CN109993090A - 基于级联回归森林和图像灰度特征的虹膜中心定位方法 - Google Patents

基于级联回归森林和图像灰度特征的虹膜中心定位方法 Download PDF

Info

Publication number
CN109993090A
CN109993090A CN201910226703.9A CN201910226703A CN109993090A CN 109993090 A CN109993090 A CN 109993090A CN 201910226703 A CN201910226703 A CN 201910226703A CN 109993090 A CN109993090 A CN 109993090A
Authority
CN
China
Prior art keywords
iris
center
point
cascade
snakuscule
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
Application number
CN201910226703.9A
Other languages
English (en)
Other versions
CN109993090B (zh
Inventor
王睿缜
沈海斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910226703.9A priority Critical patent/CN109993090B/zh
Publication of CN109993090A publication Critical patent/CN109993090A/zh
Application granted granted Critical
Publication of CN109993090B publication Critical patent/CN109993090B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/193—Preprocessing; Feature extraction
    • 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
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/197—Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Ophthalmology & Optometry (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于级联回归森林和图像灰度特征的虹膜中心定位方法，涉及虹膜检测技术领域。本发明用于解决现有技术中存在的实时性、精确性、稳健性等方面的问题，提供了一种基于级联回归森林和图像灰度特征的虹膜中心定位方法，该方法利用级联回归森林，灰度加权平均和weighted‑snakuscule能量值迭代，充分结合基于表观观的方法和基于机器学习的多阶段方案的优点，在具有挑战性的低分辨率图像下仍然保持高准确性和鲁棒性。

Description

基于级联回归森林和图像灰度特征的虹膜中心定位方法
技术领域
本发明涉及虹膜检测技术领域，具体为一种基于级联回归森林和图像灰度特征的虹膜中心定位方法。
背景技术
眼睛中心定位，一般指虹膜中心定位或瞳孔中心定位，该技术被广泛应用于心理学、医学、虹膜识别与人机交互等学术研究领域和广告、网页优化等商业领域。目前，主流的基于图像/视频处理的眼睛中心定位方法可以被划分为三大类：基于形状的方法，基于表观的方法和混合的定位方法。
基于形状的定位方法通常基于虹膜(或瞳孔)边缘提取及圆形(或椭圆)拟合，即利用虹膜/瞳孔的轮廓为圆形或椭圆形的特征。然而当图像噪声或变形的边缘使得难以准确地提取虹膜/瞳孔轮廓时，该类方法的准确度显著降低，不适合在具有挑战性的低分辨率图像中定位虹膜中心。基于表观的方法在高分辨率图像上已经被证明具有高准确性，但是在具有挑战性的图像条件下仍然缺乏稳健性，部分方法计算成本相当高。随着机器学习技术的发展，许多基于学习算法的虹膜中心定位方案得到了深入的研究，并且被证明在具有挑战性的场景下具有很高的鲁棒性，但是对训练样本具有较高的要求。总的来说，在具有挑战性的低分辨率图像中定位虹膜中心，单一的方法各自存在着实时性、精确性、稳健性等方面的问题。近年来，混合虹膜中心定位方法被广泛使用以满足更高的性能要求。
发明内容
为了解决现有技术中存在的实时性、精确性、稳健性等方面的问题，本发明提供了一种基于级联回归森林和图像灰度特征的虹膜中心定位方法，该方法利用级联回归森林，灰度加权平均和weighted-snakuscule能量值迭代，充分结合基于表观观的方法和基于机器学习的多阶段方案的优点，在具有挑战性的低分辨率图像下仍然保持高准确性和鲁棒性。
为了实现上述目的，本发明提供的一种基于级联回归森林和图像灰度特征的虹膜中心定位方法，包括如下步骤：
S101、获取待检测目标的面部图像；
S102、将S101所述面部图像输入至利用级联回归森林训练的面部特征点检测器，检测双眼4个眼角特征点；
S103、根据S102步骤中产生的输出的双眼眼角特征点，对输入图片中双眼所在位置进行定位，提取出双眼区域所在图像；
S104、将S103产生的图像输入至利用级联回归森林训练的眼部26特征点检测器，输出包含双眼虹膜中心和每只眼12个精确描述眼睑形状的关键特征点，以检测器检测到的虹膜中心作为初定位结果；
所述精定位阶段通过级联回归森林实现，包含以下步骤：
S201、利用12个精确描述眼睑形状的关键特征点识别目标眼睛的开闭状态，对于闭合状态的眼睛将S103产生的虹膜中心被视为最终的虹膜中心，对睁开状态的眼睛的虹膜中心通过S202-S205后续步骤进一步的精定位；
S202、对处于睁开状态的眼睛图片，根据对应12个关键点得到眼睛形状的掩模，提取属于该掩模的全部点集{pi}(i＝1～N)，并以S103中产生的虹膜中心为参考点p0，提取出粗略的虹膜点集Ω：
S203、通过求灰度加权质心来估算虹膜中心(cx,cy)；
S204、使用基于snakuscule模型能量值对S203步骤中估算出的虹膜中心进行质量评估，设置阈值来筛选出不合格的虹膜中心估计，如果虹膜中心的snakuscule能量值小于阈值，则估计存在显着偏差，并需要通过S205步骤进行修正。
S205、对不合格的虹膜中心估计，根据weighted-snakuscule能量值分布在指定遍历范围内迭代修正，得到最终的虹膜中心。
本发明的基于级联回归森林和图像灰度特征的虹膜中心定位方法的优点是：
1.除基本的摄像和信息传输设备外，该方法不需要其他专用设备或仪器的辅助，可以由现有的计算机设备或移动智能设备实现。该方法的计算成本低，无需大量迭代，在常用的笔记本电脑上能达到实时运行，因此该方法的硬件要求不高且具有实时性。
2.该方法的鲁棒性高，受光照的影响也比较小，对于很多不同场景都具有普适性，在具有挑战性的低分辨率图像中也能准确检测到虹膜中心位置。
附图说明
图1描述了本发明描述的虹膜中心定位方法流程示意图；
图2描述了本发明某一实施例中从人脸图片输入到提取出人眼区域的示意图；
图3描述了本发明描述的级联回归森林模型的示意图；
图4描述了本发明某一实施例中的眼部26个特征点；
图5描述了本发明某一实施例中判断眼睛的开闭状态方法；
图6描述了本发明描述的提取眼睛点集的过程；
图7描述了本发明某一实施例中的一次迭代修正过程。
具体实施方式：
下面将配合参考附图详细描述若干示例性实施例来说明本发明的原理和精神。但所描述的实施方式并不代表与本申请相一致的所有实施方式。描述这些实施实例的目的是使本领域技术人员更好地理解本发明，而不是以任何方式限制本发明的范围。
如图1所示，本发明的基于级联回归森林和图像灰度特征的虹膜中心定位包括以下步骤：
S101、获取待检测目标的面部图像；图像指的是通过传感器采集到的适当格式的图像或视频，在经过面部检测处理后所获得的人脸面部区域，阶段201展示了面部检测的示例，面部区域用方框标注。本发明的范围在具体的面部检测方法方面不受限制。
S102、将S101所述面部图像输入至利用级联回归森林训练的面部特征点检测器，检测双眼4个眼角特征点，阶段202展示了眼角点检测的示例，4个眼角点用蓝色圆点进行标注。
本发明所述的级联回归森林方法是由Kazemi V和Sullivan J在2014年在《OneMillisecond Face Alignment with an Ensemble of Regression Trees》一文中提出的一种精确估计人脸特征点位置的算法，即基于回归树集成算法，Ensemble of RegressionTrees，简称ERT，可以用于实现毫秒级的单脸人脸关键点检测。
在本发明的一个优选实施例中，所述面部特征点检测器是以双眼四个特征点组成的矢量为训练形状的级联回归森林模型。
S103、根据S102步骤中产生的输出的双眼眼角特征点，对输入图片中双眼所在位置进行定位，提取出双眼区域所在图像。如阶段203所示，4个眼角点分别用pi表示，i＝0,1,2,or3。用xL，yT，xR，yB分别表示眼睛区域的左边界水平x坐标，上边界垂直y坐标，右边界水平x坐标，下边界垂直y坐标，则眼睛区域边界坐标可估计为，
其中，pix表示眼角点pi的水平x坐标，piy表示眼角点pi的垂直y坐标，E是估计的眼球直径，εi是和虹膜半径与眼球直径的比例相关的预设值，i＝0,1,2,3。
S104、将S103产生的图像输入至利用级联回归森林训练的眼部26特征点检测器，输出包含双眼虹膜中心和每只眼12个精确描述眼睑形状的关键特征点，以检测器检测到的虹膜中心作为初定位结果。共计26个特征点，每只眼13个特征点，这些特征点分别是：虹膜中心，虹膜中心在上眼睑的投影点，虹膜中心在下眼睑的投影点；虹膜左边界投影在上眼睑的点，虹膜左边界投影在下眼睑的点，虹膜右边界投影在上眼睑的点，虹膜右边界投影在下眼睑的点；外眼角点，内眼角点；虹膜和外眼角点之间的巩膜区域的中心投影在上眼睑的点，虹膜和外眼角点之间的巩膜区域的中心投影在下眼睑的点，虹膜和内眼角点之间的巩膜区域的中心投影在上眼睑的点，虹膜和内眼角点之间的巩膜区域的中心投影在下眼睑的点。
图3描述了级联回归森林算法的示意图，级联回归森林模型由D个回归模型级联而成，每个回归模型包含n棵决策树。其中D是预设的级联回归森林的级联深度，每层的回归量模型rt是由n个决策树组成的随机森林，每棵决策树的深度为d。训练的输入是图像和对应的初始形状矢量，输出是模型最终估计出的形状矢量。箭头描述了数据的流向，即级联回归森林模型的训练和使用都是串行执行的。
在本发明的一个优选实施例中，所述级联回归森林训练的眼部26特征点检测器，以图4展示的26个特征点构成的矢量为训练形状，使用像素点对强度差特征训练，由10个回归模型级联而成，每个回归模型包含500棵深度为4的决策树。通过步骤S101-S104完成了虹膜中心初定位，为了对初定位结果进行修正，还需要基于初定位结果进行精定位，步骤如下：
S201、识别目标眼睛的开闭状态来确定后续处理的具体分支。利用12个精确描述眼睑形状的关键特征点识别目标眼睛的开闭状态。对于闭合状态的眼睛，认为这类眼睛中未包含足够的虹膜特征，因此不再继续后续处理，将S103产生的虹膜中心被视为最终的虹膜中心，即以初定位结果为最终结果。对睁开状态的眼睛的虹膜中心通过后续步骤进一步的精定位。
在本发明的一个优选实施例中，使用指定特征点对相对距离的比值来识别目标眼睛的开闭状态。如图5所示，即计算眼睛纵横比d2/d1，判断d2/d1是否低于预设的睁眼阈值来判断眼睛的开闭状态。
对于被设别为睁开状态的眼睛将通过步骤S202-S205进一步修正。
S202、对处于睁开状态的眼睛图片，根据对应12个关键点得到眼睛形状的掩模，提取属于该掩模的全部点集{pi}(i＝1～N)。如图6所示，过程601展示了获得的12个关键点，过程602根据12个关键点得到眼睛形状，在过程603描述了获得眼睛形状的掩膜，根据掩模去除所有不属于白色掩模的点，保留下的点集即是过程604所描述的点集{pi}(i＝1～N)。以S103中产生的虹膜中心为参考点p0，提取出粗略的虹膜点集Ω＝{||p-p0||＜kE*|p∈{pi}(i＝1～N)}，其中E*是眼球直径估计值，k是表示虹膜区域的范围大小的预设值。
S203、通过求灰度加权质心来估算虹膜中心(cx,cy)，
其中，f(p)表示像素点p的灰度强度。
S204、对S203步骤中估算出的虹膜中心进行质量评估，通过设置阈值来筛选出不合格的虹膜中心估计，对虹膜中心计算snakuscule模型能量值E(p0)，
其中，表示像素点的灰度强度，是snakuscule的圆心，是snakuscule的内圆半径，是外半径相对内圆半径的比率。
如果计算所得虹膜中心的E(p0)值小于阈值，则认为估计存在显着偏差，需要通过S205步骤进行修正。
S205、对不合格的虹膜中心估计，根据weighted-snakuscule能量值分布在指定遍历范围内迭代修正，得到最终的虹膜中心。
在每次迭代中，当前虹膜中心及其4个毗邻的像素点对应的5个weighted-snakuscule能量值E1(p0)，
其中，f(p)表示像素点p的灰度强度，p0是snakuscule的圆心，r是snakuscule的内圆半径，ρ是外半径相对内圆半径的比率。
根据计算出的5个点的E1(p0)大小，将虹膜中心移动到提供E1(p0)能量最大增量的位置，重复此过程，直到虹膜中心不再改变或遇到迭代范围边界，将该中心视为修正过的虹膜中心。
图7描述了一个迭代修正过程的具体实例，阶段701展示了某次迭代的起始，点(2,2)为当前虹膜中心，计算以点(2,2)为圆心的weighted-snakuscule能量值，并分别计算以(1,2)，(2,1)，(2,3)，(3,2)为圆心的weighted-snakuscule能量值。选择能量具有最大增量的位置，假设(3,2)点具有最大weighted-snakuscule能量值，则将虹膜中心移动到(3,2)位置，如阶段702所示。以阶段702为起始开始下一轮迭代，计算(3,2)，(2,2)，(3,1)，(4,2)，(3,3)为圆心的weighted-snakuscule能量值，假设(3,3)点具有最大weighted-snakuscule能量值，则将虹膜中心移动到(3,3)位置，如阶段703所示。重复此过程，直到虹膜中心不再改变或遇到迭代范围边界时停止迭代。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明，本发明所属技术领域的技术人员可对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但不会偏离本发明的精神或超越所附权利要求书所定义的范围。

Claims (8)

1.基于级联回归森林和图像灰度特征的虹膜中心定位方法，其特征在于：包括虹膜中心初定位阶段和精定位阶段；
所述初定位阶段通过级联回归森林实现，包含以下步骤：
S101、获取待检测目标的面部图像；
S102、将S101所述面部图像输入至利用级联回归森林训练的面部特征点检测器，得到双眼4个眼角特征点；
S103、根据S102步骤中产生的双眼眼角特征点，对输入图片中双眼所在位置进行定位，提取出双眼区域所在图像；
S104、将S103产生的图像输入至利用级联回归森林训练的眼部26特征点检测器，输出包含双眼虹膜中心和每只眼12个精确描述眼睑形状的关键特征点，以检测器检测到的虹膜中心作为初定位结果；
所述精定位阶段通过级联回归森林实现，包含以下步骤：
S201、利用12个精确描述眼睑形状的关键特征点识别目标眼睛的开闭状态，对于闭合状态的眼睛将S103产生的虹膜中心被视为最终的虹膜中心，对睁开状态的眼睛的虹膜中心通过S202-S205步骤进一步精定位；
S202、对处于睁开状态的眼睛图片，根据对应12个关键点得到眼睛形状的掩模，提取属于该掩模的全部点集{pi}(i＝1～N)，并以S103中产生的虹膜中心为参考点p0，提取出粗略的虹膜点集Ω；
S203、通过求灰度加权质心来估算虹膜中心(cx,cy)；
S204、使用基于snakuscule模型能量值对S203步骤中估算出的虹膜中心进行质量评估，设置阈值来筛选出不合格的虹膜中心估计，如果虹膜中心的snakuscule能量值小于阈值，则为不合格的虹膜中心估计，虹膜中心估计存在显著偏差，并需要通过S205步骤进行修正；
S205、对不合格的虹膜中心估计，根据weighted-snakuscule能量值分布在指定遍历范围内迭代修正，得到最终的虹膜中心。
2.根据权利要求1所述的基于级联回归森林和图像灰度特征的虹膜中心定位方法，其特征在于所述的提取出双眼区域所在图像具体为：
设xL，yT，xR，yB分别表示眼睛区域的左边界水平x坐标，上边界垂直y坐标，右边界水平x坐标，下边界垂直y坐标，则眼睛区域边界坐标可估计为，
其中，pix表示眼角点pi的水平x坐标，piy表示眼角点pi的垂直y坐标，E是估计的眼球直径，εi是和虹膜半径与眼球直径的比例相关的预设值，i＝0,1,2,3。
3.根据权利要求1所述的基于级联回归森林和图像灰度特征的虹膜中心定位方法，其特征在于，所述的26特征点为每只眼的各13个特征点，所述的13个特征点分别是：虹膜中心，虹膜中心在上眼睑的投影点，虹膜中心在下眼睑的投影点；虹膜左边界投影在上眼睑的点，虹膜左边界投影在下眼睑的点，虹膜右边界投影在上眼睑的点，虹膜右边界投影在下眼睑的点；外眼角点，内眼角点；虹膜和外眼角点之间的巩膜区域的中心投影在上眼睑的点，虹膜和外眼角点之间的巩膜区域的中心投影在下眼睑的点，虹膜和内眼角点之间的巩膜区域的中心投影在上眼睑的点，虹膜和内眼角点之间的巩膜区域的中心投影在下眼睑的点。
4.根据权利要求1所述的基于级联回归森林和图像灰度特征的虹膜中心定位方法，其特征在于所述的粗略的虹膜点集
Ω＝{||p-p0||＜kE*|p∈{pi}(i＝1～N)}
其中E*是眼球直径估计值，k是表示虹膜区域的范围大小的预设值。
5.根据权利要求1所述的基于级联回归森林和图像灰度特征的虹膜中心定位方法，其特征在于所述的以灰度加权质心来估算虹膜中心(cx,cy)为
其中，f(p)表示像素点p的灰度强度。
6.根据权利要求1所述基于snakuscule模型能量值，其特征在于，
某点的snakuscule能量值为E(p0)，则
其中，f(p)表示像素点p的灰度强度，p0是snakuscule的圆心，r是snakuscule的内圆半径，ρ是外半径相对内圆半径的比率。
7.根据权利要求1所述weighted-snakuscule能量值，其特征在于，
某点的weighted-snakuscule能量值为E1(p0)，则
其中，f(p)表示像素点p的灰度强度，p0是snakuscule的圆心，r是snakuscule的内圆半径，ρ是外半径相对内圆半径的比率。
8.根据权利要求1所述迭代修正，其特征在于，所述的步骤S205在每次迭代修正中，计算当前虹膜中心及其4个毗邻的像素点对应的5个weighted-snakuscule能量值，将虹膜中心移动到提供weighted-snakuscule能量最大增量的位置，重复此过程，直到虹膜中心不再改变或遇到迭代范围边界，将此时的中心视为修正过的虹膜中心。
CN201910226703.9A 2019-03-25 2019-03-25 基于级联回归森林和图像灰度特征的虹膜中心定位方法 Expired - Fee Related CN109993090B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910226703.9A CN109993090B (zh) 2019-03-25 2019-03-25 基于级联回归森林和图像灰度特征的虹膜中心定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910226703.9A CN109993090B (zh) 2019-03-25 2019-03-25 基于级联回归森林和图像灰度特征的虹膜中心定位方法

Publications (2)

Publication Number Publication Date
CN109993090A true CN109993090A (zh) 2019-07-09
CN109993090B CN109993090B (zh) 2021-01-08

Family

ID=67131389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910226703.9A Expired - Fee Related CN109993090B (zh) 2019-03-25 2019-03-25 基于级联回归森林和图像灰度特征的虹膜中心定位方法

Country Status (1)

Country Link
CN (1) CN109993090B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516537A (zh) * 2019-07-15 2019-11-29 电子科技大学 一种基于自步学习的人脸年龄估计方法
CN113095446A (zh) * 2021-06-09 2021-07-09 中南大学 异常行为样本生成方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933344A (zh) * 2015-07-06 2015-09-23 北京中科虹霸科技有限公司 基于多生物特征模态的移动终端用户身份认证装置及方法
CN105260698A (zh) * 2015-09-08 2016-01-20 北京天诚盛业科技有限公司 对虹膜图像进行定位的方法和装置
US9311527B1 (en) * 2011-07-14 2016-04-12 The Research Foundation For The State University Of New York Real time eye tracking for human computer interaction
CN107895157A (zh) * 2017-12-01 2018-04-10 沈海斌 一种低分辨率图像虹膜中心精确定位的方法
CN107958173A (zh) * 2016-10-18 2018-04-24 北京眼神科技有限公司 虹膜定位方法和装置
CN108256397A (zh) * 2016-12-29 2018-07-06 广州映博智能科技有限公司 基于投影积分的虹膜区域定位方法
US20180300589A1 (en) * 2017-04-13 2018-10-18 Modiface Inc. System and method using machine learning for iris tracking, measurement, and simulation

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9311527B1 (en) * 2011-07-14 2016-04-12 The Research Foundation For The State University Of New York Real time eye tracking for human computer interaction
CN104933344A (zh) * 2015-07-06 2015-09-23 北京中科虹霸科技有限公司 基于多生物特征模态的移动终端用户身份认证装置及方法
CN105260698A (zh) * 2015-09-08 2016-01-20 北京天诚盛业科技有限公司 对虹膜图像进行定位的方法和装置
CN107958173A (zh) * 2016-10-18 2018-04-24 北京眼神科技有限公司 虹膜定位方法和装置
CN108256397A (zh) * 2016-12-29 2018-07-06 广州映博智能科技有限公司 基于投影积分的虹膜区域定位方法
US20180300589A1 (en) * 2017-04-13 2018-10-18 Modiface Inc. System and method using machine learning for iris tracking, measurement, and simulation
CN107895157A (zh) * 2017-12-01 2018-04-10 沈海斌 一种低分辨率图像虹膜中心精确定位的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIANING LIN ET AL: "Simple and Accurate Iris Center Localization Method", 《2018 IEEE INTERNATIONAL CONFERENCE ON INFORMATION AND AUTOMATION (ICIA)》 *
SANYAM GARG ET AL: "Accurate Eye Center Localization using Snakuscule", 《2016 IEEE WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION (WACV) 》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516537A (zh) * 2019-07-15 2019-11-29 电子科技大学 一种基于自步学习的人脸年龄估计方法
CN110516537B (zh) * 2019-07-15 2022-03-15 电子科技大学 一种基于自步学习的人脸年龄估计方法
CN113095446A (zh) * 2021-06-09 2021-07-09 中南大学 异常行为样本生成方法及系统

Also Published As

Publication number Publication date
CN109993090B (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
Boltes et al. Automatic extraction of pedestrian trajectories from video recordings
CN102908120B (zh) 眼底图像的配准方法、眼底图像中视盘神经、血管的测量方法及眼底图像的拼接方法
CN103413120B (zh) 基于物体整体性和局部性识别的跟踪方法
CN109102547A (zh) 基于物体识别深度学习模型的机器人抓取位姿估计方法
CN103473571B (zh) 一种人体检测方法
Crihalmeanu et al. Enhancement and registration schemes for matching conjunctival vasculature
CN106650794B (zh) 一种受物体表面高光反射影响的图像高光消除方法及系统
CN107506770A (zh) 糖尿病视网膜病变眼底照相标准图像生成方法
CN105975941A (zh) 一种基于深度学习的多方向车型检测识别系统
CN112926410B (zh) 目标跟踪方法、装置、存储介质及智能视频系统
CN110232389A (zh) 一种基于绿色作物特征提取不变性的立体视觉导航方法
US11194997B1 (en) Method and system for thermal infrared facial recognition
CN102096823A (zh) 基于高斯模型和最小均方差的人脸检测方法
CN103886589A (zh) 面向目标的自动化高精度边缘提取方法
CN109460764A (zh) 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法
CN106557750A (zh) 一种基于肤色和深度二叉特征树的人脸检测方法
CN113592911B (zh) 表观增强深度目标跟踪方法
CN106503748A (zh) 一种基于s‑sift特征和svm训练器的车型识别算法
Cerutti et al. Guiding active contours for tree leaf segmentation and identification
CN103955950A (zh) 一种利用关键点特征匹配的图像跟踪方法
CN106952312A (zh) 一种基于线特征描述的无标识增强现实注册方法
CN109993090A (zh) 基于级联回归森林和图像灰度特征的虹膜中心定位方法
CN103279960B (zh) 一种基于x射线背散射图像的人体隐藏物的图像分割方法
CN105631405A (zh) 基于多级分块的交通视频智能识别背景建模方法
CN106960199A (zh) 一种真彩色眼象图白睛区域的完整提取方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210108