CN112800914A - 一种基于专家先验知识和ltp复杂光照下的人脸识别方法 - Google Patents
一种基于专家先验知识和ltp复杂光照下的人脸识别方法 Download PDFInfo
- Publication number
- CN112800914A CN112800914A CN202110075564.1A CN202110075564A CN112800914A CN 112800914 A CN112800914 A CN 112800914A CN 202110075564 A CN202110075564 A CN 202110075564A CN 112800914 A CN112800914 A CN 112800914A
- Authority
- CN
- China
- Prior art keywords
- face
- illumination
- ltp
- features
- pixels
- 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
- 238000005286 illumination Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 9
- 239000006185 dispersion Substances 0.000 claims abstract description 8
- 230000001815 facial effect Effects 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims abstract description 4
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 210000001097 facial muscle Anatomy 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000036544 posture Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001943 fluorescence-activated cell sorting Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于专家先验知识和LTP复杂光照下的人脸识别方法，1)定位面部地标点并裁剪；2)根据专家先验知识，对面部图像关键区域进行划分，生成面部掩码；3)使用自适应阈值的局部三值模式算法(LTP)针对不同的关键区域，分别计算其区域像素离散度σ作为阈值t，并提取其光照不变纹理特征；4)将面部图像送入一个卷积层，得到面部图像的全局特征；5)面部全局特征与面部光照不变纹理特征相结合，并送入ResNet101网络模型，通过分类层分别得出与数据库中N个对象的相似度得分，返回相似度得分最高的值所对应的对象身份，作为人脸识别的结果。该方法是一种端对端的模型，无需预训练，对复杂的光照环境有较强的鲁棒性，且有很好的扩展性。
Description
技术领域
本发明涉及图像处理领域，具体是一种基于专家先验知识和LTP复杂光照下的人脸识别方法。
背景技术
人脸识别根据脸部特征进行身份识别的一种生物识别技术，是计算机视觉和生物识别领域最为人所熟知的课题之一，大量的研究人员投身于这一课题。人脸识别涉及刷脸支付、门禁控制、公司考勤、地铁安检、***识别等多个领域。根据资料，2017年生物识别技术全球市场规模上升到了172亿美元，到2021年，预计全世界的生物识别市场规模有可能达到240亿美元。相比于其他的生物识别技术，例如指纹、掌纹、虹膜、语音识别等都需要受监测者接触或者主动配合才能达到识别效果，人脸识别提供非接触性、无意识的识别更加受到用户的青睐。
尽管随着人脸识别技术的不断发展与成熟，在理想的情况下，人脸识别的有着较高的识别精度。但是，在复杂的光照环境下，人脸识别的准确率会有较大的偏差。即使是同一个人，在不同的光照、不同的角度，最终采集到的图片也可能会有一定的影响。为了解决光照对人脸图像的影响，国内外研究者对此问题提出了很多有效的方法，主要分为传统、光照不变特征提取、人脸建模三种方法，传统的方法主要是通过对像素或像素的频域空间进行简单地操作，尽量将图像还原到正常的光照之下。但是由于修改之后的像素局部离散度明显增加导致图像失去一些重要的特征；光照不变特征提取主要是通过提取图像中对光照不受影响或者对光照有一定抵抗性的特征来消除光照对图像的影响。但是由于图像的灰度纹理特征难以统一，因此并不适用所有人脸图像；人脸建模通过从大量不同光照环境下的人脸样本中提取光照不变量或不敏感的特征。但是此方法需要包含不同光照条件下大量的训练样本，才能得到相应的模型，成本太高且速度较慢。
发明内容
本发明的目的在于克服现有技术的不足，而提供一种基于专家先验知识和LTP复杂光照下的人脸识别方法，该方法无需预训练、着重人脸关键点的采样、对不同光照有较高鲁棒性且不会影响图像原有的特征。
实现本发明目的的技术方案是：
1)定位人脸地标点(landmark)并裁剪人脸区域，减少冗余信息的影响，得到裁剪后的人脸图像。
2)根据专家先验知识，对步骤1)中人脸图像关键区域进行划分，生成人脸掩码；
3)根据步骤2)中生成的人脸掩码，使用自适应阈值的局部三值模式算法(LTP)针对不同的关键区域，分别计算其区域像素离散度σ作为阈值t，并提取其光照不变纹理特征，降低不同光照噪音的敏感度；
4)由于步骤3中提取的光照不变纹理特征仅仅是针对局部特征，并未考虑全局特征，所以我们将步骤1)中人脸图像送入一个卷积层，得到人脸图像的全局特征；
5)将步骤4)中得到的全局特征与步骤3)中得到的光照不变纹理特征相结合(利用comcat技术)，并送入ResNet101网络模型，通过分类层分别得出与数据库中N个对象的相似度得分，返回相似度得分最高的值所对应的对象身份，作为人脸识别的结果。
步骤2)中所述的专家先验知识，是根据P.Ekman,W.V.Friesen等人发表的《Facialaction coding system》一书，将人脸按照面部肌肉控制区域划分为不同的运动单元，而我们也是根据上述理论对人脸的关键区域进行划分。
步骤3)中所述的关键区域像素离散度σ，可以体现关键区域像素波动的大小，也是光照对人脸图像影响程度的体现。具体计算方法是：首先计算区域内所有像素的平均值
然后计算区域内所有像素和均值的方差，作为自定义阈值t。
步骤5)中所述的ResNet101网络模型在2015年被微软研究院的Kaiming He等四名华人提出，在物体检测、分割、识别等领域有不俗的表现，使用101深层网络，可以更好地学习目标的纹理特征，但深层网络会出现梯度消失或者梯度***的问题，而ResNet通过正好可以通过残差(将前若干网络层的特征传递到这一网络层)来使网络快速收敛。
本发明的目的在于克服现有技术对复杂光照下人脸识别效果不理想这一问题，提供了一种基于专家先验知识和LTP复杂光照下的人脸识别方法，是一种端对端的模型，无需预训练，对复杂的光照环境有较强的鲁棒性，且有很好的扩展性。
附图说明
图1为本发明方法的流程图；
图2为本发明中的人脸识别模块示意图；
图3为本发明中的自适应LTP算子示意图；
具体实施方式
下面结合附图和实施例对本发明做进一步阐述，但不是对本发明的限定。
实施例：
如图1所示，一种基于专家先验知识和LTP复杂光照下的人脸识别方法，包括如下步骤：
1)使用OpenCV中dlib库定位人脸68个关键地标点(landmark)，并根据地标点裁剪人脸区域，将不属于人脸的部分裁减掉，只保留人脸部分，减少冗余信息的影响，得到裁剪后的人脸图像。
2)由于步骤1)中68个关键地标点包含丰富的人脸信息，所以我们将人脸通过地标点划分为48个基本的roi然后，根据FACS定义和面部肌肉结构的解剖，定义了AU划分规则，将人脸划分为8个区域，并生成人脸掩码，以此表示专家先验知识；
3)根据步骤1)中生成的裁剪后的人脸，首先使用OpenCV的cvtColor函数将原始的RGB图像转化为灰度图；使用自适应阈值的局部三值模式算法(LTP)针对不同的关键区域，分别计算其区域像素离散度σ作为阈值t，接下来使用LTP算子，对所选区域三值进行编码，改进LTP与最初LBP版本的不同之处，就是将原本的二值编码，转化为更有鲁棒性的三值编码，通过增加自适应的权重来作为阈值，在复杂光照的条件下可以有更好的效果，将[-t,t]波动范围的值设为0，并将大于[-t,t]波动范围的值设为1，其余设为-1。但是由于LTP直方图维数非常大，将会产生6561(38)种特征模式，为了降低计算量，将原LTP编码中除了1以外所有的值设为0，此为上模式(Upper pattern)；将原LTP编码中除了-1以外所有的值设为0，并将编码为-1的值设为1，此为下模式(Lower pattern)。通过上述两种模式，我们得到了两张LTP编码图，并将其视为对复杂光照有较强鲁棒性的光照不变特征。
4)由于步骤3中提取的光照不变纹理特征仅仅是针对局部特征，并未考虑全局特征，而卷积神经网络通过滑动窗口可以提取面部的全局特征，所以我们将步骤1)中裁剪后的人脸图像送入一个基础的卷积层，然后对卷积层的结果进行正则化(relu)处理得到归一化的结果，最后送入一个池化层(pooling)压缩数据和参数，得到人脸图像的全局特征；
5)将步骤4)中得到的全局特征与步骤3)中得到的光照不变纹理特征利用利用comcat在第三维度结合，并送入ResNet101网络模型。在训练集中，最终的分类层首先通过全连接层(full connection)将数据转化为一维，分别得出与数据库中N个对象的相似度得分；然后通过预先设定的分类阈值，将大于0.6的分类结果视为正样本，小于0.6视为负样本，利用损失函数对网络参数进行优化；在验证集中，将分类层相似度得分最高的值所对应的对象身份，作为人脸识别的结果。
步骤1)所述的dlib库是一个使用现代C++技术编写的跨平台的通用库，遵守BoostSoftware licence.支持数值算法、机器学习算法、图形模型算法、图像处理等工具于一身的机器学习开源库，可以很好地帮我们解决人脸定位和裁剪的功能。
步骤2)中所述的专家先验知识，是根据P.Ekman,W.V.Friesen等人发表的《Facialaction coding system》一书，将人脸按照面部肌肉控制区域划分为不同的运动单元，而我们也是根据上述理论对人脸的关键区域进行划分。
步骤3)中所述的关键区域像素离散度σ，可以体现关键区域像素波动的大小，也是光照对人脸图像影响程度的体现。具体计算方法是：首先计算区域内所有像素的平均值
其中p表示关键区域像素的数量，gi表示第i个像素的灰度值。然后计算区域内所有像素和均值的方差，作为自定义阈值t。
局部三值模式(LTP)的计算公式如下：
其中gc表示中点的像素灰度值。
步骤5)中所述的ResNet101网络模型在2015年被微软研究院的Kaiming He等四名华人提出，在物体检测、分割、识别等领域有不俗的表现，使用101深层网络，可以更好地学习目标的纹理特征，但深层网络会出现梯度消失或者梯度***的问题，而ResNet通过正好可以通过残差(将前若干网络层的特征传递到这一网络层)来使网络快速收敛。
步骤5)中所述的训练集验证集使用耶鲁大学的人脸数据库，该数据库包含了16128张图片，分别对应28个实验对象在9种姿势和64种光照条件下的不同照片，由于我们只针对不同光照条件进行识别，所以只需要取实验对象的正面姿势即可。图片的尺寸均为32×32像素。
Claims (6)
1.一种基于专家先验知识和LTP复杂光照下的人脸识别方法，其特征在于，包括如下步骤：
1)使用dlib定位人脸地标点(landmark)并裁剪人脸区域，减少冗余信息的影响，得到裁剪后的人脸图像。
2)根据专家先验知识，对步骤1)中人脸图像关键区域进行划分，生成人脸掩码；
3)根据步骤2)中生成的人脸掩码，使用自适应阈值的局部三值模式算法(LTP)针对不同的关键区域，分别计算其区域像素离散度σ作为阈值t，并提取其光照不变纹理特征，降低不同光照噪音的敏感度；
4)由于步骤3中提取的光照不变纹理特征仅仅是针对局部特征，并未考虑全局特征，所以我们将步骤1)中人脸图像送入一个卷积层，得到人脸图像的全局特征；
5)将步骤4)中得到的全局特征与步骤3)中得到的光照不变纹理特征相结合(利用comcat技术)，并送入ResNet101网络模型在训练集中。在训练集中，最终的分类层首先通过全连接层(full connection)将数据转化为一维，分别得出与数据库中N个对象的相似度得分；然后通过预先设定的分类阈值，将大于0.6的分类结果视为正样本，小于0.6视为负样本，利用损失函数对网络参数进行优化；在验证集中，将分类层相似度得分最高的值所对应的对象身份，作为人脸识别的结果。
2.根据权利要求1所述的一种基于专家先验知识和LTP复杂光照下的人脸识别方法，其特征在于，步骤1)中，所述的dlib库是一个使用现代C++技术编写的跨平台的通用库，遵守Boost Software licence.支持数值算法、机器学习算法、图形模型算法、图像处理等工具于一身的机器学习开源库，可以很好地帮我们解决人脸定位和裁剪的功能。
3.根据权利要求1所述的一种基于专家先验知识和LTP复杂光照下的人脸识别方法，其特征在于，步骤2)中，所述的专家先验知识，是根据P.Ekman,W.V.Friesen等人发表的《Facial action coding system》一书，将人脸按照面部肌肉控制区域划分为不同的运动单元，而我们也是根据上述理论对人脸的关键区域进行划分。
4.根据权利要求1所述的一种基于专家先验知识和LTP复杂光照下的人脸识别方法，其特征在于，步骤3)中，所述的关键区域像素离散度σ，可以体现关键区域像素波动的大小，也是光照对人脸图像影响程度的体现。具体计算方法是：首先计算区域内所有像素的平均值
其中p表示关键区域像素的数量，gi表示第i个像素的灰度值。然后计算区域内所有像素和均值的方差，作为自定义阈值t。
局部三值模式(LTP)的计算公式如下：
其中gc表示中点的像素灰度值；
5.根据权利要求1所述的一种基于专家先验知识和LTP复杂光照下的人脸识别方法，其特征在于，步骤5)中，所述的ResNet101网络模型在2015年被微软研究院的Kaiming He等四名华人提出，在物体检测、分割、识别等领域有不俗的表现，使用101深层网络，可以更好地学习目标的纹理特征，但深层网络会出现梯度消失或者梯度***的问题，而ResNet通过正好可以通过残差(将前若干网络层的特征传递到这一网络层)来使网络快速收敛。
6.根据权利要求1所述的一种基于专家先验知识和LTP复杂光照下的人脸识别方法，其特征在于，步骤5)中，所述的训练集验证集使用耶鲁大学的人脸数据库，该数据库包含了16128张图片，分别对应28个实验对象在9种姿势和64种光照条件下的不同照片，由于我们只针对不同光照条件进行识别，所以只需要取实验对象的正面姿势即可。图片的尺寸均为32×32像素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110075564.1A CN112800914A (zh) | 2021-01-20 | 2021-01-20 | 一种基于专家先验知识和ltp复杂光照下的人脸识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110075564.1A CN112800914A (zh) | 2021-01-20 | 2021-01-20 | 一种基于专家先验知识和ltp复杂光照下的人脸识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112800914A true CN112800914A (zh) | 2021-05-14 |
Family
ID=75810761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110075564.1A Pending CN112800914A (zh) | 2021-01-20 | 2021-01-20 | 一种基于专家先验知识和ltp复杂光照下的人脸识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112800914A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778412A (zh) * | 2014-01-16 | 2014-05-07 | 重庆邮电大学 | 一种基于局部三值模式自适应阈值的人脸识别方法 |
| CN106548145A (zh) * | 2016-10-31 | 2017-03-29 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
| CN107463917A (zh) * | 2017-08-16 | 2017-12-12 | 重庆邮电大学 | 一种基于改进的ltp与二维双向pca融合的人脸特征提取方法 |
| CN108573243A (zh) * | 2018-04-27 | 2018-09-25 | 上海敏识网络科技有限公司 | 一种基于深度卷积神经网络的低质量人脸的比对方法 |
| CN109002770A (zh) * | 2018-06-25 | 2018-12-14 | 电子科技大学 | 一种低分辨率条件下的人脸识别方法 |
| CN110188615A (zh) * | 2019-04-30 | 2019-08-30 | 中国科学院计算技术研究所 | 一种人脸表情识别方法、装置、介质及*** |
| KR20190123372A (ko) * | 2018-04-12 | 2019-11-01 | 가천대학교 산학협력단 | 계층적 협업 표현 기반 분류를 통한 강인한 얼굴인식 장치 및 그 방법 |
| CN110580461A (zh) * | 2019-08-29 | 2019-12-17 | 桂林电子科技大学 | 一种结合多级卷积特征金字塔的人脸表情识别算法 |
| CN111126240A (zh) * | 2019-12-19 | 2020-05-08 | 西安工程大学 | 一种三通道特征融合人脸识别方法 |
| US20200342210A1 (en) * | 2018-01-10 | 2020-10-29 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for face alignment |
-
2021
- 2021-01-20 CN CN202110075564.1A patent/CN112800914A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778412A (zh) * | 2014-01-16 | 2014-05-07 | 重庆邮电大学 | 一种基于局部三值模式自适应阈值的人脸识别方法 |
| CN106548145A (zh) * | 2016-10-31 | 2017-03-29 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
| CN107463917A (zh) * | 2017-08-16 | 2017-12-12 | 重庆邮电大学 | 一种基于改进的ltp与二维双向pca融合的人脸特征提取方法 |
| US20200342210A1 (en) * | 2018-01-10 | 2020-10-29 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for face alignment |
| KR20190123372A (ko) * | 2018-04-12 | 2019-11-01 | 가천대학교 산학협력단 | 계층적 협업 표현 기반 분류를 통한 강인한 얼굴인식 장치 및 그 방법 |
| CN108573243A (zh) * | 2018-04-27 | 2018-09-25 | 上海敏识网络科技有限公司 | 一种基于深度卷积神经网络的低质量人脸的比对方法 |
| CN109002770A (zh) * | 2018-06-25 | 2018-12-14 | 电子科技大学 | 一种低分辨率条件下的人脸识别方法 |
| CN110188615A (zh) * | 2019-04-30 | 2019-08-30 | 中国科学院计算技术研究所 | 一种人脸表情识别方法、装置、介质及*** |
| CN110580461A (zh) * | 2019-08-29 | 2019-12-17 | 桂林电子科技大学 | 一种结合多级卷积特征金字塔的人脸表情识别算法 |
| CN111126240A (zh) * | 2019-12-19 | 2020-05-08 | 西安工程大学 | 一种三通道特征融合人脸识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 黄涛: "基于s-LTP和相似度匹配的人脸识别算法", 《科技创新与应用》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102174595B1 (ko) | 비제약형 매체에 있어서 얼굴을 식별하는 시스템 및 방법 | |
| CN108520216B (zh) | 一种基于步态图像的身份识别方法 | |
| CN111126240B (zh) | 一种三通道特征融合人脸识别方法 | |
| Ali et al. | Multimodal biometrics enhancement recognition system based on fusion of fingerprint and palmprint: a review | |
| Angadi et al. | Face recognition through symbolic modeling of face graphs and texture | |
| CN111666813B (zh) | 基于非局部信息的三维卷积神经网络的皮下汗腺提取方法 | |
| Mali et al. | Indian sign language recognition using SVM classifier | |
| US20040022440A1 (en) | Method and apparatus for image processing | |
| Huang et al. | Human emotion recognition based on face and facial expression detection using deep belief network under complicated backgrounds | |
| Jindal et al. | Sign Language Detection using Convolutional Neural Network (CNN) | |
| Shaban et al. | A Novel Fusion System Based on Iris and Ear Biometrics for E-exams. | |
| CN109815786A (zh) | 一种基于区域熵特征的步态识别方法 | |
| Chowdhury et al. | Fuzzy rule based approach for face and facial feature extraction in biometric authentication | |
| CN112800914A (zh) | 一种基于专家先验知识和ltp复杂光照下的人脸识别方法 | |
| Jagadeesh et al. | DBC based Face Recognition using DWT | |
| Masood et al. | Iris recognition using wavelet | |
| Al-Dabbas et al. | Efficient Iris Image Recognition System Based on Machine Learning Approach | |
| CN101231695A (zh) | 一种基于多分辨率分析的虹膜识别方法 | |
| Fu et al. | Face detection and eye localization by neural network based color segmentation | |
| Tandon et al. | An efficient age-invariant face recognition | |
| Radouane et al. | Fusion of Gabor filter and steerable pyramid to improve iris recognition system | |
| Paul et al. | Automatic adaptive facial feature extraction using CDF analysis | |
| Nair et al. | Non verbal behaviour analysis for distress detection using texture analysis | |
| Chai et al. | Towards contactless palm region extraction in complex environment | |
| Hjelmås et al. | A Comparison of Face/Non-face Classiffiers |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210514 |
|
| RJ01 | Rejection of invention patent application after publication |