TWI413004B - 人臉特徵辨識方法及系統 - Google Patents
人臉特徵辨識方法及系統 Download PDFInfo
- Publication number
- TWI413004B TWI413004B TW99125026A TW99125026A TWI413004B TW I413004 B TWI413004 B TW I413004B TW 99125026 A TW99125026 A TW 99125026A TW 99125026 A TW99125026 A TW 99125026A TW I413004 B TWI413004 B TW I413004B
- Authority
- TW
- Taiwan
- Prior art keywords
- face
- face image
- features
- image
- feature recognition
- Prior art date
Links
Landscapes
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Description
本發明係與一種生物特徵辨識方法及系統有關,特別是與一種人臉特徵辨識方法與系統有關。
生物辨識(Biometrics)技術在當前社會扮演著越來越重要的角色。從提款機、門禁系統、筆記型電腦以至於隨身碟等應用中,都可以見到生物辨識技術的應用。
在生物辨識技術的領域中,人臉辨識技術是一個新興的研發重點。習知人臉辨識系統所用的演算法多半是基於「模型取特徵」的方式來做特徵擷取。所謂「模型取特徵」係利用數學降維模型(Dimension Reduction Model)以模擬影像。習知常見的方法如主成分分析(Principle Component Analysis)或是線性識別分析(Linear Discriminant Analysis)等,皆是一種全域(Holistic)模擬方法。然而這類習知模擬全域影像的方法,由於是一次取全域影像的特性,所以較容易受到所取得影像正規化不夠良好以及一些影像局部破壞(Occlusion)或是旋轉(Rotation)、位移(Shift)、大小(Scale)以及光源(Illumination)等破壞影像因素所影響。而此類因素皆會影響最後比對的特徵向量,導致後續特徵向量比對得到不正確的辨識結果。
有鑑於此,本發明揭露一種人臉特徵辨識方法與系統,其係藉由二元化圖形(Local Binary Pattern)為基礎,輔以高斯混合化模型(Gaussian Mixture Model)而模擬取得特徵點分布資訊,藉以解決習知人臉特徵辨識之問題。
本發明之一範疇在於提供一種人臉特徵辨識方法。
根據本發明之一具體實施例,本發明提供一種人臉特徵辨識方法,其包含有以下步驟:(S1)自一視訊串流中擷取一視訊框;(S2)判斷該視訊框中是否有一人臉影像;(S3)若有該人臉影像,則將該人臉影像正規化(Normalize);(S4)利用一局部二元化圖形(Local Binary Pattern,LBP)來描述該正規化後人臉影像之一組特徵;以及(S5)利用一高斯混合模型(Gaussian Mixture Model,GMM)來模擬該組特徵之空間分布資訊。
於實際應用中,本發明之人臉特徵辨識方法所採用的局部二元化圖形,係為一種進階多重解析區塊-局部二元化圖形(Advance Multi-resolution Block-Local Binary Pattern,AMB-LBP),而步驟(S4)進一步包含有以下子步驟:(S41)將正規化後之該人臉影像,以一中央像素為中心分割成複數個區塊,且該複數個區塊係以陣列式排列,而相鄰之該區塊間具有一預定距離;(S42)利用一中央區塊之平均灰階值與其相鄰區塊之平均灰階值做局部二元化圖形運算,藉以產生該中央像素之特徵值;以及(S43)計算該人臉影像上之每一像素之特徵值,藉以產生該組特徵。
於實際應用中,該區塊間之預定距離係利用該中心像素(Center Pixel)以及複數個圍繞該中心像素之周圍像素(Neighbor Pixels)來定義,而本發明方法之步驟(S4)係藉由擴增該中心像素與該周圍像素之預定距離,以描述該正規化後人臉影像之該組特徵,並取得正規化後該人臉影像之巨觀(Macrostructure)紋理資訊。
本發明之另一範疇在於提供一種人臉特徵辨識系統。
根據本發明之另一具體實施例,本發明所提供一種人臉特徵辨識系統,其包含有一影像擷取模組、一判斷模組、一轉換模組以及一模擬模組。影像擷取模組係用於自一視訊串流中擷取一視訊框。判斷模組連接於該影像擷取模組,以判斷該視訊框中是否有一人臉影像,若有該人臉影像,則將該人臉影像正規化(Normalize)。轉換模組係與該判斷模組連接,以利用一局部二元化圖形(Local Binary Pattern,LBP)來描述該正規化後人臉影像之一組特徵。模擬模組係與該轉換模組連接,以利用一高斯混合模型(Gaussian Mixture Model,GMM)來模擬該組特徵之空間分布資訊。
於實際應用中,本發明人臉特徵辨識系統所採用之局部二元化圖形,係為一種進階多重解析區塊-局部二元化圖形(Advance Multi-resolution Block-Local Binary Pattern,AMB-LBP),其係將正規化後之該人臉影像以一中央像素為中心分割成複數個區塊,而該複數個區塊以陣列式排列,且相鄰之該區塊間具有一預定距離;接著,利用一中央區塊之平均灰階值與其之相鄰區塊的平均灰階值進行局部二元化圖形運算後,以產生該中央像素之特徵值;最後,計算該人臉影像上每一像素之特徵值,以產生該組特徵。
於實際應用中,該區塊間之預定距離係利用該中心像素(Center Pixel)以及複數個圍繞該中心像素之周圍像素(Neighbor Pixels)來定義,而本發明系統之轉換模組係藉由擴增該中心像素與該周圍像素之預定距離,來描述正規化後該人臉影像之該組特徵,並取得正規化後該人臉影像之巨觀(Macrostructure)紋理資訊。
相較於習知技術,本發明之人臉特徵辨識方法與系統,係利用局部二元化圖形(LBP)來描述該正規化後的人臉影像之一組特徵,接著並利用高斯混合模型(GMM)來模擬該組特徵的空間分布資訊,藉以建構出可以抵抗偏移(Shift)、些微旋轉(Rotation)、或是尺寸(Scale)變化等影像破壞因素的特徵。此外,本發明之人臉特徵辨識方法與系統亦可以改良習知局部二元化圖形(LBP),在描述人臉影像之紋理表示時只考慮特徵的存在性(Existence),而忽略了其唯一性(Uniqueness)的問題。本發明除了擷取人臉影像之微觀(Microstructure)紋理資訊外,並進一步採用進階多重解析區塊-局部二元化圖形(Advance Multi-resolution Block-Local Binary Pattern,AMB-LBP),藉以擷取人臉影像之巨觀(Macrostructure)紋理資訊,進而同時兼顧特徵的存在性與唯一性。綜合上述,本發明相較於習知技術即擁有較佳的辨識率。
關於本發明之優點與精神可以藉由以下的發明詳述及所附圖式得到進一步的瞭解。
本發明之一範疇在於提供一種人臉特徵辨識方法10。請參閱圖一,其繪示根據本發明之一具體實施例的人臉特徵辨識方法10之流程圖。
如圖一所示,本發明人臉特徵辨識方法10包含有以下步驟:(S1)自一視訊串流中擷取一視訊框;(S2)判斷該視訊框中是否有一人臉影像;(S3)若有該人臉影像,則將該人臉影像正規化(Normalize);(S4)利用一局部二元化圖形(Local Binary Pattern,LBP)來描述正規化後該人臉影像之一組特徵;(S5)利用一高斯混合模型(Gaussian Mixture Model,GMM)來模擬該組特徵之空間分布資訊。
請參閱圖二,圖二係繪示本發明之一具體實施例的進階多重解析區塊-局部二元化圖形。於實際應用中,本發明人臉特徵辨識方法10所採用之局部二元化圖形,係為一種進階多重解析區塊-局部二元化圖形(Advance Multi-resolution Block-Local Binary Pattern,AMB-LBP),而步驟(S4)則進一步包含有以下子步驟:(S41)將經正規化後之該人臉影像,以一中央像素C為中心分割成複數個區塊32,而該等複數個區塊32係以陣列式排列,且相鄰之該區塊32間係具有一預定距離d;(S42)利用一中央區塊之平均灰階值與其相鄰區塊之平均灰階值,進行局部二元化圖形運算,以產生該中央像素C之特徵值;以及(S43)計算該人臉影像上之每一像素之特徵值,以產生該組特徵。
於實際應用中,該區塊32間之預定距離d係利用該中心像素(Center Pixel)C以及8個圍繞該中心像素C之周圍像素(Neighbor Pixels)0、1、2...7來定義,而本發明方法10之步驟(S4)係藉由擴增該中心像素C與該周圍像素0、1、2...7之預定距離d,來描述該經正規化後人臉影像之該組特徵,並取得經正規化後的該人臉影像之巨觀(Macrostructure)紋理資訊。
請參閱圖一。本發明人臉特徵辨識方法10另包含有以下步驟:(S6)利用一多類支持向量機(Multi-Class Support Vector Machines)針對該組特徵之空間分布資訊,藉以建構一訓練產生分類器;以及(S7)根據該組特徵之空間分布資訊,而利用一多類支持向量機(Multi-Class Support Vector Machines)來產生一人臉辨識結果。
請參閱圖一。於實際應用中,本發明之人臉特徵辨識方法10可以分為訓練階段(Training)以及測試階段(Testing),訓練階段藉由步驟(S1)、(S2)、(S3)、(S4)、(S5)以及(S6)來建構訓練產生分類器;測試階段則藉由所建構完成之訓練產生分類器12與該等步驟(S1)、(S2)、(S3)、(S4)、(S5)以及(S7)來產生人臉辨識結果。
相較於習知技術,本發明之人臉特徵辨識方法10可以利用局部二元化圖形(LBP),來描述正規化後人臉影像之一組特徵,接著利用高斯混合模型(GMM)來模擬該組特徵的空間分布資訊,以建構出可以抵抗偏移(Shift)、些微旋轉(Rotation)、或是尺寸(Scale)變化等影像破壞因素的特徵。此外,本發明之人臉特徵辨識方法10亦可以改良習知局部二元化圖形(LBP),在描述人臉影像之紋理表示時,只考慮特徵的存在性(Existence),而忽略了其唯一性(Uniqueness)的問題。本發明除了擷取人臉影像之微觀(Microstructure)紋理資訊外,並進一步採用進階多重解析區塊-局部二元化圖形(Advance Multi-resolution Block-Local Binary Pattern,AMB-LBP),以擷取人臉影像之巨觀(Macrostructure)紋理資訊,進而同時兼顧特徵的存在性與唯一性。綜合上述,本發明相較於習知技術即擁有較佳的辨識率。
