基于注意力模型的人脸关键点检测算法

人脸关键点定位因受到表情、光照、姿态等的影响,常常会出现大的误差。为了准确地定位到人脸的关键点,提出了一种基于注意力模型的人脸关键点检测算法。先是利用可变型模型(DPM)算法检测出图片中的人脸区域,然后结合残差网络(ResNet)和收缩激励网络(SeNet)对该区域进行人脸关键点定位。实验结果表明,该算法在人脸数据集上获得了较高的准确率,证明了该算法的有效性。     

驾驶员疲劳检测实时控制系统设计

为了实现对驾驶员疲劳状态的在线监测,建立了驾驶员疲劳检测实时控制系统。对该系统所采用的人脸识别、人脸跟踪技术、人眼定位以及疲劳状态判断等进行研究。首先,介绍了系统的构成,以模块化思想构建系统软件。接着,以MB-LBP算法对人脸进行特征分类,结合Adaboost级联算法提取人脸信息,并与经典的人脸识别算法进行了对比。然后,利用人脸跟踪技术提高人脸识别的效率,并成功地实现了人眼定位于检测。最后,使用椭圆拟合算法对检测出来的眼睛区域进行拟合,通过计算驾驶员单次眨眼时间,进行驾驶员疲劳状态判别。试验结果表明:所设计的基于驾驶员面部特征的驾驶员疲劳驾驶检测系统,能够有效地检测驾驶员的疲劳状态,平均正确检测率高于90%。基本满足驾驶员疲劳驾驶非接触检测实时性好、准确性高的要求。     

多窗口实时测距的视觉导引AGV精确定位技术研究

为了提高视觉导引自动导引车(automated guided vehicle,AGV)的定位精度,提出了一种多窗口实时测距的精确定位方法。该方法通过在定位点铺设圆形标识作为定位标识符,首先根据车载视觉系统结构,建立视觉实时测距模型。通过对获得的椭圆图像的几何特征进行提取,并采用基于曲率角估计方法对椭圆边缘精确识别;然后,基于最小二乘拟合直线获取椭圆中心位置。最后,结合采用多窗口图像处理方法,将定位过程分为多个阶段进行,逐步逼近,最终实现精确定位。实验结果表明,该方法能使得视觉导引AGV的定位精度达到2 mm。     

驾驶员疲劳检测系统

通过人眼图像来检测驾驶员疲劳驾驶是目前的主流方向,面部及眼睛定位是其中关键的环节。针对驾驶员疲劳检测系统,结合图像处理和模式识别技术,提出一种基于人脸面部特征的人眼定位方法。经实验验证:该方法实时性好,可用于不同背景、光照、旋转和偏转角度,以及睁闭眼、戴眼镜等多种复杂条件下的眼睛定位。     

航拍图像中绝缘子的识别与故障诊断

针对输电线路绝缘子掉片故障问题,对绝缘子图像阈值分割、边缘检测、绝缘子识别、故障诊断等方面进行了研究,对航拍图像正常绝缘子、故障绝缘子以及背景区域特征进行了归纳,提出了一种基于航拍图像的绝缘子识别与故障诊断方法。利用最大类间方差法(OTSU)分割图像,小波模极大值法检测图像边缘,对Hough变换进行改进以快速检测不完整椭圆,根据椭圆参数设计分类决策条件以识别绝缘子串,最后基于绝缘子串的位置信息实现了绝缘子的故障诊断,并利用航拍图像对输电线路绝缘子识别与故障诊断方法进行了验证。研究结果表明,该方法能获得绝缘子串椭圆参数,能够实现航拍图像绝缘子边缘检测、绝缘子识别、掉片故障诊断等多项功能,算法响应迅速、准确率高。     

关于驾驶员眼睛检测与跟踪的研究

本文采用红外LEDs和CMOS图像传感器获取人脸图像和眼睛候选区域,再用支撑向量机(SVM)眼睛分类器验证并确定眼睛的位置,完成对驾驶员眼睛的准确定位;在眼睛的跟踪上,针对Kalman滤波和Mean Shift理论本身的缺陷,提出Kalman滤波和Mean Shift相结合的跟踪算法,不仅提高了跟踪的效率和跟踪的鲁棒性,还实现了模板的自动更新。     

应用统计距离实现虹膜定位

提出了一种统计距离法(MCD)来提高虹膜识别效率。用MCD对虹膜边缘图像去噪,并建立了有效的虹膜内外圆定位方法。首先,用灰度求和找到瞳孔内一点,同时,使用Canny算子获得虹膜边缘图像,并根据所确定的瞳孔内的点来寻找虹膜内边缘上的3个边缘点。将这3个边缘点代入圆的方程即可找到虹膜内边缘。然后,根据虹膜内定位数据来消除虹膜外边缘图像中的噪声,再在去噪后的边缘图像中排除20%个与虹膜内圆圆心距离最远的边缘点。最后,使用一种改进的Hough变换来获得虹膜外边缘数据。实验结果表明:MCD的内定位时间和外定位时间分别是0.122 2s和0.242 4s,均比快速精确虹膜定位法(FAILA)低,且成功率为96.67%,高于FAILA。因此,MCD具有较高的精度和较快的速度,可提高虹膜识别的效率。     

基于LBP的移动环境下的人脸识别研究

提出一种基于Android平台实现的具有较强鲁棒性的人脸识别方法.根据终端用户拍摄场景的多变性,首先通过人眼检测、瞳孔定位、GIC校正和直方图均衡化算法对人脸图像进行归一化处理,达到比较好的实用效果 ;其次利用局部二值模式(LBP)提取全局直方图特征,再将图像划分为若干大小相同的子区域,提取每个子区域的LBP直方图,最后将全局和局部直方图按一定的顺序结合作为人脸图像的最终特征.在Android平台上用ORL人脸数据库对该方法进行测试,结果表明具有较好的识别性能.     

视觉测量中椭圆特征亚像素提取方法的研究

椭圆是视觉测量中重要的基元特征。建立了三级灰度图像边缘模型的空间矩算子,利用LOG算子定位速度快的特点,确定图像像素级边缘,然后在包含边缘点的邻域内利用空间矩进行边缘的亚像素定位,由随机Hough变换提取椭圆边缘像素点,最后采用基于最小二乘原理的椭圆拟合边缘提取方法,得到亚像素级被检测椭圆。对像面椭圆亚像素提取算法的有效性和精度进行了实验研究,实验结果表明提出的基于空间矩亚像素边缘定位算法与像面椭圆亚像素提取算法具有较高的精度和稳定性。     

基于NSCT域边缘检测的侧扫声呐图像分割新方法

针对侧扫声呐图像混响噪声严重、对比度低、分割困难的问题,根据侧扫声呐图像成像特点,提出一种基于非下采样Contourlet变换(NSCT)域边缘检测和区域生长的侧扫声呐图像分割新方法.首先,对侧扫声呐图像进行NSCT分解,通过K均值聚类法在NSCT域低频部分对阴影进行分割;然后通过寻找NSCT域高频层由同一粗尺度分解的2个细尺度相邻子带系数差的模极大值位置,来选择图像边缘点,并进行尺度内、尺度间的边缘融合;最后,利用基于边缘的区域生长方法完成对目标的分割.实验结果表明,该方法对侧扫声呐图像分割具有抗噪性能好、正确分类率高以及边缘定位准确等优点.     

支持向量机技术在人脸识别考勤机上的应用

以人脸识别考勤机为硬件基础,在Vertex—Ⅱ平台下,通过从实时图像中识别出面部特征。该技术介绍了一个根据视频图像对面部特征进行识别实时的方法,并使用一个自动的面部特征跟踪方法对面部进行定位和特征抽取,提取的面部特征作为支持向量机分类器的输入。实验证明,该方法能够有效的提高考勤机对人脸的识别准确度。     

基于支持向量机的铁谱磨粒模式识别

将支持向量机方法用于铁谱磨粒模式识别，以磨粒样本的圆形度、细长度、散射度和凹度4个形态特征量作为支持向量机分类器的输入，以滑动磨损、切削磨损、正常磨损和疲劳点蚀4种磨损形式作为分类器的输出，建立基于支持向量机的磨粒分类器；研究支持向量机中误差惩罚系数和核参数对磨粒分类器的性能影响；通过实验比较了基于支持向量机与基于BP神经网络的磨粒分类器的性能，结果表明，基于支持向量机的磨粒分类器分类准确率为96％，基于BP神经网络的磨粒分类器分类准确率为90％。     

势函数聚类的优化下采样SVM分类方法

为了改善大样本集下支持向量机(SVM)的训练效率和泛化性能,提出一种新算法。该算法运用采样优化和学习器优化相结合的策略,通过构建势函数对原始样本空间进行密度度量,建立了不同参数的高斯核,以实现对样本空间不同区域的逐次覆盖,并以增量学习的方式生成下采样集。然后,在所获取的下采样集上进行SVM初始训练,通过寻找原始训练集中的边界样本,进行SVM二次优化。最后,将新算法应用于人工数据集及基准数据集,结果表明,该算法在有效改善训练效率的同时,保证了分类器的泛化性能。     

基于Haar分类器和AAM算法的人脸基准点定位

人脸基准点定位可应用于人脸识别、疲劳检测等领域。针对人脸基准点定位中常用的主动表观模型(AAM)的局限性,提出了Haar分类器和AAM算法相结合的人脸基准点定位方法。先是计算图像积分图,然后采用基于Haar特征的AdaBoost级联检测器快速定位出人脸区域,最后将检测到的位置和图像信息传递给AAM进行人脸基准点定位。该方法在抽取的AFLW(annotated facial landmarks in the wild)人脸测试集上表现出良好的性能。实验结果表明,采用该方法能准确、快速定位出人脸基准点。     

