CN1797420A - 一种基于统计纹理分析的人脸识别方法 - Google Patents
一种基于统计纹理分析的人脸识别方法 Download PDFInfo
- Publication number
- CN1797420A CN1797420A CNA2004101018795A CN200410101879A CN1797420A CN 1797420 A CN1797420 A CN 1797420A CN A2004101018795 A CNA2004101018795 A CN A2004101018795A CN 200410101879 A CN200410101879 A CN 200410101879A CN 1797420 A CN1797420 A CN 1797420A
- Authority
- CN
- China
- Prior art keywords
- weak classifier
- divergence
- subimage
- analysis
- similarity
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 title claims abstract description 37
- 230000000877 morphologic effect Effects 0.000 claims description 17
- 239000004744 fabric Substances 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000001815 facial effect Effects 0.000 claims description 6
- 238000010191 image analysis Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
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
- G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- 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
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及模式识别技术领域,特别是一种基于统计纹理分析的人脸识别方法。结合人脸识别技术、模式识别、图像处理技术和统计学习技术。本发明提出一种全新的纹理分析方法,首先将待分析的对象分解为多个有部分重叠的子对象,然后采用多尺度形态小波,对待分析的子对象做不同尺度下的“结构元”分析和提取。采用统计的方法,对每个子对象进行模式分类,即每个子对象产生一个弱分类器。最后采用贝叶斯网络对弱分类器之间的关系进行建模。
Description
技术领域
本发明涉及模式识别技术领域,特别是一种基于统计纹理分析的人脸识别方法。
背景技术
近年来,生物特征识别技术呈现出爆炸式的发展势头。911事件凸显恐怖主义对世界安全的危害,加强边境安全和身份鉴定是打击恐怖主义的有效措施。国际民航组织ICAO于2003年5月28日发布了生物技术应用规划(ICAOBlueprint),以帮助各国建立一个全球化、标准化的身份验证系统。目前欧洲、美国、日本以及世界上的很多国家都准备在短期内逐步使用生物护照。
生物护照是指封装一块包含人体生物特征信息的IC芯片的护照。人脸、虹膜、指纹等生物特征被认为是人各有异、终生不变的,因此通过比较IC芯片中的人体生物特征和现场采集的人体生物特征来进行身份鉴定是最可靠的身份鉴定方法。ICAO规定将脸相特征作为最主要的特征,所以快速人脸自动识别是生物护照识别系统中的一项关键技术。
所谓生物特征(BIOMETRICS)识别技术是指通过计算机利用人体所固有的生理特征或行为特征来进行个人身份鉴定。生理特征与生俱来,多为先天性的;行为特征则是习惯使然,多为后天性的。我们将生理和行为特征统称为生物特征。常用的生物特征包括:指纹、掌纹、虹膜、脸像、声音、笔迹等。
在我们的人脸识别技术中采用多尺度形态小波统计纹理分析的方法。在模式分析中,纹理的信息起到很重要的作用,能否对纹理做合理的分析将很大地影响模式分析的结果。
发明内容
本发明的目的在于提供一种基于统计纹理分析的人脸识别方法。
本发明将人脸识别这个多类的分类问题转化为两类分类问题:类内问题和类间问题。类内问题指的是同一个人的不同图像之间关系;类间问题指的是不同人的不同图像之间的关系。因此,给定两幅图像,计算机只需要做出一个二值判断即可:“1”表示这两张图像是同一个人的,“0”表示这两张图像不是同一个人的。我们首先用大小可变的窗口将图像分解成一系列子图像,然后进行形态小波变换,并统计子图像的直方图。再用散度的方法来度量两幅图像相应子图像的相似程度,并构造弱分类器。最后用贝叶斯网络(Bayesian Network)的方法将这些弱分类器组合成一个强的分类器以实现正确分类的效果。
技术方案
基于统计纹理分析的人脸识别方法,包括步骤:
首先,用大小可变的窗口扫描图像得到一系列子图像,使得构造出来的分类器具有统计性,同时体现人脸图像的空间信息;其次,用形态小波对每个子图像进行变换,用多尺度的方法分析人脸图像包含的结构元;散度是分析两个直方图距离的一种测度,用散度来度量两幅图像相应子图像的相似程度,并构成弱分类器;最后,用贝叶斯网络学习方法类组合这些弱分类器。
基于统计纹理分析的人脸识别方法,还包括步骤:
首先采用子图像的方法对图像进行分析,不需要一次性对整幅图像分析,这样构造的分类器能较好地体现空间位置信息;其次将数学形态学与小波的多尺度结合,构造一种有力的分析工具——形态小波;将形态小波用于人脸图像的分析;然后,用散度作为测度来度量图像间的相似程度,并利用这种相似度构造弱分类器;最后用贝叶斯网络学习的方法,将这些相互之间有冗余的弱分类器组合成高效的、分类能力强的、稳定的分类器。
采用子图像的方法,首先将待分析的对象分解为一系列子对象,而且这些子对象是有部分重叠的,然后再进行子对象分析。
采用一种新的纹理分析方案,用形态学和小波结合,构造一种形态小波;然后,用不同尺度的形态小波,对对象进行变换分析。
采用散度的测度方法,特别是采用Kullback-Leibler散度和Jensen-Shannon散度的
方法,来度量图像之间的相似性,并利用相同人之间相似性大,散度值小;不同人之间相似性小,散度值大的特点来构造弱分类器。
利用贝叶斯网络学习的方法,将分类器弱的,冗余性大的弱分类器组合成分类能力强的,高效的、性能稳定的分类器。
附图说明
图1.本发明的基于纹理分析人脸识别方法的子图像产生、形态小波变换、统计分类的示图。
图2.本发明的基于纹理分析人脸识别方法的贝叶斯网络组合弱分类器图。
具体实施方式
为了能很好地对任意两幅图像做分类,本发明提出一种全新的纹理分析方法。其步骤如下:
1)用一个大小可变的窗口在待分析的纹理图像(Image)上进行扫描,得到一系列的子图像(Sub-image),这些子图像之间有部分重叠。如图1所示。
2)数学形态学是分析图像结构的一种有力工具,将数学形态学和小波的多分辨分析结合,构造一种形态小波,能够从不同尺度来分析图像中的“结构元”。对上一步得到的每个子图像进行不同尺度的形态小波变换。如图1所示。
3)对每个经过形态小波变换过后的子图像进行直方图统计。然后用散度(Divergence)来分析两幅待分类图像的相应子图像的相似程度,即用Kullback-Leibler散度或者Jensen-Shannon散度来度量两个相应子图像的相似程度。相似性越大,散度就越小;相似性越小,散度越大。
4)一般情况下,同一个人的相应子图像的相似性大,所以散度距离小;而不同人之间的相应子图像的相似性小,散度距离大。利用这个特点,我们可以用子图像间的散度来构造一种弱分类器(Weak Classifier),这些分类器不能体现全局特性,但具有一定的分类能力,因此称为弱分类器。
5)由于每幅图像能产生一系列的子图像,每个子图像产生一个弱分类器,从而产生一系列的弱分类器。单个弱分类器的分类能力是有限的,此外,这些弱分类器之间有些相关性很强,冗余也大。因此,需要用一种合理的方法将这些弱分类器组合为一个性能稳定、分类能力强、高效的分类器。本发明中,将那些相关性比较强的弱分类器放到同一个弱分类器子集;而将相关性比较弱的弱分类器分到不同的弱分类器子集。这样就形成多个不同的弱分类器子集,并假设弱分类器子集之间是独立的;只有在同一个弱分类器子集内才存在弱分类器之间的相关性。
6)将每个弱分类器子集当作贝叶斯网络的一个子结点,这样每个子结点包含一个用于刻画该弱分类器子集内弱分类器相关性的子贝叶斯网络(Sub Bayesian Network)。这样就减少了问题的判断空间,得到一种高效的分类方法,同时又能充分利用弱分类器,如图2所示。
Claims (7)
1、基于统计纹理分析的人脸识别方法,包括步骤:
首先,用大小可变的窗口扫描图像得到一系列子图像,使得构造出来的分类器具有统计性,同时体现人脸图像的空间信息;其次,用形态小波对每个子图像进行变换,用多尺度的方法分析人脸图像包含的结构元;散度是分析两个直方图距离的一种测度,用散度来度量两幅图像相应子图像的相似程度,并构成弱分类器;最后,用贝叶斯网络学习方法类组合这些弱分类器。
2、根据权利要求1的基于统计纹理分析的人脸识别方法,其特征在于,还包括步骤:
首先采用子图像的方法对图像进行分析,不需要一次性对整幅图像分析,这样构造的分类器能较好地体现空间位置信息;其次将数学形态学与小波的多尺度结合,构造一种有力的分析工具——形态小波;将形态小波用于人脸图像的分析;然后,用散度作为测度来度量图像间的相似程度,并利用这种相似度构造弱分类器;最后用贝叶斯网络学习的方法,将这些相互之间有冗余的弱分类器组合成高效的、分类能力强的、稳定的分类器。
3、根据权利要求1的基于统计纹理分析的人脸识别方法,其特征在于:
采用子图像的方法,首先将待分析的对象分解为一系列子对象,而且这些子对象是有部分重叠的,然后再进行子对象分析。
4、根据权利要求1的基于统计纹理分析的人脸识别方法,其特征在于:
采用一种新的纹理分析方案,用形态学和小波结合,构造一种形态小波;然后,用不同尺度的形态小波,对对象进行变换分析。
5、根据权利要求1的基于统计纹理分析的人脸识别方法,其特征在于:
采用散度的测度方法,特别是采用Kullback-Leibler散度和Jensen-Shannon散度的方法,来度量图像之间的相似性,并利用相同人之间相似性大,散度值小;不同人之间相似性小,散度值大的特点来构造弱分类器。
6、根据权利要求1的基于统计纹理分析的人脸识别方法,其特征在于:
利用贝叶斯网络学习的方法,将分类器弱的,冗余性大的弱分类器组合成分类能力强的,高效的、性能稳定的分类器。
7、根据权利要求1的基于统计纹理分析的人脸识别方法,其具体步骤如下:
1)用一个大小可变的窗口在待分析的纹理图像上进行扫描,得到一系列的子图像,这些子图像之间有部分重叠;
2)将数学形态学和小波的多分辨分析结合,构造一种形态小波,能够从不同尺度来分析图像中的“结构元”,对上一步得到的每个子图像进行不同尺度的形态小波变换;
3)对每个经过形态小波变换过后的子图像进行直方图统计,然后用散度来分析两幅待分类图像的相应子图像的相似程度,即用Kullback-Leibler散度或者Jensen-Shannon散度来度量两个相应子图像的相似程度,相似性越大,散度就越小;相似性越小,散度越大;
4)一般情况下,同一个人的相应子图像的相似性大,所以散度距离小;而不同人之间的相应子图像的相似性小,散度距离大,利用这个特点,可以用子图像间的散度来构造一种弱分类器,这些分类器不能体现全局特性,但具有一定的分类能力,因此称为弱分类器;
