排序方式: 共有10条查询结果,搜索用时 0 毫秒
1
1.
2.
基于条件随机森林的非约束环境自然笑脸检测 总被引:1,自引:0,他引:1
为减少非约束环境下头部姿态多样性对笑脸检测带来的不利影响,提出一种基于条件随机森林(Conditional random forests,CRF)的笑脸检测方法.首先,以头部姿态作为隐含条件划分数据空间,构建基于条件随机森林的笑脸分类器;其次,以K-Means聚类方法确定条件随机森林分类器的分类边界;最后,分别从嘴巴区域和眉眼区域采集图像子块训练两组条件随机森林构成层级式结构进行笑脸检测.本文的笑脸检测方法在GENKI-4K、LFW和自备课堂场景(CCNU-Classroom)数据集上分别取得了91.14%,90.73%和85.17%的正确率,优于现有基于支持向量机、AdaBoost和随机森林的笑脸检测方法. 相似文献
3.
4.
5.
由于复杂背景、形变以及运动造成的模糊等因素, 导致在自然场景下的人手跟踪仍然是一个具有挑战性的问题. 本文中, 结合运动、颜色和Haar-like特征来构造一个具有鲁棒性的实时人手检测算法. 尽管不能运用于所有的情形, 但Haar-like特征成功地去除了类似肤色的运动背景区域. 利用三个特征构造三个弱分类器, 然后将其结合成一个强分类器. 如果一个分类器已经确定了人手的位置, 其他分类器将不会执行, 否则将会为下一个分类器提供一个可能的区域. 文中实现了提出的算法, 并且在几个具有挑战性的视频序列上进行了实验. 相似文献
6.
一种基于动态量化编码的深度神经网络压缩方法 总被引:1,自引:0,他引:1
近年来深度神经网络(Deep neural network,DNN)从众多机器学习方法中脱颖而出,引起了广泛的兴趣和关注.然而,在主流的深度神经网络模型中,其参数数以百万计,需要消耗大量的计算和存储资源,难以应用于手机等移动嵌入式设备.为了解决这一问题,本文提出了一种基于动态量化编码(Dynamic quantization coding,DQC)的深度神经网络压缩方法.不同于现有的采用静态量化编码(Static quantitative coding,SQC)的方法,本文提出的方法在模型训练过程中同时对量化码本进行更新,使码本尽可能减小较大权重参数量化引起的误差.通过大量的对比实验表明,本文提出的方法优于现有基于静态编码的模型压缩方法. 相似文献
7.
采用一种数据组织方式,提出一种特征向量聚类方法。首先选取特征空间中一些容易聚类的高密度数据点作为初始种子集合,并对其进行聚类。然后从剩下的数据点中选取种子集合的所有k近邻数据点,通过半监督判别式分析方法将当前种子集合及其k近邻数据投影到一个新的投影空间中,在该空间中对这些数据点再进行聚类,得到新的聚类结果,并将这些k近邻数据添加到当前种子集合中。通过迭代上述步骤,当种子集合的k近邻数据为空集时,算法结束。实验表明,该聚类方法优于经典的K-means、均值漂移、谱聚类等算法。 相似文献
8.
9.
10.
为了适应机器人足球视觉系统图像采集设备从早个到多个的改变,提高系统的跟踪成功率和速度,以信息融合技术为基本思路,提出了一种基于多传感器多目标跟踪的半自主足球机器人视觉跟踪方法.各跟踪模块对覆盖区域的目标进行航迹关联、滤波后再对各传感器信息进行融合得到所有目标单一的航迹.实验表明,该方法具有简单、有效,满足系统实时性要求等特点. 相似文献
1