CN110516557A - 基于低秩张量分解的多样本人脸表情识别方法 - Google Patents
基于低秩张量分解的多样本人脸表情识别方法 Download PDFInfo
- Publication number
- CN110516557A CN110516557A CN201910706708.1A CN201910706708A CN110516557A CN 110516557 A CN110516557 A CN 110516557A CN 201910706708 A CN201910706708 A CN 201910706708A CN 110516557 A CN110516557 A CN 110516557A
- Authority
- CN
- China
- Prior art keywords
- tensor
- rank
- low
- feature
- matrix
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000008921 facial expression Effects 0.000 title claims abstract description 23
- 230000014509 gene expression Effects 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 230000003416 augmentation Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
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
- 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
- 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
- G06V40/174—Facial expression recognition
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)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了一种基于低秩张量分解的多样本人脸表情识别方法,包括图像预处理步骤、特征提取步骤、张量建模步骤、低秩学习步骤、张量分解步骤和特征分类步骤。本发明利用张量表示特征空间能保留图像的非线性特征;通过低秩张量分解技术对不同个体的人脸子空间区域特征进行学习,得到了不同维度下的人脸信息,再对所有子空间下的张量进行分解,聚类重构得到表情特征的有效表示,对人脸表情信息表示能力更强,从而提高人脸表情识别率。
Description
技术领域
本发明涉及人脸表情识别技术领域,具体涉及一种基于低秩张量分解的多样本人脸表情识别方法。
背景技术
人脸表情在人类的日常交流中,通过语言传递的信息仅占7%,而人脸表情传递的信息却高达55%。研究计算机如何能够像人类具有理解和表达情感的能力,并能够自主适应环境,这将从根本上改变人与计算机之间的联系,因而,人脸表情识别具有广泛的应用前景。一是能够推动人机交互、人工智能、心理学以及计算机视觉等多个课题的发展,二是在服务业、侦察学的应用方面及基础学科研究的巨大作用。
表情识别主要目标为获取人们对同一表情的共同点,但其中存在诸多的信息干扰,获取表情信息中往往含有表情变化与自身特征。即同类表情易受不同个体的影响,且在实际应用的研究中,表情特征的变化信息存在非线性、连续性这两个特点,传统降维技术难以保留表情非线性特征变化。因此急需新方法解决此类问题。
发明内容
本发明所要解决的技术问题是,针对多个体、多样本人脸数据情况提供一种更精确、更便捷的人脸表情识别方法。
本发明采用的技术方案是,一种基于低秩张量分解的多样本人脸表情识别方法,包括如下步骤:
S1:图像预处理,利用人脸检测算法截取图像中的人脸区域;
S2:特征提取,通过多种模式下的特征算子对人脸区域进行特征提取;
S3:张量建模,根据提取到的人脸区域的特征,利用张量表示特征空间;特征空间张量中每一阶对应一个特征子空间;
S4:低秩学习,对特征空间张量进行低秩学习得到子空间下的使得张量模型聚类重构的低秩矩阵;
S5:张量分解,对子空间下的低秩矩阵进行分解、降维,从而得到不同维度下的投影矩阵;
S6:特征分类,对经过投影矩阵映射后提取到的特征进行分类。
本发明的有益效果是,张量表示特征空间能保留图像的非线性特征;通过低秩张量分解技术对不同个体的人脸子空间区域特征进行学习,得到了不同维度下的人脸信息,再对所有子空间下的张量进行分解,聚类重构得到表情特征的有效表示,对人脸表情信息表示能力更强,从而提高人脸表情识别率。
附图说明
图1:本发明总体框架示意图。
图2:本发明中低秩模型示意图。
图3:本发明中实施例中的张量分解示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合实施方式和附图,对本发明做进一步地详细描述。
本发明提出基于低秩张量分解的多样本人脸表情识别方法总体框架示意图参照图1所示。
本发明提供一种人脸表情识别方法,包括如下步骤:
对样本集与测试集分别进行S1至S5步:
S1:图像预处理,利用人脸检测算法截取图像中的人脸区域;
S2:特征提取,通过多种模式下的特征算子对人脸表情图像进行特征提取;
S3:张量建模,根据提取到的人脸区域的算子特征,构建基于算子与实验对象的张量模型;
S4:低秩学习,对张量表示的表情样本空间进行低秩学习得到子空间下的低秩矩阵;
S5:张量分解,对子空间下低秩样本进行分解和聚类学习,得到不同维度下的投影矩阵;
S6:特征分类,对经过投影矩阵映射后提取到的特征进行对比和分类。
其中,步骤S1包括如下步骤:
S11:将图像从彩色空间转换到灰度空间;
S12:利用人脸检测算法将人脸区域进行截取;
S13:对人脸区域图像进行尺度缩放。
步骤S2包括如下步骤:
S21:对人脸区域表情图片提取局部二值模式LBP算子特征;
S22:对人脸区域表情图片提取Gabor算子特征。
步骤S1、S2中的人脸检测方法以及算子特征提取方法均为现有技术中通用的方法,本发明不多加以限制。
张量建模方式是通过寻找影响表情识别效果的因素,如不同个体,不同的算子模式,从而可以找到张量的各个坐标轴所代表的物理意义。其中后续所建立的低秩模型主要围绕特征样本子空间来实现,最后,利用张量分解实现与表情相关影响维度上的来进行有效提取,步骤S3包括如下步骤:
S31:把步骤S2中各种模式下的特征算子提取的特征拉伸化为矢量并标准成同样长度,然后以算子通道维度进行级联形成特征矩阵;
S32:以人脸身份和表情属性为新的坐标轴,将不同人脸身份和表情的特征矩阵以新建立的坐标轴进行堆叠,建立特征空间张量
其中,I1代表特征维度,I2表示LBP、Gabor算子提取特征的通道的维度,I3表示人脸身份维度,I4表示表情信息维度。后续只对前3个维度进行处理。人脸对应具体的人,人脸身份这里表示人的身份标签。
本发明中,低秩模型围绕样本子空间将矩阵的秩信息作为一种稀疏测度的秩函数最小化正则的方法,能够有效刻画数据子空间以及噪声部分。
步骤S4包括如下步骤:
S41:利用特征空间张量构建特征子空间以及噪声部分的低秩模型,如图2所示:
其中,为特征空间张量,rank表示求解目标矩阵的秩,Z表示描述特征子空间的低秩重构矩阵,λ表示用于平衡低秩项和稀疏误差项的惩罚参数,‖·‖2,1表示l2,1范数,E为稀疏噪声部分,D表示特征的张成空间中的字典;
S42:对S41中的低秩模型进行凸优化为:
线性张成空间中的字典使用张量取代,‖·‖*表示核范数;
S43:对于高阶张量数据,低秩模型需考虑不同维度下的子空间表示方法。对凸优化后的低秩模型使用不同维度下的子空间表示,对在人脸身份维度子空间下的低秩矩阵使用张量表征:
E=[E(1);E(2);…;E(N)]
其中,分别表示Z,E在人脸身份维度子空间下矩阵数据,N为人脸身份这一阶的维度数,Ψ(·)表示对人脸身份维度子空间下的低秩矩阵Z(n)进行堆叠得到低秩张量
S44:通过增广拉格朗日交替乘子法对S43中的模型进行迭代优化得到低秩张量利用低秩张量中的人脸身份维度子空间下的低秩矩阵Z(n)对S3中的特征空间张量进行聚类重构编码得到的特征空间张量的低秩表征
步骤S5包括如下步骤:
S51:对S4中低秩表示的高阶张量构建张量Tucker分解模型,如图3所示:
其中,×n表示张量模式n乘,为特征数据、算子通道、人脸身份维度上的投影矩阵;为核心张量,保留原张量的主要信息,代表了各个维度上的交互作用,并具有一定的稳定性;
S52:利用非负Tucker分解将非负张量分解,该分解可通过求解最优化问题得到各个维度上的投影矩阵,其优化问题如下;
‖·‖2表示l2范数,优化可得到各个维度上投影矩阵Un;
S53:根据S52得到的各个维度上的投影矩阵Un对低秩表征的特征空间张量进行各个维度上的降维提取有效表征。
得到了样本集与测试集的人脸图片在不同维度下的投影矩阵后,进入步骤S6,步骤S6包括如下步骤:
S61:计算样本人脸i和测试人脸j的对应人脸区域提取到的特征距离为:
T为矩阵转置;
S62:根据特征距离得到整体人脸之间相似度从而对该测试人脸进行分类。
本发明的人脸表情识别算法在高阶张量的前提下,对JAFFE人脸表情库包含的不同个体的七种表情进行测试,平均识别率达到92.3%,而当前同类方法平均识别率为89.5%;在不同受验个体的前提下,对CK+人脸库包含的表情变化人脸序列进行测试,平均识别率达到93.4%,而当前同类方法平均识别率为91.6%。可见本发明的人脸识别方法提高了不同个体下人脸表情识别的准确率,具有较好的推广应用前景。
Claims (7)
1.一种基于低秩张量分解的多样本人脸表情识别方法,其特征在于,包括如下步骤:
S1:图像预处理,利用人脸检测算法截取图像中的人脸区域;
S2:特征提取,通过多种模式下的特征算子对人脸区域进行特征提取;
S3:张量建模,根据提取到的人脸区域的特征,利用张量表示表情特征空间;
S4:低秩学习,对特征空间张量进行低秩学习得到描述特征子空间的低秩重构矩阵;所述描述特征子空间的低秩重构矩阵为特征子空间下的使得张量模型聚类重构的低秩矩阵;
S5:张量分解,对子空间下的低秩矩阵进行分解、降维,从而得到不同维度下的投影矩阵;
S6:特征分类,对经过投影矩阵映射后提取到的特征进行分类。
2.如权利要求1所述方法,其特征在于,所述步骤S1包括如下步骤:
S11:将图像从彩色空间转换到灰度空间;
S12:利用人脸检测算法将人脸区域进行截取;
S13:对人脸区域图像进行尺度缩放。
3.如权利要求1所述方法,其特征在于,步骤S2包括如下步骤:
S21:对人脸区域表情图片提取局部二值模式LBP算子特征;
S22:对人脸区域表情图片提取Gabor算子特征。
4.如权利要求1所述方法,其特征在于,步骤S3包括如下步骤:
S31:把步骤S2中各种模式下的特征算子提取的特征拉伸化为矢量并标准成同样长度,然后以算子通道维度进行级联形成特征矩阵;
S32:以人脸身份和表情属性为新的坐标轴,将不同人脸身份和表情的特征矩阵以新建立的坐标轴进行堆叠,建立特征空间张量
其中,I1代表特征维度,I2表示利用特征算子提取特征的通道维度,I3表示人脸身份维度,I4表示表情信息维度。
5.如权利要求1所述方法,其特征在于,步骤S4包括如下步骤:
S41:利用特征空间张量构建特征子空间以及噪声部分的低秩模型:
其中,为特征空间张量,rank表示求解目标矩阵的秩,Z表示描述特征子空间的低秩重构矩阵,λ表示用于平衡低秩项和稀疏误差项的惩罚参数,‖·‖2,1表示l2,1范数,E为稀疏噪声部分,D表示特征的张成空间中的字典;
S42:对S41中的低秩模型进行凸优化为:
线性张成空间中的字典使用张量取代,‖·‖*表示核范数;
S43:对凸优化后的低秩模型使用不同维度下的子空间表示,对在人脸身份维度子空间下的低秩矩阵使用张量表征:
E=[E(1);E(2);…;E(N)]
其中,Z(n),E(n)分别表示Z,E在人脸身份维度子空间下矩阵数据,N为人脸身份这一阶的维度数,Ψ(·)表示对人脸身份维度子空间下的低秩矩阵Z(n)进行堆叠得到低秩张量
S44:通过增广拉格朗日交替乘子法对S43中的模型进行迭代优化得到低秩张量利用低秩张量中的人脸身份维度子空间下的低秩矩阵Z(n)对S3中的特征空间张量进行聚类重构编码得到的特征空间张量的低秩表征
6.如权利要求1所述的基于低秩张量分解的多样本人脸表情识别方法,其特征在于,所述步骤S5包括如下步骤:
S51:对S4中低秩表示的高阶张量构建张量Tucker分解模型:
其中,×n表示张量模式n乘,为特征数据、算子通道、人脸身份维度上的投影矩阵;为核心张量;
S52:分解特征空间张量的低秩表征得到各个维度上的投影矩阵Un:
‖·‖2表示l2范数;
S53:根据S52得到的各个维度上的投影矩阵Un对低秩表征的特征空间张量进行各个维度上的降维提取有效表征。
7.如权利要求1所述的基于低秩张量分解的多样本人脸表情识别方法,其特征在于,所述步骤S6包括如下步骤:
S61:由于本算法均为子空间学习方法,需计算样本人脸i和测试人脸j的对应人脸区域提取到的特征距离为:
T为矩阵转置;
S62:根据特征距离得到整体人脸之间相似度从而对该测试人脸进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910706708.1A CN110516557B (zh) | 2019-08-01 | 2019-08-01 | 基于低秩张量分解的多样本人脸表情识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910706708.1A CN110516557B (zh) | 2019-08-01 | 2019-08-01 | 基于低秩张量分解的多样本人脸表情识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110516557A true CN110516557A (zh) | 2019-11-29 |
CN110516557B CN110516557B (zh) | 2022-07-29 |
Family
ID=68624155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910706708.1A Expired - Fee Related CN110516557B (zh) | 2019-08-01 | 2019-08-01 | 基于低秩张量分解的多样本人脸表情识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516557B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178255A (zh) * | 2019-12-28 | 2020-05-19 | 西安交通大学 | 一种基于张量分解的多特征融合的4d表情识别方法 |
CN111339960A (zh) * | 2020-02-28 | 2020-06-26 | 江南大学 | 一种基于判别低秩回归模型的人脸识别方法 |
CN112329633A (zh) * | 2020-11-05 | 2021-02-05 | 南开大学 | 基于张量分解的情感识别方法、装置、介质及电子设备 |
CN113191958A (zh) * | 2021-02-05 | 2021-07-30 | 西北民族大学 | 一种基于鲁棒张量低秩表示的图像去噪方法 |
CN114866345A (zh) * | 2022-07-05 | 2022-08-05 | 支付宝(杭州)信息技术有限公司 | 一种生物识别的处理方法、装置及设备 |
CN114998620A (zh) * | 2022-05-16 | 2022-09-02 | 电子科技大学 | 一种基于张量分解的RNNPool网络目标识别方法 |
CN114998167A (zh) * | 2022-05-16 | 2022-09-02 | 电子科技大学 | 一种基于空间-光谱联合低秩的高光谱与多光谱图像融合方法 |
CN115019084A (zh) * | 2022-05-16 | 2022-09-06 | 电子科技大学 | 一种基于张量多属性特征迁移的分类方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170076180A1 (en) * | 2015-09-15 | 2017-03-16 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Processing Images using Online Tensor Robust Principal Component Analysis |
CN107392107A (zh) * | 2017-06-24 | 2017-11-24 | 天津大学 | 一种基于异构张量分解的人脸特征提取方法 |
CN108446589A (zh) * | 2018-02-07 | 2018-08-24 | 杭州电子科技大学 | 复杂环境下基于低秩分解和辅助字典的人脸识别方法 |
CN108510013A (zh) * | 2018-07-02 | 2018-09-07 | 电子科技大学 | 基于低秩核心矩阵的改进稳健张量主成分分析方法 |
CN109241491A (zh) * | 2018-07-28 | 2019-01-18 | 天津大学 | 基于联合低秩和稀疏表示的张量结构性缺失填充方法 |
CN110069978A (zh) * | 2019-03-04 | 2019-07-30 | 杭州电子科技大学 | 判别性非凸低秩分解和叠加线性稀疏表示的人脸识别方法 |
-
2019
- 2019-08-01 CN CN201910706708.1A patent/CN110516557B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170076180A1 (en) * | 2015-09-15 | 2017-03-16 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Processing Images using Online Tensor Robust Principal Component Analysis |
CN107392107A (zh) * | 2017-06-24 | 2017-11-24 | 天津大学 | 一种基于异构张量分解的人脸特征提取方法 |
CN108446589A (zh) * | 2018-02-07 | 2018-08-24 | 杭州电子科技大学 | 复杂环境下基于低秩分解和辅助字典的人脸识别方法 |
CN108510013A (zh) * | 2018-07-02 | 2018-09-07 | 电子科技大学 | 基于低秩核心矩阵的改进稳健张量主成分分析方法 |
CN109241491A (zh) * | 2018-07-28 | 2019-01-18 | 天津大学 | 基于联合低秩和稀疏表示的张量结构性缺失填充方法 |
CN110069978A (zh) * | 2019-03-04 | 2019-07-30 | 杭州电子科技大学 | 判别性非凸低秩分解和叠加线性稀疏表示的人脸识别方法 |
Non-Patent Citations (4)
Title |
---|
AMNON SHASHUA等: "Non-negative tensor factorization with applications to statistics and computer vision", 《IN PROCEEDINGS OF TH 22TH INTERNATIONAL CONFERENCE ON MACHINE LEARNING》 * |
DAVID GUILLAMET等: "Non-negative Matrix Factorization for Face Recognition", 《CATALONIAN CONFERENCE ON ARTIFICIAL INTELLIGENCE CCIA2002:TOPICS IN ARTIFICIAL INTELLIGENCE》 * |
GUANGCAN LIU等: "Robust Recovery of Subspace Structures by Low-Rank Representation", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
LEDYARD R TUCKER: "SOME MATHEMATICAL NOTES ON THREE-MODE FACTOR ANALYSIS", 《PSYCIHIOMETRIKA》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178255A (zh) * | 2019-12-28 | 2020-05-19 | 西安交通大学 | 一种基于张量分解的多特征融合的4d表情识别方法 |
CN111178255B (zh) * | 2019-12-28 | 2022-07-12 | 西安交通大学 | 一种基于张量分解的多特征融合的4d表情识别方法 |
CN111339960A (zh) * | 2020-02-28 | 2020-06-26 | 江南大学 | 一种基于判别低秩回归模型的人脸识别方法 |
CN111339960B (zh) * | 2020-02-28 | 2023-08-11 | 江南大学 | 一种基于判别低秩回归模型的人脸识别方法 |
CN112329633A (zh) * | 2020-11-05 | 2021-02-05 | 南开大学 | 基于张量分解的情感识别方法、装置、介质及电子设备 |
CN113191958A (zh) * | 2021-02-05 | 2021-07-30 | 西北民族大学 | 一种基于鲁棒张量低秩表示的图像去噪方法 |
CN113191958B (zh) * | 2021-02-05 | 2022-03-29 | 西北民族大学 | 一种基于鲁棒张量低秩表示的图像去噪方法 |
CN115019084A (zh) * | 2022-05-16 | 2022-09-06 | 电子科技大学 | 一种基于张量多属性特征迁移的分类方法 |
CN114998167A (zh) * | 2022-05-16 | 2022-09-02 | 电子科技大学 | 一种基于空间-光谱联合低秩的高光谱与多光谱图像融合方法 |
CN114998620A (zh) * | 2022-05-16 | 2022-09-02 | 电子科技大学 | 一种基于张量分解的RNNPool网络目标识别方法 |
CN114998167B (zh) * | 2022-05-16 | 2024-04-05 | 电子科技大学 | 一种基于空间-光谱联合低秩的高光谱与多光谱图像融合方法 |
CN115019084B (zh) * | 2022-05-16 | 2024-05-28 | 电子科技大学 | 一种基于张量多属性特征迁移的分类方法 |
CN114866345A (zh) * | 2022-07-05 | 2022-08-05 | 支付宝(杭州)信息技术有限公司 | 一种生物识别的处理方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110516557B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516557A (zh) | 基于低秩张量分解的多样本人脸表情识别方法 | |
McConville et al. | N2d:(not too) deep clustering via clustering the local manifold of an autoencoded embedding | |
López et al. | Hopfield–K-Means clustering algorithm: A proposal for the segmentation of electricity customers | |
CN111695456B (zh) | 一种基于主动判别性跨域对齐的低分辨人脸识别方法 | |
CN106295694A (zh) | 一种迭代重约束组稀疏表示分类的人脸识别方法 | |
CN105760821A (zh) | 基于核空间的分类聚集稀疏表示的人脸识别方法 | |
CN108256486B (zh) | 一种基于非负低秩和半监督学习的图像识别方法及装置 | |
CN103177265B (zh) | 基于核函数与稀疏编码的高清图像分类方法 | |
CN106599833B (zh) | 一种基于领域适应和流形距离度量的人脸识别方法 | |
Liao et al. | Face recognition based on dictionary learning and subspace learning | |
Doimo et al. | Hierarchical nucleation in deep neural networks | |
Wang et al. | Multiple manifolds metric learning with application to image set classification | |
Li et al. | Dating ancient paintings of Mogao Grottoes using deeply learnt visual codes | |
CN110796022A (zh) | 一种基于多流形耦合映射的低分辨人脸识别方法 | |
CN111695455B (zh) | 一种基于耦合判别流形对齐的低分辨人脸识别方法 | |
Guo et al. | Deep embedded K-means clustering | |
Cui et al. | Face recognition via convolutional neural networks and siamese neural networks | |
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 | |
Wang et al. | Research on face recognition technology based on PCA and SVM | |
CN108596245A (zh) | 一种基于多视图协同完整鉴别子空间学习的人脸识别方法 | |
CN110781822B (zh) | 基于自适应多方位角字典对学习的sar图像目标识别方法 | |
CN117093924A (zh) | 基于域适应特征的旋转机械变工况故障诊断方法 | |
CN116452863A (zh) | 面向遥感影像场景分类的类中心知识蒸馏方法 | |
CN108256569B (zh) | 一种复杂背景下的对象识别方法及使用的计算机技术 | |
Xiong et al. | Semi-definite manifold alignment |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220729 |