本用所有训练样本的线性组合来模糊的表示,通过对每一类测试样本的表征能力的评价来进行分类,将测试样本分配到具有最大表现能力的类别。但是,由于稀疏识别方法是基于L_1范数的识别方法,因此,采用传统的稀疏识别方法进行人脸识别的过程运算复杂,工作量大。
发明内容
本发明提供一种基于多样本扩充协同表示分类的人脸识别方法,用以简化人脸识别过程中的运算复杂度,减少识别工作量,同时提高人脸识别的准确度。
为了解决上述问题,本发明提供了一种基于多样本扩充协同表示分类的人脸识别方法,其特征在于,包括如下步骤:
步骤一:镜像图法利用图像的对称性得到镜像图;若人脸数据库有t类,每类有n个训练样本,训练样本总数为N=t*n;令X表示总的原始矩阵,Xi表示X中第i类训练样本矩阵,Xi=[x(i-1)*n+1,x(i-1)*n+2,…,xi*n],其中,i=1,2,…,t;Xi中每一项代表第i类训练样本矩阵中每一个训练样本的列向量;设原始矩阵X具有C行和D列,它对应的镜像矩阵也具有C行和D列;第i类第j个训练样本列向量表示为x(i-1)*n+j,第i类第j个新生成的镜像样本表示为m(i-1)*n+j,其中,i=1,2,…,t,j=1,2,…,n;x'(i-1)*t+j(c,d)表示x(i-1)*t+j在第c行和第d列上的像素,m'(i-1)*t+j(c,d)表示m(i-1)*t+j(c,d)在第c行和第d列上的像素,有
m'(i-1)*t+j(c,d)=x'(i-1)*t+j(c,D-d+1),c=1,2,...,C,d=1,2,...,D (1)
将x'(i-1)*t+j(c,d)转化为m((i-1)*t+j(c,d),令M表示总的镜像图矩阵,Mi表示M中第i类训练样本矩阵,Mi=[m(i-1)*n+1,m(i-1)*n+2,…,mi*n];
步骤二:第i类原始的训练样本矩阵用Xi表示,使用每类中两个不同的训练样本去构造新的训练样本,会构成个新的训练样本,若x(i-1)*n+m和x(i-1)*n+k均是来自Xi,新训练样本表示为
用Xa表示新生成样本矩阵,其中第i类训练样本矩阵表示为以此得到新的人脸图;
步骤三:对于步骤一构造第i类镜像样本图矩阵Mi,运用步骤二的方法,得到由镜像图构造的个新的镜像图,用Ma表示新生成镜像样本矩阵,以此得到的新的人脸图;
步骤四:设第i类测试样本矩阵的列向量为y,用欧氏距离来测量第i类原始训练样本x(i-1)*n+j与测试样本y之间的偏差程度,令
di=||y-x(i-1)*n+j||2 (3)
di越小,说明x(i-1)*n+j越接近y;从N个训练样本中用欧式距离选出G个训练样本,G≤N,设G个训练样本的列向量分别为q1,q2,…,qG,令Q表示经过欧式距离选择过的训练样本矩阵,Q=[q1,q2,…,qG];用G个训练样本线性表示y,即
y=K*Q (4)
K是Q对应的系数,K=[k1,k2,...,kG];令Ki=(QTQ+μz)-1QTy,μ是一个较小的常量,z是一个可识别的矩阵;令
yi=Ki*Qi (5)
Qi表示Q中第i类训练样本,Ki为Qi对应的系数,用di1衡量y与y'之间的偏差程度,即
di1=||y-y'||2 (6)
di1越小,说明y'越能表示y;
步骤五:对步骤一生成的第i类镜像图训练样本矩阵Mi,使用步骤四的方法,用di2来衡量第i类镜像图训练样本表示的y偏差程度;
步骤六:对步骤二生成的第i类新的训练样本矩阵使用步骤四的方法,用di3来衡量第i类新的训练样本表示y的偏差程度;
步骤七:对步骤三生成的第i类新的镜像图训练样本矩阵使用步骤四的方法,用di4来衡量第i类新的镜像图训练样本表示的y偏差程度;
步骤八:融合步骤四、步骤五、步骤六和步骤七所生成的di1、di2、di3和di4来求得所有训练样本表示第i类测试样本的最终偏差程度di,di=β1di1+β2di2+β3di3+β4di4,β1、β2、β3和β4分别为di1、di2、di3和di4对应的权重,β1+β2+β3+β4=1,β1+β2≥β3+β4;若则测试样本y被分配到第i类。
本发明提供的基于多样本扩充协同表示分类的人脸识别方法,针对复杂多变的外部环境,构造出多种虚拟人脸图像,利用改进的稀疏识别方法-协同表示方法进行人脸识别,以提高人脸识别率。由于传统方法构建的虚拟人脸样本是有限的,用来进行人脸分类的经典识别方法运算量大,本发明在构造镜像图的基础上,分别取同一类中任意两个不同的原始图像和镜像图像,取它们的平滑中值样本作为新的虚拟图像,利用欧式距离从这些训练样本中选择出接近测试样本的训练样本,将选择出来的训练样本利用参数加权融合,采用改进的稀疏识别方法-协同表示的分类方法进行人脸识别,很好的提高人脸识别的效果。
附图说明
附图1是本发明具体实施方式的基于多样本扩充协同表示分类的人脸识别方法流程图。
具体实施方式
下面结合附图对本发明提供的基于多样本扩充协同表示分类的人脸识别方法的具体实施方式做详细说明。
本具体实施方式提供了一种基于多样本扩充协同表示分类的人脸识别方法,附图1是本发明具体实施方式的基于多样本扩充协同表示分类的人脸识别方法流程图。如图1所示,本具体实施方式提供的基于多样本扩充协同表示分类的人脸识别方法,包括如下步骤:
步骤一:镜像图法利用图像的对称性得到镜像图;若人脸数据库有t类,每类有n个训练样本,训练样本总数为N=t*n;令X表示总的原始矩阵,Xi表示X中第i类训练样本矩阵,Xi=[x(i-1)*n+1,x(i-1)*n+2,…,xi*n],其中,i=1,2,…,t;Xi中每一项代表第i类训练样本矩阵中每一个训练样本的列向量;设原始矩阵X具有C行和D列,它对应的镜像矩阵也具有C行和D列;第i类第j个训练样本列向量表示为x(i-1)*n+j,第i类第j个新生成的镜像样本表示为m(i-1)*n+j,其中,i=1,2,…,t,j=1,2,…,n;x'(i-1)*t+j(c,d)表示x(i-1)*t+j在第c行和第d列上的像素,m'(i-1)*t+j(c,d)表示m(i-1)*t+j(c,d)在第c行和第d列上的像素,有
m'(i-1)*t+j(c,d)=x'(i-1)*t+j(c,D-d+1),c=1,2,...,C,d=1,2,...,D (1)
将x'(i-1)*t+j(c,d)转化为m((i-1)*t+j(c,d),令M表示总的镜像图矩阵,Mi表示M中第i类训练样本矩阵,Mi=[m(i-1)*n+1,m(i-1)*n+2,…,mi*n]。
步骤二:第i类原始的训练样本矩阵用Xi表示,使用每类中两个不同的训练样本去构造新的训练样本,会构成个新的训练样本,若x(i-1)*n+m和x(i-1)*n+k均是来自Xi,新训练样本表示为
用Xa表示新生成样本矩阵,其中第i类训练样本矩阵表示为以此得到新的人脸图;
步骤三:对于步骤一构造第i类镜像样本图矩阵Mi,运用步骤二的方法,得到由镜像图构造的个新的镜像图,用Ma表示新生成镜像样本矩阵,以此得到的新的人脸图;
步骤四:设第i类测试样本矩阵的列向量为y,用欧氏距离来测量第i类原始训练样本x(i-1)*n+j与测试样本y之间的偏差程度,令
di=||y-x(i-1)*n+j||2 (3)
di越小,说明x(i-1)*n+j越接近y;从N个训练样本中用欧式距离选出G个训练样本,G≤N,设G个训练样本的列向量分别为q1,q2,…,qG,令Q表示经过欧式距离选择过的训练样本矩阵,Q=[q1,q2,…,qG];用G个训练样本线性表示y,即
y=K*Q (4)
K是Q对应的系数,K=[k1,k2,...,kG];令Ki=(QTQ+μz)-1QTy,μ是一个较小的常量,z是一个可识别的矩阵;令
yi=Ki*Qi (5)
Qi表示Q中第i类训练样本,Ki为Qi对应的系数,用di1衡量y与y'之间的偏差程度,即
di1=||y-y'||2 (6)
di1越小,说明y'越能表示y;
步骤五:对步骤一生成的第i类镜像图训练样本矩阵Mi,使用步骤四的方法,用di2来衡量第i类镜像图训练样本表示的y偏差程度;
步骤六:对步骤二生成的第i类新的训练样本矩阵使用步骤四的方法,用di3来衡量第i类新的训练样本表示y的偏差程度;
步骤七:对步骤三生成的第i类新的镜像图训练样本矩阵使用步骤四的方法,用di4来衡量第i类新的镜像图训练样本表示的y偏差程度;
步骤八:融合步骤四、步骤五、步骤六和步骤七所生成的di1、di2、di3和di4来求得所有训练样本表示第i类测试样本的最终偏差程度di,di=β1di1+β2di2+β3di3+β4di4,β1、β2、β3和β4分别为di1、di2、di3和di4对应的权重,β1+β2+β3+β4=1,β1+β2≥β3+β4;若则测试样本y被分配到第i类。
如图1所示,对于原始训练人脸图像,利用图像的镜面性,构造人脸镜像图,接着分别取同一类中任意两个不同的原始图像和镜像图像,取它们的平滑中值样本作为新的虚拟图像,这样能够构造出多个新的虚拟人脸样本图。传统的多样本扩充的人脸方法,是将新生成的虚拟训练样本与原始训练样本结合在一起,作为总的训练样本进行人脸识别;而本具体实施方式是将不同途径构成的训练样本分别进行参数加权融合,采用基于协同表示的分类方法进行人脸识别。因此,本具体实施方式提供的人脸识别方法不但构造多种虚拟训练样本,而且能够提高人脸识别的效果。同时,由于过多的人脸训练样本不一定都有利于测试样本的识别,因而通过欧式距离选择出接近测试样本的训练样本,避免运算量过大的问题。
