CN104408405B - 人脸表示和相似度计算方法 - Google Patents
人脸表示和相似度计算方法 Download PDFInfo
- Publication number
- CN104408405B CN104408405B CN201410604043.0A CN201410604043A CN104408405B CN 104408405 B CN104408405 B CN 104408405B CN 201410604043 A CN201410604043 A CN 201410604043A CN 104408405 B CN104408405 B CN 104408405B
- Authority
- CN
- China
- Prior art keywords
- image
- face
- face block
- specially
- facial image
- 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.)
- Expired - Fee Related
Links
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
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人脸表示和相似度计算算法。在离线训练阶段收集带有标注的人脸训练集,每人包含50‑100张人脸图像,将集合中图像归一化后划分为2*2个相同大小的人脸块。对每个人脸块,稠密的提取k*k像素的小块,进行均值归零,方差归一预处理后,基于K‑means聚类学习卷积核。每个人脸块得到K个卷积图像,对整张输入人脸的K*2*2个卷积图像,分别进行均值Pooling操作和ReLU非线性操作后将所有响应图的特征拉直。对拉直后的特征,学习主成分分析(PCA)投影,经过PCA降低维度后,基于线性判别分析(LDA)算法学习判别投影,得到紧凑、鲁棒的人脸表示,对两幅图像的人脸表示进行内积运算得到相似度。
Description
技术领域
本发明属于计算机视觉和图像处理技术领域,特别的涉及人脸的表示和相似度计算方法。
背景技术
计算机人脸识别是指基于已知的人脸样本库,利用计算机分析图像和模式识别技术从静态或动态场景中,识别或验证一个或多个人脸,利用特征提取技术抽取人脸的多个可能的特征表示,该技术被广泛的应用于公共安全,身份证明等重要场合,有效的进行人脸识别的关键在于快速,准确的进行人脸特征表示。现有技术中已经有一些人脸特征表示算法,利用卷积核对输入人脸图像进行卷积处理得到人脸的多维特征向量表示,运算涉及的卷积核选取没有充分利用丰富的人脸训练数据,特征向量的维度设置过小影响精度,设置过大影响速度,从而整体上制约了人脸特征表示以及相似度计算的准确性。
为克服现有技术的上述不足之处,本发明提出了一种基于卷积核学习的人脸表示算法和相似度计算方法,利用训练集离线学习得到的卷积核参与到人脸图像的卷积操作中,利用训练集学习得到的降维和分析矩阵进行人脸判别特征提取,在得到紧凑、鲁棒的人脸表示后,能够快速的得到图像之间的相似度,实现了准确,快读,鲁棒的人脸表示和相似度计算。
发明内容
本发明提出了一种人脸表示和相似度计算方法,其特征在于:
(1)收集生成网络人脸训练集;
(2)利用训练集中的人脸图像训练得到卷积核;
(3)利用所述卷积核,对训练集中的人脸图像进行特征表示;
(4)利用所述卷积核,对输入人脸图像进行特征表示;
(5)在训练集中的人脸图像特征表示中提取判别特征;
(6)在输入人脸图像特征表示中提取判别特征;
(7)利用判别特征,计算图像相似度。
优选的是,其中步骤(1)具体为:选择C个名人,其中c=1,2,……,C,名人对应有张图像,其中50<<100,名人对应的所有图像集合为,将训练集记为,训练集合中的图像,其中i=1,2,……,N,体现姿态、光照和表情的变化。
优选的是,其中步骤(2)具体为:将训练集中的人脸图像对齐,对齐后的人脸图像大小为128*80像素,将每幅图像划分为2*2个大小相同的人脸块,每个人脸块图像大小为64*40像素,对所有图像的所有人脸块分别进行处理,得到卷积核。
优选的是,其中对所有图像的所有人脸块分别进行处理,得到卷积核的步骤具体为:每幅图像对应位置j的人脸块记为,其中i=1,2,……N,j=1,2,3,4,在每个人脸块上提取k*k大小的小块,步长为1,则该人脸块表示为:
,其中1<k<40, m=64-k+1,n=40-k+1,计算,将减去该均值,并将每一维特征的方差归一,得到每幅图像对应位置j的人脸块表示:,对所有N幅图像对应位置j的人脸块依次处理,将得到的N个表示连接起来,得到训练集中N幅图像的位置j的人脸块表示为:,对该进行K-means聚类学习,得到K个聚类中心,记为:,其中dj,t表示其中的第t个聚类中心,t=1,2,……K,每个聚类中心作为一个独立的卷积核,对所有图像的所有位置j的人脸块都按照上述步骤分别进行卷积核学习,得到{,j=1,2,3,4}。
优选的是,其中步骤(3)具体为:对人脸图像卷积操作后进行Pooling操作和ReLU操作以进行特征表示。
优选的是,其中的卷积操作具体为:将每个聚类中心dj,t做为一个卷积核,进行内积运算,将拉直的卷积向量还原为二维图像,对训练集中的人脸图像中的所有, j=1,2,3,4,进行上述内积运算,相同位置的人脸块对应相同位置训练得出的卷积核,共得到2*2*K个卷积图像,其中每个卷积图像的大小为m*n。
优选的是,其中的Pooling操作具体为:利用均值Pooling操作来提取不变特征,将每个m*n的卷积图像划分为4*4像素大小的不重叠的网格,计算每个网格的均值,得到均值Pooling后的响应图,经过Pooling操作后,每个响应图的大小为(m/4)*(n/4)。
优选的是,其中的ReLU操作具体为:将均值Pooling操作后输出的响应图中的负响应值归0,保留正响应值,通过ReLU操作,加入了特征的非线性,对于输入的,将ReLU操作后的所有响应图拉直后得到的人脸块表示为,特征维度为K*(m/4)*(n/4),将2*2个位置得到的人脸块表示依次连接起来,得到训练集人脸图像的特征表示, 特征维度是A=2*2*K*(m/4)*(n/4)维。
优选的是,其中步骤(4)具体为:对人脸图像卷积操作后进行Pooling和ReLU操作以进行特征表示。
优选的是,其中的卷积操作具体为:对输入人脸图像,对齐为128*80像素的人脸图像,将其划分为2*2个大小相同的人脸块,每个人脸块图像大小为64*40像素,对应位置j的人脸块记为,j=1,2,3,4,在每个人脸块上提取k*k大小的小块,步长为1,则该人脸块表示为:,其中1<k<40, m=64-k+1, n=40-k+1,计算,将减去该均值,并将每一维特征的方差归一,得到该图像的第j位置人脸块的表示,将每个聚类中心dj,t做为一个卷积核,进行内积运算,将拉直的卷积向量还原为二维图像,对输入人脸图像Y中的所有进行上述内积运算,j=1,2,3,4,相同位置的人脸块对应相同位置训练得出的卷积核,共得到2*2*K个卷积图像,其中每个卷积图像的大小为m*n。
优选的是,其中的Pooling操作具体为:利用均值Pooling操作来提取不变特征,将每个m*n的卷积图像划分为4*4像素大小的不重叠的网格,计算每个网格的均值,得到均值Pooling后的响应图,经过Pooling操作后,每个响应图的大小为(m/4)*(n/4)。
优选的是,其中的ReLU操作具体为:将均值Pooling后输出的响应图中的负响应值归0,保留正响应值,通过ReLU操作,加入了特征的非线性,对于输入的,将ReLU操作后的所有响应图拉直后得到的人脸块表示为,特征维度为K*(m/4)*(n/4),将2*2个位置得到的人脸块表示依次连接起来,得到输入人脸图像的表示, 特征维度是A=2*2*K*(m/4)*(n/4)维。
优选的是,其中步骤(5)具体为:对人脸图像特征表示经过主成分分析降维计算和线性判别分析得到判别特征。
优选的是,其中主成分分析降维计算的步骤具体为:计算训练集特征表示的协方差矩阵,其中是训练集中所有N幅图像的特征表示的均值,令,其中对应的前r个最大特征值对应的特征向量,对于输入特征,经过主成分分析降维后得到,,训练集中的所有人脸图像的特征表示经过降维后记为。
优选的是,其中线性判别分析具体为:分别计算降维后特征表示的类间散度和类内散度SW,其中,,表示第个人所有图像的特征向量主成分分析降维度后的均值,是训练集中所有图像的特征表示L的均值,,PCA_Dim=r,其中是以下泛化特征值问题最大的q个特征值对应的特征向量:,对进行判别特征提取,得到判别特征。
优选的是,其中步骤(6)具体为:对人脸图像特征表示经过主成分分析降维计算和线性判别分析得到判别特征。
优选的是,其中的主成分分析降维计算具体步骤为:对输入图像的特征表示,计算,得到后,计算得到判别特征。
优选的是,其中步骤(7)具体为:对进行二范数归一得到:,对进行二范数归一得到:,进行内积计算)得到输入图像Y和训练集人脸图像的相似度。
附图说明
图1为人脸表示学习流程图
图2为对齐后的人脸图像
图3为基于K-means聚类学习的卷积核示例
图4为快速卷积过程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明做出进一步地详细描述。
图1为本发明中公开的人脸表示学习流程图,参照图1进行描述。
步骤1:训练集设置与归一化
收集一个网络人脸数据集,选择C个名人,其中c=1,2,……,C,对应有张图像,其中50<<100,名人对应的所有图像集合为,将训练集记为,训练集合中的图像应体现姿态、光照和表情的变化。
基于眼睛位置,对人脸进行对齐,对齐后的人脸图像见下图2,优选的,对齐后的人脸大小为128*80像素。
步骤2:人脸表示学习
(1)将对齐后的人脸图像划分为2*2个相同大小的人脸块,对应128*80的人脸表示,每个人脸块的大小为64*40像素。
对训练集合中包含的N张图像,每张图像对应位置j的人脸块记为,其中i=1,2,……N,j=1,2,3,4。
(2)对每个人脸块进行如下处理:
在每个人脸块上提取k*k大小的小块,步长为1,则该人脸块可以表示为:
公式1
其中m=64-k+1,n=40-k+1,优选设置k=9,则m=56,n=32。
计算,将减去该均值,并将每一维特征的方差归一,得到第i幅图像的第j位置人脸块的表示:
公式2
(3)对训练集中每一幅图像均依次处理,将步骤(2)得到的图像的对应位置的特征矩阵表示连接起来,得到所有N幅图像的第j位置人脸块的表示:
公式3
(4)对得到的,基于K-means聚类学习K个聚类中心,记为:
公式4
其中dj,t表示其中的第t个聚类中心,t=1,2,……K,每个聚类中心可以看做一个独立的卷积核,优选的设置K=32,即对应每个人脸块得到K个卷积核。图3为卷积核的示例。
(5)对所有图像的所有位置的人脸块都按照上述步骤分别进行卷积核学习,得到D1到 D4。
步骤3:人脸特征提取
人脸的特征提取分为三个步骤:卷积,Pooling和ReLU。
(1)卷积操作
对于输入人脸图像Y,经过步骤2中的(1)和(2)两步处理,得到该图像Y的第j位置人脸块的表示:
公式5
将每个聚类中心dj,t视为一个卷积核,进行卷积操作,该操作可以看做为内积操作,得到
公式6
经过内积之后,再将拉直的向量“还原”为二维图像,图4为所示卷积操作的示意图。输入的人脸图像,共分为2*2个人脸块,对所有人脸块分别进行上述卷积,j=1,2,3,4,相同位置训练得到的人脸块利用相同位置的卷积核进行内积,即对应D1,对应D4,则对于输入图像Y,总共得到2*2*K=2*2*32=128个卷积图像,其中每个卷积图像的大小为m*n=56*32。
(2)Pooling操作
通过均值Pooling操作来提取不变特征。首先,将每个56*32的卷积图像划分为4*4像素大小的不重叠的网格,计算每个网格的均值,得到均值Pooling后的响应图,经过Pooling操作后,每个响应图的大小为14*8。
(3)ReLU操作
ReLU操作将均值Pooling后输出的响应图中的负响应值归0,保留正响应值,通过ReLU操作,加入了特征的非线性。
对于输入图像人脸块,将ReLU操作后的所有响应图拉直后得到的人脸表示为,特征维度为K*(m/4)*(n/4)=32*14*8,将输入人脸图像Y所有位置得到的连接起来,得到输入人脸图像Y的表示, 特征维度是A=2*2* K*(m/4)*(n/4)=14336维。
(4)对训练集合中的所有图像经过步骤2中的(1)和(2)两步处理,得到该图像的第j位置人脸块的表示:
将每个聚类中心dj,t视为一个卷积核,进行卷积操作,该操作可以看做为内积操作,得到
公式7
经过内积之后,再将拉直的向量“还原”为二维图像,图4为所示卷积操作的示意图。对该人脸图像,共分为2*2个人脸块,对所有人脸块 j=1,2,3,4,分别进行上述卷积,相同位置的人脸块利用相同位置的卷积核进行内积,即对应D1,对应D4,则对于该图像,总共得到2*2*K=2*2*32=128个卷积图像,其中每个卷积图像的大小为m*n=56*32。
(5)Pooling操作
通过均值Pooling操作来提取不变特征。首先,将每个56*32的卷积图像划分为4*4像素大小的不重叠的网格,计算每个网格的均值,得到均值Pooling后的响应图,经过Pooling操作后,每个响应图的大小为14*8。
(6)ReLU操作
ReLU操作将均值Pooling后输出的响应图中的负响应值归0,保留正响应值,通过ReLU操作,加入了特征的非线性。
对于训练集图像人脸块,将ReLU操作后的所有响应图拉直后得到的人脸块表示为,特征维度为K*(m/4)*(n/4)=32*14*8,将训练集人脸图像所有位置得到的连接起来,得到训练集人脸图像的表示, 特征维度是A=2*2* K*(m/4)*(n/4)=14336维。
步骤4:判别特征提取
对步骤3中得到的人脸表示f进行判别特征提取,分为主成分分析降维和线性判别分析两个步骤。
主成分分析降维
计算训练集特征表示的协方差矩阵
公式8,
其中是训练集中所有N幅图像的特征向量的均值。
令 公式9
其中对应的前r个最大特征值对应的特征向量,优选的,PCA_Dim=r=2000。对于输入特征,经过主成分分析降维后得到
公式10
训练集中的所有人脸图像的特征经过降维后记为
(2)线性判别分析
分别计算降维后特征的类间散度和类内散度。
其中公式11
公式12
其中表示第个人所有图像的特征向量主成分分析降维度后的均值,是训练集中所有图像N的特征向量L的均值。
公式13
其中是以下泛化特征值问题最大的q个特征值对应的特征向量:
公式14
优选的,设置q=800,对进行判别特征提取
公式15
对进行二范数归一: 公式16
步骤5:相似度计算
对于输入图像Y,通过步骤3得到其特征表示,将其代入到公式10中得到,将代入到公式15中,得到,将代入公式16进行二范数归一: 公式17
基于cosine距离计算相似度,由于特征已经进行了二范数归一,所以只需要特征的内积
) 公式18
显然,本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的精神和范围,这样,倘若本发明的这些修改和变形属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变形在内。
Claims (15)
1.一种人脸表示和相似度计算方法,其特征在于:
(1)收集生成网络人脸训练集;
(2)利用训练集中的人脸图像训练得到卷积核;
(3)利用所述卷积核,对训练集中的人脸图像进行特征表示;
(4)利用所述卷积核,对输入人脸图像进行特征表示;
(5)在训练集中的人脸图像特征表示中提取判别特征;
(6)在输入人脸图像特征表示中提取判别特征;
(7)利用判别特征,计算图像相似度;
其中步骤(1)具体为:选择C个名人,其中c=1,2,……,C,名人对应有张图像,其中50<<100,名人对应的所有图像集合为,将训练集记为,,训练集合中的图像,其中i=1,2,……,N,体现姿态、光照和表情的变化;
其中步骤(2)具体为:将训练集中的人脸图像对齐,对齐后的人脸图像大小为128*80像素,将每幅图像划分为2*2个大小相同的人脸块,每个人脸块图像大小为64*40像素,对所有图像的所有人脸块分别进行处理,得到卷积核;
其中对所有图像的所有人脸块分别进行处理,得到卷积核的步骤具体为:每幅图像对应位置j的人脸块记为,其中i=1,2,……N,j=1,2,3,4,在每个人脸块上提取k*k大小的小块,步长为1,则该人脸块表示为:
=[,,……,],其中1<k<40,m=64-k+1,n=40-k+1,计算,
将减去均值,并将每一维特征的方差归一,得到每幅图像对应位置j的人脸块表示:,对所有N幅图像对应位置j的人脸块依次处理,将得到
的N个表示连接起来,得到训练集中N幅图像的位置j的人脸块表示为:,对该进行K-means聚类学习,得到K个聚类中心,
记为:,其中dj,t表示其中的第t个聚类中心,t=1,2,……
K,每个聚类中心作为一个独立的卷积核,对所有图像的所有位置j的人脸块都按照上述步
骤分别进行卷积核学习,得到{,j=1,2,3,4}。
2.如权利要求1所述的方法,其中步骤(3)具体为:对人脸图像卷积操作后进行Pooling操作和ReLU操作以进行特征表示。
3.如权利要求2所述的方法,其中的卷积操作具体为:将每个聚类中心dj,t做为一个卷积核,进行内积运算,将拉直的卷积向量还原为二维图像,对训练集中的人脸图像中的所有, j=1,2,3,4,进行上述内积运算,相同位置的人脸块对应相同位置训练得出的卷积核,共得到2*2*K个卷积图像,其中每个卷积图像的大小为m*n。
4.如权利要求3所述的方法,其中的Pooling操作具体为:利用均值Pooling操作来提取不变特征,将每个m*n的卷积图像划分为4*4像素大小的不重叠的网格,计算每个网格的均值,得到均值Pooling后的响应图,经过Pooling操作后,每个响应图的大小为(m/4)*(n/4)。
5.如权利要求4所述的方法,其中的ReLU操作具体为:将均值Pooling操作后输出的响应图中的负响应值归0,保留正响应值,通过ReLU操作,加入了特征的非线性,对于输入的,将ReLU操作后的所有响应图拉直后得到的人脸块表示为,特征维度为K*(m/4)*(n/4),将2*2个位置得到的人脸块表示依次连接起来,得到训练集人脸图像的特征表示, 特征维度是A=2*2*K*(m/4)*(n/4)维。
6.如权利要求1所述的方法,其中步骤(4)具体为:对人脸图像卷积操作后进行Pooling和ReLU操作以进行特征表示。
7.如权利要求6所述的方法,其中的卷积操作具体为:对输入人脸图像,对齐为128*80像素的人脸图像,将其划分为2*2个大小相同的人脸块,每个人脸块图像大小为64*40像素,对应位置j的人脸块记为,j=1,2,3,4,在每个人脸块上提取k*k大小的小块,步长为1,则该人脸块表示为:,其中1<k<40, m=64-k+1,n=40-k+1,计算,将减去均值,并将每一维特征的方差归一,得到该图像的第j位置人脸块的表示,将每个聚类中心dj,t做为一个卷积核,进行内积运算,将拉直的卷积向量还原为二维图像,对输入人脸图像中的所有进行上述内积运算,j=1,2,3,4,相同位置的人脸块对应相同位置训练得出的卷积核,共得到2*2*K个卷积图像,其中每个卷积图像的大小为m*n。
8.如权利要求7所述的方法,其中的Pooling操作具体为:利用均值Pooling操作来提取不变特征,将每个m*n的卷积图像划分为4*4像素大小的不重叠的网格,计算每个网格的均值,得到均值Pooling后的响应图,经过Pooling操作后,每个响应图的大小为(m/4)*(n/4)。
9.如权利要求8所述的方法,其中的ReLU操作具体为:将均值Pooling后输出的响应图中的负响应值归0,保留正响应值,通过ReLU操作,加入了特征的非线性,对于输入的,将ReLU操作后的所有响应图拉直后得到的人脸块表示为,特征维度为K*(m/4)*(n/4),将2*2个位置得到的人脸块表示依次连接起来,得到输入人脸图像的表示, 特征维度是A=2*2*K*(m/4)*(n/4)维。
10.如权利要求9所述的方法,其中步骤(5)具体为:对人脸图像特征表示经过主成分分析降维计算和线性判别分析得到判别特征。
11.如权利要求10所述的方法,其中主成分分析降维计算的步骤具体为:计算训练集特征表示的协方差矩阵,其中是训练集中所有N幅图像的特征表示的均值,令,其中对应的前r个最大特征值对应的特征向量,对于输入特征,经过主成分分析降维后得到,,训练集中的所有人脸图像的特征表示经过降维后记为。
12.如权利要求10所述的方法,其中线性判别分析具体为:分别计算降维后特征表示的类间散度和类内散度Sw,其中,,表示第个人所有图像的特征向量主成分分析降维度后的均值,是训练集中所有图像的特征表示的均值,,PCA_Dim=r,其中是以下泛化特征值问题最大的q个特征值对应的特征向量:,,对进行判别特征提取,得到判别特征。
13.如权利要求12所述的方法,其中步骤(6)具体为:对人脸图像特征表示经过主成分分析降维计算和线性判别分析得到判别特征。
14.如权利要求13所述的方法,其中的主成分分析降维计算具体步骤为:对输入图像的特征表示,计算,得到后,计算得到判别特征。
15.如权利要求13所述的方法,其中步骤(7)具体为:对进行二范数归一得到:,对进行二范数归一得到:,进行内积计算得到输入图像和训练集人脸图像的相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410604043.0A CN104408405B (zh) | 2014-11-03 | 2014-11-03 | 人脸表示和相似度计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410604043.0A CN104408405B (zh) | 2014-11-03 | 2014-11-03 | 人脸表示和相似度计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104408405A CN104408405A (zh) | 2015-03-11 |
CN104408405B true CN104408405B (zh) | 2018-06-15 |
Family
ID=52646036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410604043.0A Expired - Fee Related CN104408405B (zh) | 2014-11-03 | 2014-11-03 | 人脸表示和相似度计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104408405B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881798A (zh) * | 2015-06-05 | 2015-09-02 | 北京京东尚科信息技术有限公司 | 基于商品图像特征的个性化搜索装置及方法 |
CN105046272B (zh) * | 2015-06-29 | 2018-06-19 | 电子科技大学 | 一种基于简洁非监督式卷积网络的图像分类方法 |
CN106372073A (zh) * | 2015-07-21 | 2017-02-01 | 北京大学 | 一种数学公式检索方法与装置 |
CN106611177A (zh) * | 2015-10-27 | 2017-05-03 | 北京航天长峰科技工业集团有限公司 | 一种基于大数据的图像分类方法 |
CN105426914B (zh) * | 2015-11-19 | 2019-03-15 | 中国人民解放军信息工程大学 | 一种面向位置识别的图像相似度检测方法 |
CN106803054B (zh) * | 2015-11-26 | 2019-04-23 | 腾讯科技(深圳)有限公司 | 人脸模型矩阵训练方法和装置 |
CN105590115A (zh) * | 2015-12-18 | 2016-05-18 | 北京畅景立达软件技术有限公司 | 视角不变的人体特征表示方法 |
CN106355202A (zh) * | 2016-08-31 | 2017-01-25 | 广州精点计算机科技有限公司 | 一种基于k‑均值聚类的图像特征提取方法 |
CN108805151B (zh) * | 2017-05-05 | 2021-05-25 | 杭州微禾迅科技有限公司 | 一种基于深度相似性网络的图像分类方法 |
CN107609481B (zh) * | 2017-08-14 | 2020-11-20 | 百度在线网络技术(北京)有限公司 | 为人脸识别生成训练数据的方法、装置和计算机存储介质 |
CN109299746A (zh) * | 2018-10-22 | 2019-02-01 | 广州星唯信息科技有限公司 | 一种图块和弦类似度计算方法 |
CN112597862B (zh) * | 2020-12-16 | 2024-07-19 | 上海芯翌智能科技有限公司 | 一种用于人脸数据清洗的方法与设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008081152A3 (fr) * | 2006-12-22 | 2008-09-18 | France Telecom | Procede et systeme de reconnaissance d'un objet dans une image |
CN101470896A (zh) * | 2007-12-24 | 2009-07-01 | 南京理工大学 | 基于视频分析的机动目标飞行模式预测方法 |
CN103020261A (zh) * | 2012-12-24 | 2013-04-03 | 南京邮电大学 | 一种图像自动标注方法 |
CN103530657A (zh) * | 2013-09-26 | 2014-01-22 | 华南理工大学 | 一种基于加权l2抽取深度学习人脸识别方法 |
-
2014
- 2014-11-03 CN CN201410604043.0A patent/CN104408405B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008081152A3 (fr) * | 2006-12-22 | 2008-09-18 | France Telecom | Procede et systeme de reconnaissance d'un objet dans une image |
CN101470896A (zh) * | 2007-12-24 | 2009-07-01 | 南京理工大学 | 基于视频分析的机动目标飞行模式预测方法 |
CN103020261A (zh) * | 2012-12-24 | 2013-04-03 | 南京邮电大学 | 一种图像自动标注方法 |
CN103530657A (zh) * | 2013-09-26 | 2014-01-22 | 华南理工大学 | 一种基于加权l2抽取深度学习人脸识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104408405A (zh) | 2015-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408405B (zh) | 人脸表示和相似度计算方法 | |
Rekha et al. | Shape, texture and local movement hand gesture features for indian sign language recognition | |
Sun et al. | DL-SFA: Deeply-learned slow feature analysis for action recognition | |
Pigou et al. | Gesture and sign language recognition with temporal residual networks | |
