• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 13
    • 下载费用:30 金币  

    重庆时时彩单双总和: 基于人脸稀疏描述子的单样本人脸识别方法.pdf

    摘要
    申请专利号:

    重庆时时彩单双窍门 www.4mum.com.cn CN201310314573.7

    申请日:

    2013.07.24

    公开号:

    CN103413119A

    公开日:

    2013.11.27

    当前法律状态:

    撤回

    有效性:

    无权

    法律详情: 发明专利申请公布后的视为撤回IPC(主分类):G06K 9/00申请公布日:20131127|||实质审查的生效IPC(主分类):G06K 9/00申请日:20130724|||公开
    IPC分类号: G06K9/00; G06K9/62 主分类号: G06K9/00
    申请人: 中山大学
    发明人: 赖?;? 刘娜; 郑伟诗
    地址: 510275 广东省广州市海珠区新港西路135号
    优先权:
    专利代理机构: 广州市华学知识产权代理有限公司 44245 代理人: 杨晓松
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201310314573.7

    授权公告号:

    ||||||

    法律状态公告日:

    2017.01.11|||2013.12.18|||2013.11.27

    法律状态类型:

    发明专利申请公布后的视为撤回|||实质审查的生效|||公开

    摘要

    本发明公开了一种基于人脸稀疏描述子的单样本人脸识别方法,包括以下步骤:(1)对参考图像集中所有用到的人脸图像进行对齐和归一化的预处理;(2)在每张人脸图像上计算一组尺度空间和差分尺度空间进行关键点检测;(3)选取以关键点为中心的局部区域,统计此区域的梯度方向直方图;将直方图作为此关键点对应的局部特征描述;(4)在局部匹配的基础上,计算待测试图像和参考图像集中每幅图像的不相似性度量;(5)根据不相似性度量,采用最近邻分类器对输入的待测试图像进行分类识别。本发明在处理遮挡、表情和姿势等变化条件下的单样本人脸识别问题非常有效。

    权利要求书

    权利要求书
    1.  基于人脸稀疏描述子的单样本人脸识别方法,其特征在于,包括以下步骤: 
    (1)对参考图像集中所有用到的人脸图像进行对齐和归一化的预处理; 
    (2)在每张人脸图像上经由以下步骤计算人脸稀疏描述子: 
    (2-1)关键点定位: 
    (2-1-1)计算一组尺度空间; 
    (2-1-2)根据上述尺度空间计算差分尺度空间; 
    (2-1-3)计算差分尺度空间中的极值点及其在尺度空间上对应的位置,将此作为关键点; 
    (2-2)选取以上述关键点为中心的局部区域,统计此区域的梯度方向直方图;将直方图作为此关键点对应的局部特征描述; 
    (2-3)所有关键点对应的局部特征描述集合在一起即成为该人脸图像对应的关键点局部特征描述集合,也就是该人脸图像对应的人脸稀疏描述子; 
    (3)输入待测试图像,按照步骤(2)计算得到待测试图像对应的人脸稀疏描述子;在局部匹配的基础上,计算待测试图像和参考图像集中每幅图像的不相似性度量; 
    (4)根据步骤(3)所得到的不相似性度量,采用最近邻分类器对输入的待测试图像进行分类识别。 

    2.  根据权利要求1所述的基于人脸稀疏描述子的单样本人脸识别方法,其特征在于,所述步骤(2-1-1)中尺度空间的计算方法为: 
    S(x,y,σ)=G(x,y,σ)*I(x,y); 
    其中I(x,y)为输入图像,为高斯函数,σ是高斯函数里面的尺度参数。 

    3.  根据权利要求2所述的基于人脸稀疏描述子的单样本人脸识别方法,其特征在于,所述步骤(2-1-2)中差分尺度空间的计算方法为: 
    D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y) 
    =S(x,y,kσ)-S(x,y,σ) 。 