本具体实施方式提供的基于多样本扩充协同表示分类的人脸识别方法,针对复杂多变的外部环境,构造出多种虚拟人脸图像,利用改进的稀疏识别方法-协同表示方法进行人脸识别,以提高人脸识别率。由于传统方法构建的虚拟人脸样本是有限的,用来进行人脸分类的经典识别方法运算量大,本发明在构造镜像图的基础上,分别取同一类中任意两个不同的原始图像和镜像图像,取它们的平滑中值样本作为新的虚拟图像,利用欧式距离从这些训练样本中选择出接近测试样本的训练样本,将选择出来的训练样本利用参数加权融合,采用改进的稀疏识别方法-协同表示的分类方法进行人脸识别,很好的提高人脸识别的效果。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种基于多样本扩充协同表示分类的人脸识别方法,其特征在于,包括如下步骤:
步骤一:镜像图法利用图像的对称性得到镜像图;若人脸数据库有t类,每类有n个训练样本,训练样本总数为N=t*n;令X表示总的原始矩阵,Xi表示X中第i类训练样本矩阵,Xi=[x(i-1)*n+1,x(i-1)*n+2,…,xi*n],其中,i=1,2,…,t;Xi中每一项代表第i类训练样本矩阵中每一个训练样本的列向量;设原始矩阵X具有C行和D列,它对应的镜像矩阵也具有C行和D列;第i类第j个训练样本列向量表示为x(i-1)*n+j,第i类第j个新生成的镜像样本表示为m(i-1)*n+j,其中,i=1,2,…,t,j=1,2,…,n;x′(i-1)*t+j(c,d)表示x(i-1)*t+j在第c行和第d列上的像素,m′(i-1)*t+j(c,d)表示m(i-1)*t+j(c,d)在第c行和第d列上的像素,有
m′(i-1)*t+j(c,d)=x′(i-1)*t+j(c,D-d+1),c=1,2,…,C,d=1,2,…,D (1)
将x′(i-1)*t+j(c,d)转化为m((i-1)*t+j(c,d),令M表示总的镜像图矩阵,Mi表示M中第i类训练样本矩阵,Mi=[m(i-1)*n+1,m(i-1)*n+2,…,mi*n];
步骤二:第i类原始的训练样本矩阵用Xi表示,使用每类中两个不同的训练样本去构造新的训练样本,会构成个新的训练样本,若x(i-1)*n+m和x(i-1)*n+k均是来自Xi,新训练样本表示为
<mrow>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>a</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
<mo>*</mo>
<mi>n</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
<mo>*</mo>
<mi>n</mi>
<mo>+</mo>
<mi>k</mi>
</mrow>
</msub>
</mrow>
<mn>2</mn>
</mfrac>
<mo>,</mo>
<mi>a</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mi>C</mi>
<mi>n</mi>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
用Xa表示新生成样本矩阵,其中第i类训练样本矩阵表示为 以此得到新的人脸图;
步骤三:对于步骤一构造第i类镜像样本图矩阵Mi,运用步骤二的方法,得到由镜像图构造的个新的镜像图,用Ma表示新生成镜像样本矩阵,以此得到的新的人脸图;
步骤四:设第i类测试样本矩阵的列向量为y,用欧氏距离来测量第i类原始训练样本x(i-1)*n+j与测试样本y之间的偏差程度,令
di=||y-x(i-1)*n+j||2 (3)
di越小,说明x(i-1)*n+j越接近y;从N个训练样本中用欧式距离选出G个训练样本,G≤N,设G个训练样本的列向量分别为q1,q2,…,qG,令Q表示经过欧式距离选择过的训练样本矩阵,Q=[q1,q2,…,qG];用G个训练样本线性表示y,即
y=K*Q (4)
K是Q对应的系数,K=[k1,k2,...,kG];令Ki=(QTQ+μz)-1QTy,μ是一个较小的常量,z是一个可识别的矩阵;令
yi=Ki*Qi (5)
Qi表示Q中第i类训练样本,Ki为Qi对应的系数,用di1衡量y与y'之间的偏差程度,即
di1=||y-y'||2 (6)
di1越小,说明y'越能表示y;
步骤五:对步骤一生成的第i类镜像图训练样本矩阵Mi,使用步骤四的方法,用di2来衡量第i类镜像图训练样本表示的y偏差程度;
步骤六:对步骤二生成的第i类新的训练样本矩阵使用步骤四的方法,用di3来衡量第i类新的训练样本表示y的偏差程度;
步骤七:对步骤三生成的第i类新的镜像图训练样本矩阵使用步骤四的方法,用di4来衡量第i类新的镜像图训练样本表示的y偏差程度;
步骤八:融合步骤四、步骤五、步骤六和步骤七所生成的di1、di2、di3和di4来求得所有训练样本表示第i类测试样本的最终偏差程度di,di=β1di1+β2di2+β3di3+β4di4,β1、β2、β3和β4分别为di1、di2、di3和di4对应的权重,β1+β2+β3+β4=1,β1+β2≥β3+β4;若则测试样本y被分配到第i类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710679469.6A CN107563305B (zh) | 2017-08-10 | 2017-08-10 | 基于多样本扩充协同表示分类的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710679469.6A CN107563305B (zh) | 2017-08-10 | 2017-08-10 | 基于多样本扩充协同表示分类的人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107563305A true CN107563305A (zh) | 2018-01-09 |
CN107563305B CN107563305B (zh) | 2020-10-16 |
Family
ID=60974373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710679469.6A Active CN107563305B (zh) | 2017-08-10 | 2017-08-10 | 基于多样本扩充协同表示分类的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563305B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325532A (zh) * | 2018-09-18 | 2019-02-12 | 成都网阔信息技术股份有限公司 | 一种小样本下扩充数据集的图像处理方法 |
CN110751179A (zh) * | 2019-09-18 | 2020-02-04 | 无锡祥生医疗科技股份有限公司 | 病灶信息获取方法、病灶预测模型的训练方法及超声设备 |
CN111325162A (zh) * | 2020-02-25 | 2020-06-23 | 湖南大学 | 基于虚拟样本和残差融合的权重稀疏表示的人脸识别方法 |
CN111428687A (zh) * | 2020-04-16 | 2020-07-17 | 南京信息工程大学 | 基于概率协同表示和卷积神经网络的识别方法 |
Citations (4)
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 |
CN106529447A (zh) * | 2016-11-03 | 2017-03-22 | 河北工业大学 | 一种小样本人脸识别方法 |
CN106557749A (zh) * | 2016-11-18 | 2017-04-05 | 深圳市唯特视科技有限公司 | 一种基于三维形变人脸模型用于安防的人脸识别方法 |
CN106845376A (zh) * | 2017-01-06 | 2017-06-13 | 中山大学 | 一种基于稀疏编码的人脸识别方法 |
-
2017
- 2017-08-10 CN CN201710679469.6A patent/CN107563305B/zh active Active
Patent Citations (4)
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 |
CN106529447A (zh) * | 2016-11-03 | 2017-03-22 | 河北工业大学 | 一种小样本人脸识别方法 |
CN106557749A (zh) * | 2016-11-18 | 2017-04-05 | 深圳市唯特视科技有限公司 | 一种基于三维形变人脸模型用于安防的人脸识别方法 |
CN106845376A (zh) * | 2017-01-06 | 2017-06-13 | 中山大学 | 一种基于稀疏编码的人脸识别方法 |
Non-Patent Citations (2)
Title |
---|
唐德燕: "人脸检测与识别系统中基于虚拟样本的稀疏描述研究", 《中国优秀硕士学位论文全文数据库》 * |
