CN107729844A - 人脸属性识别方法及装置 - Google Patents
人脸属性识别方法及装置 Download PDFInfo
- Publication number
- CN107729844A CN107729844A CN201710979851.9A CN201710979851A CN107729844A CN 107729844 A CN107729844 A CN 107729844A CN 201710979851 A CN201710979851 A CN 201710979851A CN 107729844 A CN107729844 A CN 107729844A
- Authority
- CN
- China
- Prior art keywords
- face
- dictionary
- attribute
- training
- 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.)
- Pending
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
- G06V40/168—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
-
- 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
- G06V10/513—Sparse representations
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种人脸属性识别方法及装置。所述方法包括：将采集得到的人脸图像训练集通过字典训练算法训练得到人脸属性识别字典，所述人脸属性识别字典中包括多个人脸的属性；根据待识别人脸图像与所述人脸属性识别字典建立基于稀疏表示的属性分类模型，并根据所述属性分类模型求解得出稀疏表示系数；根据所述稀疏表示系数对待识别人脸图像进行重构计算每类属性的重构误差；获取前N个最小重构误差，将所述前N个最小重构误差对应的属性采用民主投票确定待识别人脸图像的属性结果，其中N为不小于二的自然数。
Description
技术领域
本发明涉及数据处理领域，具体而言，涉及一种人脸属性识别方法及装置。
背景技术
在日常生活中，人们通过视觉、听觉、触觉、味觉及嗅觉进行信息获取。在获得的各种信息中，有一大半是视觉信息，即图像信息。而人脸图像是人类情感表达和交流中最重要、最直接的载体，它可反映出一个人的种族、年龄、个性、情绪状态，甚至是一个人的健康状况、身份和地位等信息。因此，从早期的绘画、雕像、表演等艺术领域到照相、摄影和电影电视等技术的出现，对人脸的描述和刻画一直受到人们的广泛关注。
在过去的几百万年里，人类进化出高度复杂和灵敏的感知系统，使我们能够轻而易举地辨别出人脸、并指出其种族、性别、年龄、姿态和表情等。这些看似简单的行为，背后却隐藏着极为复杂的信息感知和模式处理过程。然而，过去的科学家并没有注意到这些问题的重要性。在计算机出现以后，机器视觉与模式识别成为当今热门的研究话题。在人脸图像机器视觉领域，人脸身份识别技术经过大半个世纪发展，已经取得了实质性的进展，但它仍不够完善。在实际应用中容易受人脸光照、姿态、表情、遮挡、年龄和整形等因素干扰。因此，关于人脸识别还需要进一步地研究。
发明内容
有鉴于此，本发明实施例的目的在于提供一种人脸属性识别方法及装置。
本发明实施例提供的一种人脸属性识别方法，所述方法包括：
将采集得到的人脸图像训练集通过字典训练算法训练得到人脸属性识别字典，所述人脸属性识别字典中包括多个人脸的属性；
根据待识别人脸图像与所述人脸属性识别字典建立基于稀疏表示的属性分类模型，并根据所述属性分类模型求解得出稀疏表示系数；
根据所述稀疏表示系数对待识别人脸图像进行重构计算每类属性的重构误差；
获取前N个最小重构误差，将所述前N个最小重构误差对应的属性采用民主投票确定待识别人脸图像的属性结果，其中N为不小于二的自然数。
本发明实施例还提供一种人脸属性识别装置，所述装置包括：
字典训练模块，用于将采集得到的人脸图像训练集通过字典训练算法训练得到人脸属性识别字典；
模型建立模块，用于根据待识别人脸图像与所述人脸属性识别字典建立基于稀疏表示的属性分类模型；
模型求解模块，用于根据所述属性分类模型求解得出稀疏表示系数；以及
属性识别模块，用于根据所述稀疏表示系数对待识别人脸图像进行重构计算每类属性的重构误差，获取前N个最小重构误差，将所述前N个最小重构误差对应的属性采用民主投票确定待识别人脸图像的属性结果，其中N为不小于二的自然数。
与现有技术相比，本发明实施例的人脸属性识别方法及装置，通过采集得到的人脸属性训练集进行训练得到人脸属性字典，使人脸属性字典能够对人脸属性的分类更加准确，通过人脸属性字典对待识别人脸图像进行识别，提高人脸属性识别的准确率。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明较佳实施例提供的电子终端的方框示意图。
图2为本发明较佳实施例提供的人脸属性识别方法的流程图。
图3为本发明较佳实施例提供的人脸属性识别方法的步骤S101的详细流程图。
图4为本发明较佳实施例提供的人脸属性识别方法的步骤S1014的详细流程图。
图5为本发明另一较佳实施例提供的人脸属性识别方法的流程图。
图6为本发明较佳实施例提供的人脸属性识别装置的功能模块示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
如图1所示，是一电子终端100的方框示意图。所述电子终端100包括人脸属性识别装置110、存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115、显示单元116。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对电子终端100的结构造成限定。例如，电子终端100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。本实施例所述的电子终端100可以是个人计算机、图像处理服务器、或者移动电子设备等具有图像处理能力的计算设备。
所述存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115及显示单元116各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述人脸属性识别装置110包括至少一个可以软件或固件(Firmware)的形式存储于所述存储器111中或固化在所述电子终端100的操作系统(Operating System，OS)中的软件功能模块。所述处理器113用于执行存储器中存储的可执行模块，例如所述人脸属性识别装置110包括的软件功能模块或计算机程序。
其中，所述存储器111可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。其中，存储器111用于存储程序，所述处理器113在接收到执行指令后，执行所述程序，本发明实施例任一实施例揭示的过程定义的电子终端100所执行的方法可以应用于处理器113中，或者由处理器113实现。
所述处理器113可能是一种集成电路芯片，具有信号的处理能力。上述的处理器113可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述外设接口114将各种输入/输入装置耦合至处理器113以及存储器111。在一些实施例中，外设接口114，处理器113以及存储控制器112可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
所述输入输出单元115用于提供给用户输入数据。所述输入输出单元115可以是，但不限于，鼠标和键盘等。
所述显示单元116在所述电子终端100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器进行计算和处理。
在人脸图像机器视觉领域，人脸身份识别技术经过大半个世纪发展，已经取得了实质性的进展，但它仍不够完善。在实际应用中容易受人脸光照、姿态、表情、遮挡、年龄和整形等因素干扰。然而，人脸情景属性分析却没有受到人们广泛的关注，但是从某些典型应用(如基于人脸姿态识别的安全驾驶，基于人脸表情识别的情感分析等)来看，人脸情景属性分析不仅有助于提升人脸识别的可靠性。例如，人脸分析算法能准确地辨别一个人的性别。这种能力可以应用在电子看板牌中，可依据注视广告讯息者的性别分别显示不同的资讯。人脸面部表情识别在医疗、教育、军事和航天等领域均具有潜在的应用前景。其中最成功的是埃及科学家Ranael Kaliouby，2009年创办了专门从事“表情”分析的公司Affectiva，曾被商业媒体评为发展最快的创业公司之一。人脸姿态识别可以应用于安全驾驶和智能教室监控系统。此系统可以通过监控司机的人脸姿态变化来识别司机是否集中注意力开车，避免发生意外；或者通过监控教室学生的姿态来判别学生是否开小差、玩手机和睡觉等。
对于人脸姿态、表情和性别等识别问题，大部分算法都是基于人脸识别中一些主流与经典的特征提取与分类识别算法，在可控环境下可以取得识别效果，但在非可控环境下识别率急剧下降。在人脸姿态、表情和性别识别中，基于稀疏表示的分类方法都取得出不错的效果，但前提是人脸之间需要稠密对应。在姿态识别中，表情变化是干扰因素；在表情识别，姿态变化是干扰因素；在性别识别中，姿态和表情变化是干扰因素。因此，如何解决人脸图像情景属性间的干扰，是人脸分析在实际应用中必须攻克的难题。针对上述人脸图像情景属性间的干扰能够，本发明实施例提出了一种人脸属性识别方法及装置，具体描述如下。
请参阅图2，是本发明较佳实施例提供的应用于图1所示的电子终端的人脸属性识别方法的流程图。下面将对图2所示的具体流程进行详细阐述。
步骤S101，将采集得到的人脸图像训练集通过字典训练算法训练得到人脸属性识别字典。
本实施例中，所述人脸属性识别字典中包括多个人脸的属性。
本实施例中，所述电子终端可以以生成问卷的形式，采集网友的各种属性的人脸图像。所述电子终端还可以接收用户传输的人脸图像训练集。所述人脸图像训练集中对应着用户不同姿态、表情和分辨率的图像。在一个实例中，每个人包括五种姿态、六中表情和三种分辨率，因此，所述人脸图像训练集中每个人对应着90张图像。
在一个实例中，可采集500个人(男女各一半)的多属性图像作为人脸图像训练集A＝[A1,A2,…,A180]，其中每个人包括五种姿态，六种表情和三种分辨率，共90张人脸图像。据此，将人脸属性分为一百八十类，每类包括二百五十个训练样本，每个训练样本含有姿态P、表情E、分辨率R和性别G四种属性信息。
本实施例中，所述人脸图像训练集A＝[A1,A2,…,A180]为采集到的人脸图像提取的Gabor特征形成的矩阵。
