Improving 2D Face Recognition via Discriminative Face Depth Estimation论文中的RGB-D数据集预处理方法复现

已于 2024-01-04 16:22:07 修改
阅读量198 收藏
点赞数
文章标签： 计算机视觉 opencv 图像处理
于 2023-05-16 10:25:48 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_39347821/article/details/130697697
版权

有需要预处理代码的朋友，可以私信我

论文展示的方法与我的最终结果

论文方法展示
下面是lock3dface数据集的预处理结果
Lock3DFace数据集预处理结果
下面是IIIT-D数据集的预处理结果
请添加图片描述
从上面的结果可以看到，我预处理的深度图比论文中的明显细节更多一点（后面我也进行了识别实验来验证，结果证明：
我的GT深度图确实比论文的识别性能更好！！）
这样后续实验我们的结果就是可对比的了

复现步骤

RGB与深度图像裁剪

RGB-D图像预处理一定要保证完全对齐，即RGB和深度人脸上的特征在图像上的相同位置。

因为深度图像和近红外图像几乎完全对齐，我们首先使用Retinaface算法检测RGB和近红外图像人脸上的5个特征点，然后利用仿射变换将RGB和深度图像的人脸旋转至水平，再利用我们的裁剪算法将人脸完整且无过多背景的裁剪出来，结果如下：
请添加图片描述

单独第深度图像进行进一步处理

RGB图像裁剪完就不用管了，接下来要对深度图像去背景和归一化
首先我们调用函数获取深度图像的直方图
在这里插入图片描述
然后获取两个峰值的谷底对应的横坐标做分割阈值，令大于这个阈值的像素为0即可。
但是在实际中我发现也会遇到多峰值的情况，如下：
在这里插入图片描述
这种情况下第一个峰值对应的谷底是分割阈值，此时我们就需要自己设计一个算法来确定分割阈值了。分割完背景，再将图像归一化0-255即可

有需要上面预处理Lock3dface和IIIT-D数据集代码的朋友，可以私信我

kasdsl
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Book-Crossing 图书评分数据集.7z
07-13
Book – Crossing Dataset 是由 Book – Crossing 社区的 278858 名用户的评分组成，其包含约 271379 本书的 1149780 条评分数据，该数据集包含 3 个分类。 BX-用户 包含用户信息，其中用户 ID 已被匿名化并映射到整数，除了包含人口统计数据的部分，其余字段均包含 NULL 值。 BX-书籍 包含书本的 ISBN 标识，除此之外，还提供了作者、出版年份、出版社等基于内容的信息，在拥有多位作者的情况下，仅提供第一作者；并且该数据集提供了链接到封面图像的 URL，相关链接直接指向 Amazon 网站。 BX-书本评级 包含图书评分信息，其中评级分为明确、从 1 – 10 表示和用 0 表示的隐含值。 该数据集由德国自由堡大学于 2005 年发布，相关论文有《Improving Recommendation Lists Through Topic Diversification》。
sss.rar_CAS peal_CAS-PEAL_Face It_YCbCr_feature lbp
09-24
- Color provide an important clue for extracting the new color LBP histogram features for face recognition using Local Binary Pattern technique. To reduce redundancy RGB color space converted to YCbCr color space. The Local Binary Pattern is a non parametric operator which describes the local spatial structure, of an image into the global features. The face features based on Local Binary pattern has proven to be highly discriminative, which is invariance to monotonic gray level changes and computational efficiency that make it suitable for demanding image analysis task. The Local Binary Pattern features distribution are extracted and generated into a spatially enhanced feature vector to be used as a face descriptor. Color information can become significant for improving face recognition performance of CAS PEAL database,
多模态(RGB-D)——Face Depth Estimation
小花生的博客
10-04 2344
《Improving 2D Face Recognition via Discriminative Face Depth Estimation》 ICB 2018，Jiyun Cui, Hao Zhang, Hu Han, Shiguang Shan, and Xilin Chen. 1.引言： 1）.RGB-D人脸识别无法避免的问题：模态缺失或不可用 2）.可能的解决方法：深度图像生成 ...
centerloss系列文章笔记——人脸识别：A Discriminative Feature Learning Approach forDeep Face Recognition
迷途中一个小书童
08-27 2602
人脸识别：A Discriminative Feature Learning Approach forDeep Face RecognitionYandong Wen, Kaipeng Zhang, Zhifeng Li*, Yu QiaoShenzhen Institutes of Advanced Technology, CAS, ChinaThe Chinese University of
RGBA图像的四通道详细分析
Joseph__Lagrange的博客
11-04 5548
最近在做动漫语义分割，数据太难找了，于是就到https://www.remove.bg/来抠图，扣下来的RGBA图像处理一把，进而生成标签 有一个需求 从removebg网站上得到的RGBA图像，它RGB通道和alpha通道是怎样的 RGBA图像(0001.png) 代码如下 from PIL import Image import numpy as np img_origin = Image.open("./网图标签/0001.png") print("pillow读入img_origin图片尺寸:
将RGB图片和视差图D融合成四通道RGBD图片
c_qianbo的博客
11-27 6334
import numpy as np import os, os.path import sys import cv2 """将RGB图片和视差图融合成四通道RGBD图片。RGB图片和视差图的路径分别放在txt文件中""" # 导入caffe模块,需要预先编译pycaffe caffe_root = '/home/user/SegNet/caffe-segnet/' sys.path.inser
论文笔记_S2D.12-2019-ITSC-DFuseNet: 用于图像稠密深度补全的RGB和稀疏深度信息深度融合的网络
惊鸿一博
09-05 2752
基本情况 题目：DFuseNet: Deep Fusion of RGB and Sparse Depth Information for Image Guided Dense Depth Completion 作者：Shreyas S. Shivakumar, Ty Nguyen, Ian D. Miller, Steven W. Chen, Vijay Kumar and Camillo J. Taylor 出处：Shivakumar, S. S., Nguyen, T., Miller, I.
Improving iris recognition performance via multi-instance fusion at the score level
02-10
In this letter, we present an iris recognition method based on multi-instance fusion, which combines the left and right irises of an individual at the matching score level. When fusing, a novel ...
yolov论文-一种改进 YOLOv5 算法来提高自动驾驶系统中小物体检测的方法
05-25
本文提出了一种改进 YOLOv5 算法来提高自动驾驶系统中小物体检测的方法，称之为 YOLO-Z。作者提出了两个解决方案：1）分裂原图；2）改进 NMS 策略。在两种方案中，作者采用了 YOLOv5 的骨干网络架构，并对网络的某些...
Improving sentiment analysis via sentence type classification using BiLSTM-CRF and CNN
02-22
Improving sentiment analysis via sentence type classification using BiLSTM-CRF and CNN
A Discriminative Feature Learning Approach for Deep Face Recognition - 人脸识别 - Center Loss
kebijuelun的博客
11-19 963
Paper name A Discriminative Feature Learning Approach for Deep Face Recognition Paper Reading Note URL: https://ydwen.github.io/papers/WenECCV16.pdf TL;DR Introduction Dataset/Algorithm/Model/Exper...
CVPR2020论文列表（中英对照）
dovings的博客
07-04 9224
CVPR论文列表，中英对照
[数据集][目标检测]RSNA肺炎检测数据集VOC+YOLO格式6012张1类别
FL1623863129的博客
05-28 311
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：6012。标注数量(xml文件个数)：6012。标注数量(txt文件个数)：6012。标注类别名称:["meat"]使用标注工具：labelImg。meat 框数 = 9555。标注规则：对类别进行画矩形框。
香橙派OrangePi AIpro上手笔记——之USB摄像头目标检测方案测试（二）
乐亦Lee的博客
05-29 591
测试笔记（一）中，我们已经掌握并搭建了板卡的初步调试环境。接下来，我们将逐步上手官方的Demo，进行跑测。官方Demo跑测——01 Camera图像获取（USB接口）【官方论坛 链接】【Camera图像获取(USB接口)样例 链接】官方Sample样例共有6+9种，其中6款为外设接口样例，9款为数据预处理&推理应用样例。此次教程，我们尝试跑测一下Camera图像获取(USB接口)样例。1、样例下载
使用OpenCV计算滑块缺口(2)
weixin_42883164的博客
05-27 334
使用openCV 计算滑块缺口
[数据集][目标检测]焊接处缺陷检测数据集VOC+YOLO格式3400张8类别
最新发布
FL1623863129的博客
06-02 323
标注类别名称:["chogndie","duanhu","jiazha","kongxinzhu","leiwen","qikong","weironghe","yaobian"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)重要说明：names: ["气孔", "咬边", "断弧", "裂纹", "空心珠", "重叠", "夹渣", "未熔合"]标注数量(txt文件个数)：3400。
使用OpenCV创建全景图像
盼小辉丶的博客
05-27 1177
在本节中，我们将学习组合多个图像来创建全景图像。使用相机拍摄全景照片时，通常会拍摄多张照片，通过算法将这些图像中共同存在的元素(从左到右)映射到一张单独的图像中。
[C#]winform部署官方yolov10目标检测的onnx模型
FL1623863129的博客
05-28 1142
遗憾的是，无论是 anchor-based 的“框分配”策略还是 anchor-free 的“点分配”策略，其始终会面临一个 many-to-one 的窘境，即对于一个 GT 框来说，会存在多个正样本与之对应。然而，实际场景中，我们所面临的目标其大小、长宽比、数量、位姿均各有所异，因此很难通过这种方式来提供一个完美的先验信息，尽管可以借助一些方法如 kmeans 聚类来获得一个次优的结果。经过这几年的发展，前前后后也提出了许多的不同的方案，但归根结底还是围绕着正负样本去定义。
improving sea-thru with monocular depth estimation methods
07-01
可以使用已标注的水下图像数据集进行监督学习，使网络能够学习到更准确的深度估计模型。另外，还可以对网络进行迁移学习，使用在陆地环境下预训练的模型，在海洋环境中进行微调，以适应海洋透视的特殊情况。 另一个...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值