CN108304833A - 基于mblbp和dct-bm2dpca的人脸识别方法 - Google Patents
基于mblbp和dct-bm2dpca的人脸识别方法 Download PDFInfo
- Publication number
- CN108304833A CN108304833A CN201810345355.2A CN201810345355A CN108304833A CN 108304833 A CN108304833 A CN 108304833A CN 201810345355 A CN201810345355 A CN 201810345355A CN 108304833 A CN108304833 A CN 108304833A
- Authority
- CN
- China
- Prior art keywords
- matrix
- dct
- bm2dpca
- formula
- facial 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于MBLBP和DCT‑BM2DPCA的人脸识别方法,属于计算机视觉处理技术领域。解决了现有的人脸识别算法使用单一特征提取方法识别率较低的问题。基于多尺度块局部二进制模式和离散余弦变换双向模块二维主成分分析的人脸识别方法,是按照以下步骤实现的:通过DCT将人脸图像从空域转换到频域,之后通过IDCT重建人脸图像;使用MBLBP算子对转换的人脸图像进行特征提取;通过BM2DPCA获得特征矩阵;使用最近邻分类器对测试样本进行识别。本发明适用于安全系统、身份验证、个人设备登录等领域中的二维人脸识别。
Description
技术领域
本发明具体涉及一种基于多尺度块局部二进制模式和离散余弦变换双向模块二维主成分分析的人脸识别方法,属于计算机视觉处理技术领域。
背景技术
人脸识别是侵入性较低的生物验证方法之一,因为它能够简单地基于训练样本这个先验知识进行用户认证。由于许多领域对于人脸识别都具有广泛的需求,所以它已经成为计算机视觉和模式识别研究中的热点之一,人脸识别涉及模式识别,图像处理,心理学,生理学等知识学科。与使用指纹,掌纹,视网膜,虹膜等不同生物特征的其他的个人身份识别方法相比较,人脸识别具有更直接,友好,方便等优点。尤其是,人脸识别对于个人没有心理障碍。二维人脸识别在过去几十年中得到广泛的研究。然而,二维面部识别仍然受到许多因素的挑战,例如照明变化,尺度差异,姿态变化,妆容等等。利用人脸深度信息可以增强识别系统对光照、表情等的鲁棒性。深度学习可以学习得到更有用的数据,并且能构建更精确的模型。但是,深度学习也存在缺点,例如训练模型的时间比较长,需要不断地迭代来进行模型优化,不能保证得到全局最优解等等。
用于人脸识别的特征提取技术包括主成分分析(PCA),双向模块二维主成分分析(BM2DPCA),局部二进制模式(LBP),多尺度块局部二进制模式(MBLBP)和离散余弦变换(DCT)等。PCA是经典的特征和数据表示方法,成功地应用于人脸识别。在PCA方法中,将图像投影到特征空间,通过基本的数据压缩方法减少了数据的维数,同时揭示了面部图像的最有效的低维结构。然而,一般来说,PCA无法捕获最简单的不变性,除非信息明确地出现在训练数据中。而且,在基于PCA的人脸识别系统中,二维人脸图像矩阵必须在特征提取之前转换为一维图像矢量,这导致高维图像矢量空间的产生。为了克服PCA的缺点,人们引入了BM2DPCA进行图像特征提取。在BM2DPCA中,可以直接使用原始图像矩阵去构建图像协方差矩阵,因此,协方差矩阵的大小比PCA方法中协方差矩阵的尺寸小得多。
LBP算子是最好的纹理分析技术之一,由于其强大的分类能力,高的计算效率和对单调灰度变化的不变性。基本LBP算子的扩展是统一的LBP算子,它可以非常好地描述图像的局部纹理信息。然而,统一的LBP算子易受噪声影响,并且由于其是局部描述符,所以它对于实际应用不具有鲁棒性。因此,MBLBP被提出来弥补传统LBP算子的不足,其中使用基于像素块的平均灰度值的比较代替单个像素之间的比较。在本发明中,我们通过实验发现当像素块大小为1×1时,人脸识别算法的性能最佳,所以,本发明采用算子对重建的人脸图像进行特征提取。
DCT是一种非常有效的特征提取方法,因为它可以使用较少的数据来表示较多的信息,从而实现压缩和提取图像信息的目的。
虽然人们对人脸识别技术的研究已经进行几十年了,但是由于姿态、表情和光照等许多因素的影响,该研究仍然是一个富有挑战性的课题。要想在复杂的条件下识别人脸,只依靠一种分类器无法进一步提高识别率。因此,将多分类器进行融合是一种发展趋势。目前已经存在许多的模式识别分类器,不同的分类器具有不同的分类性能以及各自的优缺点。在相同条件下,不同分类器的识别效果相差较大,没有任何一种分类器能够在所有条件下都取得好的分类结果。若将多种分类器进行组合,就可能在整体上得到比单一分类器更好的分类效果,提高识别精度。所以,近些年来,多分类器融合的识别方法已经成为模式识别领域的研究热点之一,并且其在生物特征识别中已经得到了应用。
发明内容
本发明的目的是提出一种基于多尺度块局部二进制模式和离散余弦变换双向模块二维主成分分析的人脸识别方法,以针对现有的人脸识别算法使用单一特征提取方法识别率较低的问题。
为解决上述技术问题所采用的技术方案是:
本发明所述的基于多尺度块局部二进制模式和离散余弦变换双向模块二维主成分分析的人脸识别方法是按照以下步骤实现的:
步骤一、通过DCT将人脸图像从空域转换到频域,之后通过IDCT重建人脸图像;
步骤二、使用算子对通过IDCT进行重建的人脸图像进行特征提取得到矩阵B;
步骤三、通过BM2DPCA获得特征矩阵;
步骤四、使用最近邻分类器对测试样本进行识别。
本发明的有益效果是:
一、本发明对基于单一特征提取的人脸识别算法进行了改进,将离散余弦变换与多尺度块局部二进制模式和双向模块二维主成分分析进行结合,提出了DCT-MBLBP-BM2DPCA人脸识别算法。
二、本发明具有频域和空域的互补性。在频域中,人脸图像的特征通过DCT进行提取,而具有空间不变性的面部特征能够通过MBLBP获得。因此,该算法通过采用多种面部识别信息提高了识别精度。
三、本发明结合使用了全局和局部的人脸特征,在所有实验中本发明算法的识别率均优于BM2DPCA和DCT-BM2DPCA两种算法。此外,实验结果显示本发明算法的识别精度随着训练样本数的增加而提高。
四、本发明由于降低了特征维数,在进行特征提取时比BM2DPCA和DCT-BM2DPCA两种算法消耗更少的时间,提高了特征提取的效率。
附图说明
图1是本发明一个实施例的流程图;
图2是本发明的一个实施例的输入图像,通过IDCT重建图像以及通过算子滤波图像的一个示例,其中(a)为输入图像,(b)为重建图像,(c)为滤波图像;
图3为识别测试样本的例子,其中,(a)为测试样本图像,(b)为识别图像;
图4为YALE人脸库中三名受试者的样本图像;
图5为AR数据库中一名受试者的样本图像;
图6为扩展的YALE人脸数据库B中一名受试者的一些样本图像;
图7为CMU PIE人脸库中一名受试者的一些样本图像;
图8为四个数据库中变化训练样本数下本发明DCT-MBLBP-BM2DPCA算法、DCT-BM2DPCA算法和BM2DPCA算法识别率的比较;
图9为四个数据库中变化主成分数下三种算法识别率的比较;
图10为四个数据库中变化训练样本数下三种算法特征提取时间的比较;
图11为四个数据库中三种算法ROC曲线的比较。
具体实施方式
具体实施方式一:本实施方式所述的基于多尺度块局部二进制模式和离散余弦变换双向模块二维主成分分析的人脸识别方法,如图1所示,是按照以下步骤实现的:
步骤一、通过DCT将人脸图像从空域转换到频域,之后通过IDCT重建人脸图像;
步骤二、使用算子对通过IDCT进行重建的人脸图像进行特征提取得到矩阵B;
步骤三、通过BM2DPCA获得特征矩阵;
步骤四、使用最近邻分类器对测试样本进行识别。
具体实施方式二:本实施方式与具体实施方式一不同的是:如图2(a)和图2(b)所示,步骤一所述的通过DCT将人脸图像从空域转换到频域,之后通过IDCT重建人脸图像,是按照以下步骤实现的:
步骤一(一)、通过DCT将人脸图像转化到频域,输入图像首先被分解为8×8的块,之后对每个块进行DCT,DCT变换公式如下:
式中M×N为输入图像经过DCT变换后得到的图像块大小。
步骤一(二)、通过IDCT对人脸图像进行重建,由于经过离散余弦变换之后,图像的主要信息集中于低频分量,所以,选取经过DCT变换后的图像块中每个图像块左上角的10个低频分量进行IDCT,IDCT变换公式如下:
式中x,y为空间域采样值;u,v为频率域采样值。
所选取的10个低频分量为:其中用1表示的10个位置的分量。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:步骤二所述的使用算子对通过IDCT进行重建的人脸图像进行特征提取得到矩阵B,其中,表示像素块大小为1×1,半径为2的圆形8邻域LBP算子,是按照以下步骤实现的:
步骤二(一)、通过IDCT重建的人脸图像被划分为1×1的像素块;
步骤二(二)、通过计算每个像素块的平均灰度值获得映射矩阵;
步骤二(三)、通过计算映射矩阵的uniform(8,2)LBP特征获得由像素块低分辨率表示的特征矩阵;
步骤二(四)、对低分辨率表示的特征矩阵进行复原,即将矩阵中每个像素扩展为1×1的块,像素块中每个像素的灰度值等于被扩展像素的灰度值,最终获得特征矩阵B。结合图2(c)理解本实施方式,其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:步骤三所述的通过BM2DPCA获得特征矩阵,是按照以下步骤实现的:
步骤三(一)、将矩阵B划分为p×q的模块子图像矩阵。矩阵块的处理方法类似于线性代数中的矩阵块操作,如公式(3)所示:
其中,矩阵B的大小为m×n,每个模块子图像矩阵的大小为m1′×n1′,同时满足pm1′=m,qn1′=n;
步骤三(二)、假设人脸训练样本包含c类不同的受试者,每类样本数为ni(i=1...c)。训练样本的总数为子图像矩阵的数量为N'=M'×p×q。因此,所有子矩阵的平均矩阵通过公式(4)计算:i’、k、l为累加计数变量;
步骤三(三)、所有训练图像的子图像矩阵在行和列两个方向的总体散布矩阵Gr和Gc分别通过公式(5)和(6)进行计算:
其中N'表示子图像的数量,M'表示训练样本的数量;
步骤三(四)、对应于矩阵Gr和Gc前d个最大特征值的特征向量被正交化,分别得到矩阵Gr特征向量正交化结果Z1,Z2,...,Zd和矩阵Gc特征向量正交化结果Y1,Y2,...,Yd;然后构建对应于行方向的最优投影矩阵P=[Z1,Z2,...,Zd]和对应于列方向的最优投影矩阵Q=[Y1,Y2,...,Yd];
步骤三(五)、行和列方向的最优投影矩阵与人脸图像矩阵结合,从行和列两个方向提取人脸特征,训练样本矩阵Bi的特征矩阵Ci通过公式(7)表示:
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:步骤四所述的使用最近邻分类器对测试样本进行识别,是按照以下步骤实现的:
步骤四(一)、测试样本与训练样本进行同样的处理得到它的特征矩阵D;
步骤四(二)、通过最近邻分类器对测试样本进行分类,测试样本图像的特征矩阵D与训练样本的特征矩阵Ci之间的欧几里得距离通过公式(8)进行计算:
式中u'表示矩阵Ci或D的大小,j表示矩阵中元素的序号。与测试样本距离最小的训练样本被识别为与测试样本属于同一类。结合图3理解本实施方式,其它步骤及参数与具体实施方式一至四之一相同。
图4-图7分别为YALE、AR、扩展的YALE B和CMU PIE人脸库中受试者的样本图像。图8、图9为本发明DCT-MBLBP-BM2DPCA算法与DCT-BM2DPCA算法和BM2DPCA算法在四个数据库中识别率的比较。本发明算法的识别率高于DCT-BM2DPCA和BM2DPCA两种算法,因此,本发明算法提高了识别精度。图10为四个数据库中变化训练样本数下三种算法特征提取时间的比较。本发明算法所用的特征提取时间少于DCT-BM2DPCA和BM2DPCA两种算法,因此,本发明算法提高了特征提取的效率。图11为四个数据库中三种算法ROC曲线的比较。本发明算法的等错误率低于DCT-BM2DPCA和BM2DPCA两种算法,因此,本发明算法提高了识别性能。
表1给出的是本发明DCT-MBLBP-BM2DPCA算法、DCT-BM2DPCA以及BM2DPCA三种算法在不同分块方式下的识别率。本发明DCT-MBLBP-BM2DPCA算法在不同分块方式下的识别率均优于BM2DPCA和DCT-BM2DPCA两种算法。因此,本发明提出的算法与传统的单一特征提取算法相比提高了识别精度。
表2给出的是本发明DCT-MBLBP-BM2DPCA算法、DCT-BM2DPCA以及BM2DPCA三种算法在不同分块方式下的特征提取时间。本发明DCT-MBLBP-BM2DPCA算法提取特征的速度快于BM2DPCA和DCT-BM2DPCA两种算法。因此,本发明提出的算法提高了特征提取的效率。
表1本发明算法与其他算法在四个不同数据库中不同分块方式下识别率的比较
表2本发明算法与其他算法在四个不同数据库中不同分块方式下特征提取(所需CPU)时间的比较(CPU:Intel i5-3230M,2.6GHz,RAM 4GB)
Claims (5)
1.基于MBLBP和DCT-BM2DPCA的人脸识别方法,其中MBLBP表示多尺度块局部二进制模式,DCT-BM2DPCA表示离散余弦变换双向模块二维主成分分析;其特征在于,所述方法是按照以下步骤实现的:
步骤一、通过DCT将人脸图像从空域转换到频域,之后通过IDCT重建人脸图像;其中DCT表示离散余弦变换,IDCT表示反向离散余弦变换;
步骤二、使用算子对通过IDCT进行重建的人脸图像进行特征提取得到矩阵B;其中,表示像素块大小为1×1、半径为2的圆形8邻域的LBP算子;
步骤三、通过BM2DPCA获得特征矩阵;BM2DPCA表示双向模块二维主成分分析;
步骤四、使用最近邻分类器对测试样本进行识别。
2.根据权利要求1所述的基于MBLBP和DCT-BM2DPCA的人脸识别方法,其特征在于步骤一所述的通过DCT将人脸图像从空域转换到频域,之后通过IDCT重建人脸图像,是按照以下步骤实现的:
步骤一(一)、将输入图像分解为8×8的块,再对每个块进行DCT变换,DCT变换公式如下:
式中M×N为输入图像经过DCT变换后得到的图像块大小;
步骤一(二)、通过IDCT对人脸图像进行重建,选取经过DCT变换后的图像块中每个块左上角的10个低频分量进行IDCT变换,IDCT变换公式如下:
式中x,y为空间域采样值;u,v为频率域采样值。
3.根据权利要求2所述的基于MBLBP和DCT-BM2DPCA的人脸识别方法,其特征在于,步骤二所述的使用算子对通过IDCT进行重建的人脸图像进行特征提取得到矩阵B,具体是按照以下步骤实现的:
步骤二(一)、通过IDCT重建的人脸图像被划分为1×1的像素块;
步骤二(二)、计算每个像素块的平均灰度值,得到由各个块的平均灰度值组成的映射矩阵;
步骤二(三)、对映射矩阵计算uniform(8,2)LBP特征,得到像素块低分辨率表示的特征矩阵;
步骤二(四)、将低分辨率表示的特征矩阵进行还原,即将该矩阵中的每一个像素扩展为1×1的像素块,像素块中每个像素的灰度值都为被扩展像素的灰度值,得到最终的特征矩阵B。
4.根据权利要求3所述的基于MBLBP和DCT-BM2DPCA的人脸识别方法,其特征在于步骤三所述的通过BM2DPCA获得特征矩阵,是按照以下步骤实现的:
步骤三(一)、将特征矩阵B划分为p×q的模块子图像矩阵,如公式(3)所示:
其中,特征矩阵B的大小为m×n,每个模块子图像矩阵的大小为m′1×n′1,同时满足pm′1=m,qn′1=n;
步骤三(二)、假设人脸训练样本包含c类不同的受试者,每类样本数为ni,i=1...c;训练样本的总数为子图像矩阵的数量为N’=M’×p×q;因此,所有子矩阵的平均矩阵通过公式(4)计算:i’、k、l为累加计数变量;
步骤三(三)、所有训练图像的子图像矩阵在行和列两个方向的总体散布矩阵Gr和Gc分别通过公式(5)和(6)进行计算:
步骤三(四)、对应于矩阵Gr和Gc前d个最大特征值的特征向量被正交化,分别得到矩阵Gr特征向量正交化结果Z1,Z2,...,Zd和矩阵Gc特征向量正交化结果Y1,Y2,...,Yd;然后构建对应于行方向的最优投影矩阵P=[Z1,Z2,...,Zd]和对应于列方向的最优投影矩阵Q=[Y1,Y2,...,Yd];
步骤三(五)、将行方向的最优投影矩阵P、列方向的最优投影矩阵Q与人脸图像矩阵结合,将训练样本矩阵Bi的特征矩阵Ci通过公式(7)表示:
5.根据权利要求4所述的基于MBLBP和DCT-BM2DPCA的人脸识别方法,其特征在于步骤四所述的使用最近邻分类器对测试样本进行识别,是按照以下步骤实现的:
步骤四(一)、对测试样本进行步骤一至三的处理得到特征矩阵D;
步骤四(二)、通过最近邻分类器对测试样本进行分类,测试样本图像的特征矩阵D与训练样本的特征矩阵Ci之间的欧几里得距离通过公式(8)进行计算:
式中u′表示矩阵Ci或D的大小,j表示矩阵中元素的序号;与测试样本距离最小的训练样本被识别为与测试样本属于同一类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810345355.2A CN108304833A (zh) | 2018-04-17 | 2018-04-17 | 基于mblbp和dct-bm2dpca的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810345355.2A CN108304833A (zh) | 2018-04-17 | 2018-04-17 | 基于mblbp和dct-bm2dpca的人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108304833A true CN108304833A (zh) | 2018-07-20 |
Family
ID=62848537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810345355.2A Pending CN108304833A (zh) | 2018-04-17 | 2018-04-17 | 基于mblbp和dct-bm2dpca的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108304833A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670412A (zh) * | 2018-11-30 | 2019-04-23 | 天津大学 | 改进lbp的3d人脸识别方法 |
CN113837976A (zh) * | 2021-09-17 | 2021-12-24 | 重庆邮电大学 | 基于联合多域的多聚焦图像融合方法 |
CN113887509A (zh) * | 2021-10-25 | 2022-01-04 | 济南大学 | 一种基于图像集合的快速多模态视频人脸识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310200A (zh) * | 2013-06-25 | 2013-09-18 | 郑州吉瑞特电子科技有限公司 | 人脸识别方法 |
CN103976749A (zh) * | 2013-06-09 | 2014-08-13 | 湖南纽思曼导航定位科技有限公司 | 一种实时疲劳提示的方法及装置 |
CN106778487A (zh) * | 2016-11-19 | 2017-05-31 | 南宁市浩发科技有限公司 | 一种2dpca人脸识别方法 |
CN106803055A (zh) * | 2015-11-26 | 2017-06-06 | 腾讯科技(深圳)有限公司 | 人脸识别方法和装置 |
CN107247936A (zh) * | 2017-05-31 | 2017-10-13 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
CN107563312A (zh) * | 2017-08-17 | 2018-01-09 | 南昌航空大学 | 人脸表情识别方法 |
CN107578005A (zh) * | 2017-09-01 | 2018-01-12 | 宜宾学院 | 一种复数小波变换域lbp人脸识别方法 |
-
2018
- 2018-04-17 CN CN201810345355.2A patent/CN108304833A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103976749A (zh) * | 2013-06-09 | 2014-08-13 | 湖南纽思曼导航定位科技有限公司 | 一种实时疲劳提示的方法及装置 |
CN103310200A (zh) * | 2013-06-25 | 2013-09-18 | 郑州吉瑞特电子科技有限公司 | 人脸识别方法 |
CN106803055A (zh) * | 2015-11-26 | 2017-06-06 | 腾讯科技(深圳)有限公司 | 人脸识别方法和装置 |
CN106778487A (zh) * | 2016-11-19 | 2017-05-31 | 南宁市浩发科技有限公司 | 一种2dpca人脸识别方法 |
CN107247936A (zh) * | 2017-05-31 | 2017-10-13 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
CN107563312A (zh) * | 2017-08-17 | 2018-01-09 | 南昌航空大学 | 人脸表情识别方法 |
CN107578005A (zh) * | 2017-09-01 | 2018-01-12 | 宜宾学院 | 一种复数小波变换域lbp人脸识别方法 |
Non-Patent Citations (4)
Title |
---|
GIRISH G N 等: "Face Recognition using MB-LBP and PCA: A Comparative Study", 《2014 INTERNATIONAL CONFERENCE ON COMPUTER COMMUNICATION AND INFORMATICS》 * |
刘斌 等: "LBP和 MB-LBP加权融合的人脸识别", 《计算机工程与设计》 * |
周威 等: "基于 MB_LBP 和 PCA 算法的人脸识别研究", 《中国管理信息化》 * |
郑智: "基于主成分分析的人脸识别算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670412A (zh) * | 2018-11-30 | 2019-04-23 | 天津大学 | 改进lbp的3d人脸识别方法 |
CN109670412B (zh) * | 2018-11-30 | 2023-04-28 | 天津大学 | 改进lbp的3d人脸识别方法 |
CN113837976A (zh) * | 2021-09-17 | 2021-12-24 | 重庆邮电大学 | 基于联合多域的多聚焦图像融合方法 |
CN113837976B (zh) * | 2021-09-17 | 2024-03-19 | 重庆邮电大学 | 基于联合多域的多聚焦图像融合方法 |
CN113887509A (zh) * | 2021-10-25 | 2022-01-04 | 济南大学 | 一种基于图像集合的快速多模态视频人脸识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gilani et al. | Learning from millions of 3D scans for large-scale 3D face recognition | |
Aly et al. | Deep convolutional self-organizing map network for robust handwritten digit recognition | |
Krisshna et al. | Face recognition using transform domain feature extraction and PSO-based feature selection | |
Xu et al. | Scale-space texture description on sift-like textons | |
Wang et al. | Pixel classification based color image segmentation using quaternion exponent moments | |
CN108304833A (zh) | 基于mblbp和dct-bm2dpca的人脸识别方法 | |
CN102592150B (zh) | 基于模糊理论决策的双向二维主成分分析的步态识别方法 | |
Joshi et al. | Periocular recognition based on Gabor and Parzen PNN | |
Xiang et al. | Interactive natural image segmentation via spline regression | |
Zeng et al. | Learning-based multiple pooling fusion in multi-view convolutional neural network for 3D model classification and retrieval | |
CN109359607A (zh) | 一种基于纹理的掌纹掌脉融合识别方法 | |
Barra et al. | Unconstrained ear processing: What is possible and what must be done | |
Dai et al. | What are the invariant occlusive components of image patches? a probabilistic generative approach | |
Yuan et al. | Explore double-opponency and skin color for saliency detection | |
Juneja et al. | Compression-robust and fuzzy-based feature-fusion model for optimizing the iris recognition | |
Yang | Tinc: Tree-structured implicit neural compression | |
CN112580442B (zh) | 一种基于多维金字塔层次模型的行为识别方法 | |
Yang et al. | Tinc: Tree-structured implicit neural compression | |
Alkababji et al. | Iris re-identification using stationary wavelet transform (SWT), principal component analysis and KNN classifier | |
Rahman et al. | Orthogonal Image Moments for Human-Centric Visual Pattern Recognition | |
Jia et al. | Research of improved algorithm based on LBP for face recognition | |
Li et al. | Multi-level Fisher vector aggregated completed local fractional order derivative feature vector for face recognition | |
Vonikakis et al. | Enhancement of perceptually salient contours using a parallel artificial cortical network | |
Bharathi et al. | Discriminative dct-mlp based approach for off-line signature verification | |
Cantoni et al. | 3D ear analysis by an EGI representation |
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: 20180720 |