CN103295002A - 一种基于完全二值姿态仿射尺度不变特征的全姿态人脸识别方法 - Google Patents

一种基于完全二值姿态仿射尺度不变特征的全姿态人脸识别方法 Download PDF

Info

Publication number
CN103295002A
CN103295002A CN2013102180470A CN201310218047A CN103295002A CN 103295002 A CN103295002 A CN 103295002A CN 2013102180470 A CN2013102180470 A CN 2013102180470A CN 201310218047 A CN201310218047 A CN 201310218047A CN 103295002 A CN103295002 A CN 103295002A
Authority
CN
China
Prior art keywords
invariant features
attitude
threshold value
facial image
degree
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
CN2013102180470A
Other languages
English (en)
Other versions
CN103295002B (zh
Inventor
毋立芳
周鹏
侯亚希
曹航明
许晓
江思源
马晓静
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201310218047.0A priority Critical patent/CN103295002B/zh
Publication of CN103295002A publication Critical patent/CN103295002A/zh
Application granted granted Critical
Publication of CN103295002B publication Critical patent/CN103295002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

一种基于完全二值姿态仿射尺度不变特征的全姿态人脸识别方法，该方法可以实现对全姿态变化（水平向左旋转90度~水平向右旋转90度，抬头姿态，低头姿态）的人脸进行识别。本发明经实验分析得出仿射尺度不变特征对人脸平面内旋转具有不变性，对人脸25度以内的平面外旋转具有不变性，因此本发明采集多幅特定姿态的人脸图像，并提取它们的仿射尺度不变特征，将它们的特征融合产生完全二值姿态仿射尺度不变特征以实现对全姿态旋转变化具有不变性。本发明提出的方法不需要进行模型训练，因此在计算复杂度上要远远优于基于模型的方法，同时对于姿态变化大的情况，识别性能要远远优于传统的基于特征的方法，本发明具有一定的应用价值和意义。

Description

一种基于完全二值姿态仿射尺度不变特征的全姿态人脸识别方法
技术领域
本发明涉及姿态人脸识别技术，具体涉及一种基于完全二值姿态仿射尺度不变特征的全姿态人脸识别方法的研究及实现。
背景技术
随着美国911恐怖袭击事件以及网络CSDN用户信息遭泄露事件的发生，生物特征识别技术受到大家关注，而人脸生物特征的识别认证技术一直是生物特征识别领域研究的热点，人脸识别在可控的情况下可以获得很好的识别性能，但在实际应用中，人脸识别往往受到很多因素影响，当人脸姿态发生变化，表情发生变化，外界光照发生变化，人脸存在遮挡（戴围巾，墨镜）等情况时，人脸识别的性能将会下降很多，这就制约了人脸识别在实际中的应用。其中人脸姿态变化给人脸识别带来的影响是使得同一个人的两幅人脸的类内差异大于不同人之间的两幅人脸的类间差异，进而造成识别错误。
因此很多研究学者致力于姿态人脸识别方法的研究，姿态人脸识别方法主要分为两大类，一类是基于特征的方法，主要有Turk等人提出的基于主成分分析的Eigenface，Belhumeur等人提出的基于线性判别分析的Fisherface，但这两种方法在姿态变化较大时识别的性能会下降很多，因此无法满足全姿态识别的要求，Wiskott等人提出了弹性束图匹配算法，这种方法需要事先定位一些关键的语义特征点，比如说眼睛，鼻子，嘴角，而这些关键语义特征点的定位本身又是一个研究难点，Ahonen 等人将局部二进制模式LBP引入到人脸识别当中，但实验证明，只有当姿态变化小于 15度时，该方法能取得较好的识别率。另一类方法是基于模型的方法，主要有Cootes等人提出的主动形状模型ASM和主动外观模型AAM，Blanz和Vetter提出的 3D 形变模型，Prince等人提出的联结因子分析模型，这类方法的主要缺陷是模型需要多幅人脸图像进行训练得到，因此计算复杂度非常高，此外像主动形状模型ASM和主动外观模型AAM还有人工标注关键点。
由于现有的姿态人脸识别方法有各自的缺陷，因此本发明针对全姿态人脸，提出一种基于完全二值姿态仿射尺度不变特征的全姿态人脸识别方法。
发明内容
本发明提供一种基于完全二值姿态仿射尺度不变特征的全姿态人脸识别方法，该方法可以实现对全姿态变化（水平向左旋转90度~水平向右旋转90度，抬头姿态，低头姿态）的人脸进行识别。
由于现有的姿态人脸识别方法有各自的缺陷，本发明针对全姿态人脸，提出一种基于完全二值姿态仿射尺度不变特征的全姿态人脸识别方法。本发明经实验分析得出仿射尺度不变特征对人脸平面内旋转具有不变性，对人脸25度以内的平面外旋转具有不变性，因此本发明采集多幅特定姿态的人脸图像，并提取它们的仿射尺度不变特征，将它们的特征融合产生完全二值姿态仿射尺度不变特征以实现对全姿态旋转变化具有不变性。本发明提出的方法不需要进行模型训练，因此在计算复杂度上要远远优于基于模型的方法，同时对于姿态变化大的情况，识别性能要远远优于传统的基于特征的方法，因此，本发明具有一定的应用价值和意义。
为了实现上述问题，本发明提供了一种基于完全二值姿态仿射尺度不变特征的全姿态人脸识别方法，该方法具体包括：
A、模板特征提取阶段，对于每个人，采集其特定姿态的人脸图像，特定姿态包括：水平向左旋转90度，水平向左旋转45度，水平旋转0度，水平向右旋转45度，水平向右旋转90度，然后对每幅人脸图像进行特征提取，将得到的特征进行融合，得到最终的模板特征，即完全二值姿态仿射尺度不变特征，并将其存入数据库中。
B、识别阶段，采集一幅任意姿态的人脸图像，对其提取特征，然后利用该特征与数据库中的每个完全二值姿态仿射尺度不变特征依次进行特征匹配，得到该人脸图像与数据库中每个人的人脸图像匹配相似度，如果最大匹配相似度大于等于设定阈值60，则最大匹配相似度所对应的的人即为最终的识别结果，如果最大匹配相似度小于设定阈值60，则该人脸图像所对应的人在数据库中不存在。
所述步骤A具体包括：
A1、对于每个人，首先利用摄像头采集其特定姿态的人脸图像，特定姿态包括：水平向左旋转90度，水平向左旋转45度，水平旋转0度，水平向右旋转45度，水平向右旋转90度；
A2、对A1步骤中采集到的特定姿态的人脸图像依次提取仿射尺度不变特征（ASIFT特征），每个特征点包括x坐标，y坐标，方向angle，尺度scale以及128维描述子；
A3、将A2步骤中得到的仿射尺度不变特征的描述子进行两层二值化，第一层二值化的阈值为128维描述子的的中值，第二层二值化的阈值为大于第一层阈值的64维描述子的中值，在第一层二值化中，对于每1维描述子，如果其大于第一层阈值，则将其设置为1，小于等于第一层阈值，则将其设置为0；同样在第二层二值化中，对于每1维描述子，如果其大于第二层阈值，则将其设置为1，小于等于第二层阈值，则将其设置为0；
A4、将A3步骤中得到的每幅图两层二值化后的仿射尺度不变特征进行级联，得到最终的完全二值姿态仿射尺度不变特征，并将其存入数据库中。
所述步骤B具体包括：
B1、对于任意一个人，利用摄像头采集其任意姿态的人脸图像。
B2、对B1步骤中采集到的任意姿态的人脸图像提取仿射尺度不变特征（ASIFT特征），每个特征点包括x坐标，y坐标，方向angle，尺度scale以及128维描述子；
B3、对B2步骤中得到的仿射尺度不变特征的描述子进行两层二值化，第一层二值化的阈值为128维描述子的的中值，第二层二值化的阈值为大于第一层阈值的64维描述子的中值，在第一层二值化中，对于每1维描述子，如果其大于第一层阈值，则将其设置为1，小于等于第一层阈值，则将其设置为0；同样在第二层二值化中，对于每1维描述子，如果其大于第二层阈值，则将其设置为1，小于等于第二层阈值，则将其设置为0；
B4、利用B3步骤中得到两层二值化后的仿射尺度不变特征与数据库中的每个人的完全二值姿态仿射尺度不变特征依次进行特征匹配，将匹配点数量作为该人脸图像与数据库中每个人的人脸图像的匹配相似度，如果最大匹配相似度大于等于设定阈值60，则最大匹配相似度所对应的的人即为最终的识别结果，如果最大匹配相似度小于设定阈值60，则该人脸图像所对应的人在数据库中不存在。
本发明与现有技术相比，具有以下明显的优势和有益效果：
（1）本发明采集多幅特定姿态人脸图像，提取它们的仿射尺度不变特征，将仿射尺度不变特征进行融合产生完全二值姿态仿射尺度不变特征，因此不需要进行模型训练，因此计算复杂度要远远低于基于模型的方法。
（2）本发明对提取的仿射尺度不变特征的描述子进行二值化处理，每个原始描述子需要用128字节存储，现在经两层二值化后只需要32字节存储，因此所需存储空间大大减少。
（3）本发明经实验分析得出仿射尺度不变特征对人脸平面内旋转具有不变性，对人脸25度以内的平面外旋转具有不变性，因此本发明所采集的特定姿态图像（水平向左旋转90度，水平向左旋转45度，水平旋转0度，水平向右旋转45度，水平向右旋转90度）的仿射尺度不变特征进行融合产生的完全二值姿态仿射尺度不变特征对全姿态旋转变化具有不变性，在CMUPIE人脸库上的实验结果证明，我们的方法要优于其他现有的方法，平均的识别率达到95.89%。
附图说明：
图1是技术方案的整体流程图。
图2是CMUPIE人脸库上的实验结果。
图3是特定姿态的人脸图像。
A为水平向左旋转90度，B为水平向左旋转45度，C为水平旋转0度，D为水平向右旋转45度，E为水平向右旋转90度，
具体实施方式：
本发明技术方案的整体流程如说明书附图1所示，分为模板特征提取阶段和识别阶段。该技术方案在CMUPIE人脸库进行实验，实验结果如附图2所示，我们的方法要优于其他现有的方法，平均的识别率达到95.89%。
A、模板特征提取阶段，对于每个人，采集其特定姿态的人脸图像，特定姿态包括：水平向左旋转90度，水平向左旋转45度，水平旋转0度，水平向右旋转45度，水平向右旋转90度，如附图3所示，然后对每幅人脸图像进行特征提取，将得到的特征进行融合，得到最终的模板特征，即完全二值姿态仿射尺度不变特征，并将其存入数据库中。
所述步骤A具体包括：
A1、对于每个人，首先利用摄像头采集其特定姿态的人脸图像，特定姿态包括：水平向左旋转90度，水平向左旋转45度，水平旋转0度，水平向右旋转45度，水平向右旋转90度，如附图3所示；
A2、对A1步骤中采集到的特定姿态的人脸图像依次提取仿射尺度不变特征（ASIFT特征），每个特征点包括x坐标，y坐标，方向angle，尺度scale以及128维描述子，描述子存储空间为128字节，如下所示：
x：17.2209y: 112.711方向：2.10781尺度: 3.07579
描述子：160 14 0 0 0 0 0 10 168 38 0 0 0 0 00 99 17 0 0 0 0 0 1 2 0 0 0 14 8 0 0168 10 0 0 0 1 31 168 31 0 0 0 0 0 4 87 24 0 05 1 0 0 0 0 0 0 19 12 0 0 168 270 0 0 0 05 168 6 0 0 0 0 0 27 82 1 0 1 6 0 0 25 0 00 8 23 1 0 0 129 71 1 0 0 0 00 168 10 0 00 0 0 42 78 0 0 0 0 0 0 45 5 1 1 9 18 0 01
A3、将A2步骤中得到的仿射尺度不变特征的描述子进行两层二值化，第一层二值化的阈值为128维描述子的的中值，第二层二值化的阈值为大于第一层阈值的64维描述子的中值，在第一层二值化中，对于每1维描述子，如果其大于第一层阈值，则将其设置为1，小于等于第一层阈值，则将其设置为0；同样在第二层二值化中，对于每1维描述子，如果其大于第二层阈值，则将其设置为1，小于等于第二层阈值，则将其设置为0，描述子存储空间为32字节，如下所示：
x：17.2209y: 112.711方向：2.10781尺度: 3.07579
描述子：
第一层：1 1 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 10 0 0 0 0 1 1 0 0 0 1 1 0 0 1 1 0 0 0 01 1 1 1 0 0 0 0 0 1 1 1 0 0 1 1 0 0 0 00 0 1 1 0 0 1 1 0 0 0 0 0 1 1 1 0 0 0 00 1 11 0 1 1 0 0 1 0 0 0 1 1 1 0 0 1 1 10 0 0 0 0 1 1 0 0 0 0 0 1 1 0 0 0 0 0 01 1 1 1 11 0 0 1
第二层：1 1 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 10 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 00 1 1 1 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 00 0 1 1 0 0 1 1 0 0 0 0 0 0 1 0 0 0 0 00 1 10 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 1 00 0 0 0 0 1 1 0 0 0 0 0 1 1 0 0 0 0 0 01 0 0 001 0 0 0
A4、将A3步骤中得到的每幅图两层二值化后的仿射尺度不变特征进行级联，得到最终的完全二值姿态仿射尺度不变特征，并将其存入数据库中。
B、识别阶段，采集一幅任意姿态的人脸图像，对其提取特征，然后利用该特征与数据库中的每个完全二值姿态仿射尺度不变特征依次进行特征匹配，得到该人脸图像与数据库中每个人的人脸图像匹配相似度，如果最大匹配相似度大于等于设定阈值60，则最大匹配相似度所对应的的人即为最终的识别结果，如果最大匹配相似度小于设定阈值60，则该人脸图像所对应的人在数据库中不存在。
所述步骤B具体包括：
B1、对于任意一个人，利用摄像头采集其任意姿态的人脸图像。
B2、对B1步骤中采集到的任意姿态的人脸图像提取仿射尺度不变特征（ASIFT特征），每个特征点包括x坐标，y坐标，方向angle，尺度scale以及128维描述子，描述子存储空间为128字节，如下所示：
x：33.5621y: 93.2643方向：0.326355尺度: -2.87852
描述子：1 0 0 0 4 2 5 7 14 20 7 18 24 3 2 1145 68 4 3 1 0 0 56 145 3 0 0 0 0 0145 0 00 4 2 2 4 1 70 19 1 3 1 2 3 6 145 79 0 0 00 0 18 145 8 0 0 0 0 0 145 5 12 8 1 0 0 168 1 2 9 2 1 0 14 145 2 0 0 0 0 0 111 1458 0 0 0 0 0 79 3 3 5 4 2 2 00 23 0 1 4 34 0 9 140 6 0 0 0 0 0 61 145 19 0 0 0 0 039
B3、对B2步骤中得到的仿射尺度不变特征的描述子进行两层二值化，第一层二值化的阈值为128维描述子的的中值，第二层二值化的阈值为大于第一层阈值的64维描述子的中值，在第一层二值化中，对于每1维描述子，如果其大于第一层阈值，则将其设置为1，小于等于第一层阈值，则将其设置为0；同样在第二层二值化中，对于每1维描述子，如果其大于第二层阈值，则将其设置为1，小于等于第二层阈值，则将其设置为0，描述子存储空间为32字节，如下所示：
x：33.5621y: 93.2643 方向：0.326355 尺度: -2.87852
描述子：
第一层：0 0 0 0 1 0 1 1 1 1 1 1 1 1 0 0 1 11 1 0 0 0 1 1 1 0 0 0 0 0 1 0 0 0 1 0 01 0 1 1 0 1 0 0 1 1 1 1 0 0 0 0 0 1 1 10 0 0 0 0 1 1 0 0 1 0 0 0 0 1 0 0 1 0 00 110 0 0 0 0 0 1 1 1 0 0 0 0 0 1 1 1 1 1 00 0 0 1 0 0 1 1 1 0 1 1 1 0 0 0 0 0 1 11 0 00 0 0 1
第二层：0 0 0 0 0 0 0 0 1 1 0 1 1 0 0 0 1 10 0 0 0 0 1 1 0 0 0 0 0 0 1 0 0 0 0 0 00 0 1 1 0 0 0 0 0 0 1 1 0 0 0 0 0 1 1 00 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 1 0 00 1 10 0 0 0 0 0 1 1 0 0 0 0 0 0 1 0 0 00 0 0 0 0 1 0 0 0 0 0 1 1 0 0 0 0 0 0 11 1 0 0 00 0 1
B4、利用B3步骤中得到两层二值化后的仿射尺度不变特征与数据库中的每个人的完全二值姿态仿射尺度不变特征依次进行特征匹配，将匹配点数量作为该人脸图像与数据库中每个人的人脸图像的匹配相似度，如果最大匹配相似度大于等于设定阈值60，则最大匹配相似度所对应的的人即为最终的识别结果，如果最大匹配相似度小于设定阈值60，则该人脸图像所对应的人在数据库中不存在。

Claims (3)

1.一种基于完全二值姿态仿射尺度不变特征的全姿态人脸识别方法，包括以下步骤：
A、模板特征提取阶段，对于每个人，采集其特定姿态的人脸图像，特定姿态包括：水平向左旋转90度，水平向左旋转45度，水平旋转0度，水平向右旋转45度，水平向右旋转90度，然后对每幅人脸图像进行特征提取，将得到的特征进行融合，得到最终的模板特征，即完全二值姿态仿射尺度不变特征，并将其存入数据库中；
B、识别阶段，采集一幅任意姿态的人脸图像，对其提取特征，然后利用该特征与数据库中的每个完全二值姿态仿射尺度不变特征依次进行特征匹配，得到该人脸图像与数据库中每个人的人脸图像匹配相似度，如果最大匹配相似度大于等于设定阈值60，则最大匹配相似度所对应的的人即为最终的识别结果，如果最大匹配相似度小于设定阈值60，则该人脸图像所对应的人在数据库中不存在。
2.根据权利要求1所述的基于完全二值姿态仿射尺度不变特征的全姿态人脸识别方法，其特征在于，所述步骤A具体包括：
A1、对于每个人，首先利用摄像头采集其特定姿态的人脸图像，特定姿态包括：水平向左旋转90度，水平向左旋转45度，水平旋转0度，水平向右旋转45度，水平向右旋转90度；
A2、对A1步骤中采集到的特定姿态的人脸图像依次提取仿射尺度不变特征，每个特征点包括x坐标，y坐标，方向angle，尺度scale以及128维描述子；
A3、将A2步骤中得到的仿射尺度不变特征的描述子进行两层二值化，第一层二值化的阈值为128维描述子的的中值，第二层二值化的阈值为大于第一层阈值的64维描述子的中值，在第一层二值化中，对于每1维描述子，如果其大于第一层阈值，则将其设置为1，小于等于第一层阈值，则将其设置为0；同样在第二层二值化中，对于每1维描述子，如果其大于第二层阈值，则将其设置为1，小于等于第二层阈值，则将其设置为0；
A4、将A3步骤中得到的每幅图两层二值化后的仿射尺度不变特征进行级联，得到最终的完全二值姿态仿射尺度不变特征，并将其存入数据库中。 
3.根据权利要求1所述的基于完全二值姿态仿射尺度不变特征的全姿态人脸识别方法，其特征在于，所述步骤B具体包括：
B1、对于任意一个人，利用摄像头采集其任意姿态的人脸图像；
B2、对B1步骤中采集到的任意姿态的人脸图像提取仿射尺度不变特征，每个特征点包括x坐标，y坐标，方向angle，尺度scale以及128维描述子；
B3、对B2步骤中得到的仿射尺度不变特征的描述子进行两层二值化，第一层二值化的阈值为128维描述子的的中值，第二层二值化的阈值为大于第一层阈值的64维描述子的中值，在第一层二值化中，对于每1维描述子，如果其大于第一层阈值，则将其设置为1，小于等于第一层阈值，则将其设置为0；同样在第二层二值化中，对于每1维描述子，如果其大于第二层阈值，则将其设置为1，小于等于第二层阈值，则将其设置为0；
B4、利用B3步骤中得到两层二值化后的仿射尺度不变特征与数据库中的每个人的完全二值姿态仿射尺度不变特征依次进行特征匹配，将匹配点数量作为该人脸图像与数据库中每个人的人脸图像的匹配相似度，如果最大匹配相似度大于等于设定阈值60，则最大匹配相似度所对应的的人即为最终的识别结果，如果最大匹配相似度小于设定阈值60，则该人脸图像所对应的人在数据库中不存在。 
CN201310218047.0A 2013-06-03 2013-06-03 一种基于完全二值姿态仿射尺度不变特征的全姿态人脸识别方法 Active CN103295002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310218047.0A CN103295002B (zh) 2013-06-03 2013-06-03 一种基于完全二值姿态仿射尺度不变特征的全姿态人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310218047.0A CN103295002B (zh) 2013-06-03 2013-06-03 一种基于完全二值姿态仿射尺度不变特征的全姿态人脸识别方法

Publications (2)

Publication Number Publication Date
CN103295002A true CN103295002A (zh) 2013-09-11
CN103295002B CN103295002B (zh) 2016-08-10

Family

ID=49095833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310218047.0A Active CN103295002B (zh) 2013-06-03 2013-06-03 一种基于完全二值姿态仿射尺度不变特征的全姿态人脸识别方法

Country Status (1)

Country Link
CN (1) CN103295002B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104125396A (zh) * 2014-06-24 2014-10-29 小米科技有限责任公司 图像拍摄方法和装置
CN105740688A (zh) * 2016-02-01 2016-07-06 腾讯科技（深圳）有限公司 解锁的方法和装置
CN105892956A (zh) * 2016-06-13 2016-08-24 北京中电普华信息技术有限公司 一种高复用分布式存储方法及***
CN104200455B (zh) * 2014-06-13 2017-09-15 北京工业大学 一种基于运动统计特征分析的关键姿态提取方法
CN108021846A (zh) * 2016-11-01 2018-05-11 杭州海康威视数字技术股份有限公司 一种人脸识别方法和装置
CN105095827B (zh) * 2014-04-18 2019-05-17 汉王科技股份有限公司 人脸表情识别装置和方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030133599A1 (en) * 2002-01-17 2003-07-17 International Business Machines Corporation System method for automatically detecting neutral expressionless faces in digital images
US7095879B2 (en) * 2000-12-01 2006-08-22 Microsoft Corp. System and method for face recognition using synthesized images
CN101196998A (zh) * 2007-12-29 2008-06-11 北京中星微电子有限公司 一种眼睛定位方法及装置
CN102799901A (zh) * 2012-07-10 2012-11-28 辉路科技（北京）有限公司 一种多角度人脸检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7095879B2 (en) * 2000-12-01 2006-08-22 Microsoft Corp. System and method for face recognition using synthesized images
US20030133599A1 (en) * 2002-01-17 2003-07-17 International Business Machines Corporation System method for automatically detecting neutral expressionless faces in digital images
CN101196998A (zh) * 2007-12-29 2008-06-11 北京中星微电子有限公司 一种眼睛定位方法及装置
CN102799901A (zh) * 2012-07-10 2012-11-28 辉路科技（北京）有限公司 一种多角度人脸检测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095827B (zh) * 2014-04-18 2019-05-17 汉王科技股份有限公司 人脸表情识别装置和方法
CN104200455B (zh) * 2014-06-13 2017-09-15 北京工业大学 一种基于运动统计特征分析的关键姿态提取方法
CN104125396A (zh) * 2014-06-24 2014-10-29 小米科技有限责任公司 图像拍摄方法和装置
CN105740688A (zh) * 2016-02-01 2016-07-06 腾讯科技（深圳）有限公司 解锁的方法和装置
CN105892956A (zh) * 2016-06-13 2016-08-24 北京中电普华信息技术有限公司 一种高复用分布式存储方法及***
CN105892956B (zh) * 2016-06-13 2018-11-20 北京中电普华信息技术有限公司 一种高复用分布式存储方法及***
CN108021846A (zh) * 2016-11-01 2018-05-11 杭州海康威视数字技术股份有限公司 一种人脸识别方法和装置

Also Published As

Publication number Publication date
CN103295002B (zh) 2016-08-10

Similar Documents

Publication Publication Date Title
CN103295002A (zh) 一种基于完全二值姿态仿射尺度不变特征的全姿态人脸识别方法
Xu et al. Automatic 3D face recognition from depth and intensity Gabor features
CN103839084B (zh) 一种应用于行人再识别的多核支持向量机多示例学习算法
Li et al. Expression-invariant face recognition with expression classification
CN109815826A (zh) 人脸属性模型的生成方法及装置
Li et al. A comprehensive survey on 3D face recognition methods
Wang et al. Gait recognition based on 3D skeleton joints captured by kinect
CN105426815A (zh) 活体检测方法及装置
Ding et al. Continuous pose normalization for pose-robust face recognition
CN102567716B (zh) 一种人脸合成***及实现方法
CN102194131A (zh) 基于五官几何比例特征的快速人脸识别方法
Zhou et al. Pose-robust face recognition with Huffman-LBP enhanced by divide-and-rule strategy
Bedre et al. Comparative study of face recognition techniques: a review
Karamizadeh et al. An overview of holistic face recognition
Shao et al. PalmGAN for cross-domain palmprint recognition
Xia et al. Combining face averageness and symmetry for 3D-based gender classification
Chai et al. Human gait recognition: approaches, datasets and challenges
Meng et al. Local visual primitives (LVP) for face modelling and recognition
Zheng et al. A relation network embedded with prior features for few-shot caricature recognition
Bourbakis et al. Skin-based face detection-extraction and recognition of facial expressions
Fan et al. Face recognition with image sets using hierarchically extracted exemplars from appearance manifolds
Bhatt et al. Covariates of face recognition
CN114708654A (zh) 一种将骨骼信息映射为图像的人物识别方法
Li et al. Boosting constrained mutual subspace method for robust image-set based object recognition
Ismail et al. HMT of the ranklet transform for face recognition and verification

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20130911

Assignee: Guangdong Nanwan Dingcheng Information Technology Co.,Ltd.

Assignor: Beijing University of Technology

Contract record no.: X2023980044941

Denomination of invention: A Full Pose Face Recognition Method Based on Fully Binary Pose Affine Scale Invariant Features

Granted publication date: 20160810

License type: Common License

Record date: 20231030

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20130911

Assignee: Yuyi (Shenyang) Digital Technology Development Co.,Ltd.

Assignor: Beijing University of Technology

Contract record no.: X2023980047898

Denomination of invention: A Full Pose Face Recognition Method Based on Fully Binary Pose Affine Scale Invariant Features

Granted publication date: 20160810

License type: Common License

Record date: 20231122

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20130911

Assignee: HENAN JOIN TECHNOLOGY CO.,LTD.

Assignor: Beijing University of Technology

Contract record no.: X2024980000227

Denomination of invention: A Full Pose Face Recognition Method Based on Fully Binary Pose Affine Scale Invariant Features

Granted publication date: 20160810

License type: Common License

Record date: 20240105

Application publication date: 20130911

Assignee: LUOYANG LONGYU ELECTRICAL EQUIPMENT Co.,Ltd.

Assignor: Beijing University of Technology

Contract record no.: X2024980000160

Denomination of invention: A Full Pose Face Recognition Method Based on Fully Binary Pose Affine Scale Invariant Features

Granted publication date: 20160810

License type: Common License

Record date: 20240105

Application publication date: 20130911

Assignee: Henan zhuodoo Information Technology Co.,Ltd.

Assignor: Beijing University of Technology

Contract record no.: X2024980000137

Denomination of invention: A Full Pose Face Recognition Method Based on Fully Binary Pose Affine Scale Invariant Features

Granted publication date: 20160810

License type: Common License

Record date: 20240104

Application publication date: 20130911

Assignee: Luoyang Lexiang Network Technology Co.,Ltd.

Assignor: Beijing University of Technology

Contract record no.: X2024980000088

Denomination of invention: A Full Pose Face Recognition Method Based on Fully Binary Pose Affine Scale Invariant Features

Granted publication date: 20160810

License type: Common License

Record date: 20240104