基于Boosting RBF神经网络的人脸年龄估计

年龄变化是引起人脸外观变化的主要原因，但每个人的生活方式不同，难以准确地从人脸图像中估计年龄。该文提出了一种基于人脸图像的年龄估计方法，用NMF方法提取人脸特征，通过RBF神经网络确定一个人脸图像及其相符年龄之间的估计函数。在此基础上，为了提高神经网络的泛化能力和故障诊断的准确性，利用Boosting方法构造一个基于神经网络的函数序列，将它们组合成一个加强的估计函数，实验结果表明了该方法的正确性。     

基于级联式Boosting方法的人脸检测

提出一种基于级联式Boosting方法的人脸检测算法。先用PCA方法对人脸图像进行特征参数的提取,在此基础上,利用算法中的每一个Boosting分类器学习的历史信息,基于线性回归特征消除（RFE）策略,消除AdaBoost中的冗余,据此判别一幅图像是否为人脸图像。在ORL人脸图像库的仿真实验结果显示,这种方法明显提高了检测性能,证明了该算法是有效的。     

基于Boosting算法的入侵检测

提出一种基于Boosting算法的入侵检测方法。先用神经网络初步确定一个入侵检测函数，在此基础上，利用Boosting方法构造一个基于神经网络的入侵检测函数序列，然后以一定的方式将它们组合成一个加强的总检测函数，据此进行入侵检测。实验结果显示，这种方法明显提高了检测性能。     

基于图像似然度的人脸检测

本文提出了一种基于图像似然度的检测人脸方法,该方法能在复杂的背景下较好的检测出人脸。该方法分为训练阶段和检测阶段。在训练阶段。从人脸图像集中选取大量人脸图像的信息矩阵的奇异值向量作为矩阵中的一列而构成的人脸图像集特征矩阵。然后,用大量的人脸图像的特征向量与人脸图像集特征矩阵比较找出最小相似度,作为阈值;在检测阶段。求待测区域的特征向量与人脸特征矩阵的相似度,与阈值比较以决定是否是人脸。     

基于示例学习的图像人脸检测技术

描述了一种基于示例学习的方法来检测具有复杂背景的图像中正面人脸的位置。这项技术使用了图像模型聚类的方式构造了人脸模式的分布。针对每一个图像 ,计算图像局部分布与基于分布的模板之间的特征矢量差异。然后基于这个差异 ,应用一个经过训练的分类器来判断图像当前位置是否有人脸存在     

基于眼睛梯度对特征的人脸检测方法

该文提出了一种利用眼睛灰度变化梯度对特征来检测人脸的方法。在分析人脸图像中发现,眼球的灰度级较低,而眼球周围白色区域的灰度级较高,两个区域在其交界处灰度级产生强烈突变。该文利用图像灰度变化梯度值构造梯度和特性值,通过寻找相等的梯度和特性值来实现从图像中找出对应眼睛的位置,定位可能的人脸区域,再计算其对称性后确定人脸特征的存在,更进一步验证检测的人脸区域。实验证明,此方法能迅速准确地从复杂背景图像中检测出人脸,而且对多人脸图像同样有效。     

基于小波变换阈值的茶叶病害图像去噪方法研究

茶叶病害图像在实际采集和传输过程中因受到各种噪声的干扰而使图像的质量下降,直接影响后续的图像处理效果.因此图像去噪是图像处理中的一个重要环节.提出基于小波变换阈值的茶叶病害图像去噪方法,对阈值函数和分解层数的选取进行了研究,引入信噪比、均方差和峰值信噪比作为评价去噪效果的性能指标辅助选择小波基函数.为实际使用小波变换阈值去噪方法提供了参考依据.     

基于改进小波阈值函数的仪表图像去噪方法研究

传统小波去噪的软阈值函数和硬阈值函数在去噪过程中产生的恒定偏差与抖动会导致去噪后的图像存在模糊和伪吉布斯现象。基于此问题，该文提出了一种软硬兼顾的加权平均阈值函数，此阈值函数避免了传统阈值存在的“一刀切”问题，降低恒定偏差的同时具有连续性与渐进性。其次在改进传统阈值门限上，设计了一种随着分解层数增加而减少的自适应门限阈值，避免消除深层数的高频边缘信息。最后通过对含有不同高斯白噪声的仪表图片进行去噪，计算峰值信噪比与均方误差并对结果图像进行的客观分析评估，实验结果表明，该阈值函数方法相比于其他方法，去噪结果更为清晰，均方误差最小，峰值信噪比最大，去噪效果更佳。     

一种基于人脸核心区域灰度分布的人脸检测方法

提出了一种基于人脸核心区域(眉毛、眼睛、鼻子、嘴等)灰度分布特征的人脸检测方法:首先在多维阈值下对人脸图像进行分析和处理得到可能包含人脸的一些区域,然后从这些区域中检索特殊的灰度特征,最后综合多维阈值下的灰度特征及特征之间的分布关系确定出人脸的大小和位置.实验证明,此方法能迅速准确地从背景图像中检测出人脸.     

视频序列中的人脸检测与定位算法研究

在研究和分析各种人脸捡测与定位算法的基础上,并以计算简单、速度快、能精确地提取视频序列中的人脸为原则,提出了一种新的基于运动信息与边缘投影函数相结合的视频序列中的人脸检测与定位算法.该算法设计了双阈值Sobel算子进行边缘检测,该算子检测到的图像边缘清晰、细致、噪声少;提出了平方投影函数,该投影函数不但可区分均值相同的区域,而且可区分方差相同的区域.将边缘函数与投影函数结合起来设计的人脸检测与定位算法简单实用.     

基于DM6437的Adaboost人脸检测算法的设计与实现

研究并实现了基于DM6437的Adaboost人脸检测算法。在对相关的人脸检测算法研究的基础上,选择了适应能力强、错误率小的Adaboost算法,通过对输入样本进行Harr特征提取,从中选出最优的Haar特征,然后将训练得到的Haar特征转换成弱分类器,再将弱分类器优化组合成强分类器,最后形成级联强分类器用于人脸检测。通过OpenCV在计算机上仿真实现该算法,完成了Adaboost人脸检测算法的DSP程序设计,在DM6437硬件平台上实现了人脸实时检测功能。结果表明,运用该算法能够有效地进行人脸检测,可用于工程实践。     

Cooperative spectrum sensing against noise uncertainty using Neyman–Pearson lemma on fuzzy hypothesis test

In this paper, we consider the problem of cooperative spectrum sensing in the presence of the noise power uncertainty. We propose a new spectrum sensing method based on the fuzzy hypothesis test (FHT) that utilizes membership functions as hypotheses for the modeling and analyzing such uncertainty. In particular, we apply the Neyman–Pearson lemma on the FHT and propose a threshold-based local detector at each secondary user (SU) in which the threshold depends on the noise power uncertainty. In the proposed scheme, a centralized manner in the cooperative spectrum sensing is deployed in which each SU sends its one bit decision to a fusion center. The fusion center makes a final decision about the absence/presence of a primary user (PU). The performance of the PU's signal detection is evaluated by the probability of signal detection for a specific signal to noise ratio when the probability of false alarm is set to a fixed value. The performance of the proposed algorithm is compared numerically with two classical threshold-based energy detectors. Simulation results show that the proposed algorithm considerably outperforms the methods with a bi-thresholds energy detector and a simple energy detector in the presence of the noise power uncertainty.     

Oppositional symbiotic organisms search optimization for multilevel thresholding of color image

Selection of optimal threshold is the most crucial issue in threshold-based segmentation. In case of color image, this task is become challenging, because conventional color image segmentation has computational complexity and also it suffers from lack of accuracy. Various techniques such as threshold based, region growing, edge detection, graph cut, pixel classification, neural network, active contour, gray level co-occurrence matrix are proposed so far for image segmentation in the literature. Out of them, threshold-based segmentation is popular for its simplicity. To address the problem of color image segmentation, we propose an enhanced version of metaheuristic optimization algorithm called Opposition based Symbiotic Organisms Search (OSOS) to solve multilevel image thresholding technique for color image segmentation by introducing opposition based learning concepts to accelerate the convergence rate and enhance the performance of standard symbiotic organisms search (SOS). The performance of the proposed OSOS based algorithm is investigated thoroughly and compared with some existing techniques like Cuckoo Search (CS), BAT algorithm (BAT), artificial bee colony (ABC) and particle swarm optimization (PSO). The comparison is made by applying the algorithm to a set of color images taken from a well-known benchmark dataset (Berkeley Segmentation Dataset (BSDS)) and some of the color images collected for the COCO dataset. It is observed from the results that the performance of the OSOS based algorithm is promising with respect to standards SOS and others in terms of the values of objective functions as well as the values of some well-defined quality metrics such as peak signal-to-noise ratio (PSNR), structure similarity index (SSIM) and feature similarity index (FSIM). The results of the proposed algorithm may encourage the scientists and engineers to apply it into pattern recognition problems.     