本發明之另一範疇在於提供一種人臉特徵辨識系統20。
請參閱圖三,圖三係繪示本發明之一具體實施例的人臉特徵辨識系統20之功能方塊圖。根據本發明之另一具體實施例,本發明所提供之一種人臉特徵辨識系統20包含有一影像擷取模組22、一判斷模組24、一轉換模組26以及一模擬模組28。影像擷取模組22係用以自一視訊串流中擷取一視訊框。判斷模組24係與影像擷取模組22連接,以判斷視訊框中是否有一人臉影像,若其中有人臉影像,則將人臉影像正規化(Normalize)。轉換模組26係連接於判斷模組24,以利用一局部二元化圖形(Local Binary Pattern,LBP),來描述經正規化後人臉影像之一組特徵。模擬模組28係與轉換模組26連接,以利用一高斯混合模型(Gaussian Mixture Model,GMM)來模擬該組特徵之空間分布資訊。
請參閱圖二。於實際應用中,本發明人臉特徵辨識系統20所採用之局部二元化圖形,係為一種進階多重解析區塊-局部二元化圖形(Advance Multi-resolution Block-Local Binary Pattern,AMB-LBP),其係將經正規化後之該人臉影像,以一中央像素C為中心分割成複數個區塊32(如圖二所示灰色區域之區塊),而該複數個區塊32係以陣列式排列,且相鄰之該區塊32間具有一預定距離d;接著,利用一中央區塊之平均灰階值與其相鄰區塊之平均灰階值,進行局部二元化圖形運算,以產生中央像素C之特徵值;最後,計算該人臉影像上每一像素之特徵值,以產生該組特徵。
於實際應用中,該區塊32間之預定距離d係利用一中心像素(Center Pixel)C,以及8個圍繞該中心像素C之周圍像素(Neighbor Pixels)0、1、2...7來定義,而本發明系統20之轉換模組26係藉由擴增該中心像素C與該周圍像素0、1、2...7之預定距離d,來描述該經正規化後的人臉影像之該組特徵,並取得經正規化後該人臉影像之巨觀(Macrostructure)紋理資訊。
請參閱圖三,本發明人臉特徵辨識系統20另包含有一分類辨識模組30,其係與模擬模組28連接,而利用一多類支持向量機(Multi-Class Support Vector Machines)針對該組特徵之空間分布資訊,來建構一訓練產生分類器12或產生一人臉辨識結果。
請參閱圖三,於實際應用中,本發明之人臉特徵辨識系統20可以分為訓練階段(Training)以及測試階段(Testing)。訓練階段係藉由影像擷取模組22、判斷模組24、轉換模組26、模擬模組28以及分類辨識模組30來建構訓練產生分類器12。測試階段則係藉由建構完成之訓練產生分類器12以及影像擷取模組22、判斷模組24、轉換模組26、模擬模組28與分類辨識模組30來產生人臉辨識結果。
相較於習知技術,本發明人臉特徵辨識系統20之轉換模組26係利用局部二元化圖形(LBP),來描述正規化後人臉影像之一組特徵,接著模擬模組28會利用高斯混合模型(GMM)來模擬該組特徵的空間分布資訊,以建構出可以抵抗偏移(Shift)、些微旋轉(Rotation)、或是尺寸(Scale)變化等影像破壞因素的特徵。此外,本發明人臉特徵辨識系統20之轉換模組26,亦可以改良習知局部二元化圖形(LBP)於描述人臉影像之紋理表示時,只考慮特徵的存在性(Existence),而忽略了其唯一性(Uniqueness)的問題。本發明除了擷取人臉影像之微觀(Microstructure)紋理資訊外,並進一步採用進階多重解析區塊-局部二元化圖形(Advance Multi-resolution Block-Local Binary Pattern,AMB-LBP),以擷取人臉影像之巨觀(Macrostructure)紋理資訊,進而同時兼顧特徵的存在性與唯一性。綜合上述,本發明相較於習知技術即擁有較佳的辨識率。
藉由以上較佳具體實施例之詳述,係希望能更加清楚描述本發明之特徵與精神,而並非以上述所揭露的較佳具體實施例來對本發明之範疇加以限制。相反地,其目的是希望能涵蓋各種改變及具相等性的安排於本發明所欲申請之專利範圍的範疇內。
C...中心像素
0、1、2....7...周圍像素
10...人臉特徵辨識方法
12...訓練產生分類器
20...人臉特徵辨識系統
22...影像擷取模組
24...判斷模組
26...轉換模組
28...模擬模組
30...分類辨識模組
32...區塊
S1~S7...實施步驟
圖一繪示根據本發明之一具體實施例的人臉特徵辨識方法之流程圖。
圖二係繪示本發明之一具體實施例的進階多重解析區塊-局部二元化圖形。
圖三係繪示本發明之一具體實施例的人臉特徵辨識系統之功能方塊圖。
10...人臉特徵辨識方法
S1~S7...實施步驟
Claims (10)
- 一種人臉特徵辨識方法,其包含有以下步驟:(S1)自一視訊串流中擷取一視訊框;(S2)判斷該視訊框中是否有一人臉影像;(S3)若有該人臉影像,則將該人臉影像正規化(Normalize);(S4)利用一局部二元化圖形(Local Binary Pattern,LBP)描述經正規化後的該人臉影像之一組特徵;以及(S5)利用一高斯混合模型(Gaussian Mixture Model,GMM)來模擬該組特徵之空間分布資訊。
- 如申請專利範圍第1項所述之人臉特徵辨識方法,其中步驟(S4)進一步包含有以下子步驟:(S41)將經正規化後之該人臉影像以一中央像素為中心分割成複數個區塊,且該複數個區塊以陣列式排列,而相鄰之該區塊間具有一預定距離;(S42)利用一中央區塊之平均灰階值與其相鄰區塊之平均灰階值做局部二元化圖形運算後,藉以產生該中央像素之特徵值;以及(S43)計算該人臉影像上之每一像素之特徵值,藉以產生該組特徵。
- 如申請專利範圍第2項所述之人臉特徵辨識方法,其中該預定距離係由該中心像素(Center Pixel)以及複數個周圍像素(Neighbor Pixels)所定義,並藉由擴增該預定距離以描述經正規化後的該人臉影像之該組特徵。
- 如申請專利範圍第1項所述之人臉特徵辨識方法,其中該人臉特徵辨識方法另包含有以下步驟:(S6)利用一多類支持向量機(Multi-Class Support Vector Machines)針對該組特徵之空間分布資訊,來建構一訓練產生分類器。
- 如申請專利範圍第1項所述之人臉特徵辨識方法,其中該人臉特徵辨識方法另包含有以下步驟:(S7)根據該組特徵之空間分布資訊,利用一多類支持向量機(Multi-Class Support Vector Machines)來產生一人臉辨識結果。
- 一種人臉特徵辨識系統,其包含有:一影像擷取模組,其係用以自一視訊串流中擷取一視訊框;一判斷模組,其係與該影像擷取模組連接,以判斷該視訊框中是否有一人臉影像,若其中具有該人臉影像,則將該人臉影像正規化(Normalize);一轉換模組,其係與該判斷模組連接,以利用一局部二元化圖形(Local Binary Pattern,LBP)來描述經正規化後的該人臉影像之一組特徵;以及一模擬模組,其係與該轉換模組連接,以利用一高斯混合模型(Gaussian Mixture Model,GMM)來模擬該組特徵之空間分布資訊。
- 如申請專利範圍第6項所述之人臉特徵辨識系統,其中該局部二元化圖形係為一種進階多重解析區塊-局部二元化圖形(Advance Multi-resolution Block-Local Binary Pattern,AMB-LBP)。
- 如申請專利範圍第7項所述之人臉特徵辨識系統,其中該轉換模組係將經正規化後之該人臉影像以一中央像素為中心分割成複數個區塊,且該複數個區塊以陣列式排列,而相鄰之該區塊間具有一預定距離,接著,利用一中央區塊之平均灰階值與其相鄰區塊之平均灰階值做局部二元化圖形運算後,藉以產生該中央像素之特徵值,最後,計算該人臉影像上每一像素之特徵值,藉以產生該組特徵。
- 如申請專利範圍第8項所述之人臉特徵辨識系統,其中該預定距離係由該中心像素(Center Pixel),以及複數個周圍像素(Neighbor Pixels)所定義,而該轉換模組係利用擴增該預定距離,以描述經正規化後的該人臉影像之該組特徵。
- 如申請專利範圍第6項所述之人臉特徵辨識系統,其中該人臉特徵辨識系統另外包含有一分類辨識模組,其係與該模擬模組連接,以利用一多類支持向量機(Multi-Class Support Vector Machines)針對該組特徵之空間分布資訊,來建構一訓練產生分類器或產生一人臉辨識結果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW99125026A TWI413004B (zh) | 2010-07-29 | 2010-07-29 | 人臉特徵辨識方法及系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW99125026A TWI413004B (zh) | 2010-07-29 | 2010-07-29 | 人臉特徵辨識方法及系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201205471A TW201205471A (en) | 2012-02-01 |
TWI413004B true TWI413004B (zh) | 2013-10-21 |
Family
ID=46761671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW99125026A TWI413004B (zh) | 2010-07-29 | 2010-07-29 | 人臉特徵辨識方法及系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI413004B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI672639B (zh) * | 2018-11-22 | 2019-09-21 | 台達電子工業股份有限公司 | 使用模擬物件影像之物件辨識系統及其方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI479435B (zh) * | 2012-04-03 | 2015-04-01 | Univ Chung Hua | 人臉辨識方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6430307B1 (en) * | 1996-06-18 | 2002-08-06 | Matsushita Electric Industrial Co., Ltd. | Feature extraction system and face image recognition system |
TWI246662B (en) * | 2000-07-28 | 2006-01-01 | Symtron Technology Inc | Face recognition system |
TW200707310A (en) * | 2005-08-08 | 2007-02-16 | Chunghwa Telecom Co Ltd | Facial recognition method based on recognition of facial features |
TW200741562A (en) * | 2006-03-23 | 2007-11-01 | Oki Electric Ind Co Ltd | Face recognition system |
TW200809700A (en) * | 2006-08-15 | 2008-02-16 | Compal Electronics Inc | Method for recognizing face area |
US7391889B2 (en) * | 2002-10-15 | 2008-06-24 | Samsung Electronics Co., Ltd. | Method and apparatus for extracting feature vector used for face recognition and retrieval |
TW200947316A (en) * | 2008-05-09 | 2009-11-16 | Nat Univ Chin Yi Technology | Recognizing apparatus and method for facial expressions |
TWI318756B (zh) * | 2005-12-29 | 2009-12-21 | Ind Tech Res Inst |
-
2010
- 2010-07-29 TW TW99125026A patent/TWI413004B/zh not_active IP Right Cessation
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6430307B1 (en) * | 1996-06-18 | 2002-08-06 | Matsushita Electric Industrial Co., Ltd. | Feature extraction system and face image recognition system |
TWI246662B (en) * | 2000-07-28 | 2006-01-01 | Symtron Technology Inc | Face recognition system |
US7391889B2 (en) * | 2002-10-15 | 2008-06-24 | Samsung Electronics Co., Ltd. | Method and apparatus for extracting feature vector used for face recognition and retrieval |
TW200707310A (en) * | 2005-08-08 | 2007-02-16 | Chunghwa Telecom Co Ltd | Facial recognition method based on recognition of facial features |
TWI318756B (zh) * | 2005-12-29 | 2009-12-21 | Ind Tech Res Inst | |
TW200741562A (en) * | 2006-03-23 | 2007-11-01 | Oki Electric Ind Co Ltd | Face recognition system |
TW200809700A (en) * | 2006-08-15 | 2008-02-16 | Compal Electronics Inc | Method for recognizing face area |
TW200947316A (en) * | 2008-05-09 | 2009-11-16 | Nat Univ Chin Yi Technology | Recognizing apparatus and method for facial expressions |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI672639B (zh) * | 2018-11-22 | 2019-09-21 | 台達電子工業股份有限公司 | 使用模擬物件影像之物件辨識系統及其方法 |
Also Published As
Publication number | Publication date |
---|---|
TW201205471A (en) | 2012-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107346436B (zh) | 一种融合图像分类的视觉显著性检测方法 | |
Cheng et al. | Gait analysis for human identification through manifold learning and HMM | |
Abdullah et al. | Optimizing face recognition using PCA | |
Kusakunniran et al. | Recognizing gaits across views through correlated motion co-clustering | |
JP4429370B2 (ja) | ポーズによるヒト検出 | |
JP7071991B2 (ja) | 証明書と持証者とを検査する方法及び装置 | |
Mostafa et al. | Face recognition in low resolution thermal images | |
CN107967461B (zh) | Svm差分模型训练及人脸验证方法、装置、终端及存储介质 | |
CN107862267A (zh) | 基于完全对称局部韦伯描述子的人脸识别特征提取算法 | |
CN103646255A (zh) | 一种基于Gabor特征和极限学习机的人脸检测方法 | |
Li et al. | Learning skeleton information for human action analysis using Kinect | |
CN105760815A (zh) | 基于第二代身份证人像和视频人像的异构人脸核实方法 | |
Chen et al. | Unconstrained face verification using fisher vectors computed from frontalized faces | |
Bhattacharjee et al. | Personal identification from lip-print features using a statistical model | |
Gökberk et al. | Learning the best subset of local features for face recognition | |
TWI413004B (zh) | 人臉特徵辨識方法及系統 | |
Umer et al. | Biometric recognition system for challenging faces | |
KR20090050199A (ko) | 광류와 은닉 마르코프 모델을 이용한 실시간 얼굴 표정인식 | |
Zhang et al. | Hierarchical facial landmark localization via cascaded random binary patterns | |
Acevedo et al. | Facial expression recognition based on static and dynamic approaches | |
Mahdi et al. | 3D facial matching by spiral convolutional metric learning and a biometric fusion-net of demographic properties | |
Kuo et al. | Fast pedestrian detection system with a two layer cascade of classifiers | |
Jagadeesh et al. | DBC based Face Recognition using DWT | |
Bulugu et al. | Higher-order local autocorrelation feature extraction methodology for hand gestures recognition | |
Chang et al. | Multi-level smile intensity measuring based on mouth-corner features for happiness detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |