CN108960201A - 一种基于人脸关键点提取和稀疏表达分类的表情识别方法 - Google Patents
一种基于人脸关键点提取和稀疏表达分类的表情识别方法 Download PDFInfo
- Publication number
- CN108960201A CN108960201A CN201810860738.3A CN201810860738A CN108960201A CN 108960201 A CN108960201 A CN 108960201A CN 201810860738 A CN201810860738 A CN 201810860738A CN 108960201 A CN108960201 A CN 108960201A
- Authority
- CN
- China
- Prior art keywords
- expression
- key point
- face
- image
- face key
- 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
- G06V40/174—Facial expression recognition
-
- 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
- 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
-
- 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
Abstract
本发明公开了一种基于人脸关键点提取和稀疏表达分类的表情识别方法,包括以下步骤:S1.采集人脸表情图像;S2.对采集的人脸表情图像进行预处理;S3.根据预处理得到的图像进行人脸检测和人脸关键点提取,并根据提取的关键点,构建样本的特征向量;S4.采用稀疏表示分类对人脸关键点所对应特征向量进行分类识别。本发明提供的一种基于人脸关键点提取和稀疏表达分类的表情识别方法,不仅可以通过标记人脸器官和脸颊的轮廓,还能实时跟踪这些器官的形变,形变的过程正好可以反映人脸表情,结合稀疏表达分类,有效提高了表情识别的准确性。
Description
技术领域
本发明属于计算机视觉技术领域,特别是涉及一种基于人脸关键点提取和稀疏表达分类的表情识别方法。
背景技术
人脸表情识别是计算机视觉研究和生物识别的重要组成。它主要是研究通过向计算机传递含有人脸的图像或视频来使计算机可以自动、高效地识别人脸蕴含的情绪,这在人机智能交互、游戏娱乐、公众安全等领域有着广泛应用。人脸表情识别的研究内容主要包括图像获取、图像预处理、特征提取和分类识别,这些也是人脸表情识别的过程。其中,特征提取和分类识别尤为关键。
表情特征提取是指从含有面部表情的图像中获取到表情的整体信息和细微局部信息,并以此来表达出相应的情感状态。目前,表情特征提取算法可以分为以下几种基于形状特征的提取方法:(1)基于形状特征的提取方法,指通过标记在面部表情特征点的几何形状关系来获取情感状态特征信息。面部中的眉毛、眼睛、鼻子、嘴巴能够丰富的表现出表情状态,这些器官会随着不同表情的出现发生形变。通常可以对这些器官进行关键点描述,进而进行特征提取,其特征主要包含器官的位置、尺度和它们之间的比率等等,将这些特征以一组向量的形式来表示一张具有表情的脸。这种特征对内存需求小,但要求提取的特征点要十分准确。(2)基于纹理特征的提取方法,它是指获取到表情图像中含有情感状态的内在信息,以获得描述面部整体或者局部变化的表情特征。该方法具有计算简单快捷,特征信息较丰富,但易受光照和噪声等其他因素的影响。例如局部二值法,Gabor小波。(3)基于混合特征的方法,混合特征是将局部特征和全局特征结合起来作为表情的特征。(4)基于运动特征序列的提取方法,常用于提取动态表情特征。分类识别是指在提取表情特征后,通过分类器将未知表情的特征划分为相应的已知表情类别,相关的分类方法有很多,如k邻近算法、支持向量机SVM、基于贝叶斯网络、基于神经网络和基于稀疏表示的分类方法。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于人脸关键点提取和稀疏表达分类的表情识别方法,不仅可以通过标记人脸器官和脸颊的轮廓,还能实时跟踪这些器官的形变,形变的过程正好可以反映人脸表情,结合稀疏表达分类,有效提高了表情识别的准确性。
本发明的目的是通过以下技术方案来实现的:一种基于人脸关键点提取和稀疏表达分类的表情识别方法,包括以下步骤:
S1.采集人脸表情图像;
S2.对采集的人脸表情图像进行预处理;
S3.根据预处理得到的图像进行人脸检测和人脸关键点提取,并根据提取的关键点,构建样本的特征向量;
S4.采用稀疏表示分类对人脸关键点所对应特征向量进行分类识别。
进一步地,所述步骤S2包括:对整张人脸表情图像进行灰度化、直方图均衡化,以消除光照噪声因素对人脸检测和人脸关键点检测的影响,提高图像质量。
进一步地,所述步骤S3包括:
S301.通过图像金字塔和滑动窗口检测对预处理后的图像进行人脸检测,定位人脸的位置;
S302.通过LBF算法训练并检测得到人脸关键点:
使用LBF算法得到68个人脸关键点,包含了人的脸颊、双眼、鼻子和嘴唇;
利用人脸表情变化时,这些特征点会随着这些器官做出相对变化这一特征,求取它们相对于彼此的位置来表示该图像的表情;
人脸关键点的表情特征提取过程中,为得到68个关键点彼此间的相对变化,将这68个点的x、y轴各自的均值制造一个标称点,这个标称点与其他的68个关键点构成了具有方向和大小的68个矢量,以这68个矢量作为该样本的表情特征向量。
进一步地,所述步骤S3中,通过滑动窗口检测时,利用经典的面向倾斜梯度图特征与线性分类器来对人脸表情图像的所有子窗口进行二分类。
进一步地,所述LBF算法是基于随机树的方法,学习每个关键点的局部二值特征,然后将特征组合起来,使用线性回归检测关键点。
具体地,步骤S4包括:
S401.根据得到样本的特征向量构建特征矩阵A=[A1,A2,...Ak]∈Rm×n,m是特征维数,n是训练样本总数,将一个测试样本y∈Rm和将特征矩阵输入稀疏表示分类模型中;
S402.求解L1范数问题的稀疏解
S403.计算每个类别的训练样本与测试样本y的重构残差其中i=1,2,...,k;
S404.输出测试样本y的类别identify(y)=argminri(y)。
本发明的有益效果是:本发明不仅可以通过标记人脸器官和脸颊的轮廓,还能实时跟踪这些器官的形变,形变的过程正好可以反映人脸表情,结合稀疏表达分类,有效提高了表情识别的准确性。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示。一种基于人脸关键点提取和稀疏表达分类的表情识别方法,包括以下步骤:
S1.采集人脸表情图像;
S2.对采集的人脸表情图像进行预处理;
S3.根据预处理得到的图像进行人脸检测和人脸关键点提取,并根据提取的关键点,构建样本的特征向量;
S4.采用稀疏表示分类对人脸关键点所对应特征向量进行分类识别。
进一步地,所述步骤S2包括:对整张人脸表情图像进行灰度化、直方图均衡化,以消除光照噪声因素对人脸检测和人脸关键点检测的影响,提高图像质量。
进一步地,所述步骤S3包括:
S301.通过图像金字塔和滑动窗口检测对预处理后的图像进行人脸检测,定位人脸的位置;
S302.通过LBF算法训练并检测得到人脸关键点:
使用LBF算法得到68个人脸关键点,包含了人的脸颊、双眼、鼻子和嘴唇;
利用人脸表情变化时,这些特征点会随着这些器官做出相对变化这一特征,求取它们相对于彼此的位置来表示该图像的表情;
人脸关键点的表情特征提取过程中,为得到68个关键点彼此间的相对变化,将这68个点的x、y轴各自的均值制造一个标称点,这个标称点与其他的68个关键点构成了具有方向和大小的68个矢量,以这68个矢量作为该样本的表情特征向量。
进一步地,所述步骤S3中,通过滑动窗口检测时,利用经典的面向倾斜梯度图特征与线性分类器来对人脸表情图像的所有子窗口进行二分类。
进一步地,所述LBF算法是基于随机树的方法,学习每个关键点的局部二值特征,然后将特征组合起来,使用线性回归检测关键点。
稀疏学习主要包含稀疏表示和字典学习等方法,稀疏表示在机器学习和计算机视觉领域备受关注,其在人脸识别、图像分类等方面的性能表现非常突出,主要原因是该理论中需要一个能够准确地描述图像内在结构信息和本质属性的超完备字典,并用尽稀疏的数据表示图像信息。稀疏表示分类(SRC)主要基于线性组合思想:假设每类对象有足够多的样本,待测样本可由所有对象完备字典线性组合表示。如果待测样本属于第i类,则只能由第i类样本线性组合表示,即线性组合系数非0项全部集中在第i类,其他类全为0。因此,可通过适当的稀疏约束求解线性组合方程组,利用求解系数的非0项分布进行分类。字典学习是利用训练样本的先验知识学习出一组性能更佳的基向量,使字典更利于分类。
具体地,所述步骤S4包括:
给定超完备字典A和为第i类某测试样本,由稀疏表示理论可知,该类样本y可由Ai线性表示为:
y=Aix=xi,1ai,1+xi,2ai,2+...+xi,nai,n;
其中,x为线性组合的系数,且x=[0,...0,xi,1,xi,1,...,xi,ni,0,...0]∈R,理想状态下,希望得到除了第i类字典相对应的系数以外其它类别的系数为0的x。而在实际中,由于图像噪声等误差因素的存在,理想状态大都不可实现。
y可被分解为不同图像特征的组合,稀疏表示系数矩阵x对应于各图像特征的分量,则图像分类问题就转化为求解线性方程y=Ax的问题;由压缩感知理论,并考虑噪声等误差因素的存在,此问题可转化为:
argmin||x1s.t.||y-Ax||2≤ε
现实中,由于噪声和其它误差的干扰,稀疏投影系数向量x本该在不同类别上的系数为0,但却出现了有系数不为0的情形;并且,因为所提取的特征向量存在共线性,影响泛化能力可能导致过拟合。可以通过引入正则项对损失函数施加惩罚来解决以上问题;考虑到算法运行速度、计算量等情况,应当采用Lasso算法,即引入一个L1范数惩罚。
其中t≥0是一个调节参数。
然后得到每类训练样本对测试样本的近似表示,根据每类训练样本与测试样本的逼近程度所呈现表示的判别差,最后可以使用重构误差对y判别所属类别:
identify(y)=argminri(y)
故步骤S4可表示为:
S401.根据得到样本的特征向量构建特征矩阵A=[A1,A2,...Ak]∈Rm×n,m是特征维数,n是训练样本总数,将一个测试样本y∈Rm和将特征矩阵输入稀疏表示分类模型中;
S402.求解L1范数问题的稀疏解
S403.计算每个类别的训练样本与测试样本y的重构残差其中i=1,2,...,k;
S404.输出测试样本y的类别identify(y)=argminri(y)。
综上,本发明不仅可以通过标记人脸器官和脸颊的轮廓,还能实时跟踪这些器官的形变,形变的过程正好可以反映人脸表情,结合稀疏表达分类,有效提高了表情识别的准确性。
需要说明的是,本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的实施方法,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种基于人脸关键点提取和稀疏表达分类的表情识别方法,其特征在于:包括以下步骤:
S1.采集人脸表情图像;
S2.对采集的人脸表情图像进行预处理;
S3.根据预处理得到的图像进行人脸检测和人脸关键点提取,并根据提取的关键点,构建样本的特征向量;
S4.采用稀疏表示分类对人脸关键点所对应特征向量进行分类识别。
2.根据权利要求1所述的一种基于人脸关键点提取和稀疏表达分类的表情识别方法,其特征在于:所述步骤S2包括:对整张人脸表情图像进行灰度化、直方图均衡化,以消除光照噪声因素对人脸检测和人脸关键点检测的影响,提高图像质量。
3.根据权利要求1所述的一种基于人脸关键点提取和稀疏表达分类的表情识别方法,其特征在于:所述步骤S3包括:
S301.通过图像金字塔和滑动窗口检测对预处理后的图像进行人脸检测,定位人脸的位置;
S302.通过LBF算法训练并检测得到人脸关键点:
使用LBF算法得到68个人脸关键点,包含了人的脸颊、双眼、鼻子和嘴唇;
利用人脸表情变化时,这些特征点会随着这些器官做出相对变化这一特征,求取它们相对于彼此的位置来表示该图像的表情;
人脸关键点的表情特征提取过程中,为得到68个关键点彼此间的相对变化,将这68个点的x、y轴各自的均值制造一个标称点,这个标称点与其他的68个关键点构成了具有方向和大小的68个矢量,以这68个矢量作为该样本的表情特征向量。
4.根据权利要求3所述的一种基于人脸关键点提取和稀疏表达分类的表情识别方法,其特征在于:所述步骤S3中,通过滑动窗口检测时,利用经典的面向倾斜梯度图特征与线性分类器来对人脸表情图像的所有子窗口进行二分类。
5.根据权利要求3所述的一种基于人脸关键点提取和稀疏表达分类的表情识别方法,其特征在于:所述LBF算法是基于随机树的方法,学习每个关键点的局部二值特征,然后将特征组合起来,使用线性回归检测关键点。
6.根据权利要求1所述的一种基于人脸关键点提取和稀疏表达分类的表情识别方法,其特征在于:所述步骤S4包括:
S401.根据得到样本的特征向量构建特征矩阵A=[A1,A2,...Ak]∈Rm×n,m是特征维数,n是训练样本总数,将一个测试样本y∈Rm和将特征矩阵输入稀疏表示分类模型中;
S402.求解L1范数问题的稀疏解
S403.计算每个类别的训练样本与测试样本y的重构残差其中i=1,2,...,k;
S404.输出测试样本y的类别identify(y)=argminri(y)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810860738.3A CN108960201A (zh) | 2018-08-01 | 2018-08-01 | 一种基于人脸关键点提取和稀疏表达分类的表情识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810860738.3A CN108960201A (zh) | 2018-08-01 | 2018-08-01 | 一种基于人脸关键点提取和稀疏表达分类的表情识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108960201A true CN108960201A (zh) | 2018-12-07 |
Family
ID=64465431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810860738.3A Pending CN108960201A (zh) | 2018-08-01 | 2018-08-01 | 一种基于人脸关键点提取和稀疏表达分类的表情识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960201A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993067A (zh) * | 2019-03-07 | 2019-07-09 | 北京旷视科技有限公司 | 面部关键点提取方法、装置、计算机设备和存储介质 |
CN110175578A (zh) * | 2019-05-29 | 2019-08-27 | 厦门大学 | 应用于刑侦的基于深度森林的微表情识别方法 |
CN110363124A (zh) * | 2019-07-03 | 2019-10-22 | 广州多益网络股份有限公司 | 基于人脸关键点与几何形变的快速表情识别及应用方法 |
CN110991294A (zh) * | 2019-11-26 | 2020-04-10 | 吉林大学 | 一种快速构建的人脸动作单元识别方法及系统 |
CN112883867A (zh) * | 2021-02-09 | 2021-06-01 | 广州汇才创智科技有限公司 | 一种基于图像情感分析的学生在线学习评估方法及系统 |
CN115601484A (zh) * | 2022-11-07 | 2023-01-13 | 广州趣丸网络科技有限公司(Cn) | 虚拟人物面部驱动方法、装置、终端设备和可读存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080260212A1 (en) * | 2007-01-12 | 2008-10-23 | Moskal Michael D | System for indicating deceit and verity |
CN104036255A (zh) * | 2014-06-21 | 2014-09-10 | 电子科技大学 | 一种人脸表情识别方法 |
CN104376312A (zh) * | 2014-12-08 | 2015-02-25 | 广西大学 | 基于词袋压缩感知特征提取的人脸识别方法 |
CN104978569A (zh) * | 2015-07-21 | 2015-10-14 | 南京大学 | 一种基于稀疏表示的增量人脸识别方法 |
CN105488456A (zh) * | 2015-11-23 | 2016-04-13 | 中国科学院自动化研究所 | 基于自适应阈值调整拒识子空间学习的人脸检测方法 |
CN106096588A (zh) * | 2016-07-06 | 2016-11-09 | 北京奇虎科技有限公司 | 一种图像数据的处理方法、装置和移动终端 |
CN106169073A (zh) * | 2016-07-11 | 2016-11-30 | 北京科技大学 | 一种表情识别方法及系统 |
CN106529448A (zh) * | 2016-10-27 | 2017-03-22 | 四川长虹电器股份有限公司 | 利用聚合通道特征进行多视角人脸检测的方法 |
CN106980848A (zh) * | 2017-05-11 | 2017-07-25 | 杭州电子科技大学 | 基于曲波变换和稀疏学习的人脸表情识别方法 |
CN106991363A (zh) * | 2016-01-21 | 2017-07-28 | 北京三星通信技术研究有限公司 | 一种人脸检测的方法和装置 |
CN107146196A (zh) * | 2017-03-20 | 2017-09-08 | 深圳市金立通信设备有限公司 | 一种图像美颜方法及终端 |
CN107273840A (zh) * | 2017-06-08 | 2017-10-20 | 天津大学 | 一种基于现实世界图像的面部识别方法 |
CN107423663A (zh) * | 2017-03-23 | 2017-12-01 | 深圳市金立通信设备有限公司 | 一种图像处理方法及终端 |
-
2018
- 2018-08-01 CN CN201810860738.3A patent/CN108960201A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080260212A1 (en) * | 2007-01-12 | 2008-10-23 | Moskal Michael D | System for indicating deceit and verity |
CN104036255A (zh) * | 2014-06-21 | 2014-09-10 | 电子科技大学 | 一种人脸表情识别方法 |
CN104376312A (zh) * | 2014-12-08 | 2015-02-25 | 广西大学 | 基于词袋压缩感知特征提取的人脸识别方法 |
CN104978569A (zh) * | 2015-07-21 | 2015-10-14 | 南京大学 | 一种基于稀疏表示的增量人脸识别方法 |
CN105488456A (zh) * | 2015-11-23 | 2016-04-13 | 中国科学院自动化研究所 | 基于自适应阈值调整拒识子空间学习的人脸检测方法 |
CN106991363A (zh) * | 2016-01-21 | 2017-07-28 | 北京三星通信技术研究有限公司 | 一种人脸检测的方法和装置 |
CN106096588A (zh) * | 2016-07-06 | 2016-11-09 | 北京奇虎科技有限公司 | 一种图像数据的处理方法、装置和移动终端 |
CN106169073A (zh) * | 2016-07-11 | 2016-11-30 | 北京科技大学 | 一种表情识别方法及系统 |
CN106529448A (zh) * | 2016-10-27 | 2017-03-22 | 四川长虹电器股份有限公司 | 利用聚合通道特征进行多视角人脸检测的方法 |
CN107146196A (zh) * | 2017-03-20 | 2017-09-08 | 深圳市金立通信设备有限公司 | 一种图像美颜方法及终端 |
CN107423663A (zh) * | 2017-03-23 | 2017-12-01 | 深圳市金立通信设备有限公司 | 一种图像处理方法及终端 |
CN106980848A (zh) * | 2017-05-11 | 2017-07-25 | 杭州电子科技大学 | 基于曲波变换和稀疏学习的人脸表情识别方法 |
CN107273840A (zh) * | 2017-06-08 | 2017-10-20 | 天津大学 | 一种基于现实世界图像的面部识别方法 |
Non-Patent Citations (3)
Title |
---|
WEIWANG等: "A Modified Sparse Representation Method for Facial Expression Recognition", 《COMPUTATIONAL INTELLIGENCE AND NEUROSCIENCE》 * |
周昊等: "基于LBP算子和稀疏表达分类器的人脸表情识别", 《自动化与仪器仪表》 * |
陈路: "基于稀疏表达的人脸分析方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993067A (zh) * | 2019-03-07 | 2019-07-09 | 北京旷视科技有限公司 | 面部关键点提取方法、装置、计算机设备和存储介质 |
CN110175578A (zh) * | 2019-05-29 | 2019-08-27 | 厦门大学 | 应用于刑侦的基于深度森林的微表情识别方法 |
CN110363124A (zh) * | 2019-07-03 | 2019-10-22 | 广州多益网络股份有限公司 | 基于人脸关键点与几何形变的快速表情识别及应用方法 |
CN110991294A (zh) * | 2019-11-26 | 2020-04-10 | 吉林大学 | 一种快速构建的人脸动作单元识别方法及系统 |
CN112883867A (zh) * | 2021-02-09 | 2021-06-01 | 广州汇才创智科技有限公司 | 一种基于图像情感分析的学生在线学习评估方法及系统 |
CN115601484A (zh) * | 2022-11-07 | 2023-01-13 | 广州趣丸网络科技有限公司(Cn) | 虚拟人物面部驱动方法、装置、终端设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960201A (zh) | 一种基于人脸关键点提取和稀疏表达分类的表情识别方法 | |
CN103605972B (zh) | 一种基于分块深度神经网络的非限制环境人脸验证方法 | |
CN104866829B (zh) | 一种基于特征学习的跨年龄人脸验证方法 | |
Zeng et al. | Spontaneous emotional facial expression detection. | |
CN113139591B (zh) | 一种基于增强多模态对齐的广义零样本图像分类方法 | |
Rioux-Maldague et al. | Sign language fingerspelling classification from depth and color images using a deep belief network | |
CN110084156A (zh) | 一种步态特征提取方法及基于步态特征的行人身份识别方法 | |
CN105138998B (zh) | 基于视角自适应子空间学习算法的行人重识别方法及系统 | |
CN108182397B (zh) | 一种多姿态多尺度的人脸验证方法 | |
Bhavana et al. | Hand sign recognition using CNN | |
CN104834941A (zh) | 基于计算机输入下的稀疏自编码的脱机手写体识别方法 | |
CN107491729B (zh) | 基于余弦相似度激活的卷积神经网络的手写数字识别方法 | |
CN102156885A (zh) | 基于级联式码本生成的图像分类方法 | |
CN106960185B (zh) | 线性判别深度信念网络的多姿态人脸识别方法 | |
CN109034281A (zh) | 加速基于卷积神经网络的中文手写体识别的方法 | |
CN106022241A (zh) | 一种基于小波变换及稀疏表示的人脸识别方法 | |
Paul et al. | Extraction of facial feature points using cumulative histogram | |
CN109033978A (zh) | 一种基于纠错策略的cnn-svm混合模型手势识别方法 | |
CN107220598A (zh) | 基于深度学习特征和Fisher Vector编码模型的虹膜图像分类方法 | |
Yingxin et al. | A robust hand gesture recognition method via convolutional neural network | |
CN110348280A (zh) | 基于cnn结构神经网络的水书文字识别方法 | |
CN103605993B (zh) | 一种基于面向场景判别性分析的图像到视频人脸识别方法 | |
CN108319891A (zh) | 基于稀疏表达和改进的lda的人脸特征提取方法 | |
CN103942545A (zh) | 一种基于双向压缩数据空间维度缩减的人脸识别方法和装置 | |
Zhang et al. | A novel deep LeNet-5 convolutional neural network model for image recognition |
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 |
Application publication date: 20181207 |
|
RJ01 | Rejection of invention patent application after publication |