基于虚拟信息的单样本分块人脸识别

doi:10.3778/j.issn.1002-8331.2009.19.045

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (19): 146-149.DOI: 10.3778/j.issn.1002-8331.2009.19.045

• 图形、图像、模式识别 • 上一篇下一篇

基于虚拟信息的单样本分块人脸识别

吴朋¹,周激流¹,李晓华¹,丁晓莲²

1.四川大学计算机（软件）学院，成都 610065
2.四川大学电子信息学院，成都 610065

收稿日期:2008-04-17 修回日期:2008-09-01 出版日期:2009-07-01 发布日期:2009-07-01
通讯作者: 吴朋

Sub-block face recognition based on virtual information with one training image per person

WU Peng¹,ZHOU Ji-liu¹,LI Xiao-hua¹,DING Xiao-lian²

1.College of Computer Science，Sichuan University，Chengdu 610065，China
2.School of Electronics and Information Engineering，Sichuan University，Chengdu 610065，China

Received:2008-04-17 Revised:2008-09-01 Online:2009-07-01 Published:2009-07-01
Contact: WU Peng

摘要/Abstract

摘要： 在单样本人脸识别中，由于训练样本的数量受限，充分利用样本的信息就显得十分重要；针对这种情况，通过采用旋转和反转原始图像的方法增加样本信息，提出了基于虚拟信息的单样本分块人脸识别方法，充分利用了样本的整体信息和局部信息。实验表明，在对人脸图像进行识别时取得了较好的效果，在一定程度上克服了单样本下姿态对识别效果的强烈影响。

关键词: 虚拟样本, 特征提取, 分块, 图像旋转

Abstract: As the number of training samples limited in the face recognition with one training sample per person，it is quite important to make full use of the information of the samples.Aiming at this situation，a method of sub-block face recognition based on virtual information with one training image per person is proposed，which makes the best of the globe and local information of the samples.Compared by the examples，the proposed method attains a better result when recognizes face image.At a certain extent，it can overcomes the intensive influence of pose to the recognition effect.

Key words: virtual information, feature extraction, sub-block, image circumgyration

吴朋¹,周激流¹,李晓华¹,丁晓莲². 基于虚拟信息的单样本分块人脸识别[J]. 计算机工程与应用, 2009, 45(19): 146-149.

WU Peng¹,ZHOU Ji-liu¹,LI Xiao-hua¹,DING Xiao-lian². Sub-block face recognition based on virtual information with one training image per person[J]. Computer Engineering and Applications, 2009, 45(19): 146-149.

[1]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[2]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[3]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[4]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[5]	熊健，覃仁超，何梦乙，刘建兰，唐风扬. 改进随机森林在Android恶意软件检测中的应用[J]. 计算机工程与应用, 2021, 57(3): 130-136.
[6]	李龙龙，何东健，王美丽. 基于改进型LBP算法的植物叶片图像识别研究[J]. 计算机工程与应用, 2021, 57(19): 228-234.
[7]	李杰，李苗，袁细国. 面向新一代测序数据的病原微生物检测算法[J]. 计算机工程与应用, 2021, 57(19): 282-289.
[8]	郭恒光，刘文彪，余仁波. 用于形状特征提取的spike函数[J]. 计算机工程与应用, 2021, 57(18): 220-226.
[9]	李振强，王树才，赵世达，白宇. 改进DeepLabv3+和XGBoost的羊骨架切割方法[J]. 计算机工程与应用, 2021, 57(18): 263-269.
[10]	刘星辰，贾俊铖，张莉，胡沁涵. 图像超分辨率特征浓缩网络[J]. 计算机工程与应用, 2021, 57(16): 213-219.
[11]	何雅颖，范昕炜. 改进蚁群算法在机器人路径规划中的应用[J]. 计算机工程与应用, 2021, 57(16): 276-282.
[12]	光睿智，安博文，潘胜达. 基于无锚框网络的航拍航道船舶检测算法[J]. 计算机工程与应用, 2021, 57(15): 251-258.
[13]	周小静，陈俊洪，杨振国，刘文印. 基于手势特征融合的操作动作识别[J]. 计算机工程与应用, 2021, 57(14): 169-175.
[14]	岳琪，徐忠亮，郭继峰. 面向混合乐器音乐分析的稀疏特征提取方法[J]. 计算机工程与应用, 2021, 57(14): 181-186.
[15]	谌贵辉，陈伍，李忠兵，易欣，刘会康，韩春阳. 残差卷积注意网络的图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(12): 193-200.

基于虚拟信息的单样本分块人脸识别

Sub-block face recognition based on virtual information with one training image per person

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics