-
公开(公告)号：CN109308436A
公开(公告)日：2019-02-05
申请号：CN201710627156.6
申请日：2017-07-28
申请人： 西南科技大学
摘要： 针对人脸识别中的照片和视频欺诈问题，本发明公开了一种基于主动红外视频的活体人脸识别方法，本方法包括如下步骤：步骤1、采集红外视频，利用Haar-like+AdaBoost算法检测人脸，提取最大人脸框；步骤2、在最大人脸框的基础上利用迭代二次帧差法提取亮度突出区域；步骤3、对迭代二次帧差图像进行二值化处理，并提取LBP特征；步骤4、采用最小距离匹配进行活体判别。本方法能够实时、准确地区分活体人脸图像和照片/视频，活体人脸检出率高，照片和视频误检率低，其成本低、交互自然且防欺诈功能强。
-
公开(公告)号：CN111275643B
公开(公告)日：2022-09-02
申请号：CN202010064130.7
申请日：2020-01-20
申请人： 西南科技大学
摘要： 一种基于通道和空间注意力的真实噪声盲去噪网络系统及方法，该盲去噪网络系统包括加权特征提取模块，其通过自适应地调整通道重要性来提取待处理图像更具有判别性的像素特征；多路径残差密集模块，其提取有利于学习更具有判别性的像素特征复杂像素分布的多尺度特征并兼顾图像局部和全局细节信息的多层次特征；以及多尺度特征融合模块，其通过自适应加权融合多尺度特征和多层次特征以突出特征的空间和通道差异性，得到盲去噪后的图像。该网络模型能显著提高真实噪声图像的去噪性能，在真实图像去噪任务中具有更大的实际应用价值。
-
公开(公告)号：CN107358167A
公开(公告)日：2017-11-17
申请号：CN201710462234.1
申请日：2017-06-19
申请人： 西南科技大学
IPC分类号： G06K9/00
CPC分类号： G06K9/00845 , G06K9/00268 , G06K9/00315
摘要： 本发明公开了一种基于主动红外视频的打哈欠判别方法。本方法包括如下步骤：步骤一，通过主动红外摄像头获取视频帧，并检测人脸图像；步骤二，在人脸检测框内规划出嘴巴活动区域；步骤三，在规划出的嘴巴活动区域内进行Prewitt和Canny融合边缘检测，并计算融合边缘纵向投影比Ry；步骤四，确定类打哈欠的阈值TR；步骤五，打哈欠判别。其特征在于：通过在人脸框上规划出嘴巴活动区域，然后统计在规划区域内Prewitt与Canny融合边缘纵向投影比判断打哈欠的状态，判别的可靠性高。
-
公开(公告)号：CN108319961B
公开(公告)日：2022-03-25
申请号：CN201810065820.7
申请日：2018-01-23
申请人： 西南科技大学
IPC分类号： G06V10/25 , G06V10/46 , G06V10/764
摘要： 针对现有图像感兴趣区域(Region of interest,ROI)检测算法中存在算法原理较复杂、时间复杂度较大以及实时性较低的问题,本发明提出了一种新的基于局部特征点的ROI快速检测方法，本方法包括如下步骤：步骤1、图像预处理，即对输入图像生成金字塔影像；步骤2、在金字塔影像上提取ORB或SIFT特征点；步骤3、对所提特征点的坐标值按水平和垂直方向排序；步骤4、通过计算K个近邻点的均值来确定ROI的坐标；步骤5、提取图像ROI。本方法具有高实时性且鲁棒性好，能够快速、准确地检测出图像感兴趣区域。
-
公开(公告)号：CN110390646B
公开(公告)日：2023-10-17
申请号：CN201910503633.7
申请日：2019-06-12
申请人： 西南科技大学
IPC分类号： G06T5/00
摘要： 本发明提出一种细节保持图像去噪方法。针对去噪后的图像由于大量缺失细节信息造成的模糊视觉效果和伪影现象，提出一种细节保持卷积神经网络（DRCNN）去噪模型。本方法包括如下步骤：步骤1，分析一个最小化问题并构建去噪数学模型；步骤2，搭建DRCNN的产生模块（GM）和细节保持模块（DRM）；步骤3，利用GM学习图像的噪声，并与噪声图像减相减获得中间特征图（IFM）；步骤4，利用DRM学习IFM所损失的细节信息，并与IFM相加获得去噪后的图像；步骤5，将实验结果与目前先进的图像去噪方法作比较分析。实验结果表明，DNCNN既能有效保持图像细节信息，表现出突出的视觉效果，同时还具有很强的泛化能力，可扩展到超声和激光图像等真实图像去噪任务中。
-
公开(公告)号：CN109308436B
公开(公告)日：2021-09-28
申请号：CN201710627156.6
申请日：2017-07-28
申请人： 西南科技大学
摘要： 针对人脸识别中的照片和视频欺诈问题，本发明公开了一种基于主动红外视频的活体人脸识别方法，本方法包括如下步骤：步骤1、采集红外视频，利用Haar‑like+AdaBoost算法检测人脸，提取最大人脸框；步骤2、在最大人脸框的基础上利用迭代二次帧差法提取亮度突出区域；步骤3、对迭代二次帧差图像进行二值化处理，并提取LBP特征；步骤4、采用最小距离匹配进行活体判别。本方法能够实时、准确地区分活体人脸图像和照片/视频，活体人脸检出率高，照片和视频误检率低，其成本低、交互自然且防欺诈功能强。
-
公开(公告)号：CN110390646A
公开(公告)日：2019-10-29
申请号：CN201910503633.7
申请日：2019-06-12
申请人： 西南科技大学
IPC分类号： G06T5/00
摘要： 本发明提出一种细节保持图像去噪方法。针对去噪后的图像由于大量缺失细节信息造成的模糊视觉效果和伪影现象，提出一种细节保持卷积神经网络（DRCNN）去噪模型。本方法包括如下步骤：步骤1，分析一个最小化问题并构建去噪数学模型；步骤2，搭建DRCNN的产生模块（GM）和细节保持模块（DRM）；步骤3，利用GM学习图像的噪声，并与噪声图像减相减获得中间特征图（IFM）；步骤4，利用DRM学习IFM所损失的细节信息，并与IFM相加获得去噪后的图像；步骤5，将实验结果与目前先进的图像去噪方法作比较分析。实验结果表明，DNCNN既能有效保持图像细节信息，表现出突出的视觉效果，同时还具有很强的泛化能力，可扩展到超声和激光图像等真实图像去噪任务中。
-
公开(公告)号：CN111275643A
公开(公告)日：2020-06-12
申请号：CN202010064130.7
申请日：2020-01-20
申请人： 西南科技大学
摘要： 一种基于通道和空间注意力的真实噪声盲去噪网络模型及方法，该盲去噪网络模型包括加权特征提取模块，其通过自适应地调整通道重要性来提取待处理图像更具有判别性的像素特征；多路径残差密集模块，其提取有利于学习更具有判别性的像素特征复杂像素分布的多尺度特征并兼顾图像局部和全局细节信息的多层次特征；以及多尺度特征融合模块，其通过自适应加权融合多尺度特征和多层次特征以突出特征的空间和通道差异性，得到盲去噪后的图像。该网络模型能显著提高真实噪声图像的去噪性能，在真实图像去噪任务中具有更大的实际应用价值。
-
公开(公告)号：CN108319961A
公开(公告)日：2018-07-24
申请号：CN201810065820.7
申请日：2018-01-23
申请人： 西南科技大学
CPC分类号： G06K9/4671 , G06K9/3233 , G06K9/6276
摘要： 针对现有图像感兴趣区域(Region of interest,ROI)检测算法中存在算法原理较复杂、时间复杂度较大以及实时性较低的问题,本发明提出了一种新的基于局部特征点的ROI快速检测方法，本方法包括如下步骤：步骤1、图像预处理，即对输入图像生成金字塔影像；步骤2、在金字塔影像上提取ORB或SIFT特征点；步骤3、对所提特征点的坐标值按水平和垂直方向排序；步骤4、通过计算K个近邻点的均值来确定ROI的坐标；步骤5、提取图像ROI。本方法具有高实时性且鲁棒性好，能够快速、准确地检测出图像感兴趣区域。
-
-
-
-
-
-
-
-
搜索结果
9 条记录 (耗时 0.022 秒)