CN108154133A - 基于非对称联合学习的人脸画像-照片识别方法 - Google Patents

基于非对称联合学习的人脸画像-照片识别方法 Download PDF

Info

Publication number
CN108154133A
CN108154133A CN201810023591.2A CN201810023591A CN108154133A CN 108154133 A CN108154133 A CN 108154133A CN 201810023591 A CN201810023591 A CN 201810023591A CN 108154133 A CN108154133 A CN 108154133A
Authority
CN
China
Prior art keywords
photo
portrait
sample
training
block
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
CN201810023591.2A
Other languages
English (en)
Other versions
CN108154133B (zh
Inventor
高新波
曹兵
王楠楠
李洁
彭春蕾
朱明瑞
马卓奇
张玉倩
郝毅
刘德成
辛经纬
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN201810023591.2A priority Critical patent/CN108154133B/zh
Publication of CN108154133A publication Critical patent/CN108154133A/zh
Application granted granted Critical
Publication of CN108154133B publication Critical patent/CN108154133B/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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

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

Abstract

一种基于非对称联合学习的人脸画像‑照片识别方法。其步骤为：(1)获得训练样本集和测试样本集；(2)划分样本子集；(3)获得训练伪样本集；(4)构建非对称特征矩阵；(5)计算非对称联合学习矩阵；(6)计算画像样本与照片样本的相似度值；(7)得到识别结果。本发明使用深度卷积网络提取样本的深度特征向量，利用非对称特征矩阵计算非对称联合学习矩阵，使用非对称联合学习矩阵计算画像与照片的相似度，找出与画像相似度最大的照片作为识别结果。本发明将训练伪样本集加入训练过程，并使用非对称联合学习方法增加类内信息，能准确地识别出画像对应的照片。

Description

基于非对称联合学习的人脸画像-照片识别方法
技术领域
本发明属于图像处理技术领域，更进一步涉及模式识别与计算机视觉技术领域中的一种基于非对称联合学习的人脸画像-照片识别方法。本发明可通过所绘人脸画像检索识别与其对应的人脸照片，进而确定人脸所对应的身份。
背景技术
在刑侦追捕中，公安部门备有公民照片数据库，结合人脸识别技术用以确定犯罪嫌疑人身份，但实际中一般较难获得犯罪嫌疑人照片，但却可以通过目击者的描述下得到犯罪嫌疑人的素描人脸画像来进行后续人脸检索和识别。由于画像与普通人脸照片之间有很大的差异，直接用传统的人脸识别方法很难获取得到满意的识别效果。
C.Peng等人在其发表的论文“C.Peng,X.Gao,N.Wang,and J.Li.GraphicalRepresentation for Heterogeneous Face Recognition.IEEE Transactions onPattern Analysis and Machine Intelligence,39(2):301-312,2017”中提出了一种基于几何表示特征的人脸画像-照片识别方法。该方法利用几何表示特征分别对人脸画像和照片进行编码，然后利用人脸画像编码与人脸照片编码的距离关系检索识别人脸照片，进而确定人脸所对应的身份。该方法存在的不足之处是，在进行人脸画像编码和人脸照片编码时，由于编码特征信息不足，导致识别准确率较低。
西安电子科技大学在申请的专利文献“基于方向图模型的人脸画像合成方法”(申请号：CN201610171867.2申请日：2016.03.24申请公布号：CN105869134A)中公开了一种基于方向图模型的人脸画像合成方法，该方法共分为五步。第一步，将训练图像与输入测试图像均匀分块，对于任意测试照片块，搜索其若干近邻照片块及对应的近邻画像块。第二步，对测试照片块、近邻照片块提取方向特征。第三步，使用马尔科夫图模型对测试照片块、近邻照片块的方向特征及近邻画像块建模，求取由近邻画像块重构合成画像块的重构权值。第四步，利用重构权值与近邻画像块对应的近邻照片块重构合成伪照片块，拼接得到合成人脸伪照片。第五步，利用合成人脸伪照片检索识别人脸照片，确定人脸对应的身份信息。该方法存在的不足之处是，由于人脸画像块与人脸照片块之间的纹理信息存在差异，导致合成人脸伪照片与人脸照片间的纹理存在信息损失，因此识别准确率较低。
发明内容
本发明的目的在于针对上述已有技术的不足，提出一种基于非对称联合学习的人脸画像-照片识别方法，能够准确的识别出人脸画像对应的人脸照片。
实现本发明目的的具体步骤如下：
(1)获得训练样本集和测试样本集：
(1a)从画像-照片样本对集中，随机取出M对一一对应的画像-照片样本对，组成训练样本集，2≤M≤U-2，U表示样本集中人脸画像-照片样本对的总数；
(1b)将画像-照片样本对集中剩余的画像-照片样本对，组成测试样本集；
(2)划分样本子集：
(2a)从训练样本集中随机取出K张人脸画像，组成训练画像样本子集，2≤K≤M-2，将训练样本集中剩余的人脸画像，组成测试画像样本子集；
(2b)从训练样本集中取出与训练画像样本子集的样本一一对应的人脸照片，组成训练照片样本子集，将训练样本集中剩余的人脸照片，组成测试照片样本子集；
(3)获得训练伪样本集：
(3a)将训练照片样本子集中的样本，划分为大小相同、相互重叠的训练照片块矩阵；
(3b)对测试画像样本子集与训练画像样本子集进行联合学习，得到每个测试画像的重构系数向量，将重构系数向量中的每个元素与一一对应的训练照片块矩阵相乘，得到重构人脸照片块；
(3c)依次拼接重构人脸照片块，得到每个训练照片伪样本，将所有的训练照片伪样本组成训练照片伪样本子集；
(3d)将训练画像样本子集中的每个样本划分为大小相同、相互重叠的训练画像块矩阵；
(3e)对测试照片样本子集与训练照片样本子集进行联合学习，得到每个测试照片的重构系数向量，将重构系数向量中的每个元素与一一对应的训练画像块矩阵相乘，得到重构人脸画像块；
(3f)依次拼接重构人脸照片块，得到每个训练画像伪样本，组成训练画像伪样本子集；
(4)构建非对称特征矩阵：
(4a)分别将训练样本集、训练伪样本集中画像-照片对的每个样本，依次输入到深度卷积网络VGG-Face中，将深度卷积网络VGG-Face输出层中所有的神经元输出值，组成每个样本的深度特征向量；
(4b)将所有样本的深度特征向量，组成非对称联合学习类内特征矩阵；
(4c)将训练样本集中每个画像-照片对的画像深度特征向量与照片深度特征向量相加后取平均，将所有画像-照片对的平均向量组成非对称联合学习类间特征矩阵；
