CN111914652B - 一种基于两层自组织神经网络的人脸特征二进制编码与识别方法 - Google Patents
一种基于两层自组织神经网络的人脸特征二进制编码与识别方法 Download PDFInfo
- Publication number
- CN111914652B CN111914652B CN202010627333.2A CN202010627333A CN111914652B CN 111914652 B CN111914652 B CN 111914652B CN 202010627333 A CN202010627333 A CN 202010627333A CN 111914652 B CN111914652 B CN 111914652B
- Authority
- CN
- China
- Prior art keywords
- face
- coding
- sift
- feature
- image
- 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.)
- Active
Links
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于两层自组织神经网络的人脸特征二进制编码与识别方法,步骤为:首先将人脸图像划分为多个子块,提取图像的SIFT特征;根据人脸图像SIFT特征构建两层自组织神经网络,构成视觉词典;基于视觉词典以及两层SOM架构对人脸图像编码,将人脸特征投射到深层语义空间;对编码后人脸图像池化,降低编码维度,生成二进制编码描述人脸;最后,通过与运算方式计算图像编码距离对人脸图像分类。本发明利用SOM模拟人类视觉感知机制,形成二进制的特征信息提取方案,利于人脸快速识别,对人脸识别情况下的视觉遮挡,光线变化方面具有很强鲁棒性。
Description
技术领域
本发明属于设计人脸识别技术领域,特别涉及一种基于两层自组织神经网络的人脸特征二进制编码与识别方法。
背景技术
人脸特征由于其易获取,非侵占性强,易提取特征的特性,在生物特征识别方面有着极大的优势,人脸识别技术的研究也始终是计算机视觉方面的研究热点。人脸识别技术经过几十年的发展,在识别精度,环境影响等方面都取得了很大的进展,已经广泛应用在身份识别,准入控制,司法确认上。但在人脸识别的实际应用过程中,大部分应用场景都存在训练样本不足,例如单样本识别的情况,给实际的应用带来很大问题。
单样本人脸识别由于训练样本的不充分,人脸图像的环境影响,表情变化会进一步加深人脸特征表示与类别信息不统一的问题。词袋模型通过提取中层语义特征,可以有效缩小“语义鸿沟”,减少特征表示与高层类别信息间的距离,近年来已被引入人脸识别领域。例如,Xie等人(S.F.Xie,S.G.Shan,X.L.Chen,X.Meng and W.Gao,Learned localGabor pattern for face representation and recognition.Signal Processing,vol.89,no.3,pp.2333-2344,2009)通过在多方向和多尺度上对图像进行Gabor变换分割图像并构建视觉词典,将图像用每个小块的单词频率直方图表述出来。但由于当前的词袋模型的生成方式往往通过K均值聚类的方式生成视觉词典,这种生成方式并不符合人类的认知方式,忽略了数据间内在规律,在单样本条件下无法从人脸的表情变化,光照变化下提取人脸的本质特征,从而出现特征编码不一致的问题。目前生物研究表明,唯一能够应对不可控人脸图像变化的只有人类视觉***。通过自组织神经网络模拟人类视觉***的机制,实现图像识别,也是研究人员的重点研究方向。例如Kohonen等人(T.Kohonen,Self-Organization and Associative Memory,2nd edition,Berlin:Springer-Verlag,1988)将SOM用于人脸回忆应用中,在存在噪声和遮挡的情况下仍具有很高的准确率,Liu等人(N.Liu,J.J.Wang,Y.H.Gong,“Deep Self-Organizing Map for VisualClassification,”International Joint Conference on Neural Networks(IJCNN),12-17July 2015)利用人类多层视觉感知的机理构建多层SOM网络,在字符识别上得到很高准确率,但目前仍未提出有效方法将SOM应用到单样本人脸识别中。
发明内容
发明目的:为了克服现有技术中存在的问题,本发明提供一种基于两层自组织神经网络的人脸特征二进制编码与识别方法,采用一种识别速度更快,识别精度更高的编码方案实现单样本人脸快速识别。
技术方案:为实现上述目的,本发明提供一种基于两层自组织神经网络的人脸特征二进制编码与识别方法,包括以下步骤:
步骤1,将训练人脸图像划分为N个互不重叠的子块,对每个子块提取SIFT特征,获得该人脸图像的SIFT局部特征集合X∈RD×N,其中,D表示SIFT局部特征维数,N表示子块个数。
步骤2,对人脸图像训练集内每个训练图像随机选取A个SIFT特征,构成SIFT特征集合Xs,利用Xs作为输入层构建第一层自组织神经网络(SOM)S1,其输出层神经元数量为T。
步骤3,将集合Xs输入S1,得到每个SIFT特征响应的神经元。选择响应SIFT特征较多的神经元构成神经元集合S,这部分神经元响应SIFT特征较多,鉴别性弱,其对应的SIFT特征构成集合利用Xt构建第二层自组织神经网络S2,其输出层神经元数量为F。
步骤4,对任意一个训练或测试人脸图像,按照步骤1中训练人脸图像的划分方式划分子块,并提取子块的SIFT局部特征,构成集合Xr={x1,x2,…,xM}∈RD×M,其中,M为一张人脸图像所有子块的个数;基于步骤2,3获得的自组织神经网络S1,S2,对该人脸图像的SIFT局部特征集合Xr中的SIFT局部特征xm进行两层二进制编码,获得其编码向量cm,m=1,2,…,M。
步骤5,将人脸图像分割为W×W个局部块,每个局部块包含多个子块。设定每个局部块中含有MH个编码向量,对这些编码向量进行最大值池化操作,获得池化后的特征;将所有局部块池化后的特征合并到一起,得到该人脸图像的人脸特征编码表示。
步骤6,对所有训练人脸图像和所有测试人脸图像进行步骤4,5的操作,得到所有训练人脸图像和所有测试人脸图像的人脸特征编码表示,将人脸特征编码进行二进制与运算计算相似度,通过相似度比较获得所有测试人脸图像的分类识别结果。
作为本发明的一种优选方案,步骤4所述,利用S1,S2对人脸图像的SIFT局部特征集合Xr中的SIFT局部特征xm进行两层编码。具体步骤如下:
(1)将SIFT特征xm输入第一层神经网络S1,获得xm在S1上的响应神经元集合L1。
(2)将S1内除S(S为步骤3中得到的S1上被响应次数较多神经元的集合)外剩余神经元构成集合S1′,创建全0编码向量U1,U1长度为S1′上的神经元个数K。S1′上神经元与编码向量U1内位置一一对应。
(3)对SIFT特征xm在S1′上进行编码。其中,U1(t)为U1在第t位置处的编码,P为编码向量U1在t处对应的S1′上神经元。
得到SIFT特征xm在S1′上的编码向量U1。
(4)根据步骤3中得到的第二层神经网络S2,创建长度为S2内神经元个数F的全0编码向量U2,S2上神经元与编码向量U2内位置一一对应。
(5)判断xm在S1上是否存在响应神经元属于低鉴别性的神经元集合S。如果存在,执行(6);否则,直接执行(7)。
(6)将SIFT特征xm输入第二层神经网络S2,获得xm在S2上的响应神经元集合L2。对SIFT特征xm在S2上进行编码。
其中,U2(t)为U2在t位置处的编码,P为编码向量U2在t处对应的S2上神经元。
得到SIFT特征xm在S2上的编码向量U2。
(7)连接SIFT特征xm在两层自组织神经网络上获得的编码向量U1,U2,得到SIFT特征xm在SOM上的两层二进制编码cm。
作为本发明的一种优选方案,步骤5所述,对人脸图像局部块最大值池化操作。计算公式如下。
其中,BH为池化后的编码,ch为局部块中的第h个编码向量,MH每个局部块中含有编码向量的个数。
作为本发明的一种优选方案,步骤6所述,基于二进制与运算计算相似度,进行人脸识别的具体过程如下:
(1)计算测试图像Q与每个训练图像之间与运算结果。
Simg=BQ&Bg (g=1,2,3…G)
其中,Simg为测试图像Q与第g个训练图像间与运算计算结果,Simg值越大,图像相似度越高,BQ为测试图像Q的特征编码,Bg为第g个训练图像的特征编码,G为训练图像总个数,&表示二进制与运算。
(2)比较集合SIM={Sim1,Sim2,…,SimG}内所有元素得到最大值SimI,则测试图像Q与训练图像I相似度最高,Q分类结果为训练图像I所在类别。
基于词袋模型和自组织网络在图像识别的特性,本发明将自组织神经网络与词袋模型相结合,改进传统的词袋模型构造方式,使改进后的词袋模型能够符合人类视觉认知,并且词典结构保持自组织神经网络的拓扑结构,使之能够在单样本条件下得到更好的识别精度。
有益效果:本发明与现有技术相比具有以下优点:
1、本发明基于人类视觉信息提取方案提出两层SOM架构,与传统神经网络相比学习能力,适用范围更强。由一个数据库构成的SOM结构可应用于其它数据库。
2、本发明模拟人类视觉感知机制提出基于两层SOM的特征编码方案,通过两层编码提取更准确的图像信息,在图像识别方面对光照变化,遮挡方面都具有很强的识别精度。
3、本发明对图像采用了二进制稀疏编码方案,存储能力强,分类速度快,有利于大规模人脸的快速识别分类。
附图说明
图1为本发明的总体流程图;
图2为具体实施例中基于两层SOM编码的分类示意。
具体实施方式
下面结合具体实施例,进一步阐明本发明,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,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
人类视觉***处理视觉信息时,具有视觉掩盖,视觉逐层推导的机制,利用SOM网络模拟人类神经元处理视觉信号的过程,提出了基于两层SOM的人脸识别方案。基于视觉掩盖特性,在两层SOM编码时省略模糊信息,降低编码长度;基于逐层推导机制,对特征进行第二层编码,细化特征分类。基于这一想法,本发明提出一种基于两层自组织神经网络的人脸特征二进制编码与识别方法。
包括以下步骤:
1、将训练人脸图像划分为N个互不重叠的子块,对每个子块提取SIFT特征,获得该人脸图像的SIFT局部特征集合X∈RD×N,其中,D表示SIFT局部特征维数,N表示子块个数。
2、对人脸图像训练集内每个训练图像随机选取A个SIFT特征,构成SIFT特征集合Xs,利用Xs作为输入层构建第一层自组织神经网络(SOM)S1,其输出层神经元数量为T。
3、将集合Xs输入S1,得到每个SIFT特征响应的神经元。选择响应SIFT特征较多的神经元构成神经元集合S,这部分神经元响应SIFT特征较多,鉴别性弱,其对应的SIFT特征构成集合利用Xt构建第二层自组织神经网络S2,其输出层神经元数量为F。
4、对任意一个训练或测试人脸图像,按照步骤1中训练人脸图像的划分方式划分子块,并提取子块的SIFT局部特征,构成集合Xr={x1,x2,…,xM}∈RD×M,其中,M为一张人脸图像所有子块的个数;基于步骤2,3获得的自组织神经网络S1,S2,对该人脸图像的SIFT局部特征集合Xr中的SIFT局部特征xm进行两层二进制编码,获得其编码向量cm,m=1,2,…,M,具体过程如下:
(4.1)将SIFT特征xm输入第一层神经网络S1,获得xm在S1上的响应神经元集合L1。
(4.2)将S1内除S(S为步骤3中得到的S1上被响应次数较多神经元的集合)外剩余神经元构成集合S1′,创建全0编码向量U1,U1长度为S1′上的神经元个数K。S1′上神经元与编码向量U1内位置一一对应。
(4.3)对SIFT特征xm在S1′上进行编码。其中,U1(t)为U1在第t位置处的编码,P为编码向量U1在t处对应的S1′上神经元。
得到SIFT特征xm在S1′上的编码向量U1。
(4.4)根据步骤3中得到的第二层神经网络S2,创建长度为S2内神经元个数F的全0编码向量U2,S2上神经元与编码向量U2内位置一一对应。
(4.5)判断xm在S1上是否存在响应神经元属于低鉴别性的神经元集合S。如果存在,执行(4.6);否则,直接执行(4.7)。
(4.6)将SIFT特征xm输入第二层神经网络S2,获得xm在S2上的响应神经元集合L2。对SIFT特征xm在S2上进行编码。
其中,U2(t)为U2在t位置处的编码,P为编码向量U2在t处对应的S2上神经元。
得到SIFT特征xm在S2上的编码向量U2。
(4.7)连接SIFT特征xm在两层自组织神经网络上获得的编码向量U1,U2,得到SIFT特征xm在SOM上的两层二进制编码cm。
5、将人脸图像分割为W×W个局部块,每个局部块包含多个子块。设定每个局部块中含有MH个编码向量,对这些编码向量进行最大值池化操作,获得池化后的特征,计算公式如下:
其中,BH为池化后的编码,ch为局部块中的第h个编码向量,MH每个局部块中含有编码向量的个数。
将所有局部块池化后的特征合并到一起,得到该人脸图像的人脸特征编码表示。
6、对所有训练人脸图像和所有测试人脸图像进行步骤4,5的操作,得到所有训练人脸图像和所有测试人脸图像的人脸特征编码表示,将人脸特征编码进行二进制与运算计算相似度,通过相似度比较获得所有测试人脸图像的分类识别结果。计算相似度具体方法如下:
计算测试图像Q与每个训练图像之间与运算结果。
Simg=BQ&Bg(g=1,2,3…G)
其中,Simg为测试图像Q与第g个训练图像间与运算计算结果,Simg值越大,图像相似度越高,BQ为测试图像Q的特征编码,Bg为第g个训练图像的特征编码,G为训练图像总个数,&表示二进制与运算。
得到集合SIM={Sim1,Sim2,…,SimG}表示测试图像与所有训练图像的相似度大小,找到其中最大值SimI,则测试图像Q与训练图像I相似度最高,Q分类结果为训练图像I所在类别。
本发明提出一种基于两层自组织神经网络的人脸特征二进制编码与识别方法,可以适用于大规模人脸识别数据库,并且在单样本情况下生成两层SOM并且基于SOM对人脸图像编码。其二进制特征编码方案在信息存储方面有着很大的优势,节省存储空间。并且利用二进制的编码对图像通过与运算进行分类,可以应用于并行计算,加快分类速度,在大规模图像情况下也具有很大的优势。同时,通过在AR数据库上的实验表明,该发明在光照,表情,遮挡情况下的人脸识别都具有很高的鲁棒性与计算精度。
Claims (5)
1.一种基于两层自组织神经网络的人脸特征二进制编码与识别方法,其特征在于,包括如下步骤:
(1)将训练人脸图像划分为N个互不重叠的子块,对每个子块提取SIFT特征,获得该人脸图像的SIFT局部特征集合X∈RD×N,其中,D表示SIFT局部特征维数,N表示子块个数;
(2)对人脸图像训练集内每个训练图像随机选取A个SIFT特征,构成SIFT特征集合Xs,利用Xs作为输入层构建第一层自组织神经网络(SOM)S1,其输出层神经元数量为T;
(3)将集合Xs输入S1,得到每个SIFT特征响应的神经元;选择响应SIFT特征较多的神经元构成神经元集合S,这部分神经元响应SIFT特征较多,鉴别性弱,其对应的SIFT特征构成集合利用Xt构建第二层自组织神经网络S2,其输出层神经元数量为F;
(4)对任意一个训练或测试人脸图像,按照步骤(1)中训练人脸图像的划分方式划分子块,并提取子块的SIFT局部特征,构成集合Xr={x1,x2,…,xM}∈RD×M,其中,M为一张人脸图像所有子块的个数;基于步骤(2)和步骤(3)获得的自组织神经网络S1,S2,对该人脸图像的SIFT局部特征集合Xr中的SIFT局部特征xm进行两层二进制编码,获得其编码向量cm,m=1,2,…,M;
(5)获取人脸图像的人脸特征,并对该人脸特征进行编码表示;
(6)对所有训练人脸图像和所有测试人脸图像进行步骤(4)和步骤(5)的操作,得到所有训练人脸图像和所有测试人脸图像的人脸特征编码表示,将人脸特征编码进行二进制与运算计算相似度,通过相似度比较获得所有测试人脸图像的分类识别结果。
2.根据权利要求1所述的一种基于两层自组织神经网络的人脸特征二进制编码与识别方法,其特征在于,所述步骤(4)中利用S1,S2对人脸图像的SIFT局部特征集合Xr中的SIFT局部特征xm进行两层编码的具体步骤如下:
(4.1)将SIFT特征xm输入第一层神经网络S1,获得xm在S1上的响应神经元集合L1;
(4.2)将S1内除S,外剩余神经元构成集合S1′,创建全0编码向量U1,U1长度为S1′上的神经元个数K;其中S为步骤(3)中得到的S1上被响应次数较多神经元的集合;S1′上神经元与编码向量U1内位置一一对应;
(4.3)对SIFT特征xm在S1′上进行编码;其中,U1(t)为U1在第t位置处的编码,P为编码向量U1在t处对应的S1′上神经元;
得到SIFT特征xm在S1′上的编码向量U1;
(4.4)根据步骤(4.3)中得到的第二层神经网络S2,创建长度为S2内神经元个数F的全0编码向量U2,S2上神经元与编码向量U2内位置一一对应;
(4.5)判断xm在S1上是否存在响应神经元属于低鉴别性的神经元集合S;如果存在,执行(4.6);否则,直接执行(4.7);
(4.6)将SIFT特征xm输入第二层神经网络S2,获得xm在S2上的响应神经元集合L2;对SIFT特征xm在S2上进行编码;
其中,U2(t)为U2在t位置处的编码,P为编码向量U2在t处对应的S2上神经元;
得到SIFT特征xm在S2上的编码向量U2;
(4.7)连接SIFT特征xm在两层自组织神经网络上获得的编码向量U1,U2,得到SIFT特征xm在SOM上的两层二进制编码cm。
4.根据权利要求1所述的一种基于两层自组织神经网络的人脸特征二进制编码与识别方法,其特征在于,所述步骤(6)中基于二进制与运算计算相似度,进行人脸识别的具体过程如下:
(6.1)计算测试图像Q与每个训练图像之间与运算结果;
Simg=BQ&Bg(g=1,2,3…G)
其中,Simg为测试图像Q与第g个训练图像间与运算计算结果,Simg值越大,图像相似度越高,BQ为测试图像Q的特征编码,Bg为第g个训练图像的特征编码,G为训练图像总个数,&表示二进制与运算;
(6.2)比较集合SIM={Sim1,Sim2,…,SimG}内所有元素得到最大值SimI,则测试图像Q与训练图像I相似度最高,Q分类结果为训练图像I所在类别。
5.根据权利要求1所述的一种基于两层自组织神经网络的人脸特征二进制编码与识别方法,其特征在于,所述步骤(5)中获取人脸图像的人脸特征的具体步骤如下:并对该人脸特征进行编码表示;将人脸图像分割为W×W个局部块,每个局部块包含多个子块;设定每个局部块中含有MH个编码向量,对这些编码向量进行最大值池化操作,获得池化后的特征;将所有局部块池化后的特征合并到一起,得到该人脸图像的人脸特征编码表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010627333.2A CN111914652B (zh) | 2020-07-02 | 2020-07-02 | 一种基于两层自组织神经网络的人脸特征二进制编码与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010627333.2A CN111914652B (zh) | 2020-07-02 | 2020-07-02 | 一种基于两层自组织神经网络的人脸特征二进制编码与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914652A CN111914652A (zh) | 2020-11-10 |
CN111914652B true CN111914652B (zh) | 2022-07-29 |
Family
ID=73227134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010627333.2A Active CN111914652B (zh) | 2020-07-02 | 2020-07-02 | 一种基于两层自组织神经网络的人脸特征二进制编码与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914652B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052094A (zh) * | 2021-03-30 | 2021-06-29 | 北京卓视智通科技有限责任公司 | 遮挡号牌原车确定方法、装置和电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110120A (zh) * | 2018-06-11 | 2019-08-09 | 北方工业大学 | 一种基于深度学习的图像检索方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10891541B2 (en) * | 2016-05-16 | 2021-01-12 | Canon Kabushiki Kaisha | Devices, systems, and methods for feature encoding |
-
2020
- 2020-07-02 CN CN202010627333.2A patent/CN111914652B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110120A (zh) * | 2018-06-11 | 2019-08-09 | 北方工业大学 | 一种基于深度学习的图像检索方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111914652A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dino et al. | Facial expression classification based on SVM, KNN and MLP classifiers | |
CN110532900B (zh) | 基于U-Net和LS-CNN的人脸表情识别方法 | |
Bera et al. | Sr-gnn: Spatial relation-aware graph neural network for fine-grained image categorization | |
CN109190566B (zh) | 一种融合局部编码与cnn模型手指静脉识别方法 | |
CN111324765A (zh) | 基于深度级联跨模态相关性的细粒度草图图像检索方法 | |
CN105095880B (zh) | 一种基于lgbp编码的手指多模态特征融合方法 | |
CN107122712A (zh) | 基于卷积神经网络和双向局部特征聚合描述向量的掌纹图像识别方法 | |
Tereikovskyi et al. | The method of semantic image segmentation using neural networks | |
Li et al. | Dating ancient paintings of Mogao Grottoes using deeply learnt visual codes | |
Yue et al. | Face recognition based on histogram equalization and convolution neural network | |
CN112836589A (zh) | 基于特征融合的视频中人脸表情识别方法 | |
CN112883941A (zh) | 一种基于并行神经网络的人脸表情识别方法 | |
CN116110089A (zh) | 一种基于深度自适应度量学习的面部表情识别方法 | |
CN110852292B (zh) | 一种基于跨模态多任务深度度量学习的草图人脸识别方法 | |
Zhang | Application of artificial intelligence recognition technology in digital image processing | |
CN111914652B (zh) | 一种基于两层自组织神经网络的人脸特征二进制编码与识别方法 | |
Abdallah et al. | Facial-expression recognition based on a low-dimensional temporal feature space | |
Ashoka et al. | Feature extraction technique for neural network based pattern recognition | |
Hou et al. | An unsupervised deep-learning method for fingerprint classification: the ccae network and the hybrid clustering strategy | |
CN113158878B (zh) | 一种基于子空间的异构迁移故障诊断方法、***和模型 | |
CN115100694A (zh) | 一种基于自监督神经网络的指纹快速检索方法 | |
Mahmoodzadeh | Human Activity Recognition based on Deep Belief Network Classifier and Combination of Local and Global Features | |
Darokar et al. | Methodological Review of Emotion Recognition for Social Media: A Sentiment Analysis Approach | |
CN113688715A (zh) | 面部表情识别方法及*** | |
CN113642383A (zh) | 一种基于联合损失多特征融合的人脸表情识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |