基于SVM和归一化技术的音视频特征融合身份识别

针对噪声环境下人脸识别率和说话人识别率低的问题,在研究特征层融合的基础上,结合归一化技术和SVM理论,提出了一种融合人脸和语音的多生物特征识别模型。首先采用离散余弦变换和局部保持投影算法提取人脸特征及SVM方法提取语音特征,在特征层进行融合得到融合特征后,计算测试身份与模板间的距离,为了减少计算量和提高识别性能,对匹配距离进行归一化处理,最后输入到SVM进行识别。仿真结果表明,在噪声环境下,当信噪比降低时,融合识别率要明显高于单个系统的识别率,达到了身份识别的目的。     

基于人脸比例特征提取与匹配的身份鉴别

针对人脸识别身份鉴别中的小样本问题,提出基于人脸比例特征提取与匹配的身份鉴别方法。首先基于图像灰度分布统计特征方差分析为阈值对图像进行二值化处理,然后基于主动形状模型算法实现人脸检测与特征点定位,构建脸型、鼻型、眼型共7项人脸比例特征并作为身份鉴别特征向量,最后利用基于层次分析法的相似度匹配模型实现身份鉴别。在Yale和MD图像集上的测试表明,所提方法适用于复杂背景下人脸面部特征的提取和身份鉴别应用。     

基于卷积神经网络的表情不变三维人脸识别

针对三维人脸识别中的表情问题,提出一种基于卷积神经网络的三维人脸识别方法.根据人脸先验知识,构建基于测地线距离的三维人脸特征点模型;利用该模型,提取输入三维人脸的局域Gabor特征和测地线距离特征,进而获得表情不变的人脸表述;将上述特征输入类Lenet-5卷积神经网络,获得最终的识别结果.在Facewarehouse三维人脸数据库上的实验结果表明,该方法的正确识别率达到97.60%,优于几种经典三维人脸识别方法,对表情变化均有较强的稳健性.     

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ARM的嵌入式人脸识别算法探究

随着监控环境下人脸识别对于识别准确率和实时性的不断提高,开发微型化和高识别率的人脸识别系统成为必然趋势,为此设计了一套基于ARM的嵌入式人脸检测识别系统。该系统运用传统和深度学习的方法进行人脸特征的提取检测和人脸的比对。最后,在不同的环境下针对两种人脸检测算法进行测试,分析优缺点,为准确、快速、高效地识别人脸提供支持。     

基于三维人脸成像系统的复数域人脸识别方法

三维人脸识别是模式识别和人工智能领域的研究热点。提出了一种利用人脸图像的二维灰度信息和三维深度信息进行人脸识别的算法。首先利用相关型图像传感器构成三维实时人脸成像系统,并将获得的三维人脸物理数据用复数形式表达。再将特征脸（Eigenface）方法和Fisherface方法拓展到复数域,提出了复数域特征脸方法和复数域Fisherface方法。改进的复数域人脸识别方法在三维实时成像系统的人脸数据库中进行的人脸识别实验表明,复数域的三维人脸识别方法明显优于传统的人脸识别方法。     

一种基于图像特征点的图像匹配算法

图像匹配技术被广泛用于人脸识别、全景图像生成等领域.该文利用变比不变特征点 (Scale Invariance Feature Transform-SIFT)提取方法提取特征点,并对SIFT方法提取出的特征点用最近邻算法 (Nearest Neighbor-NN)进行匹配,在搜索最近邻特征点和次近邻特征点时使用了在K-D树搜索算法基础上进行改进的搜索算法BBF(Best Bin First)算法.实验证明该匹配算法具有匹配精度高,鲁棒性好的特点.     

不同姿态人脸深度图识别的研究

因易受到姿态等因素的影响,传统二维人脸识别的结果往往难以令人满意.针对不同姿态下的三维人脸深度图提出一种新的图像处理方法:首先利用面部特征点定位和偏转角度的计算将人脸深度图旋转到“正中面”位置;然后根据人脸对称性和ICP相关理论,对旋转后的深度图进行插值.通过该方法处理后的三维人脸深度图与原始数据相比,在人脸识别实验中...     

