一种新的图像中人眼定位方法

采用一种人脸-人眼两层结构的定位方法.首先利用YCbCr空间的肤色模型粗定位可能的人脸区域,然后利用支持向量机的训练结果组成分类器,对人眼进行初检,最后根据人脸特征完成信息融合,最终标定人眼.实验结果表明:该方法在简单及复杂背景下都能够得到较高的定位速度和精确度,具有较好的鲁棒性.     

基于Gabor滤波特征和一类分类器的人脸检测

人脸检测是人脸识别的一项重要任务.论文提出了一种基于Gabor滤波特征和一类分类器的正面人脸检测方法.算法首先利用了Gabor滤波器的良好的空间位置与方向的选择特性,采用了四种方向的Gabor滤波器提取人脸样本图像特征并用PCA方法对特征降维,然后用已降维的特征训练支持向量机分类器.最后应用一类分类器分类检测人脸.实验结果证明该方法是十分有效.     

融合Eye Map信息的疲劳检测方法的研究

为降低人眼检测过程的计算量,提出一种改进的融合EyeM ap信息的快速过滤算法。利用基于肤色信息的图像分割,得到感兴趣的人脸区域,缩小了搜索范围,减小了检测的错误接受率;然后使用Haar-Like特征进行级联AdaBoost人眼定位检测,得到潜在的人眼区域,使用EyeMap的快速算法获得准确地人眼区域,再进行二值化处理,计算眼睛的轴向外接矩形以估计出眼睑的闭合程度,结合PERCLOS评判标准进行疲劳状态分析。实验证明：改进算法能快速实时有效地识别驾驶员疲劳时的眼部状态。     

用于人脸识别的图像预处理方法研究与实现

提出了一种人脸图像预处理改进算法:将图片转化为灰度图像后进行去噪滤波,根据灰度投影曲线确定人脸的边界,依据确定的眼、嘴以及脸的左右边界这些参数对图像进行剪裁,根据人脸特征的几何关系确定人脸图像的缩放系数,得到标准化图像.解决了传统方法无法适用于侧脸和双眼闭上的人脸的问题.     

基于人头目标检测的商场人流量自动统计

针对商场人流量自动统计中行人遮挡情况下计数的困难,提出基于人头目标检测的商场人流量自动统计算法.首先提取Haar特征训练Adaboost人头目标分类器,再利用Camshift算法对目标进行跟踪,使用Kalman缩小跟踪目标的搜索范围,最后利用人头模板匹配方法,判断目标是否属于同一行人.实验结果表明,此方法平均正确率达到98.2%,且统计每个行人目标只需19 ms.     

一种基于贝叶斯特征的视频图像人脸检测

提出了一种基于仿射运动模型和贝叶斯理论的视频图像人脸检测方法.建立仿射运动模型进行运动估计,提取运动对象区域;对训练图像提取人脸与非人脸的统计特征,利用贝叶斯准则建立概率模型;根据贝叶斯分类器和支持向量机分类器将图像特征分为人脸类与非人脸类,从而检测出视频运动图像中的人脸区域.     

基于车载视觉的行人检测与跟踪方法

为提高城市交通环境下车辆主动安全性,保障行人安全,提出了基于车载视觉传感器的行人保护方法. 利用Adaboost算法实现行人的快速检测,结合Kalman滤波原理跟踪行人,以获取其运行轨迹.该方法利用离散 Adaboost算法训练样本类Haar特征,得到识别行人的级联分类器,遍历车载视觉采集的图像,以获取行人目 标;结合Kalman滤波原理,对检测到的行人目标进行跟踪,建立检测行人的动态感兴趣区域,利用跟踪结果分 析行人的运行轨迹.试验表明:该方法平均耗时约80ms/帧,检测率达到88%;结合Kalman滤波原理跟踪后,平 均耗时降到55ms/帧,实时性较好.      

