通往人工智能的崎岖之路

Description of interest regions with local binary patterns      该文章发表在Pattern recognition, 2009上，主要针对sift特征表达方法计算量大的问题（因为sift表达方法要计算梯度的方向和大小），提出用CS-LBP来表示sift特征，在降低计算量的同时保证了特征表达的准确性。    如图所示，为了得到梯

由于各种原因，好久没有更新CSDN了，好惭愧啊。不多说，给大家放一个小福利吧。和 GSDM[1] 类似的一个开源人脸标注工具，可在视频中标注面部68个关键点。本方法是GSDM的变种，主要存在两个区别： 1. 本程序不同模型对应的训练样本根据头部姿态进行划分，而GSDM根据提取特征的PCA分量进行划分；2.本程序使用hog-like feature提取特征，而GSDM使用sift-like feat...

Affine-Transformation Parameters Regression for Face Alignment最近写了一篇关于人脸对齐的文章，已被Signal Processing Letters录用，估计在明年一月份刊出，在这里提前和大家分享。

基于Triplet loss 函数训练人脸识别深度网络在FaceNet中，作者提出了基于度量学习的误差函数Triplet loss，其思想来源如下：∥∥xai−xpi∥∥22+threshold∥∥xai−xni∥∥22\left\| {x_i^a - x_i^p} \right\|_2^2 + threshold 其中xai{x_i^a } 表示参考样本，xpi{x_i^p }

过了快半年了，终于下决心将自己挖的关于AAM的坑给填平了。今天的内容主要关于有遮挡情况下的AAM alignment算法。当数据存在少量重大误差时，最小二乘法往往不能很好地保持匹配鲁棒性，这时就需要使用其他方法来解决这个问题。

AAM Alignment算法是从Lucas-Kanade方法派生出来的，该方法在光流计算和AAM模型中都大获成功，不同的是由于AAM模型中存在PCA降维、形变Warp操作和纹理匹配，使得该方法有了多种多样的变形和匹配算法，在效果和计算复杂度上各有千秋。这次内容是对上次内容的补充，增加了纹理变化内容。主要参考了Lucas-Kanade 20 Years On - A Unifying Framew

在人脸检测中遮挡是很难解决的问题。遮挡问题会导致人脸定位的不准确。例如下面这个ASM的例子：

考虑到一些朋友对鄙人的性别判断方法感兴趣，而自己的代码又没妥善保存，因此特在这里进行弥补，将作业报告PPT内容公布，并进行简单地代码说明。

http://blog.sina.com.cn/s/blog_4d92192101008en6.html(此贴最开始于 2007-6-23 19:50 发表在 prfans.com 上) dodo TPAMI = IEEE Transactions on PAMI 这个杂志PAMI  是指 pattern analysis and m

最近读了一篇SCI神文：why is facial occlusion a challenging problem?    文章大概讲了这样一件事情：    目前有很多学者都在研究人脸被遮挡情况下的识别问题，大家普遍关注的是在人脸部分遮挡情况下（戴墨镜、围围巾等）如何提高计算机的识别率，而忽略了思考为什么遮挡会导致识别率下降。    一种直观的解释是遮挡部分的信息丢失了，因此识别率下降

自己写的一篇老文章了，移到CSDN，打算以CSDN博客为主了。        在大学学习概率论的时候，总感觉有些枯燥和无趣，而且没有什么实际的用途，最近由于课题需要，研究了一下概率方面的书籍，才发现概率实际上用途广泛而富有魅力。        其实人类是非常善于使用概率的，只是我们没有意识到罢了。        在我们生活的这个世界，充满了太多的未知，如果每一件事情人们都使用精

最近研究了一下人脸识别相关问题，根据自己的理解，目前主流的人脸识别方法大概可分为两种模式：聚类方式和距离方式。        聚类方式主要提取样本库中同一个人多张相片的共同信息，来为每个人建立一个统计模型，例如：聚类的中心和半径等等，根据信息提取方法的不同，产生的聚类表达形式也不尽相同，广义上来讲，利用支撑向量机、高斯模型、线性投影分析，人工神经网等分类器来实现人脸识别的检测方法，都属于聚类方

有时人们需要去除视频中的抖动。    本人用一种简单算法实现了该功能，实际效果还不错。    主要思想是这样的：在第一帧图像中选择一块特征明显的纹理Patch，然后在随后的每一帧图像中找到与该纹理Patch最相似的Patch，然后将找到的Patch“钉”到第一帧Patch的所在位置上。    两块Patch的相似度用灰度互相关值来表示，公式如下：

最近由于课程需要，一直在研究通过人脸来判断性别，在OpenCV的contrib中提供了两种可以用来识别性别的方法：EigenFace和FisherFace，EigenFace主要是使用PCA（主成分分析），通过消除数据中的相关性，将高维图像降低到低维空间，训练集中的样本被映射成低维空间中的一点，需要判断测试图片性别时，先将测试图片映射到低维空间中，然后计算离测试图片最近样本点是哪一个，将最近样本点

Towards a Mathematical Theory of Primal Sketch and Sketchability       该文章历史有些早了，于2003年发表在ICCV上，作者是一名华人：Ying Nian Wu 教授，目前在UCLA大学统计部门任职。    本文的主要内容在于提出使用稀疏编码和马尔科夫随机场相结合的方法，来表达图像的内容。    从Wu教授的研究历

Hi, 大家好，这次带给大家的，是 'a implement of face alignment'[github传送门]对应的训练代码，各位童鞋可以自己训练模型了。有需要的童鞋可以到对应的网站地址下载相关代码了。...