logo资料库

一种基于多种特征融合的人脸识别算法.pdf

发布时间：2022-06-19 发布人：admin 分类：说明书 资料大小：0.91M 资料格式：pdf 举报 版权申诉
第1页 / 共6页
第2页 / 共6页
第3页 / 共6页
第4页 / 共6页
第5页 / 共6页
第6页 / 共6页
资料共6页，全文预览结束
    第 29 卷 第 9 期 2017 年 9 月 计算机辅助设计与图形学学报 Journal of Computer-Aided Design & Computer Graphics Vol.29 No.9 Sep. 2017 一种基于多种特征融合的人脸识别算法 杨 赛1), 赵春霞2), 刘 凡3), 陈 峰1) 1) (南通大学电气工程学院 南通 226019) 2) (南京理工大学计算机科学与工程学院 南京 210094) 3) (河海大学计算机与信息学院 南京 210098) (yangsai166@126.com) 摘 要: 为了进一步提高词袋模型在人脸识别中的性能, 提出一种融和多种特征所建立的词袋模进行人脸识别的算 法. 首先提取人脸图像中的若干局部特征, 分别基于每种特征离线训练视觉词典, 将每种局部特征映射到对应的高 维中层语义空间中, 然后使用空间金字塔模型得到每种特征的人脸图像描述, 最后将各种特征拼接起来并使用线性 SVM 完成对人脸图像的分类判别. 在多个公开数据库上的实验结果表明, 该算法对人脸的姿态、表情变化以及面部 遮挡具有更优良的鲁棒性, 能够更好地解决小样本问题. 关键词: 人脸识别; 局部特征; 词袋模型; 多种特征融合 中图法分类号: TP391.41 A Face Recognition Algorithm Using Fusion of Multiple Features Yang Sai1), Zhao Chunxia2), Liu Fan3), and Chen Feng1) 1) (School of Electrical Engineering, Nantong University, Nantong 226019) 2) (School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing 210094) 3) (College of Computer and Information, Hohai University, Nanjing 210098) Abstract: In order to improve the performances of bag-of-features (BoF) in face recognition, a face recognition algorithm based on the fusion of multiple features under the framework of bag-of-features was proposed in this paper. This method firstly extracted different kinds of local features in face images to learn a corresponding over complete visual dictionary in advance. Then it mapped each local feature into a high dimensional mid-level se- mantic space, and employed spatial pyramid matching (SPM) to pool local coding features. Different kinds of features were concatenated as the final representation of images and classified by trained linear SVM. Experi- mental results on several benchmark datasets show that our method is more robust to position variations, expres- sion changes and occlusion and can effectively solve the small training size problem. Key words: face recognition; local features; bag-of-features; fusion of multiple features 凭借在公共安全、交通、金融等领域中的巨大 应用前景, 人脸识别近 10 年来受到了广泛的关注. 特征提取是实现人脸自动识别的关键步骤, 大体 上可分为全局特征和局部特征. 局部特征因对图 像变化具有良好的鲁棒性, 成为近年来人脸识别 研究中的热点, 其通常是基于所提取的局部底层 收稿日期: 2016-09-03; 修回日期: 2016-12-26. 基金项目: 江苏省普通高校自然科学基金(16KJB520037); 国家自然科学基金 (61602150); 江苏省自然科学基金(BK20151273); 江苏省社会安全图像与视频理解重点实验室创新基金(30920140122007). 杨 赛 (1981—), 女, 博士, 讲师, 主要研究方向为计算机视觉、机器学习; 赵春霞(1964—), 女, 博士, 教授, 博士生导师, 主要研究方向 为地面智能机器人; 刘 凡(1988—), 男, 博士, 讲师, 主要研究方向为模式识别、计算机视觉; 陈 峰(1977—), 男, 博士, 副教授, 主要研究方向为脑电信息处理.
    1668 计算机辅助设计与图形学学报 第 29 卷 视觉特征来建立人脸图像的特征描述, 如 Gabor[1], LBP[2]以及 SIFT[3]等. 近年来, 研究人员提出了若干基于词袋模型 的人脸识别算法[4-6], 基本思路是首先对人脸图像 提取若干局部特征, 对照离线训练好的视觉词典 对局部特征进行编码; 然后将编码矢量的池化特 征作为人脸图像的最终特征表示; 最后使用传统 分类器进行分类. 然而, 此类算法都是建立单一特 征的词袋模型, 本文在词袋模型的框架下, 提出一 种多种特征融合的人脸识别算法. 1 相关工作 人脸特征描述是进行人脸识别的关键步骤之 一. 由于局部特征对光照、表情和姿态变化具有很 好的鲁棒性, 近年来在人脸识别研究中得到了广 泛应用. Gabor 特征能够有效地捕捉到人脸图像中 鲁棒的局部变化特征, 然而多方向多尺度的 Gabor 变换会产生计算复杂度过大的问题. 相比较而言, LBP(local binary pattern)特征更加简单高效, 并且 具有良好的旋转不变性和灰度不变性, 从而成为 人脸识别领域中广泛使用的另一局部特征. 文献 [7]对人脸图像中的像素进行 LBP 编码, 然后将图 像 划 分 为 若 干 个 子 区 域 , 在 每 个 子 区 域 中 计 算 LBP 直方图特征对人脸图像进行描述; Yang 等[8]采 用多尺度 LBP 金字塔模型描述人脸图像, 并提出 一 种 基 于 局 部 统 计 特 征 的 鲁 棒 核 函 数(statistical local feature based robust kernel representation, SLF- RKR)度量图像之间的相似度计算重构误差, 最后 将测试样本判别为重构残差最小的训练样本所属 的类别. 子图像方法也是人脸识别中广泛使用的 局部特征. Zhu 等[9]提出基于多尺度图像小块的协 同表示分类算法(multi-scale patch based collabora- tive representation classification, MSPCRC), 其在人 脸图像的不同尺度上提取若干图像小块, 并利用 CRC 方法对每个图像小块进行变换; 基于每个图 像小块分别建立决策规则, 使用多数投票方式得 到测试图像的最终分类判决. 近年来, 词袋模型在图像分类任务中的优异 性能引起了学者们的关注, 并将这种模型引入到 人脸识别研究领域. 文献[4]首先将词袋模型应用到 人脸识别, 提出一种基于分块词袋模型的鲁棒人脸 识别算法, 使用 K 均值算法对人脸图像中提取的密 集 SIFT 特征进行聚类, 构建视觉词典, 并使用距离 最近的视觉单词表征每个 SIFT 特征; 然后将图像 分割为 5×5 的子区域, 将每个子区域内单词发生频 率直方图拼接起来作为人脸图像的最终特征表示. 文献[10-11]同样是建立人脸图像的词袋模型, 但 都是使用灰度特征描述图像小块. 文献[5]首先对 图像进行多尺度多方向的 Gabor 变换, 将每个通道 的图像密集地分割为若干小块并构建视觉词典, 使用最近邻法对图像小块进行编码; 然后将每个 通道中得到的单词发生频率直方图拼接起来表征 图像. Cui 等[6]提出一种基于空间人脸区域描述算子 (spatial face region descriptor, SFRD)的人脸识别算 法, 同样使用灰度特征描述图像小块, 但是使用非 负稀疏编码方法对照离线训练好的词典对每个小 块进行编码; 然后将图像分割为若干子区域, 使用 度量学习算法融合每个子区域内的池化特征. 然而, 上述基于词袋模型思想的人脸识别几 乎都是使用单一的局部描述算子表示图像小块. 大量的研究工作表明使用多种特征能够提高识别 性能. 文献[12]分别使用 LBP 和 Gabor 小波特征分 别描述人脸图像, 使用 Cosine 距离度量计算图像 之间的相似性, 使用加法规则将相似值进行融合, 最后使用最近邻分类器进行分类; 文献[13]将原始 图像变换到 RCrQ 颜色空间, 对 3 个颜色通道分别 构建 Gabor 特征、 多尺度 LBP 直方图特征以及 DCT 特征, 最后使用加权投票方法在决策层进行融合; Yang 等[14]提出一种松弛协同表示(relaxed collabo- rative representation, RCR)模型对多种相异特征进 行有效地融合; Kong 等[15]在字典学习框架下提出 一种多种特征融合算法(dictionary learning multiple feature fusion, DL-MFF), 通过提取图像的多种全 局特征, 基于每种特征构建词典基向量; 对于测试 图像分别计算每种特征在每种特征词典上的重构 残差, 测试图像被判别为在所有特征上重构残差 最小的类别. 上述多种特征融合算法都在特定的 人脸识别框架内取得了比单一特征更优良的性能, 但目前人脸识别领域中还没有出现在词袋模型框 架下面对多种特征进行融合的算法. 2 本文算法 I I  , 2  , { , I 1 对于人脸图像数据集 , 以步 长为 q 个像素将图像划分为若干 p p 大小的图像 小块, 对于每个图像小块分别使用 T 种局部描述 算子对其进行描述. 所有训练图像的第 t 种局部特 N 为 征 集合记为 1,2,  , }N  , T }, { y   I ; Y t , 1 t y , 2 t y tN t
    第 9 期 杨 赛, 等: 一种基于多种特征融合的人脸识别算法 1669 训练图像集合中提取的图像小块的总数目. 每个 图像小块只是对面部特征的细微描述, 大量图像 小块之间是非常相似的. 当人脸图像出现光照、表 情、遮挡等局部变化时, 会产生相似图像小块之间 距离变大的现象. 为了提高图像小块的鲁棒性以 及鉴别力, 有必要使用某种编码方法将其从低维 的底层视觉特征空间映射到高维的中层语义空间. 为此, 需要预先离线训练过完备的视觉词典. t t t [ tk v  V tK  , 2 v v  ]   1, k tD , K 表示第 k 个视觉单词,  , 2 假设对集合 tY 进行 K 均值聚类, 得到基于第 t KD t 种 特 征 的 视 觉 词 典 . ,  v 1 其 中 , K 为 视 觉 单 词 的 数 目 ; 1, tD 是第 t 种局部特 2, 征的维数. 假设 , 表示 x 数据集 I 中任意一幅人脸图像的第 t 种局部特征集 表示图像中第 m 合, 其中, 个图像小块的第 t 种描述特征. 本文使用非负稀疏 编码[16]对局部特征进行编码, 表达式为   1,2, t MD 1,  M   m X   , 1 tM   x x x tm tD [ ]  , t t t     K min   C tm C s.t. x tm  V C t tm  λ C tm ≥ 0 tm 1 (1) tmC 表示局部特征的编码矢量, 为稀疏正 其中, 则系数, 约束条件保证稀疏表示系数为非负值. 完成上述环节后, 图像中的每个局部特征被 转化为高维的编码矢量, 最初的词袋模型将图像 表示为整幅图像中视觉单词发生频率直方图, 忽 略了图像内在的空间结构关系. 随后出现的空间 金字塔模型(spatial pyramid matching, SPM)[17]被证   为此模 明能够大幅提高分类性能, 记 0,1, 型的层次, 则第 l 层在水平和竖直方向都将图像分 成 2l 块, 图像子区域的总数为 2  块. 假设 第 l 层金字塔模型的第 i 个子区域内有 iM 个编码 矢量, 使用最大池化方法计算此区域的统计特性 L  2 4  l , l l l C tm B tli (2) max  1,2, ,  m M i 将所有子区域内的统计特征拼接起来作为图像的 第 l 层特征 tlB , 则基于第 t 种局部特征人脸图像被 B , 所有特征拼接起来将 ] ,  表示为 tL  B . ]T , , 图像表示为 2 [ , B B t 0 B [   , 1 , B B 1 B t t 选择线性支持向量机(support vector machine, SVM)对图像进行分类判别, 在二分类的情况下, 优化目标函数为[18] 1min 2 ( w B  0, ≥ O  C ξ i 1  b ) ≥ 1,2, 1   ,     s.t.    ξ i O y i ξ (3)   w  i i 2 i i iy 为第 i 幅人脸图像对应的类别标号, C 为 其中, iξ 为松弛变量, w 为分类器的参数, O 惩罚系数, 为训练样本数目. 对公式(3)优化求解后得到的分 类决策函数为 f ) (  B sgn O  i 1  i 为拉格朗日系数;    j 其中, 像的特征; 为分类阈值. y  i i ( B B  i ) j    (4) jB 为第 j 幅测试人脸图像的特征; iB 为第 i 幅训练人脸图 *b 3 实验与结果分析 在公开人脸数据库上与 7 种前沿人脸识别算 法(使用作者提供的源代码和参数设置)进行仿真 实验. 这些算法包括 Gabor[1], LBP[2], SLF-RKR[8], MSPCRC[9], SFRD[6], RCR[14]和 DL-MFF [15]. 本文 算法中, 图像小块的尺寸为 8×8, 密集采样步长为 1, 分别使用灰度图像, SIFT 算子和 LBP 表示, 视 觉单词的数目为 1,500, 非负稀疏正则系数设为 0.1, 只使用空间金字塔模型的第 2 层, 使用 Liblinear2.1 版本实现 SVM 完成分类. 3.1 人脸图像的姿态变化 选择 FERET 数据库中的一个姿态子库验证本 文算法的性能. 该子库有 200 个人, 每个人有 7 幅 标号不同的图像, 示例图像如图 1 所示. 标号 ba, bj, bk 分别表示原型、表情变化和光照变化图像, 而 bg, bf, be, bd 分别表示偏转角度为−25º, −15º, +15º, +25º的人脸图像. 图 1 FERET 数据库的示意图 与文献[8]中的实验设置一致, 将数据库中标 号为 ba, bj, bk 的图像作为训练数据集, 标号为 bg, bf, be, bd 的图像分别作为测试数据集, 各种人脸 识别算法的识别结果如表 1 所示. 可以看出, 与对 比方法中性能最优的 LBP 算法相比, 本文算法在
    1670 计算机辅助设计与图形学学报 第 29 卷 4 个子集上的性能仍然分别高于其 7.00%, 1.50%, 0 和 1.00%. 上述结果表明, 本文算法对人脸图像的 姿态变化具有更好的鲁棒性. 表 1 各种算法在姿态变化子集上的识别率 % 算法 Gabor[1] LBP[2] SLF-RKR[8] MSPCRC[9] SFRD[6] RCR[14] DL-MFF[15] 本文 bg 11.00 62.00 41.00 16.50 55.50 10.00 27.00 69.00 bf 62.00 96.50 98.00 69.00 87.00 49.00 77.00 98.00 be 50.00 94.00 85.00 36.00 89.50 17.50 57.50 94.00 bd 16.50 53.00 39.50 16.50 46.50 10.50 25.00 54.00 3.2 人脸图像的表情变化 使用 AR 数据库验证人脸图像中表情发生变 化时, 本文算法的性能. 该数据库包含 126 个人(76 个男性，50 个女性)不同时期拍摄的 26 幅不同光 照、表情和遮挡的图像, 示例图像如图 2 所示. 图 2 AR 数据库的示意图 与文献[19]中的实验设置一致, 将第 1 个时期 拍摄的前 7 幅图像作为训练数据, 将第 2 个时期拍 摄的第 2~4 幅表情变化的图像作为测试数据, 各种 算法在表情变化子集上的识别结果如表 2 所示, 可 以看出: 与对比算法中性能最优的 SLF-RKR 算法 相比, 本文算法的性能仍高于其 4.72%. 上述结果 表明, 本文算法对人脸的表情变化具有更好的鲁 棒性. 表 2 各种算法在人脸表情变化子集上的识别率 % 算法 Gabor[1] LBP[2] SLF-RKR[8] MSPCRC[9] 识别率 65.00 84.17 92.22 62.78 算法 SFRD[6] RCR[14 DL-MFF[15] 本文 识别率 89.17 67.50 47.78 96.94 3.3 人脸图像中的真实条件下的遮挡 仍然使用 AR 数据库验证真实条件下的遮挡 对本文算法性能的影响. 与文献[8]中的实验设置 一致, 将第 1 个时期拍摄的前 7 幅无遮挡的图像作 为训练数据集, 将第 1 个时期拍摄的第 8~10 幅使 用太阳镜进行遮挡的图像(S1_Sunglass)、第 1 个时 期拍摄的第 11~13 幅使用围巾进行遮挡的图像 (S1_Scarf)、第 2 个时期拍摄的第 8~10 幅使用太阳 镜进行遮挡的图像(S2_Sunglass)、第 2 个时期拍摄 的第 11~13 幅使用围巾进行遮挡的图像(S2_Scarf) 分别作为测试数据集, 各种算法在不同子集上的 识别结果如表 3 所示. 可以看出, 与对比算法中性 能最优的 SLF-RKR 相比较, 在 4 个遮挡变化子集 上, 本文算法的性能仍然分别高于其 0.28%, 0.84%, 5.00%和 3.78%. 上述结果表明, 本文算法对人脸图 像中真实条件下的面部遮挡具有更好的鲁棒性. 表 3 各种人脸识别算法在遮挡变化子集上的识别率 % 算法 Gabor[1] LBP[2] SLF-RKR[8] MSPCRC[9] SFRD[6] RCR[14] DL-MFF[15] 本文 S1_Sunglass S1_Scarf S2_Sunglass S2_Scarf 32.50 71.67 82.33 33.33 72.50 33.61 19.44 86.11 96.94 98.33 99.72 83.33 99.72 93.06 93.89 100.00 62.50 94.72 98.33 75.83 96.94 67.22 44.44 99.17 56.67 75.28 79.44 45.56 81.11 47.50 48.61 84.44 3.4 小样本问题 使用 LFW 数据库验证训练样本比较少的情况 下, 本文算法的性能. LFW 数据库包含 5 279 个人 的 13 233 幅图像, LFW-a 是利用商业校准软件进行 校准之后的版本. 与文献[9]一致, 本文使用其中 样本数目不少于 10 幅的 158 个人的图像进行实验, 图像的尺寸为 32×32 像素, 示例图像如图 3 所示. 图 3 LFW 数据库的示意图 实验过程中, 分别随机选取每个人的 1, 2, 3, 4, 5 幅图像作为训练数据集, 剩余的图像作为测试数 据集, 重复选取 10 次, 各种人脸识别算法的在每个 数据库上的识别结果如表 4 所示, 可以看出: 1) Ga- bor 算法的性能最差, DL-MFF 算法由于训练样本 太少使得视觉词典不完备从而无法适用于单样本 的情况; 2) LBP, SLF-RKR 和 DL-MFF 算法之间的 性能比较相近, MSPCRC, SFRD 和 RCR 算法之间
    第 9 期 算法 Gabor[1] LBP[2] SLF-RKR[8] MSPCRC[9] SFRD[6] RCR[14] DL-MFF[15] 本文 杨 赛, 等: 一种基于多种特征融合的人脸识别算法 1671 表 4 LFW 数据库上不同训练样本数目下各种算法的识别率±标准差 % 1 8.51±1.09 14.18±1.08 12.47±0.93 21.45±0.83 22.79±1.57 21.50±0.77 23.41±1.01 2 12.90±0.11 20.12±0.63 25.98±1.08 34.95±2.15 34.41±1.63 32.44±1.66 16.42±0.67 37.46±1.35 3 14.69±0.96 25.47±0.41 32.30±1.60 41.54±1.75 41.73±1.21 41.23±0.80 20.22±1.16 48.27±1.35 4 18.35±0.76 30.49±0.69 36.37±0.79 45.85±1.43 47.68±1.57 46.91±1.44 22.49±0.99 55.43±1.31 5 19.43±0.45 32.57±1.34 39.48±1.14 49.40±1.95 51.43±1.26 50.46±1.84 24.28±0.70 58.94±1.04 的性能相差不大, 前 3 种算法的性能低于后 3 种算 法, 在单样本的情况下, 本文算法仍然高于性能最 优 SFRD 算法 0.62%. 上述结果表明, 本文算法可 以很好地解决小样本问题. 4 结 语 在词袋模型的框架下, 本文提出一种基于多 种特征融合的人脸识别算法. 在多个公开数据库 上, 将本文算法与前沿算法进行了非常详实的对 比实验, 结果表明, 本文算法对人脸姿态、表情变 化以及面部遮挡具有更优良的鲁棒性, 并且能够 更好地解决小样本问题. 但是在研究过程中发现 使用拼接方式进行特征融合会进一步增加词袋特 征的维数, 为此实验过程中只能使用空间金字塔 的第 2 层, 寻找一种即能有效地将各种特征进行融 合又同时降低特征维数的方法是我们今后的工作. 参考文献(References): [1] Liu C J, Wechsler H. Gabor feature based classification using the enhanced Fisher linear discriminant model for face recogni- tion[J]. IEEE Transactions on Image Processing, 2002, 11(4): 467-476 [2] Ahonen T, Haddi A, Pietikainen M. Face description with local binary patterns: application to face recognition[J]. IEEE Trans- actions on Pattern Analysis and Machine Intelligence, 2006, 28(12): 2037-2041 [3] Bicego M, Lagorio A, Grosso E, et al. On the use of SIFT fea- tures for face authentication[C] //Proceedings of the 19th In- ternational Conference on Computer Vision and Pattern Rec- ognition Workshop. Los Alamitos: IEEE Computer Society Press , 2006: Article No.35 [4] Li Z S, Imai J I, Kaneko M. Robust face recognition using block-based bag of words[C] //Proceedings of the 20th Interna- tional Conference on Pattern Recognition. Los Alamitos: IEEE Computer Society Press , 2010: 1285-1288 [5] Xie S F, Shan S G, Chen X L, et al. Learned local Gabor pattern for face representation and recognition[J]. Signal Processing, 2009, 89(3): 2333-2344 [6] Cui Z, Li W, Xu D, et al. Fusing robust face region descriptors via multiple metric learning for face recognition in the wild[C] //Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Los Alamitos: IEEE Computer Society Press, 2013: 3554-3561 [7] Zhang Jieyu, Zhao Hongping, Chen Shu. Face recognition based on weighted local binary pattern with adaptive thresh- old[J]. Journal of Electronics & Information Technology, 2014, 36(6): 1327-1333(in Chinese) (张洁玉, 赵鸿萍, 陈 曙. 自适应阈值及加权局部二值模 式的人脸识别[J]. 电子与信息学报, 2014, 36(6): 1327-1333) [8] Yang M, Zhang L, Shiu S C, et al. Robust kernel representation with statistical local features for face recognition[J]. IEEE Transactions on Neural Networks and Learning Systems, 2013, 24(6): 900-912 [9] Zhu P F, Zhang L, Hu Q H, et al. Multi-scale patch based col- laborative representation for face recognition with margin dis- tribution optimization[M] //Lecture Notes in Computer Science. Heidelberg: Springer, 2012: 822-835 [10] Meng X, Shan S G, Chen X L, et al. Local visual primitives (LVP) for face modeling and recognition[C] //Proceedings of the 18th International Conference on Pattern Recognition. Los Alamitos: IEEE Computer Society Press, 2006: 536-539 [11] Cao Z M, Yin Q, Tang X O, et al. Face recognition with learn- ing-based descriptor[C] //Proceedings of the 23rd International Conference on Computer Vision and Pattern Recognition. Los Alamitos: IEEE Computer Society Press, 2010: 2707-2714 [12] Tan X Y, Triggs B. Enhanced local textures feature sets for face recognition under difficult lighting conditions[J]. IEEE Trans- actions on Image Processing, 2010, 19(6): 1635-1650 [13] Liu Z M, Liu C J. Fusion of color, local spatial and global fre- quency information for face recognition[J]. Pattern Recognition, 2010, 43(3): 2882-2890 [14] Yang M, Zhang L, Zhang D, et al. Relaxed collaborative rep- resentation for pattern classification[C] //Proceedings of IEEE International Conference on Computer Vision and Pattern Recognition. Los Alamitos: IEEE Computer Society Press, 2012: 2224-2231 [15] Kong S, Wang X K, Wang D H, et al. Multiple feature fusion for face recognition[C] //Proceedings of IEEE International
    1672 计算机辅助设计与图形学学报 第 29 卷 Conference and Workshops on Automatic Face and Gesture Recognition. Los Alamitos: IEEE Computer Society Press, 2013: 1-7 [16] Liu Peina, Liu Guojun, Guo Maozu, et al. Image classification based on non-negative locality-constrained linear coding[J]. Acta Automatica Sinica, 2015, 41(7): 1236-1243(in Chinese) (刘培娜, 刘国军, 郭茂祖, 等. 非负局部约束线性编码图像 分类算法[J]. 自动化学报, 2015, 41(7): 1236-1243) [17] Huang Y Z, Wu Z F, Wang L, et al. Feature coding in image classification: a comprehensive study[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014, 36(3): 493-506 [18] Chu B Y, Ho C H, Tsai C H, et al. Warm start for parameter se- lection of linear classifiers[C] //Proceedings of the 21st ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM Press, 2015: 149-158 [19] Zhu Yulian, Chen Songcan. Sub-image method based on fea- ture sampling and feature fusion for face recognition[J]. Journal of Software, 2012, 23(12): 3209-3220(in Chinese) (朱玉莲, 陈松灿. 特征采样和特征融合的子图像人脸识别 方[J]. 软件学报, 2012, 23(12): 3209-3220)
    分享到：
    赞 收藏

    相关推荐

    资料库

    人工智能

    共收录2047份资料，累计62个分类，关注成员有19位，主要包括：GNSS,Pico-SIM868-GSM,GPRS,NB-IoT,GPRSHAT,SIM7070GCat-M,GNSSHAT,GSM,NB-IoTHAT,SIM7080GCat-M,R800CGSM,SIM800CGSM,UPSPowerModule(B),UPSPowerModule,Pico-SIM7020C-NB-IoT,SIM7028NB-IoTHAT,SIM7020CNB-IoTHAT,SIM7000XNB-IoTHAT,A7670CCat-1HAT,A7600C1Cat-1,SIM7600X4G&LTECat-1HAT,SIM7600X4GDONGLE用户手册,RM520N-GL5GHAT,RM500Q-GL5GHAT,RM500U-CN5GHAT,SIM820X-M25GforJetsonNano,AudioCardforJetsonNano,SIM7600G-H4GforJetsonNano,OpenNCC-Lite-4G8M,IMX219-77Camera,13.3inche-PaperHAT,10.3inche-PaperHAT(D),10.3inche-PaperHAT,9.7inche-PaperHAT,7.8inche-PaperHAT,6inchHDTouche-PaperHAT,6inchHDe-PaperHAT,6inche-PaperHAT,5.83inche-PaperHAT(C),LCD-Clock-A,0.95inchRGBOLED(A),0.96inchRGBOLEDModule,0.96inchOLEDModule,0.96inchOLED(A),1.27inchRGBOLEDModule,1.3inchOLEDModule(C),1.3inchOLED(A),1.32inchOLEDModule,1.5inchRGBOLEDModule,1.5inchOLEDModule,JETSONORINNX,自然语言处理,搜索引擎,VR,计算广告,深度学习,机器学习

    热门标签

    GNSS Pico-SIM868-GSM GPRS NB-IoT GPRSHAT SIM7070GCat-M GNSSHAT GSM NB-IoTHAT SIM7080GCat-M R800CGSM SIM800CGSM UPSPowerModule(B) UPSPowerModule Pico-SIM7020C-NB-IoT SIM7028NB-IoTHAT SIM7020CNB-IoTHAT SIM7000XNB-IoTHAT A7670CCat-1HAT A7600C1Cat-1 SIM7600X4G&LTECat-1HAT SIM7600X4GDONGLE用户手册 RM520N-GL5GHAT RM500Q-GL5GHAT RM500U-CN5GHAT SIM820X-M25GforJetsonNano AudioCardforJetsonNano SIM7600G-H4GforJetsonNano OpenNCC-Lite-4G8M IMX219-77Camera 13.3inche-PaperHAT 10.3inche-PaperHAT(D) 10.3inche-PaperHAT 9.7inche-PaperHAT 7.8inche-PaperHAT 6inchHDTouche-PaperHAT 6inchHDe-PaperHAT 6inche-PaperHAT 5.83inche-PaperHAT(C) LCD-Clock-A 0.95inchRGBOLED(A) 0.96inchRGBOLEDModule 0.96inchOLEDModule 0.96inchOLED(A) 1.27inchRGBOLEDModule 1.3inchOLEDModule(C) 1.3inchOLED(A) 1.32inchOLEDModule 1.5inchRGBOLEDModule 1.5inchOLEDModule JETSONORINNX 自然语言处理 搜索引擎 VR 计算广告 深度学习 机器学习

    最新资料