CN108182429B - 基于对称性的人脸图像特征提取的方法及装置 - Google Patents

基于对称性的人脸图像特征提取的方法及装置 Download PDF

Info

Publication number
CN108182429B
CN108182429B CN201810101483.2A CN201810101483A CN108182429B CN 108182429 B CN108182429 B CN 108182429B CN 201810101483 A CN201810101483 A CN 201810101483A CN 108182429 B CN108182429 B CN 108182429B
Authority
CN
China
Prior art keywords
face
image
representing
low
dimensional projection
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.)
Active
Application number
CN201810101483.2A
Other languages
English (en)
Other versions
CN108182429A (zh
Inventor
米建勋
孙月如
李林洁
邓力
李佳其
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201810101483.2A priority Critical patent/CN108182429B/zh
Publication of CN108182429A publication Critical patent/CN108182429A/zh
Application granted granted Critical
Publication of CN108182429B publication Critical patent/CN108182429B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及数据处理领域，具体涉及一种基于对称性的人脸图像特征提取的方法及装置，所述方法包括：根据人脸的对称性，将预先存储的人脸样本分成左半脸和右半脸，并转化为向量的形式；利用人脸样本的左半脸和右半脸，根据目标函数交替迭代计算求得每张人脸样本的左半脸的低维投影空间及左右脸的残差；利用左半脸对应的低维投影空间及左右脸的残差，得到每张人脸样本的重构图像；判断低维投影空间重构图像与人脸样本的残差是否小于残差阈值，若是则结束运算得到满足残差阈值的左半脸的低维投影空间和左右脸的残差；本发明可以结合人脸左右对称的结构特性，减少了存储空间，降低了人脸图片的重构误差。

Description

基于对称性的人脸图像特征提取的方法及装置
技术领域
本发明涉及数据处理领域，具体涉及一种基于对称性的人脸图像特征提取的方法及装置。
背景技术
人脸图像的特征提取技术是人脸识别的一个重要发展方向，目前该技术仍然面临多方面的挑战。其中就包括面部图像会随着表情、光照、姿态的变换，使得学习到的低维投影空间重构出来的人脸图像还原度较低。
利用图像学习线性表达输入得到该图像对应的低维投影空间是目前比较流行的学习原始图像的低维投影空间的方法。这些方法需要存储整张图像信息，并且学习出来的低维投影空间维度一般比较大，需要较大的存储空间。
发明内容
针对上述问题，本发明提供了一种基于对称性的人脸图像特征提取的方法及装置，如图1，所述方法包括：
S1、根据人脸的对称性，将预先存储的人脸样本图像分成左半脸和右半脸，并转化为向量的形式；
S2、利用人脸图像的左半脸和右半脸，根据目标函数交替迭代计算求得每张人脸样本图像的左半脸的低维投影空间及左右半的残差；
S3、利用求得的左半脸对应的低维投影空间及左右脸的残差，得到每张人脸样本图像的重构图像；
S4、判断低维投影空间重构图像与人脸样本的残差是否小于残差阈值，若是则结束运算得到满足残差阈值的左半脸的低维投影空间和左右脸的残差，并利用左半脸的低维投影空间对人脸样本的进行特征提取；否则返回S2。
优选的，目标函数的计算包括：
Figure GDA0003355507300000021
其中，En表示含有N张人脸样本的图像集需要满足的优化目标函数，该函数优化目标分为三个部分：第一部分为(a)表示约束第i张人脸样本的左脸重构误差，第二部分为(b)约束第i张人脸样本的右脸重构误差，第三部分为(c)表示左右脸残差的稀疏度约束；
Figure GDA0003355507300000022
表示第i个人脸样本的左半脸的线性空间模型，
Figure GDA0003355507300000023
表示第i个人脸样本的左半脸在低维投影空间的重构图像的线性空间模型，
Figure GDA0003355507300000024
表示第i个人脸样本的右半脸的镜像的线性空间模型，
Figure GDA0003355507300000025
表示第i个人脸样本的右半脸在低维投影空间的重构脸的镜像的线性空间模型，ei表示第i个人脸样本的左右脸残差，λ1表示约束右脸重构误差的系数，λ2表示左右脸残差稀疏度的系数，
Figure GDA0003355507300000026
表示向量的二范数，||·||1表示向量的一范数，N表示图像集的数量。
优选的，左半脸在低维投影空间的重构脸所构成的线性空间模型
Figure GDA0003355507300000027
的计算为：
Figure GDA0003355507300000028
其中，WL表示第i张人脸样本的左半脸的低维投影空间，上标T表示转置矩阵。
优选的，第i个人脸样本的左右脸残差ei的表示为：
Figure GDA0003355507300000029
优选的，第i个人脸样本的右半脸在低维投影空间的重构图像的镜像的线性空间模型
Figure GDA00033555073000000210
的计算包括：
使用第i个人脸样本左半脸的镜像的线性空间模型来替换第i个人脸样本右半脸在低维投影空间的重构脸的镜像的线性空间模型，具体可以表示为：
Figure GDA0003355507300000031
一种基于对称性的人脸图像特征提取的装置，如图2，包括存储模块、计算模块、重构模块、获取模块和判断模块：
存储模块，用于存储根据人脸结构的对称性分别左右脸并转化成向量的形式的人脸样本和经过处理的人脸样本图像特征，所述人脸样本图像特征包括左半脸的特征和右半脸的残差；
计算模块，用于针对人脸样本，计算目标函数的最小值成立的时候得到的每张人脸样本的左半脸的低维投影空间及左半脸和右半脸的残差；
重构模块，用于利用每张人脸样本图像的左半脸和所述人脸样本的左半脸对应的低维投影空间、以及左半脸和右半脸的残差，分别重构所述人脸样本，得到每张人脸样本的重构人脸图像；
获取模块，用于根据每张人脸样本的左半脸对应的重构人脸图像和人脸样本，得到每张人脸样本对应的残差向量；
判断模块，用于判断获取模块得到残差向量与残差阈值的关系，同时保证左半脸和右半脸的残差尽可能稀疏，并将满足获取模块得到残差向量与残差阈值的关系的左半脸的低维投影空间及左半脸和右半脸的残差存储在存储模块；
转化模块，用于根据得到的左半脸的低维投影空间及左半脸和右半脸的残差转化为人脸重构图像。
本发明提供一种基于对称性的人脸图像特征提取的方法及装置，可以结合人脸左右对称的结构特性，减少存储空间，降低了人脸图片的重构误差。
