CN106339702A - 一种基于多特征融合的人脸识别方法 - Google Patents
一种基于多特征融合的人脸识别方法 Download PDFInfo
- Publication number
- CN106339702A CN106339702A CN201610958825.3A CN201610958825A CN106339702A CN 106339702 A CN106339702 A CN 106339702A CN 201610958825 A CN201610958825 A CN 201610958825A CN 106339702 A CN106339702 A CN 106339702A
- Authority
- CN
- China
- Prior art keywords
- face
- characteristic vector
- feature
- region
- hog
- 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.)
- Pending
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多特征融合的人脸识别方法,属于图像处理技术领域。皆在提供一种可以有效的提高人脸识别率的方法。方法步骤包括:步骤1人脸图像采集;步骤2人脸图像预处理;步骤3人脸多特征提取;步骤4人脸特征识别。本发明提供的基于多特征融合的人脸识别方法,采取了多种特征融合的方法,采用大量样本训练提取特征的特征提取子,通过多种特征融合,有效的提高了人脸识别的准确率。
Description
技术领域
本发明具体涉及一种基于多特征融合的人脸识别方法,属于图像处理技术领域。
背景技术
当前,随着模式识别和图像处理技术的发展,基于多特征融合的人脸识别技术越来越受到重视,其可以应用在身份识别***中,比如考勤***、银行自服务***、公安***等,实现快速确定人员身份,采集图像的硬件设备可以是手机,pad,普通摄像头,也可以是带有摄像头的机器人等。
目前有多种应用于人脸识别的现有技术,如中国专利,申请号:201310633797.4,公开日期:2015.06.03,公开了一种卷积神经网络和基于卷积神经网络的目标物体检测方法,中国专利,申请号:201410343863.9,公开日期:2014.10.15,公开了一种消除光照不均匀的LBP人脸识别方法,中国专利,申请号:201510350083.1,公开日期:2015.09.09,公开了一种基于Gabor变换和HOG的人脸识别特征提取方法。
现有的人脸识别技术,都是利用单一的特征提取方法,即使用较多的训练样本,也会产生人脸识别的准确率低的问题,一旦出现错误的识别结果,后果是很严重的。
发明内容
因此,针对现有技术的上述不足,本发明皆在提供一种可以有效的提高人脸识别率的方法。
本发明提供的基于多特征融合的人脸识别方法,包括以下步骤,
步骤1人脸图像采集
利用硬件设备对人脸进行图像采集;
步骤2人脸图像预处理
首先利用Adaboost算法检测人脸位置,然后利用ASM算法确定人脸特征点位置,经过仿射变换校正人脸,随后对人脸进行光照归一化处理,利用Gamma变换实现灰度图像对比度增强;
步骤3人脸多特征提取
对预处理后人脸图像分别利用卷积神经网络、基于LBP算子、HOG算子提取特征向量,将三种方法得到的特征向量进行连接融合,得到图像的多特征向量;
步骤4人脸特征识别
利用卷积神经网络、LBP算子和HOG算子训练人脸库样本,并进行降维处理得到训练模型,将步骤3得到的多特征向量与训练模型进行联合贝叶斯匹配,得到人脸之间的匹配度,将匹配度最高的人脸图像作为最终的识别结果输出。
进一步的,所述步骤1中的硬件设备为手机、摄像头或带有摄像头的机器人。
进一步的,所述步骤3中,
卷积神经网络提取特征向量具体为,利用卷积神经网络提取经过预处理后的人脸图像特征,对于128×128的人脸图像,将输出一个256维的深度学习特征;
基于LBP算子提取特征向量具体为,先将128×128图像采样为64×64图像,然后将其划分成16×16的区域,对该区域中的每一个像素点进行基于等价模式的LBP编码,随后计算每个区域LBP值出现的频率,统计得到每个区域的归一化直方图,最后将每个区域的统计直方图进行连接,得到一个944维的LBP特征向量;
基于HOG算子提取特征向量具体为,先将128×128图像采样为64×64图像,然后将其划分成8×8的单元格,统计每个单元格的梯度方向直方图,梯度方向个数为9,得到其HOG特征向量,随后将每4个单元格组成一个区域,将该区域中的所有单元格的特征向量串联起来得到该区域的特征向量,最后将所有区域的HOG特征向量串联起来得到一个576维的HOG特征向量。
其中,所述步骤3中,将三种方法得到的特征向量进行连接融合具体为,将利用卷积神经网络、基于LBP算子和基于HOG算子提取的特征向量依次串联起来,得到一个1776维的多特征向量。
本发明的有益效果在于:本发明专利提供的基于多特征融合的人脸识别方法,采取了多种特征融合的方法,采用大量样本训练提取特征的特征提取子,通过多种特征融合,有效的提高了人脸识别的准确率。
附图说明
图1为本发明一种基于多特征融合的人脸识别方法的原理图。
具体实施方式
下面结合附图对本发明的具体实施方式进行说明:
本发明为解决现有技术人脸识别率低的问题而设计,其基本原理如图1所示,本发明基于多特征融合的人脸识别方法的步骤包括,
步骤1人脸图像采集:
利用硬件设备对人脸进行图像采集。
步骤2人脸图像预处理:
首先利用Adaboost算法检测人脸位置,然后利用ASM算法确定人脸特征点位置,经过仿射变换校正人脸,随后对人脸进行光照归一化处理,利用Gamma变换实现灰度图像对比度增强,减弱光照情况对人脸的影响因素,便于之后提取特征。
步骤3人脸多特征提取:
对预处理后人脸图像分别利用卷积神经网络、基于LBP算子、HOG算子提取特征向量,将三种方法得到的特征向量进行连接融合,得到图像的多特征向量。
步骤4人脸特征识别:
利用卷积神经网络、LBP算子和HOG算子训练人脸库样本,并进行降维处理得到训练模型,将步骤3得到的多特征向量与训练模型进行联合贝叶斯匹配,得到人脸之间的匹配度,将匹配度最高的人脸图像作为最终的识别结果输出。
步骤1中的人脸图像采集,需要利用硬件设备对人脸进行图像采集,硬件设备可以是手机,pad,普通摄像头,带有摄像头的机器人,采集的图像中需要将人脸正面信息采集完全,不能有拍摄到半个人脸的情况,并且倾斜角度在正负15°以内。
卷积神经网络作为一种深度学习方法提取特征向量,在本实施例中,步骤3中的三种方法具体为:
卷积神经网络提取特征向量具体为,利用卷积神经网络提取经过预处理后的人脸图像特征,对于128×128的人脸图像,将输出一个256维的深度学习特征;
基于LBP算子提取特征向量具体为,先将128×128图像采样为64×64图像,然后将其划分成16×16的区域,对该区域中的每一个像素点进行基于等价模式的LBP编码,随后计算每个区域LBP值出现的频率,统计得到每个区域的归一化直方图,最后将每个区域的统计直方图进行连接,得到一个944维的LBP特征向量;
基于HOG算子提取特征向量具体为,先将128×128图像采样为64×64图像,然后将其划分成8×8的单元格,统计每个单元格的梯度方向直方图,梯度方向个数为9,得到其HOG特征向量,随后将每4个单元格组成一个区域,将该区域中的所有单元格的特征向量串联起来得到该区域的特征向量,最后将所有区域的HOG特征向量串联起来得到一个576维的HOG特征向量。
将三种方法得到的特征向量进行连接融合具体为,将利用卷积神经网络、基于LBP算子和基于HOG算子提取的特征向量依次串联起来,得到一个1776维的多特征向量。
最后进行人脸识别,针对采集到的1776维度的特征,与库中的人脸进行比对识别,最终获取识别结果。
本发明通过多种特征提取方法,包括传统的HOG,LBP算法,和深度学习提取特征算法,通过多种特征融合方法,能够有效的解决人脸识别中光照变化,容忍人脸在一定角度内的倾斜。本发明的特征融合提取步骤同样可以用来识别非人脸的物体,例如车辆品牌,物体等。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种基于多特征融合的人脸识别方法,其特征在于,所述方法包括以下步骤,
步骤1人脸图像采集
利用硬件设备对人脸进行图像采集;
步骤2人脸图像预处理
首先利用Adaboost算法检测人脸位置,然后利用ASM算法确定人脸特征点位置,经过仿射变换校正人脸,随后对人脸进行光照归一化处理,利用Gamma变换实现灰度图像对比度增强;
步骤3人脸多特征提取
对预处理后人脸图像分别利用卷积神经网络、基于LBP算子、HOG算子提取特征向量,将三种方法得到的特征向量进行连接融合,得到图像的多特征向量;
步骤4人脸特征识别
利用卷积神经网络、LBP算子和HOG算子训练人脸库样本,并进行降维处理得到训练模型,将步骤3得到的多特征向量与训练模型进行联合贝叶斯匹配,得到人脸之间的匹配度,将匹配度最高的人脸图像作为最终的识别结果输出。
2.如权利要求1所述的基于多特征融合的人脸识别方法,其特征在于,所述步骤1中的硬件设备为手机、摄像头或带有摄像头的机器人。
3.如权利要求1所述的基于多特征融合的人脸识别方法,其特征在于,所述步骤3中,
卷积神经网络提取特征向量具体为,利用卷积神经网络提取经过预处理后的人脸图像特征,对于128×128的人脸图像,将输出一个256维的深度学习特征;
基于LBP算子提取特征向量具体为,先将128×128图像采样为64×64图像,然后将其划分成16×16的区域,对该区域中的每一个像素点进行基于等价模式的LBP编码,随后计算每个区域LBP值出现的频率,统计得到每个区域的归一化直方图,最后将每个区域的统计直方图进行连接,得到一个944维的LBP特征向量;
基于HOG算子提取特征向量具体为,先将128×128图像采样为64×64图像,然后将其划分成8×8的单元格,统计每个单元格的梯度方向直方图,梯度方向个数为9,得到其HOG特征向量,随后将每4个单元格组成一个区域,将该区域中的所有单元格的特征向量串联起来得到该区域的特征向量,最后将所有区域的HOG特征向量串联起来得到一个576维的HOG特征向量。
4.如权利要求3所述的基于多特征融合的人脸识别方法,其特征在于,所述步骤3中,将三种方法得到的特征向量进行连接融合具体为,将利用卷积神经网络、基于LBP算子和基于HOG算子提取的特征向量依次串联起来,得到一个1776维的多特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610958825.3A CN106339702A (zh) | 2016-11-03 | 2016-11-03 | 一种基于多特征融合的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610958825.3A CN106339702A (zh) | 2016-11-03 | 2016-11-03 | 一种基于多特征融合的人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106339702A true CN106339702A (zh) | 2017-01-18 |
Family
ID=57840874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610958825.3A Pending CN106339702A (zh) | 2016-11-03 | 2016-11-03 | 一种基于多特征融合的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106339702A (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599883A (zh) * | 2017-03-08 | 2017-04-26 | 王华锋 | 一种基于cnn的多层次图像语义的人脸识别方法 |
CN106909905A (zh) * | 2017-03-02 | 2017-06-30 | 中科视拓(北京)科技有限公司 | 一种基于深度学习的多模态人脸识别方法 |
CN107194341A (zh) * | 2017-05-16 | 2017-09-22 | 西安电子科技大学 | Maxout多卷积神经网络融合人脸识别方法和*** |
CN107273845A (zh) * | 2017-06-12 | 2017-10-20 | 大连海事大学 | 一种基于置信区域和多特征加权融合的人脸表情识别方法 |
CN107273871A (zh) * | 2017-07-11 | 2017-10-20 | 夏立 | 一种人脸特征模型的训练方法及装置 |
CN107292275A (zh) * | 2017-06-28 | 2017-10-24 | 北京飞搜科技有限公司 | 一种频域划分的人脸特征识别方法及*** |
CN107729835A (zh) * | 2017-10-10 | 2018-02-23 | 浙江大学 | 一种基于人脸关键点区域传统特征和人脸全局深度特征融合的表情识别方法 |
CN107992807A (zh) * | 2017-11-22 | 2018-05-04 | 浙江大华技术股份有限公司 | 一种基于cnn模型的人脸识别方法及装置 |
CN108009491A (zh) * | 2017-11-29 | 2018-05-08 | 深圳火眼智能有限公司 | 一种解决快速背景运动中的目标物识别方法及*** |
CN108196680A (zh) * | 2018-01-25 | 2018-06-22 | 盛视科技股份有限公司 | 一种基于人体特征提取与检索的机器人视觉跟随方法 |
CN108429619A (zh) * | 2018-01-18 | 2018-08-21 | 北京捷通华声科技股份有限公司 | 身份认证方法和*** |
CN108805027A (zh) * | 2018-05-03 | 2018-11-13 | 电子科技大学 | 低分辨率条件下的人脸识别方法 |
CN108846329A (zh) * | 2018-05-23 | 2018-11-20 | 江南大学 | 一种基于波段选择和特征融合的高光谱人脸识别方法 |
CN109308681A (zh) * | 2018-09-29 | 2019-02-05 | 北京字节跳动网络技术有限公司 | 图像处理方法和装置 |
CN109309808A (zh) * | 2017-07-26 | 2019-02-05 | 梭维智能科技(深圳)有限公司 | 一种基于人脸识别的监控***及方法 |
CN109376719A (zh) * | 2018-12-19 | 2019-02-22 | 山东大学 | 一种基于组合特征表示的相机光响应非均匀性指纹提取及比对方法 |
CN109583266A (zh) * | 2017-09-28 | 2019-04-05 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法、装置、计算机设备及存储介质 |
CN109598212A (zh) * | 2018-11-20 | 2019-04-09 | 北京知道创宇信息技术有限公司 | 一种人脸检测方法及装置 |
CN109919041A (zh) * | 2019-02-16 | 2019-06-21 | 天津大学 | 一种基于智能机器人的人脸识别方法 |
CN109977849A (zh) * | 2019-03-22 | 2019-07-05 | 东华理工大学 | 一种基于迹变换的图像纹理特征融合提取方法 |
CN110021036A (zh) * | 2019-04-13 | 2019-07-16 | 北京环境特性研究所 | 红外目标检测方法、装置、计算机设备和存储介质 |
CN110135254A (zh) * | 2019-04-12 | 2019-08-16 | 华南理工大学 | 一种疲劳表情识别方法 |
CN110689056A (zh) * | 2019-09-10 | 2020-01-14 | Oppo广东移动通信有限公司 | 一种分类方法及装置、设备和存储介质 |
CN111133433A (zh) * | 2017-09-29 | 2020-05-08 | 通用电气公司 | 使用面部识别用于访问控制的自动认证 |
CN111231892A (zh) * | 2019-12-29 | 2020-06-05 | 的卢技术有限公司 | 一种基于人脸和手势识别的汽车自动解锁控制方法及*** |
CN111274883A (zh) * | 2020-01-10 | 2020-06-12 | 杭州电子科技大学 | 基于多尺度hog特征和深层特征的合成素描人脸识别方法 |
US11651229B2 (en) | 2017-11-22 | 2023-05-16 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for face recognition |
CN117468085A (zh) * | 2023-12-27 | 2024-01-30 | 浙江晶盛机电股份有限公司 | 晶棒生长控制方法、装置、长晶炉***和计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281598A (zh) * | 2008-05-23 | 2008-10-08 | 清华大学 | 基于多部件多特征融合的人脸识别方法 |
US20110116720A1 (en) * | 2009-11-17 | 2011-05-19 | Samsung Electronics Co., Ltd. | Method and apparatus for image processing |
US20140334738A1 (en) * | 2013-05-09 | 2014-11-13 | Tencent Technology (Shenzhen) Company Limited | Systems and methods for matching face shapes |
CN104268539A (zh) * | 2014-10-17 | 2015-01-07 | 中国科学技术大学 | 一种高性能的人脸识别方法及*** |
CN105550658A (zh) * | 2015-12-24 | 2016-05-04 | 蔡叶荷 | 一种基于高维lbp与卷积神经网络特征融合的人脸比对方法 |
-
2016
- 2016-11-03 CN CN201610958825.3A patent/CN106339702A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281598A (zh) * | 2008-05-23 | 2008-10-08 | 清华大学 | 基于多部件多特征融合的人脸识别方法 |
US20110116720A1 (en) * | 2009-11-17 | 2011-05-19 | Samsung Electronics Co., Ltd. | Method and apparatus for image processing |
US20140334738A1 (en) * | 2013-05-09 | 2014-11-13 | Tencent Technology (Shenzhen) Company Limited | Systems and methods for matching face shapes |
CN104268539A (zh) * | 2014-10-17 | 2015-01-07 | 中国科学技术大学 | 一种高性能的人脸识别方法及*** |
CN105550658A (zh) * | 2015-12-24 | 2016-05-04 | 蔡叶荷 | 一种基于高维lbp与卷积神经网络特征融合的人脸比对方法 |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909905A (zh) * | 2017-03-02 | 2017-06-30 | 中科视拓(北京)科技有限公司 | 一种基于深度学习的多模态人脸识别方法 |
CN106909905B (zh) * | 2017-03-02 | 2020-02-14 | 中科视拓(北京)科技有限公司 | 一种基于深度学习的多模态人脸识别方法 |
CN106599883B (zh) * | 2017-03-08 | 2020-03-17 | 王华锋 | 一种基于cnn的多层次图像语义的人脸识别方法 |
CN106599883A (zh) * | 2017-03-08 | 2017-04-26 | 王华锋 | 一种基于cnn的多层次图像语义的人脸识别方法 |
CN107194341A (zh) * | 2017-05-16 | 2017-09-22 | 西安电子科技大学 | Maxout多卷积神经网络融合人脸识别方法和*** |
CN107273845A (zh) * | 2017-06-12 | 2017-10-20 | 大连海事大学 | 一种基于置信区域和多特征加权融合的人脸表情识别方法 |
CN107292275A (zh) * | 2017-06-28 | 2017-10-24 | 北京飞搜科技有限公司 | 一种频域划分的人脸特征识别方法及*** |
CN107292275B (zh) * | 2017-06-28 | 2020-04-10 | 北京飞搜科技有限公司 | 一种频域划分的人脸特征识别方法及*** |
CN107273871A (zh) * | 2017-07-11 | 2017-10-20 | 夏立 | 一种人脸特征模型的训练方法及装置 |
CN109309808A (zh) * | 2017-07-26 | 2019-02-05 | 梭维智能科技(深圳)有限公司 | 一种基于人脸识别的监控***及方法 |
CN109583266A (zh) * | 2017-09-28 | 2019-04-05 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法、装置、计算机设备及存储介质 |
CN111133433A (zh) * | 2017-09-29 | 2020-05-08 | 通用电气公司 | 使用面部识别用于访问控制的自动认证 |
CN111133433B (zh) * | 2017-09-29 | 2023-09-05 | 通用电气公司 | 使用面部识别用于访问控制的自动认证 |
CN107729835B (zh) * | 2017-10-10 | 2020-10-16 | 浙江大学 | 一种基于人脸关键点区域传统特征和人脸全局深度特征融合的表情识别方法 |
CN107729835A (zh) * | 2017-10-10 | 2018-02-23 | 浙江大学 | 一种基于人脸关键点区域传统特征和人脸全局深度特征融合的表情识别方法 |
CN107992807A (zh) * | 2017-11-22 | 2018-05-04 | 浙江大华技术股份有限公司 | 一种基于cnn模型的人脸识别方法及装置 |
US11651229B2 (en) | 2017-11-22 | 2023-05-16 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for face recognition |
CN108009491A (zh) * | 2017-11-29 | 2018-05-08 | 深圳火眼智能有限公司 | 一种解决快速背景运动中的目标物识别方法及*** |
CN108429619A (zh) * | 2018-01-18 | 2018-08-21 | 北京捷通华声科技股份有限公司 | 身份认证方法和*** |
CN108196680A (zh) * | 2018-01-25 | 2018-06-22 | 盛视科技股份有限公司 | 一种基于人体特征提取与检索的机器人视觉跟随方法 |
CN108196680B (zh) * | 2018-01-25 | 2021-10-08 | 盛视科技股份有限公司 | 一种基于人体特征提取与检索的机器人视觉跟随方法 |
CN108805027A (zh) * | 2018-05-03 | 2018-11-13 | 电子科技大学 | 低分辨率条件下的人脸识别方法 |
CN108805027B (zh) * | 2018-05-03 | 2020-03-24 | 电子科技大学 | 低分辨率条件下的人脸识别方法 |
CN108846329A (zh) * | 2018-05-23 | 2018-11-20 | 江南大学 | 一种基于波段选择和特征融合的高光谱人脸识别方法 |
CN109308681B (zh) * | 2018-09-29 | 2023-11-24 | 北京字节跳动网络技术有限公司 | 图像处理方法和装置 |
CN109308681A (zh) * | 2018-09-29 | 2019-02-05 | 北京字节跳动网络技术有限公司 | 图像处理方法和装置 |
CN109598212A (zh) * | 2018-11-20 | 2019-04-09 | 北京知道创宇信息技术有限公司 | 一种人脸检测方法及装置 |
CN109376719B (zh) * | 2018-12-19 | 2021-07-30 | 山东大学 | 一种基于组合特征表示的相机光响应非均匀性指纹提取及比对方法 |
CN109376719A (zh) * | 2018-12-19 | 2019-02-22 | 山东大学 | 一种基于组合特征表示的相机光响应非均匀性指纹提取及比对方法 |
CN109919041A (zh) * | 2019-02-16 | 2019-06-21 | 天津大学 | 一种基于智能机器人的人脸识别方法 |
CN109977849B (zh) * | 2019-03-22 | 2020-03-17 | 东华理工大学 | 一种基于迹变换的图像纹理特征融合提取方法 |
CN109977849A (zh) * | 2019-03-22 | 2019-07-05 | 东华理工大学 | 一种基于迹变换的图像纹理特征融合提取方法 |
CN110135254A (zh) * | 2019-04-12 | 2019-08-16 | 华南理工大学 | 一种疲劳表情识别方法 |
CN110021036A (zh) * | 2019-04-13 | 2019-07-16 | 北京环境特性研究所 | 红外目标检测方法、装置、计算机设备和存储介质 |
CN110021036B (zh) * | 2019-04-13 | 2021-03-16 | 北京环境特性研究所 | 红外目标检测方法、装置、计算机设备和存储介质 |
CN110689056A (zh) * | 2019-09-10 | 2020-01-14 | Oppo广东移动通信有限公司 | 一种分类方法及装置、设备和存储介质 |
CN111231892A (zh) * | 2019-12-29 | 2020-06-05 | 的卢技术有限公司 | 一种基于人脸和手势识别的汽车自动解锁控制方法及*** |
CN111274883A (zh) * | 2020-01-10 | 2020-06-12 | 杭州电子科技大学 | 基于多尺度hog特征和深层特征的合成素描人脸识别方法 |
CN117468085A (zh) * | 2023-12-27 | 2024-01-30 | 浙江晶盛机电股份有限公司 | 晶棒生长控制方法、装置、长晶炉***和计算机设备 |
CN117468085B (zh) * | 2023-12-27 | 2024-05-28 | 浙江晶盛机电股份有限公司 | 晶棒生长控制方法、装置、长晶炉***和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106339702A (zh) | 一种基于多特征融合的人脸识别方法 | |
CN106548182B (zh) | 基于深度学习和主成因分析的路面裂纹检测方法及装置 | |
CN107316031A (zh) | 用于行人重识别的图像特征提取方法 | |
CN102194114B (zh) | 一种基于边缘梯度方向金字塔直方图的虹膜识别方法 | |
CN102419819B (zh) | 人脸图像识别方法和*** | |
US20210034840A1 (en) | Method for Recognzing Face from Monitoring Video Data | |
CN111126240B (zh) | 一种三通道特征融合人脸识别方法 | |
CN109522853A (zh) | 面向监控视频的人脸检测与搜索方法 | |
CN107066969A (zh) | 一种人脸识别方法 | |
CN103870808A (zh) | 一种手指静脉识别方法 | |
CN108009472A (zh) | 一种基于卷积神经网络和贝叶斯分类器的指背关节纹识别方法 | |
CN110555382A (zh) | 一种基于深度学习和Wasserstein距离度量的指静脉识别方法 | |
CN108830856B (zh) | 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 | |
CN106778499B (zh) | 一种虹膜采集过程中快速定位人眼虹膜的方法 | |
CN110555380A (zh) | 基于Center Loss损失函数的指静脉识别方法 | |
CN105574515A (zh) | 一种无重叠视域下的行人再识别方法 | |
CN106203497A (zh) | 一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法 | |
CN112132157B (zh) | 一种基于树莓派的步态人脸融合识别方法 | |
CN103218612A (zh) | 一种3d人脸识别方法 | |
CN107516083A (zh) | 一种面向识别的远距离人脸图像增强方法 | |
Cao et al. | Automatic latent value determination | |
CN104318216A (zh) | 视频监控中跨盲区行人目标的识别匹配方法 | |
CN104573628A (zh) | 一种三维人脸识别方法 | |
CN104063682A (zh) | 一种基于边缘分级和centrist特征的行人检测方法 | |
CN111898533B (zh) | 一种基于时空特征融合的步态分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170118 |