CN108520210A - 基于小波变换和局部线性嵌入的人脸识别方法 - Google Patents
基于小波变换和局部线性嵌入的人脸识别方法 Download PDFInfo
- Publication number
- CN108520210A CN108520210A CN201810253311.7A CN201810253311A CN108520210A CN 108520210 A CN108520210 A CN 108520210A CN 201810253311 A CN201810253311 A CN 201810253311A CN 108520210 A CN108520210 A CN 108520210A
- Authority
- CN
- China
- Prior art keywords
- facial image
- face
- function
- feature
- wavelet transformation
- 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.)
- Withdrawn
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于小波变换和局部线性嵌入的人脸识别方法,对人脸图像进行预处理,由小波变换对面部进行分解,获得人脸图像的四个组成分量,利用局部线性嵌入算法提取四个分量的特征,并选择加权融合得到面部信息特征,利用最小二乘支持向量机训练特征向量,并与DAG相结合形成人脸图像分类器,通过人脸图像分类器进行人脸识别,并输出识别结果;加快了人脸识别率和计算速度,提高了人脸识别效率。
Description
技术领域:
本发明涉及一种人脸识别领域,特别是涉及一种基于小波变换和局部线性嵌入的人脸识别方法。
背景技术:
与生物特征识别技术相比,人脸特征具有唯一性、易访问性、低成本等优点。为了满足实际应用的需要,需要对人脸识别方法进行探索。现有技术中,在一定的约束条件下,人脸识别取得了较高的识别率。但在实际工作中,人脸容易受到光照、成像设备和遮挡等外界因素的联合影响,导致非限制条件下人脸识别性能急剧下降。因此,人脸识别仍然是一项具有挑战性的任务。
发明内容:
本发明所要解决的技术问题是:克服现有技术的不足,提供一种利用小波变换分解得到人脸图像的四个分量,之后,执行LLE算法从四个分量中分别抽取特征,并利用加权融合来得到人脸识别特征矢量,最后,利用最小二乘支持向量机学习训练样本,从而建立人脸识别分类器,实现人脸识别的基于小波变换和局部线性嵌入的人脸识别方法。
本发明的技术方案是:一种基于小波变换和局部线性嵌入的人脸识别方法,A、对人脸图像进行预处理,由小波变换对面部进行分解,获得人脸图像的四个组成分量;
B、利用局部线性嵌入算法提取四个分量的特征,并选择加权融合得到面部信息特征;
C、利用最小二乘支持向量机训练特征向量,并与DAG相结合形成人脸图像分类器;
D、经过步骤A和步骤B操作的人脸图像通过人脸图像分类器进行人脸识别,并输出识别结果。
所述步骤A中四个组成分量分别描述为LL、LH、HL和HH;其中,LL定义低频分量,保留原始图像中的大量信息,基本上代表了原始图像的特征;LH表示水平分量,主要包含有关眼睛和嘴巴之间面部表情的内部信息;HL是垂直分量,包括人的头发、鼻子、耳朵和边缘轮廓信息;HH代表对角线信息,反映原始内容较少;其四个组成分量通过以下步骤获得:
定义分解二维尺度函数,之后能够用来计算两个一维尺度函数之积:
ψ(x)为相位子波函数,定义三个二维正交小波函数如下:
令f(x,y)表示人脸图像,二维离散信号f(m,n)的近似图像为:
在上述公式中,第一项是人脸图像的低频近似,其余部分是细节信号。
大小为m*n的人脸图像A(x,y),其离散小波变换(DWT,Discrete WaveletTransform)为:
步骤B中分量特征的步骤为:通过建立以下数学模型最小化局部线性嵌入(LLE)中线性表示的误差:
线性嵌入算法的关键步骤为:
输入:样布x={x1,x2,…xn∈RD},D代表样布量的特征,ε代表邻居空间;
输出:Y={y1,y2,…yn∈RD};
(1)邻域搜索,利用k-近邻方法计算高维空间中每个样本点Xi的最近邻;
(2)计算样本点的局部重构权值矩阵,并定义一个代价函数来最小化总体重构误差;
此处,xi代表样本向量;Wij代表权值;使用最小误差函数来求解权重;
xi的线性组合为:
其中,Ni代表一个D×K的矩阵,Ni=[xi1,xi2,...,xik],Wi代表一个k×1的矩阵,wi=[wi1,wi2,...,wik]T;
在每个点及其近邻由一个左旋转或尺度矩阵R,得到的权重矩阵重建表示,为:
(3)构造一个局部协方差矩阵C,要求最小化重构最小误差,从而得到:
Cjk=(xi-xi,j)T(xi-xi,k) (10)
(4)利用拉格朗日乘子法得到局部最优W:
(5)找到映射函数yi,将所有样本点映射到低维空间中,从而得到最小的目标函数:
步骤B中加权融合的步骤为:选择向量的每个分量的面部特征对应的最小d个非零特征值;之后,选择一定的权重进行融合,从而得到面部信息特征;
X=ω1×LL'1+ω2×LH'1+ω3×HL'1+ω4×HH'1 (16)
步骤C中特征向量的训练步骤为:
设置训练样布集,如(xi,yi),i=1,2,…,n,在高维特征空间中LSSVM线性分类函数是:
其中,b和w表示两个参数;
考虑到拟合误差和函数的复杂性,根据结构风险最小化原则,公式(12)为:
其中,γ是正则化参数;
为了提高解的效率,将公式(13)转化为拉格朗日乘子的最优化问题:
其中,αi是拉格朗日乘子;
根据KKT条件,我们可以得到:
以及
此处,I代表了识别矩阵,
选取径向基函数作为核函数的最小二乘支持向量机,它的定义如下:
其中,σ是带宽参数。
本发明的有益效果是:
1、本发明利用小波变换分解得到人脸图像的四个分量,之后,执行LLE算法从四个分量中分别抽取特征,并利用加权融合来得到人脸识别特征矢量,最后,利用最小二乘支持向量机学习训练样本,从而建立人脸识别分类器,实现人脸的有效识别,加快了人脸识别率和计算速度,提高了人脸识别效率。
2、本发明小波变换可以将人脸图像分解成不同的分量。其中高频分量包括人脸的细节信息,低频分量聚焦原始人脸图像的更多细节,从而有效地减少了冗余特征。
3、本发明通过局部线性嵌入对人脸分量进行特征提取,在嵌套空间中的每一个采样点都可以由其邻居来进行线性表示,在低维空间中保持每个邻域的权重不变,重建原始数据,减少重建误差。
4、本发明通过策略组合来构建一个多类人脸分类器,通过将所有分类器融合到k(k-1)/2个节点和k个叶子的DAG中,提出结合DAG与二类LSSVM相结合的多类人脸分类器。
附图说明:
图1为基于小波变换和局部线性嵌入的人脸识别方法的流程图。
图2为小波分解分量示意图。
图3为四个分量的关系图。
图4为人脸图像分类器的结构示意图。
具体实施方式:
实施例:参见图1,并结合实施例对本申请进行详细说明。
对人脸图像进行预处理,定义分解二维尺度函数,之后能够用来计算两个一维尺度函数之积。
ψ(x)为相位子波函数,定义三个二维正交小波函数如下:
令f(x,y)表示人脸图像,二维离散信号f(m,n)的近似图像为:
在上述公式中,第一项是人脸图像的低频近似,其余部分是细节信号。
大小为m*n的人脸图像A(x,y),其离散小波变换(DWT,Discrete WaveletTransform)为:
小波变换后可以计算出四个分量,如图2所示。由图可知,与原始图像相比,变换后的图像保持了人脸和基本信息的更详细框架,虽然失去了部分的内部细节特征,但识别度还是比以前要高。
将基于小波变换的上述四分量分别描述为LL、LH、HL和HH。其中,LL定义低频分量,保留原始图像中的大量信息,基本上代表了原始图像的特征;LH表示水平分量,主要包含有关眼睛和嘴巴之间面部表情的内部信息。HL是垂直分量,包括人的头发、鼻子、耳朵和边缘轮廓信息。HH代表对角线信息,反映原始内容较少。图3所示。
局部线性嵌入(LLE)是一种非线性降维方法,其主要是假设在局部意义上,数据结构是线性的,或者局部意义上的点是超平面的。因此,任何一点的相邻点的线性组合用来表示这一点。对于一组具有嵌套流形的数据集,嵌套空间和内部低维空间的局部邻域之间的关系应该保持不变。即嵌套空间中的每一个采样点都可以由其邻居来进行线性表示,在低维空间中保持每个邻域的权重不变,重建原始数据,以减少重建误差。
通过最小化这种线性表示的误差,可以建立以下数学模型:
线性嵌入算法的关键步骤为:
输入:样布x={x1,x2,…xn∈RD},D代表样布量的特征,ε代表邻居空间。
输出:Y={y1,y2,…yn∈RD}。
置样本的数目:X={xi|xi∈RD,i=1,2,…,N},基于LLE的方法寻找一个低维映射,即Y={yi|yi∈Rd,i=1,2,…,N},d<<D,这是基于若干标准,用以提高识别结果为目标。
(1)邻域搜索,利用k-近邻方法计算高维空间中每个样本点Xi的最近邻。
(2)计算样本点的局部重构权值矩阵,并定义了一个代价函数来最小化总体重构误差。
此处,xi代表样本向量;Wij代表权值。使用最小误差函数来求解权重。xij(i=1,…k)(j=1,...k)代表点xi的最近邻,相应的约束为:
权值越小,则权值矩阵约为理想,xi的线性组合为:
其中,Ni代表一个D×K的矩阵,Ni=[xi1,xi2,...,xik],Wi代表一个k×1的矩阵,wi=[wi1,wi2,...,wik]T。
该算法的主要目的是减少维数,即将高维空间中的数据映射到低维空间。为了重建权值矩阵,矩阵的系数需要满足线性映射的三个不变性:平移、缩放和旋转。下面给出了权重矩阵系数的旋转和缩放不变性。在每个点及其近邻由一个左旋转或尺度矩阵R,得到的权重矩阵重建表示,为:
公式(4)能够刻画为:
(3)构造一个局部协方差矩阵C,要求最小化重构最小误差,从而得到:
Cjk=(xi-xi,j)T(xi-xi,k) (10)
(4)利用拉格朗日乘子法得到局部最优W:
(5)为了将所有样本点映射到低维空间中,从而得到最小的目标函数,需要找到映射函数yi:
其中,yi是xi的低维映射向量,满足一下条件:
公式(8)可以由等式(10)替代。
ε(y)=tr(yMyT) (14)
使用拉格朗日数乘法,则有:
为了获得最小的损耗函数,令Y表示对应于矩阵M中b个非零特征的特征值,M的特征值从小到大排列,第一个特征值几乎为零,通常被丢弃,一般选择2与d+1之间的特征值向量为输出结果。矩阵M等于(I-W)T(I-W)。
选择向量的每个分量的面部特征对应的最小d个非零特征值。
面部特征,即LL'1、LH'1、HL'1、HH'1,是从四个分量LL1,LH1,HL1,HH1中抽取出来的。之后,选择一定的权重进行融合,从而得到面部信息特征。
X=ω1×LL'1+ω2×LH'1+ω3×HL'1+ω4×HH'1 (16)
在实际的建模和人脸识别的过程中,LL1包含了人脸图像的主要信息,因此它的权重相对较大。LH1,HL1包括人的面部特征,权值随后。HH1则包括更少信息和最小的权重。所有权重值的总和是1。由于低频分量包含了原始图像的大多数信息,因此为LL1分配的权重最大;LH1包含了水平信息,如面部的眼睛、嘴;HL1包含了更多的垂直信息,如鼻子,耳朵和面部轮廓等,因此HL1分配了稍小的权重值。
设置训练样布集,如(xi,yi),i=1,2,…,n,在高维特征空间中LSSVM线性分类函数是:
其中,b和w表示两个参数。
考虑到拟合误差和函数的复杂性,根据结构风险最小化原则,公式(12)为:
其中,γ是正则化参数。
为了提高解的效率,将公式(13)转化为拉格朗日乘子的最优化问题:
其中,αi是拉格朗日乘子。
根据KKT条件,我们可以得到:
以及
此处,I代表了识别矩阵,
选取径向基函数作为核函数的最小二乘支持向量机,它的定义如下:
其中,σ是带宽参数。
本文中,将提取到的人脸图像特征输入到LSSVM进行训练,之后运行人脸分类器。由于人脸图像的识别是一个多类分类问题,最小二乘支持向量机只能解决二类分类问题。因此,必须通过策略组合来构建一个多类人脸分类器,提出结合DAG与二类LSSVM相结合的方法,人脸图像分类器如图4中所示,通过将所有分类器融合到k(k-1)/2个节点和k个叶子的DAG中,其中的包含了k个未知样本。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (5)
1.一种基于小波变换和局部线性嵌入的人脸识别方法,其步骤是:A、对人脸图像进行预处理,由小波变换对面部进行分解,获得人脸图像的四个组成分量;
B、利用局部线性嵌入算法提取四个分量的特征,并选择加权融合得到面部信息特征;
C、利用最小二乘支持向量机训练特征向量,并与DAG相结合形成人脸图像分类器;
D、经过步骤A和步骤B操作的人脸图像通过人脸图像分类器进行人脸识别,并输出识别结果。
2.根据权利要求1所述的基于小波变换和局部线性嵌入的人脸识别方法,其特征是:所述步骤A中四个组成分量分别描述为LL、LH、HL和HH;其中,LL定义低频分量,保留原始图像中的大量信息,基本上代表了原始图像的特征;LH表示水平分量,主要包含有关眼睛和嘴巴之间面部表情的内部信息;HL是垂直分量,包括人的头发、鼻子、耳朵和边缘轮廓信息;HH代表对角线信息,反映原始内容较少;其四个组成分量通过以下步骤获得:
定义分解二维尺度函数,之后能够用来计算两个一维尺度函数之积:
ψ(x)为相位子波函数,定义三个二维正交小波函数如下:
令f(x,y)表示人脸图像,二维离散信号f(m,n)的近似图像为:
在上述公式中,第一项是人脸图像的低频近似,其余部分是细节信号。
大小为m*n的人脸图像A(x,y),其离散小波变换(DWT,Discrete Wavelet Transform)为:
。
3.根据权利要求1所述的基于小波变换和局部线性嵌入的人脸识别方法,其特征是:步骤B中分量特征的步骤为:通过建立以下数学模型最小化局部线性嵌入(LLE)中线性表示的误差:
线性嵌入算法的关键步骤为:
输入:样布x={x1,x2,…xn∈RD},D代表样布量的特征,ε代表邻居空间;
输出:Y={y1,y2,…yn∈RD};
(1)邻域搜索,利用k-近邻方法计算高维空间中每个样本点Xi的最近邻;
(2)计算样本点的局部重构权值矩阵,并定义一个代价函数来最小化总体重构误差;
此处,xi代表样本向量;Wij代表权值;使用最小误差函数来求解权重;
xi的线性组合为:
其中,Ni代表一个D×K的矩阵,Ni=[xi1,xi2,...,xik],Wi代表一个k×1的矩阵,wi=[wi1,wi2,...,wik]T;
在每个点及其近邻由一个左旋转或尺度矩阵R,得到的权重矩阵重建表示,为:
(3)构造一个局部协方差矩阵C,要求最小化重构最小误差,从而得到:
Cjk=(xi-xi,j)T(xi-xi,k) (10)
(4)利用拉格朗日乘子法得到局部最优W:
(5)找到映射函数yi,将所有样本点映射到低维空间中,从而得到最小的目标函数:
。
4.根据权利要求1所述的基于小波变换和局部线性嵌入的人脸识别方法,其特征是:步骤B中加权融合的步骤为:选择向量的每个分量的面部特征对应的最小d个非零特征值;之后,选择一定的权重进行融合,从而得到面部信息特征;
X=ω1×LL′1+ω2×LH′1+ω3×HL′1+ω4×HH′1 (16) 。
5.根据权利要求1所述的基于小波变换和局部线性嵌入的人脸识别方法,其特征是:步骤C中特征向量的训练步骤为:
设置训练样布集,如(xi,yi),i=1,2,…,n,在高维特征空间中LSSVM线性分类函数是:
其中,b和w表示两个参数;
考虑到拟合误差和函数的复杂性,根据结构风险最小化原则,公式(12)为:
其中,γ是正则化参数;
为了提高解的效率,将公式(13)转化为拉格朗日乘子的最优化问题:
其中,αi是拉格朗日乘子;
根据KKT条件,我们可以得到:
以及
此处,I代表了识别矩阵,
选取径向基函数作为核函数的最小二乘支持向量机,它的定义如下:
其中,σ是带宽参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810253311.7A CN108520210A (zh) | 2018-03-26 | 2018-03-26 | 基于小波变换和局部线性嵌入的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810253311.7A CN108520210A (zh) | 2018-03-26 | 2018-03-26 | 基于小波变换和局部线性嵌入的人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108520210A true CN108520210A (zh) | 2018-09-11 |
Family
ID=63434254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810253311.7A Withdrawn CN108520210A (zh) | 2018-03-26 | 2018-03-26 | 基于小波变换和局部线性嵌入的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108520210A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583337A (zh) * | 2018-11-16 | 2019-04-05 | 华北电力大学(保定) | 基于小波变换的电能质量扰动识别方法 |
CN109670516A (zh) * | 2018-12-19 | 2019-04-23 | 广东工业大学 | 一种图像特征提取方法、装置、设备及可读存储介质 |
CN111915693A (zh) * | 2020-05-22 | 2020-11-10 | 中国科学院计算技术研究所 | 基于草图的人脸图像生成方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411708A (zh) * | 2011-12-02 | 2012-04-11 | 湖南大学 | 一种融合双树复小波变换和离散小波变换的人脸识别方法 |
US9213885B1 (en) * | 2004-10-22 | 2015-12-15 | Carnegie Mellon University | Object recognizer and detector for two-dimensional images using Bayesian network based classifier |
-
2018
- 2018-03-26 CN CN201810253311.7A patent/CN108520210A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9213885B1 (en) * | 2004-10-22 | 2015-12-15 | Carnegie Mellon University | Object recognizer and detector for two-dimensional images using Bayesian network based classifier |
CN102411708A (zh) * | 2011-12-02 | 2012-04-11 | 湖南大学 | 一种融合双树复小波变换和离散小波变换的人脸识别方法 |
Non-Patent Citations (2)
Title |
---|
王有刚: "基于组合方法的人脸识别算法研究", 《电脑知识与技术》 * |
祝加雄、贺元骅: "基于离散小波变换和ICA支持向量机的人脸识别", 《电视技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583337A (zh) * | 2018-11-16 | 2019-04-05 | 华北电力大学(保定) | 基于小波变换的电能质量扰动识别方法 |
CN109670516A (zh) * | 2018-12-19 | 2019-04-23 | 广东工业大学 | 一种图像特征提取方法、装置、设备及可读存储介质 |
CN111915693A (zh) * | 2020-05-22 | 2020-11-10 | 中国科学院计算技术研究所 | 基于草图的人脸图像生成方法及*** |
CN111915693B (zh) * | 2020-05-22 | 2023-10-24 | 中国科学院计算技术研究所 | 基于草图的人脸图像生成方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112634137B (zh) | 基于ae提取多尺度空谱特征的高光谱和全色图像融合方法 | |
Ma et al. | Achieving super-resolution remote sensing images via the wavelet transform combined with the recursive res-net | |
Liu et al. | A 3-D atrous convolution neural network for hyperspectral image denoising | |
Lin et al. | Hyperspectral image denoising via matrix factorization and deep prior regularization | |
Arun et al. | CNN-based super-resolution of hyperspectral images | |
WO2018045626A1 (zh) | 基于超像素级信息融合的高光谱图像的分类方法及*** | |
Qian et al. | Hyperspectral image classification based on structured sparse logistic regression and three-dimensional wavelet texture features | |
CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
Zaied et al. | A novel approach for face recognition based on fast learning algorithm and wavelet network theory | |
CN112347888B (zh) | 基于双向特征迭代融合的遥感图像场景分类方法 | |
CN111192193B (zh) | 一种基于1维-2维卷积神经网络高光谱单图超分辨方法 | |
Ghorai et al. | Multiple pyramids based image inpainting using local patch statistics and steering kernel feature | |
CN108921809B (zh) | 整体原则下基于空间频率的多光谱和全色图像融合方法 | |
CN110321777B (zh) | 一种基于栈式卷积稀疏去噪自编码器的人脸识别方法 | |
Ding et al. | Tgan: Deep tensor generative adversarial nets for large image generation | |
CN111340697B (zh) | 一种基于聚类回归的图像超分辨方法 | |
CN109978071A (zh) | 基于数据增广和分类器融合的高光谱图像分类方法 | |
CN111161141B (zh) | 基于频带间注意力机制对抗学习高光谱单图超分辨率方法 | |
Plichoski et al. | A face recognition framework based on a pool of techniques and differential evolution | |
CN108520210A (zh) | 基于小波变换和局部线性嵌入的人脸识别方法 | |
Guo et al. | Multiscale semilocal interpolation with antialiasing | |
Wang et al. | Latent representation learning model for multi-band images fusion via low-rank and sparse embedding | |
Wang et al. | A new Gabor based approach for wood recognition | |
Lei et al. | NITES: A non-parametric interpretable texture synthesis method | |
Xu et al. | Face recognition using wavelets transform and 2D PCA by SVM classifier |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180911 |
|
WW01 | Invention patent application withdrawn after publication |