CN105868716B - 一种基于面部几何特征的人脸识别方法 - Google Patents
一种基于面部几何特征的人脸识别方法 Download PDFInfo
- Publication number
- CN105868716B CN105868716B CN201610187618.2A CN201610187618A CN105868716B CN 105868716 B CN105868716 B CN 105868716B CN 201610187618 A CN201610187618 A CN 201610187618A CN 105868716 B CN105868716 B CN 105868716B
- Authority
- CN
- China
- Prior art keywords
- face
- point
- feature
- 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.)
- Active
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
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供一种基于面部几何特征的人脸识别方法,包括人脸特征点检测、构造几何特征、人脸数据库分类以及人脸识别。本发明基于人脸检测和人脸识别技术,对人脸特征点检测方法和人脸识别中使用的几何特征进行改进,基于主动形状模型和弹性图束匹配算法相结合的特征点检测,以及简易精确的面部几何特征的,保证了人脸识别***的实时性和准确率。本发明将大型数据库中的数据分解为若干带有标签的子数据库,该标签由选取的分类几何特征决定。对于输入的待测图像,只需将其分类几何特征与各子数据库标签比较,就可以缩小要匹配的数据规模,使的人脸识别的效率大大提高。
Description
技术领域
本发明涉及一种人脸识别技术,特别是涉及一种基于面部几何特征的人脸识别方法。
背景技术
人脸识别技术是通过检测图像中的人脸目标对象,利用目标对象中的人脸图像特征信息进行身份鉴定的模式识别技术,近年来随着政府机关,企业和对个人信息安全的关注和重视,人脸识别技术的应用也逐渐走进了普通人的生活中,越来越多的科技创新企业也投入了大量资源参与到人脸识别的研发大军中,例如阿里巴巴推出的人脸识别完成支付验证。相比较传统的模式识别技术,人脸识别具有不接触性,隐蔽性等优点,显著提高了身份验证的效率,但与此同时图像成像过程中不可避免的会加入光照,姿态等因素的影响,导致识别的准确率下降,所以人脸识别的精度仍然有待提高。
ASM(主动形状模型)是建立在PDM(点分布模型)的基础上,通过训练图像样本获取训练图像样本的特征点分布的统计信息,并且获取特征点允许存在的变化方向,实现在目标图像上寻找对应的特征点的位置。训练样本需要手动的标记所有的特征点的位置,记录特征点的坐标,并且计算每一个特征点对应的局部灰度模型作为局部特征点调整用的特征向量。在将训练好的模型放在目标图像上,寻找每一个特征点的下一个位置的时候,采用局部灰度模型寻找在当前特征点指定方向上局部灰度模型马氏距离最小的特征点作为当前特征点即将移动到的位置,称为suggested point,找到所有的suggested points就可以获得一个搜索的suggested shape,然后将当前的模型通过调整参数使得当前的模型最可能相似的调整到suggest shape,重复迭代直到实现收敛。
弹性图束匹配算法采用标号图来表示人脸图像,标号图的节点用一组描述人脸局部特征的二维Gabor小波变换系数来表示;标号图的边用描述相邻两个节点向对应位置的度量信息来表示。通过不同的人脸图像的标号图之间的匹配来实现人脸对应部位的局部特征之间联系,从而能够对人脸图像解进行比较和分类识别,进而对图中的每个节点位置进行最佳匹配。
针对自然环境中影响识别率的外部条件,现有的人脸识别算法主要集中在基于模板的方法和基于统计的方法。基于模板的算法对关照,旋转变化比较敏感,当模板与检测对象之间比例,旋转和光照一致时,才能取得较好的效果,同时在规模较大的数据库中效率也会明显降低。而基于统计的识别算法在目标对象的角度发生变化时,识别精度也会急剧下降。同时两种方法都是以人脸整体进行特征提取,数据量大,计算速度慢,导致***的实时性效果不够理想。
鉴于以上所述,提供一种能够解决大规模人脸数据库中用户的身份认证,确保人脸识别***的实时性和准确性要求的人脸识别方法实属必要。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于面部几何特征的人脸识别方法,用于解决现有技术中模版匹配方法和统计学习方法都存在识别精度和实时性不足的问题。
为实现上述目的及其他相关目的,本发明提供一种基于面部几何特征的人脸识别方法,包括步骤:步骤1),利用主动形状模型与弹性图束匹配算法结合的方法在人脸数据库中训练人脸检测模型;步骤2),选取特定的特征点,为人脸图像库中的每张人脸构建人脸几何特征集合;步骤3),在人脸几何特征集合中选取特定的分类几何特征,将人脸图像库分解为若干子人脸图像库;步骤4),利用步骤1)中的人脸检测模型,匹配待测人脸图像中的关键特征点,构建待测图像中的人脸几何特征,同时依据分类几何特征,在子人脸图像库中找到待测图像所在的最近邻子人脸图像库;步骤5),计算几何特征分量的权值;步骤6),通过相似度函数,计算待测图像中人脸几何特征向量与其所在的人脸图像子库的人脸特征向量的相似程度,若相似程度高于阈值,则判断为同一个人,若相似度程度低于阈值,则判断为不同的人。
作为本发明的基于面部几何特征的人脸识别方法的一种优选方案,步骤1)中,主动形状模型与弹性图束匹配算法结合的方法包括:所述主动形状模型的特征采用一组描述人脸局部特征的二维Gabor小波变换系数来表示,即关键特征点处的像素与不同方向和频率的Gabor核卷积后的系数集合,其描述图像给定像素周围的一小块灰度值;通过所述主动形状模型与弹性图束匹配算法结合的方法匹配待测图像获得人脸面部器官轮廓关键特征点。
作为本发明的基于面部几何特征的人脸识别方法的一种优选方案,步骤2)中,所述特定的特征点包括:眼高处及嘴高处脸轮廓的两个边界点,左右眉毛各两个关键点,左右眼睛的两个眼角点及最高点、最低点,各个鼻翼两边界点,鼻子最低点,上嘴唇上边界三个关键点下边界三个关键点,下嘴唇下边界一个关键点,嘴角两个关键点以及脸颊底部三分之一处的两个关键点。
作为本发明的基于面部几何特征的人脸识别方法的一种优选方案,步骤2)中,人脸几何特征的构建包括:基于两眉中点到下巴的距离建立垂直方向的基准距离,基于左右外眼角水平高处的距离建立水平方向的基准距离,利用基准距离,计算比例特征分量,以此构造几何特征向量,并对构造的几何特征向量的归一化处理。
作为本发明的基于面部几何特征的人脸识别方法的一种优选方案,步骤3)中,根据不同人脸,不同环境下变化大的分类几何特征,将人脸图像库中的数据分解为若干带有标签的子人脸图像库,所述标签由选取的分类几何特征决定,对于输入的待测图像,只需将其分类几何特征与各子人脸图像库的标签比较。
作为本发明的基于面部几何特征的人脸识别方法的一种优选方案,步骤5)中,采用20个人每人3张不同姿态的图像组成训练集进行权值训练,首先对每个特征给出3-5个合理的权值,然后对每个人的3张不同姿态的图像计算相似度,取使得同一个人不同姿态图像相似度最高的值为几何特征分量的最终权值。
如上所述,本发明的基于面部几何特征的人脸识别方法,具有以下有益效果:本发明基于人脸检测和人脸识别技术,对人脸特征点检测方法和人脸识别中使用的几何特征进行改进,基于主动形状模型和弹性图束匹配算法相结合的特征点检测,以及简易精确的面部几何特征的,保证了人脸识别***的实时性和准确率。本发明将大型人脸数据库做分类处理,根据不同人脸,不同环境下变化大的分类几何特征,将大型数据库中的数据分解为若干带有标签的子数据库,该标签由选取的分类几何特征决定。对于输入的待测图像,只需将其分类几何特征与各子数据库标签比较,就可以缩小要匹配的数据规模,使的人脸识别的效率大大提高。
附图说明
图1显示为本发明的基于面部几何特征的人脸识别方法的流程示意图。
图2显示为本发明的基于面部几何特征的人脸识别方法中,人脸关键点检测与几何特征点构建的流程示意图。
元件标号说明
S11~S19 步骤
S121~S128 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1~图2。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图1及图2所示,本实施例提供一种基于面部几何特征的人脸识别方法,包括步骤:
首先进行步骤1),利用主动形状模型与弹性图束匹配算法结合的方法在人脸数据库中训练人脸检测模型。
作为示例,步骤1)中,主动形状模型与弹性图束匹配算法结合的方法包括:所述主动形状模型的特征采用一组描述人脸局部特征的二维Gabor小波变换系数来表示,即关键特征点处的像素与不同方向和频率的Gabor核卷积后的系数集合,其描述图像给定像素周围的一小块灰度值;通过所述主动形状模型与弹性图束匹配算法结合的方法匹配待测图像获得人脸面部器官轮廓关键特征点。
如图1所示,然后进行步骤2),选取特定的特征点,为人脸图像库中的每张人脸构建人脸几何特征集合;
作为示例,步骤2)包括:
步骤S11,首先进行人脸轮廓特征点提取,需要对检测到的特征点进行选取,去除一些对识别贡献很小的特征信息。特征点的选取要求包括:以尽可能少的特征点保证足够的信息来反映人脸识别中最重要的特征;所选的特征点构成的几何特征应该尽可能简单;对光照的依赖性小;对人脸的表情变化不太敏感;在不同人脸上变化幅度较大。根据这些要求从提取的特征点中选取适用于人脸识别的28个特征点,所述特定的特征点包括:眼高处及嘴高处脸轮廓的两个边界点,左右眉毛各两个关键点,左右眼睛的两个眼角点及最高点、最低点,各个鼻翼两边界点,鼻子最低点,上嘴唇上边界三个关键点下边界三个关键点,下嘴唇下边界一个关键点,嘴角两个关键点以及脸颊底部三分之一处的两个关键点。
步骤S12,构造人脸几何特征向量:基于两眉中点到下巴的距离建立垂直方向的基准距离,基于左右外眼角水平高处的距离建立水平方向的基准距离,利用基准距离,计算比例特征分量,以此构造几何特征向量,并对构造的几何特征向量的归一化处理。
如图2所示,更具体地,人脸关键点检测与几何特征点构建步骤包括:
步骤S121,标定图像库中面部轮廓点;
步骤S122,利用主动形状模型与弹性图束匹配算法结合的方法在人脸数据库中训练人脸检测模型;
步骤S123,输入待检测图像;
步骤S124,基于人脸检测模型进行人脸面部轮廓点检测;
步骤S125,从人脸面部轮廓点中筛选出适合识别的关键点;
步骤S126,选取特征点构建基准距离,基于两眉中点到下巴的距离建立垂直方向的基准距离,基于左右外眼角水平高处的距离建立水平方向的基准距离;
步骤S127,利用基准距离,计算比例特征分量,以此构造比例几何特征向量,并对构造的比例几何特征向量的归一化处理;
步骤S128,计算确定特征向量中各个分量的权值。
如图1所示,然后进行步骤S13,在人脸几何特征集合中选取特定的分类几何特征,将人脸图像库分解为若干子人脸图像库。
具体地,在本步骤中,根据不同人脸,不同环境下变化大的分类几何特征,将人脸图像库中的数据分解为若干带有标签的子人脸图像库,所述标签由选取的分类几何特征决定,对于输入的待测图像,只需将其分类几何特征与各子人脸图像库的标签比较。本步骤可以解决在大规模人脸数据库中,特征在匹配过程中会出现识别率和匹配速度下降的问题。
如图2所示,接着进行步骤S14~S18,利用步骤1)中的人脸检测模型,输入待测人脸图像S14,匹配待测人脸图像中的关键特征点S15,构建待测图像中的人脸几何特征S16,同时依据分类几何特征,在子人脸图像库中找到待测图像所在的最近邻子人脸图像库S17,并在该子人脸图像库中找到待测图像的最近邻的分类S18。
接着进行步骤5),计算几何特征分量的权值;
具体地,在本步骤中,采用20个人每人3张不同姿态的图像组成训练集进行权值训练,首先对每个特征给出3-5个合理的权值,然后对每个人的3张不同姿态的图像计算相似度,取使得同一个人不同姿态图像相似度最高的值为几何特征分量的最终权值。
如图1所示,最后进行步骤S19,通过相似度函数,计算待测图像中人脸几何特征向量与其所在的人脸图像子库的人脸特征向量的相似程度,若相似程度高于阈值,则判断为同一个人,若相似度程度低于阈值,则判断为不同的人。
如上所述,本发明的基于面部几何特征的人脸识别方法,具有以下有益效果:本发明基于人脸检测和人脸识别技术,对人脸特征点检测方法和人脸识别中使用的几何特征进行改进,基于主动形状模型和弹性图束匹配算法相结合的特征点检测,以及简易精确的面部几何特征的,保证了人脸识别***的实时性和准确率。本发明将大型人脸数据库做分类处理,根据不同人脸,不同环境下变化大的分类几何特征,将大型数据库中的数据分解为若干带有标签的子数据库,该标签由选取的分类几何特征决定。对于输入的待测图像,只需将其分类几何特征与各子数据库标签比较,就可以缩小要匹配的数据规模,使的人脸识别的效率大大提高。
所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (3)
1.一种基于面部几何特征的人脸识别方法,其特征在于,包括步骤:
步骤1),利用主动形状模型与弹性图束匹配算法结合的方法在人脸数据库中训练人脸检测模型,所述主动形状模型的特征采用一组描述人脸局部特征的二维Gabor小波变换系数来表示,即关键特征点处的像素与不同方向和频率的Gabor核卷积后的系数集合,其描述图像给定像素周围的一小块灰度值;通过所述主动形状模型与弹性图束匹配算法结合的方法匹配待测图像获得人脸面部器官轮廓关键特征点;
步骤21),进行人脸轮廓特征点提取,对检测到的特征点进行选取,选取的所述特征点对光照的依赖性小及对人脸的表情变化不敏感,且在不同人脸上变化幅度大;
步骤221),标定图像库中面部轮廓点;
步骤222),利用主动形状模型与弹性图束匹配算法结合的方法在人脸数据库中训练人脸检测模型;
步骤223),输入待检测图像;
步骤224),基于人脸检测模型进行人脸面部轮廓点检测;
步骤225),从人脸面部轮廓点中筛选出适合识别的关键点;
步骤226),选取特征点构建基准距离,基于两眉中点到下巴的距离建立垂直方向的基准距离,基于左右外眼角水平高处的距离建立水平方向的基准距离;
步骤227),利用基准距离,计算比例特征分量,以此构造比例几何特征向量,并对构造的比例几何特征向量的归一化处理;
步骤228),计算确定特征向量中各个分量的权值;
步骤3),根据不同人脸,不同环境下变化大的分类几何特征,将人脸图像库中的数据分解为若干带有标签的子人脸图像库,所述标签由选取的分类几何特征决定,对于输入的待测图像,只需将其分类几何特征与各子人脸图像库的标签比较;
步骤4),利用步骤1)中的人脸检测模型,匹配待测人脸图像中的关键特征点,构建待测图像中的人脸几何特征,同时依据分类几何特征,在子人脸图像库中找到待测图像所在的最近邻子人脸图像库;
步骤5),计算几何特征分量的权值;
步骤6),通过相似度函数,计算待测图像中人脸几何特征向量与其所在的人脸图像子库的人脸特征向量的相似程度,若相似程度高于阈值,则判断为同一个人,若相似度程度低于阈值,则判断为不同的人。
2.根据权利要求1所述的基于面部几何特征的人脸识别方法,其特征在于:步骤21)中,所述特定的特征点包括:眼高处及嘴高处脸轮廓的两个边界点,左右眉毛各两个关键点,左右眼睛的两个眼角点及最高点、最低点,各个鼻翼两边界点,鼻子最低点,上嘴唇上边界三个关键点下边界三个关键点,下嘴唇下边界一个关键点,嘴角两个关键点以及脸颊底部三分之一处的两个关键点。
3.根据权利要求1所述的基于面部几何特征的人脸识别方法,其特征在于:步骤5)中,采用20个人每人3张不同姿态的图像组成训练集进行权值训练,首先对每个特征给出3-5个合理的权值,然后对每个人的3张不同姿态的图像计算相似度,取使得同一个人不同姿态图像相似度最高的值为几何特征分量的最终权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610187618.2A CN105868716B (zh) | 2016-03-29 | 2016-03-29 | 一种基于面部几何特征的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610187618.2A CN105868716B (zh) | 2016-03-29 | 2016-03-29 | 一种基于面部几何特征的人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105868716A CN105868716A (zh) | 2016-08-17 |
CN105868716B true CN105868716B (zh) | 2019-08-13 |
Family
ID=56625331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610187618.2A Active CN105868716B (zh) | 2016-03-29 | 2016-03-29 | 一种基于面部几何特征的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105868716B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767358B (zh) * | 2016-08-23 | 2021-08-13 | 斑马智行网络(香港)有限公司 | 一种图像中物体模糊度确定方法和装置 |
CN106503686A (zh) * | 2016-10-28 | 2017-03-15 | 广州炒米信息科技有限公司 | 检索人脸图像的方法和*** |
CN107146275B (zh) * | 2017-03-31 | 2020-10-27 | 北京奇艺世纪科技有限公司 | 一种设置虚拟形象的方法及装置 |
CN107358163A (zh) * | 2017-06-14 | 2017-11-17 | 广东数相智能科技有限公司 | 基于人脸识别的游客线路跟踪统计方法、电子设备及存储介质 |
CN107563336A (zh) * | 2017-09-07 | 2018-01-09 | 廖海斌 | 用于名人匹配游戏的人脸相似度分析方法、装置和*** |
CN108108760A (zh) * | 2017-12-19 | 2018-06-01 | 山东大学 | 一种快速人脸识别方法 |
CN109993042A (zh) * | 2017-12-29 | 2019-07-09 | 国民技术股份有限公司 | 一种人脸识别方法及其装置 |
CN109063628B (zh) * | 2018-07-27 | 2023-04-21 | 平安科技(深圳)有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
CN109726625B (zh) * | 2018-08-13 | 2023-06-23 | 平安科技(深圳)有限公司 | 反人脸识别方法、装置、终端设备及存储介质 |
CN109801462A (zh) * | 2019-01-21 | 2019-05-24 | 江西阳光安全设备集团有限公司 | 智能型密集架的防盗报警装置 |
CN110097586B (zh) * | 2019-04-30 | 2023-05-30 | 青岛海信网络科技股份有限公司 | 一种人脸检测追踪方法及装置 |
CN112308084B (zh) * | 2020-11-09 | 2024-04-23 | 西安工程大学 | 一种基于多尺度Gabor的服装廓形分类方法 |
CN113657851A (zh) * | 2021-07-30 | 2021-11-16 | 绿漫科技有限公司 | 一种访客进出管理方法 |
CN113537173B (zh) * | 2021-09-16 | 2022-03-18 | 中国人民解放军国防科技大学 | 一种基于面部补丁映射的人脸图像真伪识别方法 |
CN114612983A (zh) * | 2022-03-15 | 2022-06-10 | 北京拙河科技有限公司 | 一种基于弹性图和svm的人脸识别方法及*** |
CN116895093B (zh) * | 2023-09-08 | 2024-01-23 | 苏州浪潮智能科技有限公司 | 一种人脸识别方法、装置、设备及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1529278A (zh) * | 2003-10-09 | 2004-09-15 | 重庆大学 | 基于多类别的人脸分类识别方法 |
CN101308571A (zh) * | 2007-05-15 | 2008-11-19 | 上海中科计算技术研究所 | 一种利用主动网格与人脸识别结合生成新人脸的方法 |
US20100232657A1 (en) * | 2009-03-12 | 2010-09-16 | Jie Wang | Automatic Face Recognition |
CN104239856A (zh) * | 2014-09-04 | 2014-12-24 | 电子科技大学 | 基于Gabor特征和自适应线性回归的人脸识别方法 |
-
2016
- 2016-03-29 CN CN201610187618.2A patent/CN105868716B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1529278A (zh) * | 2003-10-09 | 2004-09-15 | 重庆大学 | 基于多类别的人脸分类识别方法 |
CN101308571A (zh) * | 2007-05-15 | 2008-11-19 | 上海中科计算技术研究所 | 一种利用主动网格与人脸识别结合生成新人脸的方法 |
US20100232657A1 (en) * | 2009-03-12 | 2010-09-16 | Jie Wang | Automatic Face Recognition |
CN104239856A (zh) * | 2014-09-04 | 2014-12-24 | 电子科技大学 | 基于Gabor特征和自适应线性回归的人脸识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105868716A (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105868716B (zh) | 一种基于面部几何特征的人脸识别方法 | |
CN107194341B (zh) | Maxout多卷积神经网络融合人脸识别方法和*** | |
CN106295522B (zh) | 一种基于多角度人脸和环境信息的两级防欺骗检测方法 | |
CN106897675B (zh) | 双目视觉深度特征与表观特征相结合的人脸活体检测方法 | |
CN101819628B (zh) | 结合形状特征的稀疏表示人脸识别方法 | |
CN103810490B (zh) | 一种确定人脸图像的属性的方法和设备 | |
CN108182397B (zh) | 一种多姿态多尺度的人脸验证方法 | |
CN106778474A (zh) | 3d人体识别方法及设备 | |
CN107871107A (zh) | 人脸认证方法和装置 | |
CN101833654B (zh) | 基于约束采样的稀疏表示人脸识别方法 | |
Li et al. | Efficient 3D face recognition handling facial expression and hair occlusion | |
CN106295694A (zh) | 一种迭代重约束组稀疏表示分类的人脸识别方法 | |
CN102799872B (zh) | 基于面部图像特征的图像处理方法 | |
CN105608710B (zh) | 一种非刚性人脸检测和追踪定位方法 | |
CN106778489A (zh) | 人脸3d特征身份信息库的建立方法及设备 | |
CN105354555B (zh) | 一种基于概率图模型的三维人脸识别方法 | |
CN109886153A (zh) | 一种基于深度卷积神经网络的实时人脸检测方法 | |
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 | |
CN106599785A (zh) | 人体3d特征身份信息库的建立方法及设备 | |
Irie et al. | Improvements to facial contour detection by hierarchical fitting and regression | |
CN106611158A (zh) | 人体3d特征信息的获取方法及设备 | |
CN110458235A (zh) | 一种视频中运动姿势相似度比对方法 | |
CN109409303A (zh) | 一种基于深度的级联多任务人脸检测与配准方法 | |
CN104732247B (zh) | 一种人脸特征定位方法 | |
Arif et al. | Human pose estimation and object interaction for sports behaviour |
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 |