    4.  根据权利要求3所述的基于人脸稀疏描述子的单样本人脸识别方法,其特征在于,所述步骤(2-1-3)中关键点求取方法是: 
    在差分尺度空间D(x,y,σ)上,通过比较同尺度的8邻域像素值以及上下尺度的9×2个邻域像素值,检测差分尺度空间D(x,y,σ)中的极值点以及其在尺度 空间S(x,y,σ)上对应的位置,此极值点即为关键点。 

    5.  根据权利要求1所述的基于人脸稀疏描述子的单样本人脸识别方法,其特征在于,所述步骤(2-2)局部特征描述的具体方法如下: 
    (2-2-1)以检测到的关键点位置为中心取A×A大小的图像子区域; 
    (2-2-2)计算此图像子区域上像素的梯度方向和梯度大??; 
    (2-2-3)用高斯函数对关键点邻域图像的梯度幅值进行滤波; 
    (2-2-4)分割图像子区域为若干个a×a子块,采用三线性插值在每个子块上分别统计一个8方向的梯度方向直方图; 
    (2-2-5)把所有子块上计算的直方图串联起来即得到此关键点对应的一个a×a×8维的局部特征描述。 

    6.  根据权利要求1所述的基于人脸稀疏描述子的单样本人脸识别方法,其特征在于,所述步骤(3)中计算不相似性度量的具体方法是: 
    (3-1)设当前测试图像为P,该测试图像上关键点个数为m个,每个关键点对应的局部特征描述为fiP,i=1,2,...,m,测试图像对应的关键点局部特征描述集合为设G为参考图像集中一模板图像,该图像上关键点个数为n个,每个关键点对应的局部特征描述为j=1,2,...,n,测试图像对应的关键点局部特征描述集合为
    (3-2)对于测试图像P中第i个关键点位置,在模板图像G上以该位置为中心,寻找其一定邻域范围内与fiP匹配的关键点特征,预设一匹配特征之间的距离阈值Tdist,匹配准则如下: 

    其中和分别是fiP和其在模板图像G中对应的一定邻域范围内提取的所有关键点描述子的最小距离和次小距离;Tratio为SIFT的匹配准则中用来进行控制的一个参数; 
    (3-3)计算匹配特征的平均距离: 

    (3-4)计算不相似性度量: 
    结合匹配个数和匹配特征的平均距离得到不相似性度量,即加权平均距离: 


    7.  根据权利要求1所述的基于人脸稀疏描述子的单样本人脸识别方法,其特征在于,所述步骤(4)中,采用最近邻分类器对输入测试图像进行分类识别,设参考图像集中共有Q幅模板图像,记为集合GQ,每个模板图像均与待测试图像计算得到了不相似性度量,则待测试图像P所属类为: 

