CN105844605B - 基于自适应表示的人脸画像合成方法 - Google Patents

基于自适应表示的人脸画像合成方法 Download PDF

Info

Publication number
CN105844605B
CN105844605B CN201610152915.3A CN201610152915A CN105844605B CN 105844605 B CN105844605 B CN 105844605B CN 201610152915 A CN201610152915 A CN 201610152915A CN 105844605 B CN105844605 B CN 105844605B
Authority
CN
China
Prior art keywords
block
photo
portrait
test
training
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
Application number
CN201610152915.3A
Other languages
English (en)
Other versions
CN105844605A (zh
Inventor
王楠楠
于昕晔
高新波
彭春蕾
李洁
査文锦
孙雷雨
张宇航
朱明瑞
曹兵
马卓奇
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.)
Shenzhen Aimo Technology Co ltd
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN201610152915.3A priority Critical patent/CN105844605B/zh
Publication of CN105844605A publication Critical patent/CN105844605A/zh
Application granted granted Critical
Publication of CN105844605B publication Critical patent/CN105844605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种基于自适应表示的人脸画像合成方法，主要解决现有方法合成画像清晰度低和细节不完整的问题。其实现步骤是：首先对数据库进行处理，将所有的图像进行图像滤波后，对图像分块并提取图像块特征，得到一个训练画像块字典和两个照片块字典；其次根据测试照片块中是否包含边缘信息或者面部特征信息选择不同的字典，寻找近邻块；最后利用马尔可夫网络模型得到待合成画像块，并对所有的待合成画像块进行融合得到合成画像。本发明与现有方法相比，合成结果具有更高的清晰度、细节更完整，可用于人脸检索与识别。

Description

基于自适应表示的人脸画像合成方法
技术领域
本发明是属于图像处理的技术领域，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，可用于刑侦破案中的人脸检索与识别。
背景技术
随着现代社会以及多媒体的发展，人们越来越多的视频影像被记录下来，如何根据已有的影像来鉴别和认证一个人的身份，已成为需要解决的问题之一，其中人脸识别具有直接、友好和方便等特点，得到了广泛的研究与应用。人脸识别技术其中一个重要应用就是协助警方刑侦破案。但是在很多情况下，一些重案的嫌疑犯的照片是很难获得的，或者得到的照片不是正面的或者光照不均匀，那么警方就可以根据现场目击证人的描述绘制出嫌疑犯的画像，之后在警方的照片数据库中进行检索与识别。由于人脸照片和画像在成像机制、形状和纹理方面都存在较大的差异，用人脸画像直接采用现有的人脸识别方法识别效果较差。针对上述问题，一共有两种方法：一种解决方案是将警方人脸数据库中的照片转化成合成画像，之后将待识别画像在合成画像数据库中进行识别；另一种方案是将待识别画像转化成合成照片，之后对其在警方的照片数据库中进行识别。目前人脸画像合成通常基于三种方法：其一，基于局部线性的人脸画像合成方法；其二，基于马尔可夫网络模型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“Q.S.Liu and X.O.Tang,A nonlinear approach for facesketch synthesis and recognition,in Proc.IEEE Int.Conference on ComputerVision,San Diego,CA,pp.1005-1010,20-26Jun.2005.”中提出了一种借助局部线性来近似全局非线性的方法将照片转化成合成画像。该方法实施方式是：首先将训练集中的照片-画像对及待变换照片划分成相同大小及相同重叠区域的图像块，对于待变换照片的每一个照片块在训练照片块中寻找它的K个近邻照片块，然后将K个照片块对应的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。但是该方法存在的不足之处是：由于近邻个数是固定的，导致合成结果存在清晰度低、细节模糊的缺陷。
Wang等人在文献“X.Wang,and X.Tang,“Face Photo-Sketch Synthesis andRecognition,”IEEE Transactions on Pattern Analysis and Machine Intelligence,31(11),1955-1967,2009”中提出了一种基于马尔可夫网络模型的人脸画像合成方法。该方法实施方式是：首先将训练集中的画像-照片对及测试照片分块，然后根据测试照片块与训练照片块之间的关系以及相邻位置的画像块之间的关系，建立马尔可夫网络模型，对每个测试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合成画像。但是该方法存在的不足之处是：由于每个照片块位置只选择一个训练画像块进行画像合成，导致合成结果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：首先采用已有方法生成合成画像或合成照片的初始估计，然后利用稀疏表示的方法合成出细节信息，最后将初始估计和细节信息进行融合。但是该方法存在的不足之处是：忽略了相邻位置的图像块之间的关系，导致合成结果存在模糊和块效应。
发明内容
本发明的目的在于克服上述现有方法的不足，提出一种基于自适应表示的人脸画像合成方法，以提高合成画像的图像质量。
实现本发明目的的技术方案包括：
1.一种基于自适应表示的人脸画像合成方法，包括如下步骤：
(1)将画像-照片对数据库划分为训练库和测试库，并从测试库中选取一张测试照片PTe；
(2)将训练库中的照片进行高斯差分滤波，并将训练库中的照片和对应的滤波图像划分为大小相同及重叠程度相同的块；PTr＝{PTr,1,PTr,2,…,PTr,i,…,PTr,N},1≤i≤N，N为块的总个数；
(3)用训练照片块以及对应的滤波图像块作为两个特征，得到第一种训练照片块字典Dp1，并对训练照片块以及对应的滤波图像块分别提取加速鲁棒特征和局部二值模式特征，用这四个特征作为第二种训练照片块字典Dp2；
(4)将训练库中的画像划分为大小相同及重叠程度相同的块STr＝{STr,1,STr,2,…,STr,i,…,STr,N}，得到训练画像块字典DS；
(5)将测试照片进行边缘检测和特征点检测，得到测试照片的边缘信息和特征点信息；
(6)将测试库中的照片进行高斯差分滤波，并将测试照片和滤波后的照片划分为大小相同及重叠程度相同的块PTe＝{PTe,1,PTe,2,…,PTe,i,…,PTe,N}，并判断每个测试照片块PTe,i是否有边缘信息或者特征点信息：
如果这个照片块包含边缘信息或者特征点信息，对测试照片块PTe,i提取加速鲁棒特征和局部二值模式特征，根据特征距离从训练照片块字典Dp2中寻找K个相近的照片块作为待选择照片块同时从训练画像块字典DS中选择与近邻照片块对应的画像块作为待选择画像块
如果这个照片块不包含边缘信息或者特征点信息，将这个测试照片块PTe,i以及对应的滤波图像块作为特征，根据特征距离从训练照片块字典Dp1中寻找K个相近的照片块作为待选择照片块同时从训练画像块字典DS中选择与近邻照片块对应的画像块作为待选择画像块
(7)利用提取的图像块特征，通过交替迭代的方法求解马尔可夫网络模型，得到每个测试照片块PTe,i的多个特征之间的权值μi＝{μi,1,μi,2,…,μi,l,…,μi,L},1≤l≤L，L为特征的总个数，同时得到每个测试照片块对应的待选择照片块的权值ωi＝{ωi,1,ωi,2,…,ωi,j,…,ωi,K}；
(8)利用步骤(6)得到的待选择画像块和步骤(7)得到的权值ωi＝{ωi,1,ωi,2,…,ωi,j,…,ωi,K}，按照下式得到每个测试照片块PTe,i对应的待合成画像块Si：
(9)迭代执行步骤(7)-(8)直至得到N块最终的待合成画像块，并将这些待合成画像块进行组合得到与测试照片对应的合成画像。
本发明与现有方法相比具有如下优点：
第一，本发明考虑了相邻位置图像块之间的关系，同时在每个块位置选择K个近邻块进行重建，使得合成结果更加清晰；
第二，本发明采用了自适应表示的方法，不同的区域使用不同的特征进行合成，用不同的特征衡量两个图像块之间的距离关系，提高了合成结果的质量并使细节更加完整。
附图说明
图1为本发明的实现流程图；
图2为用发明与现有的四种方法在CUHK student数据库上的合成画像的对比结果图。
具体实施方式
本发明的核心思想是：通过自适应表示的思想提出一种人脸画像合成方法，使不同的人脸区域用不同的特征进行合成，提高合成结果的图像质量。
参照图1，本发明的实施步骤如下：
步骤1，选取测试照片PTe。
从画像-照片N对数据库中划分出训练库和测试库，并从测试库中选取一张照片作为测试照片PTe。
步骤2，获取两个训练照片块字典Dp1和Dp2。
2a)将训练库中的照片进行高斯差分滤波：
2a1)构造两个不同尺度值σ的高斯函数：
其中，G(x,y,σ)表示在σ尺度值下的高斯函数，x、y分别表示照片中像素点对应的横、纵坐标值；
2a2)将照片分别与两个不同尺度的高斯函数进行卷积，得到两个卷积后的照片；
2a3)将两个卷积后的照片相减，得到的图像就是照片经过高斯差分滤波后的结果；
2b)将训练库中的照片和对应的滤波图像划分为相同大小及相同重叠程度的块，用训练照片块以及对应的滤波图像块作为两个特征，得到第一种训练照片块字典Dp1；
2c)对训练照片块以及对应的滤波图像块分别提取加速鲁棒特征和局部二值模式特征，用这四个特征作为第二种训练照片块字典Dp2；
所述加速鲁棒特征特征和局部二值模式特征的提取方法，分别参考文献“H.Bay,A.Ess,T.Tuytelaars,L.Gool.SURF:Speeded Up Robust Features.Computer Vision andImage Understanding,110(3):346-359,2008”与“T.Ojala,M.T.Multiresolution Gray-Scale and Rotation Invariant Texture Classification withLocal Binary Patterns.IEEE Transactions on Pattern Analysis and MachineIntelligence,24(7):971-987,2002”。
步骤3，获取训练画像块字典DS。
将训练库中的画像划分为相同大小及相同重叠程度的块，得到训练画像块字典DS。
步骤4，获取测试照片的信息。
将测试照片进行边缘检测和特征点检测，得到测试照片的边缘信息和特征点信息；
步骤5，获得待选择照片块和待选择画像块
将测试库中的照片进行高斯差分滤波，并将测试照片和滤波后的照片划分为大小相同及重叠程度相同的块PTe＝{PTe,1,PTe,2,…,PTe,i,…,PTe,N}，并判断每个测试照片块PTe,i是否有边缘信息或者特征点信息：
如果这个照片块包含边缘信息或者特征点信息，对测试照片块PTe,i提取加速鲁棒特征和局部二值模式特征，根据特征距离从训练照片块字典Dp2中寻找K个相近的照片块作为待选择照片块同时从训练画像块字典DS中选择与近邻照片块对应的画像块作为待选择画像块
如果这个照片块不包含边缘信息或者特征点信息，将这个测试照片块PTe,i以及对应的滤波图像块作为特征，根据特征距离从训练照片块字典Dp1中寻找K个相近的照片块作为待选择照片块同时从训练画像块字典DS中选择与近邻照片块对应的画像块作为待选择画像块
步骤6，求解多特征之间的权值μi和待选择照片块的权值ωi。
利用提取的图像块特征，通过交替迭代的方法求解马尔可夫网络模型，得到每个测试照片块的多个特征之间的权值μi＝{μi,1,μi,2,…,μi,l,…,μi,L},1≤l≤L，L为特征的总个数，同时得到每个测试照片块对应的待选择照片块的权值ωi＝{ωi,1,ωi,2,…,ωi,j,…,ωi,K}。
所述的通过交替迭代的方法求解步骤如下：
6a)每个测试照片块均随机初始化多个特征之间的权值和待选择照片块的初始值为ωi；
6b)根据欧氏距离公式计算待选择照片块与测试照片块的多个特征之间的欧式距离，得出测试照片块与待选择照片块之间的关系：
其中，d代表两个特征之间的距离，x1和x2分别代表两个特征向量的横坐标，y1和y2分别代表两个特征向量的纵坐标；
6c)根据6b)所述的欧氏距离公式，计算相邻位置的待选择画像块的像素值之间的欧式距离，从而得出相邻位置的待选择画像块之间的关系；
6d)将6b)和6c)的结果带入到马尔可夫模型中；
6e)利用马尔科夫模型，根据多个特征之间的初始化权值对待选择照片块的初始化权值进行优化，得到优化后的待选择照片块的权值ωi；
6f)根据马尔科夫模型以及6e)优化出来的待选择照片块的权值ωi，优化多个特征之间的初始化权值得到优化后的多个特征之间的权值μi；
6g)迭代执行6b)至6f)，直至每个测试照片块对应的待选择照片块的权值ωi不再变化或者达到预设的迭代次数，得到每个测试照片块的多个特征之间的权值μi和待选择照片块的权值ωi。
步骤7，求解待合成画像块Si。
利用步骤5得到的待选择画像块和步骤6得到的权值ωi，按照下式得到每个测试照片块对应的待合成画像块Si：
步骤8，迭代执行得到最终的合成画像。
迭代执行步骤6至步骤7直至得到所有的待合成画像块，并将得到的这些待合成画像块进行融合得到与测试照片对应的合成画像。
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Inter(R)Core(TM)i5-3470 3.20GHz、内存16G、WINDOWS7操作***上，运用美国Mathworks公司开发的MATLAB 2012b进行仿真。数据库采用香港中文大学CUHK student数据库。
2.仿真内容
实验1：照片到画像的合成
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的方法MRF、基于马尔可夫权重场的方法MWF以及基于多特征融合方法MrFSPS，在香港中文大学的CUHKstudent数据库上进行照片到画像的合成，实验结果如图2，其中：
图2(a)为原始照片；
图2(b)为基于局部线性的方法LLE合成的画像；
图2(c)为基于马尔可夫随机场的方法MRF合成的画像；
图2(d)为基于马尔可夫权重场的方法MWF合成的画像；
图2(e)为基于多特征融合方法MrFSPS合成的画像；
图2(f)为本发明方法合成的画像。
由实验1结果可见，由于本发明借助了自适应表示的思想，可以使人脸图像的不同区域使用不同的特征表示，可以更好的衡量两个图像块之间的距离关系，使得合成结果优于其他的人脸画像合成方法，验证了本发明的先进性。

Claims (3)

1.一种基于自适应表示的人脸画像合成方法，包括如下步骤：
(1)将画像-照片对数据库划分为训练库和测试库，并从测试库中选取一张测试照片；
(2)将训练库中的照片进行高斯差分滤波，并将训练库中的照片与对应的滤波图像划分为大小相同及重叠程度相同的块；PTr＝{PTr,1,PTr,2,...,PTr,i,...,PTr,N},1≤i≤N，N为块的总个数；
(3)用训练照片块以及对应的滤波图像块作为两个特征，得到第一种训练照片块字典Dp1，并对训练照片块以及对应的滤波图像块分别提取加速鲁棒特征和局部二值模式特征，用这四个特征作为第二种训练照片块字典Dp2；
(4)将训练库中的画像划分为大小相同及重叠程度相同的块STr＝{STr,1,STr,2,...,STr,i,...,STr,N}，得到训练画像块字典DS；
(5)将测试照片进行边缘检测和特征点检测，得到测试照片的边缘信息和特征点信息；
(6)将测试库中的照片进行高斯差分滤波，并将测试照片和滤波后的照片划分为大小相同及重叠程度相同的块PTe＝{PTe,1,PTe,2,...,PTe,i,...,PTe,N}，并判断每个测试照片块PTe,i是否有边缘信息或者特征点信息：
如果这个照片块包含边缘信息或者特征点信息，对测试照片块PTe,i提取加速鲁棒特征和局部二值模式特征，根据特征距离从训练照片块字典Dp2中寻找K个相近的照片块作为待选择照片块同时从训练画像块字典DS中选择与近邻照片块对应的画像块作为待选择画像块
如果这个照片块不包含边缘信息或者特征点信息，将这个测试照片块PTe,i以及对应的滤波图像块作为特征，根据特征距离从训练照片块字典Dp1中寻找K个相近的照片块作为待选择照片块同时从训练画像块字典DS中选择与近邻照片块对应的画像块作为待选择画像块
(7)利用提取的图像块特征，通过交替迭代的方法求解马尔可夫网络模型，得到每个测试照片块PTe,i的多个特征之间的权值μi＝{μi,1,μi,2,...,μi,l,...,μi,L},1≤l≤L，L为特征的总个数，同时得到每个测试照片块对应的待选择照片块的权值ωi＝{ωi,1,ωi,2,...,ωi,j,...,ωi,K}；
(8)利用步骤(6)得到的待选择画像块和步骤(7)得到的权值ωi＝{ωi,1,ωi,2,...,ωi,j,...,ωi,K}，按照下式得到每个测试照片块PTe,i对应的待合成画像块Si：
(9)迭代执行步骤(7)-(8)直至得到N块最终的待合成画像块，并将这些待合成画像块进行组合得到与测试照片对应的合成画像。
2.根据权利要求1所述的基于自适应表示的人脸画像合成方法，其特征在于，步骤(2)中对训练库中的照片进行高斯差分滤波，按如下步骤进行：
(2a)构造两个不同尺度值σ的高斯函数：
其中，G(x,y,σ)表示在σ尺度值下的高斯函数，x、y分别表示照片中像素点对应的横、纵坐标值；
(2b)将照片分别与两个不同尺度的高斯函数进行卷积，得到两个卷积后的照片；
(2c)将两个卷积后的照片相减，得到的图像就是照片经过高斯差分滤波后的结果。
3.根据权利要求1所述的基于自适应表示的人脸画像合成方法，其特征在于，步骤(7)中通过交替迭代的方法求解马尔可夫网络模型，步骤如下：
(3a)每个测试照片块PTe,i 均随机初始化多个特征之间的权值和待选择照片块的初始值为
(3b)根据待选择照片块与测试照片块的多个特征之间的距离，计算测试照片块与待选择照片块之间的关系；
(3c)根据相邻位置的待选择画像块的像素值之间的距离，计算相邻位置的待选择画像块之间的关系；
(3d)将(3b)和(3c)的结果带入到马尔可夫模型中；
(3e)利用马尔科夫模型，根据多个特征之间的初始化权值对待选择照片块的初始化权值进行优化，得到优化后的待选择照片块的权值ωi；
(3f)根据马尔科夫模型以及(3e)优化出来的待选择照片块的权值ωi，优化多个特征之间的初始化权值得到优化后的多个特征之间的权值μi；
(3g)迭代执行(3b)至(3f)，直至每个测试照片块对应的待选择照片块的权值不再变化或者达到预设的迭代次数，得到每个测试照片块的多个特征之间的权值μi和待选择照片块的权值ωi。
CN201610152915.3A 2016-03-17 2016-03-17 基于自适应表示的人脸画像合成方法 Active CN105844605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610152915.3A CN105844605B (zh) 2016-03-17 2016-03-17 基于自适应表示的人脸画像合成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610152915.3A CN105844605B (zh) 2016-03-17 2016-03-17 基于自适应表示的人脸画像合成方法

Publications (2)

Publication Number Publication Date
CN105844605A CN105844605A (zh) 2016-08-10
CN105844605B true CN105844605B (zh) 2018-08-10

Family

ID=56588264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610152915.3A Active CN105844605B (zh) 2016-03-17 2016-03-17 基于自适应表示的人脸画像合成方法

Country Status (1)

Country Link
CN (1) CN105844605B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154133B (zh) * 2018-01-10 2020-04-14 西安电子科技大学 基于非对称联合学习的人脸画像-照片识别方法
CN108932536B (zh) * 2018-07-18 2021-11-09 电子科技大学 基于深度神经网络的人脸姿态重建方法
CN110069992B (zh) * 2019-03-18 2021-02-09 西安电子科技大学 一种人脸图像合成方法、装置、电子设备及存储介质
CN111179178B (zh) * 2019-12-31 2023-06-13 深圳云天励飞技术有限公司 人脸图像拼接方法及相关产品

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279936A (zh) * 2013-06-21 2013-09-04 重庆大学 基于画像的人脸伪照片自动合成及修正方法
CN104517274A (zh) * 2014-12-25 2015-04-15 西安电子科技大学 基于贪婪搜索的人脸画像合成方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279936A (zh) * 2013-06-21 2013-09-04 重庆大学 基于画像的人脸伪照片自动合成及修正方法
CN104517274A (zh) * 2014-12-25 2015-04-15 西安电子科技大学 基于贪婪搜索的人脸画像合成方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Face Sketch–Photo Synthesis and Retrieval Using Sparse Representation;Xinbo Gao等;《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》;20120831;第22卷(第8期);第1213-1226页 *
Face Sketch-photo Synthesis under Multi-dictionary Sparse Representation Framework;Nannan Wang等;《2011 Sixth International Conference on Image and Graphics》;20111231;第82-87页 *
Robust Face Sketch Style Synthesis;Shengchuan Zhang等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20160131;第25卷(第1期);第220-232页 *
基于人脸画像的伪照片合成及修正;李伟红;《光学精密工程》;20140531;第２２卷(第５期);第1371-1378页 *
基于局部约束邻域嵌入的人脸画像-照片合成;胡彦婷;《计算机应用》;20151231;第35卷(第2期);第535-539页 *

Also Published As

Publication number Publication date
CN105844605A (zh) 2016-08-10

Similar Documents

Publication Publication Date Title
Walia et al. Digital image forgery detection: a systematic scrutiny
Chen et al. Facial expression recognition in video with multiple feature fusion
Cho et al. A probabilistic image jigsaw puzzle solver
Li et al. Linestofacephoto: Face photo generation from lines with conditional self-attention generative adversarial networks
Güçlütürk et al. Convolutional sketch inversion
CN105844605B (zh) 基于自适应表示的人脸画像合成方法
CN103544504B (zh) 一种基于多尺度图匹配核的场景字符识别方法
CN104794479B (zh) 基于局部笔画宽度变换的自然场景图片中文本检测方法
CN108154133B (zh) 基于非对称联合学习的人脸画像-照片识别方法
CN106980825B (zh) 一种基于归一化像素差特征的人脸姿势分类方法
CN103984954B (zh) 基于多特征融合的图像合成方法
WO2023165616A1 (zh) 图像模型隐蔽后门的检测方法及***、存储介质、终端
CN112017162B (zh) 病理图像处理方法、装置、存储介质和处理器
Gangan et al. Distinguishing natural and computer generated images using Multi-Colorspace fused EfficientNet
De Las Heras et al. Use case visual bag-of-words techniques for camera based identity document classification
CN115240280A (zh) 人脸活体检测分类模型的构建方法、检测分类方法及装置
das Neves et al. HU‐PageScan: a fully convolutional neural network for document page crop
Shivakumara et al. A new RGB based fusion for forged IMEI number detection in mobile images
Zhu et al. BDGAN: Image blind denoising using generative adversarial networks
CN105869134B (zh) 基于方向图模型的人脸画像合成方法
Satwashil et al. Integrated natural scene text localization and recognition
CN102110303B (zh) 基于支撑向量回归的人脸伪照片合成方法
Sharrma et al. Vision based static hand gesture recognition techniques
CN109685076A (zh) 一种基于sift和稀疏编码的图像识别方法
CN106023120B (zh) 基于耦合近邻索引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
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220712

Address after: 518057 2304, block a, building 2, Shenzhen International Innovation Valley, Dashi 1st Road, Xili community, Xili street, Nanshan District, Shenzhen, Guangdong Province

Patentee after: SHENZHEN AIMO TECHNOLOGY Co.,Ltd.

Address before: 710071 No. 2 Taibai South Road, Shaanxi, Xi'an

Patentee before: XIDIAN University