Ciptadi et al. | Movement pattern histogram for action recognition and retrieval | |
Hasanuzzaman et al. | Robust and effective component-based banknote recognition for the blind | |
Kim et al. | Tensor canonical correlation analysis for action classification | |
Ansari et al. | Nearest neighbour classification of Indian sign language gestures using kinect camera | |
CN102938065B (zh) | 基于大规模图像数据的人脸特征提取方法及人脸识别方法 | |
Sivan et al. | Computer vision based assistive technology for blind and visually impaired people | |
Zheng et al. | Recent advances of deep learning for sign language recognition | |
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 | |
Liu et al. | Depth context: a new descriptor for human activity recognition by using sole depth sequences | |
CN104915673B (zh) | 一种基于视觉词袋模型的目标分类方法和*** | |
CN105956560A (zh) | 一种基于池化多尺度深度卷积特征的车型识别方法 | |
CN104008375B (zh) | 基于特征融合的集成人脸识别方法 | |
CN107203745A (zh) | 一种基于跨域学习的跨视角动作识别方法 | |
Haque et al. | Two-handed bangla sign language recognition using principal component analysis (PCA) and KNN algorithm | |
Khelalef et al. | An efficient human activity recognition technique based on deep learning | |
Zamani et al. | Saliency based alphabet and numbers of American sign language recognition using linear feature extraction | |
CN111914643A (zh) | 一种基于骨骼关键点检测的人体动作识别方法 | |
CN106980825A (zh) | 一种基于归一化像素差特征的人脸姿势分类方法 | |
CN107194314A (zh) | 融合模糊2dpca和模糊2dlda的人脸识别方法 | |
Engoor et al. | Occlusion-aware dynamic human emotion recognition using landmark detection | |
CN103745242A (zh) | 一种跨设备生物特征识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 100080, room 106, unit 5, Yi Sheng garden, No. 331 East Zhongguancun Road, Beijing, Haidian District Applicant after: BEIJING CKLEADER SOFTWARE TECHNOLOGY Co.,Ltd. Address before: 100080, room 1509, block F, Zhongguancun mansion, No. 16 Haidian street, Haidian District, Beijing Applicant before: BEIJING CKLEADER SOFTWARE TECHNOLOGY Co.,Ltd. |
|
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: 20180615 Termination date: 20211103 |