基于教室监控视频的学生位置检测和人脸图像捕获算法

实现一个基于课堂监控视频的学生位置检测和学生人脸图像获取系统。本系统由一个定焦全景摄像机和一个PTZ(平移(Pan)、倾斜(Tilt)、变焦(Zoom))摄像机组成。首先利用全景摄像机获得教室全景图像，针对实际课堂环境中的光线突变，提出基于帧间差的异常光线排除算法，实现异常光线监测和动态空教室图像检测与存储；使用HR网络结构对全景图像进行人脸检测，得到人脸检测框集合；针对非约束环境中学生因姿势变化和人脸遮挡、全景图像分辨率低等因素引起人脸信息缺失而导致人脸检测漏检问题，提出基于人体头肩特征的加权运动目标检测算法，得到目标检测框，提高人脸信息缺失的学生位置检测率；针对多种检测框的大量冗余，提出多种检测框加权融合算法，有效减少检测框的重复，得到学生人物检测框集合。然后，将学生人物检测框包含的位置信息传递至PTZ摄像机控制子系统，使PTZ逐个聚焦目标学生，捕获到清晰的学生人脸图像，为后续的人脸识别提供高质量的图像。     

基于深度学习的重叠人脸检测

人脸检测在人机界面、安全系统、人脸识别、基于内容的图像检索等不同应用中起着重要作用。随着计算机图像技术的发展,人脸检测的方法也越来越多。但是利用现有的人脸检测方法检测重叠人脸时,虽然能够检测出部分人脸,但是相比于单人脸的检测,算法的效率和准确性都有所欠缺。针对这个问题,提出了一种基于深度学习的重叠人脸检测方法。首先基于机器学习方法,构建出多个人脸特征分类器,然后再利用肤色检测的方法对分类器得到的候选人脸进行二次检测,最后利用提出的一种NMS算法对候选人脸进行进一步的处理,从而检测出精确的人脸。为了验证算法的高效性和准确性,进行了多个人脸检测算法的对比实验,结果表明,该算法在效率和准确性方面都有较大提高。     

基于在线特征选择的实时多姿态人脸跟踪

针对复杂条件下的人脸跟踪问题, 将显著区域跟踪算法和基于 Adaboost 的人脸检测算法相结合, 研发了一个实时多姿态人脸跟踪系统. 系统采用数据关联结果, 自动选择和切换检测器与跟踪器, 并通过引入环境信息增强跟踪算法的稳定性. 实验表明, 系统可在目标姿态变化、摄像机运动等复杂条件下进行自动人脸检测与跟踪, 对 320x240 的图像序列处理速度达到 10-12帧/秒.     

基于分形和肤色模型的自然态人脸检测方法研究

在对当前人脸检测问题研究过程中常用方法及其特点进行论述基础上,分析了利用分形特征实现人脸检测的可行性,提出了基于分形和肤色模型的自然态人脸检测方法.通过大量实验可知,该算法既克服了传统的基于启发式(知识)模型的方法和基于统计模型方法适应变化能力差、检测速度慢的缺点,又克服了单纯的肤色模型算法对肤色相近区域误检率高的缺点,利用人脸图像所特有分形特征,可以实现自然态环境下,多角度、多姿态人脸检测.     

面向课堂环境的多人脸检测

针对目前课堂环境下的多人脸检测研究不够深入,特别在拍摄角度变化等多个因素影响下人脸识别率较低的问题,提出了真实课堂环境下基于全卷积头部检测器(FCHD)人脸检测的改进算法.首先,针对课堂环境下多人脸数据集的不足构建了两类课堂数据集,通过10人以下、11～20人、21～30人、31～40人以及41人以上不同的数据进行分析;然后,对比评估了传统的人脸检测算法以及基于深度学习的算法;最后,提出基于FCHD算法进行锚点设计的改进,针对课堂多人脸数据集的特点,通过不同锚点的设计以及神经网络的微调提升多人脸检测的准确率.实验结果表明,所提算法对于10人以下的人脸检测平均准确率能达到90％,能够较好地解决多人脸识别领域中存在的人脸偏移、遮挡、角度等问题.     

视频图像的人脸检测方法

根据视频序列图像的运动连续性特点,初步对人脸所在区域进行定位,针对人脸检测系统实时性的需要,改进了Adaboost学习算法。提出一种新的视频环境下人脸检测方法。实验证明该方法能够精确定位人脸,有较强的实用性。     

多特征融合的人脸检测①

提出了一种基于多特征融合的人脸检测新方法。该方法首先用肤色分析算法对图像进行肤色分割,得到人脸区域的初步结果;然后根据灰度特征图像用基于GA的方法找到多个模板的人脸区域;最后用基于Adaboost多模板融合算法形成最终检测结果。通过实验表明,该方法与传统方法相比,识别率得到明显提高。     

基于小训练样本的AdaBoost人脸检测

AdaBoost算法已被广泛地应用于人脸检测系统中,但往往需要大量的训练样本。针对其训练过程复杂冗长的缺陷,选择研究基于少量训练样本的人脸检测问题。采用协方差特征代替图像统计的直方图进行特征提取。为达到更好的分类效果,应用基于Fisher判别式分析的线性超平面分类器,通过AdaBoost算法构成多层级联分类器进行人脸检测。在小数据库里可以看到,与目前用于多数人脸检测系统的类Haar特征相比,该算法在减少训练样本的同时能获得更好的检测效果。     

基于云计算的嵌入式人脸识别系统建构与研究

针对嵌入式系统运算、存储资源有限等缺陷,采用先进的FaceCore人脸检测开放平台构建一套基于云计算的嵌入式人脸图像处理系统;通过在高性能嵌入式平台接入图像采集设备采集图像信息,然后将复杂的图像处理、检测、识别等算法转移到云平台进行,实现人脸特征值检测、人脸特征点检测、人脸相似度检测、人脸匹配等功能,减少了嵌入式系统的本地运算负担,降低了嵌入式人脸检测、识别系统的软硬件成本;最后通过对多个不同年龄、性别的人进行人脸检测识别、人脸和嘴的位置检测以及图像中人脸个数检测,分别得到检测时间的平均值;实验结果验证了构建基于云计算的嵌入式人脸识别实时系统的可行性,系统的稳定性、可靠性,并且与以前直接在本地进行计算做比较,具有较高的实时性,为未来嵌入式系统进行实时的图像处理提供了一种更有效的解决方案。     

基于自适应LBP人脸识别的身份验证

提出了一种自适应LBP人脸识别算法用于进行身份认证。在身份特征录入阶段,首先采用Harr人脸级联分类器对人脸样本库进行人脸区域检测,并使用PCA方法对人脸区域进行降维处理;然后通过LBP二值模式的人脸识别算法提取人脸样本的特征值;最后通过LBP人脸训练生成人脸数据特征库。通过多场景人脸图像库和阈值队列,通过多阈值全组人脸匹配,建立人脸阈值特征库。在身份验证阶段,将登录用户人脸与人脸阈值特征库做粗粒度人脸LBP直方图匹配,确定当前最优的LBP阈值;然后将登录用户人脸与人脸数据特征库做LBP直方图匹配,通过匹配结果确定登录用户的系统权限。实验结果表明,在图像和视频模式下,基于自适应LBP人脸识别算法的身份验证具有很高的鲁棒性。     

基于Android平台的增强现实算法

为了获得更加理想的增强现实效果,提出一种基于利用 Android 平台的增强现实算法。首先采用 FAST算法确定两幅图像中的特征角点,并采用SURF生成特征点描述符,然后采用快速近似邻近点搜索进行图像匹配,最后在Android平台上实现算法,并采用仿真实验测试算法的性能。仿真结果表明,本文算法结合Android的优点,可以较好的满足增强现实的实时性的要求,而且具有较好的鲁棒性,克服了传统增强现实技术的局限性。     

基于三维模型的Android手机端人脸姿态实时估计系统

针对人脸姿态估计对系统性能要求高、在手机上运行无法满足实时性要求等问题,实现了一种Android手机端的人脸姿态实时估计系统。首先,由摄像头获得一幅正面和一幅偏移一定角度的人脸图像,利用从运动中构建结构(SfM)算法建立简单三维人脸模型;然后,提取实时人脸图像中与三维人脸模型相互对应的特征点,基于缩放正投影位姿估计(POSIT)算法估计人脸姿态角度;最后将三维人脸模型通过开放图形开发库(OpenGL)实时显示在手机屏幕上。实验结果表明,实时视频中检测人脸姿态并显示的速度可以达到20 frame/s,接近计算机端的基于仿射对应的三维人脸姿态估计算法,而且针对大量图片序列的检测可以达到50 frame/s,能够满足Android手机端的性能和检测人脸姿态的实时性要求。     

基于云架构的自适应聚类图像 识别技术的研究与实现

针对移动平台提供高精度图像识别服务,对当前比较流行的SIFT 和BRISK 图像识别算法进行分析和研究,提 出一种新型、高效、轻量级,适用于Android 的自适应聚类图像识别算法。并基于Android 平台设计了一套高精度图像识别系 统,利用Android 本身提供的各种资源开发图像识别软件。结果表明：该系统硬件设备简单,成本较低、系统可靠、易于使用和 扩展。     

一种基于深度学习的移动端人脸验证系统

作为一种新兴的身份验证技术,人脸验证广泛应用于门禁、考勤等需要身份验证的场合。本文综合考虑移动端人脸验证的需求与生产环境,以及现有人脸验证算法的效率和可移植性,设计并实现一种基于安卓系统平台的人脸验证系统。该系统能够离线部署于搭载安卓系统的移动端设备,通过摄像头获取人脸图像并在本地进行图像的数据处理完成人脸验证工作。在算法上,该系统采用深度卷积神经网络进行图像处理与人脸特征向量提取以提高人脸验证的准确率。在实现上,通过联合编译Java和C+〖KG-*3〗+代码提高算法运行效率以适应深度学习算法在移动端的应用。实验表明,本系统能够在确保准确率高达97.16%的前提下快速完成人脸验证流程,基本满足工业化应用需求。     

Android平台说话人认证系统的并行计算与设计

智能手机技术的快速进步催生了移动商务的蓬勃发展,智能手机移动商务平台的安全性和身份认证问题已经成为移动商务能否进一步发展的关键。说话人识别技术作为一种生物识别认证技术应用到现有的智能手机中非常便利,而且有其他安全认证技术所无法比拟的优势。因此,将说话人识别相关技术应用于Android系统的安全认证中,设计了基于Android平台的说话人认证系统。同时由于智能手机多核性和特征参数提取工作的独立性,为了提高认证系统的效率,提出了基于Android平台的并行算法,并在不同机型上做了相关的实验,通过实验结果可以发现在Android平台采用并行算法能够较大幅度地提高认证系统的效率,从而提高认证系统的用户体验。     

融合多特征的Android恶意软件检测方法

针对当前基于机器学习的Android恶意软件检测方法特征构建维度单一,难以全方位表征Android恶意软件行为特点的问题,文章提出一种融合软件行为特征、Android Manifest.xml文件结构特征和Android恶意软件分析经验特征的恶意软件检测方法。该方法提取Android应用的Dalvik操作码N-gram语义信息、系统敏感API、系统Intent、系统Category、敏感权限和相关经验特征,多方位表征Android恶意软件的行为并构建特征向量,采用基于XGBoost的集成学习算法构建分类模型,实现对恶意软件的准确分类。在公开数据集DREBIN和AMD上进行实验,实验结果表明,该方法能够达到高于97%的检测准确率,有效提升了Android恶意软件的检测效果。     

一种基于Haar小波变换的彩色图像人脸检测方法

本文提出了一种基于Haar小波变换的彩色图像人脸检测方法。首先进行彩色空间的变换,检测出图像中的肤色区域;利用Adaboost算法训练出的基于Haar小波变换的检测器对该区域进行人脸检测;建立眼睛颜色模型,并根据眼睛!嘴在不同分量上的分布特征,将它们从人脸区域中提取出来;最后融合眼睛!嘴候选区域的信息,利用特征不变的方法进行眼睛和嘴的确定。实验结果表明,该方法能够快速有效地检测出人脸,并能够确定眼!嘴的位置。     

基于BPSO-NB算法的Android恶意应用检测方法

为了提高Android恶意应用检测效率,将二值粒子群算法(BPSO,Binary Particle Swarm Optimization)用于原始特征全集的优化选择,并结合朴素贝叶斯(NB,Nave Bayesian)分类算法,提出一种基于BPSO-NB的Android恶意应用检测方法。该方法首先对未知应用进行静态分析,提取AndroidManifest.xml文件中的权限信息作为特征。然后,采用BPSO算法优化选择分类特征,并使用NB算法的分类精度作为评价函数。最后采用NB分类算法构建Android恶意应用分类器。实验结果表明,通过二值粒子群优化选择分类特征可以有效提高分类精度,缩短检测时间。      

基于多特征融合的安卓恶意应用程序检测方法

安卓恶意应用程序的检测目前存在着检测速度慢、检测率低等问题,本文针对这些问题提出了一种基于多特征融合的安卓恶意应用程序检测方法。从Android恶意应用的恶意行为特点出发,运用静态分析和动态分析互相结合的方法,提取出权限和组件、函数API调用序列、系统命令、网络请求等多维度特征,对维度较大的特征种类使用信息增益方法进行特征的筛选,取出最有用特征。本文还利用半敏感哈希算法的降维和保持相似度的特性,提出基于Simhash算法的特征融合方法,将原有的大维度的特征降维到相对较小的维度,并解决了特征的不平衡问题。融合后的特征使用GBDT算法和随机森林算法分类,检测恶意样本。实验对比分析得出本文使用的多种特征融合的方法在可以大大降低分类的训练时间,提高检测效率。