基于AdaBoost分类器和特征脸的人脸检测与识别

本文在人脸检测与识别技术理论研究的基础上,提出了一种有效的人脸检测与识别机器学习方法.该方法采用了海尔特征级联的AdaBoost分类器进行人脸检测,使用了特征脸的主分量分析法进行人脸识别.实验结果表明该方法能较快地定位并跟踪人的脸部,然后通过比较人脸数据库能较好地识别出待检人物的身份.     

一种基于视频的人脸检测及识别方法

基于视频的人脸检测及识别是一个比较热门的研究方向。本文使用了一种方法对视频中的人脸进行检测。在收集检测后的人脸模型后,本研究训练了一个轻型的深度神经网络模型,并使用该模型来进行人脸识别。试验结果表明,该模型可以较为高效地检测出人脸。     

结合肤色和头发检测的人头区域检测方法

针对具有严重遮挡的密集人群检测,提出一种结合肤色检测和头发检测的人头区域检测方法. 首先采用多色彩空间肤色检测方法提取图像中的肤色区域;然后根据头发的发色和纹理边缘两个特征建立混合高斯模型,对发色区域进行分割和提取;最后融合以上两检测区域实现人头区域的检测. 实验结果表明,该方法可以得到比较准确而完整的目标区域,具有较高的实用性.     

体育视频中基于卡尔曼滤波器的运动员人脸检测识别方法

针对体育比赛期间运动员的检测识别并显示对应统计信息问题,提出了一种运动员人脸检测识别方法 .主要分四个步骤:第一步,利用一阶卡尔曼滤波器跟踪被检测目标;第二步,使用AdaBoost和Haarlike特征检测进行特征选择和分类;第三步,利用推进方法进行人脸检测;第四步,利用LDA初始化的AdaBoost算法识别人脸.用数码相机采集412张不同图像进行实验.实验结果表明,本文提出的方法在大部分情况下都能获得最高的球员检测精度和人脸识别精度.     

基于特征绑定的ASM人脸检测研究

近年来,人脸检测识别方法得到飞速发展,基于ASM特征的识别方法因具有定位精度高而得到广泛应用。然而,当相邻两个特征点位于不同器官时,使用该方法时特征点间会产生连带效应。本文提出基于特征绑定的ASM人脸检测算法,克服了传统ASM方法存在的连带效应。由于使用该方法不需要直接检测完整的人脸,因此其对人脸偏转、部分人脸遮挡、用户佩戴眼镜等情况有较高的准确性和鲁棒性。     

定点突变的掺U模板的制备及其紫外检测

制备掺Ｕ模板是利用大肠杆菌菌株ＣＪ２３６（ｄｕｔ＾－ｕｎｇ＾－Ｆ’）中，缺少一种酶，不能去除ＤＮＡ中的尿嘧啶残基。在含有尿苷的培养液中，在ＣＪ２３６中培养适当的Ｍ１３噬菌体，制备模板ＤＮＡ，时行滴度检测，根据结果可知：掺Ｕ模板制备出来了，然后将ＤＮＡ抽提出来，进行１％琼脂糖凝胶紫外检测根据结果可知：抽提出的掺Ｕ模板纯度很好。     

浅谈液相色谱的定性问题

本文系统性介绍目前食品检测中物质的定性方法,以及如何利用现有实验室条件,通过加入标准样品法,改变色谱条件和DAD扫描法,简单快速地提高色谱的定性准确性,从而提高食品检测的正确性和检测效率。     

基于样本扩展和线性子空间特征提取的单样本人脸识别

针对单训练样本情况下的人脸识别问题,提出一种虚拟样本扩展方法. 利用光照模板映射将单一样本扩展为一组虚拟样本,从而增强单训练样本的分类信息. 采用主成分分析（principal component analysis, PCA）对扩展的虚拟样本进行降维,并用Fisher 鉴别变换作二次特征抽取,然后用最近邻分类器识别人脸图像. 所提方法在人脸图像库Yale B 和Extended Yale B 上进行试验,用PCA+LDA 方法把扩展图像作为训练集对测试图像进行特征提取和识别. 相对于以单样本图像为训练集的PCA 特征提取,该方法显著提高了识别率.     

粗粒度部分动态可重构的人脸检测

人脸检测系统应用在嵌入式环境中需满足多种约束,高计算密集性、控制密集性是实时实现困难的主要原因. 文中提出一种基于名为“REMUS-II”的粗粒度动态可重构架构的人脸检测系统,把层叠型AdaBoost检测算法划分成多个非连续子任务,通过邮箱通信调度、配置流和数据流优化方法来提高指令级并行度和任务级并行度.实验结果表明,检测分辨率为640£480 的图片可获得17 帧/s 的平均检测速度,正面人脸检测率保持在95% 以上.在TSMC 65 nm CMOS工艺、200 MHz工作频率下,REMUS-II 面积约为24 mm2,功率约为194 mW.     

基于线性变换的MMSE盲多用户检测法

提出了一种基于线性变换和预测的盲多用户检测方法，可同时消除MAI和ISI．它仅利用了某特定用户的扩频序列，先进行线性变换和线性预测，再进行MMSE检测．由于不进行直接信道估计，避免了信道估计误差，使算法的准确性得到了提高．     

融合SIFT的多尺度分析人脸识别算法研究

由于人脸识别过程中会受到光照、尺度等因素的影响,采用传统的SIFT算法进行人脸识别时会出现匹配效果较差、无法匹配或是错误匹配的情况,因此提出了一种融合SIFT算法的多尺度分析的人脸识别算法。首先在粗尺度上,采用形态学边缘检测算法对原始的人脸库进行轮廓特征提取,形成新的人脸库;然后在细尺度上,采用SIFT算法对新的人脸库进行人脸识别与匹配。采用ORL人脸库对改进后的算法进行验证,实验结果表明改进后的SIFT算法较好地解决了传统SIFT算法的不足,计算量大大减少,人脸图像的识别效率与匹配效率得到了有效提升。     

中文地名数据清洗中的重复字段匹配

为了提高中文地名字段匹配的准确度,提出中文地名的相似重复检测与清洗策略和矩阵相似重复匹配方法. 该清洗策略采用矩阵相似重复匹配方法,通过矩阵运算计算中文地名数据之间相同字符或者词语出现的频率,利用频率计算两者之间的语义相似度和结构相似度,然后将语义和结构相似性有机结合,作为相似性判断和重复数据清洗的依据. 实验验证了该方法的可行性和有效性. 结果表明,该方法对于中文地名字段匹配在查准率和召回率方面优于已有的其他算法.     

空基辐射源非合作探测系统目标定位

研究了空基辐射源非合作探测系统的多目标定位及数据关联问题. 首先分析时差定位方法中的目标定位精度,在多目标情况下提出基于冗余测量信息的数据关联方法,解决了多目标多站时差测量值配对问题. 数值计算表明了该方法的有效性.     

基于特征的弹性图匹配人脸识别算法

提出一种基于特征的弹性图匹配人脸识别算法(FEGM).它包括两个步骤,首先利用Gabor进行人脸特征(如眼、鼻子、嘴等)的检测、定位,提取一组Gabor小波系数矢量;然后在代价函数的约束下,对各个特征都执行弹性图匹配,并使总体代价函数尽可能的小,从而得到联合识别结果.在Yale人脸库上的实验表明,识别率确实得到提高.     

基于简化Mumford-Shah模型的活动轮廓边缘检测模型

在Chan-Vese活动轮廓模型(C-V法)的基础上,提出了一种新的边缘检测模型.在该模型中,图像被定义为两个同质区域的组合,图像边缘检测问题转化为基于Mumford-Shah泛函的能量函数最小化问题.本文在分片常数优化逼近中,添加了图像梯度信息,通过调节该项的权重因子,可以得到基于不同灰度强度的图像边缘图.该方法采用了水平集数值技术,因此活动轮廓具备了拓扑变化的能力,并能克服C-V模型检测不出离灰度均值较远的边缘的问题,实验表明了其有效性.     

基于特征结构配置的二阶动力学系统模型匹配问题

考虑一类二阶动力学系统的模型匹配问题。基于Jordan标准分解将二阶动力学系统的模型匹配问题转化为特征向量匹配问题,即设计一比例加微分控制律,使闭环系统的特征向量与目标系统的特征向量充分接近。利用二阶动力学系统的特征结构配置参数化结果,给出了匹配问题的最小二乘解及求解该匹配问题的算法。数值例子表明了该算法简单且有效。     

基于内容结构图的鲁棒图像哈希

为提高拷贝检测系统的鲁棒性和效率,提出一种鲁棒图像哈希算法. 用Gabor变换系数构建图像内容结构图,将它从笛卡尔坐标系变换到极坐标系进行归一化. 将归一化的结构子图加权,求得特征向量,最后通过量化得到二值哈希码. 基于Gabor系数的内容结构图有很强的鲁棒性和独特性,量化中采用的失真哈希码融合和双密钥进一步提升了算法的鲁棒性、独特性、紧凑性. 利用公开数据库分别对所提出的算法和多种代表性算法进行对比实验,比较对象包括非负矩阵分解哈希、形状上下文哈希、圆环分割与不变向量距离哈希. 实验表明,该算法在查准率和查全率方面均表现突出,匹配效率也有大幅提升,整体性能优于对比算法.     

应用整数小波变换的抗盲检测图像隐写

在分析通用盲检测方法原理的基础上,提出一种通过修改整数小波高频系数实现消息嵌入的隐写法. 该方法使用小波去噪门限作为消息嵌入的阈值,在大于该门限的小波高频系数中嵌入消息,并在阈值处引入直方图补偿策略使小波系数直方图近似保持不变. 由于通用盲检测方法大多利用概率密度函数的变化实现检测,因此该文提出的方法可以获得对通用盲检测算法的抵抗力. 实验结果表明,该方法在抵抗小波高阶统计量分析、直方图特征函数质心等盲检测法的能力方面,优于LSB匹配、像素值差分等隐写法.     

鲁棒图像歧义性的立体匹配

采用独特性不相似测度的初始匹配和贪婪视差估计后处理相结合的方法,实现了基于局部信息的立体匹配. 首先,通过分析立体匹配本身的内在问题,构造匹配代价,得到初始视差. 然后采用新颖的视觉估计算法,包括不可靠视察检测、贪婪视差填充及多方向加权最小二乘拟合法,以消除宽遮挡等复歧义性. 实验结果表明,本算法结构简单,能降低歧义区域的误匹配,生成稠密、高精度的视差.     

基于KPCA及最佳鉴别独立分量的人脸识别方法

首先分析了独立分量分析(ICA)在人脸识别应用中存在的一些问题,然后从3个方面对基于独立分量分析的人脸识别方法进行了改进:首先利用KPCA将人脸映射到特征空间,在特征空间进行ICA得到相对于原样本的非线性独立分量,从而得到一种非线性独立分量分析的方法;其次,定义了Fisher鉴别信息作为选取最佳鉴别独立分量的准则;最后,提出了一种用最佳独立分量表示待识别人脸图像的方法,克服了用直接投影得到的特征不准确的问题.基于ORL人脸数据库的实验表明,利用此改进的非线性最佳鉴别ICA方法,可以得到优于FLDA方法的识别性能,且在特征数较少时仍能得到较好的识别稳定性.