CN109558814A - 一种三维矫正和加权相似性度量学习的无约束人脸验证方法 - Google Patents

一种三维矫正和加权相似性度量学习的无约束人脸验证方法 Download PDF

Info

Publication number
CN109558814A
CN109558814A CN201811353070.XA CN201811353070A CN109558814A CN 109558814 A CN109558814 A CN 109558814A CN 201811353070 A CN201811353070 A CN 201811353070A CN 109558814 A CN109558814 A CN 109558814A
Authority
CN
China
Prior art keywords
face
image
correction
constraint
target
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
Application number
CN201811353070.XA
Other languages
English (en)
Inventor
梁久祯
徐昕
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.)
Changzhou University
Original Assignee
Changzhou 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 Changzhou University filed Critical Changzhou University
Priority to CN201811353070.XA priority Critical patent/CN109558814A/zh
Publication of CN109558814A publication Critical patent/CN109558814A/zh
Pending legal-status Critical Current

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (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

本发明涉及无约束人脸验证技术领域，具体涉及一种三维矫正和加权相似性度量学习的无约束人脸验证方法。首先，针对无约束人脸图像中的人脸姿势变化对验证准确性的影响，提出了一种有效的三维人脸矫正方法。首先对人脸图像进行人脸特征点检测，针对多人脸图像，需进行目标人脸特征点筛选。其次，利用检测的人脸特征点进行三维人脸矫正，并裁剪矫正后的图像的人脸的相关区域以去除复杂的图像背景。最后，提出一种加权相似性度量学习的方法，将相似性度量学习以及马氏距离度量学习两种方法进行加权结合到一起，能够更好的学习两张图像之间的相似度，更加有利于相似图像对与不相似图像对的区分，提高验证准确率。

Description

一种三维矫正和加权相似性度量学习的无约束人脸验证方法
技术领域
本发明涉及无约束人脸验证技术领域，具体涉及一种基于三维矫正和加权相似性度量学习的无约束人脸验证方法。
背景技术
人脸作为当前的生物特征识别技术之一，因其直接、方便、友好的特点得到了广泛的研究与应用。人脸验证的目的是判断两张图像是否为同一个人。其中，无约束人脸验证是一个非常具有挑战性的问题。无约束人脸在人脸姿势、光照、背景、表情等方面变化非常大，并且常常伴有遮挡，而这些变化也对验证的准确率造成了一定的影响。
人脸姿势变化是导致识别率下降的一个重要因素，很多研究学者试图通过研究人脸矫正的方法来解决人脸姿势变化这一问题。Fontaine等人提出了一个基于三角网格形变以及仿射变换的2D人脸矫正方法来生成输入图像的正面人脸图像。Blanz等人使用一个标准的人脸模型和一个光照模型，首先利用主成分分析的方法来进行人脸图像的特征提取，在通过贝叶斯函数确定模型中的参数，最后获得该人脸图像的三维模型，完成人脸矫正。Kemelmacher等人利用图像中物体表面的明暗变化来恢复其表面各点的相对高度，完成物体的三维重构。尽管该方法可行，但它对于遮挡问题以及镜面的反射问题(眼镜)十分敏感，并且常常需要事先将面部区域从背景中分离出来。
对于无约束人脸图像中存在的问题，研究人员也提出了一些基于度量学习方法的算法。度量学习也就是常说的相似度学习，如果需要计算两张图像的相似度，如何度量图像之间的相似度使得不同类别的图像相似度小，而相同类别的图像相似度大就是度量学习的目标。Fu等人提出了一种学习关联度量的方法，该度量学习模型在对样本进行降维后，可以保留样本之间的近邻关系，作者还针对关联度量提出了相关嵌入分析(CEA,CorrelationEmbedding Analysis)模型和相关主成分分析(CPCA,Correlation Principle ComponentAnalysis)模型。Nguyen和Bai等人提出了余弦相似度度量学习(CSML)模型，该模型使用余弦相似度来构造目标函数。Huang等人提出了广义稀疏度量学习(GSML,GeneralizedSparse Metric Learning)模型，该方法为许多有代表性的稀疏度量学习模型提供了一个统一的角度，并且可以将现有的许多非稀疏度量学习模型扩展到稀疏度量学习形式。度量学习可分为两类：距离度量学习和相似性度量学习。大部分的距离度量学习旨在学习马氏距离：其中x和y表示特征向量，M是需要学习的矩阵。而相似性度量学习旨在学习以下形式的相似性：sM(a,b)＝aTMb/N(a,b)，其中N(a,b)是一个规范化项。当N(a,b)＝1，sM(a,b)是一个双线性相似方程；当sM(a,b)是一个广义余弦相似度函数。
发明内容
本发明要解决的技术问题是：为了解决无约束人脸图像中人脸姿势、表情、光照变化大以及种族、年龄跨度大对验证准确率带来的影响，本发明提供了一种基于三维人脸矫正和加权相似性度量学习的无约束人脸验证方法，通过三维人脸矫正以及人脸的相关区域的裁剪，减少了人脸姿势变化以及复杂的图像背景对验证带来的影响，提高了验证准确率。通过加权相似性度量学习，将相似度度量学习以及距离度量学习加权结合，能够更加有效的学习计算两张图像之间的相似度，有利于相似图像对与不相似图像对的区分。
本发明解决其技术问题所采用的技术方案是：
一种基于三维人脸矫正和加权相似性度量学习的无约束人脸验证方法，包括以下步骤：
1)输入无约束人脸图像；
2)用现有的Dlib特征检测算法进行人脸特征点检测；
3)对多人脸图像进行目标人脸特征点选择；
4)利用检测出的人脸特征点进行三维人脸矫正；
5)裁剪矫正后的人脸图像的人脸相关区域；
6)对裁剪后的人脸图像进行特征提取(例如Gabor、LBP等)，并降维(例如PCA、WPCA等)；
7)对降维后的人脸特征进行加权相似性度量学习，得到最终的验证结果。
具体地，所述对多人脸图像进行目标人脸特征点选择是，无约束图像中有可能会出现出目标任务以外的其他人脸，为了对正确的目标人脸进行矫正，需要进行目标人脸的选择。通常情况下，作为拍摄者目标人物的人脸在图像中应该占据着比较大的空间，因此在一张图像有多张人脸的情况下，目标人物的人脸相对于照片中其他人脸来说占的空间应该更大。本文采用的Dlib算法所定位的人脸框并没有考虑到人脸图像中的人脸大小问题，不适合进行目标人脸的筛选工作，因此用Dlib检测并保留图像中出现的所有人脸的特征点，再利用VJ算法进行人脸定位，该算法会给出图像中人脸的具***置(人脸框)，计算人脸框大小并进行排序，选择对应人脸框的面积最大的人脸作为该图像的目标人脸，并保留该目标人脸所检测出的特征点。
具体地，所述三维人脸矫正方法是，利用一个单一、不变的3D人脸模型，先用相机投影矩阵的原理生成该3D人脸的2D正面人脸图像(参考图像)，并在生成参考图像时保存3D模型与2D图像之间的各点之间的对应关系。用Dlib算法检测该参考图像以及输入图像的的人脸特征点，由两张图像的人脸特征点以及3D模型作为中介，可以找到输入图像与3D模型及其2D参考图像各点之间的对应关系。利用该对应关系，将输入的人脸图像中的人脸区域投影到由3D人脸模型生成的标准坐标系(即参考图像)中后，再利用像素采样生成一个矫正后的正面人脸图像。
具体地，所述裁剪矫正后的人脸图像的人脸相关区域是，无约束图像中复杂的背景问题会影响验证准确率，在矫正之后，所有图像的人脸都会出现在图像的中心区域，利用这一特性，可以进行人脸相关区域的裁剪，以去除复杂的图像背景。
具体地，所述加权相似性度量学习的方法是，在完成特征提取以及降维之后，将样本分为训练样本与测试样本，利用训练样本学习出最佳的相似矩阵G、距离矩阵M以及分类阈值σ。由相似矩阵G与距离矩阵M，可以计算出相似矩阵G与距离矩阵权重值。根据权重值将两者加权结合在即可得到两张测试图像的相似性分数，当相似性分数大于等于阈值σ时，判断两张图像相似(是同一个人)，否则判断为不相似。
本发明的有益效果是：本发明提供了一种基于三维人脸矫正和加权相似性度量学习的无约束人脸验证方法，通过三维人脸矫正以及人脸的相关区域的裁剪，减少了人脸姿势变化以及复杂的图像背景对验证带来的影响，提高了验证准确率。通过加权相似性度量学习，将相似度度量学习以及距离度量学习加权结合，能够更加有效的学习计算两张图像之间的相似度，有利于相似图像对与不相似图像对的区分。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的无约束人脸验证方法流程框图；
图2是本发明的由Dlib检测出的人脸图像特征点分布示意图；
图3是本发明的Dlib算法与VJ算法所检测出的人脸框示意图；
图4是本发明的2D参考图像及其由Dlib检测出的特征点分布示意图；
图5是本发明的人脸图像矫正及裁剪前后实验图；
具体实施方式
现在结合附图对本发明作进一步详细的说明。
图1是本发明的无约束人脸验证方法流程框图，图2是本发明的人脸框检测示意图，图3是本发明的人脸特征点示意图，图4是本发明的人脸图像矫正及裁剪前后实验图。
一种基于三维人脸矫正和加权相似性度量学习的无约束人脸验证方法，包括以下步骤：
1)输入无约束人脸图像；
2)用现有的Dlib特征检测算法进行人脸特征点检测；
3)对多人脸图像进行目标人脸特征点选择；
4)利用检测出的人脸特征点进行三维人脸矫正；
5)裁剪矫正后的人脸图像的人脸相关区域；
6)对裁剪后的人脸图像进行特征提取(例如Gabor、LBP等)，并降维(例如PCA、WPCA等)；
7)对降维后的人脸特征进行加权相似性度量学习，得到最终的验证结果。
所述利用检测出的人脸特征点进行三维人脸矫正方法是，对于一个单一、不变的3D人脸模型，选定一个相机投影矩阵CM＝AM[RM tM](其中AM为相机内部参数矩阵，[RM tM]是由旋转矩阵RM以及平移向量tM组成的相机外部参数矩阵)，可以生成该3D模型的2D正面人脸图像(参考图像，同时也是参考坐标系)。
在生成参考图像IR时，为图像中的每个像素点p'存储其对应的三维坐标P＝(X,Y,Z)T:
p'～CMP (1)
对于输入的测试图像IQ，记pi＝(xi,yi)T为测试图像的特征点的二维坐标，对参考图像IR同样也使用同样的特征检测方法进行特征点检测，并记其特征点坐标为pi'＝(xi',yi')T，由方程(1)可以得到参考图像特征点pi'所对应的在3D人脸模型上特征点的3D坐标Pi＝(Xi，Yi，Zi)T。
由于使用的特征检测器相同，所以测试图像的特征点pi与参考图像的特征点pi'是一一对应的，因此pi与3D坐标Pi也有了对应关系。同样的，利用相机标定原理，由之间的对应关系，可以近似得到测试图像在被拍摄时所使用的相机的投影矩阵MQ＝AQ[RQtQ]。有了测试图像的投影近似矩阵，可以得到测试图像中每个像素点与3D人脸模型每个点的3D坐标的对应关系，因此也就有了测试图像中每个像素点与参考图像中每个像素点之间的对应关系，利用双线性插值法，将测试图像在p点处的像素值采样分配到参考图像所对应的位置p'处，这样就生成了测试图像的一个初始的正面人脸。在矫正之后，所有的图像的人脸部分都处在图像的中心位置，利用这一特性对人脸进行裁剪即可将人脸从背景中分离出来。
如附图2所示，为Dlib检测出的人脸图像特征点分布示意图。如附图2所示，由Dlib检测出的人脸特征点共有68个，分别分布在眼睛、眉毛、鼻子嘴巴以及下颚轮廓上。
如附图3所示，为Dlib算法与VJ算法所检测出的人脸框示意图，图(a)是由Dlib算法检测标记的人脸框，图(b)是由VJ算法检测标记的人脸框。图(a)左边人脸的人脸框的左上角的坐标为(5,63)，右下角的坐标为(79，138),因此图(a)左边人脸的人脸框的大小为(79-5)×(138-63)＝5550；图(a)右边人脸(目标人脸)的人脸框的左上角的坐标为(88,96)，右下角的坐标为(162，171),因此图(a)右边人脸的人脸框的大小为(162-88)×(171-96)＝5550,两个人脸框大小一样，无法比较。图(b)左边人脸的人脸框的左上角的坐标为(6,51)，右下角的坐标为(87，132),因此图(a)左边人脸的人脸框的大小为(87-6)×(132-51)＝6561；图(a)右边人脸(目标人脸)的人脸框的左上角的坐标为(75,72)，右下角的坐标为(181，178),因此图(a)右边人脸的人脸框的大小为(181-75)×(178-72)＝11236，右边人脸框大于左边，因此选定右边人脸为目标人脸。由上述计算结果可知VJ算法在人脸框定位上的表现比Dlib算法更优，更适合用作目标人脸的筛选工作。
如附图4所示，为2D参考图像及其由Dlib检测出的特征点分布示意图。如附图4所示该2D参考图像即为3D模型所生成的2D正面人脸图像。
如附图5所示，为人脸图像矫正及裁剪前后实验图。其中，原图像大小为250×250，裁剪后的图像大小为90×90。
所述加权相似性度量学习的方法是，将相似度函数sM与马氏距离函数dM进行加权结合，得到一个广义的相似性函数f(M,G)来度量两张图像(ai,aj)之间的相似性：
f(M,G)(ai,aj)＝wsG(ai,aj)-(1-w)dM(ai,aj) (2)
其中，是平衡相似度函数sM与马氏距离函数dM的权重，(ai,aj)是经过特征提取以及降维操作后的两张图像的特征向量。令Γ＝S∪D表示所有成对约束的索引集，如果图像ai和aj相似，输出sij＝1，否则sij＝-1。损失函数是用于估计模型的预测值与真实值之间的不一致程度，使用铰链损失可以推出：
最小化上述关于G的经验误差将有利于相似图像对与不相似图像对的区分。加入正则化框架来避免过拟合，学习一个鲁棒的、并且有区分性的相似度量函数，约束要优化的参数：
其中，γ为正则化系数。松弛变量的引入可以减小噪声点对分类的影响：
利用拉格朗日对偶性，引入乘子α，β，将目标函数(5)改写为
通过对M,G和ξ求偏导，可以得到
其中At＝(ai-aj)(ai-aj)T，将式(7)代入方程(6)可得最终的目标函数：
利用训练样本进行上述加权相似性度量学习后，得到学习后的最佳的相似矩阵G、距离矩阵M。利用G和M，计算得到训练样本的加权相似性分数，选取最大的相似性分数ma和最小的相似性分数mi，分类阈值σ范围为[mi,ma]，步长(ma-mi)/6000。对每一个阈值σ，通过将相似性分数与该阈值相比(当相似性分数大于等于阈值σ时，判断两张图像相似(是同一个人)，否则判断为不相似)，由正确分类的样本数除以样本总数可以得到一个分类准确率accu：
记录下在训练样本上得到最高准确率时的阈值σ*，并将该阈值σ*用于测试样本的分类。

Claims (5)

1.一种三维矫正和加权相似性度量学习的无约束人脸验证方法，包括以下步骤：
1)将VJ算法与Dlib特征检测算法相结合，对多人脸图像进行目标人脸特征点检测；
2)利用Dlib检测出的人脸特征点进行三维人脸矫正，并对矫正后的人脸进行裁剪；
3)对矫正后的人脸进行特征提取(Gabor)并降维(PCA)，并对处理后的人脸特征进行加权相似性度量学习，得到最终的验证结果。
2.具体地，所述将VJ算法与Dlib特征检测算法相结合进行目标人脸特征点检测是，无约束图像中有可能会出现出目标任务以外的其他人脸，为了对正确的目标人脸进行矫正，需要进行目标人脸的选择。通常情况下，作为拍摄者目标人物的人脸在图像中应该占据着比较大的空间，因此在一张图像有多张人脸的情况下，目标人物的人脸相对于照片中其他人脸来说占的空间应该更大。本文采用的Dlib算法所定位的人脸框并没有考虑到人脸图像中的人脸大小问题，不适合进行目标人脸的筛选工作，因此用Dlib检测并保留图像中出现的所有人脸的特征点，再利用VJ算法进行人脸定位，该算法会给出图像中人脸的具***置(人脸框)，计算人脸框大小并进行排序，选择对应人脸框的面积最大的人脸作为该图像的目标人脸，并保留该目标人脸所检测出的特征点。
3.具体地，所述三维人脸矫正方法是，利用一个单一、不变的3D人脸模型，先用相机投影矩阵的原理生成该3D人脸的2D正面人脸图像(参考图像)，并在生成参考图像时保存3D模型与2D图像之间的各点之间的对应关系。用Dlib算法检测该参考图像以及输入图像的的人脸特征点，由两张图像的人脸特征点以及3D模型作为中介，可以找到输入图像与3D模型及其2D参考图像各点之间的对应关系。利用该对应关系，将输入的人脸图像中的人脸区域投影到由3D人脸模型生成的标准坐标系(即参考图像)中后，再利用像素采样生成一个矫正后的正面人脸图像。
4.具体地，所述裁剪矫正后的人脸图像的人脸相关区域是，无约束图像中复杂的背景问题会影响验证准确率，在矫正之后，所有图像的人脸都会出现在图像的中心区域，利用这一特性，可以进行人脸相关区域的裁剪，以去除复杂的图像背景。
5.具体地，所述加权相似性度量学习的方法是，在完成特征提取(Gabor)以及降维(PCA)之后，将样本分为训练样本与测试样本，利用训练样本学习出最佳的相似矩阵G、距离矩阵M以及分类阈值σ。由相似矩阵G与距离矩阵M，可以计算出相似矩阵G与距离矩阵M的权重值。根据权重值将两者加权结合在即可得到两张测试图像的相似性分数，当相似性分数大于等于阈值σ时，判断两张图像相似(是同一个人)，否则判断为不相似。
CN201811353070.XA 2018-11-14 2018-11-14 一种三维矫正和加权相似性度量学习的无约束人脸验证方法 Pending CN109558814A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811353070.XA CN109558814A (zh) 2018-11-14 2018-11-14 一种三维矫正和加权相似性度量学习的无约束人脸验证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811353070.XA CN109558814A (zh) 2018-11-14 2018-11-14 一种三维矫正和加权相似性度量学习的无约束人脸验证方法

Publications (1)

Publication Number Publication Date
CN109558814A true CN109558814A (zh) 2019-04-02

Family

ID=65866352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811353070.XA Pending CN109558814A (zh) 2018-11-14 2018-11-14 一种三维矫正和加权相似性度量学习的无约束人脸验证方法

Country Status (1)

Country Link
CN (1) CN109558814A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163369A (zh) * 2019-05-21 2019-08-23 北京迈格威科技有限公司 图像识别与神经网络模型的训练方法、装置和***
CN110211679A (zh) * 2019-05-24 2019-09-06 山东海博科技信息***股份有限公司 一种自助体检机视力检测智能化处理方法及装置
CN111553253A (zh) * 2020-04-26 2020-08-18 上海天诚比集科技有限公司 基于欧氏距离方差算法的标准人脸图像选取方法
CN111967499A (zh) * 2020-07-21 2020-11-20 电子科技大学 基于自步学习的数据降维方法
CN113139465A (zh) * 2021-04-23 2021-07-20 北京华捷艾米科技有限公司 人脸识别方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123560A (zh) * 2014-07-03 2014-10-29 中山大学 基于相位编码特征和多度量学习的模糊人脸图像验证方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123560A (zh) * 2014-07-03 2014-10-29 中山大学 基于相位编码特征和多度量学习的模糊人脸图像验证方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐昕等: "基于三维矫正和相似性学习的无约束人脸验证", 《计算机应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163369A (zh) * 2019-05-21 2019-08-23 北京迈格威科技有限公司 图像识别与神经网络模型的训练方法、装置和***
CN110211679A (zh) * 2019-05-24 2019-09-06 山东海博科技信息***股份有限公司 一种自助体检机视力检测智能化处理方法及装置
CN111553253A (zh) * 2020-04-26 2020-08-18 上海天诚比集科技有限公司 基于欧氏距离方差算法的标准人脸图像选取方法
CN111967499A (zh) * 2020-07-21 2020-11-20 电子科技大学 基于自步学习的数据降维方法
CN111967499B (zh) * 2020-07-21 2023-04-07 电子科技大学 基于自步学习的数据降维方法
CN113139465A (zh) * 2021-04-23 2021-07-20 北京华捷艾米科技有限公司 人脸识别方法及装置

Similar Documents

Publication Publication Date Title
CN108549873B (zh) 三维人脸识别方法和三维人脸识别***
CN110070074B (zh) 一种构建行人检测模型的方法
CN109800648B (zh) 基于人脸关键点校正的人脸检测识别方法及装置
CN110532920B (zh) 基于FaceNet方法的小数量数据集人脸识别方法
CN109558814A (zh) 一种三维矫正和加权相似性度量学习的无约束人脸验证方法
CN108921107B (zh) 基于排序损失和Siamese网络的行人再识别方法
CN108520226B (zh) 一种基于躯体分解和显著性检测的行人重识别方法
JP2024091962A (ja) 画像処理装置、画像処理方法
CN110503630B (zh) 一种基于三维深度学习模型的脑出血分类、定位与预测方法
CN110879982B (zh) 一种人群计数***及方法
CN110674748A (zh) 图像数据处理方法、装置、计算机设备以及可读存储介质
JP2017506379A5 (zh)
CN106407911A (zh) 基于图像的眼镜识别方法及装置
CN106023257A (zh) 一种基于旋翼无人机平台的目标跟踪方法
CN112199983B (zh) 一种多层次筛选的长时间大范围行人再识别方法
CN111191667A (zh) 基于多尺度生成对抗网络的人群计数方法
CN105976397B (zh) 一种目标跟踪方法
CN108960142B (zh) 基于全局特征损失函数的行人再识别方法
CN112784782B (zh) 一种基于多视角双注意网络的三维物体识别方法
CN111914643A (zh) 一种基于骨骼关键点检测的人体动作识别方法
JP6417664B2 (ja) 人物属性推定装置、人物属性推定方法及びプログラム
Zhang et al. Second-and high-order graph matching for correspondence problems
Yu et al. Sparse 3D directional vertices vs continuous 3D curves: efficient 3D surface matching and its application for single model face recognition
CN116958584A (zh) 关键点检测方法、回归模型的训练方法、装置及电子设备
CN110751005B (zh) 融合深度感知特征和核极限学习机的行人检测方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190402

WD01 Invention patent application deemed withdrawn after publication