基于多信息融合的驾驶员图像面部定位

面部区域位置的快速准确定位是利用视觉方法对驾驶员的驾驶状态进行监测和预警的基础.采用AdaBoost算法对人脸图像的Haar-Like特征进行统计学习,生成用于人脸检测的强分类器.利用AdaBoost检测器快速检测到图像中可能存在的肤色区域,在检测到的区域内利用YCrCb颜色空间中的肤色模型进行人脸位置的精确定位.实验结果表明,该算法具有很好的可靠性和实时性.     

AdaBoost人脸检测算法在驾驶员疲劳检测系统中的实现

基于AdaBoost算法训练了分类器,并编程实现了一个人脸检测系统,将其应用于驾驶员疲劳检测系统中,对人脸区域进行检测和跟踪.为了提高系统的鲁棒性和检测的速度与精度,依次应用曝光补偿,积分图等方法,使得系统具有较高的高检测精度和较短的检测时间,可以适应驾驶员疲劳检测的需要.     

轨道车辆头罩虚拟装配技术研究

虚拟装配技术是提升轨道车辆大尺寸部件装配精度并进行尺寸控制的有效方法。文章针对某地铁车辆司机室,利用高精度三维扫描仪获取骨架与头罩两个子装配体装配面的三维形貌图,采用最佳拟合对齐、平面对齐和手动对齐三种方法进行虚拟装配,得出装配间隙和垂直面差。结果显示,在设置10 mm偏置（粘胶厚度）情况下,采用最佳拟合对齐法的装配间隙分布在4.906～17.156 mm,垂直面差分布在4.807～6.374 mm。而采用平面对齐法时,部分区域装配间隙为负值,这表明装配存在干涉。通过手动对齐法对子装配体进行平移或旋转后,又可避免装配干涉,且装配间隙分布在4.654～16.519 mm,与最佳拟合对齐法基本一致,证明了不同对齐方法虚拟装配结果的自洽性。对该司机室骨架和头罩进行实物装配,装配间隙偏差较大的区域与虚拟装配结果基本一致,证明了虚拟装配结果的真实性和有效性。     

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.     

人脸图象特征抽取和识别的一种混合方法研究

提出了将Fisher线性判别、支持向量机和决策树方法相结合的人脸识别方法。首先用Fisher线性判别法对人脸图象进行特征抽取，压缩了图象的维数，再在特征空间中用SVM(Support Vector Ma-chine)和决策树结合的方法设计人脸分类器。在ORL人脸库上的实验结果表明了该方法对解决小样本、非线性以及高维的模式识别问题的有效性。     

人脸特征提取方法的研究

人脸识别是一个被广泛研究的热门问题,该技术在法律、商业、安全系统领域有着广泛的应用,人脸图像的易取性和人脸变化的多样性使该技术的研究更富有挑战性.当前,基于模板匹配的人脸识别技术已经相当成熟,人脸特征提取是人脸识别过程中必要的一个步骤,本文就当前一些     

X射线安检仪人包自动绑定方法研究

为解决铁路旅客运输中用X射线安检仪对旅客行包进行安检时,人工判断行包所属旅客工作难度大、效率低的问题,提出一种结合人脸探测及时间关联的人包信息绑定与输出显示系统。在不改变X射线安检仪和装置结构的基础上,在X射线安检仪入口处设置监控摄像机对旅客放置行包过程进行图像采集,通过算法合理计算旅客放行包与安检机采集行包X射线图像时间差,并用人脸分类器快速筛选出含有对应人脸的图像,与行包X射线图像自动绑定。通过实际软硬件调试和人包绑定实验数据分析证明方法的有效性。     

基于三维谱回归的有效三维人脸识别算法

提出一种结合预处理和三维谱回归(3DSR)方法进行三维人脸识别的算法框架,提取有效的判别特征来克服3D人脸图像中一些尚未解决的问题,如噪声、表情和姿态等的影响。首先通过预处理步骤,从输入的人脸图像提取面部区域进行三维数据的匹配,克服大姿态变化的影响并且有效地提高了整个3D人脸识别性能。为处理大的表情变化和数据噪声,引入谱回归的概念,改进的三维谱回归方法可以充分利用局部统计信息的鲁棒性和有效性,并避免通常方法中密集矩阵的特征分解问题,降低了计算复杂度。实验中使用包含大姿态和表情变化的CASIA三维人脸数据库。实验结果显示算法有效、鲁棒、通用性强。     

一种基于人脸序列模式的机车驾驶员疲劳检测方法

驾驶疲劳是导致事故的重要原因,本文在综述基于面部特征的机车驾驶员疲劳检测方法的基础上,提出了基于Gabor变换的人脸特征融合抽取模型,并在此基础上,结合隐马尔可夫模型(HMM)提出基于人脸图像序列的机车驾驶员疲劳检测方法。根据在疲劳和非疲劳状况下人脸模式特征的不同,首先利用Baum-Welch学习方法从疲劳图像序列训练学习得出疲劳模式下的HMM参数;然后,在疲劳模式识别时,把待识别的人脸图像序列表示成Gabor融合特征序列,再利用Viterbi算法计算该特征序列属于疲劳模式的概率值,从而实现对人脸图像序列的疲劳识别;最后,对各种姿态下的不同人脸图像序列数据进行了仿真测试。实验结果表明,与已有基于单幅人脸图像的疲劳识别方法相比,具有更好的疲劳识别性能。%