CN104331412A - 一种在规格化三维人脸库中进行人脸检索的方法 - Google Patents
一种在规格化三维人脸库中进行人脸检索的方法 Download PDFInfo
- Publication number
- CN104331412A CN104331412A CN201410490567.1A CN201410490567A CN104331412A CN 104331412 A CN104331412 A CN 104331412A CN 201410490567 A CN201410490567 A CN 201410490567A CN 104331412 A CN104331412 A CN 104331412A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- face
- dimensional face
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000000007 visual effect Effects 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000010008 shearing Methods 0.000 claims abstract description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 241000282414 Homo sapiens Species 0.000 abstract description 23
- 230000010365 information processing Effects 0.000 abstract description 4
- 238000005303 weighing Methods 0.000 abstract 1
- 210000001331 nose Anatomy 0.000 description 7
- 210000001508 eye Anatomy 0.000 description 5
- 210000004709 eyebrow Anatomy 0.000 description 5
- 210000000214 mouth Anatomy 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 210000000887 face Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 210000005069 ears Anatomy 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008433 psychological processes and functions Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/164—Detection; Localisation; Normalisation using holistic features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种在规格化三维人脸库中进行人脸检索的方法,其能够有效模拟人类观察事物与信息处理方式、构建更为高效简单的人脸检索方法与***。该方法包括步骤:(1)模型归一化:将三维人脸数据经过平滑、去噪、剪切、坐标矫正、对齐的预处理后,得到三维人脸样本作为规格化的三维人脸,依托其所对应的圆柱体包络面定义如下的模型坐标系:该圆柱体的中心轴作为Z轴,穿过鼻尖点并与Z轴垂直的方向作为Y轴,X轴由Y轴与Z轴叉乘得到;(2)以视觉显著性为度量原则进行样本显著区域定义及特征提取;(3)以单特征辨识度为依据进行特征加权叠加,实现多特征融合的人脸间特征的相似性度量,实现人脸检索。
Description
技术领域
本发明属于计算机模式识别的技术领域,具体地涉及一种在规格化三维人脸库中进行人脸检索的方法。
背景技术
数据检索旨在从给定数据集中获得与查询条件的符合度达到指定要求的样本数据。具体到三维人脸检索的问题,核心的研究问题是三维人脸模型的特征表示以及与该特征相关联的人脸相似度度量方法。
现有三维人脸检索方法主要是基于人脸模型的几何特征(包括统计特征以及变换域特征)提取进行识别的。常用的几何特征包括:人脸全局信息,如三维网格;人脸局部特征点、特征曲线;融合人脸二维与三维信息的多模态融合特征等。但是人类与计算机在观察与计算能力上的差异,决定了人类在观察、比较、识别人脸时,更多的是利用人脸的轮廓、五官、肤色、发型等直观性强的视觉特征进行对象的区分,而非通过难以直观观察的几何计算特征。换言之,上述现有的检索技术所采用的几何计算特征,不符合人类通过观察识别其同类面部特征时的心理、生理过程,导致检索结果的不稳定、不可靠。
事实上,人脸检索方法的发展在很大程度上依赖于人脸数据采集的方式、代价,以及数据表现方式。计算机软硬件技术的发展不仅使得人脸信息采集的成本降低,速度、精度以及存储数量大大提高,并且可利用多种视觉传感器(包括近年来出现的深度传感器)采集三维人脸信息,建立多模式的三维人脸模型库。这为开展更高效、更稳定可靠的人脸检索方法研究提供了数据基础。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提供一种在规格化三维人脸库中进行人脸检索的方法,其能够有效模拟人类观察事物与信息处理方式,构建更为高效简单的人脸检索方法。
本发明的技术解决方案是:这种在规格化三维人脸库中进行人脸检索的方法,该方法包括以下步骤:
(1)模型归一化:将三维人脸数据经过平滑、去噪、剪切、坐标矫正、对齐的预处理后,得到三维人脸样本作为规格化的三维人脸,依托其所对应的圆柱体包络面定义如下的模型坐标系:该圆柱体的中心轴作为Z轴,穿过鼻尖点并与Z轴垂直的方向作为Y轴,X轴由Y轴与Z轴叉乘得到;
(2)以视觉显著性为度量原则进行样本显著区域定义及特征提取:通过公式(1)得到三维人脸样本中每一个像素点的显著性值:
S(pi)=D(pi,p1)+D(pi,p2)+…+D(pi,pn) (1)
其中S(pi)为点pi的显著性值,n为图像中像素点的个数,D(...,...)表示两个像素点之间的属性差;
(3)以单特征辨识度为依据进行特征加权叠加,实现多特征融合的人脸间特征的相似性度量,实现人脸检索。
本发明将显著性分析方法应用于三维人脸检索领域,从人类自身的视觉注意机制入手,研究了三维人脸中对于检索具有最重要影响的显著性区域的定义及特征描述,因此有效模拟人类观察事物与信息处理方式、构建更为高效简单的人脸检索方法。而与欧式距离相比,基于余弦距离的相似性可同时考虑特征向量的长度、方向两方面的差异,且不敏感于计算的绝对数值,故适用于进行显著性差异的度量。
附图说明
图1是本方法的流程图。
具体实施方式
如图1所示,这种在规格化三维人脸库中进行人脸检索的方法,该方法包括以下步骤:
(1)模型归一化:将三维人脸数据经过平滑、去噪、剪切、坐标矫正、对齐的预处理后,得到三维人脸样本作为规格化的三维人脸,依托其所对应的圆柱体包络面定义如下的模型坐标系:该圆柱体的中心轴作为Z轴,穿过鼻尖点并与Z轴垂直的方向作为Y轴,X轴由Y轴与Z轴叉乘得到;
(2)以视觉显著性为度量原则进行样本显著区域定义及特征提取:通过公式(1)得到三维人脸样本中每一个像素点的显著性值:
S(pi)=D(pi,p1)+D(pi,p2)+…+D(pi,pn) (1)
其中S(pi)为点pi的显著性值,n为图像中像素点的个数,D(...,...)表示两个像素点之间的属性差;
(3)以单特征辨识度为依据进行特征加权叠加,实现多特征融合的人脸间特征的相似性度量,实现人脸检索。
显著性分析方法引入了一种以人类注意力受刺激的强弱程度为依据,定义并度量被观察对象的待识别特征的方法。该方法通过衡量不同场景内容(对象)在吸引人类视觉注意力、产生视觉差异方面的不同表现,定性乃至定量地将场景对象赋以不同的显著性值,从而划分出不同的区域(特征);并对高显著性区域进行优先处理,而将其它显著性较低的区域作为非重要区域予以忽略或者忽视。这种对象选择性处理方式,使该方法具有更高的处理效率。
本发明将显著性分析方法应用于三维人脸检索领域,从人类自身的视觉注意机制入手,研究了三维人脸中对于检索具有最重要影响的显著性区域的定义及描述,因此有效模拟人类观察事物与信息处理方式、构建更为高效简单的人脸检索方法。而与欧式距离相比,基于余弦距离的相似性可同时考虑特征向量的长度、方向两方面的差异,且不敏感于计算的绝对数值,故适用于进行显著性差异的度量。
优选地,所述步骤(2)中分别用三维人脸的颜色、深度和法向三个典型属性对像素点的显著性值进行分析:
人脸的颜色主要以肤色、嘴唇的暗红色以及眉部、眼部的黑色组成。为突出三维人脸颜色的显著性检测,三维人脸的颜色属性对应的显著性值通过公式(2)得到:
S(pi)=|RGB_ave-RGB_pi|/RGB_max (2)
其中,RGB_pi为像素点pi的红色值分量,RGB_max是所有像素点红色的最大值,RGB_ave是所有像素点红色分量的平均值;随着阈值的增加,显著性值大于指定阈值的“显著性区域”逐渐收缩、范围集中,而人脸样本的眉部、眼部和嘴部始终被标记为显著性区域,表示这三个区域基于颜色方法得到的显著性值最高,区分能力最强;
类似地,三维人脸的深度属性对应的显著性值通过公式(3)得到:
S(pi)=Deep_pi/Deep_max (3)
其中,Deep_pi为任意像素点pi的深度值,Deep_max是深度的最大值,即鼻尖点到Y轴原点的距离;为强化深度差异,上式可增加缩放系数,通过实验表明,随着深度显著性值的增加,显著性区域逐渐向鼻尖点收缩;
光滑表面具有连续变化的法向,对视觉注意力的刺激小于法向呈非连续变化的局部“尖点或突起”表面。而面部点的法向变化较大的区域与面部的视觉显著性区域有直接关联,因此,本文将这种搜索光滑曲面上的尖点或突起的方法用以确定三维人脸法向变化较大的区域,即包含鼻、耳、口等部分的显著性区域。为此,首先引入“平均法向”的概念,即把人脸曲面粗略的看成是光滑的表面,则曲面上的各点法向取平均值,可以得到整个曲面的平均法向。平均法向Normal_ave可以看成是近似垂直于三维人脸曲面“平坦”部分的法方向。这一结论可由任取非显著区域上的两个像素点形成的位置坐标向量与平均法向的点乘接近于0的事实得以验证。该结论及推导过程可表述如下。设:
其中,和是三维人脸图像上任意一点pi和pj在XYZ坐标系中的点坐标。
当两点pi和pj属于同一平滑区域,并且它们的距离相对于局部特征尺寸的距离是足够小的,那么它们的法向值近似相等,此时它们组成的向量与曲面的平均法向Normal_ave乘积接近于0,即λ≈0。反之则λ>ε。
因此,三维人脸的法向属性对应的显著性值通过公式(5)得到:
其中,pi、pj表示三维人脸样本上的像素点,E表示三维人脸曲面区域,vi、vjxixj分别是pi、pj的点坐标,Normal_ave为该曲面区域的平均法向。通过实验,可以看出,法向“波动”较大的区域显著性值较高,如耳部、鼻部和口部。而眼部和眉部这样“波动”较小、与人脸曲面可以看成近似光滑的区域则显著性值较小。
本发明分别用三维人脸的颜色、深度和法向三个典型属性对像素点的显著性值进行具体化定义。并在此基础上,结合各不同特征及其度量结果的优势,提出了基于多特征融合的三维人脸显著性分析方法。单一的特征由于其包含信息的局限性,不能充分满足我们对于高精度识别的需要。本文对各信息进行归一化处理,平衡分配权重后,采用基于加权叠加方法的多特征融合策略进行人脸检测。所使用的权值是根据颜色、深度、法向三种特征在分别进行单独识别时的识别准确率来确定的,即使用各特征的独立识别率作为融合识别时的贡献率。在所述步骤(2)中通过公式(6)得到两个三维人脸样本的最终距离:
其中,E(m,n)表示三维人脸样本m和样本n的最终距离,E(m,n)i为样本m,n在显著特征i下的距离,使用单特征的余弦距离进行度量,k表示所用到的显著特征总数,权值ωi表示显著特征i在最终识别过程中的比重大小,其取值与该特征的单特征识别率成正比。
现在给出一个本发明的详细实施例。
本文使用的BJUT-3D人脸数据库中,共126个样本,42人(男34,女8),每个人都包含3组真实的中性三维人脸数据。
首先,我们将BJUT-3D数据库的126张三维中性人脸样本分成三组,每组42个样本,将从同一个被扫描者处获得的三个三维模型依次分配到每个组中。我们将这三组依次编号为A组、B组、C组。用A、B、C组依次分别做测试集,其余两组做训练集,计算样本距离与识别率。将最终得到的3组实验识别率取平均值,即为最终的正确率。由于BJUT-3D人脸库已经将所有的样本归一化并对齐,我们对人脸区域进行眉、眼、鼻、耳、口的分区,然后利用求得的显著性值依次计算每个区域的距离。
实验结果如下表所示:
眉部 | 眼部 | 鼻部 | 耳部 | 口部 | 全部 | |
颜色 | 53.97% | 56.03% | 66.98% | 68.25% | 58.73% | 88.10% |
深度 | 25.40% | 46.83% | 57.94% | 38.89% | 48.41% | 69.05% |
法向 | 36.51% | 47.86% | 57.94% | 59.52% | 49.21% | 83.33% |
表1颜色、深度与法向的单特征识别结果正确率
在按照公式(6)的方法进行特征融合后,本文的实验结果达到了91.27%的识别准确率。
其次,将整个包含126个三维人脸样本数据库设为训练集。所有样本依次分别单独作为测试集,与训练集进行比对,用来计算正确率和召回率。当正确率在90%左右时,融合方法的召回率已经接近于1。也就是说,在保证正确率的情况下,可以做到几乎检出***中所有的相关样本,反映了本文提出的方法良好的查全能力。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属本发明技术方案的保护范围。
Claims (2)
1.一种在规格化三维人脸库中进行人脸检索的方法,其特征在于,该方法包括以下步骤:
(1)模型归一化:将三维人脸数据经过平滑、去噪、剪切、坐标矫正、对齐的预处理后,得到三维人脸样本作为规格化的三维人脸,依托其所对应的圆柱体包络面定义如下的模型坐标系:该圆柱体的中心轴作为Z轴,穿过鼻尖点并与Z轴垂直的方向作为Y轴,X轴由Y轴与Z轴叉乘得到;
(2)以视觉显著性为度量原则进行样本显著区域定义及特征提取:通过公式(1)得到三维人脸样本中每一个像素点的显著性值:
S(pi)=D(pi,p1)+D(pi,p2)+…+D(pi,pn) (1)
其中S(pi)为点pi的显著性值,n为图像中像素点的个数,D(...,...)表示两个像素点之间的属性差;
(3)以单特征辨识度为依据进行特征加权叠加,实现多特征融合的人脸间特征的相似性度量,实现人脸检索。