改进的多目标回归实时人脸检测算法

针对物体检测实时多目标回归算法中分别优化各四个位置参数，割裂了四个位置变量之间的关系，造成对物体的边框回归不够准确且训练不易收敛的问题，提出一种带检测评价函数（Intersection over Union，IoU）作为损失函数的实时多目标回归人脸检测算法。首先基于Redmond等提出实时多目标回归模型，采用该模型检测实时性的机制，然后融合了IoU函数作为位置参数的损失函数，将实时多目标回归模型中的四个独立位置参数整合成一个单元进行优化，避免了基础模型的缺陷。算法在人脸检测基准库FDDB上进行测试，实验结果表明：在人脸检测的有效性上优于主流的传统人脸检测算法，检测速度上领先于其他经典深度学习方法。提出的算法在检测人脸的有效性和检测速度两者之间取得了一个较好的平衡，为构建实用的人脸相关应用系统提供了参考价值。     

复杂背景下基于模糊集的快速人脸检测

针对如何在复杂背景下快速定位人脸并对其进行确认的问题,提出了一种基于模糊集的快速人脸检测方法.该方法利用肤色模型对图像进行肤色检测,获得肤色分割区域后,并利用数学形态学算子对分割区域进行处理并获得人脸候选区域,再结合模糊集理论,融合人脸的特征进行模糊事件的判断,确定人脸候选区域是否包含真正的人脸.实验结果表明,该算法具有较强的鲁棒性和高的正确检测率,并能满足实时应用的要求.     

基于深度残差网络和注意力机制的人脸检测算法

人脸检测技术作为一种人员身份识别的主流技术被广泛应用于人们的日常生活中。然而在特定应用场景中,当人脸被遮挡或人脸目标非常密集时,人脸识别的检测性能急剧下降。提出一种基于深度残差网络和注意力机制的高精度人脸检测算法。使用残差网络ResNet-50并结合IoU损失函数提高人脸检测精度,并利用注意力机制优化突出脸部区域特征,在此基础上采用非极大值抑制方法增强算法鲁棒性。在公开FDDB数据集上的实验结果表明,该算法的准确率达到96.1%相比传统卷积网络VGG-16算法提高1.6个百分点。     

基于聚类框架与局部感受野的实时人脸疲劳检测

针对在自然环境下人脸疲劳识别遇到的问题,如人脸检出率不高、判别疲劳的特征过于单一、检测速度慢等提出了一种基于聚类框架与局部感受野的实时人脸疲劳检测方法。首先对人脸尺寸进行聚类分析,根据聚类类别决定检测层个数并设置先验框大小,根据预测特征图的感受野与人脸尺寸匹配的原则设置网络层数,最后通过最小化损失函数学习多种疲劳特征。实验证明,在驾驶室等环境下基于聚类框架与局部感受野的方法在保持识别准确率的同时提高了检测速度,使用GPU GeForce GTX TITAN能达到125 fps,满足了实时性要求。     

视频监控下的人脸跟踪与识别系统

针对智能视频监控系统的要求,设计了一个基于视频监控的自动多人脸跟踪识别系统,该系统的功能是实时跟踪视频监控范围内的人脸并鉴别人脸的身份。针对复杂背景及类似人脸区域的影响,提出了一种Adaboost人脸检测算法和主动形状模型相结合的人脸检测算法,实现人脸的准确检测;针对视频监控范围内人脸偏转、交错以及由于人员不断出入而导致人脸数目发生变化的问题,提出了CamShift和Kalman滤波器相结合的多人脸跟踪算法,同时对跟踪到的人脸进行实时身份识别。实验证明,该系统在视频监控范围内对人脸检测和身份识别准确,跟踪实时性好,是一种建立实时视频监控系统的实用方法。     

基于聚类算法的统计学习侧面人脸检测

提出了一种新型的基于聚类算法的统计学习侧面人脸检测算法。通过对侧面人脸的各个视角建立分类器,使用新的AdaBoost训练策略,然后应用该聚类算法进行检测结果融合,从而有效检测出人脸。并使用该算法成功解决耳朵检测问题,取得了较好的实验结果。实验表明,该检测算法可以有效地检测出侧面人脸和耳朵,是一种普遍有效的目标检测算法;对282幅侧面人脸图像进行人脸检测,检测率在漏检19个时为93.26%,;对1000包含耳朵的图像进行检测,耳朵检测率在误检个数为61时为91.9%。