公开(公告)号：CN110458092B

公开(公告)日：2022-08-30

申请号：CN201910733434.5

申请日：2019-08-09

Applicant: 南京邮电大学

Inventor： 张皖 ,  高广谓 ,  朱冬 ,  汪焰南 ,  吴松松 ,  岳东

IPC: G06V10/764 ,  G06V10/774 ,  G06V40/16 ,  G06K9/62

Abstract: 一种基于L2正则化梯度约束稀疏表示的人脸识别方法，所述方法包括：获取训练样本集；基于人脸图像梯度恢复约束信息和L2正则化稀疏表示方法，计算待识别样本在所述训练样本集的训练样本上的表示系数；采用所述待识别样本在训练样本上的表示系数，计算所述待识别样本在所述训练样本集的每类训练样本上的残差；将计算得到的最小残差对应的训练样本类别，作为所述待识别样本的类别进行输出。上述的方案，可以提高人脸识别的准确性。

公开(公告)号：CN111008575A

公开(公告)日：2020-04-14

申请号：CN201911163739.3

申请日：2019-11-25

Applicant: 南京邮电大学

Inventor： 张皖 ,  高广谓 ,  吴松松 ,  邓松 ,  汪焰南 ,  岳东

IPC: G06K9/00

Abstract: 本发明提出了一种基于多尺度上下文信息融合的鲁棒人脸识别方法，包括以下步骤：获取人脸关键点上下文信息；在特定尺度下对关键点图像块集合进行分；对待识别样本进行多尺度集成分类。本发明充分考虑人脸图像不同部位的上下文语义信息差异，提出使用检测到的关键点周围图像块集合来描述人脸图像不同部位的上下文语义信息，并使用多尺度集成方法来降低待识别样本图像块的尺度大小对识别效果的影响，提高了识别精度，为后续人脸识别方法的发展提供帮助。

公开(公告)号：CN111008575B

公开(公告)日：2022-08-23

申请号：CN201911163739.3

申请日：2019-11-25

Applicant: 南京邮电大学

Inventor： 张皖 ,  高广谓 ,  吴松松 ,  邓松 ,  汪焰南 ,  岳东

IPC: G06V40/16 ,  G06V10/764 ,  G06V10/80

Abstract: 本发明提出了一种基于多尺度上下文信息融合的鲁棒人脸识别方法，包括以下步骤：获取人脸关键点上下文信息；在特定尺度下对关键点图像块集合进行分；对待识别样本进行多尺度集成分类。本发明充分考虑人脸图像不同部位的上下文语义信息差异，提出使用检测到的关键点周围图像块集合来描述人脸图像不同部位的上下文语义信息，并使用多尺度集成方法来降低待识别样本图像块的尺度大小对识别效果的影响，提高了识别精度，为后续人脸识别方法的发展提供帮助。

公开(公告)号：CN111104868B

公开(公告)日：2022-08-23

申请号：CN201911164077.1

申请日：2019-11-25

Applicant: 南京邮电大学

Inventor： 汪焰南 ,  高广谓 ,  吴松松 ,  邓松 ,  张皖 ,  岳东

IPC: G06V40/16 ,  G06V10/82 ,  G06V10/772 ,  G06V10/774 ,  G06N3/04 ,  G06N3/08 ,  G06K9/62

Abstract: 本发明提出了一种基于卷积神经网络特征的跨质量人脸识别方法，该方法首先获取高质量训练样本图像、低质量测试样本图像、高低质量训练字典样本图像各个特征点的图像块；其次设计一深度卷积神经网络，对于每个特征点图像块，通过神经网络的学习得到一个特征向量；再次对测试图像块的特征向量和训练图像块的特征向量进行线性表示；然后对低质量测试图像块的特征表示和高分辨率训练图像块的特征表示进行相似性度量，并输出每一个测试图像块的类别；最后对于一张人脸图像分为S个人脸关键点的图像块集合，对每一个关键点位置的图像块分类结果进行投票，将图像分给获取票数最多的那一个类，输出最终低质量测试图像的类别。

公开(公告)号：CN110458092A

公开(公告)日：2019-11-15

申请号：CN201910733434.5

申请日：2019-08-09

Applicant: 南京邮电大学

Inventor： 张皖 ,  高广谓 ,  朱冬 ,  汪焰南 ,  吴松松 ,  岳东

IPC: G06K9/00 ,  G06K9/62

Abstract: 一种基于L2正则化梯度约束稀疏表示的人脸识别方法，所述方法包括：获取训练样本集；基于人脸图像梯度恢复约束信息和L2正则化稀疏表示方法，计算待识别样本在所述训练样本集的训练样本上的表示系数；采用所述待识别样本在训练样本上的表示系数，计算所述待识别样本在所述训练样本集的每类训练样本上的残差；将计算得到的最小残差对应的训练样本类别，作为所述待识别样本的类别进行输出。上述的方案，可以提高人脸识别的准确性。

公开(公告)号：CN111104868A

公开(公告)日：2020-05-05

申请号：CN201911164077.1

申请日：2019-11-25

Applicant: 南京邮电大学

Inventor： 汪焰南 ,  高广谓 ,  吴松松 ,  邓松 ,  张皖 ,  岳东

IPC: G06K9/00 ,  G06N3/04 ,  G06N3/08 ,  G06K9/62

Abstract: 本发明提出了一种基于卷积神经网络特征的跨质量人脸识别方法，该方法首先获取高质量训练样本图像、低质量测试样本图像、高低质量训练字典样本图像各个特征点的图像块；其次设计一深度卷积神经网络，对于每个特征点图像块，通过神经网络的学习得到一个特征向量；再次对测试图像块的特征向量和训练图像块的特征向量进行线性表示；然后对低质量测试图像块的特征表示和高分辨率训练图像块的特征表示进行相似性度量，并输出每一个测试图像块的类别；最后对于一张人脸图像分为S个人脸关键点的图像块集合，对每一个关键点位置的图像块分类结果进行投票，将图像分给获取票数最多的那一个类，输出最终低质量测试图像的类别。