在一种实施方式中，人脸属性识别字典中的每一类字典用Di表示；然后人脸属性识别字典可表示D＝[D1,D2,…,D180]。本实施方式中，字典训练的目标函数为：
其中，Ai为第i类训练样本矩阵，Xi为线性组合系数，T为稀疏约束项。在一个实例中，上式可通过的K-SVD方法求解，以的得到所述人脸属性识别字典中的每一类字典Di的取值。
通过使用采集的多种类型的人脸图像训练集训练得到的人脸属性识别字典，在识别人脸属性时能够有效避免人脸图像情景属性间的干扰。
在其它实施例中，可以将所述人脸图像训练集A作为人脸属性识别字典。
步骤S102，根据待识别人脸图像与所述人脸属性识别字典建立基于稀疏表示的属性分类模型。
步骤S103，根据所述属性分类模型求解得出稀疏表示系数。
在一种实施方式中，使用待识别人脸图像y和人脸属性识别字典D建立所述属性分类模型：
其中，和x为用于迭代的未知量。
上式是一个非凸优化问题，在一个实例中，对上式求解可以转化为加权L1正则子求解问题。具体为：
步骤1、令t＝0，设定最大迭代次数K，初始化x0＝(1,…,1)T，其中t为迭代控制量；
步骤2、求解变形的属性分类模型并令t＝t+1；
步骤3、当t<K时，转步骤2；当t＝K时，输出xt。
上述算法中，步骤1设定了最大迭代次数K作为算法终止条件。由于在步骤1中设定了初始化解x0＝(1,…,1)T，于是步骤2第一次迭代时对应求解一个L1正则子问题(即产生Lasso解)；而第二次迭代时，步骤2相当于求解一个加权L1正则子，通过简单的线性转换该问题仍然可以转换为L1正则子求解。
另外，当算法迭代第二次以后，参数xt中可能会出现0。为了保证算法可实施，在加权时，可采用替代ε为任意给定的一个正数。
也就是将属性分类模型变成：将公式替换上述步骤2中的公式进行迭代计算。
本实施例中，迭代计算输出的xt则为所述属性系数。
步骤S104，根据所述稀疏表示系数对待识别人脸图像进行重构计算每类属性的重构误差。
本实施例中，根据属性系数定义字典中每一类属性对应的残差：
其中，为第i类的重构误差项，为稀疏表示系数与第i系数均值μi的距离，其中，系数均值μi在人脸属性识别字典训练时计算得到，w为预设的平衡权值。
步骤S1042，计算每一类残差值。
计算中每一类属性Di对应的残差值ei。
步骤S105，获取前N个最小重构误差，将所述前N个最小重构误差对应的属性采用民主投票确定待识别人脸图像的属性结果。
本实施例中，N为不小于二的自然数。
在一种实施方式中，对每一类属性对应残差值ei进行排序，若最小取值的ei仅一个，则最小值ei对应的属性Di作为所述待识别人脸图像的属性识别结果。
在另一种实施方式中，获取出前N个最小的ei，由于每个ei都代表一个类属性，包含有人脸的姿态、表情、性别和分辨率四种属性状况。本实施例中，本领域的技术人员可以按照需求设定N的取值。在一个实例中，所述N的取值可以是五，然后，采用民主投票制确定最终的人脸属性状况：
其中，c1,…,c5为前N个最小重构误差所对应的属性类别，pegr分别表示人脸姿态、表情、性别和分辨率属性。
本实施例中，如图3所示，步骤S101包括步骤S1011至步骤S1016。
步骤S1011，将所述人脸图像训练集使用字典训练算法训练学习得到初始人脸属性识别字典。
在一种实施方式中，人脸属性识别字典中的每一类字典用Di表示；然后人脸属性识别字典可表示D＝[D1,D2,…,D180]。本实施方式中，字典训练的目标函数为：
其中，Ai为第i类训练样本矩阵，Xi为线性组合系数，T为稀疏约束项。在一个实例中，上式可通过的K-SVD方法求解，以的得到所述人脸属性识别字典中的每一类字典Di的取值。其中，上述步骤计算得到的初始人脸属性识别字典。
步骤S1012，根据所述人脸图像训练集与所述初始人脸属性识别字典表示预估训练集误差得到鉴别保真项。
在一种实施方式中，对人脸图像训练集的子集Ai的系数矩阵Xi进行改写其中为Ai由子字典Dj线性组合表示的系数矩阵。首先，人脸图像训练集的子集Ai可以被所述初始人脸属性识别字典D进行表达：其次，由于Di对应第i类，其中理想状态下Ai能够被Di很好的表达，而不是Dj(j≠i)。意味着占据大部分重要非0系数值，而接近全0项，从而导致和将非常小。本实施方式中，所述鉴别保真项可定义如下：
步骤S1013，计算所述人脸图像训练集的系数矩阵的范数。
步骤S1014，根据Fisher准则计算所述系数矩阵对应的鉴别约束项。
本实施例中，如图4所示，所述步骤S1014包括步骤S10141及步骤S10142。
步骤S10141，根据Fisher准则定义加权类间散布矩阵和加权类内散布矩阵。
其中，加权类间散布矩阵SB定义如下：
其中，C为类别数；pi为类i的先验概率；μi为第i类系数Xi的均值，w(i,j)为第i类和第j类的权值；
其中，
其中，n为向量的维数，μi(k),μj(k)分别表示第i,j类均值向量中第k个特征；γ(μi(k),μj(k))为第i类与第j类均值向量中第k个特征的关联系数，定义如下：
其中，加权类内散布矩阵SW定义如下：
其中，表示第i类中第j个样本系数；
其中，
其中，参数t为经验常数；
步骤S10142，根据所述加权类间散布矩阵和加权类内散布矩阵计算得到所述鉴别约束项。
本实施例中，所述鉴别约束项表示为：
tr(·)表示矩阵的迹操作，η为常量参数，为添加的弹性项。
步骤S1015，根据所述鉴别保真项、系数矩阵的范数及鉴别约束项计算得到鉴别字典学习模型。
本实施例中，根据步骤S1012至步骤S1014计算得到的参数建立鉴别字典学习模型：