2.根据权利要求1所述的在规格化三维人脸库中进行人脸检索的方法,其特征在于,所述步骤(2)中分别用三维人脸的颜色、深度和法向三个典型属性对像素点的显著性值进行分析:三维人脸的颜色属性对应的显著性值通过公式(2)得到:
S(pi)=|RGB_ave-RGB_pi|/RGB_max (2)
其中,RGB_pi为像素点pi的红色值分量,RGB_max是所有像素点红色的最大值,RGB_ave是所有像素点红色分量的平均值;
三维人脸的深度属性对应的显著性值通过公式(3)得到:
S(pi)=Deep_pi/Deep_max (3)
其中,Deep_pi为任意像素点pi的深度值,Deep_max是深度的最大值;
三维人脸的法向属性对应的显著性值通过公式(5)得到:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410490567.1A CN104331412B (zh) | 2014-09-23 | 2014-09-23 | 一种在规格化三维人脸库中进行人脸检索的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410490567.1A CN104331412B (zh) | 2014-09-23 | 2014-09-23 | 一种在规格化三维人脸库中进行人脸检索的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104331412A true CN104331412A (zh) | 2015-02-04 |
CN104331412B CN104331412B (zh) | 2018-03-09 |
Family
ID=52406139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410490567.1A Expired - Fee Related CN104331412B (zh) | 2014-09-23 | 2014-09-23 | 一种在规格化三维人脸库中进行人脸检索的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104331412B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104765768A (zh) * | 2015-03-09 | 2015-07-08 | 深圳云天励飞技术有限公司 | 海量人脸库的快速准确检索方法 |
CN105447446A (zh) * | 2015-11-12 | 2016-03-30 | 易程(苏州)电子科技股份有限公司 | 一种基于粗糙集主分量人脸识别方法及*** |
CN107248138A (zh) * | 2017-06-16 | 2017-10-13 | 中国科学技术大学 | 虚拟现实环境中的人类视觉显著性预测方法 |
WO2019169884A1 (zh) * | 2018-03-09 | 2019-09-12 | 北京大学深圳研究生院 | 基于深度信息的图像显著性检测方法和装置 |
CN110909755A (zh) * | 2018-09-17 | 2020-03-24 | 阿里巴巴集团控股有限公司 | 对象特征处理方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120045095A1 (en) * | 2010-08-18 | 2012-02-23 | Canon Kabushiki Kaisha | Image processing apparatus, method thereof, program, and image capturing apparatus |
CN103810503A (zh) * | 2013-12-26 | 2014-05-21 | 西北工业大学 | 一种基于深度学习的自然图像中显著区域的检测方法 |
-
2014
- 2014-09-23 CN CN201410490567.1A patent/CN104331412B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120045095A1 (en) * | 2010-08-18 | 2012-02-23 | Canon Kabushiki Kaisha | Image processing apparatus, method thereof, program, and image capturing apparatus |
CN103810503A (zh) * | 2013-12-26 | 2014-05-21 | 西北工业大学 | 一种基于深度学习的自然图像中显著区域的检测方法 |
Non-Patent Citations (3)
Title |
---|
MING-MING CHENG等: "Global Contrast based Salient Region Detection", 《IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
尹宝才等: "BJUT-3D三维人脸数据库及其处理技术", 《计算机研究与发展》 * |
陈龙: "基于显著性分析和多特征融合的图像检索算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104765768A (zh) * | 2015-03-09 | 2015-07-08 | 深圳云天励飞技术有限公司 | 海量人脸库的快速准确检索方法 |
CN105447446A (zh) * | 2015-11-12 | 2016-03-30 | 易程(苏州)电子科技股份有限公司 | 一种基于粗糙集主分量人脸识别方法及*** |
CN107248138A (zh) * | 2017-06-16 | 2017-10-13 | 中国科学技术大学 | 虚拟现实环境中的人类视觉显著性预测方法 |
CN107248138B (zh) * | 2017-06-16 | 2020-01-03 | 中国科学技术大学 | 虚拟现实环境中的人类视觉显著性预测方法 |
WO2019169884A1 (zh) * | 2018-03-09 | 2019-09-12 | 北京大学深圳研究生院 | 基于深度信息的图像显著性检测方法和装置 |
CN110909755A (zh) * | 2018-09-17 | 2020-03-24 | 阿里巴巴集团控股有限公司 | 对象特征处理方法及装置 |
CN110909755B (zh) * | 2018-09-17 | 2023-05-30 | 阿里巴巴集团控股有限公司 | 对象特征处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104331412B (zh) | 2018-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108701216B (zh) | 一种人脸脸型识别方法、装置和智能终端 | |
CN104331412B (zh) | 一种在规格化三维人脸库中进行人脸检索的方法 | |
CN103765480B (zh) | 用于参数化3d脸部生成的方法和设备 | |
CN112232117A (zh) | 一种人脸识别方法、装置及存储介质 | |
CN109408653A (zh) | 基于多特征检索和形变的人体发型生成方法 | |
CN103218609B (zh) | 一种基于隐最小二乘回归的多姿态人脸识别方法及其装置 | |
CN108537191A (zh) | 一种基于结构光摄像头的三维人脸识别方法 | |
CN101833654B (zh) | 基于约束采样的稀疏表示人脸识别方法 | |
CN101593365A (zh) | 一种通用三维人脸模型的调整方法 | |
CN105740779A (zh) | 人脸活体检测的方法和装置 | |
CN104794441B (zh) | 复杂背景下基于主动形状模型和poem纹理模型的人脸特征定位方法 | |
CN110796101A (zh) | 一种嵌入式平台的人脸识别方法及*** | |
CN108460398A (zh) | 图像处理方法、装置、云处理设备和计算机程序产品 | |
CN104157001A (zh) | 一种头部漫画的绘制方法及装置 | |
CN108564619B (zh) | 一种基于两张照片的真实感三维人脸重建方法 | |
CN105117712A (zh) | 兼容人脸老化识别的单样本人脸识别方法 | |
CN110956071A (zh) | 眼部关键点的标注及其检测模型的训练方法和装置 | |
JP2011039934A (ja) | 感情推定システム及びそれを利用した学習システム | |
CN112699857A (zh) | 基于人脸姿态的活体验证方法、装置及电子设备 | |
EP3074844B1 (en) | Estimating gaze from un-calibrated eye measurement points | |
US20200065564A1 (en) | Method for determining pose and for identifying a three-dimensional view of a face | |
CN110728242A (zh) | 基于人像识别的图像匹配方法、装置、存储介质及应用 | |
CN113128341A (zh) | 一种基于卷积神经网络的狗脸识别方法 | |
CN110210293A (zh) | 一种基于三维数据和面部图像的性别识别方法 | |
CN106682575A (zh) | Elm算法的人眼点云特征定位 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180309 Termination date: 20210923 |