CN104598888B - 一种人脸性别的识别方法 - Google Patents
一种人脸性别的识别方法 Download PDFInfo
- Publication number
- CN104598888B CN104598888B CN201510045379.2A CN201510045379A CN104598888B CN 104598888 B CN104598888 B CN 104598888B CN 201510045379 A CN201510045379 A CN 201510045379A CN 104598888 B CN104598888 B CN 104598888B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msubsup
- face
- face 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000009466 transformation Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000007430 reference method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000001815 facial effect Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 5
- 210000000887 face Anatomy 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 210000001508 eye Anatomy 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000004709 eyebrow Anatomy 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
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
- G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人脸识别技术领域,特别涉及一种人脸性别的识别方法,其依次包括以下步骤:获取人脸图像;检测该人脸图像是否包含人脸;将该人脸图像转换成关于像素点的灰度直方图;计算适量特征;将其转换成向靠近基函数内核;通过效用函数计算出该人脸图像的对象性别判别值。本发明的识别方法赋予计算机判别人脸图像中的对象性别的能力,实现自动化智能管理。
Description
技术领域
本发明涉及人脸识别技术领域,特别涉及一种人脸性别的识别方法。
背景技术
随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求,生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性,并且具有很强的自身稳定性及个体差异性,生物特征成为自动身份验证的最理想依据。当前的生物特征识别技术主要包括有:指纹识别、视网膜识别、虹膜识别、步态识别、静脉识别、人脸识别等。与其他识别方法相比,人脸识别由于本身具有直接、友好、方便的特点,使用者对其无任何心理障碍,因此易于被用户所接受,从而得到广泛的研究与应用。除此之外,还能够对人脸识别的结果作进一步的分析,得到有关人的性别、表情、年龄等诸多额外的丰富信息,扩展了人脸识别的应用前景。而人脸是重要的生物特征之一,人脸图像上蕴含了大量的信息,例如性别、年龄人种、身份等。其中,人脸的性别识别功能就是试图赋予计算机根据输入的人脸图像,判断使用者性别的能力。人机交互技术(HCI)的发展使得计算机视觉、人工智能,在监控、GUI人机界面设计等方面发挥越来越重要的作用。随着技术的进步,基于人脸图像模式识别的问题逐渐成为近年来研究的热点。其中包括人脸检测、人脸身份识别、人脸属性(性别、年龄、表情、种族等)识别等各类识别问题。基于人脸的性别分类就是使得计算机能够根据输入的人脸图像判断其性别的过程。人脸的性别识别似乎是人们“与生俱来”的能力,但让计算机进行识别并不容易,即使有大量来自计算机视觉、模式识别、人工智能、心理学等各个领域的研究人员的努力。
中国专利申请CN 101344916公开了一种人脸识别***,其包括视频输入接口,与人脸图像数据采集单元连接在一起,用于接收人脸图像数据;人脸识别运算处理器,用于对接收到的人脸图像数据进行处理,完成识别工作;微处理器单元,与所述人脸识别运算处理器连接在一起,用于负责与各种应用设备进行通信。
中国专利申请CN 102831408A公开了一种人脸识别方法,其包括以下步骤:S1判断检测视频序列中是否存在用户设定的特定手势;若是,进行S2;否则,重复步骤S1;S2检测视频区间内是否有用户人脸,若是,进行步骤S3,否则重复步骤S2;S3对检测到的用户人脸进行实时跟踪;S4对用户人脸图像提取光照不敏感特征;S5模拟用户姿势变化规律;S6人脸识别过程,判断待识别人脸图像与人脸库中的样本是否同属一个人,若是,识别过程结束,***执行用户操作;若否,进行步骤S7;S7询问用户是否是第一次使用***;若是,新建样本库,若否,询问用户是否更替样本库,若是,将该用户人脸图像代替人脸库中的原有样本,否则结束操作。
从现有技术中,还可以了解到:中国专利申请CN 103729625 A公开了一种人脸识别的方法,以及中国专利申请CN 103761504 A公开了一种人脸识别***。
然而,上述现有技术仅能够提供一种人脸识别的***或方法,并不能进一步利用人脸图像数据,提供更详细的分析处理,例如对用户的性别、皮肤、人脸特征相似度、以及年龄等的分析功能,以迎合用户的特定需求。
发明内容
为克服现有技术的不足,本发明提供一种人脸性别的识别方法,其特别之处在于依次包括以下步骤:
S1使用摄像装置获取人脸图像;
S2检测该人脸图像是否包含人脸,并且当确定该人脸图像包含人脸时,跳转步骤S3;
S3对该人脸图像执行光照处理,将该人脸图像转换成关于像素点的灰度直方图,其中该转换的计算公式为:
其中,f(x,y)为输入人脸图像的像素点元素数据,g(x,y)为输出人脸图像的像素点元素数据,a、b1、c是调整曲线的位置和形状而引入的参数;
S4对所述灰度直方图进行色彩空间变换,并转换为HSV数据形式,统一其图像模型的像素为N×N;
S5利用该人脸图像的各个像素点的数据,计算一特征矢量:
其中,为系数矩阵,为HSV像素矩阵;
S6利用基函数内核,将所述特征矢量进行转换:
S7将转换后的该特征矢量输入到预设分类器中,然后通过以下的效用函数,计算出该人脸图像的对象性别判别值:
并将所述对象性别判别值与数据库中的已确定性别的对象性别判别值进行一对一映射匹配,从而判断所述人脸图像的性别。
根据本发明的一个实施例,该步骤S2利用网络神经法、特征基准法或色度基准法来检测该人脸图像是否包含人脸。
根据本发明的一个实施例,该步骤S7中奖转换后的该特征矢量按照以下规则输入到分类器中:
根据本发明的一个实施例,在实施该识别方法之前,首先建立包含各种足够数量的彩色图像数据库,该数据库包括三个独立的图像集,即运行、验证以及测试。
通过上述技术方案,根据本发明的人脸性别的识别方法能够实现以下技术效果:
(1)赋予计算机判别人脸图像中的对象性别的能力;
(2)实现自动化智能管理。
附图说明
图1示出了根据本发明实施例的判别性别的方法流程图。
具体实施方式
下面将结合附图以及具体实施方法来详细说明本发明,在本发明的示意性实施及说明用来解释本发明,但并不作为对本发明的限定。
在实施根据本发明实施例的识别方法之前,可以预先建立各种足够数量的彩色图像数据库。为了验证本识别方法的有效性,可以采用结合FERET数据库的自定义数据库。FERET数据库是进行人脸的别任务中最常用的图像数据库,但是其包含的不同个体的人脸数量不足以支持本识别方法,因此还需要收集并建立自有的图像数据库。通过AdaBoost人脸检测算法自动检测从数据库中提取出的人脸图像面孔,然后将错误的检测进行手动移除,并且将所得的数据集包括10/500图像片段(例如,其中5/250用于各个类别)。该数据集被分成三个独立的图像集:运行、验证和测试,其中,运行集用于生成特征和SVM分类器的构建,验证集用于验证以避免过度运行的内核函数最优参数,在选择过程中的选择效果,测试机用于将运行的分类器的性能进行评价以及使用。
如图1所示,在通过摄像装置获得人脸图像之后,首先对所获得的图像进行预处理,包括确认人脸、面部预处理。
在本实施例中,确认人脸的方法可包括:网络神经法(Neural Network)、特征基准法(Feature-based)及色度基准法(Color-based)的方法。其中,网络神经法是使用许多的训练集数据(Training Data)去训练网络神经,这些数据一部份是脸部的、一部份是非脸部的,使***能够辨识出包含人脸的影像。特征基准法是利用人脸部的一些特征来侦测人脸,例如:人脸上的眼睛、鼻子、嘴巴,而这些器官都有固定的相对位置;并且就整张脸而言,大概是呈椭圆形,而脸和背景之间会有大致的边缘线,等等,这些特征均可供***侦测出人脸。而色度基准法则是利用人脸部的颜色来判断某影像是否包含人脸:众所周知,人脸的颜色通常包括例如橘黄、黄、白、褐、深褐色等颜色;若影像是灰阶的,人脸的灰阶颜色的变化并不会太大,而眼睛、嘴巴、头发是较黑的部份;由此,根据眼睛、眉毛、嘴巴、鼻子等器官的特征以及相互之间的几何位置关系,可以检测到人脸。
检测到该影像中包含人脸之后,通常需要对该图像进行预处理,这是因为待处理的人脸图像经常存在光照不均匀的问题,而这会直接影响到人脸的特征提取精度,因此对输入的图像必须进行光照处理以改善图像质量。一般地,灰度直方图可用于表示数字图像中每一个灰度级与其出现的频率之间的统计关系。对于偏暗、偏亮、亮度范围不足或对比度不足的图像进行直方图规定化,可以使得输入图像的直方图分布变换成近似特定的直方图。变换函数可以选用例如高斯、瑞利、对数、指数等形式的函数。在本实施例中采用对数变换形式:
式中,f(x,y)为输入图像,g(x,y)为输出图像,a、b1、c是调整曲线的位置和形状而引入的参数。通过这种变换可以使图像低灰度范围得以扩展,高灰度范围能够被压缩,图像的灰度分布趋于均匀。对灰度变换后的图像再进行例如3×3的中值滤波,去除图像中引入的噪声信息,以改善图像质量。
完成面部预处理步骤之后,执行线性判别。线性判别是基于样本类别进行降维的方法,在模式识别上有着广泛的应用。该方法具体地需要找到一个(或一组)投影轴,使得样本投影到该空间后能在保证方差最小的情况下,将不同类型的样本很好地分开。其中,可以将度量类别均值之间差别的量称为类间散度矩阵,而度量这些均值周围方差的量称为类内散度矩阵。判别的目标是寻找这样一个(或一组)投影轴,能够在最小化类内散度的同时最大化类间散度。
本识别方法致力于能够通过分析数字图像中的对象人脸,以区分对象的性别。这样的***可以应用于不同的领域,例如机器人、人机交互、人口统计数据采集、视频监控、在线受众测量的数字标牌网络和许多其他应用程序等。此外,性别的判别可以用于人脸识别的预处理步骤。在机器学习技术中使用性别分类具有普遍性,其允许将性别认同的解决方案和知识应用到任何其他图像理解或物体分类任务中。
本识别方法作为一种新的性别判别方法,是由于其基于非线性支持向量机(Support Vector Machine)分类器的RBF内核,其中SVM是一种监督学习的方法,能够广泛地应用于统计分类以及回归分析。SVM属于一般化线性分类器,也可认为是提克洛夫规范化(Tikhonov Regularization)方法的一个特例。这种分类器的特点是能够同时最小化经验误差并最大化几何边缘区域,因此SVM也被称为最大边缘区域分类器。SVM从图像片段中提取信息,并将这些信息移动到一个较低维度的特征空间中,这是由优化程序装置根据线性判别分析(LDA原理)的自适应特征所生成的算法。为构造全自动的面部分析***,性别的判别将会用于AdaBoost的人脸检测分类器,并且用于选择候选的分析连接。然后,对检测到的图像片段进行预处理,以调整其亮度特性,并把其变换为统一的尺度。
提取人脸特征/图像片段之后,使用根据本发明实施例的方法以获得所需的判别值,包括:计算适量特征、将其转换成向靠近基函数内核、通过效用函数计算出该人脸图像的对象性别判别值。
在本实施例中,对预处理后的人脸图像数据进行色彩空间变换,并/或进行图像缩放,并且以自适应功能集进行计算从而进行SVM分类,以得到初步的内核转型。然后,将输入的人脸图像数据从三色平面(R、G、B)数据形式转换为HSV数据形式。更进一步地,将该转换后的人脸图像数据统一规范为例如N×N的格式模型。
在本实施例中,利用变换后的人脸图像各个像素点的数据,计算一特征矢量:
其中,为系数矩阵,i、j分别表示该灰度直方图的各个像素点的行和列,上述计算公式表示将各个像素点的行/列元素与系数矩阵相乘。
在本实施例中,利用基函数内核,将所述特征矢量进行转换:
在本实施例中,通过内核转换以后,所得到的特征矢量作为输入数据,输入到线性SVM分类器中,其中该输入规则为:
在以上的公式中,得到上述的特征矢量以后,并且在辅助数据的支持下,其中该辅助数据包括一组特征因子{Xi}、辅助参数组{yi},{αi}、以及偏差值b,将这些辅助数据与特征矢量一并进行运算,通过效用函数:
其中,效用函数F计算作为特征/判别值的平均值平方,即上文所述的对象性别判别值,得出特征/判别值的平均值平方后,与数据库中预先判别好性别的人脸进行同样的运算得出的特征/判别值的平均值平方组进行一对一映射匹配,如则可知对应的特征/判别值的平均值平方所代表的性别为男或女。
以上对本发明实施例所提供的技术方案进行了详细介绍,本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述,以上实施例的说明只适用于帮助理解本发明实施例的原理;同时,对于本领域的一般技术人员,依据本发明实施例,在具体实施方式以及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (3)
1.一种人脸性别的识别方法,其特征在于,依次包括以下步骤:
S1、使用摄像装置获取人脸图像;
S2、检测所述人脸图像是否包含人脸,并且当确定所述人脸图像包含人脸时,跳转步骤S3;
S3、对所述人脸图像执行光照处理,利用直方图规定化对所述人脸图像进行转换,其中所述转换的计算公式为:
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>a</mi>
<mo>+</mo>
<mfrac>
<mrow>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>b</mi>
<mn>1</mn>
<mi>ln</mi>
<mi> </mi>
<mi>c</mi>
</mrow>
</mfrac>
</mrow>
其中,f(x,y)为输入人脸图像的像素点元素数据,g(x,y)为输出人脸图像的像素点元素数据,a、b1、c是调整曲线的位置和形状而引入的参数;
S4、对所述输出人脸图像进行色彩空间变换以及缩放,并转换为HSV数据形式,统一其图像模型的像素为N×N;
S5、利用转换后的人脸图像各个像素点的数据,计算一特征矢量:
<mrow>
<msubsup>
<mi>AF</mi>
<mi>i</mi>
<mrow>
<mi>H</mi>
<mi>S</mi>
<mi>V</mi>
</mrow>
</msubsup>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>N</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>N</mi>
</munder>
<msubsup>
<mi>A</mi>
<mrow>
<mi>N</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
<mrow>
<mi>H</mi>
<mi>S</mi>
<mi>V</mi>
</mrow>
</msubsup>
<mo>.</mo>
<mo>&times;</mo>
<msubsup>
<mi>C</mi>
<mi>i</mi>
<mrow>
<mi>H</mi>
<mi>S</mi>
<mi>V</mi>
</mrow>
</msubsup>
</mrow>
其中,为系数矩阵,为HSV像素矩阵;
S6、利用基函数内核,将所述特征矢量进行转换:
<mrow>
<mi>k</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>z</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>C</mi>
<mi> </mi>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>-</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>z</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>z</mi>
<mn>2</mn>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<msubsup>
<mi>&sigma;</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
S7、将转换后的所述特征矢量按照以下规则输入到预设分类器中,
i、j表示该灰度直方图的各个像素点的行和列;
然后通过以下的效用函数,计算出所述人脸图像的对象性别判别值:
<mrow>
<mi>F</mi>
<mo>=</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mo><</mo>
<msub>
<mrow>
<mo>{</mo>
<msubsup>
<mi>AF</mi>
<mi>i</mi>
<mrow>
<mi>H</mi>
<mi>S</mi>
<mi>V</mi>
</mrow>
</msubsup>
<mo>}</mo>
</mrow>
<mi>M</mi>
</msub>
<mo>></mo>
<mo>-</mo>
<mo><</mo>
<msub>
<mrow>
<mo>{</mo>
<msubsup>
<mi>AF</mi>
<mi>i</mi>
<mrow>
<mi>H</mi>
<mi>S</mi>
<mi>V</mi>
</mrow>
</msubsup>
<mo>}</mo>
</mrow>
<mi>F</mi>
</msub>
<mo>></mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<msub>
<mi>&sigma;</mi>
<mn>2</mn>
</msub>
<msub>
<mrow>
<mo>{</mo>
<msubsup>
<mi>AF</mi>
<mi>i</mi>
<mrow>
<mi>H</mi>
<mi>S</mi>
<mi>V</mi>
</mrow>
</msubsup>
<mo>}</mo>
</mrow>
<mi>M</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&sigma;</mi>
<mn>2</mn>
</msub>
<msub>
<mrow>
<mo>{</mo>
<msubsup>
<mi>AF</mi>
<mi>i</mi>
<mrow>
<mi>H</mi>
<mi>S</mi>
<mi>V</mi>
</mrow>
</msubsup>
<mo>}</mo>
</mrow>
<mi>F</mi>
</msub>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
并将所述对象性别判别值与数据库中的已确定性别的对象性别判别值进行一对一映射匹配,从而判断所述人脸图像的性别。
2.根据权利要求1所述的识别方法,其特征在于,所述步骤S2利用网络神经法、特征基准法或色度基准法来检测所述人脸图像是否包含人脸。
3.根据权利要求1所述的识别方法,其特征在于,在实施所述识别方法之前,首先建立包含各种足够数量的彩色图像数据库,所述数据库包括三个独立的图像集,即运行集、验证集以及测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510045379.2A CN104598888B (zh) | 2015-01-28 | 2015-01-28 | 一种人脸性别的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510045379.2A CN104598888B (zh) | 2015-01-28 | 2015-01-28 | 一种人脸性别的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104598888A CN104598888A (zh) | 2015-05-06 |
CN104598888B true CN104598888B (zh) | 2018-04-24 |
Family
ID=53124661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510045379.2A Active CN104598888B (zh) | 2015-01-28 | 2015-01-28 | 一种人脸性别的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104598888B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069400B (zh) * | 2015-07-16 | 2018-05-25 | 北京工业大学 | 基于栈式稀疏自编码的人脸图像性别识别*** |
CN105023006B (zh) * | 2015-08-05 | 2018-05-04 | 西安电子科技大学 | 基于增强型非参数最大边缘准则的人脸识别方法 |
CN106469289A (zh) * | 2015-08-16 | 2017-03-01 | 联芯科技有限公司 | 人脸图像性别检测方法及*** |
CN105234940A (zh) * | 2015-10-23 | 2016-01-13 | 上海思依暄机器人科技有限公司 | 机器人及其控制方法 |
CN105975897A (zh) * | 2015-12-14 | 2016-09-28 | 乐视网信息技术(北京)股份有限公司 | 图片的人脸性别识别方法及*** |
CN109190495B (zh) * | 2018-08-09 | 2020-10-30 | 北京地平线机器人技术研发有限公司 | 性别识别方法、装置及电子设备 |
CN111046708A (zh) * | 2018-10-15 | 2020-04-21 | 天津大学青岛海洋技术研究院 | 基于Wasserstein距离的人脸性别判别算法 |
WO2021056531A1 (zh) * | 2019-09-29 | 2021-04-01 | 京东方科技集团股份有限公司 | 人脸性别识别方法、人脸性别分类器的训练方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8027521B1 (en) * | 2008-03-25 | 2011-09-27 | Videomining Corporation | Method and system for robust human gender recognition using facial feature localization |
CN102902986A (zh) * | 2012-06-13 | 2013-01-30 | 上海汇纳网络信息科技有限公司 | 自动性别识别***及方法 |
CN104036247A (zh) * | 2014-06-11 | 2014-09-10 | 杭州巨峰科技有限公司 | 基于脸部特征的人脸种族分类方法 |
CN104036291A (zh) * | 2014-06-11 | 2014-09-10 | 杭州巨峰科技有限公司 | 基于人种分类的多特征性别判断方法 |
-
2015
- 2015-01-28 CN CN201510045379.2A patent/CN104598888B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8027521B1 (en) * | 2008-03-25 | 2011-09-27 | Videomining Corporation | Method and system for robust human gender recognition using facial feature localization |
CN102902986A (zh) * | 2012-06-13 | 2013-01-30 | 上海汇纳网络信息科技有限公司 | 自动性别识别***及方法 |
CN104036247A (zh) * | 2014-06-11 | 2014-09-10 | 杭州巨峰科技有限公司 | 基于脸部特征的人脸种族分类方法 |
CN104036291A (zh) * | 2014-06-11 | 2014-09-10 | 杭州巨峰科技有限公司 | 基于人种分类的多特征性别判断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104598888A (zh) | 2015-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104598888B (zh) | 一种人脸性别的识别方法 | |
Han et al. | Demographic estimation from face images: Human vs. machine performance | |
Shan | Smile detection by boosting pixel differences | |
CN104732200B (zh) | 一种皮肤类型和皮肤问题的识别方法 | |
CN109389074B (zh) | 一种基于人脸特征点提取的表情识别方法 | |
CN104077579B (zh) | 基于专家***的人脸表情图像识别方法 | |
KR20080033486A (ko) | 서포트 벡터 머신 및 얼굴 인식에 기초한 자동 생체 식별 | |
CN103839042B (zh) | 人脸识别方法和人脸识别*** | |
Zhang et al. | On the effectiveness of soft biometrics for increasing face verification rates | |
Kobayashi et al. | Three-way auto-correlation approach to motion recognition | |
CN111666845B (zh) | 基于关键帧采样的小样本深度学习多模态手语识别方法 | |
CN109325408A (zh) | 一种手势判断方法及存储介质 | |
CN105335691A (zh) | 笑脸识别鼓励*** | |
CN110598574A (zh) | 智能人脸监控识别方法及*** | |
Wati et al. | Security of facial biometric authentication for attendance system | |
Aslam et al. | Gender classification based on isolated facial features and foggy faces using jointly trained deep convolutional neural network | |
Montazeri et al. | Automatic extraction of eye field from a gray intensity image using intensity filtering and hybrid projection function | |
Silva et al. | POEM-based facial expression recognition, a new approach | |
CN104615985B (zh) | 一种人脸相似度的识别方法 | |
Jindal et al. | Sign Language Detection using Convolutional Neural Network (CNN) | |
Oz et al. | Efficacy of biophysiological measurements at FTFPs for facial expression classification: A validation | |
Karungaru et al. | Face recognition in colour images using neural networks and genetic algorithms | |
Jan | Deep learning based facial expression recognition and its applications | |
CN111428670B (zh) | 人脸检测方法、装置、存储介质及设备 | |
Montazeri et al. | Automatically eye detection with different gray intensity image conditions |
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 |