其中，r(A,D,X)为鉴别保真项，||X||1为稀疏约束项，f(X)为鉴别约束项，λ1,λ2为平衡因子参数。
步骤S1016，对所述鉴别字典学习模型进行训练得到所述人脸属性识别字典。
本实施例中，通过固定系数矩阵X，更新初始人脸属性识别字典D；固定初始人脸属性识别字典D，更新系数矩阵X，交替迭代直到收敛为止。
根据本发明实施例的人脸属性识别方法，通过采集得到的人脸属性训练集进行训练得到人脸属性字典，使人脸属性字典能够对人脸属性的分类更加准确，通过人脸属性字典对待识别人脸图像进行识别，提高人脸属性识别的准确率。另外，通过上述多种属性的人脸图像最为训练集可训练出更准确的人脸属性字典，以使人脸情景属性识别框架模型可以同时识别出人脸姿态、表情、性别和分辨率等四种属性，解决目前属性识别性能单一的不足。
本实施例中，如图5所示，所述方法还包括以下步骤。
步骤S106，根据采集到的遮挡训练集中的每幅遮挡图像及该遮挡图像在所述人脸属性识别字典中对应的均值图像计算得到误差图像，以得到所述遮挡训练集对应的误差图像训练集。
步骤S107，根据所述误差图像训练集通过字典训练算法训练得到遮挡字典。
本实施例中，可以采用与所述人脸属性识别字典相同的训练方法训练得到所述遮挡字典。
在一个实例中，人脸具有遮挡或腐蚀变化时，人脸图像y可表示为：
式中，无遮挡图像y0与遮挡误差图像e0分别可由人脸属性识别字典D和遮挡字典稀疏表示。在一个实例中，在稀疏表示人脸识别中，De通常为正交单位矩阵。
本实施例中，可采用的Gabor特征作为人脸特征向量。由于Gabor滤波在方向与尺度方面具有大量的冗余，于是可对图像Gabor特征进行ρ因子下采样得到紧凑姿态人脸表示。因此，可将字典B的大小压缩为原来的1/ρ倍，在一个实例中，ρ＝80。另外，对构建的误差图像样本进行了K-SVD训练优化，使得遮挡字典De维数更低。
本实施中，所述步骤S102包括：根据待识别人脸图像、所述人脸属性识别字典以及遮挡字典建立属性分类模型。
本实施例中，通过增加所述遮挡字典，遮挡人脸属性识别问题转化成如下的优化问题：
通过增加遮挡字典De的方法可以成功地解决人脸遮挡问题。
根据上述实施例中的方法，通过再训练处遮挡字典，在遮挡字典和人脸属性字典的作用下可以识别人脸属性，人属性分类模型成功地克服了人脸多种属性相互干扰问题，另外，对人脸噪声和遮挡也具有鲁棒性。
请参阅图6，是本发明较佳实施例提供的图1所示的人脸属性识别装置110的功能模块示意图。所述人脸属性识别装置110包括字典训练模块1101、模型建立模块1102、模型求解模块1103及属性识别模块1104。
所述字典训练模块1101，用于将采集得到的人脸图像训练集通过字典训练算法训练得到人脸属性识别字典。
本实施例中，所述电子终端可以以生成问卷的形式，采集网友的各种属性的图像。所述电子终端还可以接收用户传输的人脸图像训练集。所述人脸图像训练集中对应着用户不同姿态、表情和分辨率的图像。在一个实例中，每个人包括五种姿态、六中表情和三种分辨率，因此，所述人脸图像训练集中每个人对应着90张图像。
在一个实例中，可采集500个人(男女各一半)的多属性图像作为人脸图像训练集A＝[A1,A2,…,A180]，其中每个人包括五种姿态，六种表情和三种分辨率，共90张人脸图像。据此，将人脸属性分为一百八十类，每类包括二百五十个训练样本，每个训练样本含有姿态P、表情E、分辨率R和性别G四种属性信息。
所述模型建立模块1102，用于根据待识别人脸图像与所述人脸属性识别字典建立属性分类模型。
所述模型求解模块1103，用于通过计算所述属性分类模型的最小值计算得到模型的属性系数。
所述属性识别模块1104，用于根据所述属性系数计算得到所述待识别人脸图像的属性向量，将所述属性向量与所述人脸属性识别字典进行匹配得到所述待识别人脸图像的人脸识别结果。
本实施例中，所述字典训练模块1101包括：第一训练单元、表示单元、第一计算单元、第二计算单元、第三计算单元以及第二训练单元。
所述第一训练单元，用于将所述人脸图像训练集使用字典训练算法训练学习得到初始人脸属性识别字典。
所述表示单元，用于根据所述人脸图像训练集与所述初始人脸属性识别字典表示预估训练集误差得到鉴别保真项。
所述第一计算单元，用于计算所述人脸图像训练集的系数矩阵的范数。
所述第二计算单元，用于根据Fisher准则计算所述系数矩阵对应的鉴别约束项。
所述第三计算单元，用于根据所述鉴别保真项、系数矩阵的范数及鉴别约束项计算得到鉴别字典学习模型。
所述第二训练单元，用于对所述鉴别字典学习模型进行训练得到所述人脸属性识别字典。
根据本发明实施例的人脸属性识别装置，通过采集得到的人脸属性训练集进行训练得到人脸属性字典，使人脸属性字典能够对人脸属性的分类更加准确，通过人脸属性字典对待识别人脸图像进行识别，提高人脸属性识别的准确率。
本实施例中，请再次参阅图6，所述人脸属性识别装置110还包括：误差得到模块1105以及遮挡训练模块1106。
所述误差得到模块1105，用于根据采集到的遮挡训练集中的每幅遮挡图像及该遮挡图像在所述人脸属性识别字典中对应的均值图像计算得到误差图像，以得到所述遮挡训练集对应的误差图像训练集。
所述遮挡训练模块1106，用于根据所述误差图像训练集通过字典训练算法训练得到遮挡字典。
本实施例中，所述模型建立模块1102还用于根据待识别人脸图像、所述人脸属性识别字典以及遮挡字典建立属性分类模型。
在其它实施例中，所述结果得到模块1104还用于根据所述属性系数定义所述人脸属性识别字典中包括的每一类的残差，计算每一类残差值，获取残差值在指定范围内时对应的人脸属性类别，将该人脸属性类别作为所述待识别人脸图像的人脸识别结果。
关于本实施例的其它细节可以进一步地参考上述方法实施例中的描述，在此不再赘述。
根据上述实施例中的装置，通过再训练处遮挡字典，在遮挡字典和人脸属性字典的作用下可以识别人脸属性，人属性分类模型成功地克服了人脸多种属性相互干扰问题，另外，对人脸噪声和遮挡也具有鲁棒性。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种人脸属性识别方法，其特征在于，所述方法包括：
将采集得到的人脸图像训练集通过字典训练算法训练得到人脸属性识别字典，所述人脸属性识别字典中包括多个人脸的属性；
根据待识别人脸图像与所述人脸属性识别字典建立基于稀疏表示的属性分类模型，并根据所述属性分类模型求解得出稀疏表示系数；
根据所述稀疏表示系数对待识别人脸图像进行重构计算每类属性的重构误差；
获取前N个最小重构误差，将所述前N个最小重构误差对应的属性采用民主投票确定待识别人脸图像的属性结果，其中N为不小于二的自然数。
2.如权利要求1所述的人脸属性识别方法，其特征在于，所述将采集得到的人脸图像训练集通过字典训练算法训练得到人脸属性识别字典的步骤包括：
将所述人脸图像训练集使用字典训练算法训练学习得到初始人脸属性识别字典；
根据所述人脸图像训练集与所述初始人脸属性识别字典表示预估训练集误差得到鉴别保真项；
计算所述人脸图像训练集的系数矩阵的范数；
根据Fisher准则计算所述系数矩阵对应的鉴别约束项；
根据所述鉴别保真项、系数矩阵的范数及鉴别约束项计算得到鉴别字典学习模型；
对所述鉴别字典学习模型进行训练得到所述人脸属性识别字典。
3.如权利要求2所述的人脸属性识别方法，其特征在于，所述根据Fisher准则计算所述系数矩阵对应的鉴别约束项的步骤包括：
根据Fisher准则定义加权类间散布矩阵SB和加权类内散布矩阵SW；
其中，加权类间散布矩阵SB定义如下：
<mrow>
<msub>
<mi>S</mi>
<mi>B</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>C</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>C</mi>
</munderover>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>;</mo>
</mrow>
其中，C为类别数；pi为类i的先验概率；μi为第i类系数Xi的均值，w(i,j)为第i类和第j类的权值；
其中，
其中，n为向量的维数，μi(k),μj(k)分别表示第i,j类均值向量中第k个特征；γ(μi(k),μj(k))为第i类与第j类均值向量中第k个特征的关联系数，定义如下：
<mrow>
<mi>&gamma;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mrow>
<mi>M</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>j</mi>
</munder>
<munder>
<mrow>
<mi>M</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>k</mi>
</munder>
<mo>|</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mi>&rho;</mi>
<munder>
<mrow>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mi>j</mi>
</munder>
<munder>
<mrow>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mi>k</mi>
</munder>
<mo>|</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mi>&rho;</mi>
<munder>
<mrow>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mi>j</mi>
</munder>
<munder>
<mrow>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mi>k</mi>
</munder>
<mo>|</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中，加权类内散布矩阵SW定义如下：
<mrow>
<msub>
<mi>S</mi>
<mi>W</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>C</mi>
</munderover>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
</munderover>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>;</mo>
</mrow>
其中，表示第i类中第j个样本系数；
其中，
其中，参数t为经验常数；
