基于一阶径向畸变算法的双目摄像机多位姿标定方法

双目立体视觉中在对物体进行三维测量或精准定位时,需要对摄像机进行标定以获得其内外参数。研究径向畸变摄像机模型,构造了基于一阶径向畸变（RAC）算法的双目摄像机内外参数线性求解公式。考虑侧倾角、旋转角、俯仰角以及透镜的主要畸变因素,修正了传统RAC标定法中只考虑径向畸变、部分参数需要先验值的缺陷。利用标定所得内、外参数进行了多位姿双目摄像机三维重构实验。实验结果表明,该标定方法重投影误差分布在[-0.3,0.3],动态识别结果与实际运行轨迹重合率为96%,对降低双目立体视觉三维测量误差率有积极性影响。     

基于多姿态特征融合生成对抗网络的人脸校正方法

针对人脸校正中单幅图像难以解决大姿态侧脸的问题，提出一种基于多姿态特征融合生成对抗网络（MFFGAN）的人脸校正方法，利用多幅不同姿态侧脸之间的相关信息来进行人脸校正，并采用对抗机制对网络参数进行调整。该方法设计了一种新的网络，包括由多姿态特征提取、多姿态特征融合、正脸合成三个模块组成的生成器，以及用于对抗训练的判别器。多姿态特征提取模块利用多个卷积层提取侧脸图像的多姿态特征；多姿态特征融合模块将多姿态特征融合成包含多姿态侧脸信息的融合特征；而正脸合成模块在进行姿态校正的过程中加入融合特征，通过探索多姿态侧脸图像之间的特征依赖关系来获取相关信息与全局结构，可以有效提高校正结果。实验结果表明，与现有基于深度学习的人脸校正方法相比，所提方法恢复出的正脸图像不仅轮廓清晰，而且从两幅侧脸中恢复出的正脸图像的识别率平均提高了1.9个百分点，并且输入侧脸图像越多，恢复出的正脸图像的识别率越高，表明所提方法可以有效融合多姿态特征来恢复出轮廓清晰的正脸图像。     

基于AAM-SIFT特征描述的两级SVM人脸表情识别

采用AAM定位特征点、尺度不变特征变换（SIFT）描述特征的方式提出一种基于AAM-SIFT的表情特征提取方法。该方法用特征点周围区域梯度方向直方图描述表情特征;同时根据不同子区域对表情的贡献不同,将特征点分组并赋予不同权重,并用两级支持向量机（SVM）对融合的加权特征进行分类识别。在标准表情库和多姿态表情库上的验证结果表明,该方法能有效提高正面人脸表情的识别率,对一定偏转角度的非正面人脸表情也保持较好的鲁棒性。     

基于超球支持向量机的多姿态协同人脸检测

针对多姿态的人脸检测准确度差的问题,提出了一种多姿态的协同人脸检测模型。该模型由一组超球支持向量机组成,它们被分成三层：第一层1个、第二层3个、第三层9个,共13个支持向量机(SVM)。这些SVM按逐层精细化检测设计,协同完成人脸检测任务。因为一幅图像的大部分区域是非人脸,采用三层模型的设计一方面能提高人脸检测速度,另一方面也增强了检测的针对性,使得能逐层履行更精细的局部区域检测。另外,改进了k近邻(kNN)算法,使其能用于超球重叠样本的检测,并提高了人脸检测的准确度。实验结果表明,相对于传统基于SVM的人脸检测,所提算法在人脸检测的准确率上有5%左右的提升,通过逐层过滤,保证了人脸检测的速度。     

基于关联子区域映射的多姿态人脸识别

针对人脸识别中的姿态变化问题,提出了子区域关联映射的方法识别多姿态的人脸图像。人脸被分割为若干子区域,姿态变化对图像的影响被分解为关联子区域的形状映射与纹理映射。提出了2维耦合成分分析的方法构造关联子区域的映射关系。2维耦合成分分析采用2维矩阵方式直接表达人脸图像,在此基础上获取不同观测空间上的低维耦合空间,根据局部几何关系不变性的原理学习耦合空间上投影特征矩阵之间的非线性映射。在应用贝叶斯框架评估子区域可分性的基础上,综合全体子区域的信息给出最终的判别结果。比较实验结果表明,关联子区域映射方法能有效补偿姿态变化带来的影响;对应的多姿态识别方法判别率高,对姿态变化敏感度低。     

基于深度学习的轻量级和多姿态人脸识别方法

目前基于深度学习的人脸识别方法存在识别模型参数量大、特征提取速度慢的问题,而且现有人脸数据集姿态单一,在实际人脸识别任务中无法取得好的识别效果。针对这一问题建立了一种多姿态人脸数据集,并提出了一种轻量级的多姿态人脸识别方法。首先,使用多任务级联卷积神经网络（MTCNN）算法进行人脸检测,并且使用MTCNN最后包含的高层特征做人脸跟踪;然后,根据检测到的人脸关键点位置来判断人脸姿态,通过损失函数为ArcFace的神经网络提取当前人脸特征,并将当前人脸特征与相应姿态的人脸数据库中的人脸特征比对得到人脸识别结果。实验结果表明,提出方法在多姿态人脸数据集上准确率为96.25%,相较于单一姿态的人脸数据集,准确率提升了2.67%,所提方法能够有效提高识别准确率。     

一种适应不同导杆直径的多姿态爬杆机器人

设计一种既能做沿杆的直线运动,又能做绕杆旋转运动的爬杆机器人,该机器人由六角支架、直行部件、旋转部件和导向换向装置等组成,并能在一定范围内适应不同直径的导杆.详细阐述该机器人各种部件的工作原理及特点,并给出了设计结果.机器人结构新颖,工作简单可靠,动作灵活,可以广泛应用于各种高空作业.     

基于改进ORB特征的多姿态人脸识别

为了克服通过全局特征以及每位个体单个模板样本进行多姿态人脸识别的不足,提出基于改进的ORB局部特征以及每位个体多个模板样本的多姿态人脸识别方法.首先改进ORB算子的采样模式提高算子对人脸视角变化的鲁棒性,并采用每位个体的多个训练样本建立模板库,然后提取并匹配测试样本与模板样本的改进ORB特征.在特征提取阶段,为避免关键点数目变化的干扰,对全部样本提取一致数目的关键点;在特征匹配阶段,采用基于模型和基于方向的双重策略剔除误匹配点对,使用匹配点对数目与平均距离评价测试样本与每个模板样本的吻合程度.对CAS-PEAL-R1和XJTU数据库的实验结果表明,改进的ORB特征具有更好的识别性能;与采用多个训练样本构建个体单个模板样本的方法相比,在训练样本数目相同的条件下,该方法能较好地避免姿态的干扰,具有更好的识别效果.与SIFT算子相比,ORB算子在特征提取与特征匹配2个阶段都具有明显的速度优势.     

基于肤色模型与人脸特征的多姿态人脸检测

传统AdaBoost人脸检测算法使用正面人脸训练分类器,不能检测有任意偏转角度的多姿态人脸。本研究利用各种多姿态人脸中人眼结构变化比较小的性质,使用人眼训练AdaBoost算法的分类器,设计出一种快速的复杂场景下的多人多姿态人脸检测算法。先将图像映射到一种色彩空间,运用皮肤颜色分布特性检测皮肤区域;再运用AdaBoost算法从肤色区域检测出人眼区域;最后根据人眼在人脸中的位置计算出人脸的位置。实验结果表明:该算法对多姿态人脸有很好的检测效果。     

基于特征融合与决策树级联结构的多姿态人脸检测

为了提高复杂模式下多姿态人脸检测的速度与性能,提出了一种基于特征融合与决策树级联结构相结合的多姿态人脸检测方法.该方法给出了基于形态学梯度的边缘方位场特征,并提出了基于Haar like特征与边缘方位场特征相融合的AdaboostSVM算法.通过对决策树级联结构进行改进,将特征融合的AdaboostSVM算法与改进的决策树级联结构相结合进行多姿态人脸检测.实验结果表明,该方法能明显改善复杂模式下多姿态人脸检测的速度与性能.