Fault diagnosis method of rolling bearing using principal component analysis and support vector machine

To effectively extract the fault feature information of rolling bearings and improve the performance of fault diagnosis, a fault diagnosis method based on principal component analysis and support vector machine was presented, and the rolling bearings signals with different fault states were collected. To address the limitation on effectively dealing with the raw vibration signals by the traditional signal processing technology based on Fourier transform, wavelet packet decomposition was employed to extract the features of bearing faults such as outer ring flaking, inner ring flaking, roller flaking and normal condition. Compared with the previous literature on fault diagnosis using principal component analysis (PCA) and support vector machine (SVM), one-to-one and one-to-many algorithms were taken into account. Additionally, the effect of four kernel functions, such as liner kernel function, polynomial kernel function, radial basis function and hyperbolic tangent kernel function, on the performance of SVM classifier was investigated, and the optimal hype-parameters of SVM classifier model were determined by genetic algorithm optimization. PCA was employed for dimension reduction, so as to reduce the computational complexity. The principal components that reached more than 95 % cumulative contribution rate were extracted by PCA and were input into SVM and BP neural network classifiers for identification. Results show that the fault feature dimensionality of the rolling bearing is reduced from 8-dimensions to 5-dimensions, which can still characterize the bearing status effectively, and the computational complexity is reduced as well. Compared with the raw feature set, PCA has a higher fault diagnosis accuracy (more than 97 %), and a shorter diagnosis time relatively. To better verify the superiority of the proposed method, SVM classification results were compared with the results of BP neural network. It is concluded that SVM classifier achieved a better performance than BP neural network classifier in terms of the classification accuracy and time-cost.     

A novel approach for recognition of control chart patterns: Type-2 fuzzy clustering optimized support vector machine

Unnatural patterns in the control charts can be associated with a specific set of assignable causes for process variation. Hence, pattern recognition is very useful in identifying the process problems. In this study, a multiclass SVM (SVM) based classifier is proposed because of the promising generalization capability of support vector machines. In the proposed method type-2 fuzzy c-means (T2FCM) clustering algorithm is used to make a SVM system more effective. The fuzzy support vector machine classifier suggested in this paper is composed of three main sub-networks: fuzzy classifier sub-network, SVM sub-network and optimization sub-network. In SVM training, the hyper-parameters plays a very important role in its recognition accuracy. Therefore, cuckoo optimization algorithm (COA) is proposed for selecting appropriate parameters of the classifier. Simulation results showed that the proposed system has very high recognition accuracy.     

采用自适应变异粒子群优化SVM的行为识别

为了提高对视频序列中人体行为的识别能力,建立了基于局部特征的动作识别框架。通过时空特征提取及编码和SVM分类器参数优化两部分对该框架所涉及算法进行了研究。首先,采用Harris3D检测器获取时空兴趣点(STIP),以方向梯度直方图(HOG)和光流方向直方图(HOF)对STIP进行描述,并引入Fisher向量实现对特征描述子的编码;由于固定参数下SVM动作分类模型存在泛化能力不足的问题,将粒子群算法应用于各动作分类器参数寻优过程中,针对种群多样性逐代变化的特点,构建粒子聚集度模型,并利用其动态调节各代粒子的变异概率;最后,利用KTH和HMDB51数据集对所提方法进行验证。结果表明,所提自适应变异粒子群算法(AMPSO)能够有效避免种群陷入局部最优,具备较强的全局寻优能力;在KTH和HMDB51数据集上的识别准确率分别为87.50%和26.41%,优于其余2种识别方法。实验证明,AMPSO算法收敛性能良好且整体识别框架具有较高的实用性和准确性。     

基于机器人视觉的服务机器人表情识别研究

开发了一种基于机器人视觉的表情识别系统。系统首先基于人脸肤色及Gabor纹理特征精确定位人脸区域,其次用Gabor小波变换提取表情特征并设计基于支持向量机的表情分类器,最终实现对7种人脸基本表情的识别。实验表明,该方法在室内环境下能够实时地识别表情并具有较高的识别成功率。     

Fault diagnosis based on support vector machines with parameter optimisation by artificial immunisation algorithm

Support vector machines (SVM) is a new general machine-learning tool based on the structural risk minimisation principle that exhibits good generalisation when fault samples are few, it is especially fit for classification, forecasting and estimation in small-sample cases such as fault diagnosis, but some parameters in SVM are selected by man's experience, this has hampered its efficiency in practical application. Artificial immunisation algorithm (AIA) is used to optimise the parameters in SVM in this paper. The AIA is a new optimisation method based on the biologic immune principle of human being and other living beings. It can effectively avoid the premature convergence and guarantees the variety of solution. With the parameters optimised by AIA, the total capability of the SVM classifier is improved. The fault diagnosis of turbo pump rotor shows that the SVM optimised by AIA can give higher recognition accuracy than the normal SVM.