基于深度数据的空间人脸旋转角度估计

提出一种基于三维人脸深度数据的人脸姿态计算方法。利用人脸的深度数 据以及与其一一对应的灰度图像,根据微分几何原理和相应的曲率算法与人脸数据中的灰度 特征对人脸面部关键特征点定位,进而计算出人脸姿态在三维空间中的3 个姿态角。实验证 明该方法能在姿态变化情况下实现对人脸旋转角的准确估计,为进一步的人脸识别和表情分 析提供基础。     

基于尺度限制SURF的图像配准

图像配准是数字图像处理中一个重要研究领域,是图像拼接、图像超分辨率重建的基础,基于尺度不变特征的图像配准已成为最近几年的热门研究领域,SURF算法是其中之一.对于具有尺度差异（SD）同时满足仿射变换的图像,传统SURF算法存在较大误匹配,从而影响最后的配准精度.针对误匹配问题,采用基于尺度限制（SR）的SURF算法并利用样本统计的方法来剔除误匹配,实验结果表明基于尺度限制的SURF算法能够有效的剔除误匹配,从而提高图像配准的精度.     

基于随机森林的脑磁共振图像分类

特征选择和分类算法是影响脑磁共振图像分类精度的2个最主要的因素。随机森林算法作为一种优秀组合分类器逐渐成为近年来研究的热点,通过加权脑磁共振3种（T1、T2、PD加权像）图像,采用非统一滑动窗口尺寸提取二维图像的纹理特征、形状特征、HAAR特征、灰度特征以及边缘检测算子、最大类间方差（OTSU）作为随机森林算法的输入特征,从而分类出图像的10类组织。经过对加拿大蒙特利尔神经科学研究院提供的脑仿真核磁共振图像实验,随机森林算法对二维脑MR图像的分类精度可以达到94%以上。     

局域化互信息度量的ACM下医学图像的分割

大量医学图像中存在灰度不均匀现象使传统方法很难获得理想的分割结果,针对此问题,将图像的局部统计特征引入互信息度量的分割模型中,考虑不同组织间的方差差异,提出一种局域化互信息度量的活动轮廓模型(ACM),以提高灰度不均匀情况下目标边界识别的精确度。此外,采用一种无需重新初始化的水平集函数规则化方法,演化稳定,收敛速度快。最后,以医学图像分割实验对算法进行了验证,对比实验表明分割和偏移场矫正结果都更精确。     

视觉显著性特征约束下的骨架生长算法

骨架特征在图像处理和计算机图形学等领域有着广泛的应用,而常规的骨架提取算法易受到噪声和物体自身变化的影响,使得提取的骨架难以进行后续的应用.本文提出联合离散曲线演化和弯曲度比率这两种视觉显著性特征约束下的骨架生长算法.在骨架生长过程中通过对判为结点的骨架点的邻域骨架点进行进一步的弯曲度比率约束,有效抑制了离散曲线演化约束骨架提取算法对于弯曲度较大的部位所产生的无法避免的冗余枝.通过调节保留的离散曲线演化点数以及弯曲度比率阈值,可获得多尺度的骨架.实验证明,在较大非刚体形变和轮廓噪声等干扰下,本文提出的算法仍能有效的抑制冗余骨架枝的产生,获得的骨架能够较好的表示图形中视觉重要部分.     

基于MRF的膝关节半月板快速自动分割算法

核磁共振成像（magnetic resonance imaging,MRI）图像形态、纹理均较为复杂,从图像中分割出感兴趣组织结构具有一定难度。提出一种＂分割-粗定位-提取＂思路,充分利用MRI成像特征和膝关节解剖学的先验知识,快速、全自动地精确分割形态复杂、尺寸细小的膝关节半月板：首先利用多尺度马尔可夫随机场（Markov random field,MRF）方法自动、快速地分割与目标有相似灰度分布的组织结构,然后结合sobel算子和直方图投影方法粗定位半月板区域,最后通过判断连通区域面积提取出精确的半月板区域。实验结果表明,与目前手动、半自动的半月板分割等研究工作相比,可以客观可重复地分割出半月板前后角等区域,并且算法耗时极低。     

基于耦合特征空间下改进字典学习的图像超分辨率重建

针对目前基于字典学习的图像超分辨率重建效果欠佳或字典训练时间过长的问题,本文提出了一种耦合特征空间下改进字典学习的图像超分辨率重建算法.该算法首先利用高斯混合模型聚类算法对训练图像块进行聚类,然后使用更改字典更新方式的改进KSVD字典学习算法来快速获得高、低分辨率特征空间下字典对和映射矩阵.重建时根据测试样本与各个类别的似然概率自适应地选择最匹配的字典对和映射矩阵进行高分辨率重建.最后利用图像非局部相似性,将其与迭代反向投影算法相结合对重建后的图像进行后处理获得最佳重建效果.实验结果表明了本文方法的有效性.     

融合曲面形状和纹理特征的三维人脸识别

由于2D人脸识别率容易受到姿态、表情、光照以及自身遮挡影响的问题,这一定程度上阻碍了2D人脸识别技术的鲁棒性与发展。而3D人脸数据提供了在3D人脸领域很有前景的特征描述,也有很大潜力提高人脸识别技术的识别率。针对二维人脸识别中的局限性,先对三维人脸数据进行预处理,人脸分割、平滑去燥等,提出了一种改进的三维人脸分割的方法。改进了三维人脸进行特征提取,使用平均曲率,高斯曲率,增加了协方差,拉普拉斯算子等描述符,且融合其最佳的描述符组合作为三维人脸的特征,计算基于网格局部二值模式(Mesh-LBP)进行提取特征,最后使用支持向量机(SVM)进行三维人脸的分类识别。通过在中国科学院自动化研究所(CASIA)的提供的数据集CASIA 3D face v1分别对高斯曲率、最大最小曲率、平均曲率、协方差、形状指数进行实验,其中平均曲率获得最高识别率93. 17%。实验结果表明,该方法有效地减少了受光照、姿态等变化的影响,且具有较好的鲁棒性和较高的识别率。     

基于无监督生成对抗网络的人脸素描图像真实化

对于人脸识别验证的研究带动了执法机构和数字娱乐行业将素描转化为真实人脸图像的需求和兴趣。到目前为止,由于网络训练阶段缺乏配对的数据,加上素描与真实照片之间存在着明显的模态差异,现有的方法仍然存在着不可解决的局限性。利用跨域语义一致性损失使输入和输出保持相同的语义信息,并用感知损失替换像素级的循环一致性损失以生成高分辨率图像。将PGGAN的生成器与生成对抗网络的损失函数一起训练以生成目标域真实图像,循环一致性损失则驱动同域图像保持一致。基于2个开源数据集的实验说明了所提模型在主观评价和客观标准上的有效性。     

基于多尺度特征融合和残差注意力机制的目标检测

作为一个多任务的学习过程,目标检测相较于分类网络需要更好的特征。基于多尺度特征对不同尺度的目标进行预测的检测器性能已经大大超过了基于单一尺度特征的检测器。同时,特征金字塔结构被用于构建所有尺度的高级语义特征图,从而进一步提高了检测器的性能。但是,这样的特征图没有充分考虑到上下文信息对语义的补充作用。在SSD基准网络的基础上,采用残差注意力的特征融合方法充分利用上下文信息,提高特征图的表征能力,然后利用残差注意力机制强化关键特征。在基准数据集PASCAL VOC上的实验表明,所提方法在输入图像尺寸为300×300和512×512情况下的mAP分别为78.8%和807%。