CN110956090B - 一种基于正负光照不变单元融合的人脸特征提取方法 - Google Patents
一种基于正负光照不变单元融合的人脸特征提取方法 Download PDFInfo
- Publication number
- CN110956090B CN110956090B CN201911064788.1A CN201911064788A CN110956090B CN 110956090 B CN110956090 B CN 110956090B CN 201911064788 A CN201911064788 A CN 201911064788A CN 110956090 B CN110956090 B CN 110956090B
- Authority
- CN
- China
- Prior art keywords
- face
- gray
- image
- positive
- illumination invariant
- 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
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于正负光照不变单元融合的人脸特征提取方法,该方法包括如下步骤:采集人脸彩色图像,并转化为人脸灰度图像;对灰度人脸图像的每个灰度值,构造以该灰度值为中心的5个局部邻域;通过以每个灰度值为中心的5个局部邻域,构造人脸灰度图像的正负光照不变单元模型;通过正负光照不变单元模型,构建基于正负光照不变单元融合的人脸特征。本发明充分考虑了灰度人脸图像的局部邻域中灰度值之间的关系,通过构造灰度人脸图像灰度值的5个局部邻域,构建人脸灰度图像的正负光照不变单元模型,产生基于正负光照不变单元融合的人脸特征,该人脸特征同时控制5个局部邻域中正负光照不变单元之间平衡,不受不同局部邻域之间关系的影响。
Description
技术领域
本发明涉及一种剧烈光照变化人脸识别问题中的光照不变人脸特征提取方法,具体的说是一种基于正负光照不变单元融合的人脸特征提取方法,属于模式识别技术领域。
背景技术
光照不变人脸特征提取技术主要应用于存在剧烈光照变化的人脸识别问题中,其在信息安全、视觉监控、身份识别等领域有着广泛的应用需求,如在交通监控方面,目前的户外交通监控系统可实时采集大量含有剧烈光照变化人脸图像的视频和图片,通过提取剧烈光照变化人脸图像的光照不变特征,可以提高视觉监控系统识别光照变化人脸图像的准确率,能够对可疑分子实施及时抓捕或实时定位。
光照不变人脸特征提取方法源于这样一个事实,即在户外自然光环境下,采集的人脸图像存在剧烈的光照变化,剧烈光照变化会导致人脸识别系统的性能严重下降,为了提高人脸识别系统对剧烈光照变化的鲁棒性,需要提取光照不变人脸特征。基于正负光照不变单元融合的人脸特征是一种消除人脸图像光照成分的特征提取技术,依据人脸图像的局部邻域中光照强度近似相等这个事实,将对数人脸图像的局部邻域中两个像素之差作为一个光照不变单元,通过多局部邻域内正负光照不变单元的融合,可以有效消除人脸剧烈光照变化的影响,形成鲁棒的光照不变人脸特征,显著提高人脸识别系统在剧烈光照变化下的识别准确率。
近年来,光照不变人脸特征提取技术成为剧烈光照变化人脸识别领域的一个重要研究课题,在理论上说明了方法的可行性,更提出并发展了许多有显著意义和应用价值的方法。按其提取技术可以分为两类:基于数据驱动的方法和基于模型驱动的方法。基于数据驱动的方法使用大规模光照变化人脸图像训练深度神经网络,将光照变化看作是人脸固有特征的一个部分;基于数据驱动的方法对轻微和中等程度的光照变化性能较好,但是对剧烈光照变化效果不佳,在实际应用中不能令人满意。基于模型驱动的方法,将光照变化作为干扰噪声消除掉,对剧烈光照变化效果很好。现有的基于模型驱动的方法使用较多的权值融合多局部邻域光照不变特征,生成光照不变特征的质量难以有效控制,容易造成人脸特征失真。
发明内容
本发明所要解决的技术问题是,克服现有技术的不足而提供一种基于正负光照不变单元融合的人脸特征提取方法,能够消除人脸图像剧烈光照变化影响,适用于剧烈光照变化人脸识别算法。
本发明提供一种基于正负光照不变单元融合的人脸特征提取方法,包括以下步骤:
步骤1、采集人脸彩色图像,并转化为人脸灰度图像;转至步骤2;
步骤2、在所述步骤1中得到的人脸灰度图像中,以每个灰度值为中心,构造该灰度值的5个局部邻域;转至步骤3;
步骤3、在所述步骤2中得到的人脸灰度图像中,通过灰度值I(x,y)为中心的5个局部邻域,构造人脸灰度图像的正负光照不变单元模型IIM;转至步骤4;
步骤4、通过所述步骤3中得到的人脸灰度图像的正负光照不变单元模型IIM,构建人脸灰度图像的正负光照不变单元融合的人脸特征FIIM。
本发明的方法在产生光照不变人脸特征质量和计算效率方面优于传统的方法,对于提高人脸识别系统在剧烈光照变化下的识别准确率具有重要价值。为了获得生成速度快、质量高的光照不变人脸特征,满足人脸识别系统在剧烈光照变化下的实际应用要求,本发明提供了基于正负光照不变单元融合的人脸特征提取方法,该方法将对数人脸图像的局部邻域中两个像素之差作为一个光照不变单元,通过多局部邻域内正负光照不变单元的融合,生成鲁棒的光照不变人脸特征。这样不但可以保证产生光照不变人脸特征质量可靠,而且能使人脸识别系统在剧烈光照变化下显著的提高识别的准确率。同时,本发明通过正负光照不变单元模型,只使用一个权值,可以很好的控制生成光照不变特征的质量。
作为本发明的进一步技术方案,步骤1的具体流程如下:
步骤1.1、采集人脸彩色图像,人脸彩色图像的大小为m×n×3,其中,m表示人脸彩色图像矩阵的行数,n表示人脸彩色图像矩阵的列数;转至步骤1.2;
步骤1.2、将所述步骤1.1中的人脸彩色图像转化为大小为m×n的人脸灰度图像I,并将人脸灰度图像I的灰度值等比例的转化到1至255之间。
步骤2的具体流程如下:
步骤2.1、在人脸灰度图像I中,位置为(x,y)处的灰度值表示为I(x,y),其中,x表示人脸灰度图像I的图像矩阵的行编号,且x=1,2,…,m;y表示人脸灰度图像I的图像矩阵的列编号,且y=1,2,…,n;转至步骤2.2;
步骤2.2、将所述步骤2.1中灰度值I(x,y)的相邻灰度值表示为I(x+i,y+j),其中,i=-5,-4,…,5,j=-5,-4,…,5;当x+i<1,x+i>m,y+j<1,或y+j>n时,则I(x+i,y+j)=0;转至步骤2.3;
步骤2.3、在5组不同i和j的取值下,由所述步骤2.2中的灰度值I(x+i,y+j)可构成以I(x,y)为中心的5个局部邻域:当i=-1,0,1和j=-1,0,1时,由灰度值I(x+i,y+j)构成的局部邻域表示为Ψ1;当i=-2,-1,0,1,2和j=-2,-1,0,1,2时,由灰度值I(x+i,y+j)构成的局部邻域表示为Ψ2;当i=-3,-2,-1,0,1,2,3和j=-3,-2,-1,0,1,2,3时,由灰度值I(x+i,y+j)构成的局部邻域表示为Ψ3;当i=-4,-3,-2,-1,0,1,2,3,4和j=-4,-3,-2,-1,0,1,2,3,4时,由灰度值I(x+i,y+j)构成的局部邻域表示为Ψ4;当i=-5,-4,-3,-2,-1,0,1,2,3,4,5和j=-5,-4,-3,-2,-1,0,1,2,3,4,5时,由灰度值I(x+i,y+j)构成的局部邻域表示为Ψ5;这样,可得到以I(x,y)为中心的5个局部邻域Ψt,t=1,2,3,4,5。
步骤3的具体流程如下:
步骤3.1、在局部邻域Ψt中,将一个光照不变单元IIU(x,y)表示为灰度值I(x,y)与其任意一个相邻灰度值I(x+i,y+j)之差,即IIU(x,y)=I(x,y)-I(x+i,y+j),将IIU(x,y)>0称为正光照不变单元,采用IIU(x,y)+表示;IIU(x,y)<0称为负光照不变单元,采用IIU(x,y)-表示;转至步骤3.2;
步骤3.2、基于5个局部邻域Ψt,则t=1,2,3,4,5的人脸灰度图像I的正负光照不变单元模型IIM表示如下,
其中,x=1,2,…,m,y=1,2,…,n,I(x+i,y+j)∈Ψt表示灰度值I(x+i,y+j)属于局部邻域Ψt。
步骤4的具体流程如下:
步骤4.1、通过控制人脸灰度图像I的正负光照不变单元之间的平衡关系,得到如下人脸灰度图像I的正负光照不变单元融合的人脸特征FIIM,
其中,α+β=2,x=1,2,…,m,y=1,2,…,n。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1.本发明提出的基于正负光照不变单元融合的人脸特征,针对人脸图像的剧烈光照变化,将对数人脸图像的局部邻域中两个像素之差作为一个光照不变单元,将多局部邻域中的光照不变单元分为正负两个部分,以保证同等的对待多局部邻域中的每一个光照不变单元;
2.本发明提出的基于正负光照不变单元融合的人脸特征,通过控制多局部邻域内正负光照不变单元的融合,生成光照不变人脸图像特征,在消除光照变化影响的同时,可以最大限度的保持人脸图像的固有特征信息。
总之,本发明从实际应用效果出发,提出基于正负光照不变单元融合的人脸特征,该方法处理效率高,计算方法简单,使用的权值参数远少于传统的多局部邻域融合方法。
附图说明
图1为本发明的整体流程图。
图2为本发明中由剧烈光照人脸图像产生光照不变人脸特征的流程图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护权限不限于下述的实施例。
实施例
本实施例提出了一种基于正负光照不变单元融合的人脸特征提取方法,如图1所示,包括以下步骤:
步骤1、采集人脸彩色图像,并转化为人脸灰度图像。具体流程如下:
步骤1.1、采集人脸彩色图像,人脸彩色图像的大小为m×n×3,其中,m表示人脸彩色图像矩阵的行数,n表示人脸彩色图像矩阵的列数;
步骤1.2、将所述步骤1.1中的人脸彩色图像转化为大小为m×n的人脸灰度图像I,并将人脸灰度图像I的灰度值等比例的转化到1至255之间。
步骤2、在所述步骤1中得到的人脸灰度图像I中,以每个灰度值为中心,构造该灰度值的5个局部邻域。具体流程如下:
步骤2.1、在人脸灰度图像I中,位置为(x,y)处的灰度值表示为I(x,y),其中,x表示人脸灰度图像I的图像矩阵的行编号,且x=1,2,…,m;y表示人脸灰度图像I的图像矩阵的列编号,且y=1,2,…,n;
步骤2.2、将所述步骤2.1中灰度值I(x,y)的相邻灰度值表示为I(x+i,y+j),其中,i=-5,-4,…,5,j=-5,-4,…,5;当x+i<1,或x+i>m,或y+j<1,或y+j>n时,则I(x+i,y+j)=0;
步骤2.3、在5组不同i和j的取值下,由所述步骤2.2中的灰度值I(x+i,y+j)可构成以I(x,y)为中心的5个局部邻域:当i=-1,0,1和j=-1,0,1时,由灰度值I(x+i,y+j)构成的局部邻域表示为Ψ1;当i=-2,-1,0,1,2和j=-2,-1,0,1,2时,由灰度值I(x+i,y+j)构成的局部邻域表示为Ψ2;当i=-3,-2,-1,0,1,2,3和j=-3,-2,-1,0,1,2,3时,由灰度值I(x+i,y+j)构成的局部邻域表示为Ψ3;当i=-4,-3,-2,-1,0,1,2,3,4和j=-4,-3,-2,-1,0,1,2,3,4时,由灰度值I(x+i,y+j)构成的局部邻域表示为Ψ4;当i=-5,-4,-3,-2,-1,0,1,2,3,4,5和j=-5,-4,-3,-2,-1,0,1,2,3,4,5时,由灰度值I(x+i,y+j)构成的局部邻域表示为Ψ5;这样,可得到以I(x,y)为中心的5个局部邻域Ψt,t=1,2,3,4,5。
步骤3、在所述步骤2中得到的人脸灰度图像I中,通过灰度值I(x,y)为中心的5个局部邻域,构造人脸灰度图像I的正负光照不变单元模型IIM。具体流程如下:
步骤3.1、在局部邻域Ψt中,将一个光照不变单元IIU(x,y)表示为灰度值I(x,y)与其任意一个相邻灰度值I(x+i,y+j)之差,即IIU(x,y)=I(x,y)-I(x+i,y+j),将IIU(x,y)>0称为正光照不变单元,采用IIU(x,y)+表示;IIU(x,y)<0称为负光照不变单元,采用IIU(x,y)-表示;
步骤3.2、基于5个局部邻域Ψt,则t=1,2,3,4,5的人脸灰度图像I的正负光照不变单元模型IIM表示如下,
其中,x=1,2,…,m,y=1,2,…,n,I(x+i,y+j)∈Ψt表示灰度值I(x+i,y+j)属于局部邻域Ψt。
步骤4、通过所述步骤3中得到的人脸灰度图像I的正负光照不变单元模型IIM,构建人脸灰度图像I的正负光照不变单元融合的人脸特征FIIM。具体流程如下:
步骤4.1、通过控制人脸灰度图像I的正负光照不变单元之间的平衡关系,得到如下人脸灰度图像I的正负光照不变单元融合的人脸特征FIIM,
其中,α+β=2,x=1,2,…,m,y=1,2,…,n。
本发明的方法通过采集人脸彩色图像,并转化为人脸灰度图像,对人脸灰度图像的每个灰度值,构造以该灰度值为中心的5个局部邻域,再通过以每个灰度值为中心的5个局部邻域,构造人脸灰度图像的正负光照不变单元模型,最后通过人脸灰度图像的正负光照不变单元模型,构建基于正负光照不变单元融合的人脸特征。本发明充分考虑了灰度人脸图像的局部邻域中灰度值之间的关系,通过构造灰度人脸图像灰度值的5个局部邻域,构建人脸灰度图像的正负光照不变单元模型,产生基于正负光照不变单元融合的人脸特征,该人脸特征同时控制5个局部邻域中正负光照不变单元之间平衡,不受不同局部邻域之间关系的影响。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (2)
1.一种基于正负光照不变单元融合的人脸特征提取方法,其特征在于,包括以下步骤:
步骤1、采集人脸彩色图像,并转化为人脸灰度图像;具体流程如下:
步骤1.1、采集人脸彩色图像,人脸彩色图像的大小为m×n×3,其中,m表示人脸彩色图像矩阵的行数,n表示人脸彩色图像矩阵的列数;转至步骤1.2;
步骤1.2、将所述步骤1.1中的人脸彩色图像转化为大小为m×n的人脸灰度图像I,并将人脸灰度图像I的灰度值等比例的转化到1至255之间;转至步骤2;
步骤2、在所述步骤1中得到的人脸灰度图像中,以每个灰度值为中心,构造该灰度值的5个局部邻域;具体流程如下:
步骤2.1、在人脸灰度图像I中,位置为(x,y)处的灰度值表示为I(x,y),其中,x表示人脸灰度图像I的图像矩阵的行编号,且x=1,2,…,m;y表示人脸灰度图像I的图像矩阵的列编号,且y=1,2,…,n;转至步骤2.2;
步骤2.2、将所述步骤2.1中灰度值I(x,y)的相邻灰度值表示为I(x+i,y+j),其中,i=-5,-4,…,5,j=-5,-4,…,5;当x+i<1,x+i>m,y+j<1,或y+j>n时,则I(x+i,y+j)=0;转至步骤2.3;
步骤2.3、在5组不同i和j的取值下,由所述步骤2.2中的灰度值I(x+i,y+j)可构成以I(x,y)为中心的5个局部邻域:当i=-1,0,1和j=-1,0,1时,由灰度值I(x+i,y+j)构成的局部邻域表示为Ψ1;当i=-2,-1,0,1,2和j=-2,-1,0,1,2时,由灰度值I(x+i,y+j)构成的局部邻域表示为Ψ2;当i=-3,-2,-1,0,1,2,3和j=-3,-2,-1,0,1,2,3时,由灰度值I(x+i,y+j)构成的局部邻域表示为Ψ3;当i=-4,-3,-2,-1,0,1,2,3,4和j=-4,-3,-2,-1,0,1,2,3,4时,由灰度值I(x+i,y+j)构成的局部邻域表示为Ψ4;当i=-5,-4,-3,-2,-1,0,1,2,3,4,5和j=-5,-4,-3,-2,-1,0,1,2,3,4,5时,由灰度值I(x+i,y+j)构成的局部邻域表示为Ψ5;这样,可得到以I(x,y)为中心的5个局部邻域Ψt,t=1,2,3,4,5;转至步骤3;
步骤3、在所述步骤2中得到的人脸灰度图像中,通过灰度值I(x,y)为中心的5个局部邻域,构造人脸灰度图像的正负光照不变单元模型IIM;具体流程如下:
步骤3.1、在局部邻域Ψt中,将一个光照不变单元IIU(x,y)表示为灰度值I(x,y)与其任意一个相邻灰度值I(x+i,y+j)之差,即IIU(x,y)=I(x,y)-I(x+i,y+j),将IIU(x,y)>0称为正光照不变单元,采用IIU(x,y)+表示;IIU(x,y)<0称为负光照不变单元,采用IIU(x,y)-表示;转至步骤3.2;
步骤3.2、基于5个局部邻域Ψt,则t=1,2,3,4,5的人脸灰度图像I的正负光照不变单元模型IIM表示如下,
其中,x=1,2,…,m,y=1,2,…,n,I(x+i,y+j)∈Ψt表示灰度值I(x+i,y+j)属于局部邻域Ψt;转至步骤4;
步骤4、通过所述步骤3中得到的人脸灰度图像的正负光照不变单元模型IIM,构建人脸灰度图像的正负光照不变单元融合的人脸特征FIIM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911064788.1A CN110956090B (zh) | 2019-11-04 | 2019-11-04 | 一种基于正负光照不变单元融合的人脸特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911064788.1A CN110956090B (zh) | 2019-11-04 | 2019-11-04 | 一种基于正负光照不变单元融合的人脸特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110956090A CN110956090A (zh) | 2020-04-03 |
CN110956090B true CN110956090B (zh) | 2022-08-30 |
Family
ID=69975983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911064788.1A Active CN110956090B (zh) | 2019-11-04 | 2019-11-04 | 一种基于正负光照不变单元融合的人脸特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956090B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077402B (zh) * | 2021-04-12 | 2022-09-06 | 南京邮电大学 | 一种基于正交三角分解的人脸图像光照复原方法 |
CN113361492B (zh) * | 2021-07-19 | 2023-10-24 | 南京邮电大学 | 一种基于正交三角分解的光照不变特征提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163283A (zh) * | 2011-05-25 | 2011-08-24 | 电子科技大学 | 一种基于局部三值模式的人脸特征提取方法 |
CN105631441A (zh) * | 2016-03-03 | 2016-06-01 | 暨南大学 | 一种人脸识别方法 |
CN106022223A (zh) * | 2016-05-10 | 2016-10-12 | 武汉理工大学 | 一种高维局部二值模式人脸识别方法及系统 |
CN110287780A (zh) * | 2019-05-17 | 2019-09-27 | 长安大学 | 一种光照下人脸图像特征提取方法 |
-
2019
- 2019-11-04 CN CN201911064788.1A patent/CN110956090B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163283A (zh) * | 2011-05-25 | 2011-08-24 | 电子科技大学 | 一种基于局部三值模式的人脸特征提取方法 |
CN105631441A (zh) * | 2016-03-03 | 2016-06-01 | 暨南大学 | 一种人脸识别方法 |
CN106022223A (zh) * | 2016-05-10 | 2016-10-12 | 武汉理工大学 | 一种高维局部二值模式人脸识别方法及系统 |
CN110287780A (zh) * | 2019-05-17 | 2019-09-27 | 长安大学 | 一种光照下人脸图像特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110956090A (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105787458B (zh) | 基于人工设计特征和深度学习特征自适应融合的红外行为识别方法 | |
CN108830252A (zh) | 一种融合全局时空特征的卷积神经网络人体动作识别方法 | |
CN106845415B (zh) | 一种基于深度学习的行人精细化识别方法及装置 | |
Chen et al. | Haze removal using radial basis function networks for visibility restoration applications | |
CN101751678B (zh) | 一种人群剧烈运动的检测方法及装置 | |
CN113592736B (zh) | 一种基于融合注意力机制的半监督图像去模糊方法 | |
Liu et al. | Wdnet: Watermark-decomposition network for visible watermark removal | |
CN110956090B (zh) | 一种基于正负光照不变单元融合的人脸特征提取方法 | |
CN109214285A (zh) | 基于深度卷积神经网络与长短期记忆网络的摔倒检测方法 | |
CN108664953A (zh) | 一种基于卷积自编码器模型的图像特征提取方法 | |
CN110929679A (zh) | 一种基于gan的无监督自适应行人重识别方法 | |
CN111639580B (zh) | 一种结合特征分离模型和视角转换模型的步态识别方法 | |
CN110427888A (zh) | 一种基于特征聚类的人脸质量评估方法 | |
CN110414558A (zh) | 基于事件相机的特征点匹配方法 | |
CN111222447A (zh) | 基于神经网络及多通道融合lbp特征的活体检测方法 | |
CN116682120A (zh) | 基于深度学习的多语种马赛克图像文本识别方法 | |
CN106980823A (zh) | 一种基于帧间自相似的动作识别方法 | |
CN116563957B (zh) | 一种基于傅里叶域适应的人脸伪造视频检测方法 | |
CN112488165A (zh) | 一种基于深度学习模型的红外行人识别方法及系统 | |
CN117523609A (zh) | 基于特定和共享表示学习的可见光与近红外行人重识别方法 | |
CN110910320B (zh) | 一种基于奇异值分解的人脸图像光照复原方法 | |
CN112200008A (zh) | 一种社区监控场景下人脸属性识别方法 | |
CN111861949A (zh) | 一种基于生成对抗网络的多曝光图像融合方法及系统 | |
CN110674675A (zh) | 一种行人面部反欺诈方法 | |
CN111915566B (zh) | 基于循环一致对抗网络的红外样本目标检测方法 |
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 |