CN109583375B - 一种多特征融合的人脸图像光照识别方法及系统 - Google Patents
一种多特征融合的人脸图像光照识别方法及系统 Download PDFInfo
- Publication number
- CN109583375B CN109583375B CN201811451656.XA CN201811451656A CN109583375B CN 109583375 B CN109583375 B CN 109583375B CN 201811451656 A CN201811451656 A CN 201811451656A CN 109583375 B CN109583375 B CN 109583375B
- Authority
- CN
- China
- Prior art keywords
- image
- features
- face image
- illumination
- feature
- 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
Links
- 238000005286 illumination Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000004927 fusion Effects 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims description 32
- 230000001815 facial effect Effects 0.000 claims description 19
- 238000012706 support-vector machine Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
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)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多特征融合的人脸图像光照识别方法，包括步骤：对每一张不同光照情形下的人脸图像，提取图像的协方差矩阵，计算图像的区域差别特征，二者融合作为图像的统计特征；基于神经网络方法提取人脸图像的深度特征；将所述统计特征和深度特征进行融合，得到融合后特征；对融合后特征进行分类，以实现人脸图像的光照识别。本发明还公开了一种多特征融合的人脸图像光照识别系统。本发明能够实现对不同光照条件下人脸图像的区分，且准确率高、识别速度快、未来技术更新容易。
Description
技术领域
本发明涉及图像识别研究领域，特别涉及一种多特征融合的人脸图像光照识别方法及系统。
背景技术
随着电子技术的发展，图像的获取越来越便利，而图像作为信息的载体，相对于文本和声音更加形象直观。在智能安防领域，人脸识别技术已经引起了广泛的关注并且具有广阔的应用前景，但是在人脸图像的采集过程中，存在着人脸光照等影响因素，这些因素会降低人脸识别的准确率，因此如何从海量的人脸图像中将不同光照情形下的人脸图像准确区分开，从而在不同需求场景下可选择适合该场景的光照情形的图像是很有研究意义的。
传统的方法一般是提取一些人脸的光照特征描述子用来进行光照识别，但是随着人工智能的不断发展，深度人脸特征的引入也能很大程度上提高分类器的分类准确率。
人脸图像光照识别的工作流程一般包括：特征提取、对提取的特征进行分类，从而完成人脸图像光照的识别工作。
1.特征提取：
人脸光照相关特征提取是对于一张输入的人脸图像，提取出图像可能含有光照信息的特征描述子的过程。现有的特征提取的方法包括传统特征描述子提取方法和深度学习特征提取方法。其中，传统特征描述子常包括协方差矩阵、左右反差、上下反差、图像亮度、图像对比度等统计特征描述子；传统深度学习特征提取通常是用softmax作为代价函数，抽取神经网络中的某一层作为特征。
然而，对于非深度学习的算法，提取出的统计特征不准确。一幅图像的左右反差、上下反差不能够在细节上反映出两幅图像之间的差别；图像的平均亮度、图像对比度虽然是属于图像光照的信息，但也不能具体地反映出人脸图像的光照特性；图像的协方差矩阵虽然将人脸的更细节的特征表示出来，但是利用这些特征也无法将人脸图像光照特性准确表达。这些特征的提取会导致后续的识别结果不够准确。
此外，深度学习的算法常利用softmax作为代价函数，利用多种类图像训练好深度神经网络后，测试图片时只需抽取神经网络中的某一层作为特征用做后续分类。
2.分类方法：
分类，是指将不同光照情况的人脸图像按照种类、等级或性质进行区分。现有的分类方法包括：决策树方法、贝叶斯方法和人工神经网络方法等。
朴素贝叶斯方法是一种最简单的机器学习算法，分类速度快、易于理解，但是模型准确率一般较低，容易有欠拟合现象的发生。决策树方法的算法准确率无法达到对于光照区分度的需求。现有的分类方法存在着分类不准确、耗时长、运算复杂等问题。
深度学习的方法准确率较高，但模型较复杂，且依赖于前期训练的模型鲁棒性。再加入新的光照标签时，需定期重新训练模型以达到更好的模型鲁棒性。
为此，克服上述缺陷，研究一种准确率高、识别速度快的人脸图像光照识别方法及系统具有重要价值。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种多特征融合的人脸图像光照识别方法及系统，能够实现对不同光照条件下人脸图像的区分，且准确率高、识别速度快、未来技术更新容易。
本发明的目的通过以下的技术方案实现：一种多特征融合的人脸图像光照识别方法，包括步骤：
对每一张不同光照情形下的人脸图像，提取图像的协方差矩阵，计算图像的区域差别特征，二者融合作为图像的统计特征；
基于神经网络方法提取人脸图像的深度特征；
将所述统计特征和深度特征进行融合，得到融合后特征；
对融合后特征进行分类，以实现人脸图像的光照识别。
优选的，提取图像的协方差矩阵，步骤是：
对于一张输入的人脸图像，计算图像的协方差矩阵，得到大小为n×n的矩阵，然后将矩阵拉直成为n×n一维长度的特征；
对于n×n一维长度的特征，利用预先训练好的auto-encoder(自编码机)模型，将数据进行降维，得到降维后的特征。
优选的，计算图像的区域差别特征，步骤是：
对于一张输入的人脸照片，求出左边和右边的平均亮度差值作为图像的左右偏差，求出上面和下面的平均亮度差值作为图像的上下偏差，求出整张图的平均亮度值，将这3个值作为人脸图像提取出的区域差别特征。
优选的，将协方差矩阵和区域差别特征融合作为图像的统计特征，方法是：将降维后的特征与区域差别特征串联，得到统计特征。
优选的，基于神经网络方法提取人脸图像的深度特征，是指基于tensorflow神经网络框架，利用训练好的FaceNet模型对具有不同光照条件的人脸图像进行特征提取，得到深度特征。
优选的，利用支持向量机SVM方法对融合后特征进行分类，得到每张图像的光照类别标签，进而将人脸图像分至正确的光照种类所在的类别中。
优选的，所述人脸图像光照识别方法，针对输入的每一张人脸图像，首先对人脸图像数据进行特征标准化，以使得数据的每个维度具有零均值和单位方差。
一种多特征融合的人脸图像光照识别系统，包括：
统计特征提取模块，用于对每一张不同光照情形下的人脸图像，提取图像的协方差矩阵，计算图像的区域差别特征，二者融合作为图像的统计特征；
深度特征提取模块，用于基于神经网络方法提取人脸图像的深度特征；
特征融合模块，用于将所述统计特征和深度特征进行融合，得到融合后特征；
分类模块，用于对融合后特征进行分类，以实现人脸图像的光照识别。
优选的，所述统计特征提取模块包括：
协方差矩阵特征提取模块，用于：对于一张输入的人脸图像，计算图像的协方差矩阵，得到大小为n×n的矩阵，然后将矩阵拉直成为n×n一维长度的特征；对于n×n一维长度的特征，利用预先训练好的auto-encoder(自编码机)模型，将数据进行降维，得到降维后的特征；
区域差别特征提取模块，用于：对于一张输入的人脸照片，求出左边和右边的平均亮度差值作为图像的左右偏差，求出上面和下面的平均亮度差值作为图像的上下偏差，求出整张图的平均亮度值，将这3个值作为人脸图像提取出的区域差别特征。
统计特征融合模块，用于将降维后的特征与区域差别特征串联，得到统计特征。
优选的，所述深度特征提取模块，用于基于tensorflow神经网络框架，利用训练好的FaceNet模型对具有不同光照条件的人脸图像进行特征提取，得到深度特征。
优选的，所述分类模块是利用支持向量机SVM方法对融合后特征进行分类。
优选的，所述人脸图像光照识别系统包括标准化模块，用于针对输入的每一张人脸图像，首先对人脸图像数据进行特征标准化，以使得数据的每个维度具有零均值和单位方差。
本发明的多特征融合的人脸图像光照识别方法可以将海量数据中的人脸图像进行光照属性分类，便于特定场景下的具有特定光照条件的数据选择。经过实际测试，本发明的有益效果在于：
1、准确率高。本发明方法中将传统的图像统计信息与深度神经网络学习出来的人脸深度信息融合，增加了系统的鲁棒性的同时也能增加人脸图像光照识别的准确率。对于从Multi-PIE中挑选出来的16种光照条件的数据子集，不管是对正面人脸、还是侧面人脸都能将图像的光照条件比较好地区分。当只利用统计特征进行SVM分类器分类时，该子数据集的识别准确率仅为76.7％；当只利用深度特征进行SVM分类器分类时，该子数据集的识别准确率为96.2％；当利用融合后的特征进行SVM分类器分类时，该子数据集的识别准确率为99.8％。
2、轻量级模型，运行速度快。在64位的Ubuntu服务器上(i7处理器，8g内存)，1000张的小数据集仅需几十秒即可获得识别结果，方便工程的部署。
附图说明
本发明将通过参照附图来详细描述其示例性实施例，在附图中：
图1为本实施例多特征融合的人脸图像光照识别方法的整体流程图；
图2为本实施例多特征融合的人脸图像光照识别方法的具体应用时的流程图；
图3为本实施例多特征融合的人脸图像光照识别系统的框图。
具体实施方式
附图仅用于示例性说明，不能理解为对本发明的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸。
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，本实施例一种多特征融合的人脸图像光照识别方法，包括训练阶段和实际识别阶段，下面进行具体说明。
一、训练阶段
从Multi-PIE数据库中挑选出具有16种光照条件的训练集，训练auto-encoder模型和FaceNet模型。模型训练可采用现有技术来实现。
二、实际识别阶段
结合附图1、2，主要包括下述步骤：
S1、针对实际光照情形下的人脸图像，计算统计特征。
首先，利用opencv的calcCovarMatrix提取出图像的协方差矩阵，将矩阵拉直后利用训练好的auto-encoder模型将特征压缩至125维，得到125维图像特征。
然后，求出左边和右边的平均亮度差值作为图像的左右偏差，求出上面和下面的平均亮度差值作为图像的上下偏差，求出整张图的平均亮度值，将这3个值作为人脸图像提取出的区域差别特征。
最后，将上述125维图像特征以及每个图像的3个区域差别特征串联，得到人脸的128维的统计特征用作后述人脸图像的光照识别。
S2、针对实际光照情形下的人脸图像，计算深度特征。
基于tensorflow神经网络框架，利用FaceNet模型对具有不同光照条件的人脸图像进行特征提取，对于每张输入的图像，可从训练好的FaceNet模型中提取128维的深度特征用作人脸图像的光照识别。
S3、将统计特征和深度特征进行融合，得到融合后特征。
利用提取的128维人脸光照相关统计特征和提取的128维人脸深度特征，融合得到一张人脸图像最终的256维人脸光照特征，用作后续分类。
S4、对融合后特征进行分类。
利用支持向量机SVM方法对融合后特征进行分类，得到每张图像的光照类别标签，进而输出人脸图像分类结果。
本实施例中，针对输入的每一张人脸图像，首先对人脸图像数据进行特征标准化，以使得数据的每个维度具有零均值和单位方差。
实施例2
如图3所示，本实施例公开了一种多特征融合的人脸图像光照识别系统，包括：
统计特征提取模块，用于对每一张不同光照情形下的人脸图像，提取图像的协方差矩阵，计算图像的区域差别特征，二者融合作为图像的统计特征；
深度特征提取模块，用于基于神经网络方法提取人脸图像的深度特征；
特征融合模块，用于将所述统计特征和深度特征进行融合，得到融合后特征；
分类模块，用于对融合后特征进行分类，以实现人脸图像的光照识别。
为了针对实际图像进行处理，该系统还建立一个预训练模块，用于训练模型以生成所述统计特征提取模块和所述深度特征提取模块需要调用的auto-encoder模型和FaceNet模型。
本实施例中，统计特征提取模块包括：
协方差矩阵特征提取模块，用于：对于一张输入的人脸图像，计算图像的协方差矩阵，得到大小为n×n的矩阵，然后将矩阵拉直成为n×n一维长度的特征；对于n×n一维长度的特征，利用预先训练好的auto-encoder模型，将数据进行降维，得到降维后的特征；
区域差别特征提取模块，用于：对于一张输入的人脸照片，求出左边和右边的平均亮度差值作为图像的左右偏差，求出上面和下面的平均亮度差值作为图像的上下偏差，求出整张图的平均亮度值，将这3个值作为人脸图像提取出的区域差别特征。
统计特征融合模块，用于将降维后的特征与区域差别特征串联，得到统计特征。
本实施例中，所述深度特征提取模块，用于基于tensorflow神经网络框架，利用训练好的FaceNet模型对具有不同光照条件的人脸图像进行特征提取，得到深度特征。
本实施例中，所述分类模块是利用支持向量机SVM方法对融合后特征进行分类。
本实施例中，所述人脸图像光照识别系统包括标准化模块，用于针对输入的每一张人脸图像，首先对人脸图像数据进行特征标准化，以使得数据的每个维度具有零均值和单位方差。
可通过各种手段实施本发明描述的技术。举例来说，这些技术可实施在硬件、固件、软件或其组合中。对于硬件实施方案，处理模块可实施在一个或一个以上专用集成电路(ASIC)、数字信号处理器(DSP)、可编程逻辑装置(PLD)、现场可编辑逻辑门阵列(FPGA)、处理器、控制器、微控制器、电子装置、其他经设计以执行本发明所描述的功能的电子单元或其组合内。
对于固件和/或软件实施方案，可用执行本文描述的功能的模块(例如，过程、步骤、流程等)来实施所述技术。固件和/或软件代码可存储在存储器中并由处理器执行。存储器可实施在处理器内或处理器外部。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (8)
1.一种多特征融合的人脸图像光照识别方法，其特征在于，包括步骤：
对每一张不同光照情形下的人脸图像，提取图像的协方差矩阵，计算图像的区域差别特征，二者融合作为图像的统计特征；
基于神经网络方法提取人脸图像的深度特征；
将所述统计特征和深度特征进行融合，得到融合后特征；
对融合后特征进行分类，以实现人脸图像的光照识别；
提取图像的协方差矩阵，步骤是：
对于一张输入的人脸图像，计算图像的协方差矩阵，得到大小为n×n的矩阵，然后将矩阵拉直成为n×n一维长度的特征；
对于n×n一维长度的特征，利用预先训练好的auto-encoder模型，将数据进行降维，得到降维后的特征；
计算图像的区域差别特征，步骤是：
对于一张输入的人脸照片，求出左边和右边的平均亮度差值作为图像的左右偏差，求出上面和下面的平均亮度差值作为图像的上下偏差，求出整张图的平均亮度值，将这3个值作为人脸图像提取出的区域差别特征；
将降维后的特征与区域差别特征串联，得到统计特征。
2.根据权利要求1所述的多特征融合的人脸图像光照识别方法，其特征在于，基于神经网络方法提取人脸图像的深度特征，是指基于tensorflow神经网络框架，利用训练好的FaceNet模型对具有不同光照条件的人脸图像进行特征提取，得到深度特征。
3.根据权利要求1所述的多特征融合的人脸图像光照识别方法，其特征在于，利用支持向量机SVM方法对融合后特征进行分类，得到每张图像的光照类别标签，进而将人脸图像分至正确的光照种类所在的类别中。
4.根据权利要求1所述的多特征融合的人脸图像光照识别方法，其特征在于，所述人脸图像光照识别方法，针对输入的每一张人脸图像，首先对人脸图像数据进行特征标准化，以使得数据的每个维度具有零均值和单位方差。
5.一种多特征融合的人脸图像光照识别系统，其特征在于，包括：
统计特征提取模块，用于对每一张不同光照情形下的人脸图像，提取图像的协方差矩阵，计算图像的区域差别特征，二者融合作为图像的统计特征；
深度特征提取模块，用于基于神经网络方法提取人脸图像的深度特征；
特征融合模块，用于将所述统计特征和深度特征进行融合，得到融合后特征；
分类模块，用于对融合后特征进行分类，以实现人脸图像的光照识别；
所述统计特征提取模块包括：
协方差矩阵特征提取模块，用于：对于一张输入的人脸图像，计算图像的协方差矩阵，得到大小为n×n的矩阵，然后将矩阵拉直成为n×n一维长度的特征；对于n×n一维长度的特征，利用预先训练好的auto-encoder模型，将数据进行降维，得到降维后的特征；
区域差别特征提取模块，用于：对于一张输入的人脸照片，求出左边和右边的平均亮度差值作为图像的左右偏差，求出上面和下面的平均亮度差值作为图像的上下偏差，求出整张图的平均亮度值，将这3个值作为人脸图像提取出的区域差别特征；
统计特征融合模块，用于将降维后的特征与区域差别特征串联，得到统计特征。
6.根据权利要求5所述的多特征融合的人脸图像光照识别系统，其特征在于，所述深度特征提取模块，用于基于tensorflow神经网络框架，利用训练好的FaceNet模型对具有不同光照条件的人脸图像进行特征提取，得到深度特征。
7.根据权利要求5所述的多特征融合的人脸图像光照识别系统，其特征在于，所述分类模块是利用支持向量机SVM方法对融合后特征进行分类。
8.根据权利要求5所述的多特征融合的人脸图像光照识别系统，其特征在于，所述人脸图像光照识别系统包括标准化模块，用于针对输入的每一张人脸图像，首先对人脸图像数据进行特征标准化，以使得数据的每个维度具有零均值和单位方差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811451656.XA CN109583375B (zh) | 2018-11-30 | 2018-11-30 | 一种多特征融合的人脸图像光照识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811451656.XA CN109583375B (zh) | 2018-11-30 | 2018-11-30 | 一种多特征融合的人脸图像光照识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109583375A CN109583375A (zh) | 2019-04-05 |
| CN109583375B true CN109583375B (zh) | 2021-04-06 |
Family
ID=65925556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811451656.XA Active CN109583375B (zh) | 2018-11-30 | 2018-11-30 | 一种多特征融合的人脸图像光照识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109583375B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033040B (zh) * | 2019-04-12 | 2021-05-04 | 华南师范大学 | 一种火焰识别方法、系统、介质和设备 |
| CN112308102B (zh) * | 2019-08-01 | 2022-05-17 | 北京易真学思教育科技有限公司 | 图像相似度计算方法、计算装置及存储介质 |
| CN111291640B (zh) * | 2020-01-20 | 2023-02-17 | 北京百度网讯科技有限公司 | 用于识别步态的方法和装置 |
| CN111695430B (zh) * | 2020-05-18 | 2023-06-30 | 电子科技大学 | 一种基于特征融合和视觉感受野网络的多尺度人脸检测方法 |
| CN114373202A (zh) * | 2021-12-17 | 2022-04-19 | 度小满科技(北京)有限公司 | 一种人脸攻击检测方法、装置、设备及可读存储介质 |
| CN116403270B (zh) * | 2023-06-07 | 2023-09-05 | 南昌航空大学 | 一种基于多特征融合的人脸表情识别方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101430759A (zh) * | 2008-12-04 | 2009-05-13 | 上海大学 | 优化的人脸识别预处理方法 |
| CN103116756A (zh) * | 2013-01-23 | 2013-05-22 | 北京工商大学 | 一种人脸检测与跟踪方法及装置 |
| CN104463172A (zh) * | 2014-12-09 | 2015-03-25 | 中国科学院重庆绿色智能技术研究院 | 基于人脸特征点形状驱动深度模型的人脸特征提取方法 |
| CN104657714A (zh) * | 2015-02-09 | 2015-05-27 | 重庆大学 | 光照对称性与全局光照强度融合的无参考人脸光照评价方法 |
| CN107871101A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
| CN108280418A (zh) * | 2017-12-12 | 2018-07-13 | 北京深醒科技有限公司 | 脸部图像的欺骗识别方法及装置 |
| CN104715238B (zh) * | 2015-03-11 | 2018-09-11 | 南京邮电大学 | 一种基于多特征融合的行人检测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5535727B2 (ja) * | 2010-04-01 | 2014-07-02 | ソニー株式会社 | 画像処理装置、画像処理方法、およびプログラム |
| US10460195B2 (en) * | 2015-03-27 | 2019-10-29 | Mitsubishi Electric Corporation | Imaging apparatus and method, operation apparatus and method, and program and recording medium |
| US10318008B2 (en) * | 2015-12-15 | 2019-06-11 | Purdue Research Foundation | Method and system for hand pose detection |
| JP2018106763A (ja) * | 2018-04-05 | 2018-07-05 | 株式会社ニコン | 撮像装置 |
-
2018
- 2018-11-30 CN CN201811451656.XA patent/CN109583375B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101430759A (zh) * | 2008-12-04 | 2009-05-13 | 上海大学 | 优化的人脸识别预处理方法 |
| CN103116756A (zh) * | 2013-01-23 | 2013-05-22 | 北京工商大学 | 一种人脸检测与跟踪方法及装置 |
| CN104463172A (zh) * | 2014-12-09 | 2015-03-25 | 中国科学院重庆绿色智能技术研究院 | 基于人脸特征点形状驱动深度模型的人脸特征提取方法 |
| CN104657714A (zh) * | 2015-02-09 | 2015-05-27 | 重庆大学 | 光照对称性与全局光照强度融合的无参考人脸光照评价方法 |
| CN104715238B (zh) * | 2015-03-11 | 2018-09-11 | 南京邮电大学 | 一种基于多特征融合的行人检测方法 |
| CN107871101A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
| CN108280418A (zh) * | 2017-12-12 | 2018-07-13 | 北京深醒科技有限公司 | 脸部图像的欺骗识别方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| CNN人脸识别模型中的结构和特征度量算法研究;孟繁若;《中国优秀硕士学位论文全文数据库信息科技辑》;20180215;65-68 * |
| 基于二次多项式模型的人脸光照归一化;谢晓华;《电子学报》;20100831;1791-1797 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109583375A (zh) | 2019-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109583375B (zh) | 一种多特征融合的人脸图像光照识别方法及系统 | |
| Tabernik et al. | Deep learning for large-scale traffic-sign detection and recognition | |
| Kamal et al. | Automatic traffic sign detection and recognition using SegU-Net and a modified Tversky loss function with L1-constraint | |
| JP6397986B2 (ja) | 画像オブジェクト領域の認識方法及び装置 | |
| Qian et al. | Robust Chinese traffic sign detection and recognition with deep convolutional neural network | |
| CN109583482B (zh) | 一种基于多特征融合与多核迁移学习的红外人体目标图像识别方法 | |
| Shahab et al. | ICDAR 2011 robust reading competition challenge 2: Reading text in scene images | |
| EP2808827B1 (en) | System and method for OCR output verification | |
| CN109460704B (zh) | 一种基于深度学习的疲劳检测方法、系统和计算机设备 | |
| Greenhalgh et al. | Traffic sign recognition using MSER and random forests | |
| CN106156777B (zh) | 文本图片检测方法及装置 | |
| CN114998220B (zh) | 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法 | |
| CN103136504A (zh) | 人脸识别方法及装置 | |
| CN103996018A (zh) | 基于4dlbp的人脸识别方法 | |
| CN110111365B (zh) | 基于深度学习的训练方法和装置以及目标跟踪方法和装置 | |
| CN112990282B (zh) | 一种细粒度小样本图像的分类方法及装置 | |
| CN105930792A (zh) | 一种基于视频局部特征字典的人体动作分类方法 | |
| CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
| CN103336971A (zh) | 基于多特征融合与增量学习的多摄像机间的目标匹配方法 | |
| Mannan et al. | Classification of degraded traffic signs using flexible mixture model and transfer learning | |
| CN113313149A (zh) | 一种基于注意力机制和度量学习的菜品识别方法 | |
| CN112597871A (zh) | 基于二阶段聚类的无监督车辆重识别方法、系统及存储介质 | |
| Baumann et al. | Cascaded random forest for fast object detection | |
| KR20200068073A (ko) | 심층학습 전처리를 통한 도면 문자 인식 성능 개선 방법 | |
| CN108664968A (zh) | 一种基于文本选取模型的无监督文本定位方法 |
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 | ||
| OL01 | Intention to license declared | ||
| OL01 | Intention to license declared |