CN112183276B - 基于特征描述符的部分遮挡人脸识别方法 - Google Patents
基于特征描述符的部分遮挡人脸识别方法 Download PDFInfo
- Publication number
- CN112183276B CN112183276B CN202010996250.0A CN202010996250A CN112183276B CN 112183276 B CN112183276 B CN 112183276B CN 202010996250 A CN202010996250 A CN 202010996250A CN 112183276 B CN112183276 B CN 112183276B
- Authority
- CN
- China
- Prior art keywords
- face
- point
- curved surface
- key points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 24
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
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
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- 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
- G06V10/513—Sparse representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (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)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于特征描述符的部分遮挡人脸识别方法,首先对人脸数据集中的三维人脸进行主曲率计算,以最大主曲率和最小主曲率检测到的关键点作为人脸关键点;以人脸深度的最低点为中心,裁剪出人脸中未被遮挡的部分;以检测到的关键点为中心,提取特征区域,对关键点构造八邻域,从八邻域内任意选取两个顶点与关键点结合构成多重空间三角特征描述符;然后将数据集中所有人脸的多重空间三角特征描述符加入到特征字典当中,完成特征字典构建;最后采用稀疏表示的方法完成三维遮挡人脸识别。本发明解决了现有技术中存在的人脸识别准确率差的问题。
Description
技术领域
本发明属于人脸识别技术领域,具体涉及一种基于特征描述符的部分遮挡人脸识别方法。
背景技术
近些年,生物特征识别技术的迅速发展,人脸识别作为其重要组成部分,已成为应用最广泛的领域之一。生物识别技术的主要应用,就是与数学统计原理和精密的生物传感器相结合,对身份进行认证。其中,应用在各行各业的人脸识别,一定程度上推动了用户认证的安全性和产品的创新性。目前,人脸识别技术已经取得了巨大的进步,但仍然还有很多问题亟待解决,例如遮挡、光照、表情和姿态等干扰因素的影响。现有的人脸识别算法可以很好的处理非遮挡情况下采集的人脸图像样本,减少除遮挡之外的干扰因素对于人脸图像样本的影响,取得很好的识别效果。因此,研究遮挡人脸识别问题是具有挑战和实际意义的。
目前,针对遮挡的人脸识别,二维图像具有较大的局限性,二维图像由像素点组成,缺乏一定的拓扑关系。面部识别系统处理纹理图像时,由于照明、姿态等外部因素和化妆、遮挡等内部因素,会导致类别内变化常常大于类间变化,使得二维面部识别技术在遮挡条件下缺乏可靠性[3]。为了克服以上因素的影响,提高可靠性,一部分研究人员开始关注三维。相比之下,三维人脸数据包含多模态信息:形状和纹理。其中,二维图像可以被认为是一个“纹理贴图”覆盖在三维形状上。面部的三维形状可以更好地描述面部的几何结构,因此,包含的可提取的识别信息也就更多。这使得在现实环境下,三维的人脸识别在准确率上有所提高。
发明内容
本发明的目的是提供一种基于特征描述符的部分遮挡人脸识别方法,解决了现有技术中存在的人脸识别准确率差的问题。
本发明所采用的技术方案是,一种基于特征描述符的部分遮挡人脸识别方法,具体按照以下步骤实施:
步骤1、对人脸数据集中的三维人脸进行主曲率计算,以最大主曲率和最小主曲率检测到的关键点作为人脸关键点;
步骤2、以人脸深度的最低点为中心,裁剪出人脸中未被遮挡的部分;
步骤3、以检测到的关键点为中心,提取特征区域,对关键点构造八邻域,从八邻域内任意选取两个顶点与关键点结合构成多重空间三角特征描述符;
步骤4、将数据集中所有人脸的多重空间三角特征描述符加入到特征字典当中,完成特征字典构建;
步骤5、采用稀疏表示的方法完成三维遮挡人脸识别。
本发明的特点还在于,
步骤1具体按照以下步骤实施:
步骤1.1、设人脸数据集中各个人脸的曲面S的方程为f(x,y),任意选取曲面S上的点作为P点,设P点坐标为(x0,y0,z0),曲面S上的曲线表示为x=x(t),y=y(t),因此将曲面S表示为f=f(x(t),y(t)),等式两边同时对t求导,具体操作按公式(1)进行处理:
步骤1.2、定义3个基本量E,F,G,其中基本量E为曲面S在P点对x的一阶偏导的平方,基本量F为曲面S在P点对x的一阶偏导与曲面S在P点对y的一阶偏导的乘积,基本量G为曲面S在P点对y的一阶偏导的平方,具体操作按公式(2)-(4)所示:
E=fx(x0,y0,z0)fx(x0,y0,z0) (2)
F=fx(x0,y0,z0)fy(x0,y0,z0) (3)
G=fy(x0,y0,z0)fy(x0,y0,z0) (4)
步骤1.3、求点P的法向量n,具体操作按公式(5)进行处理:
n=(fx(x0,y0,z0),fy(x0,y0,z0),)fz(x0,y0,z0) (5)
步骤1.4、再定义三个基本量L、M、N,其中L为曲面S在P点对x的二阶偏导与该点单位法向量的乘积,M为曲面S在P点对x与y的二阶偏导与该点单位法向量的乘积,N为曲面S在P点对y的二阶偏导与该点单位法向量的乘积,计算方法见公式(6)-(8),
步骤1.5、假设曲面上P点的主曲率为k,则k满足公式(9):
步骤1.6、公式(9)经推导得公式(10):
(EG-F2)k2-(LG-2MF+NE)k+(LN-M2) (10)
公式(10)是一个关于k的一元二次方程,通过求解得到两个根k1和k2,如果k1>k2,则k1为P点的最大主曲率,k2为P点的最小主曲率,利用此方法,求出曲面S上各个点的最大主曲率和最小主曲率,并找出曲面S上最大主曲率最大的点与最小主曲率最小的点分别当作曲面S的关键点,即每个曲面S都有两个关键点,通过上述步骤即求得人脸关键点,最终每个三维人脸都包含多个关键点。
步骤2具体按照以下步骤实施:
利用步骤1计算得到的三维曲面中点P的最大主曲率k1和最小主曲率k2计算三维曲面中点P的形状指数SI(P),计算公式如(11)所示:
以形状指数SI(P)最小的点为中心,裁剪出人脸中未被遮挡的部分。
步骤3具体按照以下步骤实施:
步骤3.1、以步骤1计算得到的关键点为中心构造八邻域L,在八邻域L中任选取两个点与所得到的关键点构造空间三角形,为每个关键点均构造一个空间三角形;
步骤3.2、基于每个空间三角形,设计四个几何特征:四个几何特征分别为:特征Ⅰ:关键点与步骤3.1的八邻域L中任选取的两个点连线之间夹角的角度;特征Ⅱ:关键点与步骤3.1的八邻域L中任选取的两个点构成的外接圆;特征Ⅲ:关键点到步骤3.1所述的八邻域L中任选取的两个点连线的距离;特征Ⅳ:步骤3.1的八邻域L中任选取的两个点的连线与Z轴之间的夹角;
步骤3.3、针对步骤3.2中四种几何特征,构造四个直方图:将每个空间三角形的特征向量均归一化到[-1,+1]之间的范围,然后将特征向量均匀地量化为直方图,最后将四个直方图以矢量的形式连接起来表示人脸的特征,形成多重空间三角统计描述符。
步骤4具体按照以下步骤实施:
步骤4.1、假设数据集中三维人脸数为Q,通过步骤3的特征描述符构造过程,将数据集中所有的人脸都构造一组特征描述符,第i个人的第j个关键点所构造的特征描述符表示为di,j,然后将第i个人的所有的特征描述符构造成特征描述符字典Di,特征描述符字典表Di示为公式(12):
Di=[di,1,di,2,…,di,j] (12)
数据集中所有人脸的特征描述符字典D表示为公式(13):
D=[D1,D2,...,DQ] (13);
步骤4.2、将一个具有c个关键点的三维面部当作测试人脸,每个检测到的关键点构造一组描述符yu,c个关键点构造的特征描述符表示为Y,如公式(14)所示:
Y=(y1,y2,...,yu,...,yc) (14)。
步骤5具体按照以下步骤实施:
步骤5.1、步骤4中的测试人脸Y的特征描述符由数据集人脸D中某个人脸的特征描述符稀疏表示,公式如(15)所示:
其中,X=(x1,x2,...,xb,…,xc)为稀疏系数矩阵,||xb||0表示l0范数,即计算向量中非零的个数,Q为数据集D中人脸的总数。
步骤5.2、由于每个人面部描述符之间相互独立,所以公式(15)可以等价的解决l0范式最小化问题,如公式(16)所示:
在公式(16)中,xb为稀疏系数,Z是用于控制解的稀疏性的参数,通过正交匹配追踪算法求解公式(16)得到公式(17):
其中,δi(·)是仅与第i个人相关的特征,通过公式(17)的计算,测试人脸Y由数据集D中的某个人脸di稀疏表示,数据集中与测试人脸Y匹配的人脸di即为要识别的人脸。
本发明的有益效果是,一种基于特征描述符的部分遮挡人脸识别方法,(1)对于三维人脸特征的提取,采用多重空间三角特征描述符的提取方法,提高的人脸特征的效率,并且使可利用的特征变得更多。(2)大面积脸部遮挡会影响人脸识别效率,本发明解决了脸部遮挡会影响人脸识别效果的难题,提高了蒙面人脸识别的效率。
附图说明
图1是本发明基于特征描述符的部分遮挡人脸识别方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于特征描述符的部分遮挡人脸识别方法,流程图如图1所示,具体按照以下步骤实施:
步骤1、对人脸数据集中的三维人脸进行主曲率计算,以最大主曲率和最小主曲率检测到的关键点作为人脸关键点;
步骤1具体按照以下步骤实施:
步骤1.1、设人脸数据集中各个人脸的曲面S的方程为f(x,y),任意选取曲面S上的点作为P点,设P点坐标为(x0,y0,z0),曲面S上的曲线表示为x=x(t),y=y(t),因此将曲面S表示为f=f(x(t),y(t)),等式两边同时对t求导,具体操作按公式(1)进行处理:
步骤1.2、定义3个基本量E,F,G,其中基本量E为曲面S在P点对x的一阶偏导的平方,基本量F为曲面S在P点对x的一阶偏导与曲面S在P点对y的一阶偏导的乘积,基本量G为曲面S在P点对y的一阶偏导的平方,具体操作按公式(2)-(4)所示:
E=fx(x0,y0,z0)fx(x0,y0,z0) (2)
F=fx(x0,y0,z0)fy(x0,y0,z0) (3)
G=fy(x0,y0,z0)fy(x0,y0,z0) (4)
步骤1.3、求点P的法向量n,具体操作按公式(5)进行处理:
n=(fx(x0,y0,z0),fy(x0,y0,z0),)fz(x0,y0,z0) (5)
步骤1.4、再定义三个基本量L、M、N,其中L为曲面S在P点对x的二阶偏导与该点单位法向量的乘积,M为曲面S在P点对x与y的二阶偏导与该点单位法向量的乘积,N为曲面S在P点对y的二阶偏导与该点单位法向量的乘积,计算方法见公式(6)-(8),
步骤1.5、假设曲面上P点的主曲率为k,则k满足公式(9):
步骤1.6、公式(9)经推导得公式(10):
(EG-F2)k2-(LG-2MF+NE)k+(LN-M2) (10)
公式(10)是一个关于k的一元二次方程,通过求解得到两个根k1和k2,如果k1>k2,则k1为P点的最大主曲率,k2为P点的最小主曲率,利用此方法,求出曲面S上各个点的最大主曲率和最小主曲率,并找出曲面S上最大主曲率最大的点与最小主曲率最小的点分别当作曲面S的关键点,即每个曲面S都有两个关键点,通过上述步骤即求得人脸关键点,最终每个三维人脸都包含多个关键点。
步骤2、以人脸深度的最低点为中心,裁剪出人脸中未被遮挡的部分;
步骤2具体按照以下步骤实施:
利用步骤1计算得到的三维曲面中点P的最大主曲率k1和最小主曲率k2计算三维曲面中点P的形状指数SI(P),计算公式如(11)所示:
以形状指数SI(P)最小的点为中心,裁剪出人脸中未被遮挡的部分。
步骤3、以检测到的关键点为中心,提取特征区域,对关键点构造八邻域,从八邻域内任意选取两个顶点与关键点结合构成多重空间三角特征描述符;
步骤3具体按照以下步骤实施:
步骤3.1、以步骤1计算得到的关键点为中心构造八邻域L,在八邻域L中任选取两个点与所得到的关键点构造空间三角形,为每个关键点均构造一个空间三角形;
步骤3.2、基于每个空间三角形,设计四个几何特征:四个几何特征分别为:基于每个空间三角形,设计四个几何特征:四个几何特征分别为:特征Ⅰ:关键点与步骤3.1的八邻域L中任选取的两个点连线之间夹角的角度;特征Ⅱ:关键点与步骤3.1的八邻域L中任选取的两个点构成的外接圆;特征Ⅲ:关键点到步骤3.1的八邻域L中任选取的两个点连线的距离;特征Ⅳ:步骤3.1的八邻域L中任选取的两个点的连线与Z轴之间的夹角;
步骤3.3、针对步骤3.2中四种几何特征,构造四个直方图:将每个空间三角形的特征向量均归一化到[-1,+1]之间的范围,然后将特征向量均匀地量化为直方图,最后将四个直方图以矢量的形式连接起来表示人脸的特征,形成多重空间三角统计描述符。
步骤4、将数据集中所有人脸的多重空间三角特征描述符加入到特征字典当中,完成特征字典构建;
步骤4具体按照以下步骤实施:
步骤4.1、假设数据集中三维人脸数为Q,通过步骤3的特征描述符构造过程,将数据集中所有的人脸都构造一组特征描述符,第i个人的第j个关键点所构造的特征描述符表示为di,j,然后将第i个人的所有的特征描述符构造成特征描述符字典Di,特征描述符字典表Di示为公式(12):
Di=[di,1,di,2,…,di,j] (12)
数据集中所有人脸的特征描述符字典D表示为公式(13):
D=[D1,D2,...,DQ] (13);
步骤4.2、将一个具有c个关键点的三维面部当作测试人脸,每个检测到的关键点构造一组描述符yu,c个关键点构造的特征描述符表示为Y,如公式(14)所示:
Y=(y1,y2,...,yu,...,yc] (14)。
步骤5、采用稀疏表示的方法完成三维遮挡人脸识别。
步骤5具体按照以下步骤实施:
步骤5.1、步骤4中的测试人脸Y的特征描述符由数据集人脸D中某个人脸的特征描述符稀疏表示,公式如(15)所示:
其中,X=(x1,x2,...,xb,…,xc)为稀疏系数矩阵,||xb||0表示l0范数,即计算向量中非零的个数,Q为数据集D中人脸的总数。
步骤5.2、由于每个人面部描述符之间相互独立,所以公式(15)可以等价的解决l0范式最小化问题,如公式(16)所示:
在公式(16)中,xb为稀疏系数,Z是用于控制解的稀疏性的参数,通过正交匹配追踪算法求解公式(16)得到公式(17):
其中,δi(·)是仅与第i个人相关的特征,通过公式(17)的计算,测试人脸Y由数据集D中的某个人脸di稀疏表示,数据集中与测试人脸Y匹配的人脸di即为要识别的人脸。
Claims (2)
1.一种基于特征描述符的部分遮挡人脸识别方法,其特征在于,具体按照以下步骤实施:
步骤1、对人脸数据集中的三维人脸进行主曲率计算,以最大主曲率和最小主曲率检测到的关键点作为人脸关键点;
所述步骤1具体按照以下步骤实施:
步骤1.1、设人脸数据集中各个人脸的曲面S的方程为f(x,y),任意选取曲面S上的点作为P点,设P点坐标为(x0,y0,z0),曲面S上的曲线表示为x=x(t),y=y(t),因此将曲面S表示为f=f(x(t),y(t)),等式两边同时对t求导,具体操作按公式(1)进行处理:
步骤1.2、定义3个基本量E,F,G,其中基本量E为曲面S在P点对x的一阶偏导的平方,基本量F为曲面S在P点对x的一阶偏导与曲面S在P点对y的一阶偏导的乘积,基本量G为曲面S在P点对y的一阶偏导的平方,具体操作按公式(2)-(4)所示:
E=fx(x0,y0,z0)fx(x0,y0,z0) (2)
F=fx(x0,y0,z0)fy(x0,y0,z0) (3)
G=fy(x0,y0,z0)fy(x0,y0,z0) (4)
步骤1.3、求点P的法向量n,具体操作按公式(5)进行处理:
n=(fx(x0,y0,z0),fy(x0,y0,z0),)fz(x0,y0,z0) (5)
步骤1.4、再定义三个基本量L、M、N,其中L为曲面S在P点对x的二阶偏导与该点单位法向量的乘积,M为曲面S在P点对x与y的二阶偏导与该点单位法向量的乘积,N为曲面S在P点对y的二阶偏导与该点单位法向量的乘积,计算方法见公式(6)-(8),
步骤1.5、假设曲面上P点的主曲率为k,则k满足公式(9):
步骤1.6、公式(9)经推导得公式(10):
(EG-F2)k2-(LG-2MF+NE)k+(LN-M2) (10)
公式(10)是一个关于k的一元二次方程,通过求解得到两个根k1和k2,如果k1>k2,则k1为P点的最大主曲率,k2为P点的最小主曲率,利用此方法,求出曲面S上各个点的最大主曲率和最小主曲率,并找出曲面S上最大主曲率最大的点与最小主曲率最小的点分别当作曲面S的关键点,即每个曲面S都有两个关键点,通过上述步骤即求得人脸关键点,最终每个三维人脸都包含多个关键点;
步骤2、以人脸深度的最低点为中心,裁剪出人脸中未被遮挡的部分;
所述步骤2具体按照以下步骤实施:
利用步骤1计算得到的三维曲面中点P的最大主曲率k1和最小主曲率k2计算三维曲面中点P的形状指数SI(P),计算公式如(11)所示:
以形状指数SI(P)最小的点为中心,裁剪出人脸中未被遮挡的部分;
步骤3、以检测到的关键点为中心,提取特征区域,对关键点构造八邻域,从八邻域内任意选取两个顶点与关键点结合构成多重空间三角特征描述符;
步骤3具体按照以下步骤实施:
步骤3.1、以步骤1计算得到的关键点为中心构造八邻域L,在八邻域L中任选取两个点与所得到的关键点构造空间三角形,为每个关键点均构造一个空间三角形;
步骤3.2、基于每个空间三角形,设计四个几何特征:四个几何特征分别为:基于每个空间三角形,设计四个几何特征:四个几何特征分别为:特征Ⅰ:关键点与所述步骤3.1的八邻域L中任选取的两个点连线之间夹角的角度;特征Ⅱ:关键点与所述步骤3.1的八邻域L中任选取的两个点构成的外接圆;特征Ⅲ:关键点到所述步骤3.1的八邻域L中任选取的两个点连线的距离;特征Ⅳ:所述步骤3.1的八邻域L中任选取的两个点的连线与Z轴之间的夹角;
步骤3.3、针对步骤3.2中四种几何特征,构造四个直方图:将每个空间三角形的特征向量均归一化到[-1,+1]之间的范围,然后将特征向量均匀地量化为直方图,最后将四个直方图以矢量的形式连接起来表示人脸的特征,形成多重空间三角统计描述符;
步骤4、将数据集中所有人脸的多重空间三角特征描述符加入到特征字典当中,完成特征字典构建;
所述步骤4具体按照以下步骤实施:
步骤4.1、假设数据集中三维人脸数为Q,通过步骤3的特征描述符构造过程,将数据集中所有的人脸都构造一组特征描述符,第i个人的第j个关键点所构造的特征描述符表示为di,j,然后将第i个人的所有的特征描述符构造成特征描述符字典Di,特征描述符字典表Di示为公式(12):
Di=[di,1,di,2,…,di,j] (12)
数据集中所有人脸的特征描述符字典D表示为公式(13):
D=[D1,D2,...,DQ] (13);
步骤4.2、将一个具有c个关键点的三维面部当作测试人脸,每个检测到的关键点构造一组描述符yu,c个关键点构造的特征描述符表示为Y,如公式(14)所示:
Y=(y1,y2,...,yu,...,yc) (14);
步骤5、采用稀疏表示的方法完成三维遮挡人脸识别。
2.根据权利要求1所述的一种基于特征描述符的部分遮挡人脸识别方法,其特征在于,所述步骤5具体按照以下步骤实施:
步骤5.1、步骤4中的测试人脸Y的特征描述符由数据集人脸D中某个人脸的特征描述符稀疏表示,公式如(15)所示:
其中,X=(x1,x2,...,xb,…,xc)为稀疏系数矩阵,||xb||0表示l0范数,即计算向量中非零的个数,Q为数据集D中人脸的总数;
步骤5.2、由于每个人面部描述符之间相互独立,所以公式(15)可以等价的解决l0范式最小化问题,如公式(16)所示:
在公式(16)中,xb为稀疏系数,Z是用于控制解的稀疏性的参数,通过正交匹配追踪算法求解公式(16)得到公式(17):
其中,δi(·)是仅与第i个人相关的特征,通过公式(17)的计算,测试人脸Y由数据集D中的某个人脸di稀疏表示,数据集中与测试人脸Y匹配的人脸di即为要识别的人脸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010996250.0A CN112183276B (zh) | 2020-09-21 | 2020-09-21 | 基于特征描述符的部分遮挡人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010996250.0A CN112183276B (zh) | 2020-09-21 | 2020-09-21 | 基于特征描述符的部分遮挡人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183276A CN112183276A (zh) | 2021-01-05 |
CN112183276B true CN112183276B (zh) | 2024-02-09 |
Family
ID=73956679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010996250.0A Active CN112183276B (zh) | 2020-09-21 | 2020-09-21 | 基于特征描述符的部分遮挡人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183276B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015161816A1 (en) * | 2014-04-25 | 2015-10-29 | Tencent Technology (Shenzhen) Company Limited | Three-dimensional facial recognition method and system |
CN106096503A (zh) * | 2016-05-30 | 2016-11-09 | 东南大学 | 一种基于关键点和局部特征的三维人脸识别方法 |
CN108090476A (zh) * | 2018-01-17 | 2018-05-29 | 四川大学 | 一种针对具有外部遮挡的3d人脸识别方法 |
WO2019080488A1 (zh) * | 2017-10-27 | 2019-05-02 | 东南大学 | 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法 |
-
2020
- 2020-09-21 CN CN202010996250.0A patent/CN112183276B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015161816A1 (en) * | 2014-04-25 | 2015-10-29 | Tencent Technology (Shenzhen) Company Limited | Three-dimensional facial recognition method and system |
CN106096503A (zh) * | 2016-05-30 | 2016-11-09 | 东南大学 | 一种基于关键点和局部特征的三维人脸识别方法 |
WO2019080488A1 (zh) * | 2017-10-27 | 2019-05-02 | 东南大学 | 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法 |
CN108090476A (zh) * | 2018-01-17 | 2018-05-29 | 四川大学 | 一种针对具有外部遮挡的3d人脸识别方法 |
Non-Patent Citations (2)
Title |
---|
吴从中 ; 王浩宇 ; 詹曙 ; .融合曲面形状和纹理特征的三维人脸识别.电子测量与仪器学报.2018,(第09期),全文. * |
胡敏艳 ; 孙杳如 ; .基于局部特征的三维人脸识别.现代计算机(专业版).2016,(第06期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112183276A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109887015B (zh) | 一种基于局部曲面特征直方图的点云自动配准方法 | |
Wang et al. | Shape matching and classification using height functions | |
CN111080684B (zh) | 一种点邻域尺度差异描述的点云配准方法 | |
WO2016023264A1 (zh) | 指纹识别方法及其指纹识别装置 | |
CN101847163A (zh) | 一种多特征融合的外观设计专利图像检索方法 | |
Li et al. | Multidimensional local binary pattern for hyperspectral image classification | |
CN106844620A (zh) | 一种基于视图的特征匹配三维模型检索方法 | |
CN108182705A (zh) | 一种基于机器视觉的三维坐标定位方法 | |
Thanikkal et al. | Whether color, shape and texture of leaves are the key features for image processing based plant recognition? An analysis! | |
CN113902779B (zh) | 一种基于张量投票方法的点云配准方法 | |
CN114358166A (zh) | 一种基于自适应k均值聚类的多目标定位方法 | |
CN111709426A (zh) | 一种基于轮廓和纹理的硅藻识别方法 | |
Sun et al. | Deep spectral descriptors: Learning the point-wise correspondence metric via siamese deep neural networks | |
Chang et al. | Automatic registration of remote sensing images based on revised SIFT with trilateral computation and homogeneity enforcement | |
Shokoufandeh et al. | The representation and matching of categorical shape | |
CN114332172A (zh) | 一种基于协方差矩阵改进的激光点云配准方法 | |
CN106780294B (zh) | 一种基于特征描述符的圆弧匹配方法 | |
EP0681285B1 (en) | Apparatus for standardization of inputs to word recognition systems | |
CN109035311A (zh) | 一种弯骨骨折自动配准及内固定钢板预弯建模方法 | |
CN112183276B (zh) | 基于特征描述符的部分遮挡人脸识别方法 | |
CN110532915B (zh) | 基于法向量方位角局部熵的三维人脸遮挡判别方法 | |
CN109829502B (zh) | 一种面向重复纹理及非刚性形变的像对高效稠密匹配方法 | |
Gual-Arnau et al. | Geometric analysis of planar shapes with applications to cell deformations | |
CN113225300B (zh) | 一种基于图像的大数据分析方法 | |
Prabuwono et al. | Content based image retrieval and support vector machine methods for face recognition |
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 |