CN104517274A - 基于贪婪搜索的人脸画像合成方法 - Google Patents
基于贪婪搜索的人脸画像合成方法 Download PDFInfo
- Publication number
- CN104517274A CN104517274A CN201410818175.3A CN201410818175A CN104517274A CN 104517274 A CN104517274 A CN 104517274A CN 201410818175 A CN201410818175 A CN 201410818175A CN 104517274 A CN104517274 A CN 104517274A
- Authority
- CN
- China
- Prior art keywords
- photo
- training
- portrait
- blocks
- block
- 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
- 238000001308 synthesis method Methods 0.000 title abstract 4
- 238000012549 training Methods 0.000 claims abstract description 126
- 238000012360 testing method Methods 0.000 claims abstract description 60
- 150000001875 compounds Chemical class 0.000 claims description 47
- 238000000034 method Methods 0.000 claims description 33
- 230000015572 biosynthetic process Effects 0.000 claims description 24
- 238000003786 synthesis reaction Methods 0.000 claims description 24
- 238000010189 synthetic method Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 abstract description 7
- 230000000903 blocking effect Effects 0.000 abstract description 2
- 238000007796 conventional method Methods 0.000 abstract description 2
- 238000011840 criminal investigation Methods 0.000 abstract description 2
- 239000011521 glass Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于贪婪搜索的人脸画像合成方法。其实现步骤是:划分字典训练照片样本集A、合成训练照片样本集Bp、合成训练画像样本集Bs和测试照片样本集;通过分块得到字典训练照片块集合SA、合成训练照片块集合Sp、合成训练画像块集合Ss和测试照片块集合;从字典训练照片块集合SA中学到训练照片块特征字典Dp;用Dp求出Sp对应的稀疏表示集合Cp以及测试照片块S对应的稀疏表示;用稀疏表示在Cp中进行贪婪搜索寻找近邻;再用搜索到的近邻画像-照片块来建立马尔可夫随机场模型合成画像。本发明与现有方法相比,无需限制测试照片背景,且能合成测试照片中的非人脸部件,可用于刑侦破案和数字娱乐。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及模式识别与计算机视觉技术领域中的人脸画像合成方法,可用于刑侦破案以及数字娱乐。
背景技术
人脸画像合成有重大的实际应用,比如支持动漫制作和辅助警方破案。当案件发生后,警方一般会根据现场目击证人的描述绘制出嫌疑犯的画像,之后在警方的人脸照片数据库中进行检索和识别。由于照片和画像属于两种不同的模态,存在较大的差异,因此在识别之前先将警方人脸照片数据库中的照片转化成画像,再将嫌疑犯的画像在合成画像数据库中进行识别。目前社交媒体变得越来越流行,很多用户将自己的照片转化成画像然后上传到网上作为自己账户的头像以增加娱乐效果。
已有的人脸画像合成方法主要有以下三大类:其一,基于子空间学习框架的人脸画像合成方法;其二,基于贝叶斯推断框架的人脸画像合成方法;其三,基于稀疏表示的人脸画像合成方法。
Liu等人在文献“Liu Q,Tang X,Jin H,et al.A nonlinear approach for facesketch synthesis and recognition[C]//Computer Vision and Pattern Recognition,2005.CVPR 2005.IEEE Computer Society Conference on.IEEE,2005,1:1005-1010.”中采用局部线性嵌入模型来模拟照片转化成合成画像的非线性过程。其实施方式是:首先将训练集中的照片-画像对及待变换照片划分成大小相同及重叠区域相同的图像块,对于待变换照片的每一个照片块在训练集中寻找它的K个近邻照片块,然后将K个照片块对应的K个画像块进行加权组合得到待合成画像块,最后将所有的待合成画像块融合得到合成画像。但是该方法存在以下缺点:固定的近邻个数导致合成画像不清楚。
Wang等人在文献“Wang X,Tang X.Face photo-sketch synthesis andrecognition[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2009,31(11):1955-1967.”中提出了一种基于马尔可夫随机场模型的人脸画像合成方法。该方法的操作如下:首先将训练集中的画像-照片对以及待合成照片用相同的方式分块,然后对于每一个待合成照片块在训练集中寻找它的K个候选照片块,根据待合成照片块与K个候选照片块之间的关系以及合成画像中相邻位置的画像块之间的关系,建立马尔可夫随机场模型对每个待合成照片块寻找一个最佳的训练画像块作为待合成画像块,最后将所有的待合成画像块融合得到最终的合成画像。该方法存在的缺陷是:由于每个待合成照片块最终只选择一个训练画像块进行画像合成,导致合成画像存在块效应和细节缺失的问题。
高新波等人申请的专利技术“基于稀疏表示的画像-照片生成方法”(申请号:201010289330.9申请日:2010-09-24申请公布号:CN 101958000 A)中公开了一种基于稀疏表示的人脸画像合成方法。该方法实施方式是:首先采用已有的画像合成方法生成合成画像的初始估计,然后再利用稀疏表示的方法合成出合成画像的细节信息,最后将初始估计和细节信息进行叠加得到最后的合成画像。该方法的缺陷是:细节信息的线性叠加使得合成画像不自然,而且合成画像的质量绝大部分依赖于初始画像合成方法。
上述三类画像合成方法只适用于测试照片背景与训练集照片背景相同的情况,当测试照片背景与训练集照片背景不同时,测试照片用上述三类方法合成的画像的背景会存在噪声。此外当测试照片中存在眼镜、发卡等非人脸部件,而训练集照片中都不存在这些非人脸部件时,测试照片用上述三类方法合成的对应画像会丢失测试照片中的非人脸部件。
发明内容
本发明的目的在于针对上述现有方法的缺陷,提出一种基于贪婪搜索的人脸画像合成方法,以在测试照片背景与训练集照片背景不同时,忽略背景的影响而合成测试照片对应的画像;在测试照片中存在非人脸部件,而在训练集照片中都不存在非人脸部件时,能对测试照片合成包括非人脸部件的对应画像。
实现本发明目的的技术方案包括如下步骤:
(1)将画像-照片对集合中的图像由彩色图像变成灰度图像,再将灰度图像划分为字典训练照片样本集A、合成训练照片样本集Bp、合成训练画像样本集Bs和测试照片样本集,并从测试照片样本集中选取一张测试照片P;
(2)将字典训练照片样本集A中的照片划分为相同大小及相同重叠程度的块,得到字典训练照片块集合SA,对字典训练照片块集合SA利用有效稀疏编码方法得到训练照片块特征字典Dp;
(3)获取合成训练照片块集合Sp对应的稀疏表示集合Cp:
(3a)将合成训练照片样本集Bp中的照片划分为相同大小及相同重叠程度的合成训练照片块集合:
其中,表示第i张照片中的第j个照片块,i∈1,…,M,M为合成训练照片样本集Bp中照片的总个数,j∈1,…,N,N为每张照片被划分的块的总个数;
(3b)将合成训练画像样本集Bs中的画像以上述相同的方式划分得到对应的合成训练画像块集合:
其中,表示第i张画像中的第j个画像块,i∈1,…,M,M为合成训练画像样本集Bs中画像的总个数,j∈1,…,N,N为每张画像被划分的块的总个数;
(3c)用训练照片块特征字典Dp对合成训练照片块集合Sp进行稀疏编码,得到合成训练照片块集合Sp对应的稀疏表示集合:
其中,表示第i张照片中的第j个照片块的稀疏表示,由于每个稀疏表示都包含稀疏系数值以及稀疏系数值在稀疏编码中被求解的顺序因此稀疏表示集合Cp包含有稀疏系数值集合Vp以及对应的稀疏系数值在稀疏编码中被求解的顺序集合Op;
(4)获取测试照片块xj对应的稀疏表示cj:
(4a)将测试照片P划分为相同大小及相同重叠程度的测试照片块集合:S={x1,…,xj,…,xN},xj表示测试照片P中的第j个照片块;
(4b)将每个测试照片块xj用训练照片块特征字典Dp进行稀疏编码,得到xj对应的稀疏表示cj;
其中,cj表示第j个测试照片块xj的稀疏表示,每个稀疏表示cj都包含稀疏系数值vj以及稀疏系数值在稀疏编码中被求解的顺序oj;
(5)对合成训练画像块集合Ss利用贪婪搜索获取每个测试照片块xj对应的待选择画像块集合:
(6)利用步骤(5)得到的待选择画像块集合通过求解马尔可夫随机场模型来得到每个测试照片块xj最终对应的训练画像块,并将这些训练画像块进行组合得到与测试照片P对应的合成画像。
本发明与现有方法相比具有如下优点:
第一,本发明由于采用贪婪搜索算法,因此将近邻块的选择范围从局部位置扩展到全局区域,从而能很好的合成眼镜、发卡等非人脸部件;
第二,本发明由于用稀疏表示中的稀疏系数值及稀疏系数值被求解的顺序这两个量来衡量两个图像块之间的距离,因此能有效的匹配拥有不同背景的图像块,从而有效解决测试照片背景与训练集照片背景不同的问题;
第三,本发明由于用稀疏表示作为图像块的特征,因此占用的计算机存储空间小。
附图说明
图1为本发明的实现流程图;
图2为本发明与现有的三类方法在CUHK student数据库、AR数据库和XM2VTS数据库上的合成画像的对比结果图。
具体实施方式
参照图1,本发明具体实施步骤如下:
步骤1,对数据库样本集进行划分。
将CUFS数据库中所有的画像和照片由彩色图像变成灰度图像,再将灰度图像划分为字典训练照片样本集A、合成训练照片样本集Bp、合成训练画像样本集Bs和测试照片样本集,其中,Bp中的每张照片和Bs中对应的每张画像属于同一个人;
从测试照片样本集中选取一张测试照片P。
步骤2,获取训练照片块特征字典Dp。
2a)先将字典训练照片样本集A中的照片划分为相同大小及相同重叠程度的块,得到字典训练照片块集合SA;
2b)对字典训练照片块集合SA利用有效稀疏编码方法进行字典学习,得到训练照片块特征字典Dp:
2b1)初始化训练照片块特征字典为高斯矩阵,并将高斯矩阵每一个列向量归一化为单位向量;
其中,l表示训练照片块特征字典Dp中字典元素的维数,m表示训练照片块特征字典Dp中字典元素的个数;
2b2)给定字典训练照片块集合SA以及初始化训练照片块特征字典Dp,按照下式得到字典训练照片块集合SA的初始稀疏表示集合C:
其中,λ是正则化参数,设值为0.15,||·||2表示2范数,||·||1表示1范数,当给定Dp时,C可以通过特征符号搜索算法进行求解;
2b3)给定字典训练照片块集合SA以及由2b2)得到的初始稀疏表示集合C,按照下式得到估计的训练照片块特征字典Dp:
当给定C时,通过拉格朗日对偶方法求解出Dp;
2b4)交替迭代2b2)和2b3),直到以下目标函数收敛,得到最终的训练照片块特征字典Dp:
所述的有效稀疏编码方法,见文献“Lee H,Battle A,Raina R,et al.Efficientsparse coding algorithms[C]//Advances in neural information processing systems.2006:801-808.”,文献中包含了特征符号搜索算法和拉格朗日对偶方法。
获取训练照片块特征字典Dp的方法不局限于上述的有效稀疏编码方法,还可用K-SVD算法,见文献“Aharon M,Elad M,Bruckstein A.k-svd:An algorithmfor designing overcomplete dictionaries for sparse representation[J].SignalProcessing,IEEE Transactions on,2006,54(11):4311-4322.”。
步骤3,获取合成训练照片块集合Sp对应的稀疏表示集合Cp。
3a)将合成训练照片样本集Bp中的照片划分为相同大小及相同重叠程度的合成训练照片块集合:
其中,表示第i张照片中的第j个照片块,i∈1,…,M,M为合成训练照片样本集Bp中照片的总个数,j∈1,…,N,N为每张照片被划分的块的总个数;
3b)将合成训练画像样本集Bs中的画像以上述相同的方式划分,得到对应的合成训练画像块集合:
其中,表示第i张画像中的第j个画像块;
3c)用训练照片块特征字典Dp对合成训练照片块集合Sp进行稀疏编码,得到合成训练照片块集合Sp对应的稀疏表示集合Cp;
3c1)给定合成训练照片块集合Sp中的一个训练照片块和训练照片块特征字典Dp;
3c2)利用最小角回归方法求解以下最优化问题: 得到训练照片块对应的稀疏表示其中,λ是正则化参数,设值为0.15。
最小角回归方法见文献“Efron B,Hastie T,Johnstone I,et al.Least angleregression[J].The Annals of statistics,2004,32(2):407-499.”;
3c3)对合成训练照片块集合Sp中的每个训练照片块重复步骤3c1)和3c2),得到合成训练照片块集合Sp对应的稀疏表示集合:
其中,表示第i张照片中的第j个照片块的稀疏表示,由于每个稀疏表示都包含稀疏系数值以及稀疏系数值在稀疏编码中被求解的顺序因此稀疏表示集合Cp包含有稀疏系数值集合Vp以及对应的稀疏系数值在稀疏编码中被求解的顺序集合Op,其表示如下:
步骤4,获取测试照片块xj对应的稀疏表示cj。
4a)将测试照片P划分为相同大小及相同重叠程度的测试照片块集合:
S={x1,…,xj,…,xN},其中xj表示测试照片P中的第j个照片块;
4b)将每个测试照片块xj用训练照片块特征字典Dp进行稀疏编码,得到xj对应的稀疏表示cj,其中,cj表示第j个测试照片块xj的稀疏表示,每个稀疏表示cj都包含稀疏系数值vj以及稀疏系数值在稀疏编码中被求解的顺序oj。
步骤5,对合成训练画像块集合Ss利用贪婪搜索获取每个测试照片块xj对应的待选择画像块集合
5a)设t=1,θ=2K;
5b)从顺序集合Op中选出与求解顺序oj中第t个值相同的所有稀疏表示并将这些选出的稀疏表示记为集合并用值替代稀疏表示集合Cp,再判断中稀疏表示的个数T:如果0<T≤θ,则转到步骤5e),如果T=0,则保留替代前的稀疏表示集合Cp,并转到步骤5e),如果T>θ,则执行步骤5c);
5c)从稀疏系数值集合Vp中选出与稀疏系数值vj中第t个值欧式距离最相近的1/9稀疏表示并将这些选出的稀疏表示记为集合并用值替代稀疏表示集合Cp,再判断中稀疏表示的个数T:如果0<T≤θ,则转到步骤5e),如果T=0,则保留替代前的稀疏表示集合Cp,并转到步骤5e),如果T>θ,则转到步骤5d);
5d)令t=t+1,返回步骤5b);
5e)将稀疏表示集合Cp中所有T个稀疏表示对应的合成训练照片块集合Sp中的T个照片块作为稀疏表示cj对应的测试照片块xj的待选择照片块集合{xj,1,xj,2,…,xj,T};
如果T<K,则利用复制操作将待选择照片块从T个增加到K个;
如果T>K,则利用测试照片块xj的高频信息与待选择照片块的高频信息的欧式距离将待选择照片块从T个减少为K个,使待选择照片块集合从{xj,1,xj,2,…,xj,T}变成x
从合成训练画像块集合Ss中选择集合对应的K个画像块作为待选择画像块集合:
步骤6,获取合成画像。
利用步骤5得到的待选择画像块集合通过求解马尔可夫随机场模型得到每个测试照片块xj最终对应的训练画像块,并将这些训练画像块进行组合得到与测试照片P对应的合成画像。
本发明的效果可以通过以下仿真实验做进一步的说明。
1.仿真条件
本发明是在中央处理器为Intel(R)Core(TM)i3-21003.10GHz、内存4G、WINDOWS 7操作***上,运用美国Mathworks公司开发的MATLAB R2010b进行仿真。
数据库采用CUFS数据库,该数据库包含CUHK student数据库、AR数据库和XM2VTS数据库。
AR数据库见文献“Martinez A M.The AR face database[J].CVC TechnicalReport,1998,24.”。
XM2VTS数据库见文献“Messer K,Matas J,Kittler J,et al.XM2VTSDB:Theextended M2VTS database[C]//Second international conference on audio andvideo-based biometric person authentication.1999,964:965-966.”。
2.仿真内容
取CUHK student数据库中34个男性照片-画像对中的照片作为字典训练照片样本集A,100个男性照片-画像对中的照片和画像分别作为对应的合成训练照片样本集Bp和合成训练画像样本集Bs。测试照片样本集则为CUFS数据库当中CUHK student数据库剩下的54张女性照片、AR数据库中123张照片和XM2VTS数据库中295张照片。
利用本发明方法和现有基于局部线性的方法LLE、基于马尔可夫随机场模型的方法MRF以及基于马尔可夫权重场模型的方法MWF,在CUFS数据库上进行照片到画像的合成仿真实验,结果如图2所示。其中:
图2(a)为原始照片,
图2(b)为现有基于局部线性的方法LLE合成的画像,
图2(c)为现有基于马尔可夫随机场模型的方法MRF合成的画像,
图2(d)为现有基于马尔可夫权重场模型的方法MWF合成的画像,
图2(e)为本发明方法合成的画像。
由图2实验结果可见,图2(b)~图2(d)中的第一张画像都没有发卡,第二张画像都没有刘海,其余的四张画像都没有眼镜,而且图2(b)~图2(d)中的第三张画像到第六张画像的背景都存在噪声。而图2(e)所示的本发明的第一张画像有发卡,第二张画像有刘海,其余的四张画像有眼镜,而且所有合成画像的背景都很干净。
综上所述:本发明由于借助了稀疏表示思想,利用贪婪搜索的方法,在测试照片背景与训练集照片背景不同时,能忽略背景的影响而合成测试照片对应的画像,此外,在测试照片中存在非人脸部件,而在训练集照片中都不存在非人脸部件时,能对测试照片合成包括非人脸部件的对应画像,验证了本发明的有效性。
Claims (4)
1.一种基于贪婪搜索的人脸画像合成方法,包括如下步骤:
(1)将画像-照片对集合中的图像由彩色图像变成灰度图像,再将灰度图像划分为字典训练照片样本集A、合成训练照片样本集Bp、合成训练画像样本集Bs和测试照片样本集,并从测试照片样本集中选取一张测试照片P;
(2)将字典训练照片样本集A中的照片划分为相同大小及相同重叠程度的块,得到字典训练照片块集合SA,对字典训练照片块集合SA利用有效稀疏编码方法得到训练照片块特征字典Dp;
(3)获取合成训练照片块集合Sp对应的稀疏表示集合Cp:
(3a)将合成训练照片样本集Bp中的照片划分为相同大小及相同重叠程度的合成训练照片块集合:
其中,表示第i张照片中的第j个照片块,i∈1,…,M,M为合成训练照片样本集Bp中照片的总个数,j∈1,…,N,N为每张照片被划分的块的总个数;
(3b)将合成训练画像样本集Bs中的画像以上述相同的方式划分得到对应的合成训练画像块集合:
其中,表示第i张画像中的第j个画像块,i∈1,…,M,M为合成训练画像样本集Bs中画像的总个数,j∈1,…,N,N为每张画像被划分的块的总个数;
(3c)用训练照片块特征字典Dp对合成训练照片块集合Sp进行稀疏编码,得到合成训练照片块集合Sp对应的稀疏表示集合:
其中,表示第i张照片中的第j个照片块的稀疏表示,由于每个稀疏表示都包含稀疏系数值以及稀疏系数值在稀疏编码中被求解的顺序因此稀疏表示集合Cp包含有稀疏系数值集合Vp以及对应的稀疏系数值在稀疏编码中被求解的顺序集合Op;
(4)获取测试照片块xj对应的稀疏表示cj:
(4a)将测试照片P划分为相同大小及相同重叠程度的测试照片块集合:S={x1,…,xj,…,xN},xj表示测试照片P中的第j个照片块;
(4b)将每个测试照片块xj用训练照片块特征字典Dp进行稀疏编码,得到xj对应的稀疏表示cj;
其中,cj表示第j个测试照片块xj的稀疏表示,每个稀疏表示cj都包含稀疏系数值vj以及稀疏系数值在稀疏编码中被求解的顺序oj;
(5)对合成训练画像块集合Ss利用贪婪搜索获取每个测试照片块xj对应的待选择画像块集合:
(6)利用步骤(5)得到的待选择画像块集合通过求解马尔可夫随机场模型来得到每个测试照片块xj最终对应的训练画像块,并将这些训练画像块进行组合得到与测试照片P对应的合成画像。
2.根据权利要求1所述的基于贪婪搜索的人脸画像合成方法,其特征在于,步骤(2)所述的对字典训练照片块集合SA利用有效稀疏编码方法得到训练照片块特征字典Dp,按如下步骤进行:
(2a)初始化训练照片块特征字典为高斯矩阵,并将高斯矩阵每一个列向量归一化为单位向量;其中,l表示训练照片块特征字典Dp中字典元素的维数,m表示训练照片块特征字典Dp中字典元素的个数;
(2b)给定字典训练照片块集合SA以及初始化训练照片块特征字典Dp,按照下式得到字典训练照片块集合SA的初始稀疏表示集合C:
其中,λ是正则化参数,设值为0.15,||·||2表示2范数,||·||1表示1范数,当给定Dp时,C可以通过特征符号搜索算法进行求解;
(2c)给定字典训练照片块集合SA以及由(2b)得到的初始稀疏表示集合C,按照下式得到估计的训练照片块特征字典Dp:
当给定C时,通过拉格朗日对偶方法求解出Dp;
(2d)交替迭代(2b)和(2c),直到以下目标函数收敛,得到最终的训练照片块特征字典Dp:
3.根据权利要求1所述的基于贪婪搜索的人脸画像合成方法,其特征在于,步骤(3c)所述的用训练照片块特征字典Dp对合成训练照片块集合Sp进行稀疏编码,按如下步骤进行:
(3c1)给定训练照片块和训练照片块特征字典Dp;
(3c2)构造以下最优化问题来求解训练照片块对应的稀疏表示
4.根据权利要求1所述的基于贪婪搜索的人脸画像合成方法,其特征在于,步骤(5)所述的对合成训练画像块集合Ss利用贪婪搜索获取每个测试照片块xj对应的待选择画像块集合按如下步骤进行:
(5a)设t=1,θ=2K;
(5b)从顺序集合Op中选出与求解顺序oj中第t个值相同的所有稀疏表示并将这些选出的稀疏表示记为集合并用值替代稀疏表示集合Cp,再判断中稀疏表示的个数T:如果0<T≤θ,则转到步骤(5e),如果T=0,则保留替代前的稀疏表示集合Cp,并转到步骤(5e),如果T>θ,则转到步骤(5c);
(5c)从稀疏系数值集合Vp中选出与稀疏系数值vj中第t个值欧式距离最相近的1/9稀疏表示并将这些选出的稀疏表示记为集合并用值替代稀疏表示集合Cp,再判断中稀疏表示的个数T:如果0<T≤θ,则转到步骤(5e),如果T=0,则保留替代前的稀疏表示集合Cp,并转到步骤(5e),如果T>θ,则转到步骤(5d);
(5d)令t=t+1,返回步骤(5b);
(5e)将稀疏表示集合Cp中所有T个稀疏表示对应的合成训练照片块集合Sp中的T个照片块作为稀疏表示cj对应的测试照片块xj的待选择照片块集合{xj,1,xj,2,…,xj,T}:如果T<K,则利用复制操作将待选择照片块从T个增加到K个,如果T>K,则利用测试照片块xj的高频信息与待选择照片块的高频信息的欧式距离将待选择照片块从T个减少为K个,使待选择照片块集合从{xj,1,xj,2,…,xj,T}变成最后再从合成训练画像块集合Ss中选择集合对应的K个画像块作为待选择画像块集合:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410818175.3A CN104517274B (zh) | 2014-12-25 | 2014-12-25 | 基于贪婪搜索的人脸画像合成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410818175.3A CN104517274B (zh) | 2014-12-25 | 2014-12-25 | 基于贪婪搜索的人脸画像合成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104517274A true CN104517274A (zh) | 2015-04-15 |
CN104517274B CN104517274B (zh) | 2017-06-16 |
Family
ID=52792524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410818175.3A Expired - Fee Related CN104517274B (zh) | 2014-12-25 | 2014-12-25 | 基于贪婪搜索的人脸画像合成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104517274B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978569A (zh) * | 2015-07-21 | 2015-10-14 | 南京大学 | 一种基于稀疏表示的增量人脸识别方法 |
CN104992185A (zh) * | 2015-07-08 | 2015-10-21 | 西安电子科技大学 | 基于超像素的人脸画像生成方法 |
CN105844605A (zh) * | 2016-03-17 | 2016-08-10 | 西安电子科技大学 | 基于自适应表示的人脸画像合成方法 |
CN106023120A (zh) * | 2016-04-12 | 2016-10-12 | 西安电子科技大学 | 基于耦合近邻索引的人脸画像合成方法 |
CN106023079A (zh) * | 2016-05-19 | 2016-10-12 | 西安电子科技大学 | 联合局部与全局特性的两阶段人脸画像生成方法 |
CN106056561A (zh) * | 2016-04-12 | 2016-10-26 | 西安电子科技大学 | 基于贝叶斯推断的人脸画像合成方法 |
CN106778811A (zh) * | 2016-11-21 | 2017-05-31 | 西安电子科技大学 | 一种图像字典生成方法、图像处理方法及装置 |
CN110503459A (zh) * | 2019-07-19 | 2019-11-26 | 平安科技(深圳)有限公司 | 基于大数据的用户信用度评估方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101169830A (zh) * | 2007-11-30 | 2008-04-30 | 西安电子科技大学 | 基于嵌入式隐马尔可夫模型和选择性集成的人脸画像自动生成方法 |
JP4183536B2 (ja) * | 2003-03-26 | 2008-11-19 | 富士フイルム株式会社 | 人物画像処理方法及び装置並びにシステム |
CN101958000A (zh) * | 2010-09-24 | 2011-01-26 | 西安电子科技大学 | 基于稀疏表示的人脸画像-照片生成方法 |
CN102110303A (zh) * | 2011-03-10 | 2011-06-29 | 西安电子科技大学 | 基于支撑向量回归的人脸伪画像\伪照片合成方法 |
CN102142137A (zh) * | 2011-03-10 | 2011-08-03 | 西安电子科技大学 | 基于高分辨率字典的稀疏表征图像超分辨重建方法 |
CN103984954A (zh) * | 2014-04-23 | 2014-08-13 | 西安电子科技大学宁波信息技术研究院 | 基于多特征融合的图像合成方法 |
-
2014
- 2014-12-25 CN CN201410818175.3A patent/CN104517274B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4183536B2 (ja) * | 2003-03-26 | 2008-11-19 | 富士フイルム株式会社 | 人物画像処理方法及び装置並びにシステム |
CN101169830A (zh) * | 2007-11-30 | 2008-04-30 | 西安电子科技大学 | 基于嵌入式隐马尔可夫模型和选择性集成的人脸画像自动生成方法 |
CN101958000A (zh) * | 2010-09-24 | 2011-01-26 | 西安电子科技大学 | 基于稀疏表示的人脸画像-照片生成方法 |
CN102110303A (zh) * | 2011-03-10 | 2011-06-29 | 西安电子科技大学 | 基于支撑向量回归的人脸伪画像\伪照片合成方法 |
CN102142137A (zh) * | 2011-03-10 | 2011-08-03 | 西安电子科技大学 | 基于高分辨率字典的稀疏表征图像超分辨重建方法 |
CN103984954A (zh) * | 2014-04-23 | 2014-08-13 | 西安电子科技大学宁波信息技术研究院 | 基于多特征融合的图像合成方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992185A (zh) * | 2015-07-08 | 2015-10-21 | 西安电子科技大学 | 基于超像素的人脸画像生成方法 |
CN104992185B (zh) * | 2015-07-08 | 2018-05-04 | 西安电子科技大学 | 基于超像素的人脸画像生成方法 |
CN104978569B (zh) * | 2015-07-21 | 2018-04-03 | 南京大学 | 一种基于稀疏表示的增量人脸识别方法 |
CN104978569A (zh) * | 2015-07-21 | 2015-10-14 | 南京大学 | 一种基于稀疏表示的增量人脸识别方法 |
CN105844605A (zh) * | 2016-03-17 | 2016-08-10 | 西安电子科技大学 | 基于自适应表示的人脸画像合成方法 |
CN105844605B (zh) * | 2016-03-17 | 2018-08-10 | 西安电子科技大学 | 基于自适应表示的人脸画像合成方法 |
CN106023120A (zh) * | 2016-04-12 | 2016-10-12 | 西安电子科技大学 | 基于耦合近邻索引的人脸画像合成方法 |
CN106056561A (zh) * | 2016-04-12 | 2016-10-26 | 西安电子科技大学 | 基于贝叶斯推断的人脸画像合成方法 |
CN106023120B (zh) * | 2016-04-12 | 2019-06-21 | 西安电子科技大学 | 基于耦合近邻索引的人脸画像合成方法 |
CN106023079A (zh) * | 2016-05-19 | 2016-10-12 | 西安电子科技大学 | 联合局部与全局特性的两阶段人脸画像生成方法 |
CN106023079B (zh) * | 2016-05-19 | 2019-05-24 | 西安电子科技大学 | 联合局部与全局特性的两阶段人脸画像生成方法 |
CN106778811A (zh) * | 2016-11-21 | 2017-05-31 | 西安电子科技大学 | 一种图像字典生成方法、图像处理方法及装置 |
CN106778811B (zh) * | 2016-11-21 | 2020-12-25 | 西安电子科技大学 | 一种图像字典生成方法、图像处理方法及装置 |
CN110503459A (zh) * | 2019-07-19 | 2019-11-26 | 平安科技(深圳)有限公司 | 基于大数据的用户信用度评估方法、装置及存储介质 |
CN110503459B (zh) * | 2019-07-19 | 2023-09-15 | 平安科技(深圳)有限公司 | 基于大数据的用户信用度评估方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104517274B (zh) | 2017-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104517274A (zh) | 基于贪婪搜索的人脸画像合成方法 | |
Li et al. | Linestofacephoto: Face photo generation from lines with conditional self-attention generative adversarial networks | |
Lee et al. | Wildnet: Learning domain generalized semantic segmentation from the wild | |
Lai et al. | Deep recurrent regression for facial landmark detection | |
CN109614979A (zh) | 一种基于选择与生成的数据增广方法及图像分类方法 | |
Fang et al. | Triple-GAN: Progressive face aging with triple translation loss | |
CN110378208B (zh) | 一种基于深度残差网络的行为识别方法 | |
CN104268593A (zh) | 一种小样本情况下多稀疏表示的人脸识别方法 | |
CN113688894B (zh) | 一种融合多粒度特征的细粒度图像分类方法 | |
Wang et al. | Describe and attend to track: Learning natural language guided structural representation and visual attention for object tracking | |
Li et al. | Facial action unit recognition under incomplete data based on multi-label learning with missing labels | |
Sun et al. | A weakly supervised method for makeup-invariant face verification | |
Shen et al. | Hierarchical Attention Based Spatial-Temporal Graph-to-Sequence Learning for Grounded Video Description. | |
Zhuang et al. | Skin lesion analysis towards melanoma detection using deep neural network ensemble | |
Ding et al. | Task-driven deep transfer learning for image classification | |
Liu et al. | APSNet: Toward adaptive point sampling for efficient 3D action recognition | |
Du et al. | Age factor removal network based on transfer learning and adversarial learning for cross-age face recognition | |
Gu et al. | Cross-modal image retrieval with deep mutual information maximization | |
Khalid et al. | DFGNN: An interpretable and generalized graph neural network for deepfakes detection | |
CN111368734A (zh) | 一种基于正常表情辅助的微表情识别方法 | |
Narvaez et al. | Painting authorship and forgery detection challenges with ai image generation algorithms: Rembrandt and 17th century dutch painters as a case study | |
CN104700380B (zh) | 基于单照片与画像对的人脸画像合成方法 | |
Liu et al. | Recent Advances of Generative Adversarial Networks | |
Zha et al. | Intensifying the consistency of pseudo label refinement for unsupervised domain adaptation person re-identification | |
CN104700439A (zh) | 基于单张目标画像的人脸画像合成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
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: 20170616 |