CN109766813B - 基于对称人脸扩充样本的字典学习人脸识别方法 - Google Patents
基于对称人脸扩充样本的字典学习人脸识别方法 Download PDFInfo
- Publication number
- CN109766813B CN109766813B CN201811651278.XA CN201811651278A CN109766813B CN 109766813 B CN109766813 B CN 109766813B CN 201811651278 A CN201811651278 A CN 201811651278A CN 109766813 B CN109766813 B CN 109766813B
- Authority
- CN
- China
- Prior art keywords
- matrix
- dictionary
- face image
- sample set
- training
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
一种基于对称人脸扩充样本的字典学习人脸识别方法,包括:将人脸图像样本集分为人脸图像训练样本集和人脸图像测试样本集;由人脸图像训练样本集生成左对称人脸图像训练样本集和右对称人脸图像训练样本集;利用KSVD字典训练算法对三个人脸图像样本集分别进行训练,得到三个对应的字典;利用训练样本标签矩阵进行分类器训练并且得到字典的标签矩阵;利用正交匹配跟踪分别使用三个字典对测试人脸图像进行稀疏表示,得到各字典对测试人脸图像的表示结果和相应的表示残差向量;对表示残差向量进行加权融合,得到最终残差向量;根据最终残差向量中的最小元素的序号对人脸测试图像进行分类。
Description
技术领域
本发明属于图像处理技术领域,具体涉及到一种人脸识别方法。
背景技术
图像识别技术是近年来计算机领域广泛关注的热点,其中人脸识别是当下的热点与难点,但不乏许多优秀的算法解决此类问题。人脸识别是一种基于人的脸部特征信息进行身份识别的一种生物识别技术,它的目的是通过采集到的人脸图像,经过人像预处理与人脸特征提取,最后进行识别与匹配,在刑侦、身份识别等方面已有广泛的应用。在计算机人脸识别领域中,我们致力于通过一系列的算法和样本的处理等方法,在缺少训练样本数目的情况下有效训练字典以提高人脸识别的准确率。
Aharon、Elad M、Bruckstein A M发表于IEEE trans.On signal processing的论文《K-SVD:一种为完成稀疏表示的过完备字典算法》中提出(Aharon M,Elad M,BrucksteinA M.The K_SVD:An Algorithm for Designing Overcomplete Dictionaries for SparseRepresentation[J].IEEE Transations on Signal Processing,2006,54(11):4311-4322)一种经典的字典训练方法,将信号向量集表示为一组原子的稀疏线性组合。依据误差最小和稀疏准则,对信号向量集构成的矩阵进行SVD分解,选择使误差最小的分解项作为更新的字典原子,然后利用更新的字典原子使用正交匹配跟踪算法解得对应的原子系数,以上步骤交替迭代从而得到优化的解。其目的是解如下目标方程:以实现信号向量集Y的稀疏表示。(其中D为目标训练字典并初始化为一个随机字典,X为Y在字典D上的表示系数矩阵,Xi表示X的第i列,||·||0表示零范式,T0为给定的阈值。)K-SVD算法在训练样本数相对多的情况下,其分类准确率较高;但是在减少训练样本数后,分类准确率明显降低。
实验证明在人脸识别中,由于没有足够的训练样本,不能完整地体现出在例如表情变化、角度变化这样的情况下人脸的信息,人脸识别的准确度受限。目前K-SVD算法仅通过原始训练样本完成人脸识别,在原始训练样本数稀少的条件下人脸识别准确率低,导致资源效率的浪费,无法满足对人脸分类的研究需求。
发明内容
本发明所要解决的技术问题在于提供一种在人脸图像样本稀少的情况下人脸识别与分类准确度高的基于“对称人脸”扩充样本的字典学习人脸识别方法。
解决上述技术问题所采用的技术方案是由以下步骤:
(1)已知原始人脸图像训练样本集AO,对应的训练样本标签矩阵HO,及人脸图像测试样本yt,由原始人脸图像训练样本集AO生成左对称人脸图像训练样本集AL和右对称人脸图像训练样本集AR,各自对应的样本标签矩阵为HL和HR,而HL=HR=HO;
(2)采用KSVD字典训练对原始人脸图像训练样本集AO、左对称人脸图像训练样本集AL、右对称人脸图像训练样本集AR分别进行训练;
(a)对原始的人脸图像训练样本集AO进行KSVD字典训练,得到相应的原始人脸图像训练样本集字典DO和表示系数矩阵XO;
所述的KSVD字典训练方法为:
对字典DO随机初始化;固定DO,利用正交匹配跟踪方法获得使最小化的表示系数矩阵XO;固定XO,利用奇异值分解依次获得使最小化的字典DO的列,重复以上两步获得使最小化的DO和XO,这里是矩阵的2范数,xi是XO的第i列,i∈{1,…,N},||xi||0是xi的0范数,T0是控制xi稀疏度的常数,N是样本数;
(b)对左对称人脸图像训练样本集AL和右对称人脸图像训练样本集AR分别做同样的KSVD字典训练,得到左对称人脸图像训练样本集字典DL和表示系数矩阵XL,右对称人脸图像训练样本集字典DR和表示系数矩阵XR;
(3)利用样本标签矩阵进行分类器训练,得到字典的标签矩阵;
(a)利用训练样本标签矩阵HO进行分类器训练,得到表示系数矩阵XO相应的分类器矩阵WO,及字典DO的标签矩阵HDO;
(b)利用样本标签矩阵HL和HR分别进行同样的分类器训练,得到表示系数矩阵XL相应的分类器矩阵WL和字典DL的标签矩阵HDL,表示系数矩阵XR相应的分类器矩阵WR和字典DR的标签矩阵HDR;
(4)采用正交匹配跟踪方法分别使用字典DO、DL和DR对人脸图像测试样本yt进行稀疏表示,得到相应的表示残差向量;
(b)对人脸图像测试样本yt,采用正交匹配跟踪方法分别使用左对称人脸图像训练样本集字典DL、右对称人脸图像训练样本集字典DR进行稀疏表示,得到表示系数向量和将步骤(3)得到的HDL和HDR分别代入,得到相应的表示残差向量rL和rR;
(5)对步骤(4)得到的表示残差向量rO、rL和rR进行加权融合,得到最终残差向量rf;
(6)取最终残差向量rf中的最小元素,此元素在向量rf中的位序即为人脸图像测试样本yt所属类别号。
作为一种优选的技术方案,所述步骤(1)中左对称人脸图像训练样本集AL的生成方法为:
SL(i,j)=SL(i,n-j)=S(i,j)
式中S为一张原始人脸图像的数字图像矩阵,SL为由原始人脸图像左半部分镜像对称得到的左对称人脸扩充图像矩阵,i为图像矩阵的行坐标,i=1,2,...,m,m为图形矩阵的总行数,j为图像矩阵的列坐标,j=1,2,...n/2,n为图形矩阵的总列数,i、j、m、n均为有限的正整数;
所述的右对称人脸图像训练样本集AR的生成方法为:
SR(i,n-j)=SR(i,j)=S(i,n-j)
式中S为一张原始人脸图像的数字图像矩阵,SR为由原始人脸图像右半部分镜像对称得到的右对称人脸扩充图像矩阵,i为图像矩阵的行坐标,i=1,2,...,m,m为图形矩阵的总行数,j为图像矩阵的列坐标,j=1,2,...,n/2,n为图形矩阵的总列数,i、j、m、n均为有限的正整数。
作为一种优选的技术方案,所述的步骤(3)中进行分类器训练按照下面方法进行,利用训练样本标签矩阵HO得到使最小化的分类器矩阵WO,由字典DO对应的表示系数矩阵是单位矩阵I,令XO=I得到字典DO的标签矩阵HDO=WOI=WO;分别解得、WL和WR;利用样本标签矩阵HL和HR分别进行同样的分类器训练,得到分别使最小化的分类器矩阵WL和WR,由字典DL和DR对应的表示系数矩阵都是单位矩阵I,分别令XL=I、XR=I得到字典DL的标签矩阵HDL=WLI=WL、字典DR的标签矩阵HDR=WRI=WR。
得到由原始人脸图像训练样本集字典DO的第k类原子对yt的表示残差rOk,这里C是人脸图像训练样本集AO包含样本的类数,DOj是DO的第j列,是的第j个元素,HDOkj是HDO的第k行j列的元素,M是DO的列数,由rOk,k=1,2,...,C为元素构成原始人脸图像训练样本集字典的表示残差向量rO;同样地,分别使用DL、DR对yt进行稀疏表示,得到对应的表示系数向量后,分别按下面对应表达式式将步骤(3)得到的HDL和HDR分别代入,
得到由DL的第k类原子对yt的表示残差rLk、由DR的第k类原子对yt的表示残差rRk,这里DLj、DRj分别是DL、DR的第j列,分别是的第j个元素,HDLkj、HDRkj分别是HDL、HDR的第k行j列的元素,M是DL、DR的列数,分别由rLk,k=1,2,...,C、rRk,k=1,2,...,C为元素构成字典DL、DR的表示残差向量rL、rR。
作为一种优选的技术方案,所述的步骤(5)中对表示残差向量rO、rL和rR按照下式进行加权融合,
式中,α1为原始人脸图像训练样本集字典的表示残差向量rO的加权系数,α2为左对称人脸图像训练样本集字典的表示残差向量rL的加权系数,α3为右对称人脸图像训练样本集字典的表示残差向量rR的加权系数,α1>α2,α1>α3,α1、α3、α3均为有限的正数。
本发明的有益效果如下:
本发明由于利用人脸对称性质,在人脸图像训练样本数目不足时,通过人脸的镜像对称,将人脸图像训练样本集扩充为由左对称人脸图像训练样本集、右对称人脸图像训练样本集和原始人脸图像训练样本集组成的新人脸图像训练样本集,对新人脸图像训练样本集中的三个训练样本集分别进行KSVD字典训练,得到三个目标字典,利用类标签矩阵得到三个字典矩阵对应的标签矩阵,且利用每一个字典对人脸测试图像进行表示。由于对人脸图像的类别进行标记是一项繁琐的工作,因此很多时候获得的已知类别的人脸图像的样本数量是不足的,真实环境下的人脸识别是一个典型的小样本识别问题。通过本发明的“对称人脸”扩充样本,在原始人脸图像保持不变的情况下,可以将原始训练样本数增加至3倍,不仅充分利用了原始人脸图像训练样本的信息,而且有效利用已扩充的人脸图像信息,从而有更多已知类别的样本能被用来识别未知类别的人脸样本。同时,我们的方法在训练过程中分别利用扩展得到的三个样本集分别进行KSVD字典训练得到相应的字典,然后利用训练样本标签矩阵得到分类器及各字典对应的标签矩阵,也就是我们获得了字典的原子的类别。我们的方法在对测试样本测试时分别利用各字典对人脸测试图像进行表示并利用字典的原子的类别获得相应的表示残差向量,最后进行融合。同时这种策略因为在字典学习的方法中借鉴了多分类器集成学习的思想,在利用原始人脸图像训练样本集得到的字典进行错误分类时,我们方法的最后融合结果很多情况下能对测试人脸样本给出正确的识别结果。从而提高了本发明的人脸识别的准确度。
附图说明
图1是本发明基于“对称人脸”扩充样本的字典学习人脸识别方法的流程图。
图2为实施例1中AR人脸数据库部分扩充样本实例图。
图3为实施例2中ORL人脸数据库部分扩充样本实例图。
具体实施方式
下面结合附图和实例对本发明进一步详细说明,但本发明不限于下述的实施方式。
实施例1
在图1中,以AR人脸图像数据库为例,本实施例基于“对称人脸”扩充样本的字典学习人脸识别方法,由以下步骤组成:
(1)从包含h=120类、每类g=26张人脸图像的AR人脸图像数据库的每类人脸图像中随机选取k=1张人脸图像,共选取120×1张人脸图像作为人脸图像训练样本集,剩余120×25张人脸图像作为人脸图像测试样本集;
(2)由人脸图像训练样本集生成左对称人脸图像训练样本集和右对称人脸图像训练样本集,如图2;
左对称人脸图像训练样本集的生成方法为:
SL(i,j)=SL(i,n-j)=S(i,j)
式中S为一张原始人脸图像的数字图像矩阵,SL为由原始人脸图像左半部分镜像对称得到的左对称人脸扩充图像矩阵,i为图像矩阵的行坐标,i=1,2,...,40,j为图像矩阵的列坐标,j=1,2,...,25;
右对称人脸图像训练样本集的生成方法为:
SR(i,n-j)=SR(i,j)=S(i,n-j)
式中S为一张原始人脸图像的数字图像矩阵,SR为由原始人脸图像右半部分镜像对称得到的右对称人脸扩充图像矩阵,i为图像矩阵的行坐标,i=1,2,...,40,j为图像矩阵的列坐标,j=1,2,...,25;
(3)利用KSVD字典训练算法对初始的人脸图像训练样本集、左对称人脸图像训练样本集和右对称人脸图像训练样本集分别进行训练,得到左对称人脸图像训练样本集字典DL、右对称人脸图像训练样本集字典DR和原始人脸图像训练样本集字典DO;
(4)利用训练样本标签矩阵HO得到使最小化的分类器矩阵WO,由字典DO对应的表示系数矩阵是单位矩阵I,令XO=I得到字典DO的标签矩阵HDO=WOI=WO;分别解得、WL和WR;利用样本标签矩阵HL和HR分别进行同样的分类器训练,得到分别使最小化的分类器矩阵WL和WR,由字典DL和DR对应的表示系数矩阵都是单位矩阵I,分别令XL=I、XR=I得到字典DL的标签矩阵HDL=WLI=WL、字典DR的标签矩阵HDR=WRI=WR;
得到由原始人脸图像训练样本集字典DO的第k类原子对yt的表示残差rOk,这里C是人脸图像训练样本集AO包含样本的类数,DOj是DO的第j列,是的第j个元素,HDOkj是HDO的第k行j列的元素,M是DO的列数,由rOk,k=1,2,...,C为元素构成原始人脸图像训练样本集字典的表示残差向量rO;同样地,分别使用DL、DR采用正交匹配跟踪方法对yt进行稀疏表示,得到对应的表示系数向量后,分别按下面对应表达式式将步骤(4)得到的HDL和HDR分别代入,
得到由DL的第k类原子对yt的表示残差rLk、由DR的第k类原子对yt的表示残差rRk,这里DLj、DRj分别是DL、DR的第j列,分别是的第j个元素,HDLkj、HDRkj分别是HDL、HDR的第k行j列的元素,M是DL、DR的列数,分别由rLk,k=1,2,...,C、rRk,k=1,2,...,C为元素构字典DL、DR的表示残差向量rL、rR;
(6)按照下式对表示残差向量rO、rL和rR进行加权融合,得到最终残差向量rf,
式中,α1为原始人脸图像训练样本集字典的表示残差向量rO的加权系数,α1=0.8,α2为左对称人脸图像训练样本集字典的表示残差向量rL的加权系数,α2=0.1,α3为右对称人脸图像训练样本集字典的表示残差向量rR的加权系数,α3=0.1;
(7)将最终残差向量rf中的最小值所对应人脸图像样本集中的类别与人脸测试图像所属类比较,若相同则分类正确,记录分类正确次数,得到最终的人脸识别匹配准确度48.07%。
实施例2
(8)在本实施例中,以ORL人脸图像数据库为例,本实施例基于“对称人脸”扩充样本的字典学习人脸识别方法的步骤(2)由人脸图像训练样本集生成左对称人脸图像训练样本集和右对称人脸图像训练样本集,如图3;步骤(5)按照下式对表示残差向量集r进行加权融合,得到最终残差向量rf,
式中,α1为原始人脸图像训练样本集字典的表示残差向量rO的加权系数,
α1=0.6;α2为左对称人脸图像训练样本集字典的表示残差向量rL的加权系数,
α2=0.2;α3为右对称人脸图像训练样本集字典的表示残差向量rR的加权系数,
α3=0.2;其他操作步骤及参数与实施例1相同,本实施例得到最终的人脸识别匹配准确度70%。
为了验证本发明的有益效果,发明人利用本发明的方法及原始KSVD字典学习方法对AR人脸数据库及ORL人脸数据库分别进行了实验。
对AR人脸数据库的实验结果如表1、表2所示,其中,表1中本发明选取权值α1、α2、α3分别为0.8、0.1、0.1;表2中本发明选取权值为0.6、0.2、0.2。
表1
原始样本每类数目 | 原始KSVD分类正确率 | 本发明分类正确率 |
1 | 44.93% | 48.07% |
2 | 66.18% | 69.17% |
3 | 75.65% | 77.61% |
4 | 82.95% | 85.11% |
5 | 86.31% | 86.90% |
表2
原始样本每类数目 | 原始KSVD分类正确率 | 本发明分类正确率 |
1 | 49.43% | 53.90% |
2 | 66.18% | 70.73% |
3 | 73.59% | 77.57% |
4 | 80.61% | 83.86% |
5 | 84.80% | 89.64% |
对ORL人脸数据库的实验结果如表3、表4所示,其中,表3中我们选取权值α1、α2、α3分别为0.7、0.15、0.15;表4中我们选取权值分别为0.6、0.2、0.2。
表3
原始样本每类数目 | 原始KSVD分类正确率 | 本发明分类正确率 |
1 | 66.22% | 68.67% |
2 | 80.19% | 80.44% |
3 | 87.00% | 88.00% |
4 | 90.08% | 90.08% |
5 | 92.40% | 93.40% |
表4
原始样本每类数目 | 原始KSVD分类正确率 | 本发明分类正确率 |
1 | 67.39% | 70.00% |
2 | 81.94% | 84.31% |
3 | 86.86% | 87.43% |
4 | 89.41% | 91.06% |
5 | 91.80% | 92.70% |
综上可以看出,本发明采用基于KSVD字典学习的对称人脸扩充样本方法,有效利用了人脸样本的信息,提高了人脸识别与分类的准确度。
Claims (4)
1.一种基于对称人脸扩充样本的字典学习人脸识别方法,由以下步骤组成:
(1)已知原始人脸图像训练样本集AO,对应的训练样本标签矩阵HO,及人脸图像测试样本yt,由原始人脸图像训练样本集AO生成左对称人脸图像训练样本集AL和右对称人脸图像训练样本集AR,各自对应的样本标签矩阵为HL和HR,而HL=HR=HO;
(2)采用KSVD字典训练对原始人脸图像训练样本集AO、左对称人脸图像训练样本集AL、右对称人脸图像训练样本集AR分别进行训练;
(a)对原始的人脸图像训练样本集AO进行KSVD字典训练,得到相应的原始人脸图像训练样本集字典DO和表示系数矩阵XO;
所述的KSVD字典训练方法为:
对字典DO随机初始化;固定DO,利用正交匹配跟踪方法获得使最小化的表示系数矩阵XO;固定XO,利用奇异值分解依次获得使最小化的字典DO的列,重复以上两步获得使最小化的DO和xO,这里是矩阵的2范数,xi是XO的第i列,i∈{1,…,N},||xi||0是xi的0范数,T0是控制xi稀疏度的常数,N是样本数;
(b)对左对称人脸图像训练样本集AL和右对称人脸图像训练样本集AR分别做同样的KSVD字典训练,得到左对称人脸图像训练样本集字典DL和表示系数矩阵XL,右对称人脸图像训练样本集字典DR和表示系数矩阵XR;
(3)利用样本标签矩阵进行分类器训练,得到字典的标签矩阵;
(a)利用训练样本标签矩阵HO进行分类器训练,得到表示系数矩阵XO相应的分类器矩阵WO,及字典DO的标签矩阵HDO;
(b)利用样本标签矩阵HL和HR分别进行同样的分类器训练,得到表示系数矩阵XL相应的分类器矩阵WL和字典DL的标签矩阵HDL,表示系数矩阵XR相应的分类器矩阵WR和字典DR的标签矩阵HDR;
所述分类器训练为:利用训练样本标签矩阵HO得到使最小化的分类器矩阵WO,||·||F为矩阵Frobenius范数,由字典DO对应的表示系数矩阵是单位矩阵I,令XO=I得到字典DO的标签矩阵HDO=WOI=WO;分别解得WL和WR;利用样本标签矩阵HL和HR分别进行同样的分类器训练,得到分别使 最小化的分类器矩阵WL和WR,由字典DL和DR对应的表示系数矩阵都是单位矩阵I,分别令XL=I、XR=I得到字典DL的标签矩阵HDL=WLI=WL、字典DR的标签矩阵HDR=WRI=WR;
(4)采用正交匹配跟踪方法分别使用字典DO、DL和DR对人脸图像测试样本yt进行稀疏表示,得到相应的表示残差向量;
(b)对人脸图像测试样本yt,采用正交匹配跟踪方法分别使用左对称人脸图像训练样本集字典DL、右对称人脸图像训练样本集字典DR进行稀疏表示,得到表示系数向量和将步骤(3)得到的HDL和HDR分别代入,得到相应的表示残差向量rL和rR;
(5)对步骤(4)得到的表示残差向量rO、rL和rR进行加权融合,得到最终残差向量rf;
(6)取最终残差向量rf中的最小元素,此元素在向量rf中的位序即为人脸图像测试样本yt所属类别号。
2.根据权利要求1所述的人脸识别方法,其特征在于所述步骤(1)中左对称人脸图像训练样本集AL的生成方法为:
SL(i,j)=SL(i,n-j)=S(i,j)
式中S为一张原始人脸图像的数字图像矩阵,SL为由原始人脸图像左半部分镜像对称得到的左对称人脸扩充图像矩阵,i为图像矩阵的行坐标,i=1,2,...,m,m为图形矩阵的总行数,j为图像矩阵的列坐标,j=1,2,...n/2,n为图形矩阵的总列数,i、j、m、n均为有限的正整数;
所述的右对称人脸图像训练样本集AR的生成方法为:
SR(i,n-j)=SR(i,j)=S(i,n-j)
式中S为一张原始人脸图像的数字图像矩阵,SR为由原始人脸图像右半部分镜像对称得到的右对称人脸扩充图像矩阵,i为图像矩阵的行坐标,i=1,2,...m,m为图形矩阵的总行数,j为图像矩阵的列坐标,j=1,2,...n/2,n为图形矩阵的总列数,i、j、m、n均为有限的正整数。
得到由原始人脸图像训练样本集字典DO的第k类原子对yt的表示残差rOk,这里C是人脸图像训练样本集AO包含样本的类数,DOj是DO的第j列,是的第j个元素,HDOkj是HDO的第k行j列的元素,M是DO的列数,由rOk,k=1,2,...,C为元素构成原始人脸图像训练样本集字典的表示残差向量rO;同样地,分别使用DL、DR对yt进行稀疏表示,得到对应的表示系数向量后,分别按下面对应表达式将步骤(3)得到的HDL和HDR分别代入,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811651278.XA CN109766813B (zh) | 2018-12-31 | 2018-12-31 | 基于对称人脸扩充样本的字典学习人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811651278.XA CN109766813B (zh) | 2018-12-31 | 2018-12-31 | 基于对称人脸扩充样本的字典学习人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109766813A CN109766813A (zh) | 2019-05-17 |
CN109766813B true CN109766813B (zh) | 2023-04-07 |
Family
ID=66453318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811651278.XA Active CN109766813B (zh) | 2018-12-31 | 2018-12-31 | 基于对称人脸扩充样本的字典学习人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109766813B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210443B (zh) * | 2019-06-11 | 2022-03-15 | 西北工业大学 | 一种优化投影对称性近似稀疏分类的手势识别方法 |
CN110458092B (zh) * | 2019-08-09 | 2022-08-30 | 南京邮电大学 | 基于l2正则化梯度约束稀疏表示的人脸识别方法 |
CN110705636B (zh) * | 2019-09-29 | 2022-10-18 | 重庆邮电大学 | 一种基于多样本字典学习和局部约束编码的图像分类方法 |
CN111523404A (zh) * | 2020-04-08 | 2020-08-11 | 华东师范大学 | 一种基于卷积神经网络和稀疏表示的部分人脸识别方法 |
CN111428687B (zh) * | 2020-04-16 | 2023-07-25 | 南京信息工程大学 | 基于概率协同表示和卷积神经网络的识别方法 |
CN111967331B (zh) * | 2020-07-20 | 2023-07-21 | 华南理工大学 | 基于融合特征和字典学习的人脸表示攻击检测方法及系统 |
CN113158812B (zh) * | 2021-03-25 | 2022-02-08 | 南京工程学院 | 基于混合扩展块字典稀疏表示的单样本人脸识别方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030223623A1 (en) * | 2002-06-03 | 2003-12-04 | Srinivas Gutta | Face-recognition using half-face images |
CN103279745B (zh) * | 2013-05-28 | 2016-07-06 | 东南大学 | 一种基于半脸多特征融合的人脸识别方法 |
KR101643573B1 (ko) * | 2014-11-21 | 2016-07-29 | 한국과학기술연구원 | 얼굴 표정 정규화를 통한 얼굴 인식 방법, 이를 수행하기 위한 기록 매체 및 장치 |
CN105550634B (zh) * | 2015-11-18 | 2019-05-03 | 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 |
CN106204779B (zh) * | 2016-06-30 | 2018-08-31 | 陕西师范大学 | 基于多人脸数据采集策略和深度学习的课堂考勤方法 |
CN107918761A (zh) * | 2017-10-19 | 2018-04-17 | 九江学院 | 一种基于多流形核鉴别分析的单样本人脸识别方法 |
CN107784284B (zh) * | 2017-10-24 | 2021-07-06 | 哈尔滨工业大学深圳研究生院 | 人脸识别方法及系统 |
-
2018
- 2018-12-31 CN CN201811651278.XA patent/CN109766813B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109766813A (zh) | 2019-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109766813B (zh) | 基于对称人脸扩充样本的字典学习人脸识别方法 | |
Said et al. | Deep wavelet network for image classification | |
CN110705636B (zh) | 一种基于多样本字典学习和局部约束编码的图像分类方法 | |
Chen et al. | Dictionary learning from ambiguously labeled data | |
CN107528824B (zh) | 一种基于二维度稀疏化的深度信念网络入侵检测方法 | |
CN112528928A (zh) | 一种基于自注意力深度网络的商品识别方法 | |
CN113222011A (zh) | 一种基于原型校正的小样本遥感图像分类方法 | |
CN110851627B (zh) | 一种用于描述全日面图像中太阳黑子群的方法 | |
CN109063750B (zh) | 基于cnn和svm决策融合的sar目标分类方法 | |
CN109886160B (zh) | 一种非限定条件下的人脸识别方法 | |
Sundararaghavan et al. | A dynamic material library for the representation of single-phase polyhedral microstructures | |
CN114780767A (zh) | 一种基于深度卷积神经网络的大规模图像检索方法及系统 | |
CN114329031A (zh) | 一种基于图神经网络和深度哈希的细粒度鸟类图像检索方法 | |
Tan et al. | Wide Residual Network for Vision-based Static Hand Gesture Recognition. | |
CN115578599A (zh) | 一种基于超像素-超图特征增强网络的极化sar图像分类方法 | |
Chen et al. | Learning alternating deep-layer cascaded representation | |
Liu et al. | Batch mode active learning for object detection based on maximum mean discrepancy | |
Liu et al. | Semi-supervised Macromolecule Structural Classification in Cellular Electron Cryo-Tomograms using 3D Autoencoding Classifier. | |
Adaïmé et al. | Deep learning approaches to the phylogenetic placement of extinct pollen morphotypes | |
Gao et al. | A new feature selection method for hyperspectral image classification based on simulated annealing genetic algorithm and choquet fuzzy integral | |
Shao et al. | Learning relative features through adaptive pooling for image classification | |
Zhang et al. | Land-use classification via ensemble dropout information discriminative extreme learning machine based on deep convolution feature | |
Chen et al. | Discriminant feature extraction for image recognition using complete robust maximum margin criterion | |
CN112308151A (zh) | 基于加权的旋转森林高光谱图像分类方法 | |
Vinzamuri et al. | Feature grouping using weighted l1 norm for high-dimensional data |
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 |