附图说明
图1为本发明提供的基于对称性的人脸图像特征提取的方法流程图；
图2为本发明提供的基于对称性的人脸图像特征提取的装置结构图；
图3为本发明基于对称性的人脸图像特征提取人脸的方法的人脸重建过程；
图4为本发明实施例中的人脸样本图像；
图5为根据本发明的方法得到的重构图片；
图6为本发明提供的基于对称性的人脸图像特征提取的方法与传统图像重构方法的重构误差对比图。
具体实施方式
为了传统人脸识别中图像存储空间较大的问题，本发明提出一种人脸识别的方法及装置来减少存储空间。下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
一种基于对称性的人脸图像特征提取的方法及装置，如图1，所述方法包括：
S1、根据人脸的对称性，将预先存储的人脸样本分成左半脸和右半脸，并转化为向量的形式；
S2、利用人脸图像的左半脸和右半脸，根据目标函数交替迭代计算求得每张人脸样本的左半脸的低维投影空间及左右脸的残差；
S3、利用求得的左半脸对应的低维投影空间及左右脸的残差，得到每张人脸样本的重构图像；
S4、判断低维投影空间重构图像与人脸样本的残差是否小于残差阈值，若是则结束运算得到满足残差阈值的左半脸的低维投影空间和左右脸的残差，并利用左半脸的低维投影空间对人脸样本进行特征提取；否则返回S2。
优选的，目标函数包括：
Figure GDA0003355507300000041
其中，En表示含有N张人脸样本的集需要满足的优化目标函数，该函数优化目标分为三个部分：第一部分为(a)表示约束第i张人脸样本的左脸重构误差，第二部分为(b)约束第i张人脸样本的右脸重构误差，第三部分为(c)表示左右脸残差的稀疏度约束；
Figure GDA0003355507300000042
表示第i个人脸样本的左半脸的线性空间模型，
Figure GDA0003355507300000043
表示第i个人脸样本的左半脸在低维投影空间的重构图像的线性空间模型，
Figure GDA0003355507300000051
表示第i个人脸样本的右半脸的镜像的线性空间模型，
Figure GDA0003355507300000052
表示第i个人脸样本的右半脸在低维投影空间的重构脸的镜像的线性空间模型，ei表示第i个人脸样本的左右脸残差，λ1表示约束右脸重构误差的系数，λ2表示左右脸残差稀疏度的系数，
Figure GDA0003355507300000053
表示向量的二范数，||·||1表示向量的一范数，N表示图像集的数量。
优选的，第i个人脸样本的右半脸在低维投影空间的重构图像的镜像的线性空间模型
Figure GDA0003355507300000054
的计算包括：
使用第i个人脸样本左半脸的镜像的线性空间模型来替换第i个人脸样本右半脸在低维投影空间的重构脸的镜像的线性空间模型，具体可以表示为：
Figure GDA0003355507300000055
其中，
Figure GDA0003355507300000056
表示第i个人脸样本左半脸的镜像的线性空间模型。
由上述内容知道，
Figure GDA0003355507300000057
所以目标函数可以表示为：
Figure GDA0003355507300000058
进一步的，根据主成分分析(Principal Component Analysis，PCA)理论，可以得到人脸样本点
Figure GDA0003355507300000059
在新空间中超平面的投影，基于此来重构
Figure GDA00033555073000000510
可以得到：
Figure GDA00033555073000000511
其中，左半脸的低维投影空间
Figure GDA00033555073000000512
Figure GDA00033555073000000513
表示(WL)T中的第i个元素，WL要满足约束条件WL(WL)T＝I。
此时，目标函数可以表示为：
Figure GDA00033555073000000514
计算左半脸的低维投影空间和左右脸的残差的过程，可以采用交替迭代计算，即首先固定左右脸的残差，再计算左半脸的低维投影空间，然后固定左半脸的低维投影空间计算左右脸的残差，再利用得到的左半脸的低维投影空间和左右脸的残差重构图像，计算重构图像与人脸样本的残差，若是小于残差阈值，则输出此时的左半脸的低维投影空间和左右脸的残差，否则继续进行迭代。
可以理解的是，本发明为了方便理解和描述，采用求取左半脸的低维投影空间和左右脸的残差，但是也可以求取右半脸的特征向量和左右脸的残差。
如图3，将人脸样本分为左半脸和右半脸，将左半脸的二维矩阵拉成列向量，得到第i张人脸样本的左半脸列向量
Figure GDA0003355507300000061
和，第i张人脸样本的右半脸的镜像图片构成的列向量
Figure GDA0003355507300000062
，并代入目标函数，交替迭代计算出左半脸的低维投影空间WL和左右脸的残差ei，并根据左半脸的低维投影空间WL和左右脸的残差ei重建图片得到重构图片，重建图片的过程，如图3，包括：
使用左半脸的低维投影空间WL得到左脸的重构图片，表示为：
Figure GDA0003355507300000063
利用得到的左脸重构图片
Figure GDA0003355507300000064
和左右脸的残差ei得到镜像重构图片，表示为：
Figure GDA0003355507300000065
将得到的镜像重构图片翻转，并与左脸重构图片拼合，得到如图5的重构图片。
当人脸样本的重构图像与人脸图像的残差小于残差阈值时，可以得到最终的左半脸的低维投影空间WL和左右脸的残差ei，利用此时的左半脸的低维投影空间对人脸样本进行特征提取，包括：
Figure GDA0003355507300000066
其中，
Figure GDA0003355507300000067
表示第i张人脸样本图像的左半脸特征，WL表示第i张人图像的左半脸的低维投影空间，上标T表示转置矩阵，
Figure GDA0003355507300000068
表示第i个人脸样本图像的左半脸的线性空间模型。
一种基于对称性的人脸图像特征提取的装置，如图2，包括存储模块、计算模块、重构模块、获取模块和判断模块：
存储模块，用于存储根据人脸结构的对称性分别左右脸并转化成向量的形式的人脸样本和经过处理的人脸样本图像特征，所述人脸样本图像特征包括左半脸的低维投影空间及左右半的残差；
计算模块，用于针对人脸样本，计算目标函数的最小值成立的时候得到的每张人脸样本的左半脸的低维投影空间及左半脸和右半脸的残差；
重构模块，用于利用每张人脸样本的左半脸和所述人脸样本的左半脸对应的低维投影空间、以及左右脸的残差，分别重构左右脸，得到每张人脸样本的重构人脸图像；
获取模块，用于根据每张人脸样本的左半脸对应的重构人脸样本和人脸样本，得到人脸样本的残差向量；
判断模块，用于判断获取模块得到残差向量与残差阈值的关系，同时保证左半脸和右半脸的残差尽可能稀疏，并将满足获取模块得到残差向量与残差阈值的关系的左半脸的低维投影空间及左右脸的残差存储在存储模块；
转化模块，用于根据得到的左半脸的低维投影空间及左半脸和右半脸的残差转化为重构人脸图像。
优选的，计算模块中的目标函数表示为：
Figure GDA0003355507300000071
进一步的，目标函数中人脸样本中第i个人脸样本的左右脸残差ei的表示为：
Figure GDA0003355507300000072
进一步的，目标函数中左半脸在低维投影空间的重构脸的线性空间模型
Figure GDA0003355507300000073
的表示为：
Figure GDA0003355507300000074
进一步的，使用第i个人脸样本左半脸的镜像的线性空间模型来替换第i个人脸样本右半脸在低维投影空间的重构脸的镜像的线性空间模型，具体可以表示为：
Figure GDA0003355507300000081
进一步的，从人脸样本中提取左半脸的特征表示为：
Figure GDA0003355507300000082
其中，WL表示第i张人图像的左半脸的低维投影空间，上标T表示转置矩阵，
Figure GDA0003355507300000083
表示第i个人脸样本的左半脸的线性空间模型。
本专利在保存图像特征的同时减少图像的存储空间，图4为人脸样本，图5为利用本专利的方案使用左半脸的低维投影空间WL和左右脸的残差ei恢复的重构图像；对比图4和图5可以发现以人眼的分辨率，几乎分辨不出人脸样本和人脸样本的重构图像有什么不同；图6为本发明提供的基于对称性的人脸图像特征提取的方法与传统图像重构方法的重构误差对比图，从图6可以看出，本发明的重构误差与传统使用PCA方法的特征提取方法相比明显较小，提高了重构图像的质量，使得重构图像在人的视觉中与人脸样本没有明显的偏差；从存储的特征向量大小来看，本发明只需存储左半脸的低维投影空间WL，与传统特征提取的方法特征向量的存储空间相比节省了50％的存储空间，且左右脸的残差ei是一个稀疏矩阵，可以通过数据结构中的特殊矩阵的存储方法来压缩存储空间，整体来说本发明与现有特征提取的方法相比，大量减少了人脸样本的存储空间，降低了人脸样本的重构误差。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于对称性的人脸图像特征提取的方法，其特征在于，包括：
S1、预先储存一组含有多个类别的人脸样本，每个类别包括至少一张人脸样本；根据人脸的对称性，将预先存储的人脸样本分成左半脸和右半脸，并转化为向量的形式；
S2、利用人脸样本的左半脸和右半脸，根据目标函数交替迭代计算求得每张人脸样本图像的左半脸的低维投影空间及左右脸残差；
S3、利用左半脸的低维投影空间及左右脸的残差，得到每张人脸样本图像的重构图像；
S4、判断人脸样本的重构图像与人脸图像的残差是否小于残差阈值，若是，则结束运算并得到满足残差阈值的左半脸的低维投影空间和左右脸残差，并利用左半脸的低维投影空间对人脸样本进行特征提取；否则，返回S2。
2.根据权利要求1所述的基于对称性的人脸图像特征提取的方法，其特征在于，步骤S2中的目标函数为：
Figure FDA0003355507290000011
其中，En表示含有N张人脸样本图像的图像集需要满足的优化目标函数，该函数优化目标分为三个部分：第一部分为(a)表示约束第i张人脸样本的左脸重构误差，第二部分为(b)表示约束第i张人脸样本的右脸重构误差，第三部分为(c)表示左右脸残差的稀疏度约束；
Figure FDA0003355507290000012
表示第i个人脸样本图像的左半脸的线性空间模型，
Figure FDA0003355507290000013
表示第i个人脸样本图像的左半脸在低维投影空间的重构图像的线性空间模型，
Figure FDA0003355507290000014
表示第i个人脸样本图像的右半脸的镜像的线性空间模型，
Figure FDA0003355507290000015
表示第i个人脸样本图像的右半脸在低维投影空间的重构图像的镜像的线性空间模型，ei表示第i个人脸样本图像的左右脸残差，λ1表示约束右脸重构误差的系数，λ2表示左右脸残差稀疏度的系数，
Figure FDA0003355507290000016
表示向量的二范数，||·||1表示向量的一范数，N表示图像集的数量。
3.根据权利要求2所述的基于对称性的人脸图像特征提取的方法，其特征在于，所述第i个人脸样本图像的右半脸在低维投影空间的重构图像的镜像的线性空间模型
Figure FDA0003355507290000021
的计算包括：
使用第i个人脸样本图像左半脸的镜像的线性空间模型来替换第i个人脸样本图像右半脸在低维投影空间的重构脸的镜像的线性空间模型，具体可以表示为：
Figure FDA0003355507290000022
4.根据权利要求1所述的基于对称性的人脸图像特征提取的方法，其特征在于，所述利用左半脸的低维投影空间和左右脸的残差得到重构图片包括：
使用左半脸的低维投影空间WL得到左脸的重构图片，表示为：
Figure FDA0003355507290000023
利用得到的左脸重构图片
Figure FDA0003355507290000024
和左右脸的残差ei得到镜像重构图片，表示为：
Figure FDA0003355507290000025
将得到的镜像重构图片镜像翻转，并与左脸重构图片拼合，得到重构图片；
其中，
Figure FDA0003355507290000026
表示第i个人脸样本图像的左半脸的线性空间模型，
Figure FDA0003355507290000027
表示第i个人脸样本图像的左半脸在低维投影空间的重构图像的线性空间模型，
Figure FDA0003355507290000028
表示第i个人脸样本图像的右半脸在低维投影空间的重构图像的镜像的线性空间模型，ei表示第i个人脸样本图像的左右脸残差，上标T表示转置矩阵。
5.根据权利要求1所述的基于对称性的人脸图像特征提取的方法，其特征在于，所述利用左半脸的低维投影空间和左右脸残差对人脸样本进行特征提取包括：
Figure FDA0003355507290000029
其中，
Figure FDA00033555072900000210
表示第i张人脸样本图像的左半脸特征，WL表示第i张人图像的左半脸的低维投影空间，上标T表示转置矩阵，
Figure FDA00033555072900000211
表示第i个人脸样本的左半脸的线性空间模型。
6.基于对称性的人脸图像特征提取的装置，其特征在于，所述装置包括存储模块、计算模块、重构模块、获取模块和判断模块，其中：
存储模块，用于存储根据人脸样本结构的对称性分别左右脸并转化成向量的形式的人脸样本和经过处理的人脸样本图特征，所述人脸样本图像特征包括左半脸的特征及左右脸的残差；
计算模块，用于针对人脸样本，计算目标函数的最小值成立的时候得到的每张人脸样本图像的左半脸的低维投影空间及左右脸的残差；
重构模块，用于利用人脸样本的左半脸的低维投影空间以及左右脸的残差，得到人脸样本的重构图像；
获取模块，用于得到人脸样本的左半脸对应的重构图像和所述的人脸样本图像对应的残差向量；
判断模块，用于判断获取模块得到残差向量与残差阈值的关系，保证左右残差尽可能稀疏，并将满足获取模块得到残差向量与残差阈值的关系的左半脸的低维投影空间及左右脸的残差存储在存储模块；
转化模块，用于根据得到的左半脸的低维投影空间及左右脸的残差转化为重构人脸样本图像。
7.根据权利要求6所述的基于对称性的人脸图像特征提取的装置，其特征在于，计算模块中的目标函数表示为：
Figure FDA0003355507290000031
其中，En表示含有N张人脸样本的图像集需要满足的优化目标函数，该函数优化目标分为三个部分：第一部分为(a)表示约束第i张人脸样本的左脸重构误差，第二部分为(b)约束第i张人脸样本的右脸重构误差，第三部分为(c)表示左右脸残差的稀疏度约束；
Figure FDA0003355507290000032
表示第i个人脸样本的左半脸的线性空间模型，
Figure FDA0003355507290000033
表示第i个人脸样本的左半脸在低维投影空间的重构图像的线性空间模型，
Figure FDA0003355507290000034
表示第i个人脸样本的右半脸的镜像的线性空间模型，
Figure FDA0003355507290000035
表示第i个人脸样本的右半脸在低维投影空间的重构图像的镜像的线性空间模型，ei表示第i个人脸样本的左右脸残差，λ1表示约束右脸重构误差的系数，λ2表示左右脸残差稀疏度的系数，
Figure FDA0003355507290000041
表示向量的二范数，||·||1表示向量的一范数，N表示图像集的数量。
8.根据权利要求7所述的基于对称性的人脸图像特征提取的装置，其特征在于，所述第i个人脸样本的右边脸在低维投影空间的重构图像的镜像的线性空间模型
Figure FDA0003355507290000042
的计算包括：
使用第i个人脸样本图像左半脸的镜像的线性空间模型来替换第i个人脸样本右半脸在低维投影空间的重构脸的镜像的线性空间模型，具体可以表示为：
Figure FDA0003355507290000043
9.根据权利要求6所述的基于对称性的人脸图像特征提取的装置，其特征在于，利用左半脸的低维投影空间和左右脸的残差得到重构图片包括：
使用左半脸的低维投影空间WL得到左脸的重构图片，表示为：
Figure FDA0003355507290000044
利用得到的左脸重构图片
Figure FDA0003355507290000045
和左右脸的残差ei得到镜像重构图片，表示为：
Figure FDA0003355507290000046
将得到的镜像重构图片镜像翻转，并与左脸重构图片拼合，得到重构图片；
其中，
Figure FDA0003355507290000047
表示第i个人脸样本图像的左半脸的线性空间模型，
Figure FDA0003355507290000048
表示第i个人脸样本图像的左半脸在低维投影空间的重构图像的线性空间模型，
Figure FDA0003355507290000049
表示第i个人脸样本图像的右半脸在低维投影空间的重构图像的镜像的线性空间模型，ei表示第i个人脸样本图像的左右脸残差，上标T表示转置矩阵。
10.根据权利要求6所述的基于对称性的人脸图像特征提取的装置，其特征在于，所述左半脸的特征表示为：
Figure FDA00033555072900000410
其中，WL表示第i张人图像的左半脸的低维投影空间，上标T表示转置矩阵，
Figure FDA0003355507290000051
表示第i个人脸样本的左半脸的线性空间模型。
CN201810101483.2A 2018-02-01 2018-02-01 基于对称性的人脸图像特征提取的方法及装置 Active CN108182429B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810101483.2A CN108182429B (zh) 2018-02-01 2018-02-01 基于对称性的人脸图像特征提取的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810101483.2A CN108182429B (zh) 2018-02-01 2018-02-01 基于对称性的人脸图像特征提取的方法及装置

Publications (2)

Publication Number Publication Date
CN108182429A CN108182429A (zh) 2018-06-19
CN108182429B true CN108182429B (zh) 2022-01-28

Family

ID=62552043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810101483.2A Active CN108182429B (zh) 2018-02-01 2018-02-01 基于对称性的人脸图像特征提取的方法及装置

Country Status (1)

Country Link
CN (1) CN108182429B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1659578A (zh) * 2002-06-03 2005-08-24 皇家飞利浦电子股份有限公司 使用半脸图像的脸部识别
CN103530659A (zh) * 2013-10-18 2014-01-22 哈尔滨工业大学深圳研究生院 结合原始和对称脸人脸图像的人脸识别方法及考勤系统
CN104008564A (zh) * 2014-06-17 2014-08-27 河北工业大学 一种人脸表情克隆方法
CN104915625A (zh) * 2014-03-11 2015-09-16 重庆邮电大学 一种人脸识别的方法及装置
CN105095833A (zh) * 2014-05-08 2015-11-25 中国科学院声学研究所 用于人脸识别的网络构建方法、识别方法及系统
CN105184285A (zh) * 2015-10-20 2015-12-23 南京信息工程大学 直推式迁移组稀疏判别分析的跨姿态彩色图像表情识别
CN105550634A (zh) * 2015-11-18 2016-05-04 广东微模式软件股份有限公司 基于Gabor特征与字典学习的人脸姿态识别方法
JP2016126691A (ja) * 2015-01-08 2016-07-11 富士通株式会社 情報処理装置、情報処理方法、および情報処理プログラム
CN107239741A (zh) * 2017-05-10 2017-10-10 杭州电子科技大学 一种基于稀疏重构的单样本人脸识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8938484B2 (en) * 2012-06-01 2015-01-20 International Business Machines Corporation Maintaining dependencies among supernodes during repeated matrix factorizations

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1659578A (zh) * 2002-06-03 2005-08-24 皇家飞利浦电子股份有限公司 使用半脸图像的脸部识别
CN103530659A (zh) * 2013-10-18 2014-01-22 哈尔滨工业大学深圳研究生院 结合原始和对称脸人脸图像的人脸识别方法及考勤系统
CN104915625A (zh) * 2014-03-11 2015-09-16 重庆邮电大学 一种人脸识别的方法及装置
CN105095833A (zh) * 2014-05-08 2015-11-25 中国科学院声学研究所 用于人脸识别的网络构建方法、识别方法及系统
CN104008564A (zh) * 2014-06-17 2014-08-27 河北工业大学 一种人脸表情克隆方法
JP2016126691A (ja) * 2015-01-08 2016-07-11 富士通株式会社 情報処理装置、情報処理方法、および情報処理プログラム
CN105184285A (zh) * 2015-10-20 2015-12-23 南京信息工程大学 直推式迁移组稀疏判别分析的跨姿态彩色图像表情识别
CN105550634A (zh) * 2015-11-18 2016-05-04 广东微模式软件股份有限公司 基于Gabor特征与字典学习的人脸姿态识别方法
CN107239741A (zh) * 2017-05-10 2017-10-10 杭州电子科技大学 一种基于稀疏重构的单样本人脸识别方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
"Approximately symmetical face images for image preprocessing in face recognition and spaese representation based classification";Yong Xu 等;《Pattern recognition》;20160225;全文 *
"Improved LRC based on combined virtual training samples for face recognition";Wei Huang 等;《International journal of pattern recognition and artificial intelligence》;20171231;全文 *
"Producing virtual face images for single sample face recognition";Tao Zhang;《Optik》;20140930;全文 *
"低秩分解的人脸图像光照均衡化预处理";李冬梅 等;《光电工程》;20150915;全文 *
"基于图像分块的遮挡人脸识别研究";吕楠楠;《中国优秀硕士学位论文全文数据库信息科技辑》;20170515;全文 *
"基于样本扩充的小样本人脸识别研究";邱敏娜;《中国优秀硕士学位论文全文数据库信息科技辑》;20150115;全文 *
"基于线性编码的人脸识别研究";李超;《中国优秀硕士学位论文全文数据库信息科技辑》;20170406;全文 *
"基于虚拟样本和稀疏表示的人脸识别算法研究";许婷;《中国优秀硕士学位论文全文数据库信息科技辑》;20150505;全文 *
基于图像的人脸识别算法研究综述;张贵英等;《电脑知识与技术》;20170415(第11期);全文 *
融合快速稀疏描述与协同描述的人脸识别;刘子渊等;《计算机科学》;20161115;全文 *

Also Published As

Publication number Publication date
CN108182429A (zh) 2018-06-19

Similar Documents

Publication Publication Date Title
US11645835B2 (en) Hypercomplex deep learning methods, architectures, and apparatus for multimodal small, medium, and large-scale data representation, analysis, and applications
US10593021B1 (en) Motion deblurring using neural network architectures
US8548230B2 (en) Image processing device and method, data processing device and method, program, and recording medium
JP5506272B2 (ja) 画像処理装置及び方法、データ処理装置及び方法、並びにプログラム
US8565518B2 (en) Image processing device and method, data processing device and method, program, and recording medium
JP5161845B2 (ja) 画像処理装置及び方法、データ処理装置及び方法、並びにプログラム
Zhang et al. Learning structured low-rank representations for image classification
JP5178662B2 (ja) 画像処理装置及び方法、データ処理装置及び方法、並びにプログラム
WO2021027759A1 (en) Facial image processing
CN112541864A (zh) 一种基于多尺度生成式对抗网络模型的图像修复方法
CN109684969B (zh) 凝视位置估计方法、计算机设备及存储介质
CN106097278B (zh) 一种多维信号的稀疏模型、重建方法和字典训练方法
KR20210025020A (ko) 의사 이미지들을 이용한 얼굴 이미지 인식
CN110619367A (zh) 联合低秩约束跨视角判别子空间学习方法及装置
Juefei-Xu et al. Facial ethnic appearance synthesis
Majumdar et al. Face recognition from video: An MMV recovery approach
Yang et al. Towards a robust face recognition system using compressive sensing.
CN108182429B (zh) 基于对称性的人脸图像特征提取的方法及装置
Yan et al. Element rearrangement for tensor-based subspace learning
CN112417234B (zh) 一种数据聚类方法和装置，及计算机可读存储介质
CN107958229B (zh) 一种基于近邻保持低秩表示的人脸识别方法、装置及设备
KR101436730B1 (ko) 능동적 외양 모델을 이용한 비학습 얼굴의 3차원 얼굴 피팅 방법
Nguyen et al. Face recognition based on Low-Rank matrix Representation
Creswell et al. Improving sampling from generative autoencoders with markov chains
Yao et al. Manifold fitting in ambient space

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