5)由于每幅图像能产生一系列的子图像,每个子图像产生一个弱分类器,从而产生一系列的弱分类器,单个弱分类器的分类能力是有限的,此外,这些弱分类器之间有些相关性很强,冗余也大,将那些相关性比较强的弱分类器放到同一个弱分类器子集;而将相关性比较弱的弱分类器分到不同的弱分类器子集,这样就形成多个不同的弱分类器子集,并假设弱分类器子集之间是独立的;只有在同一个弱分类器子集内才存在弱分类器之间的相关性;
6)将每个弱分类器子集当作贝叶斯网络的一个子结点,这样每个子结点包含一个用于刻画该弱分类器子集内弱分类器相关性的子贝叶斯网络,这样就减少了问题的判断空间,得到一种高效的分类方法,同时又能充分利用弱分类器。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2004101018795A CN1797420A (zh) | 2004-12-30 | 2004-12-30 | 一种基于统计纹理分析的人脸识别方法 |
KR1020050046683A KR100707195B1 (ko) | 2004-12-30 | 2005-06-01 | 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법 및 장치와텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법 및장치 |
US11/320,672 US20060146062A1 (en) | 2004-12-30 | 2005-12-30 | Method and apparatus for constructing classifiers based on face texture information and method and apparatus for recognizing face using statistical features of face texture information |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2004101018795A CN1797420A (zh) | 2004-12-30 | 2004-12-30 | 一种基于统计纹理分析的人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1797420A true CN1797420A (zh) | 2006-07-05 |
Family
ID=36818446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2004101018795A Pending CN1797420A (zh) | 2004-12-30 | 2004-12-30 | 一种基于统计纹理分析的人脸识别方法 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR100707195B1 (zh) |
CN (1) | CN1797420A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100416596C (zh) * | 2006-10-12 | 2008-09-03 | 上海交通大学 | 用贝叶斯网络分类器图像判别特征点位置的方法 |
CN100440248C (zh) * | 2006-12-06 | 2008-12-03 | 北京中星微电子有限公司 | 一种图像方向校正装置及方法 |
CN100576231C (zh) * | 2007-01-15 | 2009-12-30 | 中国科学院自动化研究所 | 图像采集装置及应用该装置的人脸识别系统和方法 |
CN101894297A (zh) * | 2009-05-22 | 2010-11-24 | 索尼公司 | 判别设备、判别方法和计算机程序 |
CN101937576A (zh) * | 2010-09-08 | 2011-01-05 | 北京航空航天大学 | 一种结合多物理属性的动态纹理瀑布建模方法 |
CN103268623A (zh) * | 2013-06-18 | 2013-08-28 | 西安电子科技大学 | 一种基于频域分析的静态人脸表情合成方法 |
CN105103166A (zh) * | 2013-03-15 | 2015-11-25 | Ppg工业俄亥俄公司 | 用于涂料配制的纹理评估的系统和方法 |
US9818205B2 (en) | 2016-02-19 | 2017-11-14 | Ppg Industries Ohio, Inc. | Simplified texture comparison engine |
CN107832712A (zh) * | 2017-11-13 | 2018-03-23 | 深圳前海微众银行股份有限公司 | 活体检测方法、装置和计算机可读存储介质 |
US10031071B2 (en) | 2013-11-08 | 2018-07-24 | Ppg Industries Ohio, Inc. | Texture analysis of a coated surface using kepler's planetary motion laws |
CN109497886A (zh) * | 2018-11-06 | 2019-03-22 | 余姚市雷阵雨电器有限公司 | 背景音乐实时播放系统 |
US10481081B2 (en) | 2013-11-08 | 2019-11-19 | Ppg Industries Ohio, Inc. | Texture analysis of a coated surface using pivot-normalization |
US10545130B2 (en) | 2013-11-08 | 2020-01-28 | Ppg Industries Ohio, Inc. | Texture analysis of a coated surface using electrostatics calculations |
US10586162B2 (en) | 2013-03-15 | 2020-03-10 | Ppg Industries Ohio, Inc. | Systems and methods for determining a coating formulation |
US10613727B2 (en) | 2016-02-19 | 2020-04-07 | Ppg Industries Ohio, Inc. | Color and texture match ratings for optimal match selection |
US10871888B2 (en) | 2018-04-26 | 2020-12-22 | Ppg Industries Ohio, Inc. | Systems, methods, and interfaces for rapid coating generation |
US10970879B2 (en) | 2018-04-26 | 2021-04-06 | Ppg Industries Ohio, Inc. | Formulation systems and methods employing target coating data results |
US11119035B2 (en) | 2018-04-26 | 2021-09-14 | Ppg Industries Ohio, Inc. | Systems and methods for rapid coating composition determinations |
CN115546536A (zh) * | 2022-09-22 | 2022-12-30 | 南京森林警察学院 | 一种象牙制品识别方法及系统 |
US11874220B2 (en) | 2018-04-26 | 2024-01-16 | Ppg Industries Ohio, Inc. | Formulation systems and methods employing target coating data results |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100860989B1 (ko) * | 2006-12-18 | 2008-09-30 | 삼성전자주식회사 | 얼굴 영상의 유사도 산출 방법 및 장치와 이를 이용한 얼굴영상 검색 방법 및 장치 그리고 얼굴 합성 방법 |
KR100866792B1 (ko) * | 2007-01-10 | 2008-11-04 | 삼성전자주식회사 | 확장 국부 이진 패턴을 이용한 얼굴 기술자 생성 방법 및장치와 이를 이용한 얼굴 인식 방법 및 장치 |
KR20100010465A (ko) * | 2008-07-22 | 2010-02-01 | 주식회사 미래인식 | 개인 식별 문자 및 생체 인식 정보 비교를 통한 출입 관리 장치 및 방법 |
KR101038706B1 (ko) * | 2009-11-18 | 2011-06-02 | 장정아 | 화상 인증 방법 및 장치 |
KR100973999B1 (ko) * | 2010-03-05 | 2010-08-05 | (주)나인정보시스템 | 불규칙 조명 환경에 강인한 번호판 문자 분리 방법 |
KR101382172B1 (ko) * | 2013-03-12 | 2014-04-10 | 건아정보기술 주식회사 | 얼굴 영상의 계층적 특징 분류 시스템 및 그 방법 |
CN106096550A (zh) * | 2016-06-12 | 2016-11-09 | 朱兰英 | 一种基于面部图像的室内巡视核验系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6775397B1 (en) * | 2000-02-24 | 2004-08-10 | Nokia Corporation | Method and apparatus for user recognition using CCD cameras |
US20030063781A1 (en) * | 2001-09-28 | 2003-04-03 | Koninklijke Philips Electronics N.V. | Face recognition from a temporal sequence of face images |
KR20030042403A (ko) * | 2001-11-22 | 2003-05-28 | 조윤석 | 윤곽선 정합에 의한 이용한 얼굴 캐릭터 생성 방법 |
KR100474848B1 (ko) * | 2002-07-19 | 2005-03-10 | 삼성전자주식회사 | 영상시각 정보를 결합하여 실시간으로 복수의 얼굴을검출하고 추적하는 얼굴 검출 및 추적 시스템 및 방법 |
KR100612848B1 (ko) * | 2003-07-15 | 2006-08-14 | 삼성전자주식회사 | 다중시점 얼굴 데이터베이스 구축장치 및 방법과 다중시점얼굴기술자 생성장치 및 방법 |
-
2004
- 2004-12-30 CN CNA2004101018795A patent/CN1797420A/zh active Pending
-
2005
- 2005-06-01 KR KR1020050046683A patent/KR100707195B1/ko not_active IP Right Cessation
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100416596C (zh) * | 2006-10-12 | 2008-09-03 | 上海交通大学 | 用贝叶斯网络分类器图像判别特征点位置的方法 |
CN100440248C (zh) * | 2006-12-06 | 2008-12-03 | 北京中星微电子有限公司 | 一种图像方向校正装置及方法 |
CN100576231C (zh) * | 2007-01-15 | 2009-12-30 | 中国科学院自动化研究所 | 图像采集装置及应用该装置的人脸识别系统和方法 |
CN101894297A (zh) * | 2009-05-22 | 2010-11-24 | 索尼公司 | 判别设备、判别方法和计算机程序 |
CN101937576A (zh) * | 2010-09-08 | 2011-01-05 | 北京航空航天大学 | 一种结合多物理属性的动态纹理瀑布建模方法 |
CN101937576B (zh) * | 2010-09-08 | 2013-02-06 | 北京航空航天大学 | 一种结合多物理属性的动态纹理瀑布建模方法 |
CN105103166A (zh) * | 2013-03-15 | 2015-11-25 | Ppg工业俄亥俄公司 | 用于涂料配制的纹理评估的系统和方法 |
US10586162B2 (en) | 2013-03-15 | 2020-03-10 | Ppg Industries Ohio, Inc. | Systems and methods for determining a coating formulation |
CN105103166B (zh) * | 2013-03-15 | 2018-02-23 | Ppg工业俄亥俄公司 | 用于涂料配制的纹理评估的系统和方法 |
US10147043B2 (en) | 2013-03-15 | 2018-12-04 | Ppg Industries Ohio, Inc. | Systems and methods for texture assessment of a coating formulation |
CN103268623A (zh) * | 2013-06-18 | 2013-08-28 | 西安电子科技大学 | 一种基于频域分析的静态人脸表情合成方法 |
CN103268623B (zh) * | 2013-06-18 | 2016-05-18 | 西安电子科技大学 | 一种基于频域分析的静态人脸表情合成方法 |
US10031071B2 (en) | 2013-11-08 | 2018-07-24 | Ppg Industries Ohio, Inc. | Texture analysis of a coated surface using kepler's planetary motion laws |
US10481081B2 (en) | 2013-11-08 | 2019-11-19 | Ppg Industries Ohio, Inc. | Texture analysis of a coated surface using pivot-normalization |
US10545130B2 (en) | 2013-11-08 | 2020-01-28 | Ppg Industries Ohio, Inc. | Texture analysis of a coated surface using electrostatics calculations |
US9818205B2 (en) | 2016-02-19 | 2017-11-14 | Ppg Industries Ohio, Inc. | Simplified texture comparison engine |
US10613727B2 (en) | 2016-02-19 | 2020-04-07 | Ppg Industries Ohio, Inc. | Color and texture match ratings for optimal match selection |
US10969952B2 (en) | 2016-02-19 | 2021-04-06 | Ppg Industries Ohio, Inc. | Color and texture match ratings for optimal match selection |
CN107832712A (zh) * | 2017-11-13 | 2018-03-23 | 深圳前海微众银行股份有限公司 | 活体检测方法、装置和计算机可读存储介质 |
US10871888B2 (en) | 2018-04-26 | 2020-12-22 | Ppg Industries Ohio, Inc. | Systems, methods, and interfaces for rapid coating generation |
US10970879B2 (en) | 2018-04-26 | 2021-04-06 | Ppg Industries Ohio, Inc. | Formulation systems and methods employing target coating data results |
US11119035B2 (en) | 2018-04-26 | 2021-09-14 | Ppg Industries Ohio, Inc. | Systems and methods for rapid coating composition determinations |
US11874220B2 (en) | 2018-04-26 | 2024-01-16 | Ppg Industries Ohio, Inc. | Formulation systems and methods employing target coating data results |
CN109497886A (zh) * | 2018-11-06 | 2019-03-22 | 余姚市雷阵雨电器有限公司 | 背景音乐实时播放系统 |
CN115546536A (zh) * | 2022-09-22 | 2022-12-30 | 南京森林警察学院 | 一种象牙制品识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
KR20060079060A (ko) | 2006-07-05 |
KR100707195B1 (ko) | 2007-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1797420A (zh) | 一种基于统计纹理分析的人脸识别方法 | |
Al-Omari et al. | State-of-the-art in offline signature verification system | |
CN101561867B (zh) | 一种基于高斯形状特征的人体检测方法 | |
KR101993729B1 (ko) | 다중채널 가버 필터와 중심대칭지역 이진 패턴기반 얼굴인식기술 | |
CN1266642C (zh) | 基于多类别的人脸分类识别方法 | |
Alaraj et al. | A neural network based human identification framework using ear images | |
Verma et al. | Wavelet application in fingerprint recognition | |
CN104361319A (zh) | 一种基于svm-rfe特征选择的假指纹检测方法 | |
CN1855118A (zh) | 一种基于图像比的光照变化下的人脸识别方法 | |
Subbarayudu et al. | Multimodal biometric system | |
Babu et al. | An efficient face recognition system using DWT-ICA features | |
John et al. | 1D wavelet transform of projection profiles for isolated handwritten Malayalam character recognition | |
Sharkas et al. | The contourlet transform with the principal component analysis for palmprint recognition | |
HR et al. | A novel hybrid biometric software application for facial recognition considering uncontrollable environmental conditions | |
Abdul-Haleem | Offline handwritten signature verification based on local ridges features and haar wavelet transform | |
Porwik et al. | Some handwritten signature parameters in biometric recognition process | |
Emadi et al. | Illumination normalization using 2D wavelet | |
Kekre et al. | Hybrid multimodal biometric recognition using kekre’s wavelets, 1d transforms & kekre’s vector quantization algorithms based feature extraction of face & iris | |
Yap et al. | A short review of methods for face detection and multifractal analysis | |
Rezaei et al. | A robust fingerprint recognition system based on hybrid DCT and DWT | |
Bukis et al. | Survey of face detection and recognition methods | |
Azizi et al. | A new method for iris recognition based on contourlet transform and non linear approximation coefficients | |
Eltrabelsi et al. | Offline Handwritten Signature Recognition based on Discrete Cosine Transform and Artificial Neural Network | |
Mohamed et al. | Wavelet based statistical adapted local binary patterns for recognizing avatar faces | |
Sajedi et al. | A contourlet-based face detection method in color images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |