CN106503633A - 一种视频图像中人脸特征库的建立方法 - Google Patents
一种视频图像中人脸特征库的建立方法 Download PDFInfo
- Publication number
- CN106503633A CN106503633A CN201610885531.2A CN201610885531A CN106503633A CN 106503633 A CN106503633 A CN 106503633A CN 201610885531 A CN201610885531 A CN 201610885531A CN 106503633 A CN106503633 A CN 106503633A
- Authority
- CN
- China
- Prior art keywords
- face
- sammon
- dimensional space
- space
- dimensional
- 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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种视频图像中人脸特征库的建立方法,首先基于局部线性嵌套算法LLE,对视频图像中的人脸流形进行学习,将图像从高维图像空间降到低维特征空间,并寻找内在低维结构与高维观测数据间的联系;然后利用K‑均值聚类算法对低维特征空间进行聚类,使得类似的人脸图像数据尽量接近,将每个聚类中心的人脸作为代表性人脸图像,去除冗余样例,最终建立代表性人脸特征库。LLE算法中,根据Sammon系数确定低维空间的嵌入维数。本发明在视频图像中实现了人脸特征库的建立,在众多训练图像中选取一些具有代表性的图像进行后续的算法学习,在尽量保持人脸识别率的同时,大大减少训练的时间和占用的内存,提高了处理速度。
Description
技术领域
本发明涉及一种人脸识别方法,尤其涉及一种视频图像中人脸特征库的建立方法,属于视频图像的人脸识别技术领域。
背景技术
早期的人脸识别方法都是基于人脸几何特征的脸由眼睛、鼻子、嘴巴、下巴等部件构成,这些部件的形状、大小和结构上的差异性使得世界上每个人脸千差万别,因此对这些部件的形状和机构关系的几何描述,可以作为识别的重要特征。这类方法对于人脸图像的光照、视角等不是很敏感,但是需要准确定位眼睛、鼻子、嘴巴、下巴等部件的位置,要知道早期的基于几何特征人脸识别方法都是靠手工提取这些信息的,使用算法自动提取这些信息是非常困难和耗时的。
基于人脸结构模型的识别方法一般由如下步骤:定义一个人脸结构模型;给定人脸图像,通过不断调整参数优化人脸结构模型;将经优化后的模型参数作为特征向量与数据库中的特征向量进行距离计算;比较经典的算法是Wiskot提出的弹性图匹配算法(Elastic Bunch Graph Matching,EBGM),在一般的基于人脸图像整体特征的人脸识别方法中,由于是将人脸图像作为一个整体模式来考虑,人脸的姿态、表情、头饰变化都可能对分类识别有很大影响,究其原因,就是没有考虑到人脸图像的局部特性。基于弹性图匹配的人脸识别方法不仅可利用人脸图像的整体特性,而且还利用了局部特征。
与人脸结构模型的方法比较而言,基于特征空间变换的人脸识别方法将人脸图像像素作为在图像空间中的一个向量,利用某种变换W将高维的图像空间映射到低维的特征空间。在识别阶段,将人脸图像投影至特征空间,利用得到的低维特征向量与数据库中的特征进行匹配。设X=[X1X2...XN]为N个训练图像集,基于特征空间变换的方法核心思想就是根据X估计出变换矩阵W。主分量分析(Principle Components analysis,PCA)、独立分量分析(Independent Component Analysis,ICA)、线性判别分析(Linear DiscriminantAnalysis,LDA)是经典的线性空间变换的算法,他们的不同之处在于基向量的定义以及变换矩阵W的构建,对于特征空间的线性投影都是相同的。
以上的线性空间变换算法在很多场合都取得了不错的结果,然而对于那些脸部光照条件、脸部姿态变化较大等情况下人脸图像的特征提取效果却一般,原因在于人脸模式在高维空间中往往是非线性的关系,继而出现了非线性空间变换的人脸识别算法,原理就是将人脸图像空间映射到线性的高维特征空间,然后再使用传统的线性变换算法。
随着近年来关于视频应用需求的提高,如视频监控,访问控制,同时研究发现人脸的运动信息那对人脸的识别率的改进有很大的帮助,因此近年来关于人脸识别的研究更多的集中在视频图像的人脸识别领域。
视频序列图像的人脸识别算法的核心思想就是将人脸的空域结构和动态特性相结合,简称时空结合。然而,大多数算法忽略了人脸的运动信息,更多的只利用了空间结构信息,比如,一些算法首先选择质量好的帧,然后采取静态人脸图像的识别技术进行识别;而一些算法对于每帧图像采取静态人脸识别方法识别,然后对每帧的结果进行联合决策;而一些将空域信息、时间信息结合的算法取得了可喜的结果,然而,如何结合人脸空间结构和人脸动态信息来进行识别,到目前为止,还没有相关文献进行详尽的阐述。
发明内容
本发明要解决的技术问题是提供一种视频图像中人脸特征库的建立方法,在众多训练图像中选取一些具有代表性的图像进行后续的算法学习,在尽量保持人脸识别率的同时,大大减少训练的时间和占用的内存,进行高速地处理。
为了解决上述技术问题,本发明的技术方案是提供一种视频图像中人脸特征库的建立方法,其特征在于:步骤为:
步骤1:基于局部线性嵌套算法LLE,对视频图像中的人脸流形进行学习,将图像从高维图像空间降到低维特征空间;
步骤2:利用K-均值聚类算法对低维特征空间进行聚类,将每个聚类中心的人脸作为代表性人脸图像,去除冗余样例,最终建立代表性人脸特征库。
优选地,所述局部线性嵌套算法LLE中,根据Sammon系数确定低维空间的嵌入维数d;
Sammon系数是一项关于衡量N个数据点从n维空间转换到m维空间过程中,点之间几何结构变形程度大小的标准;Sammon系数E定义如下所示:
式中,表示n维空间里i点与j点之间的距离;dij表示m维空间里i点与j点之间的距离;其中,i为某一维空间里的第i个点、j为某一维空间里的第j个点、m表示m维空间、n表示n维空间;Sammon系数用来衡量从n维空间转换到m维空间中,任意两点之间“距离”的变化程度,即点之间几何结构变形的程度;
根据Sammon系数确定低维空间的嵌入维数d的具体方法为:
(1)首先,为各个***参数赋初值;局部线性嵌套算法LLE中的邻域值K=1,嵌入维数d=1,Sammon系数=0;
(2)固定嵌入维数d,改变邻域值K的大小,计算Sammon系数值;并绘制Sammon系数随邻域值K改变而变化的曲线图;
(3)仔细分析K--Sammon系数图的曲线改变方式是否已固定,即当d达到某一固定值D后,其变化趋势已与嵌入维数d的取值大小无关,无论d再如何增加,K-Sammon系数图的曲线变化趋势保持恒定不变;
(4)如果是,则终止,低维空间的嵌入维数d为固定值D;否则,d+1,并转向步骤(2)。
在线人脸视频识别***一个重要的问题就是如何选择人脸特征库,由于视频图像序列中人脸图像有多姿态、多表情、多视角的问题,人脸特征库中的人脸图像应最大程度的包含多姿态、多表情、多视角特性,同时考虑到算法运行的耗时问题,每人的人脸特征库不应该太大。
本发明采用高维流形学习的方法,完成代表性人脸的提取。因为现实中的视频图像序列中的人脸表现为一个连续的运动状态,每种状态之间体现了一种几何结构关系,而人脸流形学习的目的就是在人脸图像空间中提取内在的几何结构及其规律性,将高维图像空间降维到低维特征空间,并寻找内在低维结构与高维观测数据间的联系。由于人脸图像都是非线性数据,采用局部线性嵌套算法(Locally Linear Embedding,LLE)对人脸图像进行非线性降维,使得类似的人脸图像数据尽量接近,再通过K均值聚类,将聚类中心作为***的代表性人脸图像,以构建人脸特征库。
本发明在视频图像中实现了人脸特征库的建立,在众多训练图像中选取一些具有代表性的图像进行后续的算法学习,在尽量保持人脸识别率的同时,大大减少训练的时间和占用的内存,提高了处理速度。
附图说明
图1为在高维图像空间,一个人脸从左到右依次旋转人脸角度形成的流形示意图;
图2为通过局部线性嵌套算法LLE非线性降维示意图;
图3为局部线性嵌套算法LLE流程图;
图4为Sammon系数随K和d参数变化曲线图;
图5为“最具代表性人脸”的用例集合示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
一、人脸流形
用f(N,p)表示人N在参数p情况下的人脸图像,参数p表示不同的人脸表情,人脸姿态,人脸表面光照等情况。
FN={f(N,p)|p∈P} (1)
FN表示人N在各种情况下的人脸集合,也称为人N的人脸流形。此外,所有人的人脸流形的并,称为人脸流形,即图1是在高维图像空间,一个人脸从左到右依次旋转人脸角度形成的流形例子。
人脸流形学习的目的就是寻找隐藏在高维图像空间内在的人脸图像几何结构关系,并将高维图像空间降维到低维特征空间,同时也能在低维特征空间中重构这种几何结构关系。这是一个非常有用,并且又是一个具有挑战性的非监督学习问题,有用在于将高维人脸数据映射为低维特征数据便于进一步分析,同时能够避免“维数灾难”的问题,挑战性在于在不同姿态、光照、表情等情况下的人脸流形是非线性和非凸性的。
二、流形学习的方法
主分量分析和多元尺度分析是经典的线性数据降维技术,主要研究在高维空间中如何涉及线性模型的特征向量,它们的优势是运算快捷、方便,并能产生简单的变换函数,对线性结构的数据集效果好,同时不存在局部最优解的问题,但是对于那些非线性数据如人脸流形,这些线性方法效果并不理想。非线性降维技术,如自组织映射(Self-OrganizingMapping,SOM),生成式拓扑映射(Generative Topology Mapping,GTM),虽然这些算法能够处理非线性流形问题,但是这些方法都牵涉到几个自由参数,如学习速率、收敛标准,此外这些方法并不能够保证得到的解是全局最优解。
近年来,出现了一些新的非线性流形学习算法,这些算法都是基于特征值分解技术,因此与主分量分析,多尺度分析(Multidimensional Scaling,MDS)一样,易于实现,运算快捷,全局优化,不存在局部最优解的问题,这些算法中主要是局部线性嵌套算法LLE,等度规映射算法ISOMAP,Laplacian特征映射,相比SOM算法,这些算法能够在低维特征空间中保留在高维图像空间中潜在的流形间的几何结构关系。
三、局部线性嵌套算法LLE
Sam T.Roweis和Lawrence K.Saul在2000年左右提出LLE算法,它是针对非线性数据的一种新的降维技术,并且能够使降维后的数据保持原有的拓扑结构。它是一种强悍的特征向量法,也属于非线性降维算法。LLE算法前提是假设样本数据是在高维空间中非线性分布,然后将其映射到低维空间中。许多高维数据都是非线性分布的,例如:三维物体的不同视角所产生的图像。该算法研究的模型具有:简单设置、无需先验知识、具有低自由度的数据集。LLE的基本思想是将全局非线性转化为局部线性,而相互重叠的局部领域能够提供全局结构的信息。这样对每个局部进行线性降维后,再按照某种规则将结果组合在一起,就能够得到低维的全局坐标表示。
LLE算法可以由图2所示的一个例子来描述。LLE能成功地将三维非线性数据映射到二维空间中。图2(a)表示一个样本集,图2(b)是从图2(a)中提取的样本点(三维),通过非线性降维算法LLE,将数据映射到二维空间图2(c)中。如果把图2(b)中深色和浅色的数据分别看成是分布在三维空间中的两类数据,从图2(c)可以看出,通过LLE算法降维后,这两类数据在二维空间中仍能很好的保持原有数据的邻域特性。在图2(b)中的小圈中可以看出,如果将小圈中的数据映射到二维空间中,如图2(c)中的小圈所示,映射后的数据仍能保持原有的数据流形,这说明LLE算法确实能保持流形的领域不变。
因此,LLE算法可以应用于样本的聚类。LLE算法操作简单,且算法中的优化不涉及到局部最优化。该算法能改善非线性映射。
LLE算法可以归结为三步:
(1)计算出每个样本点的K个近邻点。把相对于所求样本点距离最近的K个样本点规定为所求样本点的K个近邻点。K是一个预先给定值。
(2)计算出样本点Xi的局部重建权值矩阵。这里定义一个误差函数,如下所示:
其中,neighbors(i)表示为点Xi的近邻点集合,且表示共有k个近邻点,Wij为Xi和其每一个近邻点Xj之间的权值,且满足即所有近邻点的权值总和等于1;对于表示属于近邻点neighbors(i)集合中的第j个点。min(ε(W))表示样本点Xi与其近邻点集合及权值和之间的误差平方和。
(3)由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值,将所有的样本点映射到低维空间d中。映射条件满足如下公式:
Yi为Xi的低维映射,Yj为Yi的K个近邻点,且满足其中,Φ(Y)表示已经映射到低维空间d中的样本点与其近邻点权值矩阵的输出值、min(Φ(Y))表示输出值等于最小值,N表示共有N个样本点。
具体的算法流程如图3所示,第①、②步算法描述的是如何在低维空间中保存高维数据间的几何结构关系,而第③步是通过相互重叠的局部领域提供全局结构的信息恢复全局结构。
四、利用局部线性嵌套算法LLE建立人脸特征库
1、概述
基于LLE算法,首先使用LLE将图像从高维图像空间降到低维特征空间,在低维特征空间中相似的人脸图像特征比较靠近,再利用K均值聚类算法对低维特征空间进行聚类,将每个聚类中心的人脸作为代表性人脸图像,由于非线性高维数数据通过LLE降维,在低维特征空间中仍然能够较好地保持在高维空间中人脸图像数据之间的结构关系,因此本算法是有效的。
设F为一人脸图像序列,N为人脸图像序列长度,F=[F1,F2...FN],利用本文的LLE算法在F中寻找具有代表性的人脸图像E=[e1,e2...eK]。
2、嵌入维数d的确定
LLE算法是一种依赖于局部线性的算法,它的待定参数很少,一个是近邻点值K,另一个就是低维嵌入空间的维数d。这里的d表示要降低到的低维空间是d维的。
(1)近邻点值K的大小反映了用若干个近邻点的线性组合去逼近低维流形上某个点的程度,近邻点过少时,由于逼近程度太低而显得毫无意义;反之,则产生不必要的冗余而使得计算代价过高。因此,一个适中的K值就显得非常重要。
(2)嵌入维数d,同理,如果嵌入维数d过低,低维流形的局部结构与高维流形的局部结构间差异也会过大,而使得局部几何结构在降维过程中不能得到很好的保护;反之,则降维的意义没有得到很好的体现。
同时,K与d它们之间又相互影响,相互制约。为此,本文引入Sammon系数作为衡量二者取值标准的判断,并通过二者有机的结合,从而获得真正意义上的低维参数空间大小。Sammon系数是一项关于衡量N个数据点从L空间转换到d空间过程中,点之间几何结构变形程度大小的标准。Sammon系数定义如下所示:
式中,表示n维空间里i点与j点之间的距离;dij表示m维空间里i点与j点之间的距离。
Sammon系数分别计算两个不同空间里点之间的距离比值,并以此作为误差函数的定义。通过点间距的变化程度来衡量N个数据点在映射前后几何结构变形程度的大小。而LLE算法的前提条件是尽量维护低维流形局部几何结构的不变性,故此,LLE算法应尽量调节d空间的配置,以使得误差值逐步减小,即Sammon系数应呈现逐步减小的趋势。
以图4所示的案例(n=3)为例,说明Sammon系数与K、d之间的关系。图4中的每一幅小图表示,在固定嵌入维数d的前提条件下,Sammon系数随着邻域值K(横坐标)的从小到大改变而改变的情况,即纵坐标为根据公式(4)计算得到的Sammon系数,简称为K--Sammon系数图。从图4中可以看出,每一个对象的K-Sammon系数图,从左到右随着嵌入维数d由小到大改变,Sammon系数随邻域值K的改变而改变的过程开始逐渐呈现出一定的规律性,反映出这样一种结论,即当嵌入维数达到某一固定值的时候,邻接点的大小对Sammon系数的影响呈现固定趋势,即其变化趋势已与嵌入维数d的取值大小无关。称这一固定值为“低维空间维数”,它代表了特征人脸在高维空间中内在维数的大小。以图4为例,当d=6时,sammon系数的变化呈现固定趋势,由此可以得出结论:该样本集合的低维空间维数大小为6。
3、利用K-均值聚类算法,最后确定“最具代表性人脸”
采用K-均值聚类算法对低维空间的人脸进行聚类,聚类数取内在维数值d进行实验,低维空间维数大小值d值可以作为K-均值聚类的聚类依据。以d值作为聚类中心点的数目,对人脸样本集合进行聚类操作,将测试用例集从较高维空间降至有效的低维空间中,选择聚类中心的人脸作为人脸数据库中的“代表性人脸”。
4、具体算法流程
第一步:根据Sammon系数确定低维空间的嵌入维数d;
第二步:利用LLE算法对高维人脸进行降维。
第二步:对已降至低维空间的人脸实施K-均值聚类算法,选取“最具代表性”的用例,去除冗余样例,最终形成代表性人脸库。
上述具体算法流程叙述如下:
(1)首先,为各个***参数赋初值;邻域值K=1,嵌入维数d=1,Sammon系数=0;
(2)固定嵌入维数d,改变邻接点K的大小,根据公式(4)计算Sammon系数值;并绘制Sammon系数随邻域值K改变而变化的曲线图;
(3)仔细分析K-Sammon系数图的曲线改变方式是否已固定,即当d达到某一固定值D后,其变化趋势已与嵌入维数d的取值大小无关,无论d再如何增加,K-Sammon系数图的曲线变化趋势保持恒定不变。
(4)如果是,则终止并估计出低维参数空间D;否则,d+1,并转向步骤(2)。
(5)将d值带入,并执行LLE算法,将高维人脸d降至低维空间。
(6)对全体特征人脸集合进行K-均值聚类,得到“最具代表性人脸”的用例集合。
图5为一具体实施例中得到的“最具代表性人脸”的用例集合示意图,证明了该发明算法的有效性。
Claims (2)
1.一种视频图像中人脸特征库的建立方法,其特征在于,步骤为:
步骤1:基于局部线性嵌套算法LLE,对视频图像中的人脸流形进行学习,将图像从高维图像空间降到低维特征空间;
步骤2:利用K-均值聚类算法对低维特征空间进行聚类,将每个聚类中心的人脸作为代表性人脸图像,去除冗余样例,最终建立代表性人脸特征库。
2.如权利要求1所述的一种视频图像中人脸特征库的建立方法,其特征在于:所述局部线性嵌套算法LLE中,根据Sammon系数确定低维空间的嵌入维数d;
Sammon系数是一项关于衡量N个数据点从n维空间转换到m维空间过程中,点之间几何结构变形程度大小的标准;Sammon系数E定义如下所示:
式中,表示n维空间里i点与j点之间的距离;dij表示m维空间里i点与j点之间的距离;其中,i为某一维空间里的第i个点、j为某一维空间里的第j个点、m表示m维空间、n表示n维空间;Sammon系数用来衡量从n维空间转换到m维空间中,任意两点之间“距离”的变化程度,即点之间几何结构变形的程度;
根据Sammon系数确定低维空间的嵌入维数d的具体方法为:
(1)首先,为各个***参数赋初值;局部线性嵌套算法LLE中的邻域值K=1,嵌入维数d=1,Sammon系数=0;
(2)固定嵌入维数d,改变邻域值K的大小,计算Sammon系数值;并绘制Sammon系数随邻域值K改变而变化的曲线图;
(3)仔细分析K-Sammon系数图的曲线改变方式是否已固定,即当d达到某一固定值D后,其变化趋势已与嵌入维数d的取值大小无关,无论d再如何增加,K-Sammon系数图的曲线变化趋势保持恒定不变;
(4)如果是,则终止,低维空间的嵌入维数d为固定值D;否则,d+1,并转向步骤(2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610885531.2A CN106503633A (zh) | 2016-10-10 | 2016-10-10 | 一种视频图像中人脸特征库的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610885531.2A CN106503633A (zh) | 2016-10-10 | 2016-10-10 | 一种视频图像中人脸特征库的建立方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106503633A true CN106503633A (zh) | 2017-03-15 |
Family
ID=58294614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610885531.2A Pending CN106503633A (zh) | 2016-10-10 | 2016-10-10 | 一种视频图像中人脸特征库的建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106503633A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316057A (zh) * | 2017-06-07 | 2017-11-03 | 哈尔滨工程大学 | 基于局部线性嵌入与k‑最近邻分类器的核动力装置故障诊断方法 |
CN109086697A (zh) * | 2018-07-20 | 2018-12-25 | 腾讯科技(深圳)有限公司 | 一种人脸数据处理方法、装置及存储介质 |
CN110032655A (zh) * | 2019-04-16 | 2019-07-19 | 杭州潜能科技有限公司 | 一种自动建立人脸库的方法 |
CN110069989A (zh) * | 2019-03-15 | 2019-07-30 | 上海拍拍贷金融信息服务有限公司 | 人脸图像处理方法及装置、计算机可读存储介质 |
CN110188626A (zh) * | 2019-05-10 | 2019-08-30 | 广东技术师范大学 | 一种人脸识别的流形保持极限学习机降维方法 |
CN110866418A (zh) * | 2018-08-27 | 2020-03-06 | 阿里巴巴集团控股有限公司 | 图像底库生成方法、装置、设备、***及存储介质 |
CN111506772A (zh) * | 2019-01-31 | 2020-08-07 | 北京小犀智能科技中心(有限合伙) | 基于图像特征提取的以图搜影方法及*** |
CN112560635A (zh) * | 2020-12-10 | 2021-03-26 | 深圳云天励飞技术股份有限公司 | 人脸匹配加速方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521376A (zh) * | 2011-12-20 | 2012-06-27 | 上海电机学院 | 一种软件测试用例集的精简方法 |
CN103336960A (zh) * | 2013-07-26 | 2013-10-02 | 电子科技大学 | 一种基于流形学习的人脸识别方法 |
CN105184281A (zh) * | 2015-10-12 | 2015-12-23 | 上海电机学院 | 基于高维流形学习的人脸特征库构建方法 |
CN105653670A (zh) * | 2015-12-29 | 2016-06-08 | 中国电力科学研究院 | 一种基于流形学习聚类算法的智能用电数据挖掘方法 |
CN105678265A (zh) * | 2016-01-06 | 2016-06-15 | 广州洪森科技有限公司 | 基于流形学习的数据降维方法及装置 |
-
2016
- 2016-10-10 CN CN201610885531.2A patent/CN106503633A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521376A (zh) * | 2011-12-20 | 2012-06-27 | 上海电机学院 | 一种软件测试用例集的精简方法 |
CN103336960A (zh) * | 2013-07-26 | 2013-10-02 | 电子科技大学 | 一种基于流形学习的人脸识别方法 |
CN105184281A (zh) * | 2015-10-12 | 2015-12-23 | 上海电机学院 | 基于高维流形学习的人脸特征库构建方法 |
CN105653670A (zh) * | 2015-12-29 | 2016-06-08 | 中国电力科学研究院 | 一种基于流形学习聚类算法的智能用电数据挖掘方法 |
CN105678265A (zh) * | 2016-01-06 | 2016-06-15 | 广州洪森科技有限公司 | 基于流形学习的数据降维方法及装置 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316057A (zh) * | 2017-06-07 | 2017-11-03 | 哈尔滨工程大学 | 基于局部线性嵌入与k‑最近邻分类器的核动力装置故障诊断方法 |
CN107316057B (zh) * | 2017-06-07 | 2020-09-25 | 哈尔滨工程大学 | 核动力装置故障诊断方法 |
CN109086697A (zh) * | 2018-07-20 | 2018-12-25 | 腾讯科技(深圳)有限公司 | 一种人脸数据处理方法、装置及存储介质 |
CN110866418B (zh) * | 2018-08-27 | 2023-05-09 | 阿里巴巴集团控股有限公司 | 图像底库生成方法、装置、设备、***及存储介质 |
CN110866418A (zh) * | 2018-08-27 | 2020-03-06 | 阿里巴巴集团控股有限公司 | 图像底库生成方法、装置、设备、***及存储介质 |
CN111506772A (zh) * | 2019-01-31 | 2020-08-07 | 北京小犀智能科技中心(有限合伙) | 基于图像特征提取的以图搜影方法及*** |
CN110069989A (zh) * | 2019-03-15 | 2019-07-30 | 上海拍拍贷金融信息服务有限公司 | 人脸图像处理方法及装置、计算机可读存储介质 |
CN110069989B (zh) * | 2019-03-15 | 2021-07-30 | 上海拍拍贷金融信息服务有限公司 | 人脸图像处理方法及装置、计算机可读存储介质 |
CN110032655A (zh) * | 2019-04-16 | 2019-07-19 | 杭州潜能科技有限公司 | 一种自动建立人脸库的方法 |
CN110188626A (zh) * | 2019-05-10 | 2019-08-30 | 广东技术师范大学 | 一种人脸识别的流形保持极限学习机降维方法 |
CN110188626B (zh) * | 2019-05-10 | 2022-12-23 | 广东技术师范大学 | 一种人脸识别的流形保持极限学习机降维方法 |
CN112560635A (zh) * | 2020-12-10 | 2021-03-26 | 深圳云天励飞技术股份有限公司 | 人脸匹配加速方法、装置、电子设备及存储介质 |
CN112560635B (zh) * | 2020-12-10 | 2024-03-26 | 深圳云天励飞技术股份有限公司 | 人脸匹配加速方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106503633A (zh) | 一种视频图像中人脸特征库的建立方法 | |
CN112418074B (zh) | 一种基于自注意力的耦合姿态人脸识别方法 | |
CN106682598B (zh) | 一种基于级联回归的多姿态的人脸特征点检测方法 | |
Ramanathan et al. | Face verification across age progression | |
Cheng et al. | Exploiting effective facial patches for robust gender recognition | |
Lu | Image analysis for face recognition | |
US8306257B2 (en) | Hierarchical tree AAM | |
WO2017219391A1 (zh) | 一种基于三维数据的人脸识别*** | |
CN112488205B (zh) | 基于优化kpca算法的神经网络图像分类识别方法 | |
CN103218609B (zh) | 一种基于隐最小二乘回归的多姿态人脸识别方法及其装置 | |
CN101159015A (zh) | 一种二维人脸图像的识别方法 | |
CN101320484A (zh) | 一种基于人脸全自动定位的三维人脸识别方法 | |
CN101561874A (zh) | 一种人脸图像识别的方法 | |
CN107862267A (zh) | 基于完全对称局部韦伯描述子的人脸识别特征提取算法 | |
CN104700076A (zh) | 人脸图像虚拟样本生成方法 | |
CN104239859B (zh) | 基于结构化因子分析的人脸识别方法 | |
CN108647690A (zh) | 用于非约束人脸识别的判别稀疏保持投影方法 | |
CN105184281A (zh) | 基于高维流形学习的人脸特征库构建方法 | |
CN109241813A (zh) | 用于非约束人脸识别的判别稀疏保持嵌入方法 | |
CN110399814B (zh) | 一种基于局部线性表示领域适应度量的人脸识别方法 | |
Sharma et al. | 3D face recognition techniques-a review | |
EP1828959A1 (en) | Face recognition using features along iso-radius contours | |
Jaiswal et al. | Brief description of image based 3D face recognition methods | |
Qian et al. | Histogram of visual words based on locally adaptive regression kernels descriptors for image feature extraction | |
Kang et al. | Scale invariant texture analysis using multi-scale local autocorrelation features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170315 |
|
WD01 | Invention patent application deemed withdrawn after publication |