    即与P加权平均距离最小的参考模板图像即为测试图像所属的类。 

    说明书

    说明书基于人脸稀疏描述子的单样本人脸识别方法
    技术领域
    本发明涉及图像处理和模式识别研究领域,特别涉及一种基于人脸稀疏描述子的单样本人脸识别方法。 
    背景技术
    人脸识别作为生物特征识别中最为重要的任务之一,其目的是通过已经登记好的人脸数据库来自动识别或者确认输入静态图像或者动态视频中的人的身份。目前人脸识别技术已经在公共安全、门禁系统、边境安全、娱乐和社交网络等方面得到了广泛的应用。 
    但是目前研究较多的都是基于统计特征来提高识别率,这就需要建立一个训练学习机制,而这一学习机制的建立就要求必须有较多的训练样本,但在很多实际应用场合,比如在驾照或护照等识别中,通常每个人只有一张参考样本图像(one sample per person),从而使得现有的基于统计特征的识别方法无法得到实际应用。另外,即使能够做到建立多样本数据库,由于收集较多训练样本的代价很大,同样不宜推广。 
    针对上述问题,现有技术中提出了单样本人脸识别的概念,其定义是:在人脸识别系统的人脸数据库中,每个人只有一张人脸图像作为训练样本,以备后面的特征提取、分类识别和身份鉴定。此外由遮挡、表情和姿势等各种变化导致的人脸图像差异问题也是人脸识别技术中的另一挑战问题。目前单样本人脸识别的方法大致可分为两种:一种是利用仅有的单张人脸图像,通过各种技术手段构造出同一个人的其他人脸图像,以此用来扩充训练样本数据库,以备学习训练、分类识别。另一种是从仅有的单张人脸样本中,通过不同的特征提取方法,尽量多的获取特征信息,以提高识别率。其中多关键点描述子即为此类方法。 
    多关键点描述子由于其采用先检测关键点然后分别独立描述关键点局部特征的方式来生成图像特征,再加上其对遮挡、视角等变化的鲁棒性,适合用来解决变化条件下的单样本识别问题。SIFT算子作为一个非常经典的多关键点描述子,它的提出主要用来解决不同尺度和视角条件下的物体匹配问题,只是人脸识别不同于物体匹配,如果直接把SIFT算子应用到人脸识别中,会存在如下 两个问题:1)在特征提取方面,人脸图像不同于一般的物体图像,应该根据人脸图像自身的特点设计更适用于人脸图像的多关键点描述子。2)在相似性度量方面,原始的SIFT特征匹配策略存在耗时高以及精确度低等问题。以上两个问题使得基于SIFT算子的人脸识别方法无论在识别性能还是时间效率上,都没有达到人脸识别的实际应用需求,限制了此方法的应用范围。 
    发明内容
    本发明的主要目的在于克服现有技术的缺点与不足,提供一种基于人脸稀疏描述子的单样本人脸识别方法,该方法是识别出当前图像在参考图像集中所对应的类,更好地利用了人脸图像的特性,能有效处理遮挡、表情以及姿势等变化条件下的单样本人脸识别问题,具有很强的实用性。 
    本发明的目的通过以下的技术方案实现:基于人脸稀疏描述子的单样本人脸识别方法,包括以下步骤: 
    (1)对参考图像集中所有用到的人脸图像进行对齐和归一化的预处理; 
    (2)在每张人脸图像上经由以下步骤计算人脸稀疏描述子(FSD算子): 
    (2-1)关键点定位: 
    (2-1-1)计算一组尺度空间; 
    (2-1-2)根据上述尺度空间计算差分尺度空间; 
    (2-1-3)计算差分尺度空间中的极值点及其在尺度空间上对应的位置,将此作为关键点; 
    (2-2)选取以上述关键点为中心的局部区域,统计此区域的梯度方向直方图;将直方图作为此关键点对应的局部特征描述; 
    (2-3)所有关键点对应的局部特征描述集合在一起即成为该人脸图像对应的关键点局部特征描述集合,也就是该人脸图像对应的人脸稀疏描述子; 
    (3)输入待测试图像,按照步骤(2)计算得到待测试图像对应的人脸稀疏描述子;在局部匹配的基础上,计算待测试图像和参考图像集中每幅图像的不相似性度量; 
    (4)根据步骤(3)所得到的不相似性度量,采用最近邻分类器对输入的待测试图像进行分类识别。 
    具体的,所述步骤(2-1-1)中尺度空间的计算方法为: 
    S(x,y,σ)=G(x,y,σ)*I(x,y); 
    其中I(x,y)为输入图像,为高斯函数,σ是高斯函数里面的尺度参数。 
    具体的,所述步骤(2-1-2)中差分尺度空间的计算方法为: 
    D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y) 
    =S(x,y,kσ)-S(x,y,σ) 
    原始的SIFT算法在计算过程中,考虑到高斯差分函数对边缘的较强响应,以及在物体匹配场景中会存在比较多的边缘,所以为了预防边缘响应对物体匹配的影响,其去除了边缘响应点,而人脸识别和物体匹配不同,人脸图像中的边缘点,比如眉毛、眼睛、嘴巴等位置处的关键点对识别是至关重要的,所以对于人脸图像识别需要保留所有提取到的关键点,本发明采用尺度空间以及差分尺度空间的方式进行关键点选取,不再做去除边缘响应点这个处理过程,因此保留了所有的边缘响应点。 
    具体的,所述步骤(2-1-3)中关键点求取方法是: 
    在差分尺度空间D(x,y,σ)上,通过比较同尺度的8邻域像素值以及上下尺度的9×2个邻域像素值,检测差分尺度空间D(x,y,σ)中的极值点以及其在尺度空间S(x,y,σ)上对应的位置,此极值点即为关键点。 
    具体的,所述步骤(2-2)局部特征描述的具体方法如下: 
    (2-2-1)以检测到的关键点位置为中心取A×A大小的图像子区域; 
    (2-2-2)计算此图像子区域上像素的梯度方向和梯度大??; 
    (2-2-3)用高斯函数对关键点邻域图像的梯度幅值进行滤波; 
    (2-2-4)分割图像子区域为若干个a×a子块,采用三线性插值在每个子块上分别统计一个8方向的梯度方向直方图; 
    (2-2-5)把所有子块上计算的直方图串联起来即得到此关键点对应的一个a×a×8维的局部特征描述。 
    具体的,所述步骤(3)中计算不相似性度量的具体方法是: 
    (3-1)设当前测试图像为P,该测试图像上关键点个数为m个,每个关键点对应的局部特征描述为fiP,i=1,2,...,m,测试图像对应的关键点局部特征描述集合为设G为参考图像集中一模板图像,该图像上关键点个数为n个,每个关键点对应的局部特征描述为j=1,2,...,n,测试图像对应的关键点局部特征描述集合为
    (3-2)对于测试图像P中第i个关键点位置,在模板图像G上以该位置为 中心,寻找其一定邻域范围内与fiP匹配的关键点特征,预设一匹配特征之间的距离阈值Tdist,匹配准则如下: 

    其中和分别是fiP和其在模板图像G中对应的一定邻域范围内提取的所有关键点描述子的最小距离和次小距离;Tratio为SIFT的匹配准则中用来进行控制的一个参数; 
    (3-3)计算匹配特征的平均距离: 
    AVE_dist(P,G)=(Σi=1m(δ(fip,G)×d1i))/Σi=1mδ(fip,G);]]>
    (3-4)计算不相似性度量: 
    结合匹配个数和匹配特征的平均距离得到不相似性度量,即加权平均距离: 
    d(P,G)=AVE_dist(P,G)/Σi=1mδ(fiP,G).]]>
    具体的,所述步骤(4)中,采用最近邻分类器对输入测试图像进行分类识别,设参考图像集中共有Q幅模板图像,记为集合GQ,每个模板图像均与待测试图像计算得到了不相似性度量,则待测试图像P所属类为: 
    label(P)=argminQ(d(P,GQ));]]>
    即与P加权平均距离最小的参考模板图像即为测试图像所属的类。 
    本发明与现有技术相比,具有如下优点和有益效果: 
    1、本发明提出的人脸稀疏描述子FSD,通过避免高斯金字塔、高斯差分金字塔、精确关键点的定位以及主方向的计算,人脸稀疏描述子FSD的计算比SIFT算子更高效。更重要的是,FSD算子在计算过程中只计算最小的一组尺度空间和差分尺度空间进行关键点选取,并且保留了所有的对人脸识别至关重要的边缘响应点,并且对所有的关键点无需计算任何主方向。所以FSD算子中的特征描述比SIFT算子更有鉴别性。 
    2、本发明提出的不相似性度量,通过采用局部匹配策略以及结合平均匹配距离和匹配个数来计算图像之间的不相似性,比在原始的全局匹配策略基础上计算的不相似性度量更加快速有效。 
    3、本发明中的所有关键点局部特征描述都是在同一坐标系下计算得到。本 发明采用一种局部匹配策略,即对测试图像中的每一个关键点特征,在模板图像中以关键点位置为中心的一定邻域范围内寻找其匹配关键点特征,为了避免距离比较大的两个关键点特征被匹配,在匹配准则中引入一个阈值,以保证匹配特征之间的距离不会大于该阈值。 
    附图说明
    图1是本发明方法的流程示意图; 
    图2是关键点局部特征描述子数组示意图; 
    图3是AR人脸数据库中人脸图像示意图; 
    图4是CMU-PIE人脸数据库中的人脸图像示意图; 
    具体实施方式
    下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。 
    实施例1 
    如图1所示,基于人脸稀疏描述子的单样本人脸识别方法,主要包括以下几个步骤: 
    S1:对参考图像集中所有用到的人脸图像进行对齐和归一化的预处理。 
    先进行预处理,从而可以在测试时,根据测试图像上关键点位置来准确对应参考图像中的位置。 
    S2:计算FSD算子。 
    对于每幅图像均分别进行FSD算子的计算,具体步骤包括: 
    S21:关键点定位。 
    包括步骤如下: 
    S211:构建一组尺度空间S(x,y,σ): 
    S(x,y,σ)=G(x,y,σ)*I(x,y)。 
    其中I(x,y)为输入图像,G(x,y,σ)=12πσ2e-(x2+y2)/2σ2;]]>
    S212:构建差分尺度空间D(x,y,σ): 
    D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y) 
    =S(x,y,kσ)-S(x,y,σ) 
    S213:特征点定位:在差分尺度空间D(x,y,σ)上,通过比较同尺度的8邻域像素值以及上下尺度的9×2个邻域像素值,检测差分尺度空间D(x,y,σ)中的极值点以及其在尺度空间S(x,y,σ)上对应的位置。 
    S22:局部特征描述。如图2所示,包括以下步骤: 
    S221:以检测到的关键点位置为中心取16×16大小的图像子区域。 
    S222:计算此图像子区域上像素的梯度方向和梯度大小。 
    S223:用高斯函数对关键点邻域图像的梯度幅值进行滤波。 
    S224:分割图像子区域为若干个4×4子块,采用三线性插值在每个子块上分别统计一个8方向的梯度方向直方图。 
    S225:把所有子块上计算的直方图串联起来即得到此关键点对应的一个4×4×8=128维的局部特征描述。 
    S23:所有关键点对应的局部特征描述集合在一起即成为该人脸图像对应的关键点局部特征描述集合,也就是该人脸图像对应的人脸稀疏描述子。 
    将参考图像集中所有的人脸图像均用上述人脸稀疏描述子表示,将向量进行存储,以备后续识别使用。 
    S3:开始测试,输入待测试图像。 
    S31:设待测试图像为P,先对测试图像同样进行对齐和归一化的预处理,按照上述步骤S2计算出FSD算子,设该测试图像上关键点个数为m个,每个关键点对应的局部特征描述为fiP,i=1,2,...,m,测试图像对应的关键点局部特征描述集合为该测试图像P需要与参考图像集中的所有图像进行比对,以判断其所属的类,以其中一幅图像的判定过程为例,设G为参考图像集中一模板图像,该图像上关键点个数为n个,每个关键点对应的局部特征描述为j=1,2,...,n,测试图像对应的关键点局部特征描述集合为 
    VG={f1G,f2G,...,fjG,...,fnG}.]]>
    S32:对测试图像P中的每一个关键点特征,在模板图像G上以关键点位置为中心的一定邻域范围内寻找其匹配关键点特征,为了避免距离比较大的两个关键点特征被匹配,在匹配准则中引入一个阈值Tdist,以保证匹配特征之间的距离不会大于Tdist,在新的约束条件下的匹配准则变为: 

    其中和分别是fiP和其在模板图像G中对应的一定邻域范围内提取的所有关键点描述子的最小距离和次小距离;Tratio为SIFT的匹配准则中用来进行控制的一个参数。该公式用于判定能不能在模板图像G中找到匹配的关键点。 
    S33:匹配特征的平均距离: 
    AVE_dist(P,G)=(Σi=1m(δ(fip,G)×d1i))/Σi=1mδ(fip,G).]]>
    S34:不相似性度量: 
    结合匹配个数和匹配特征的平均距离得到一个不相似性度量,即加权平均距离: 
    d(P,G)=AVE_dist(P,G)/Σi=1mδ(fiP,G);]]>
    S4:采用最近邻分类器对输入测试图像进行分类识别,设参考图像集中共有Q幅模板图像,记为集合GQ,每个模板图像均与待测试图像计算得到了不相似性度量,则待测试图像P所属类为: 
    label(P)=argminQ(d(P,GQ));]]>
    即与P加权平均距离最小的参考模板图像即为测试图像所属的类。 
    通过以下对比实验对本发明的效果进行说明:对比实验分别在AR和CMU-PIE人脸数据库上(见图3和图4)进行,根据变化的不同,我们将对比实验分为三个部分,分别是遮挡、表情和姿势变化条件下的对比实验。在对比试验中比较的算法有:基于多关键点描述子SIFT的方法、两种基于改进SIFT的方法:SURF和KPSIFT,两种基于稠密的局部特征描述子方法:HoG和LBP,以及两种经典的分别基于PCA和Gabor特征的人脸识别方法,关于Gabor特征的计算,我们采用5个尺度、8个方向的Gabor小波进行特征提取。 
    表1AR数据库上不同遮挡条件下的识别率(%) 


    在遮挡变化条件下的对比实验是在AR人脸数据库上进行,选择第一阶段的正面中性人脸图像作为参考图像集,以及两个阶段的常规遮挡图像(如图3中的e,f,e’和f’所示)作为测试图像集,实验结果见表1,从中可以看出,提出的FSD算子在遮挡条件下的性能表现远远优于其它对比方法。首先同基于全局特征的方法(HoG,LBP,PCA,Gabor)相比,基于多关键点描述子的方法能更好地处理遮挡问题,这是因为通过对稀疏的关键点特征匹配可以去除遮挡区域的影响;其次,同原始的SIFT以及SURF和KPSIFT算子相比,由于FSD算子在计算过程中充分利用了人脸图像的特性,所以能够获得更高的识别率;另外值得注意的是,当测试图像来自第二个拍摄阶段时,我们的方法依然能达到将近100%的识别率,而其它方法的识别率则出现大幅度下降,这说明我们的方法对时间变化仍然有一定的鲁棒性。 
    表2AR数据库上不同表情条件下的识别率(%) 

    在AR人脸数据库上进行表情变化条件下的对比试验。选择第一阶段的正面中性人脸图像作为参考图像集,选择两个阶段的表情变化图像(微笑,生气和尖叫)以及第二个阶段的中性表情作为测试图像集。从表2中的实验结果可以看出,我们提出的FSD算子在大部分表情变化条件下的识别率都比其它对比算法高。这主要因为在一般表情变化条件下,并不是所有的人脸局部特征都会受到影响,所以采用人脸稀疏描述子以及特征的匹配策略可以利用不受表情变化影响的局部区域特征进行精确识别。在尖叫变化下,所有的方法都得到了比较差的识别率,这主要因为在尖叫表情使得人脸表像发生了巨大的变化,尤其是在对识别至关重要的眼睛,眉毛,嘴巴区域的特征都出现了扭曲,不过尽管我们的方法也不能在尖叫变化条件下得到很好的表现,但这并不影响其实际应用,因为尖叫表情在实际应用条件下并不常见。 
    表3AR数据库上不同姿势条件下的识别率(%) 

    选择CMU-PIE人脸数据进行在姿势变化条件下的对比实验,取图4中姿势C27作为参考图像集、剩下的姿势(C09,C07,C05,C37,C02,C29,C11,C14)作为测试图像集。从表3中的结果可以看出,在姿势变化比较小的条件下,基本上大部分方法都能表现出比较好的性能,然而,随着姿势角度的增加,我们提出的FSD算子同其它对比算法相比,得到了比较高的识别率。原因同在遮挡和表情变化条件下类似,姿势变化影响了人脸图像的部分局部特征,而我们提出的人脸稀疏局部特征描述子方法可以有选择地利用鲁棒的关键点特征进行 识别。 
    上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的?;し段е?。 

    关 键 词:
    基于 稀疏 描述 样本 识别 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    关于本文
    本文标题:基于人脸稀疏描述子的单样本人脸识别方法.pdf
    链接地址://www.4mum.com.cn/p-5778410.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03