根据所述加权类间散布矩阵SB和加权类内散布矩阵SW计算得到所述鉴别约束项，所述鉴别约束项表示为：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>t</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>W</mi>
</msub>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>t</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>B</mi>
</msub>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&eta;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>X</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>;</mo>
</mrow>
tr(·)表示矩阵的迹操作，η为常量参数，为添加的弹性项。
4.如权利要求1所述的人脸属性识别方法，其特征在于，所述根据待识别人脸图像与所述人脸属性识别字典建立基于稀疏表示的属性分类模型，并根据所述属性分类模型求解得出稀疏表示系数的步骤包括：
获取所述属性分类模型，所述属性分类模型如下：
<mrow>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mo>=</mo>
<mi>arg</mi>
<mi> </mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>{</mo>
<mo>|</mo>
<mo>|</mo>
<mi>y</mi>
<mo>-</mo>
<mi>D</mi>
<mi>x</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&gamma;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>x</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>}</mo>
<mo>,</mo>
</mrow>
其中，D表示人脸属性识别字典，y表示待识别人脸图像，x表示稀疏表示系数；
根据所述属性分类模型求解得出稀疏表示系数，具体计算步骤如下：
利用L1/2正则子的求解算法，求出稀疏表示模型的稀疏表示系数的解重写稀疏表示系数其中，系数向量对应于子字典Di；
所述根据所述稀疏表示系数对待识别人脸图像进行重构计算每类属性的重构误差的步骤包括：
根据定义每类的残差：
其中，为第i类的重构误差项，为稀疏表示系数与第i系数均值μi的距离，其中，系数均值μi在人脸属性识别字典训练时计算得到，w为预设的平衡权值。
5.如权利要求1所述的人脸属性识别方法，其特征在于，所述方法还包括：
根据采集到的遮挡训练集中的每幅遮挡图像及该遮挡图像在所述人脸属性识别字典中对应的均值图像计算得到误差图像，以得到所述遮挡训练集对应的误差图像训练集；
根据所述误差图像训练集通过字典训练算法训练得到遮挡字典。
6.如权利要求5所述的人脸属性识别方法，其特征在于，所述根据待识别人脸图像与所述人脸属性识别字典建立属性分类模型的步骤包括：
根据待识别人脸图像、所述人脸属性识别字典以及遮挡字典建立属性分类模型。
7.一种人脸属性识别装置，其特征在于，所述装置包括：
字典训练模块，用于将采集得到的人脸图像训练集通过字典训练算法训练得到人脸属性识别字典；
模型建立模块，用于根据待识别人脸图像与所述人脸属性识别字典建立基于稀疏表示的属性分类模型；
模型求解模块，用于根据所述属性分类模型求解得出稀疏表示系数；以及
属性识别模块，用于根据所述稀疏表示系数对待识别人脸图像进行重构计算每类属性的重构误差，获取前N个最小重构误差，将所述前N个最小重构误差对应的属性采用民主投票确定待识别人脸图像的属性结果，其中N为不小于二的自然数。
8.如权利要求7所述的人脸属性识别装置，其特征在于，所述字典训练模块包括：
第一训练单元，用于将所述人脸图像训练集使用字典训练算法训练学习得到初始人脸属性识别字典；
表示单元，用于根据所述人脸图像训练集与所述初始人脸属性识别字典表示预估训练集误差得到鉴别保真项；
第一计算单元，用于计算所述人脸图像训练集的系数矩阵的范数；
第二计算单元，用于根据Fisher准则计算所述系数矩阵对应的鉴别约束项；
第三计算单元，用于根据所述鉴别保真项、系数矩阵的范数及鉴别约束项计算得到鉴别字典学习模型；
第二训练单元，用于对所述鉴别字典学习模型进行训练得到所述人脸属性识别字典。
9.如权利要求7所述的人脸属性识别装置，其特征在于，所述装置还包括：
误差得到模块，用于根据采集到的遮挡训练集中的每幅遮挡图像及该遮挡图像在所述人脸属性识别字典中对应的均值图像计算得到误差图像，以得到所述遮挡训练集对应的误差图像训练集；
遮挡训练模块，用于根据所述误差图像训练集通过字典训练算法训练得到遮挡字典。