基于多尺度Gabor变换的人脸识别算法优化

针对人脸识别中的光照变化和姿态问题,提出首先获取已经过归一化处理的人脸图像(几何尺寸归一化和光照归一化),然后利用多尺度二维环形对称Gabor小波变换对归一化的人脸图像进行特征提取,再用局部二值模式对高维数据进行降维,最后使用直方图交的方法进行人脸相似度判决,从而实现较高识别率的实时人脸识别.实验表明,在FERET、Y...     

基于VC++.net和OPENCV的身份识别系统开发

首先使用Adaboost方法检测到视频流中的人脸,然后将SIFT特征提取算法应用到人脸特征的提取环节中,提取出人脸的旋转、缩放、平移和光照不变性SIFT特征。通过将检测到的人脸的SIFT特征和人脸库中的人脸SIFT特征进行匹配,找出匹配程度最大的对应的类别,即为匹配结果。整个系统用VisualC .net2008和OPENCV开发。     

基于AKAZE和PROSAC的风机叶片裂纹图像拼接方法

为获得完整且高分辨率的风机叶片裂纹图像,利用图像拼接技术将多张高分辨率图像拼接成一副完整的图像。针对风机叶片裂纹图像特征检测困难、匹配率低和拼接质量差的问题,提出一种基于AKAZE算法和PROSAC算法的图像拼接方法。首先,该方法利用AKAZE算法检测图像特征点,并生成二进制的特征点描述符;然后,将汉明距离作为相似度测量对特征点进行暴力匹配,在此基础上采用PROSAC算法优化特征匹配结果,并计算图像变换矩阵;最后,使用渐入渐出融合算法消除拼接痕迹,获得完整的叶片裂纹图像。试验结果表明,本文方法能够检测出数量丰富的特征点,匹配正确率在95%以上,拼接精度约为0.7个像素,并且拼接速度较SIFT方法提升了17%。AKAZE+PROSAC方法可以更好地满足高分辨率风机叶片裂纹图像拼接的需求。     

Comparative performance of principal component analysis, gabor wavelets and discrete wavelet transforms for face recognition

This paper compares the performance of face recognition systems based on principal component analysis (PCA), Gabor wavelets (GW) and discrete wavelet transform (DWT). The three techniques are implemented in the MATLAB programming environment, and their performance is investigated using frontal facial images from the FERET database. The images are preprocessed to yield a standardized image used for identification. PCA produces an orthonormal basis for the image space that extracts the dominant facial features, providing exceptional recognition performance. The GW technique is modelled after biological experiments and is used to filter spatial-frequency features of the image at key points of the face. The DWT is investigated for its potential use in facial-feature extraction and is also applied to rotated versions of the facial image, thereby increasing the directional filtering capability. A face similarity measure that uses the extracted features provides recognition that is robust against variations in illumination.     

基于自适应特征选择的人脸图像识别算法

提出一种为不同类别待测人脸样本图像选择合适的人脸特征的方法。利用AdaBoost算法以及预先设置好的不同的图像特征训练分类器,自适应地为待测样本图像选择合适的特征及相应的分类器进行分类预测,扩展了同一人脸识别算法的使用范围。实验验证了该算法的有效性。     

基于特征融合的调制识别增强与迁移演化

针对调制识别中单一图像的特征信息不足,区分度不够高,识别范围受限的问题。本文提出了一种基于时频图和星座图特征融合的调制识别特征增强方法,利用深度学习神经网络提取信号图像的特征,构建特征空间,通过多维特征融合,挖掘和整合不同特征的优势,增强模型算法的鲁棒性。此外运用了模型迁移的方法,仅需对分类器进行训练,大幅节约了训练时间和资源,具有很强的实时性和实用性。仿真结果显示,在0db左右的条件下,相比于单一特征图像,采用特征融合增强的方法能将信号的平均识别率提高约25%,通过模型迁移,省去了卷积神经网络的训练,所需的训练时间约为迁移前的9.6%,消耗内存约为迁移前的7.3%,同时模型的识别率损失控制在了5%以内。     

Recognizing vehicles in infrared images using IMAP parallel visionboard

Describes a method for vehicle recognition, in particular for recognizing make and model. Our system takes into account the fact that vehicles of the same make and model number come in different colors; it employs infrared (IR) images, thereby eliminating color differences. The use of IR images also enables us to use the same algorithm both day and night. This ability is particularly important because the algorithm must be able to locate many feature points, especially at night. Our algorithm is based on a configuration of local features. For the algorithm, our system first makes a compressed database of local features of a target vehicle from training images given in advance; the system then matches a set of local features in the input image with those in the training images for recognition. This method has the following three advantages: (1) it can detect even if part of the target vehicle is occluded; (2) it can detect even if the target vehicle is translated due to running out of the lanes; and (3) it does not require us to segment a vehicle part from input images. We have two implementations of the algorithm. One is referred to as the eigenwindow method, while the other is called the vector-quantization method. The former method is good at recognition, but is not very fast. The latter method is not very good at recognition but it is suitable for an IMAP parallel image-processing board; hence, it can be fast. In both implementations, the above-mentioned advantages have been confirmed by performing outdoor experiments     

一种改进的快速全景图像拼接算法

全景图拼接是将具有共同部分的多幅图像进行组合,实现一幅全景图的过程.针对基于传统SIFT(scale-invariant feature transform)算法全景拼接中的特征点匹配计算消耗时间过长和存在冗余错误的不足提出了改进.其中,传统算法的特征点匹配计算是基于KD-tree算法的树结构,由近及远地逐个查找并计算特征点的匹配度;改进后的最近邻搜索算法(best-bin-first,BBF)是先根据每个特征点的多维度分量特性对其进行优先级排序,查询时总是从优先级高的开始,来提高匹配计算效率.冗余错误问题则是通过随机采样一致算法(RANSAC)的优化迭代计算错误概率,代替传统方法的阈值筛选法来减低错误匹配点的出现次数.实验中分别对简单纹理图像和复杂纹理图像进行了拼接实验并与原算法比较,证明本算法的拼接精度和时效性的提升.     

基于I-DCV的人脸识别方法

在人脸识别的过程中,利用独立成分分析(ICA)方法得到的特征能够很好的描述原始图像,但是不具备很好的判别分类能力。判别共同矢量(DCV)是一种在类内散布矩阵的零空间中求取投影矩阵的方法,相比线性鉴别分析(LDA)方法,可以得到更具鉴别能力的特征。因此本文提出一种新的特征提取算法,简称I-DCV,首先对预处理后的人脸图像应用独立成分分析算法去除二阶及高阶冗余信息,然后利用DCV对求取的独立特征向量作进一步的处理,最后依据欧式距离进行分类识别。实验结果表明,本文提出的方法具有很好的识别性能。     

一种基于可见光巡检图像的杂草智能识别方法

目前电力巡检主要是采用无人机巡检的方式,针对无人机巡检获取的图像识别过程中,电力设备旁的杂草可能会造成安全隐患,需要对图像中的杂草进行识别。针对电力巡检的场景,提出了一种基于可见光巡检图像的杂草智能识别方法,以可见光巡检图像中杂草的特征为基础,结合卷积神经网络方法,解决可见光巡检图像中电力设备附近的杂草识别问题。通过对图像进行样本数据增广和预处理,接着引入区域生成网络,再对图像提取固定个数候选框的图像特征,和改进的图像分类网络连接在一起,得到最终的卷积神经网络模型。实验表明其准确率可以达到97.98%,检测一幅600×600大小图像需要花费的平均时间约为0.256 s,在保证了准确率的同时达到了高效识别的要求。     

小麦不完善粒的高光谱图像检测方法研究

为了实现高光谱图像处理技术对小麦不完善粒的快速准确鉴别,研究了一种基于小麦不完善粒高光谱图像的光谱和图像特征,结合多分类支持向量机的不完善粒的识别方法。实验采集小麦不完善粒的高光谱图像,对图像进行图像增强、阈值分割等处理后,提取7个纹理特征和5个形态特征作为分类器的输入,应用多分类支持向量机分别建立并比较基于光谱特征、基于图像特征以及基于光谱和图像特征组合的不完善粒识别模型的分类精度。基于光谱特征建立的4分类模型总识别率达94.73%,黑胚粒与正常粒的识别率分别为100%、98.63%,效果较好,但虫蚀粒与破损粒的识别精度均低于90%;基于图像特征的不完善粒识别率相对较低;融合光谱与图像特征建立的4分类支持向量机模型总识别率达97.89%,其中虫蚀粒识别率从89.79%提高到95.91%,破损粒识别率从84%提高到94%,识别效果最佳。实验结果表明,高光谱成像技术可以快速、无损鉴别单籽粒小麦不完善粒,该技术在小麦种子质量快速、高通量、无损检测领域具有的应用潜力。