CN108830163A - 一种基于局部判别cca的海关身份验证系统及方法 - Google Patents
一种基于局部判别cca的海关身份验证系统及方法 Download PDFInfo
- Publication number
- CN108830163A CN108830163A CN201810490252.5A CN201810490252A CN108830163A CN 108830163 A CN108830163 A CN 108830163A CN 201810490252 A CN201810490252 A CN 201810490252A CN 108830163 A CN108830163 A CN 108830163A
- Authority
- CN
- China
- Prior art keywords
- cca
- image
- customs
- local
- vector
- 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
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
- G06F18/24—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于局部判别CCA的海关身份验证系统及方法,该方法采用的特征库的建立方法包含:截取护照中人脸图像和视频中的人脸图像,统一尺寸并将图片转换为灰度图像,以获得M个人的N幅护照人脸和视频人脸的图像对;获得每幅灰度图像的每列,以得到该灰度图像的向量表示,并进行约简,得到图像对对应的向量对;定义两个矩阵,通过CCA优化以寻找成对的投影矩阵,使得投影后的典型变量之间的相关性最大化,获得两个映射矩阵;利用Wx和Wy对任意的护照人脸和视频人脸图像对对应的向量对进行映射,得到低维融合特征向量,将所有低维融合特征向量存储于特征库。本发明的系统及方法能准确验证身份,提高海关人员身份验证的准确率,减少了身份验证时间。
Description
技术领域
本发明涉及身份验证和模式识别技术领域,具体涉及一种基于局部判别CCA的海关身份验证系统及方法。
背景技术
美国2001事件911事件后,海关安全检查比以前更加严格。一般来说,海关的身份验证主要是通过海关检查人员肉眼观察、比较护照上的人脸和现场视频人脸,来判断两种人脸图像是否是同一个人。在大型机场中,该方法验证速度慢、主观性强、可能存在误判,也是一项繁琐的工作,已不能满足农业生产的需要。
基于计算机图像处理技术的海关身份验证方法具有快速、精确、实时等特点,能够协助海关人员及时准确的进行身份验证,而且能够自动检测到伪装者。由于护照人脸和视频图像是两种异构图像,一般而言护照图像中的人脸图像往往是模糊而固定的,而视频人脸图像总是清晰而变化的,而且随着时间的推移,两种图像之间存在较大差异。所以,很多现有的人脸识别方法和技术不能直接应用于海关身份验证中。
利用护照人脸图像和视频人脸图像进行过海关的人员身份验证研究是一个具有挑战性的研究课题。目前该课题的研究报道较少。该课题研究能够极大减轻海关人员繁琐乏味的工作,能够准确验证身份,确保海关安全,所以该课题研究具有重要意义。
发明内容
本发明的目的是提供一种基于局部判别CCA的海关身份验证系统及方法,该系统及方法解决了现有技术因对护照人脸和视频图像存在较大差异而难以识别的问题,能够准确验证身份,提高海关人员身份验证的准确率,减少了身份验证时间。
为了达到上述目的,本发明提供了一种基于局部判别CCA的海关身份验证特征库的建立方法,该方法包含:
(S1)截取护照中人脸图像和视频中的人脸图像,统一尺寸并将图片转换为灰度图像,以获得M个人的N幅护照人脸和视频人脸的图像对其中,gxi和gyi分别为第i个图像对的护照人脸和视频人脸图像,L(xi)为第i个图像对的身份类别标签;
(S2)获得每幅灰度图像的每列,以得到该灰度图像的向量表示,并进行约简,得到第i个图像对约简后对应的向量对其中,p为护照人脸图像的约简维数,q为视频人脸图像的约简维数;
(S3)定义两个矩阵通过局部判别CCA优化以寻找成对的投影矩阵和使得投影后的典型变量Zx=Wx TX与Zy=Wy TY之间的相关性最大化,获得两个映射矩阵Wx=[wx1,wx2,...,wxd]和Wy=[wy1,wy2,...,wyd];
(S4)利用Wx和Wy对任意的护照人脸和视频人脸图像对对应的向量对进行映射,得到低维融合特征向量将所有N个存储于特征库。
其中,所述的局部判别CCA的目标函数通过局部类内权值类间权值和局部相关权值构建,以将护照人脸和视频人脸图像投影到低维特征空间,使得同类图像特征之间的距离更小,而异类图像特征之间的距离更大,而且能将异构特征进行有机融合,由此提高身份识别方法的识别率。
优选地,所述的和的计算方程为:
式(3)、(4)和(5)中,ηx和ηy为两个局部调节参数。
优选地,所述的ηx和ηy为:
式(6)中,k为最近邻邻域数。
优选地,在所述的步骤(3)中,所述的两个映射矩阵的获得方法包含:
(S3.1)构建局部判别CCA的优化问题,目标函数为:
式(1)中,T为矩阵转置运算;wx和wy分别为待求矩阵Wx和Wy的元素;Axx和Ayy分别为X和Y的加权自相关矩阵,Axy为X和Y的加权互相关矩阵;
(S3.2)利用拉格朗日数乘法将式(1)转换成如下的优化问题,方程式为:
式(7)中,λx和λy为拉格朗日数乘法待定的特征值,T为矩阵转置运算,wx和wy分别为待求矩阵Wx和Wy的元素,Axx和Ayy分别为X和Y的加权自相关矩阵,Axy为X和Y的加权互相关矩阵;
(S3.3)对式(7)L求偏导数,令偏导数为0得:
(S3.4)令λx=λy=λ,将式(8)转换为广义特征值分解问题,广义特征方程如下:
(S3.5)求解式(9)的广义特征方程,得到前d个最大特征值λ0,λ1,L,λd-1(λ0≥λ1≥L≥λd-1)对应的广义特征向量对wxi和wyi(i=1,2,…,d),其中,d为低维特征向量的维数;
(S3.6)由wxi和wyi(i=1,2,…,d)得到所求的两个映射矩阵Wx=[wx1,wx2,...,wxd]和Wy=[wy1,wy2,...,wyd]。
优选地,所述的Axx、Ayy和Axy计算方程为:
式(2)中,为局部类内权值,为类间权值,为局部相关权值。
优选地,在所述的步骤(2)中,由主分量分析方法进行维数约简,以提高身份识别系统的效率。
本发明还提供了一种基于局部判别CCA的海关身份验证方法,该方法采用所述的基于局部判别CCA的海关身份验证特征库的建立方法获得的特征库,该方法包含:
(S100)将待验证身份人的护照人脸和视频人脸图像对转换为向量表示,进行维数约简,得到约简后的向量对为(x0,y0),由局部判别CCA优化并映射为低维融合特征向量
(S200)由所述的特征库中的所有低维融合特征向量训练最近邻分类器;
(S300)由训练好的最近邻分类器对待验证的低维融合特征向量进行分类,得到(x0,y0)的身份类别。
优选地,在所述的步骤(1)中,由主分量分析方法进行维数约简。
本发明还提供了一种基于局部判别CCA的海关身份验证系统,该系统包含:获取模块,其用于截取待验证身份的人的护照人脸和视频人脸图像并将其转换为灰度图像,以获得M个人的N幅护照人脸和视频人脸的图像对并以向量表示,;优化模块,其用于将所述的向量表示进行约简、优化和映射,以获得低维融合特征向量特征库模块,其用于存储低维融合特征向量;以及识别模块,其采用最近邻分类器将待检测的低维融合特征向量与所述的特征库模块中的所有低维融合特征向量进行比对分类,以得到(x0,y0)的身份类别。
其中,所述的优化模块采用所述的基于局部判别CCA的海关身份验证特征库的建立方法进行约简、优化和映射。
本发明还提供了一种计算机可读存储介质,该存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如所述的基于局部判别CCA的海关身份验证特征库的建立方法的步骤。
本发明的基于局部判别CCA的海关身份验证系统及方法,解决了现有技术因对护照人脸和视频图像存在较大差异而难以识别的问题,具有以下优点:
(1)本发明的基于局部判别CCA通过局部类内权值类间权值和局部相关权值构建,以将护照人脸和视频人脸图像投影到低维特征空间,使得同类图像特征之间的距离更小,而异类图像特征之间的距离更大,而且能将异构特征进行有机融合,由此提高身份识别方法的识别率,准确率高;
(2)本发明采用主分量分析进行约简,能够提高身份识别系统的效率;
(3)本发明构建的基于局部判别CCA整合护照和视频人脸的海关身份验证方法新颖、高效,还具有实时性能高、准确率高、效果稳定和实用性较强等优点,能够在普通PC计算机上实现,对操作系统没有特别要求,具有较大的应用价值,可应用于海关身份验证系统,实现大型海关身份验证系统的智能化和自动化程度。
附图说明
图1为本发明的基于局部判别CCA的海关身份验证特征库的建立方法的流程图。
图2为本发明的获得两个映射矩阵的方法的流程图。
图3为本发明的基于局部判别CCA的海关身份验证方法的流程图。
图4为本发明的基于局部判别CCA的海关身份验证系统的结构示意图。
具体实施方式
以下结合附图和实施例对本发明的技术方案做进一步的说明。
一种基于局部判别CCA的海关身份验证特征库的建立方法,如图1所示,为本发明的基于局部判别CCA的海关身份验证特征库的建立方法的流程图,该方法包含:
(S1)截取护照中人脸图像和视频中的人脸图像,统一尺寸并将图片转换为灰度图像,获得M个人的N幅护照人脸和视频人脸的图像对其中gxi和gyi分别为第i个图像对的护照人脸和视频人脸图像,L(xi)为第i个图像对的身份类别标签;根据本发明一实施例,其采用一个高和宽之比为120:80的矩形框来框住护照中人脸图像和视频中的人脸图像,将该矩形框截取出来,并按1:1的缩放比例归一化为120×80大小;
(S2)获得每幅灰度图像的每一列,以得到该灰度图像的向量表示,并采用主分量分析进行约简,以得到第i个图像对约简后对应的向量对其中,p为护照人脸图像的约简维数,q为视频人脸图像的约简维数;通过主分量分析约简能够提高身份识别系统的效率;
(S3)利用奇异值分解法得到两个映射矩阵:定义两个矩阵采用局部判别CCA寻找成对的投影矩阵和使得投影后的典型变量Zx=Wx TX与Zy=Wy TY之间的相关性最大化,以获得两个映射矩阵Wx=[wx1,wx2,...,wxd]和Wy=[wy1,wy2,...,wyd];
(S4)利用Wx和Wy对任意的护照人脸和视频人脸图像对对应的向量对进行映射,得到低维融合特征向量将所有N个存储于特征库。
其中,局部判别CCA的目标函数通过局部类内权值类间权值和局部相关权值构建,以将护照人脸和视频人脸图像投影到低维特征空间,使得同类图像特征之间的距离更小,而异类图像特征之间的距离更大,而且能将异构特征进行有机融合,由此提高身份识别方法的识别率。
如图2所示,为本发明的获得两个映射矩阵的方法的流程图,在上述步骤(3)中,获得两个映射矩阵的方法包含:
(S3.1)构建局部判别CCA的优化问题,目标函数为:
其中,T为矩阵转置运算;wx和wy分别为待求矩阵Wx和Wy的元素;Axx和Ayy分别为X和Y的加权自相关矩阵,Axy为X和Y的加权互相关矩阵,定义如下:
其中,为局部类内权值,为类间权值,为局部相关权值,计算如下:
其中,ηx和ηy为两个局部调节参数,分别定义为:
其中,k为最近邻邻域数。
(S3.2)利用拉格朗日数乘法将式(1)转换成如下的优化问题:
式中,λ1和λ2为拉格朗日数乘法待定的特征值,T为矩阵转置运算,wx和wy分别为待求矩阵Wx和Wy的元素,Axx和Ayy分别为X和Y的加权自相关矩阵,Axy为X和Y的加权互相关矩阵。
(S3.3)对L求偏导数,令偏导数为0得:
(S3.4)令λx=λy=λ,由式(8)转换为广义特征值分解问题,广义特征方程如下:
式中,λ为最大广义特征值。
(S3.5)求解该广义特征方程得到前d个最大广义特征值λ0,λ1,L,λd-1(λ0≥λ1≥L≥λd-1)对应的广义特征向量对wxi和wyi(i=1,2,…,d),其中d为低维特征向量的维数,由实验得到。
(S3.6)由wxi和wyi(i=1,2,…,d)得到所求的两个映射矩阵Wx=[wx1,wx2,...,wxd]和Wy=[wy1,wy2,...,wyd]。
一种基于局部判别CCA的海关身份验证方法,该方法采用上述特征库,如图3所示,为本发明的基于局部判别CCA的海关身份验证方法的流程图,其包含:
(S100)将待验证身份的人的护照人脸和视频人脸图像对转换为向量表示,然后由主分量分析进行维数约简,得到约简后的向量对,记为(x0,y0),再由局部判别CCA优化和映射为低维融合特征向量
(S200)由特征库中的所有低维融合特征向量训练最近邻分类器;
(S300)由训练好的最近邻分类器对待验证的低维融合特征向量进行分类,得到(x0,y0)的身份类别。
一种基于局部判别CCA的海关身份验证系统,如图4所示,为本发明的基于局部判别CCA的海关身份验证系统的结构示意图,该系统包含:获取模块,其用于截取待验证身份的人的护照人脸和视频人脸图像并将其转换为灰度图像,以获得M个人的N幅护照人脸和视频人脸的图像对并以向量表示;优化模块,其用于将向量表示进行约简、优化和映射,以获得低维融合特征向量特征库模块,其用于存储低维融合特征向量;以及识别模块,其采用最近邻分类器将待检测的低维融合特征向量与特征库模块中的所有低维融合特征向量进行比对分类,以得到(x0,y0)的身份类别。
其中,上述优化模块采用上述基于局部判别CCA的海关身份验证特征库的建立方法进行约简、优化和映射。
具体地,如图1和图2所示,由主分量分析对向量表示进行维数约简,然后构建局部判别CCA的优化问题,利用拉格朗日数乘法对局部判别CCA方程进行转换,令偏导数为0,将得到的方程转化为广义特征方程,求解该广义特征方程得到前d个最大广义特征值λ0,λ1,L,λd-1(λ0≥λ1≥L≥λd-1)对应的广义特征向量对wxi和wyi,以获得两个映射矩阵Wx=[wx1,wx2,...,wxd]和Wy=[wy1,wy2,...,wyd]。
一种计算机可读存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如上述基于局部判别CCA的海关身份验证特征库的建立方法的步骤。
综上所述,本发明的基于局部判别CCA的海关身份验证系统及方法能够准确验证身份,提高海关人员身份验证的准确率,减少了身份验证时间。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (10)
1.一种基于局部判别CCA的海关身份验证特征库的建立方法,其特征在于,该方法包含:
(S1)截取护照中人脸图像和视频中的人脸图像,统一尺寸并将图片转换为灰度图像,以获得M个人的N幅护照人脸和视频人脸的图像对其中,gxi和gyi分别为第i个图像对的护照人脸和视频人脸图像,L(xi)为第i个图像对的身份类别标签;
(S2)获得每幅灰度图像的每列,以得到该灰度图像的向量表示,并进行约简,得到第i个图像对约简后对应的向量对其中,p为护照人脸图像的约简维数,q为视频人脸图像的约简维数;
(S3)定义两个矩阵通过局部判别CCA的目标函数优化以寻找成对的投影矩阵和使得投影后的典型变量Zx=Wx TX与Zy=Wy TY之间的相关性最大化,获得两个映射矩阵Wx=[wx1,wx2,...,wxd]和Wy=[wy1,wy2,...,wyd];
(S4)利用Wx和Wy对任意的护照人脸和视频人脸图像对对应的向量对进行映射,得到低维融合特征向量将所有N个存储于特征库;
所述的局部判别CCA的目标函数通过局部类内权值类间权值和局部相关权值构建。
2.根据权利要求1所述的基于局部判别CCA的海关身份验证特征库的建立方法,其特征在于,所述的和的计算方程为:
式(3)、(4)和(5)中,ηx和ηy为两个局部调节参数。
3.根据权利要求2所述的基于局部判别CCA的海关身份验证特征库的建立方法,其特征在于,所述的ηx和ηy为:
式(6)中,k为最近邻邻域数。
4.根据权利要求3所述的基于局部判别CCA的海关身份验证特征库的建立方法,其特征在于,在所述的步骤(3)中,所述的两个映射矩阵的获得方法包含:
(S3.1)构建局部判别CCA的优化问题,目标函数为:
式(1)中,T为矩阵转置运算;wx和wy分别为待求矩阵Wx和Wy的元素;Axx和Ayy分别为X和Y的加权自相关矩阵,Axy为X和Y的加权互相关矩阵;
(S3.2)利用拉格朗日数乘法将式(1)转换成如下的优化问题,方程式为:
式(7)中,λ1和λ2为拉格朗日数乘法待定的特征值,T为矩阵转置运算,wx和wy分别为待求矩阵Wx和Wy的元素,Axx和Ayy分别为X和Y的加权自相关矩阵,Axy为X和Y的加权互相关矩阵;
(S3.3)对式(7)L求偏导数,令偏导数为0得:
(S3.4)令λx=λy=λ,将式(8)转换为广义特征值分解问题,广义特征方程如下:
式(9)中,λ为最大广义特征值;
(S3.5)求解式(9)的广义特征方程,得到前d个最大广义特征值λ0,λ1,L,λd-1(λ0≥λ1≥L≥λd-1)对应的广义特征向量对wxi和wyi(i=1,2,…,d),其中,d为低维特征向量的维数;
(S3.6)由wxi和wyi(i=1,2,…,d)得到所求的两个映射矩阵Wx=[wx1,wx2,...,wxd]和Wy=[wy1,wy2,...,wyd]。
5.根据权利要求4所述的基于局部判别CCA的海关身份验证特征库的建立方法,其特征在于,所述的Axx、Ayy和Axy计算方程为:
式(2)中,为局部类内权值,为类间权值,为局部相关权值。
6.根据权利要求1-5中任意一项所述的基于局部判别CCA的海关身份验证特征库的建立方法,其特征在于,在所述的步骤(2)中,由主分量分析方法进行维数约简。
7.一种基于局部判别CCA的海关身份验证方法,该方法采用根据权利要求1-6中任意一项所述的基于局部判别CCA的海关身份验证特征库的建立方法获得的特征库,该方法包含:
(S100)将待验证身份人的护照人脸和视频人脸图像对转换为向量表示,进行维数约简,得到约简后的向量对为(x0,y0),由局部判别CCA优化并映射为低维融合特征向量
(S200)由所述的特征库中的所有低维融合特征向量训练最近邻分类器;
(S300)由训练好的最近邻分类器对待验证的低维融合特征向量进行分类,得到(x0,y0)的身份类别。
8.根据权利要求7所述的基于局部判别CCA的海关身份验证方法,其特征在于,在所述的步骤(1)中,由主分量分析方法进行维数约简。
9.一种基于局部判别CCA的海关身份验证系统,其特征在于,该系统包含:
获取模块,其用于截取待验证身份的人的护照人脸和视频人脸图像并将其转换为灰度图像,以获得M个人的N幅护照人脸和视频人脸的图像对并以向量表示;
优化模块,其用于将所述的向量表示进行约简、优化和映射,以获得低维融合特征向量
特征库模块,其用于存储低维融合特征向量;以及
识别模块,其采用最近邻分类器将待检测的低维融合特征向量与所述的特征库模块中的所有低维融合特征向量进行比对分类,以得到(x0,y0)的身份类别;
所述的优化模块采用如权利要求1-6中任意一项所述的基于局部判别CCA的海关身份验证特征库的建立方法进行约简、优化和映射。
10.一种计算机可读存储介质,其特征在于,该存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6中任意一项所述的基于局部判别CCA的海关身份验证特征库的建立方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810490252.5A CN108830163B (zh) | 2018-05-21 | 2018-05-21 | 一种基于局部判别cca的海关身份验证系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810490252.5A CN108830163B (zh) | 2018-05-21 | 2018-05-21 | 一种基于局部判别cca的海关身份验证系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108830163A true CN108830163A (zh) | 2018-11-16 |
CN108830163B CN108830163B (zh) | 2021-11-09 |
Family
ID=64148984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810490252.5A Active CN108830163B (zh) | 2018-05-21 | 2018-05-21 | 一种基于局部判别cca的海关身份验证系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830163B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109497990A (zh) * | 2018-12-27 | 2019-03-22 | 山东大学 | 一种基于典型相关分析的心电信号身份识别方法及系统 |
CN109859857A (zh) * | 2019-01-30 | 2019-06-07 | 深圳安泰创新科技股份有限公司 | 身份信息的标注方法、装置和计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6628821B1 (en) * | 1996-05-21 | 2003-09-30 | Interval Research Corporation | Canonical correlation analysis of image/control-point location coupling for the automatic location of control points |
KR20080100097A (ko) * | 2007-05-11 | 2008-11-14 | 포항공과대학교 산학협력단 | 2차원 정준상관 분석법을 이용한 얼굴 인식 방법 |
CN103310440A (zh) * | 2013-05-16 | 2013-09-18 | 北京师范大学 | 基于典型相关分析的颅骨身份认证方法 |
CN105718915A (zh) * | 2016-01-27 | 2016-06-29 | 中国石油大学(华东) | 一种基于多视角典型相关分析的人脸识别方法及其系统 |
CN105893947A (zh) * | 2016-03-29 | 2016-08-24 | 江南大学 | 基于多局部相关特征学习的两视角人脸识别方法 |
CN106709508A (zh) * | 2016-11-29 | 2017-05-24 | 江南大学 | 一种利用特征信息的加权典型相关分析方法 |
-
2018
- 2018-05-21 CN CN201810490252.5A patent/CN108830163B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6628821B1 (en) * | 1996-05-21 | 2003-09-30 | Interval Research Corporation | Canonical correlation analysis of image/control-point location coupling for the automatic location of control points |
KR20080100097A (ko) * | 2007-05-11 | 2008-11-14 | 포항공과대학교 산학협력단 | 2차원 정준상관 분석법을 이용한 얼굴 인식 방법 |
CN103310440A (zh) * | 2013-05-16 | 2013-09-18 | 北京师范大学 | 基于典型相关分析的颅骨身份认证方法 |
CN105718915A (zh) * | 2016-01-27 | 2016-06-29 | 中国石油大学(华东) | 一种基于多视角典型相关分析的人脸识别方法及其系统 |
CN105893947A (zh) * | 2016-03-29 | 2016-08-24 | 江南大学 | 基于多局部相关特征学习的两视角人脸识别方法 |
CN106709508A (zh) * | 2016-11-29 | 2017-05-24 | 江南大学 | 一种利用特征信息的加权典型相关分析方法 |
Non-Patent Citations (6)
Title |
---|
BOLI ET AL: "Supervised feature extraction based on orthogonal discriminant projection", 《NEUROCOMPUTING》 * |
NAIYANG GUAN ET AL: "Sparse Representation Based Discriminative Canonical Correlation Analysis for Face Recognition", 《2012 11TH INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND APPLICATIONS》 * |
侯彬: "基于稀疏表示的典型相关分析算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
孙廷凯: "增强型典型相关分析研究与应用", 《中国博士学位论文全文数据库 信息科技辑》 * |
张善文等: "基于监督局部映射的煤矿井下人员身份鉴别方法", 《中国安全科学学报》 * |
彭岩等: "局部判别型典型相关分析算法", 《计算机工程与应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109497990A (zh) * | 2018-12-27 | 2019-03-22 | 山东大学 | 一种基于典型相关分析的心电信号身份识别方法及系统 |
CN109859857A (zh) * | 2019-01-30 | 2019-06-07 | 深圳安泰创新科技股份有限公司 | 身份信息的标注方法、装置和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108830163B (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104318219B (zh) | 基于局部特征及全局特征结合的人脸识别方法 | |
CN103886301B (zh) | 一种人脸活体检测方法 | |
Li et al. | Overview of principal component analysis algorithm | |
Faruqe et al. | Face recognition using PCA and SVM | |
CN102799858B (zh) | 基于冗余特征消减的医学超声图像自动识别方法 | |
CN103310200B (zh) | 人脸识别方法 | |
KR20080033486A (ko) | 서포트 벡터 머신 및 얼굴 인식에 기초한 자동 생체 식별 | |
Li et al. | Mining key skeleton poses with latent svm for action recognition | |
Wang et al. | Face live detection method based on physiological motion analysis | |
CN109544523A (zh) | 基于多属性人脸比对的人脸图像质量评价方法及装置 | |
Li et al. | A statistical PCA method for face recognition | |
CN108830163A (zh) | 一种基于局部判别cca的海关身份验证系统及方法 | |
CN104318224B (zh) | 一种人脸识别方法及监控设备 | |
Lian | Pedestrian detection using quaternion histograms of oriented gradients | |
CN101482917B (zh) | 一种基于二阶二维主分量分析的人脸识别系统和方法 | |
Vareto et al. | Face spoofing detection via ensemble of classifiers toward low-power devices | |
Huang et al. | Regularized trace ratio discriminant analysis with patch distribution feature for human gait recognition | |
Bhat et al. | Evaluating active shape models for eye-shape classification | |
Mohammed et al. | Face Recognition Based on Viola-Jones Face Detection Method and Principle Component Analysis (PCA) | |
Del Coco et al. | Assessment of deep learning for gender classification on traditional datasets | |
Tan et al. | Face recognition algorithm based on open CV | |
Wang et al. | Gesture recognition based on BoF and its application in human-machine interaction of service robot | |
Ding et al. | Data collection and information security analysis in sports teaching system based on intelligent sensor | |
Liu | Face matching system in multi-pose changing scene | |
Jiang | Gmpps based face mask detection of infrared thermal image for ultra-small training data set |
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 |