10.如权利要求9所述的人脸属性识别装置，其特征在于，所述模型建立模块还用于根据待识别人脸图像、所述人脸属性识别字典以及遮挡字典建立属性分类模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710979851.9A CN107729844A (zh) | 2017-10-19 | 2017-10-19 | 人脸属性识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710979851.9A CN107729844A (zh) | 2017-10-19 | 2017-10-19 | 人脸属性识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107729844A true CN107729844A (zh) | 2018-02-23 |
Family
ID=61212144
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710979851.9A Pending CN107729844A (zh) | 2017-10-19 | 2017-10-19 | 人脸属性识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107729844A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111353943A (zh) * | 2018-12-20 | 2020-06-30 | 杭州海康威视数字技术股份有限公司 | 一种人脸图像恢复方法、装置及可读存储介质 |
| CN111738213A (zh) * | 2020-07-20 | 2020-10-02 | 平安国际智慧城市科技股份有限公司 | 人物属性识别方法、装置、计算机设备及存储介质 |
| CN111767825A (zh) * | 2020-06-24 | 2020-10-13 | 湖北科技学院 | 一种人脸属性不变鲁棒性人脸识别方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105740903A (zh) * | 2016-01-29 | 2016-07-06 | 北京大学 | 多属性识别方法及装置 |
| CN105787423A (zh) * | 2014-12-26 | 2016-07-20 | 汉王科技股份有限公司 | 人脸图像的属性信息识别方法和装置 |
-
2017
- 2017-10-19 CN CN201710979851.9A patent/CN107729844A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787423A (zh) * | 2014-12-26 | 2016-07-20 | 汉王科技股份有限公司 | 人脸图像的属性信息识别方法和装置 |
| CN105740903A (zh) * | 2016-01-29 | 2016-07-06 | 北京大学 | 多属性识别方法及装置 |
Non-Patent Citations (8)
| Title |
|---|
| HAO ZHENG等: "Discriminative dictionary learning via Fisher discrimination K-SVD algorithm", 《NEUROCOMPUTING》 * |
| MENG YANG等: "Fisher Discrimination Dictionary Learning for Sparse Representation", 《2011 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
| MENG YANG等: "Gabor feature based robust representation and classification for face recognition with Gabor occlusion dictionary", 《PATTERN RECOGNITION》 * |
| MENG YANG等: "Sparse Representation Based Fisher Discrimination Dictionary Learning for Image Classification", 《INTERNATION JOURNAL OF COMPUTER VISION》 * |
| XIAO-YUAN JING等: "Multi-Label Dictionary Learning for Image Annotation", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| ZHUOLIN JIANG等: "Label Consistent K-SVD: Learning a Discriminative Dictionary for Recognition", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
| 巩知乐等: "因子分析判别准则的线性降维方法研究", 《计算机工程与应用》 * |
| 郝宁波等: "基于字典学习与稀疏表达分类的低质量字符识别", 《华南理工大学学报（自然科学版）》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111353943A (zh) * | 2018-12-20 | 2020-06-30 | 杭州海康威视数字技术股份有限公司 | 一种人脸图像恢复方法、装置及可读存储介质 |
| CN111353943B (zh) * | 2018-12-20 | 2023-12-26 | 杭州海康威视数字技术股份有限公司 | 一种人脸图像恢复方法、装置及可读存储介质 |
| CN111767825A (zh) * | 2020-06-24 | 2020-10-13 | 湖北科技学院 | 一种人脸属性不变鲁棒性人脸识别方法及系统 |
| CN111767825B (zh) * | 2020-06-24 | 2022-05-03 | 湖北科技学院 | 一种人脸属性不变鲁棒性人脸识别方法及系统 |
| CN111738213A (zh) * | 2020-07-20 | 2020-10-02 | 平安国际智慧城市科技股份有限公司 | 人物属性识别方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | Two-stage learning to predict human eye fixations via SDAEs | |
| Subramanian et al. | An integrated mediapipe-optimized GRU model for Indian sign language recognition | |
| Sebe et al. | Robust computer vision: Theory and applications | |
| US9239956B2 (en) | Method and apparatus for coding of eye and eye movement data | |
| Peterson et al. | Deep models of superficial face judgments | |
| WO2022188773A1 (zh) | 文本分类方法、装置、设备、计算机可读存储介质及计算机程序产品 | |
| CN105528620B (zh) | 一种联合鲁棒主成分特征学习与视觉分类方法及系统 | |
| JP5520886B2 (ja) | 行動モデル学習装置、方法、及びプログラム | |
| CN107992846A (zh) | 遮挡人脸识别方法及装置 | |
| CN111954250B (zh) | 一种轻量级Wi-Fi行为感知方法和系统 | |
| US20160306870A1 (en) | System and method for capture, classification and dimensioning of micro-expression temporal dynamic data into personal expression-relevant profile | |
| EP4024270A1 (en) | Gesture recognition method, electronic device, computer-readable storage medium, and chip | |
| CN107729844A (zh) | 人脸属性识别方法及装置 | |
| Kumar et al. | Static hand gesture recognition using stacked denoising sparse autoencoders | |
| CN108256469A (zh) | 脸部表情识别方法及装置 | |
| Shrivastava et al. | Non-linear dictionary learning with partially labeled data | |
| Hadadi et al. | Prediction of cybersickness in virtual environments using topological data analysis and machine learning | |
| CN110390307B (zh) | 表情识别方法、表情识别模型训练方法及装置 | |
| Liang et al. | Fixation prediction for advertising images: Dataset and benchmark | |
| Zhu | Pain expression recognition based on pLSA model | |
| Ju et al. | 3D-CNN-SPP: A patient risk prediction system from electronic health records via 3D CNN and spatial pyramid pooling | |
| CN113592769A (zh) | 异常图像的检测、模型的训练方法、装置、设备及介质 | |
| Xu et al. | Noise-free representation based classification and face recognition experiments | |
| Xie et al. | Wavelet kernel principal component analysis in noisy multiscale data classification | |
| CN110991294A (zh) | 一种快速构建的人脸动作单元识别方法及系统 |
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: 20180223 |