《表1 人脸特征选取表：人脸肤色检测与编辑》
提示：宽带有限、当前游客访问压缩模式
本文利用这9对点对作为人脸脸型判断特征。本文计算左右眼的中心点分别是第69个点，第70个点，其中本文选取9对点集特征进行归一化处理，其中9对点对，如表1所示。
| 图表编号 | XD0079648100 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.07.08 |
| 作者 | 陈芳芳、计忠平 |
| 绘制单位 | 杭州电子科技大学图形图像研究所、杭州电子科技大学图形图像研究所 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 正交试验方差分析：基于人脸特征点的疲劳检测方法研究》2020.12.31
- 《表1 整机主要材料属性：基于人脸特征点的疲劳检测方法研究》2020.12.31
- 《表4 韧性提升方案：基于人脸特征点的疲劳检测方法研究》2020.12.31
- 《表3 人脸特征数与事务执行情况测试结果》2020.12.15
- 《表2 人脸特征检测结果：基于机器视觉的学生心理干预治疗及行为监测系统》2020.12.15
- 《表1 特征脸算法识别率：基于人脸特征识别的商品推荐系统的研究与开发》2020.04.25
- 《表1 人脸检测对比结果：基于Res-Bi-LSTM的人脸表情识别》2020.07.01
- 《表1 人脸检测数据对比：基于特征绑定的ASM人脸检测研究》2020.03.05
- 《表1 检测结果：基于新增haar特征和改进AdaBoost的人脸检测算法》2020.04.01
- 《表1 有无数据增强部分和人脸识别与年龄检测部分的对比实验》2020.04.05
- 《表1 人脸特征点检测准确率》2020.02.15
- 《表3 测试图片计算结果：基于DCNN的人脸特征点检测及面部朝向计算》2020.02.15
- 《表1 人脸检测方法总结：人脸辅助诊断关键技术研究》2019.08.01
- 《表1 人脸图像纹理特征识别样本训练与测试时间比较》2019.07.31
- 《表2 不同人脸特征维数时本文方法的检测结果》2019.05.26
- 《表2 实验参数设置：深度卷积神经网络应用于人脸特征点检测研究》2019.02.15
- 《表1 实验的检测结果：融合YCbCr肤色模型与改进的Adaboost算法的人脸检测》2018.04.01
- 《表2 检测结果数据：融合YCbCr肤色模型与改进的Adaboost算法的人脸检测》2018.04.01
- 《表1 实验参数：一种新的基于指纹与人脸特征级融合的模糊金库方案》2018.10.20
- 《表1 人脸检测算法对比：基于人脸识别技术的智能推荐系统设计》2019.11.20