基于主动学习AdaBoost算法与颜色特征的车牌定位

人工选取少量的车牌区域和非车牌区域,采用积分图法快速提取Haar-like扩展特征,构成初始训练样本.使用AdaBoost算法训练样本产生一个初始分类器,经过主动学习过程,产生一个用于车牌检测的强分类器.利用Cascade结构检测法进行车牌的粗定位,通过提取边缘颜色对,对候选区域进行验证,实现车牌区域的精确定位.对不同光照条件及车牌污损等复杂情况下的车牌图像进行了定位测试.测试结果表明:车牌的粗定位率和精确定位率分别为98.3％、97.1％,平均定位时间小于0.1s,因此,该方法有较好的车牌定位效果和定位准确率.     

基于小波变换和线性判别分析的人脸识别方法

提出了将人脸图像的小波分解和线性判别分析结合以达到人脸识别的方法.首先对人脸图像作小波分解,并将分解后的低频系数进行线性判别分析进一步降低人脸特征向量的维数,最后利用最近邻分类器进行分类识别.实验表明,该方法的正确识别率高于传统的特征脸识别方法.     

���ڴʰ�ģ�͵����������֤�㷨

随着火车票实名制的不断推广,人工核实身份的验票方式已不能满足实际需求,鉴于此本文提出一种基于词包模型的人脸身份认证算法,通过人脸比对自动完成身份核实.首先提取每幅图像的尺度不变特征变换(SIFT)描述子;其次利用词包模型(BOVW)构建人脸的典型特征;随后训练SVM分类器,将同一人不同年龄段的图像作为同一类,针对同一人的类内相似性和不同人的类间差异性进行建模;最后通过SVM分类器分别对旅客图像和其身份证图像进行分类,根据所属类别的一致性判断是否属于同一人.实验结果表明,本算法能有效地进行身份认证,并且针对图像质量较低、光照情况不可控的情况仍可达到比较高的准确率.     

基于特征脸和二叉树支持向量机的人脸识别

提出使用特征脸和二叉树支持向量机（BT-SVM）分类器相结合的方法进行人脸识别。首先从训练图像中求得特征脸空间,然后将训练集和测试集图像投影到特征脸空间得到投影系数,使用训练样本投影系数训练BT—SVM分类器,再使用BT—SVM分类器对测试图像进行识别。在ORL人脸库进行模拟试验,结果表明BT-SVM分类算法获得比SVM分类算法更高的识别率。     

BP神经网络在企业财务预警中的应用

根据预警系统体系指标的要求,对企业财务预警指标进行了筛选。采用BP神经网络预测与Adaboost算法相合的分析方法,对采集的样本数据建立了强分类器并进行了分类误差分析研究,完成了公司财务预警系统分析。结果表明:用BP_Adaboost分类算法建立的强分类器的分类误差率低于仅用BP算法建立的弱分类器的分类误差率,此法具有可行性和一定的计算精度,能为企业财务预警提供一定的理论指导。     

基于引导滤波和积分投影算法的轨道扣件定位

精确定位是实现轨道扣件缺陷计算机自动检测的基础,为此提出了一种改进引导滤波去噪和灰度积分投影结合模板匹配算法的轨道扣件定位方法.首先,通过具有良好边缘保持能力的改进引导滤波算法对轨道扣件图像进行去噪;其次,利用改进Canny算法在Opencv平台对扣件图像进行边缘检测,实现轨道扣件图像边缘检测的自适应性;再次,采用灰度积分投影算法结合先验知识粗定位扣件区域;最后,通过模板匹配算法精确定位轨道扣件.仿真实验表明:所采用的算法具有较好的定位能力,可以准确地定位轨道扣件区域,为进一步的扣件识别提供了可靠的基础.     

基于YOLO的铁路侵限异物检测方法

基于现有的铁路侵限异物检测方法只能识别出静态障碍物且识别速度较慢的问题,提出一种基于YOLO算法的铁路侵限异物检测方法.针对铁路侵限异物检测的特殊性,合理设计YOLO模型结构.采用24个卷积层、4个最大池化层及2个全连接层完成异物图像的提取、降维、识别输出,并使用实拍疑似侵限异物图片对YOLO模型进行预训练,达到学习及降低过拟合的目的,最终实现了异物定位及识别的功能.实验中通过对1 660张单幅疑似铁路侵限异物图片进行检测,结果表明,该方法对正常曝光的侵限异物图片检测准确率较高,而且在识别速度方面较AlexNet及Adaboost算法具有较大的优越性.     

小波包分析在头肩序列的人脸检测中的应用研究

根据可视电话以及视频会议的视频处理对象，主要是头肩序列的特点和人眼的视觉特性，结合小波包分析，提出了一种综合小波包分析、人脸肤色和人脸几何特征的人脸检测方法．试验表明，该方法在彩色头肩序列的人脸检测中性能良好．     

基于层次集成学习的高光谱图像分类

为提高高光谱图像（HSI）分类精度,基于集成学习方法提出高光谱图像分类的层次集成学习新框架。采用两种集成学习策略：外部集成及内部集成。在外部集成阶段,构造多种高光谱图像的光谱和空间特征,使外部集成呈高度多样性,有利于提高分类精度;内部集成阶段,针对关联多特征集中的个体,Adaboost算法实现个体分类性能的提高。两组高光谱数据的实验结果表明,与原始的Adaboost和单分类器相比较,该方法在整体精度方面有更好的性能。     

基于 UKF 非线性人眼跟踪的驾驶员疲劳检测

为解决驾驶员疲劳检测算法中头部快速移动、人眼非线性跟踪以及实际疲劳表情的识别问题,提出了一种新的基于UKF眼跟踪算法的驾驶员疲劳检测方法.根据近似非线性函数的概率分布比近似其函数更容易的原则,利用UT无迹变换,选择一组确定的Sigma点集逼近驾驶员人眼运动状态的后验概率密度函数,进行人眼非线性跟踪.在驾驶员人眼非线性跟踪基础上,通过计算PERCLOS值,进行现实驾驶条件下驾驶员疲劳的跟踪检测.实验结果表明,该方法不仅可以增强对驾驶员头部旋转、快速移动以及光照变换的鲁棒性,而且可以比传统的Kalm an滤波算法提供更精确的计算估计.     

基于概率支持向量机方法的人脸识别

针对智能会议场景对人脸识别的特殊情况,通过依据检测、跟踪得到头部区域与人脸区域的面积比,选择正面的人脸进行识别,降低了人脸姿态对人脸识别的影响.在分类方法的选择上,采用支持向量机方法,并对支持向量机方法进行了概率建模,分类器输出结果是测试人脸属于每类的概率.实验结果表明:该方法不仅使人脸识别的精度得到了提高,还提供了其属于所在类中的可信程度.     

基于Adaboost的改进Elman神经网络港口吞吐量预测方法

为提高港口吞吐量的预测精度,建立基于Adaboost算法改进的Elman神经网络预测模型,进行吞吐量的预测.首先对Elman神经网络进行多次训练和迭代,然后将每个Elman神经网络作为弱预测器,基于Adaboost算法将多个弱预测器加权组合,形成Elman-Adaboost强预测器模型.经过Adaboost算法优化的强预测器对误差较大的数据样本有更强的识别能力,可以实现对数据的动态增强学习.以宁波-舟山港2011-2017年的港口吞吐量数据为样本进行仿真,分别使用BP神经网络、Elman神经网络、BP-Adaboost神经网络以及Elman-Adaboost神经网络进行预测,比较四种模型的预测精度.研究结果表明:Elman-Adaboost强预测器模型用于港口吞吐量的预测,预测结果的相对误差最大值1.91％,最小值0.06％,可以将预测误差控制在2％以下,数据拟合效果更好预测精度更高,可以作为港口吞吐量预测的一种方法.     

基于特征脸和LS-SVM分类器的人脸性别分类

提出使用特征脸和最小二乘支持向量机(LS-SVM)分类器相结合进行人脸性别分类.我们首先从训练图像中求得特征脸空间,然后将训练集和测试集图像投影到特征脸空间得到投影系数.使用训练样本投影系数训练LS-SVM分类器,对训练图像和测试图像进行分类试验,同时计算出分类准确率,实验结果表明LS-SVM分类要比其他分类算法有更好的优越性.在实验中我们也使用交叉验证来确定特征脸数目和核函数参数.