基于Gabor滤波的多分类器集成人脸表情识别

脸部表情的识别分类是一个非常复杂的问题,采用传统的方法很难取得满意的结果.为此,通过Gabor滤波器对人脸部图像进行滤波,提取滤波后图像的统计信息作为表情识别的特征信息,采用多分类器集成的方法对得到的神经网络输出向量进行线性加权集成得到最终的识别结果.实验结果表明了该方法的正确性.     

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.     

基于颜色和模板匹配的人脸检测

应用颜色信息探测图像的皮肤颜色区域，然后再用模板对该区域用模板匹配法进行模板匹配．这样无须对整幅图像进行搜索，也不需要对所有的窗口尺寸都匹配一次．从而大大提高了检测速度．     

基于局部Gabor特征匹配和Kalman滤波的车辆跟踪算法

针对基于全局匹配的视觉目标跟踪算法的不足,文章采用一种局部匹配的思路,利用Gabor特征的抗噪性和边缘极大值点的不易丢失性,实现了一种鲁棒的Kalman车辆跟踪算法。首先以抗噪性强的Gabor特征构建匹配特征向量;然后采用边缘极大值点作为待匹配特征候选点;最后将以上特征输入至Kalman跟踪器,实现前方车辆跟踪。试验表明该方法在车辆姿态大幅度变化及遮挡时仍具有较强的鲁棒性。     

基于小波变换和Gabor滤波的指纹图像增强算法

在指纹自动识别系统中,图像增强是比较重要的一个环节,它直接影响到指纹识别系统的识别精度．利用指纹图像在经小波多尺度分解后,低频部分集中了指纹图像的主要纹理信息这一特性,提出了一种在小波域对指纹图像进行Gabor滤波增强的算法,实验表明,该算法能够使图像的质量明显得到增强,方便了后续指纹特征的提取。     

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.     

基于粗糙集和贝叶斯分类器的病毒程序检测

在病毒程序检测中将粗糙集与贝叶斯分类器相结合．该方法在粗糙集属性约简的基础上，综合考虑了条件属性和决策属性的依赖性以及条件属性间的依赖性对约简的影响．通过基于依赖性的属性约简，减少对属性变量间独立性的限制，发挥贝叶斯分类器的鲁棒性潜能，优化贝叶斯分类器的特性．实验结果表明，检测率达到97．88％，正确率为97．16％，明显高于传统的基于特征和RIPPER的方法，也高于多贝叶斯方法；虚警率为5．19％，也比上述所有方法均有所降低．     

基于多模式弱分类器的AdaBoost-Bagging车辆检测算法

针对现有车辆检测算法在实际复杂道路情况下对车辆有效检测率不高的问题, 提出了融合多模式弱分类器, 并以AdaBoost-Bagging集成为强分类器的车辆检测算法。结合判别式模型善于利用较多的特征形成较好决策边界和生成式模型善于利用较少的特征排除大量负样本的优点, 以Haar特征训练判别式弱分类器, 以HOG特征训练生成式弱分类器, 以AdaBoost算法为桥梁, 采用泛化能力强的Bagging学习器集成算法得到AdaBoost-Bagging强分类器, 利用Caltech1999数据库和实际道路图像对检测算法进行了验证。验证结果表明: 相比于单模式弱分类器, AdaBoostBagging强分类器在分类能力和处理时间上均具有优越性, 表现为较高的检测率与较低的误检率, 分别为95.7%、0.000 27%, 每帧图像的检测时间较少, 为25ms; 与传统级联AdaBoost分类器相比, AdaBoost-Bagging强分类器虽然增加了12%的检测时间和30%的训练时间, 但检测率提升了1.8%, 误检率降低了0.000 06%;本文算法的检测性能显著优于基于Haar特征的AdaBoost分类器算法、基于HOG特征的SVM分类器算法、基于HOG特征的DPM分类器算法, 具有较佳的车辆检测效果。     

基于多特征融合的疲劳驾驶检测

针对疲劳驾驶检测的特征源单一、辨识率低和实时性差等问题,提出基于多特征融合的疲劳驾驶检测方法。通过SSD目标检测算法进行人脸检测,利用轻量级模型PFLD实现人脸关键点定位。以眼部纵横比、嘴部纵横比和头部姿态为疲劳特征源,提取相关特征,对不同驾驶员疲劳阈值进行标定,基于改进的PERCLOS算法实现疲劳驾驶判定。仿真结果表明：多特征融合疲劳检测系统对自建数据集和YAW数据集的疲劳特征辨识率分别达到了90.5%和94.12%,在实时视频流上的执行效率达到31.59 ms,实现疲劳预警。     

基于Gabor变换的自适应降噪方法

简要介绍了Gabor变换的基本思想,提出了一种新的基于Gabor变换的自适应信号降噪方法。分析了该方法的降噪特性,同时比较了小波降噪和该方法的降噪效果。将该方法用于齿轮箱的故障诊断,结果表明,该方法能够有效识别齿轮箱中的齿轮典型故障。     

GNN-CRC: Discriminative Collaborative Representation-Based Classification via Gabor Wavelet Transformation and Nearest Neighbor

Collaborative representation-based classification (CRC) is a distance based method, and it obtains the original contributions from all samples to solve the sparse representation coefficient. We find out that it helps to enhance the discrimination in classification by integrating other distance based features and/or adding signal preprocessing to the original samples. In this paper, we propose an improved version of the CRC method which uses the Gabor wavelet transformation to preprocess the samples and also adapts the nearest neighbor (NN) features, and hence we call it GNN-CRC. Firstly, Gabor wavelet transformation is applied to minimize the effects from the background in face images and build Gabor features into the input data. Secondly, the distances solved by NN and CRC are fused together to obtain a more discriminative classification. Extensive experiments are conducted to evaluate the proposed method for face recognition with different instantiations. The experimental results illustrate that our method outperforms the naive CRC as well as some other state-of-the-art algorithms.     

灰度一梯度共生／环形Gabor滤波纹理分类

解决旋转不变纹理分析问题，提出一种新的旋转不变纹理分类方法：灰度～梯度共生（GGC）／环形Gabor滤波（CGF）联合。将灰度—梯度共生矩阵用于纹理图像的统计分析中。此外，将传统的Gabor滤波器（TGF）改进为环形对称形式，通过CGF信道输出区得旋转不变纹理特征。将两种方法结合起来作为分类纹理依据，提出基于信息增益的特征选择算法。实验结果表明该方法具有较高的分类性能。     

小波滤波器在弱信号检测中的应用及设计

根据小波变换的多尺度分解特性,构造了一种小波能量积累器,将不同分解尺度上的能量进行积累。在此基础上设计了一种用于弱信号检测的小波能量检测法,并对低信噪比信号的检测进行了仿真实验。仿真结果表明,该检测法对低信噪比信号是比较有效的,而且与传统的脉内累加平均的信号检测方法相比,文中提出的信号检测方法具有一定的优越性。     

复杂生产过程的小故障检测与分类方法

为监测复杂生产过程的状态,根据多元统计过程控制方法和支持向量机理论,将累积和控制图原理扩展为多变量的形式对过程数据进行预处理,并通过主元分析方法提取复杂生产过程的关键信息,得到有效的小故障数据,进而构建计算正常数据的统计量阀值及故障数据的Hotelling T平方统计值（T2）和平方预测误差值,实现了复杂生产过程的小故障模式检测,并采用支持向量机多分类方法将检测到的故障进行了分类.沥青混合料生产过程的仿真研究表明:在集料均值发生小波动、周期性上升和下降3种小故障模式下,故障检测识别率均达到95%,与主元分析方法相比平均提高了75%;分类准确率达到92.5%,与BP神经网络方法相比提高了19.3%.      

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.     

多尺度注意力学习的Faster R-CNN口罩人脸检测模型

针对在佩戴口罩等有遮挡条件下的人脸检测问题,提出了多尺度注意力学习的Faster R-CNN （MSAF R-CNN）人脸检测模型. 首先,为充分考虑人脸目标多尺度信息,相较于原始Faster R-CNN框架,引入Res2Net分组残差结构,获取更细粒度的特征表征;其次,基于空间-通道注意力结构改进的Res2Net模块,结合注意力机制自适应学习目标不同尺度特征;最后,为学习目标的全局信息并减轻过拟合现象,在模型顶端嵌入加权空间金字塔池化网络,采用由粗到细的方式进行特征尺度划分. 在AIZOO和FMDD两个人脸数据集上的实验结果表明:所提出MSAF R-CNN模型对佩戴口罩的人脸检测准确率分别达到90.37%和90.11%,验证了模型的可行性和有效性.      

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．