CN109902581B - 一种基于多步加权的单样本部分遮挡人脸识别方法 - Google Patents
一种基于多步加权的单样本部分遮挡人脸识别方法 Download PDFInfo
- Publication number
- CN109902581B CN109902581B CN201910077715.XA CN201910077715A CN109902581B CN 109902581 B CN109902581 B CN 109902581B CN 201910077715 A CN201910077715 A CN 201910077715A CN 109902581 B CN109902581 B CN 109902581B
- Authority
- CN
- China
- Prior art keywords
- image
- key points
- weighting
- descriptor
- gallery
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 230000000903 blocking effect Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 6
- 239000000523 sample Substances 0.000 claims description 92
- 238000005070 sampling Methods 0.000 claims description 21
- 230000007704 transition Effects 0.000 claims description 4
- BVPWJMCABCPUQY-UHFFFAOYSA-N 4-amino-5-chloro-2-methoxy-N-[1-(phenylmethyl)-4-piperidinyl]benzamide Chemical compound COC1=CC(N)=C(Cl)C=C1C(=O)NC1CCN(CC=2C=CC=CC=2)CC1 BVPWJMCABCPUQY-UHFFFAOYSA-N 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- PHMDYZQXPPOZDG-UHFFFAOYSA-N gallane Chemical compound [GaH3] PHMDYZQXPPOZDG-UHFFFAOYSA-N 0.000 claims 1
- 238000002996 descriptor matching method Methods 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 description 3
- 241000282320 Panthera leo Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Abstract
本发明涉及单样本部分遮挡人脸识别，特别涉及一种基于多步加权的单样本部分遮挡人脸识别方法，包括提取图像的关键点，并对图像进行分块处理；提取具有关键点的图像块的SILBP描述符，计算图像块中的关键点个数，并将处理后的关键点个数作为权重对描述符加权；通过描述符加权匹配的方式获取匹配部位图像块之间的度量距离；求所有度量距离的平均值并用匹配关键点个数的倒数对平均值加权，最终的这个加权度量距离作为两图像之间的匹配度量距离，将具有最小度量距离的标签作为人脸识别的标签；本发明利用加权描述符匹配的方法省去了图像分块方法所需要的人脸预对齐处理，同时提出了一种通过关键点个数加权来选择未遮挡图像块进行匹配的方法。
Description
技术领域
本发明涉及单样本部分遮挡人脸识别，特别涉及一种基于多步加权的单样本部分遮挡人脸识别方法。
背景技术
近年来，人脸识别作为图像分析和理解最成功的的应用之一受到了极大的关注，并且在数据库中有大量样本集且是受控条件下时，对人脸进行识别已经取得了非常可观的成果。然而，现实生活中由于采集样本的困难或系统的存储限制等，数据库中每个人可能仅有一张人脸，一些现有的人脸识别算法会受到很大的影响，如：PCA，LDA，SRC等等，这个问题叫做单样本问题，定义如下：根据每人仅存储有一张图像的面部数据库来识别存在姿势变化、光照变化或外部物体遮挡等的人脸图像。该问题具有很大的挑战性，因为现有的人脸识别算法大多是通过大样本集进行训练来获取良好的识别性能，很难从有限的数据中学习出一个可以有效判别人脸的特征或分类器。除了数据库的问题以外，如果待识别图像存在遮挡将给人脸识别带来更大的困难，因为现在并没有一种有效的方法能排除掉自然场景下的遮挡区域，而遮挡会造成特征损失、对准误差和局部混叠等问题，这些问题将会严重影响人脸识别算法的性能。遮挡可分为三种类型：1)极端光照(如阴影)2)姿势变化引起的自遮挡(如侧脸)3)外部物体遮挡(如墨镜)等，本论文仅针对外部物体遮挡进行讨论。
面对单样本部分遮挡人脸识别问题，由于局部遮挡仅影响人脸的局部区域，提取局部区域的特征是解决该问题的常用方法。通过将图像分为数个等大小的图像块进行识别工作是局部特征提取的常用方法，如Wei等人在2014年所提出DICW算法在将图像分块后，按照光栅扫描的顺序将图像块排列为了一个图像块序列，然后用传统的DTW(the DynamicTime Warping)算法实现图像块之间的弹性匹配，这样做保留了人脸的整体结构信息，并减弱了遮挡带来的影响。类似的基于图像分块的人脸识别方法还有Soodeh Nikan等人提出的方法,该方法是通过将人脸图像分为等大小的块，然后将这些图像块作为独立单元进行分类，最后整合这些分类结果来得出两幅图像的相似度。Niall McLaughlin等人在2016年提出通过计算两幅匹配图像中每个位置最大邻域的匹配概率，来估算两幅图像的匹配程度，对于遮挡问题，通过给予遮挡区域匹配的一个极小的后验概率，来弱化遮挡带来的影响，这是一种通过概率匹配来估算人脸相似度的方法。类似的还有Seo等人通过将SIFT特征和统计学习相结合，来建立SIFT特征的概率分布函数，最后通过概率分布函数来赋予不同图像块不同的权重来综合决策两幅图像的相似度。以上这些方法都需要人脸预对齐，但在遮挡面积较大时，可能无法进行人脸预对齐，且将具有遮挡部分的图像区域用于决策，势必会对识别结果造成影响。有一类方法是利用了关键点的匹配程度来识别人脸，该类方法不需要人脸预对齐且有很好的识别性能，如Liao等人[9]提出的先提取人脸图像的特征点，提取特征点邻域的Gabor Ternary Pattern Descriptor(GTP)特征，利用所有图库图像的GTP特征建立字典，最后将测试图像的所有GTP特征用特征字典稀疏重建，通过重构误差来度量他们的相似性；还有Weng等人[10]提出的将两幅图像检测到的关键点集之间进行匹配的配准代价和匹配关键点邻域纹理梯度特征的度量距离综合决策人脸相似度。这两种方法，前者仅利用关键点的描述符进行识别，损失了人脸的整体结构信息且在图库集变动时需要重新构建字典。Weng等人提出的方法虽然在提取关键点邻域信息的同时利用点集匹配弥补了局部特征损失的整体结构信息，但点集匹配过程消耗了大量的时间，失去了单样本人脸识别的运行效率的优势。
发明内容
为了提取未遮挡的图像区域、有效保留人脸整体结构信息的局部特征，本发明提出一种基于多步加权的单样本部分遮挡人脸识别方法，如图1，包括：
a)提取图库图像集所有图像和探针图像Pro的关键点，并对图像进行分块处理；
b)提取具有关键点的图像块的SILBP描述符，计算图像块中的关键点个数，并利用L2范数对关键点个数进行归一化，将归一化的关键点个数作为权重对描述符加权；
c)通过描述符加权匹配的方式获取探针图像块与和探针图像块是匹配部位的图库图像块之间的度量距离。
d)求所有探针图像块所对应的度量距离的平均值并用匹配关键点个数的倒数对平均值加权，最终的这个加权度量距离就是探针图像和图库图像之间的匹配度量距离，与探针图像具有最小度量距离的图库图像所对应的标签就是探针图像的身份。
进一步的，提取图库图像集所有图像和探针图像Pro的关键点包括：将图库图像集表示为Gal＝{Gal1,Gal2,…,GalC,…,GalL}；当Pro和GalC进行匹配时，根据关键点邻域描述符之间的欧式距离找出Pro中每个关键点在GalC关键点中的最近邻点和次近邻点，在Pro中关键点与最近邻点之间的距离和与次近邻点之间的距离的比值大于关键点阈值Threshold时，表示最近邻点邻域描述符和次近邻点邻域描述符都与Pro中的关键点邻域描述符相似，不具有判别能力，因此将被视为没有作用的关键点淘汰掉，即关键点满足：
进一步的，对图像进行分块处理包括：将探针图像和图库图像分为n×s个等大小无重叠的图像块；例如图1中将原图片分为5×3的图像块。
进一步的，提取具有关键点的图像块的均匀不变局部二值模式SILBP描述符包括：采样点为P个，邻域半径为R的N个像素，其中P个采样点使用1或者0表示，1表示采样点的灰度值比中心点大，0表示采样点的灰度值比中心点小或者相等，用P个数字组成的二进制数表示中心位置的LBP值；旋转邻域半径为R的圆形邻域内的LBP特征，得到多个不同的LBP特征值，用最小的LBP特征值来代表这一系列特征值；在邻域中1的个数相同时，用从0到1跳变次数为2的LBP值来代表所有其他跳变次数的LBP值。
进一步的，采用4组邻域采样点的个数和邻域半径，利用uniform rotationinvariant LBP编码将4组邻域采样点的个数和邻域半径串联。
进一步的，4组邻域采样点的个数和邻域半径串联包括{P＝8,R＝1}，{P＝8,R＝2}，{P＝16,R＝2}，{P＝16,R＝3}。
进一步的，利用L2范数对关键点个数进行归一化包括：
其中，Cnumi表示第i个图像块的匹配关键点个数，cwi表示归一化之后的匹配关键点个数。
进一步的，将归一化的匹配关键点个数作为权重对描述符加权包括：求出探针图像的第i个图像块pi的加权描述符分别与单样本图库图像库中各个类别下的所有K'个图像块的加权描述符之间的欧式距离，将在每个类别中最小的欧式距离作为探针图像的第i个图像块pi与图库图像块中第C个类别的图像的度量距离，其中第C类单样本图库图像的图像块与探针图像的第i个图像块的加权描述符的度量距离表示为：
其中，CDpi表示探针图像的第i个图像块的描述符，cwpi为CDpi的权值，i＝1,2,…,K，K为探针图像的图像块数量；CDgj表示第C类单样本图库图像的第j个图像块，cwgj表示CDgj的权值，j＝1,2,…,K'，K'是第C类单样本图库图像的图像块数量；C为单样本图库图像库中任意一个类别的图像；
为距离探针图像的第i个图像块的加权描述符最近的第C类单样本图库图像的图像块的下标，
为距离探针图像的第i个图像块的加权描述符最近的第C类单样本图库图像的图像块的描述符，
为
的权值；||·||2表示计算欧式距离。
根据权利要求8所述的一种基于多步加权的单样本部分遮挡人脸识别方法，其特征在于，在求出K个探针图像块所对应的度量距离Cdistpi…CdistpK后，对这些度量距离求平均，即将度量距离求平均DistC表示为：
本发明的有益效果如下：
1)本发明属于人脸分块匹配的方法，利用加权描述符匹配的方法省去了图像分块方法所需要的人脸预对齐处理；
2)与现有的图像分块方法利用所有的图像块进行匹配不同，提出了一种通过关键点个数加权来选择未遮挡图像块进行匹配；
3)提出了一种新颖的加权匹配策略来弥补图像分块所损失的整体结构信息；
4)所提出的方法在图库变动时不需要模型再训练。
附图说明
图1为本发明一种基于多步加权的单样本部分遮挡人脸识别方法模型示意图；
图2为SILBP描述符对传统LBP描述符的降维方法；
图3为加权描述符的匹配过程。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了提取未遮挡的图像区域、有效保留人脸整体结构信息的局部特征，本发明提出一种基于多步加权的单样本部分遮挡人脸识别方法，如图1，包括：
a)提取图库图像集所有图像和探针图像Pro的关键点，并对图像进行分块处理；
b)提取具有关键点的图像块的SILBP描述符，计算图像块中的关键点个数，并利用L2范数对关键点个数进行归一化，将归一化的关键点个数作为权重对描述符加权；
c)通过描述符加权匹配的方式获取探针图像块与和探针图像块是匹配部位的图库图像块之间的度量距离。
d)求所有探针图像块所对应的度量距离的平均值并用匹配关键点个数的倒数对平均值加权，最终的这个加权度量距离就是探针图像和图库图像之间的匹配度量距离，与探针图像具有最小度量距离的图库图像所对应的标签就是探针图像的身份。
在本实施例中，为每个人建立一个样本，形成图库图像集Gal＝{Gal1,Gal2,…,GalC,…,GalL}，且每个图像都为完整的有身份标签的无遮挡正脸。
当一张受到部分遮挡的探针图像和图库图像集输入，先提取所有单样本图库图像和探针图像的关键点，当Pro和GalC进行匹配时，根据关键点邻域描述符之间的欧式距离找出Pro中每个关键点在GalC关键点中的最近邻点和次近邻点，在Pro中关键点与最近邻点之间的距离和与次近邻点之间的距离的比值大于关键点阈值Threshold时，表示最近邻点邻域描述符和次近邻点邻域描述符都与Pro中的关键点邻域描述符相似，不具有判别能力，因此将被视为没有作用的关键点淘汰掉，即关键点满足：
对图像进行分块处理时将探针图像和图库图像分为n×s个等大小无重叠的图像块。
提取具有关键点的图像块的等价旋转不变局部二值模式SILBP描述符包括：采样点为P个，邻域半径为R的N个像素，其中P个采样点使用1或者0表示，1表示采样点的灰度值比中心点大，0表示采样点的灰度值比中心点小或者相等，用P个数字组成的二进制数表示中心位置的LBP值；旋转邻域半径为R的圆形邻域内的LBP特征，得到多个不同的LBP特征值，用最小的LBP特征值来代表这一系列特征值；在邻域中1的个数相同时，用从0到1跳变次数为2的LBP值来代表所有其他跳变次数的LBP值；如图2，以采样点为8个，邻域半径为1的6个像素的LBP编码为例，第一行为6个传统的LBP编码方式，该种模式将会有256种输出，1表示采样点的灰度值比中心点大，0表示采样点的灰度值比中心点小或者相等，用8个数字组成的二进制数表示中心位置的LBP值；第二行表示rotation invariant LBP的降维方式，旋转圆形邻域内的LBP特征，会得到一系列不同的LBP特征值，用最小的LBP特征值来代表这一系列特征值，此时将会有36种输出；第三行表示等价旋转不变的局部二值模式uniformrotation invariant LBP编码的降维方式，在邻域中1的个数相同时，用从0到1跳变次数为2的LBP值来代表所有其他跳变次数的LBP值，此时将会有9种输出。我们为了获得具有uniform rotation invariant LBP描述符，我们采用了4种不同的邻域采样点的个数和邻域半径uniform rotation invariant LBP编码方式并将它们串联起来；优选的，4组邻域采样点的个数P和邻域半径R串联包括{P＝8,R＝1}，{P＝8,R＝2}，{P＝16,R＝2}，{P＝16,R＝3}。
将探针图像与GalC图像所具有的关键点采用上述lowe的匹配方案进行匹配，得到数对匹配的关键点。由于在本实施例中的GalC图像为无遮挡图像，所以遮挡区域几乎不会有匹配关键点存在，选择拥有匹配关键点的区域作为无遮挡图像块进行匹配度量。此发明采用的提取图像块的方式是将图像分割为n×s的网格，截取具有匹配关键点的网格作为用于匹配的图像块，如图1，本实施例将图像切割为3×4的图像块，得到K个探针图像块Pc＝{PC1,PC2,…,PCi,…PCK}和K’个图库图像块Gc＝{GC1,GC2,…,GCi,…GCK’}，提取他们的SILBP描述符，得CDp＝{CDp1,CDp2,…,CDpK}和CDg＝{CDg1,CDg2,…,CDgK’}。
计算每个图像块所具有的匹配关键点个数Cnum＝{Cnump1,…,Cnumpi,…CnumpK，Cnumg1,…,Cnumgi,…CnumgK’}，由于关键点个数是一个取值范围为1到100不等的数值，对其进行了L2范数归一化，将其缩放到0至1的范围，记为cw＝{cwp1,cwp2,…,cwpK，cwg1,cwg2,…,cwgK’}，归一化公式如下：
然后，使用L2范数归一化的关键点个数对描述符进行加权，计算每个cwpi*CDpi与所有的cwgj*CDgj之间的欧式距离，最小的欧式距离代表两幅图像匹配部位的图像块之间的度量距离。求所有对应部位图像块之间的度量距离，计算他们的平均值作为探针图像与图库图像之间的度量距离，这相当于一种加权平均法，关键点个数越多所占权重越大。
5)两幅相似图像具有更多的匹配关键点，所以我们使用匹配关键点个数的倒数对度量距离进行加权，使得两幅图像的匹配关键点越多度量距离就越小。
6)最后，我们求出探针图像与所有图库图像的度量距离，具有最小的度量距离的图库所对应的标签就是探针图像的身份，即如附图3所示，求出探针图像的第i个图像块的加权描述符cwpi*CDpi(i∈(1,K))与第C类单样本图库图像的所有K’个图像块的加权描述符cwgj*CDgj(j∈(1,K’))之间的欧式距离的最小值Cdistpi作为探针图像的第i个图像块与第C类图库图像块中和第j个探针图像块是匹配部位(具有相近匹配关键点个数且描述符相近)的图像块之间的度量距离，表示为：
求出K个探针图像块所对应的度量距离Cdistpi…CdistpK后，对这些度量距离求平均，即将度量距离求平均DistC表示为：
本发明算法的伪代码如下：
输入：探针图像Pro,L个图库图像Gal
输出:类标签
检测所有Gal图像的关键点和Pro图像的关键点,并用lowe的方法匹配关键点，匹配关键点个数记为pointnum＝{pointnum1，…，pointnumC,…，pointnumL}将图像分为n*n的网格，提取具有关键点的图像块集GC和PC。
根据最小的Cdist对应的类标签，就可以判断出Pro所属的类别。
本发明综合了关键点检测和匹配方法和图像分块方法对单样本部分遮挡人脸识别的优势，并通过加权的方式进行图像块匹配来弥补局部特征所损失的整体结构信息，且不需要人脸预对齐。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于多步加权的单样本部分遮挡人脸识别方法，其特征在于，包括以下步骤：
a)提取图库图像集所有图像和探针图像的关键点，并对图像进行分块处理；
b)提取具有关键点的图像块的等价旋转不变的局部二值模式SILBP描述符，计算图像块中的关键点个数，并利用L2范数对关键点个数进行归一化，将归一化的关键点个数作为权重对描述符加权；
c)通过描述符加权匹配的方式获取探针图像块与和探针图像块是匹配部位的图库图像块之间的度量距离；
d)求所有探针图像块所对应的度量距离的平均值并用匹配关键点个数的倒数对平均值加权，最终的这个加权度量距离就是探针图像和图库图像之间的匹配度量距离，与探针图像具有最小度量距离的图库图像所对应的标签就是探针图像的身份。
2.根据权利要求1所述的一种基于多步加权的单样本部分遮挡人脸识别方法，其特征在于，提取图库图像集所有图像和探针图像Pro的关键点包括：将图库图像集表示为Gal＝{Gal1,Gal2,…,GalC,…,GalL}，即图像库中包括L个类别的图像；当Pro和第C个类别的图像GalC进行匹配时，根据关键点邻域描述符之间的欧式距离找出Pro中每个关键点在第C个类别的图像GalC关键点中的最近邻点和次近邻点，在Pro中关键点与最近邻点之间的距离和与次近邻点之间的距离的比值大于关键点阈值Threshold时，表示最近邻点邻域描述符和次近邻点邻域描述符都与Pro中的关键点邻域描述符相似，不具有判别能力，因此将被视为没有作用的关键点淘汰掉，即关键点满足：
3.根据权利要求1所述的一种基于多步加权的单样本部分遮挡人脸识别方法，其特征在于，对图像进行分块处理包括：将探针图像和图库图像分为n×s个等大小无重叠的图像块。
4.根据权利要求1所述的一种基于多步加权的单样本部分遮挡人脸识别方法，其特征在于，提取具有关键点的图像块的SILBP描述符包括：采样点为P个，邻域半径为R的N个像素，其中这N个采样点使用1或者0表示，1表示采样点的灰度值比中心点大，0表示采样点的灰度值比中心点小或者相等；用P个数字组成的二进制数表示中心位置的局部二值模式LBP值；旋转邻域半径为R的圆形邻域内的LBP特征，得到多个不同的LBP特征值，用最小的LBP特征值来代表这一系列特征值；在邻域中1的个数相同时，用从0到1跳变次数为2的LBP值来代表所有其他跳变次数的LBP值。
5.根据权利要求4所述的一种基于多步加权的单样本部分遮挡人脸识别方法，其特征在于，采用4组不同的邻域采样点的个数和邻域半径，利用等价旋转不变的局部二值模式uniform rotation invariant LBP编码将4组邻域采样点的个数P和邻域半径R的描述符串联。
6.根据权利要求5所述的一种基于多步加权的单样本部分遮挡人脸识别方法，其特征在于，4组不同的邻域采样点的个数P和邻域半径R包括{P＝8,R＝1}，{P＝8,R＝2}，{P＝16,R＝2}，{P＝16,R＝3}。
7.根据权利要求1所述的一种基于多步加权的单样本部分遮挡人脸识别方法，其特征在于，利用L2范数对关键点个数进行归一化包括：
其中，Cnumi表示第i个图像块的匹配关键点个数，cwi表示归一化之后的匹配关键点个数。
8.根据权利要求1所述的一种基于多步加权的单样本部分遮挡人脸识别方法，其特征在于，将归一化的匹配关键点个数作为权重对描述符加权包括：求出探针图像的第i个图像块pi的加权描述符分别与单样本图库图像库中各个类别下的所有K'个图像块的加权描述符之间的欧式距离，将在每个类别中最小的欧式距离作为探针图像的第i个图像块pi与图库图像块中第C个类别的图像的度量距离，其中第C类单样本图库图像的图像块与探针图像的第i个图像块的加权描述符的度量距离表示为：
其中，CDpi表示探针图像的第i个图像块的描述符，cwpi为CDpi的权值，i＝1,2,…,K，K为探针图像的图像块数量；CDgj表示第C类单样本图库图像的第j个图像块，cwgj表示CDgj的权值，j＝1,2,…,K'，K'是第C类单样本图库图像的图像块数量；C为单样本图库图像库中任意一个类别的图像；
为距离探针图像的第i个图像块的加权描述符最近的第C类单样本图库图像的图像块的下标，
为距离探针图像的第i个图像块的加权描述符最近的第C类单样本图库图像的图像块的描述符，
为
的权值；||·||2表示计算欧式距离。
9.根据权利要求8所述的一种基于多步加权的单样本部分遮挡人脸识别方法，其特征在于，求出K个探针图像块所对应的度量距离Cdistpi…CdistpK后，对这K个度量距离求平均，即将度量距离求平均值DistC，表示为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910077715.XA CN109902581B (zh) | 2019-01-28 | 2019-01-28 | 一种基于多步加权的单样本部分遮挡人脸识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910077715.XA CN109902581B (zh) | 2019-01-28 | 2019-01-28 | 一种基于多步加权的单样本部分遮挡人脸识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109902581A CN109902581A (zh) | 2019-06-18 |
| CN109902581B true CN109902581B (zh) | 2020-11-10 |
Family
ID=66944258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910077715.XA Active CN109902581B (zh) | 2019-01-28 | 2019-01-28 | 一种基于多步加权的单样本部分遮挡人脸识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109902581B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298785A (zh) * | 2019-06-29 | 2019-10-01 | 北京字节跳动网络技术有限公司 | 图像美化方法、装置及电子设备 |
| CN111523454A (zh) * | 2020-04-22 | 2020-08-11 | 华东师范大学 | 一种基于样本扩充和点集匹配的部分人脸识别方法 |
| CN113379006B (zh) * | 2021-08-16 | 2021-11-02 | 北京国电通网络技术有限公司 | 图像识别方法、装置、电子设备和计算机可读介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103902964A (zh) * | 2012-12-31 | 2014-07-02 | 深圳先进技术研究院 | 一种人脸识别方法 |
| CN103955690A (zh) * | 2014-04-15 | 2014-07-30 | 合肥工业大学 | 一种紧凑的图像局部特征描述子的构造方法 |
| CN105868767A (zh) * | 2015-01-19 | 2016-08-17 | 阿里巴巴集团控股有限公司 | 人脸特征点定位方法和装置 |
| CN106599883A (zh) * | 2017-03-08 | 2017-04-26 | 王华锋 | 一种基于cnn的多层次图像语义的人脸识别方法 |
| CN107729835A (zh) * | 2017-10-10 | 2018-02-23 | 浙江大学 | 一种基于人脸关键点区域传统特征和人脸全局深度特征融合的表情识别方法 |
| KR20180094453A (ko) * | 2017-02-15 | 2018-08-23 | 동명대학교산학협력단 | 다중채널 가버 필터와 중심대칭지역 이진 패턴기반 얼굴인식기술 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101510257B (zh) * | 2009-03-31 | 2011-08-10 | 华为技术有限公司 | 一种人脸相似度匹配方法及装置 |
| CN103902961B (zh) * | 2012-12-28 | 2017-02-15 | 汉王科技股份有限公司 | 一种人脸识别方法及装置 |
| CN107633558A (zh) * | 2017-09-12 | 2018-01-26 | 浙江网新电气技术有限公司 | 一种基于人像与身份证比对识别的自助检票方法和设备 |
| CN108764041B (zh) * | 2018-04-25 | 2021-09-14 | 电子科技大学 | 用于下部遮挡人脸图像的人脸识别方法 |
| CN108805040A (zh) * | 2018-05-24 | 2018-11-13 | 复旦大学 | 一种基于分块的有遮挡人脸识别算法 |
-
2019
- 2019-01-28 CN CN201910077715.XA patent/CN109902581B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103902964A (zh) * | 2012-12-31 | 2014-07-02 | 深圳先进技术研究院 | 一种人脸识别方法 |
| CN103955690A (zh) * | 2014-04-15 | 2014-07-30 | 合肥工业大学 | 一种紧凑的图像局部特征描述子的构造方法 |
| CN105868767A (zh) * | 2015-01-19 | 2016-08-17 | 阿里巴巴集团控股有限公司 | 人脸特征点定位方法和装置 |
| KR20180094453A (ko) * | 2017-02-15 | 2018-08-23 | 동명대학교산학협력단 | 다중채널 가버 필터와 중심대칭지역 이진 패턴기반 얼굴인식기술 |
| CN106599883A (zh) * | 2017-03-08 | 2017-04-26 | 王华锋 | 一种基于cnn的多层次图像语义的人脸识别方法 |
| CN107729835A (zh) * | 2017-10-10 | 2018-02-23 | 浙江大学 | 一种基于人脸关键点区域传统特征和人脸全局深度特征融合的表情识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 人脸图像识别关键技术的研究;刘军;《中国博士学位论文全文数据库》;20160315;全文 * |
| 有部分遮挡的人脸识别方法研究;刘豪;《中国优秀硕士学位论文全文数据库》;20180215;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109902581A (zh) | 2019-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hassaballah et al. | Ear recognition using local binary patterns: A comparative experimental study | |
| Gupta et al. | Breast cancer histopathological image classification: is magnification important? | |
| Wolf et al. | Descriptor based methods in the wild | |
| Galar et al. | A survey of fingerprint classification Part I: Taxonomies on feature extraction methods and learning models | |
| Pietikäinen et al. | Two decades of local binary patterns: A survey | |
| Mu et al. | Discriminative local binary patterns for human detection in personal album | |
| Liu et al. | Evaluation of LBP and deep texture descriptors with a new robustness benchmark | |
| Sabu et al. | A survey on various optical character recognition techniques | |
| CN109902581B (zh) | 一种基于多步加权的单样本部分遮挡人脸识别方法 | |
| Toosi et al. | Feature fusion for fingerprint liveness detection: a comparative study | |
| KR20070075644A (ko) | 보상적 특징에 기반한 확장형 얼굴 인식 방법 및 장치 | |
| Shreyas et al. | Fingerprint authentication using geometric features | |
| Ma et al. | Discriminative image descriptors for person re-identification | |
| Raja et al. | Collaborative representation of blur invariant deep sparse features for periocular recognition from smartphones | |
| CN111259756A (zh) | 基于局部高频次特征和混合度量学习的行人重识别方法 | |
| Liu et al. | The improved characteristics of bionic Gabor representations by combining with SIFT key-points for iris recognition | |
| Jayaraman et al. | An efficient color and texture based iris image retrieval technique | |
| Mishra et al. | A robust approach for palmprint biometric recognition | |
| Diaz-Escobar et al. | Natural scene text detection and segmentation using phase-based regions and character retrieval | |
| González‐Soler et al. | Local feature encoding for unknown presentation attack detection: An analysis of different local feature descriptors | |
| Méndez-Llanes et al. | On the use of local fixations and quality measures for deep face recognition | |
| Xu et al. | Coin recognition method based on SIFT algorithm | |
| Dash et al. | Fast face detection using a unified architecture for unconstrained and infrared face images | |
| Birajadar et al. | A scattering wavelet network-based approach to fingerprint classification | |
| Vater et al. | Combining isophote and cascade classifier information for precise pupil localization |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231012 Address after: Room 2202, 22 / F, Wantong building, No. 3002, Sungang East Road, Sungang street, Luohu District, Shenzhen City, Guangdong Province Patentee after: Shenzhen dragon totem technology achievement transformation Co.,Ltd. Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee before: Dragon totem Technology (Hefei) Co.,Ltd. Effective date of registration: 20231012 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240206 Address after: Room 201, 206-1, and 206-2, Building 3, Lvgu Information Industry Park, No. 368 Chengbei Street, Liandu District, Lishui City, Zhejiang Province, 323000 Patentee after: ZHEJIANG HENGHUI TECHNOLOGY Co.,Ltd. Country or region after: China Address before: Room 2202, 22 / F, Wantong building, No. 3002, Sungang East Road, Sungang street, Luohu District, Shenzhen City, Guangdong Province Patentee before: Shenzhen dragon totem technology achievement transformation Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |