基于GPU的图像处理算法研究

对基于统一计算设备架构(CUDA)的图形处理器(GPU)在图形处理方面的算法进行了研究和实现.针对目前图像处理算法日益复杂,性能要求越来越高,而传统的基于CPU的图像处理算法无法满足需求的情况,充分利用GPU突出的并行处理能力,采用CUDA技术,利用C++语言实现了图像处理算法.研究并设计了高斯模糊处理算法、彩色负片处理算法、透明合并处理算法的GPU并行运算流程,与CPU的性能对比表明基于GPU图像处理算法的效率更高.     

基于PCA和神经网络的人脸识别

介绍一种基于PCA和神经网络结合的人脸识别方法。该方法首先利用主成分分析方法对整幅图像进行特征提取,获得最佳描述特征,从而减小神经网络的输入。然后将降维之后的图像数据输入到一个前向传播神经网络中训练。神经网络的权值采用粒子群算法进行优化,用标准人脸数据库中的样本进行测试,最后将该方法与其他方法作了比较。实验结果表明,该方法能够取得更好的效果。     

GPU加速的图像实时分形编码

图像分形编码压缩率大且质量较高,但实时性不好,因此难以推广应用.提出使用GPU对编码进行加速的方案.以图像FW算法为基础,在CUDA规范下,使用GPU并行地对图像中所有的待编码子树同时进行最优父树搜索.实验表明,该文编码方案在保持原有算法图像解码质量的情况下,可将编码时间缩短至毫秒级,满足了实时性的要求.     

基于距离测度的PCA人脸识别研究

应用主成分分析法对ORL人脸库及YALE人脸库进行特征提取,采用最近邻分类器及5种不同的距离测度进行人脸识别。结果表明:不同的距离测度及累计方差贡献率对PCA(Principal Component Analysis,主成分分析)人脸识别结果影响较大,在累计方差贡献率分别取0.75,0.8,0.9,0.95的条件下,对于ORL人脸库,曼哈顿距离和闵可夫斯基距离下PCA人脸识别正确识别率随累计方差贡献率增大而呈减小趋势;欧几里德距离和夹角余弦距离下PCA人脸识别正确率随累计方差贡献率增大而先增大后减小;切比雪夫距离下的PCA人脸识别正确率保持不变。累计方差贡献率取0.8,以欧几里德距离作为距离测度的PCA人脸识别算法对ORL人脸库取得最高的正确识别率为96.67%,对YALE人脸库,取得的正确识别率为95.56%,验证了算法的有效性。欧几里德距离是PCA人脸识别正确率最高的距离测度。     

基于LBP和PCA特征提取的人脸识别

为有效解决局部二元模式(LBP)在人脸识别特征提取时维数过高的问题,提出了一种结合LBP特征和主成分分析(PCA)的人脸识别方法.首先,对人脸图像进行分块,提取其LBP直方图特征,然后使用PCA方法对特征向量进行降维,最后将降维后的特征向量用于识别.在FERET人脸库上的实验结果表明:相对于原始LBP表达方法,结合LBP和PCA的人脸表达能有效降低计算复杂度,同时也较好地保持了原有识别精度.     

基于PCA与ICA的人脸识别算法研究

ICA是一种基于数据高阶统计信息的有效的数据独立特征提取技术,它能够更好地表示人脸的局部特征,ICA是PCA从二阶统计分析向高阶统计分析的拓展.本文提出了一种加权融合这两种技术的人脸特征提取算法,并结合不同的相似性度量进行了人脸识别实验.结果表明,该方法比用一种单独的特征提取方式识别率要高.     

基于PCA的特征提取及其在人脸识别中的应用

人脸识别是当前计算机模式识别领域中的一个非常活跃的研究课题,在法律、商业等领域具有广泛的应用前景。如何有效的从人脸图像中提取使之区别于其他个体的特征,是人脸识别研究的一个关键问题。本文采用主成分分析（PCA）进行人脸识别,并采用间接计算方法计算特征向量,并应用到人脸识别中。     

基于PCA和SVM的人脸识别技术研究

从人脸图像特征提取和分类器构建两方面分析了人脸识别系统设计的关键点,提出了以主成分分析技术和支持向量机技术相结合构建人脸识别系统的策略,同时在主成分分析技术的理论基础上提出了一种快速PCA算法.通过实验系统在ORL人脸库上的测试结果,分析了该系统的相关参数和特征向量维度的选取对系统识别率的影响,并得到了其最优解.同时,通过实验证明了所提出方法在小训练集下的识别率优于其它一般方法,其识别率比一般的人工神经网络法提高了7%~10%左右.     

基于GPU的高阶辛FDTD算法的并行仿真研究

高阶辛时域有限差分算法(SFDTD)与传统的时域有限差分算法(FDTD)相比具有更优的稳定性和计算精度,但在进行电磁仿真时则更为耗时。为解决这一问题,文章应用SFDTD的空间并行性,研究并实现了基于计算统一设备架构(CUDA)的SFDTD的并行算法仿真;基于费米架构,分析了各种尺度网格下速度的提升,与传统的CPU实现该算法进行比较,验证了该方法的正确性和高速性。     

基于伪模块2D PCA的人脸识别方法

在模块2D PCA方法的基础上提出了伪模块2D PCA的人脸识别方法.该方法不仅保留了模块2D PCA方法在特征抽取之前无需将图像矩阵转化为图像向量、能快速降低鉴别特征的维数、可以完全避免使用矩阵的奇异值分解等优点,而且在降维的同时尽可能保持了原样本的变化信息,使得降维后的同类数据样本尽可能保持相似.在ORL人脸数据库上的实验结果表明,伪模块2D PCA在识别性能上优于模块2D PCA.     

利用主元分析识别人脸

简要叙述了人脸识别方法，用PCA算法实现了人脸的识别，并对实验结果进行分析，认为：PCA算法的识别率不是很高，达到78．6％，还需要改进提高，但它对于光照、姿势、是否戴眼镜、脸部表情有一定的鲁棒性。     

一种基于核主成分分析的人脸识别方法

针对主成分分析（PCA）算法中存在不能提取非线性特征的问题,提出了利用KPCA提取图像特征,最近邻法分类的人脸识别改进方法。基于ORL数据库的相关实验表明,这样的系统能够取得比传统PCA更好的识别性能。     

基于CUDA和深度置信网络的手写字符识别

为了应对海量的字符(手写)识别,提出了一种将统一计算设备架构(Compute Unified Device Architecture,CUDA)和深度置信网络相结合的方法进行手写字符识别。该方法结合受限玻尔兹曼机和反向传播神经网络形成深度置信网络对字符图片数据进行识别,并且使用CUDA在图形处理器(GPU)上进行并行计算来完成识别过程。实验结果表明,使用该方法后,在不降低识别精度的情况下手写字符识别的速度大幅提升。     

基于特征脸和LDA的人脸识别

简述人脸图像的标准化过程，特征脸，LDA算法的原理及实现过程。用特征脸和LDA相结合的方法进行人脸识别，先用特征脸获取最佳描述特征，然后用LDA获取最佳分类特征，并验证了方案的可行性。实验表明：该识别方法识别效果较好，能够适应表情、光照的变换。     

人脸识别系统的设计与实现

随着社会信息化、网络化的发展,自动身份认证逐渐成为一种趋势,人脸识别以其特有的便利性成为当前研究的热点.在学习前人的图像处理技术基础上,综合考虑各方面条件,在算法上采用人脸识别领域中的HAAR方法对人脸进行检测,采用PCA方法进行人脸特征提取;在图像显示上采用JavaWeb开发的SSH框架对图像进行处理,将C++图像处理的便利条件和Java Web开发的友好效果结合起来.最终实现的功能是:从人脸图像库中找出与上传人脸最相似的前三个人脸图片,并显示他们的信息.     

分块PCA和奇异值分解相结合的人脸识别算法

针对分块PCA算法对位移、旋转等几何变化比较敏感的缺点,提出一种基于分块PCA和奇异值分解相结合的人脸识别算法。该算法分别提取分块子图像的PCA特征和奇异值特征,在此基础上得到同时包含分块PCA和奇异值信息的距离测度,利用最小距离分类器进行分类识别。在ORL人脸库上的实验结果表明,该方法能够得到较高的识别率。     

主成分分析在人脸识别研究中的应用

PCA(Principal Component Analysis),主成分分析方法,是一种得到广泛应用的人脸识别方法。PCA算法提供了一个高维和低维空间的线性变换矩阵,就是利用低维特征向量来表示原始样本信息,利用变换矩阵可以得到一个特征子空间,即特征脸。进行识别时,把待识别的人脸向其投影,采用最近邻法得到最近的点,最终识别该人的身份。