郭艳君等: "基于QR分解重构虚拟样本的人脸识别算法", 《计算机工程与科学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325532A (zh) * | 2018-09-18 | 2019-02-12 | 成都网阔信息技术股份有限公司 | 一种小样本下扩充数据集的图像处理方法 |
CN110751179A (zh) * | 2019-09-18 | 2020-02-04 | 无锡祥生医疗科技股份有限公司 | 病灶信息获取方法、病灶预测模型的训练方法及超声设备 |
CN110751179B (zh) * | 2019-09-18 | 2022-04-12 | 无锡祥生医疗科技股份有限公司 | 超声设备 |
CN111325162A (zh) * | 2020-02-25 | 2020-06-23 | 湖南大学 | 基于虚拟样本和残差融合的权重稀疏表示的人脸识别方法 |
CN111428687A (zh) * | 2020-04-16 | 2020-07-17 | 南京信息工程大学 | 基于概率协同表示和卷积神经网络的识别方法 |
CN111428687B (zh) * | 2020-04-16 | 2023-07-25 | 南京信息工程大学 | 基于概率协同表示和卷积神经网络的识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107563305B (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108717568B (zh) | 一种基于三维卷积神经网络的图像特征提取与训练方法 | |
CN106778682B (zh) | 一种卷积神经网络模型的训练方法及其设备 | |
Ding et al. | Deep extreme learning machine and its application in EEG classification | |
CN104992142B (zh) | 一种基于深度学习和属性学习相结合的行人识别方法 | |
CN108229298A (zh) | 神经网络的训练和人脸识别方法及装置、设备、存储介质 | |
CN107563305A (zh) | 基于多样本扩充协同表示分类的人脸识别方法 | |
CN108427921A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
CN107102727B (zh) | 基于elm神经网络的动态手势学习与识别方法 | |
CN109583322A (zh) | 一种人脸识别深度网络训练方法和系统 | |
CN109325443A (zh) | 一种基于多实例多标签深度迁移学习的人脸属性识别方法 | |
CN107945204A (zh) | 一种基于生成对抗网络的像素级人像抠图方法 | |
CN107463920A (zh) | 一种消除局部遮挡物影响的人脸识别方法 | |
CN107871107A (zh) | 人脸认证方法和装置 | |
CN108830334A (zh) | 一种基于对抗式迁移学习的细粒度目标判别方法 | |
CN108520213B (zh) | 一种基于多尺度深度的人脸美丽预测方法 | |
CN106096641A (zh) | 一种基于遗传算法的多模态情感特征融合方法 | |
CN109543602A (zh) | 一种基于多视角图像特征分解的行人再识别方法 | |
Su et al. | HDL: Hierarchical deep learning model based human activity recognition using smartphone sensors | |
CN108596274A (zh) | 基于卷积神经网络的图像分类方法 | |
CN106682606A (zh) | 一种人脸确认方法及安全认证装置 | |
CN106326843B (zh) | 一种人脸识别方法 | |
CN107545243A (zh) | 基于深度卷积模型的黄种人脸识别方法 | |
CN110263174A (zh) | —基于焦点关注的主题类别分析方法 | |
Zamani et al. | Saliency based alphabet and numbers of American sign language recognition using linear feature extraction | |
CN110009108A (zh) | 一种全新的量子超限学习机 |
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 |