基于角点检测的光流目标跟踪算法

为了解决传统目标跟踪算法在目标发生旋转、变形等情况下容易丢失的缺陷,提出了首先使用Harris角点算法提取几个目标角点特征,光流法进行匹配点配准,最后采用重心算法确定目标脱靶量的跟踪方法.利用了角点提取算法具有运算速度快且能代表目标形状特征的特点以及光流配准具有匹配精度高的优点.实验结果表明,该方法具有较高的跟踪精度,对于目标旋转、变形、遮挡都具有很高的鲁棒性.     

人脸及特征点检测方法综述

人脸及特征点检测计算机视觉领域有着非同寻常的地位,同时还在人工智能交互、视频会议、鉴别身份、汽车安全行驶等方面有着非常广阔的研究价值。由于在计算机视觉下,动态图像中存在人脸的大小不确定、面部表情变化多样、背景复杂、光照多变等影响因素,人脸特征点检测的准确性变得至关重要。文章介绍了几种人脸及特征点常用方法。     

图像配准中特征点检测算法的探讨

特征点是图像的一种重要局部特征,特征点检测是基于特征点图像配准的关键技术.通过特征点的提取与处理,对把握图像的局部及整体特征,特别对图像配准及目标识别等领域都具有重要的实际意义.详细介绍了图像配准中主流的特征点提取方法,并分析其优缺点.通过实验,利用特征点评价方法对各种算法的性能进行比较,对图像配准的研究具有一定的指导意义.     

融合改进的ASM和AAM的人脸形状特征点定位算法

基于主动形状模型（ASM）和主动表面模型（AAM）,提出了一种融合改进的ASM和AAM的人脸形状特征点定位算法。利用ASM定位外轮廓的形状特征点,AAM定位内部形状特征点;采用对部分关键特征点使用二维梯度的方法以提高特征点搜索的准确性;利用眼、鼻和嘴这些关键特征点的定位信息初始化人脸的平均形状以改善初始位置不当造成的搜...     

图像配准中特征点检测算法的探讨北大核心

特征点是图像的一种重要局部特征,特征点检测是基于特征点图像配准的关键技术。通过特征点的提取与处理,对把握图像的局部及整体特征,特别对图像配准及目标识别等领域都具有重要的实际意义。详细介绍了图像配准中主流的特征点提取方法,并分析其优缺点。通过实验,利用特征点评价方法对各种算法的性能进行比较,对图像配准的研究具有一定的指导意义。     

人脸检测跟踪与特征点定位系统

实现的人脸检测跟踪与特征点定位系统,基于VC++6.0开发平台,使用opencv作为开发工具,有效缩短了系统的开发时间。首先,本系统采用adaboost算法进行人脸检测,通过合理的特征模板的选择实现了人脸的实时检测;其次,人脸跟踪模块选用camshift算法,利用人脸检测模块生成的人脸坐标传递给跟踪模块,实现人脸的自动实时跟踪,同时建立多个camshift跟踪器对多人脸进行跟踪,并有效地解决了人脸遮挡的问题;最后,通过ASM(active shapemodel)算法实现了实时人脸特征点定位。实验结果表明该系统实现的人脸实时检测跟踪及特征点定位,效果明显,可以作为表情分析和情感计算、视频人脸识别开发的基础。     

基于Kinect的人脸检测算法研究

基于Kinect的人脸检测算法是一种快速并高效的人脸检测方法,可以在多视角以及光线复杂的情况下检测出人脸,并准确且实时地定位人脸的特征点。由于传统的人脸检测方法,大多都是人脸处于正脸的情况下,存在多视角情况下检测不准确问题;传统的AAM算法在仅利用灰度信息来建立纹理模型,在光线条件不理想的情况下,AAM特征点定位算法的精度和鲁棒性会显著下降。文章利用微软的Kinect传感器,提出一种Kinect+AAM的人脸检测算法。通过实验对比,本文算法在定位精度和鲁棒性上都有比较大的提高。     

基于LK和FAST的时间序列图像快速配准算法

LK光流算法是一种精确高效的特征跟踪算法,能够较大幅度提高图像配准的精度和速度。针对时间序列图像的配准问题,基于LK光流算法,通过基于图像金字塔的方式跟踪改进后的FAST特征角点,采用一种鲁棒的单应矩阵估计算法解算配准参数,提出了一种基于LK光流和改进FAST特征的实时鲁棒配准算法。通过一组时间序列图像从配准精度和配准速度两个方面对所提出算法的性能进行了验证分析,平均重投影误差为0.16,平均处理速度为30 Hz。实验结果表明,该算法能够提取稳定的FAST角点,快速准确地跟踪匹配序列图像之间的特征,较好地解决时间序列图像的实时配准问题。     

基于SVM的疲劳驾驶人脸图像特征检测算法

针对传统图像识别算法对疲劳驾驶检测精度差、准确率低的缺陷,提出了一种利用人脸图像特征提取的疲劳驾驶检测方法。首先将实时采集到的车辆驾驶员面部图像进行预处理,借助Dlib检测出图像中的人脸区域并进行人脸图像特征点的标注,然后使用基于眼睛纵横比(Eye Aspect Ratio,EAR)的方法进行图像中人眼疲劳特征的识别,基于嘴唇纵横比(Mouth Aspect Ratio,MAR)的方法进行图像中嘴部疲劳特征的识别,最后利用支持向量机(SVM)的方法将两种特征融合起来进行疲劳驾驶检测。实验表明,该方法可以准确地定位出特征点,疲劳检测的识别率达84.29%,可以有效地识别出疲劳状态。     

基于LSTM网络和特征融合的通信干扰识别

针对现有通信干扰信号识别方法识别效果不佳的问题,提出了一种基于长短时记忆网络(Long Short-Term Memory,LSTM)和特征融合的通信干扰识别方法.该方法利用LSTM网络提取干扰信号的特征,通过LSTM强大的序列特征提取能力提升干扰信号特征提取的性能;通过提取信号的时域和频域特征后进行特征融合,使用全连...     

主动表观模型在光照变化影响下的人脸特征点定位

在光照条件恶劣的情况下,基于主动表观模型(AAM)的人脸特征点搜索与定位算法的精度和鲁棒性会显著下降.本文提出采用全变分模型对图像进行光照预处理,通过对基于反射系数图的特征纹理建模来帮助特征点定位.通过实验对比,分析了本文算法在定位精度和鲁棒性上的提高.     

基于多尺度卷积特征融合的癫痫脑电信号识别

脑电信号(electroencephalography,EEG)已成为医生诊断神经系统疾病最 广泛使用的工具,实现癫痫EEG的自动识别对 于癫痫患者的临床诊断和治疗具有重要意义。为了提高癫痫EEG的识别精度,提出了一 种基于多尺 度卷积特征融合的癫痫EEG自动识别模型。首先采用多尺度卷积特征融合方法提取多粒 度数据特征, 实现卷积神经网络(convolutional neural network,CNN)中不同层次的信息互补;然后经过长短期记忆网络(long short-term memory network,LSTM)提取时间 特征,利用 softmax分类器给出最终的识别结果。为了评估提出方法的识别性能,在波恩大学癫痫病研 究中心数据集 中进行实验,并与CNN-LSTM模型、单一的LSTM等模型的识别性能进行了比较,实验结果表 明,提出 方法的识别精度明显高于其余方法, 平均可达到99.19%。该模型能够 有效识别癫痫EEG类别,具有较高的识别性能和临床应用潜力。     

Spatiotemporal emotion recognition based on 3D time-frequency domain feature matrix

The research of emotion recognition based on electroencephalogram (EEG) signals often ignores the relatedinformation between the brain electrode channels and the contextual emotional information existing in EEG signals,which may contain important characteristics related to emotional states. Aiming at the above defects, aspatiotemporal emotion recognition method based on a 3-dimensional (3D) time-frequency domain feature matrixwas proposed. Specifically, the extracted time-frequency domain EEG features are first expressed as a 3D matrixformat according to the actual position of the cerebral cortex. Then, the input 3D matrix is processed successivelyby multivariate convolutional neural network (MVCNN) and long short-term memory (LSTM) to classify theemotional state. Spatiotemporal emotion recognition method is evaluated on the DEAP data set, and achievedaccuracy of 87.58% and 88.50% on arousal and valence dimensions respectively in binary classification tasks, aswell as obtained accuracy of 84.58% in four class classification tasks. The experimental results show that 3D matrixrepresentation can represent emotional information more reasonably than two-dimensional (2D). In addition,MVCNN and LSTM can utilize the spatial information of the electrode channels and the temporal context information of the EEG signal respectively.     

基于改进增强特征选择算法的特征融合图像隐写分析

针对现有的基于特征融合的JPEG隐写分析方法特征冗余度高、通用性较低的问题,提出了一种基于改进的增强特征选择(BFS,boosting feature selection)算法的通用JPEG隐写分析方法。从线性相关度和非线性相关度两方面降低特征冗余,将特征自相关系数和互信息这两种统计性能引入到特征的评价准则中,重新设计了特征权重计算方法,改进了BFS算法的特征评价函数。通过改进的BFS特征选择算法将3组互补性较强且准确率高的特征进行融合降维,得到最优特征子集训练分类器。对3种高隐蔽性隐写算法F5、Outguess和MME3,在不同嵌入率下进行了大量实验。结果表明,本文方法的分析准确率高于现有的检测率较高的JPEG隐写分析方法和典型的融合分析方法,融合后的特征相关性明显下降,并且具有更强的通用性。     

增量式SFM中特征点检测与匹配方法的改进

图像特征点的提取与匹配是增量式SFM重建系统中至关重要的一步。为了提高匹配的准确率以及有效匹配点对的数量,提出了一种改进方法:首先在多尺度空间中利用自适应阈值的FAST角点检测算法获取特征点;然后计算特征点与其多个环形邻域之间的灰度对比信息,再与采样区域的局部梯度信息融合得到特征点描述子;接着利用曼哈顿距离与切比雪夫距离的线性组合代替欧氏距离完成特征点的稀疏匹配;最后利用稀疏匹配结果作为种子点对进行同步生长,在多约束条件下得到最终的稠密匹配结果。在Oxford数据集上的实验证明了改进的稀疏匹配算法的准确率与有效匹配点对数量都高于SIFT算法,在增量式SFM系统中的实验证明了稀疏匹配与稠密匹配的组合算法可以获得更好的重建效果。     

基于多模型融合的航空电子产品故障预测方法

针对复杂机载环境应力条件下航空电子产品故障预测所面临的退化趋势差异大、训练数据样本量小等问题,提出了一种改进长短期记忆(Long Short-Term Memory, LSTM)神经网络模型与集成学习框架相结合的故障预测方法,以满足现代综合航空电子系统智能调度管理与自主维护保障的需求。该方法在LSTM模型中引入Dropout机制,构建基于不同历史数据集的差异性LSTM模型组,以解决故障预测时序信息记忆问题与小样本条件下数据驱动模型训练过拟合问题;采用Adaboosting算法计算模型权重,并基于实时数据动态调整,以滤除复杂机载环境应力引入的预测误差,解决多模型融合的性能差异问题。最后,采用NASA公开的锂电池退化数据集进行仿真验证,实验结果表明,相较于传统BP神经网络、经典LSTM和LSTM基模型,该方法具有更高的趋势拟合度和预测精度。     

Wind speed prediction based on nested shared weight long short-term memory network

With the expansion of wind speed data sets, decreasing model training time is of great significance to the time cost of wind speed prediction. And imperfection of the model evaluation system also affect the wind speed prediction. To address these challenges, a hybrid method based on feature extraction, nested shared weight long short-term memory(NSWLSTM) network and Gaussian process regression(GPR) was proposed. The feature extraction of wind speed promises the best performance of the model. NSWLSTM model reduces the training time of long short-term memory(LSTM) network and improves the prediction accuracy. Besides, it adopted a method combined NSWLSTM with GPR(NSWLSTM-GPR) to provide the probabilistic prediction of wind speed. The probabilistic prediction can provide information that deviates from the predicted value, which is conducive to risk assessment and optimal scheduling. The simulation results show that the proposed method can obtain high-precision point prediction, appropriate prediction interval and reliable probabilistic prediction results with shorter training time on the wind speed prediction.     

基于广义LSTM神经网络的宽带射频功放数字预失真线性化

在无线通信系统中,射频功放的非线性是信号失真与频谱增生的主要原因,尤其是对于采用64QAM、256QAM 等高峰均功率比的复杂调制系统,对射频功放线性度的要求越来越高;然而宽带射频功放中存在的强记忆效应严重地降低了基于传统非线性模型的数字预失真器的线性化性能。文章提出广义长短期记忆(LSTM)神经网络模型,通过输入的时序特性,从时间轴上进行模型迭代,利用LSTM模型独特的长短时序结构以更好地表征宽带射频功放的记忆效应,同时引入时间超前项以构建广义的LSTM模型,进一步增强其动态非线性建模能力。在不同超参数下的建模结果表明,该模型的归一化均方误差(NMSE)指标可达-42.2895 dB。最后,使用20 MHz 带宽的4 载波WCDMA信号,对中心频率1900 MHz 的50 W Doherty 功放进行预失真线性化实验验证。实验结果证实了基于广义LSTM神经网络模型的数字预失真器可以使互调分量降低达23.27 dB,大大优于记忆多项式等传统非线性模型的非线性校正性能。