(5)计算非对称联合学习矩阵：
(5a)利用协方差公式，分别计算类内协方差矩阵和类间协方差矩阵；
(5b)利用非对称联合学习公式，计算非对称联合学习矩阵：
(6)利用非对称联合学习矩阵，计算每个画像样本与每个照片样本的相似度值：
(6a)将测试样本集中每个画像样本，依次输入到深度卷积网络VGG-Face中，将深度卷积网络VGG-Face输出层中每个神经元的输出值，组成每个测试画像样本的深度特征向量；
(6b)将测试样本集中每个照片样本，依次输入到深度卷积网络VGG-Face中，将深度卷积网络VGG-Face输出层中每个神经元的输出值，组成每个测试照片样本的深度特征向量；
(6c)根据联合相似度公式，利用非对称联合学习矩阵和测试样本的特征向量，计算测试样本集中每个画像样本和每个照片样本的相似度；
(7)从所有照片样本中，找出与每个画像样本相似度数值最大的照片样本，作为识别结果。
与现有技术相比，本发明有以下优点：
第一，由于本发明使用深度卷积网络VGG-Face输出层中每个神经元的输出值组成每个样本的深度特征向量，克服现有技术进行人脸画像编码和人脸照片编码时，编码特征信息不足的问题，使得本发明具有获取特征信息充足的优点。
第二，由于本发明使用训练样本集、训练伪样本集中的每个画像-照片对的画像特征向量和照片特征向量，组成非对称联合学习类内特征矩阵来补充类内信息，克服了现有技术由于人脸画像块与人脸照片块之间的纹理信息存在差异，导致合成人脸伪照片与人脸照片间的纹理存在信息损失的问题，使得本发明具有识别结果准确的优点。
附图说明
图1为本发明流程图。
具体实施方式
下面结合附图1对本发明作进一步地描述。
步骤1，获得训练样本集和测试样本集。
从画像-照片样本对集中，随机取出M对一一对应的画像-照片样本对，组成训练样本集，2≤M≤U-2，U表示样本集中人脸画像-照片样本对的总数。
将画像-照片样本对集中剩余的画像-照片样本对，组成测试样本集。
步骤2，划分样本子集：
从训练样本集中随机取出K张人脸画像，组成训练画像样本子集，2≤K≤M-2，将训练样本集中剩余的人脸画像，组成测试画像样本子集。
从训练样本集中取出与训练画像样本子集的样本一一对应的人脸照片，组成训练照片样本子集，将训练样本集中剩余的人脸照片，组成测试照片样本子集。
步骤3，获得训练伪样本集：
将训练照片样本子集中的样本，划分为大小相同、相互重叠的训练照片块矩阵。
对测试画像样本子集与训练画像样本子集进行联合学习，得到每个测试画像的重构系数向量，将重构系数向量中的每个元素与一一对应的训练照片块矩阵相乘，得到重构人脸照片块。
依次拼接重构人脸照片块，得到每个训练照片伪样本，将所有的训练照片伪样本组成训练照片伪样本子集。
将训练画像样本子集中的每个样本划分为大小相同、相互重叠的训练画像块矩阵。
对测试照片样本子集与训练照片样本子集进行联合学习，得到每个测试照片的重构系数向量，将重构系数向量中的每个元素与一一对应的训练画像块矩阵相乘，得到重构人脸画像块。
所述联合学习的具体步骤如下：
第一步，将测试画像或照片样本子集中的每一个测试画像或照片划分为大小相同、相互重叠的测试画像或照片块，并将每个测试画像或照片块的所有像素值，按行依次取出组成块特征向量，将所有测试画像或照片的特征向量组成测试特征向量集；
第二步，将训练画像或照片样本子集中的每一个训练画像或照片划分为大小相同、相互重叠的训练画像或照片块，并将每个训练画像或照片块的所有像素值，按行依次取出作为块特征向量；
第三步，对每个测试画像或照片块，从训练画像或照片样本子集中取出每个训练画像的相同位置的训练画像或照片块，得到的训练画像或照片块组成待选择画像或照片块集，并将待选择画像或照片块集中每个训练画像或照片块的特征向量组成待选择特征向量集；
第四步，按照下式，计算每个测试画像或照片块的重构系数：
minwi T(Fi TFi+Oj TOj)wi-2wi(Fi TSl+Oj TOj)
其中，min表示最小化操作，wi表示第i个测试画像或照片块的重构系数，T表示转置操作，Fi表示第i个测试画像或照片块的待选择测试特征向量集，Oj表示第j个待选择画像或照片块与相邻画像或照片块重叠区域的块特征向量，Sl表示第l个测试画像或照片块的块特征向量；
第五步，将全部测试画像或照片块的重构系数组成测试画像或照片重构系数向量。
依次拼接重构人脸照片块，得到每个训练画像伪样本，组成训练画像伪样本子集。
步骤4，构建非对称特征矩阵：
分别将训练样本集、训练伪样本集中画像-照片对的每个样本，依次输入到深度卷积网络VGG-Face中，将深度卷积网络VGG-Face输出层中所有的神经元输出值，组成每个样本的深度特征向量。
将所有样本的深度特征向量，组成非对称联合学习类内特征矩阵。
将训练样本集中每个画像-照片对的画像深度特征向量与照片深度特征向量相加后取平均，将所有画像-照片对的平均向量组成非对称联合学习类间特征矩阵。
步骤5，计算非对称联合学习矩阵：
利用协方差计算公式，计算类内协方差矩阵和类间协方差矩阵。
所述协方差计算公式如下：
Sμ＝E[(X-E[X])(X-E[X])T]
Sλ＝E[(Y-E[Y])(Y-E[Y])T]
其中，Sμ表示类间协方差矩阵，E表示取矩阵均值操作，X表示类间特征矩阵，T表示转置操作，Sλ表示类内协方差矩阵，Y表示类内特征矩阵。
利用非对称联合学习公式，计算非对称联合学习矩阵。
所述非对称联合学习公式如下：
其中，A表示非对称联合学习矩阵的类内相关矩阵，-1表示求逆操作，B表示非对称联合学习矩阵的类间相关矩阵。
步骤6，计算每个画像样本与每个照片样本的相似度值：
将测试样本集中每个画像样本，依次输入到深度卷积网络VGG-Face中，将深度卷积网络VGG-Face输出层中每个神经元的输出值，组成每个测试画像样本的深度特征向量。
将测试样本集中每个照片样本，依次输入到深度卷积网络VGG-Face中，将深度卷积网络VGG-Face输出层中每个神经元的输出值，组成每个测试照片样本的深度特征向量。
根据联合相似度公式，利用非对称联合学习矩阵和测试样本的特征向量，计算测试样本集中每个画像样本和每个照片样本的相似度。
所述联合相似度公式如下：
rt,p＝GtAGt+HpAHp-2GtBHp
其中，rt,p表示第t张画像样本与第p张照片样本的相似度，Gt表示第t张画像样本的深度特征向量，Hp表示第p张照片样本的深度特征向量。
步骤7，从所有照片样本中，找出与每个画像样本相似度数值最大的照片样本，作为识别结果。
步骤8，计算识别准确率：
从所有照片样本中，找出与每个画像样本相似度数值最大的照片样本，组成预测画像-照片对。
从测试样本集的画像-照片对中，找出与预测画像-照片对中画像和照片均相同的画像-照片对，组成识别样本对。
利用识别率公式，计算识别样本对的识别准确率。
所述识别率公式如下：
Accuracy＝q/(U-M)
其中，Accuracy表示识别准确率，q表示识别样本对中的样本对数。
本发明的效果通过以下仿真实验进一步说明。
1.仿真实验条件：
本发明仿真实验的计算机配置环境为Intel(R)Core i7-4790 3.6GHZ、内存16G、Windows操作系统，编程语言使用Matlab，数据库采用香港中文大学CUHK Face SketchFERET Database数据库。
本发明的仿真实验中所使用两种现有技术作为与本发明进行效果对比。
一种是基于马尔可夫权重场模型的方法，本发明的仿真实验中将该方法记为MWF；参考文献为“H.Zhou,Z.Kuang,and K.Wong.Markov Weight Fields for Face SketchSynthesis”(In Proc.IEEE Int.Conference on Computer Vision,pp.1091-1097,2012)；
另一种是基于高斯差分二值化特征的方法，本发明的仿真实验中将记为LDoGBP；参考文献为“A.Alex,V.Asari,and A.Mathew.Local difference of Gaussian binarypattern:robust features for face sketch recognition”(In Proc.IEEEInt.Conference on Systems,Man,and Cybernetics,pp.1211-1216,2013)；
2.仿真实验内容及其结果分析：
本发明共有一组仿真实验。
根据本发明具体实施方式所述，利用本发明与马尔可夫权重场模型MWF方法和高斯差分二值化特征LDoGBP方法，计算香港中文大学CUHK Face Sketch FERET Database数据库中人脸画像和人脸照片的识别准确率。
表1人脸画像-照片识别准确率统计表
本发明的仿真实验结果如表1所示，在香港中文大学CUHK Face Sketch FERETDatabase数据库上，本发明的识别准确率较两个对比方法的识别准确率更高，所以本发明是三种方法中效果最好的。这是因为本发明使用非对称联合学习方法分别从训练样本集与训练伪样本集的所有样本中获取类内信息，所以克服了信息损失的问题。

Claims (5)

1.一种基于非对称联合学习的人脸画像-照片识别方法，其特征在于，包括如下步骤：
(1)获得训练样本集和测试样本集：
(1a)从画像-照片样本对集中，随机取出M对一一对应的画像-照片样本对，组成训练样本集，2≤M≤U-2，U表示样本集中人脸画像-照片样本对的总数；
(1b)将画像-照片样本对集中剩余的画像-照片样本对，组成测试样本集；
(2)划分样本子集：
(2a)从训练样本集中随机取出K张人脸画像，组成训练画像样本子集，2≤K≤M-2，将训练样本集中剩余的人脸画像，组成测试画像样本子集；
(2b)从训练样本集中取出与训练画像样本子集的样本一一对应的人脸照片，组成训练照片样本子集，将训练样本集中剩余的人脸照片，组成测试照片样本子集；
(3)获得训练伪样本集：
(3a)将训练照片样本子集中的样本，划分为大小相同、相互重叠的训练照片块矩阵；
(3b)对测试画像样本子集与训练画像样本子集进行联合学习，得到每个测试画像的重构系数向量，将重构系数向量中的每个元素与一一对应的训练照片块矩阵相乘，得到重构人脸照片块；
(3c)依次拼接重构人脸照片块，得到每个训练照片伪样本，将所有的训练照片伪样本组成训练照片伪样本子集；
(3d)将训练画像样本子集中的每个样本划分为大小相同、相互重叠的训练画像块矩阵；
(3e)对测试照片样本子集与训练照片样本子集进行联合学习，得到每个测试照片的重构系数向量，将重构系数向量中的每个元素与一一对应的训练画像块矩阵相乘，得到重构人脸画像块；
(3f)依次拼接重构人脸照片块，得到每个训练画像伪样本，组成训练画像伪样本子集；
(4)构建非对称特征矩阵：
(4a)分别将训练样本集、训练伪样本集中画像-照片对的每个样本，依次输入到深度卷积网络VGG-Face中，将深度卷积网络VGG-Face输出层中所有的神经元输出值，组成每个样本的深度特征向量；
(4b)将所有样本的深度特征向量，组成非对称联合学习类内特征矩阵；
(4c)将训练样本集中每个画像-照片对的画像深度特征向量与照片深度特征向量相加后取平均，将所有画像-照片对的平均向量组成非对称联合学习类间特征矩阵；
(5)计算非对称联合学习矩阵：
(5a)利用协方差公式，分别计算类内协方差矩阵和类间协方差矩阵；
(5b)利用非对称联合学习公式，计算非对称联合学习矩阵：
(6)利用非对称联合学习矩阵，计算每个画像样本与每个照片样本的相似度值：
(6a)将测试样本集中每个画像样本，依次输入到深度卷积网络VGG-Face中，将深度卷积网络VGG-Face输出层中每个神经元的输出值，组成每个测试画像样本的深度特征向量；
(6b)将测试样本集中每个照片样本，依次输入到深度卷积网络VGG-Face中，将深度卷积网络VGG-Face输出层中每个神经元的输出值，组成每个测试照片样本的深度特征向量；
(6c)根据联合相似度公式，利用非对称联合学习矩阵和测试样本的特征向量，计算测试样本集中每个画像样本和每个照片样本的相似度；
(7)从所有照片样本中，找出与每个画像样本相似度数值最大的照片样本，作为识别结果。
2.根据权利要求1所述的基于非对称联合学习的人脸画像-照片识别方法，其特征在于：步骤(3b)、步骤(3e)中所述联合学习的具体步骤如下：
第一步，将测试画像或照片样本子集中的每一个测试画像或照片划分为大小相同、相互重叠的测试画像或照片块，并将每个测试画像或照片块的所有像素值，按行依次取出组成块特征向量，将所有测试画像或照片的特征向量组成测试特征向量集；
第二步，将训练画像或照片样本子集中的每一个训练画像或照片划分为大小相同、相互重叠的训练画像或照片块，并将每个训练画像或照片块的所有像素值，按行依次取出作为块特征向量；
第三步，对每个测试画像或照片块，从训练画像或照片样本子集中取出每个训练画像的相同位置的训练画像或照片块，得到的训练画像或照片块组成待选择画像或照片块集，并将待选择画像或照片块集中每个训练画像或照片块的特征向量组成待选择特征向量集；
第四步，按照下式，计算每个测试画像或照片块的重构系数：
其中，min表示最小化操作，wi表示第i个测试画像或照片块的重构系数，T表示转置操作，Fi表示第i个测试画像或照片块的待选择测试特征向量集，Oj表示第j个待选择画像或照片块与相邻画像或照片块重叠区域的块特征向量，Sl表示第l个测试画像或照片块的块特征向量；
第五步，将全部测试画像或照片块的重构系数组成测试画像或照片重构系数向量。
3.根据权利要求1所述的基于非对称联合学习的人脸画像-照片识别方法，其特征在于：步骤(5a)中所述协方差公式如下：
Sμ＝E[(X-E[X])(X-E[X])T]
Sλ＝E[(Y-E[Y])(Y-E[Y])T]
其中，Sμ表示类间协方差矩阵，E表示取矩阵均值操作，X表示类间特征矩阵，T表示转置操作，Sλ表示类内协方差矩阵，Y表示类内特征矩阵。
4.根据权利要求1所述的基于非对称联合学习的人脸画像-照片识别方法，其特征在于：步骤(5b)中所述非对称联合学习公式如下：
其中，A表示非对称联合学习矩阵的类内相关矩阵，-1表示求逆操作，B表示非对称联合学习矩阵的类间相关矩阵。
5.根据权利要求1所述的基于非对称联合学习的人脸画像-照片识别方法，其特征在于：步骤(6c)中所述联合相似度公式如下：
rt,p＝GtAGt+HpAHp-2GtBHp
其中，rt,p表示第t张画像样本与第p张照片样本的相似度，Gt表示第t张画像样本的深度特征向量，Hp表示第p张照片样本的深度特征向量。
CN201810023591.2A 2018-01-10 2018-01-10 基于非对称联合学习的人脸画像-照片识别方法 Active CN108154133B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810023591.2A CN108154133B (zh) 2018-01-10 2018-01-10 基于非对称联合学习的人脸画像-照片识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810023591.2A CN108154133B (zh) 2018-01-10 2018-01-10 基于非对称联合学习的人脸画像-照片识别方法

Publications (2)

Publication Number Publication Date
CN108154133A true CN108154133A (zh) 2018-06-12
CN108154133B CN108154133B (zh) 2020-04-14

Family

ID=62461197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810023591.2A Active CN108154133B (zh) 2018-01-10 2018-01-10 基于非对称联合学习的人脸画像-照片识别方法

Country Status (1)

Country Link
CN (1) CN108154133B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145704A (zh) * 2018-06-14 2019-01-04 西安电子科技大学 一种基于人脸属性的人脸画像识别方法
CN109359541A (zh) * 2018-09-17 2019-02-19 南京邮电大学 一种基于深度迁移学习的素描人脸识别方法
CN110188651A (zh) * 2019-05-24 2019-08-30 西安电子科技大学 基于深度概率图模型的人脸画像合成方法
WO2020019451A1 (zh) * 2018-07-27 2020-01-30 平安科技（深圳）有限公司 人脸识别方法、装置、计算机设备及存储介质
CN111079549A (zh) * 2019-11-22 2020-04-28 杭州电子科技大学 一种利用门控融合判别特征进行漫画人脸识别的方法
CN111401277A (zh) * 2020-03-20 2020-07-10 深圳前海微众银行股份有限公司 人脸识别模型更新方法、装置、设备和介质
WO2023018369A3 (en) * 2021-08-13 2023-04-13 Lemon Inc. Asymmetric facial expression recognition

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103902991A (zh) * 2014-04-24 2014-07-02 西安电子科技大学 基于法医素描的人脸识别方法
CN105138951A (zh) * 2015-07-08 2015-12-09 西安电子科技大学 基于图模型表示的人脸画像-照片识别方法
US20160210550A1 (en) * 2015-01-20 2016-07-21 Nomizo, Inc. Cloud-based neural networks
CN105844605A (zh) * 2016-03-17 2016-08-10 西安电子科技大学 基于自适应表示的人脸画像合成方法
CN105869134A (zh) * 2016-03-24 2016-08-17 西安电子科技大学 基于方向图模型的人脸画像合成方法
CN107392213A (zh) * 2017-07-21 2017-11-24 西安电子科技大学 基于深度图模型特征学习的人脸画像合成方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103902991A (zh) * 2014-04-24 2014-07-02 西安电子科技大学 基于法医素描的人脸识别方法
US20160210550A1 (en) * 2015-01-20 2016-07-21 Nomizo, Inc. Cloud-based neural networks
CN105138951A (zh) * 2015-07-08 2015-12-09 西安电子科技大学 基于图模型表示的人脸画像-照片识别方法
CN105844605A (zh) * 2016-03-17 2016-08-10 西安电子科技大学 基于自适应表示的人脸画像合成方法
CN105869134A (zh) * 2016-03-24 2016-08-17 西安电子科技大学 基于方向图模型的人脸画像合成方法
CN107392213A (zh) * 2017-07-21 2017-11-24 西安电子科技大学 基于深度图模型特征学习的人脸画像合成方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHUNLEI PENG 等: "Graphical Representation for Heterogeneous Face Recognition", 《 IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
DONG CHEN 等: "An Efficient Joint Formulation for Bayesian Face Verification", 《 IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
HAILIN SHI 等: "Cross-Modality Face Recognition via Heterogeneous Joint Bayesian", 《IEEE SIGNAL PROCESSING LETTERS》 *
刘超颖 等: "基于深度自编码网络的异质人脸识别", 《计算机应用与软件》 *
王楠楠: "异质人脸图像合成及其应用研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145704A (zh) * 2018-06-14 2019-01-04 西安电子科技大学 一种基于人脸属性的人脸画像识别方法
CN109145704B (zh) * 2018-06-14 2022-02-22 西安电子科技大学 一种基于人脸属性的人脸画像识别方法
WO2020019451A1 (zh) * 2018-07-27 2020-01-30 平安科技（深圳）有限公司 人脸识别方法、装置、计算机设备及存储介质
CN109359541A (zh) * 2018-09-17 2019-02-19 南京邮电大学 一种基于深度迁移学习的素描人脸识别方法
CN110188651A (zh) * 2019-05-24 2019-08-30 西安电子科技大学 基于深度概率图模型的人脸画像合成方法
CN111079549A (zh) * 2019-11-22 2020-04-28 杭州电子科技大学 一种利用门控融合判别特征进行漫画人脸识别的方法
CN111079549B (zh) * 2019-11-22 2023-09-22 杭州电子科技大学 一种利用门控融合判别特征进行漫画人脸识别的方法
CN111401277A (zh) * 2020-03-20 2020-07-10 深圳前海微众银行股份有限公司 人脸识别模型更新方法、装置、设备和介质
WO2023018369A3 (en) * 2021-08-13 2023-04-13 Lemon Inc. Asymmetric facial expression recognition
US12112573B2 (en) 2021-08-13 2024-10-08 Lemon Inc. Asymmetric facial expression recognition

Also Published As

Publication number Publication date
CN108154133B (zh) 2020-04-14

Similar Documents

Publication Publication Date Title
CN108154133A (zh) 基于非对称联合学习的人脸画像-照片识别方法
CN111259850B (zh) 一种融合随机批掩膜和多尺度表征学习的行人重识别方法
CN111709311B (zh) 一种基于多尺度卷积特征融合的行人重识别方法
Huo et al. Deep age distribution learning for apparent age estimation
CN104063719B (zh) 基于深度卷积网络的行人检测方法及装置
CN108304788A (zh) 基于深度神经网络的人脸识别方法
CN108764308A (zh) 一种基于卷积循环网络的行人重识别方法
CN108830188A (zh) 基于深度学习的车辆检测方法
CN106228142A (zh) 基于卷积神经网络和贝叶斯决策的人脸验证方法
Ming et al. Simple triplet loss based on intra/inter-class metric learning for face verification
CN108564049A (zh) 一种基于深度学习的快速人脸检测识别方法
CN106909938B (zh) 基于深度学习网络的视角无关性行为识别方法
CN107463920A (zh) 一种消除局部遮挡物影响的人脸识别方法
Zhang et al. A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data
CN106529499A (zh) 基于傅里叶描述子和步态能量图融合特征的步态识别方法
CN108921019A (zh) 一种基于GEI和TripletLoss-DenseNet的步态识别方法
CN108492298A (zh) 基于生成对抗网络的多光谱图像变化检测方法
CN110097029A (zh) 基于Highway网络多视角步态识别的身份认证方法
CN105138951B (zh) 基于图模型表示的人脸画像-照片识别方法
John et al. A comparative study of various object detection algorithms and performance analysis
CN103268607A (zh) 一种弱监督条件下的共同对象检测方法
CN115966010A (zh) 一种基于注意力和多尺度特征融合的表情识别方法
CN109948527A (zh) 基于集成深度学习的小样本太赫兹图像异物检测方法
CN110490028A (zh) 基于深度学习的人脸识别网络训练方法、设备及存储介质
CN111428650A (zh) 一种基于sp-pggan风格迁移的行人重识别方法

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
GR01 Patent grant
GR01 Patent grant