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。     

一种基于肤色和模板梯度的人脸检测方法

提出了一种基于肤色和模板梯度的人脸榆测方法，该方法首先利用肤色信息找到人脸的大致位置，再利用主分量分析提取出公共脸并以此作为匹配模板，最终采用二阶梯度法作为判别准则．结果表明本算法能明显地提高检测速度，检测率比一般的模板法有较大地提高．     

基于RFID技术的艺术品防伪系统设计

本文在比较现有艺术品的防伪技术以及RFID技术特性的基础上,对RFID技术应用于艺术品防伪领域的可行性行了探讨,并提出了一种基于RFID技术的艺术的艺术品防伪管理系统。本文还通过设计该艺术品防伪管理系统的工作规程,对该系统工作规程的优缺点及可能出现的问题进行了探讨。     

基于注意力机制与YOLOv5s的轻量化农作物害虫检测方法

为解决在自然环境中人工检测害虫精度低、速度慢的问题,提出了一种基于注意力机制与YOLOv5s的轻量化目标检测算法．首先,使用Ghost卷积替换YOLOv5s中的普通卷积,得到轻量化的主干特征提取网络．其次,在YOLOv5s中加入加权双向特征融合机制,从而实现高效的双向交叉连接和多尺度特征融合．最后,在主干网络中加入坐标注意力机制,从而增强网络模型对位置信息的关注．与原YOLOv5s算法相比,新算法在IP102农作物害虫检测数据集上的平均精度均值提升了2.1%,模型参数量和计算量分别减少了44.6%和44.3%,检测速度为64.8FPs．实验结果表明,基于注意力机制与YOLOv5s的轻量化目标检测算法不仅提升了农作物害虫检测精度,而且显著降低了模型参数量和计算量,能够满足农作物害虫检测的应用需求．     

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。     

一种基于多库协同的人脸绘制方法

本文通过管理智能化的方法，把建立在数据库、知识库、模型库等多库之上工作的协同器与人脸绘制相结合，由用户通过人机智能界面交互来获取知识，使用知识库驱动的多库协同的软件系统，实现对人脸的绘制功能．     

一种基于迁移学习的城市内涝识别方法研究

为了有效解决目前获得城市内涝深度方法存在的问题,本研究采用迁移学习的方法对城市内涝深度进行监测.以卷积神经网络为基础,通过将提取的特征向量集和标注内涝深度的数据集输入LASSO模型中进行训练,计算出城市内涝深度.同时,以江西省南昌市近5年来内涝图片数据为例进行实证检验.结果显示,该方法预测结果与真实的内涝水位偏差较小,...     

基于RFID技术的卷烟防伪系统开发与应用

一直以来卷烟零售市场竞争激烈,一些假冒伪劣香烟流入社会,严重地扰乱了正常的市场秩序,给消费者带来巨大损失。为了能更有效的打击假冒卷烟,本文以RFID技术为基础,探索一种新型的卷烟防伪技术,设计实现了一套卷烟防伪系统,实践证明该方法是切实、可行、可靠的。     

基于保边滤波的人脸美颜技术分析

随着科学技术的发展,相机和手机的拍照功能不断提高,拍摄的人像均为高清晰度的,但人脸部的斑、痘、皱纹等瑕疵同时会被清楚地记录下来。针对这一课题,本文提出了保边滤波的人脸美颜算法。首先分析了人脸美颜的原理,然后研究了保边滤波的两种方法,最后通过试验进行对比分析,得出清晰的美颜图像。经MATLAB2014a试验,该方法可以有效清除图像瑕疵噪点,明确图像的边缘化特征,基本可以实现对面部图像的美颜处理。     

一种基于改进径向基神经网络的人脸图像识别方法

常用于径向基神经网络中心参数学习的K-均值聚类算法,易受初始参数选取的影响而收敛于局部极小值.将自动终止聚类判据的减聚类算法用于径向基网络的学习,可根据样本集确定径向基函数数目,且其计算量与数据点的数目与考虑问题的维数无关,很适合于人脸这种维数较高的模式.实验证明,应用这种算法训练径向基神经网络识别人脸,从识别精度到识别速度上都优于传统算法.     

基于WiFi和人脸比对的课堂手机考勤系统

为了防止学生替课和课上利用智能手机玩网络游戏、聊天、看视频等影响课堂教学的情况发生,设计了一种结合WiFi和人脸比对的课堂手机考勤系统.该系统由学生端、教师端和无线WiFi路由器组成.学生端利用人脸活体检测和人脸比对进行登录,以防止替课情况发生.教师端通过无线路由器的课程WiFi与学生端建立通信,获取学生端的学号、姓名...     

一种多模特征融合的方面信息情感分类方法

在方面信息情感分类中针对使用循环神经网络编码长距离文本的信息丢失问题,以及使用注意力机制提取情感信息时倾向于关注高频信息偏置问题,提出一种多模特征融合的方面信息情感分类方法,区分单点、多点以及局部三类不同表达模式的情感信息,通过对三类情感信息有侧重的关注、提取与融合,实现各类特征间相互确认与纠错,降低信息丢失与关注偏置问题,达到增强复杂情感表达模式下的方面信息情感分类能力的目的。实验结果表明,使用所提出的方法对三类情感信息进行提取与融合,可以使方面信息情感分类任务在准确率和F1值指标上得到进一步提升。     

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.     

基于半监督学习的迁移学习方法

迁移学习是机器学习的一个新的分支。当训练模型过期,而新领域标记数据又非常少时,传统的机器学习就不足以产生一个较为精确的分类器。为解决此问题,本文提出一种基于半监督学习的迁移学习方法,对源领域数据进行二步信息筛选,并在大量文本数据集上的实验中证明了新算法的有效性。     

基于改进YOLOv5s的车辆检测研究

【目的】针对目标检测算法在车辆检测领域中应用时存在模型复杂、检测精度较低的问题,基于改进YOLOv5s算法开展车辆检测研究。【方法】以Ghost模块来替换YOLOv5s中的主干网络,以达到模型剪枝的目的,改进后的网络模型复杂度有所降低,从而解决了网络模型较大的问题。同时,可引入挤压—激励注意力机制来提取更重要的特征信息,达到提高检测精度的目的。本研究所用到的数据集均为汽车图像,车辆检测数据集共有12 786张图片,将该数据集按照8∶1∶1的比例进行划分。其中,训练集为10 228张,测试集和验证集均为1 279张,采用对比试验法进行研究。【结果】试验结果表明,与原有的YOLOv5s相比,改进后的网络模型在车辆检测数据集上的平均准确率均值提升3%,查准率和召回率分别提升1.9%和3.2%,模型大小下降42%。【结论】改进后的网络模型有效降低了模型的复杂度,提高了检测精度,并节约成本。     

动态人脸图像序列中表情完全帧的定位与识别

考虑到人脸表情演变是一个持续过程,相比于静态图像,动态图像序列更适合作为人脸表情识别的研究对象。该文提出了一种基于嵌入网络的序列帧定位模型,利用加载预训练权重的Inception ResNet v1网络提取人脸表情序列各帧的特征向量,通过计算特征向量间的欧氏距离,定位出具有最大表情强度的完全帧,进而获取人脸表情序列数据;为了进一步验证定位模型的准确性,分别利用VGG16模型和ResNet50模型对定位的完全帧进行人脸表情识别。在CK+和MMI人脸表情数据库上进行了实验,所提的序列帧定位模型的定位平均准确率分别达到98.31%和98.08%;利用VGG16模型与ResNet50模型对定位的完全帧进行表情识别,在两个数据库上的实验结果分别达到了96.32%和96.5%,87.23%和87.88%,结果表明所提出的模型能够获取可靠的表情完全帧,并取得了令人满意的人脸表情识别效果。     

一种基于深度学习算法的电网故障诊断方法

电网故障原因复杂,开关和保护的误动、拒动以及信道的信号干扰均会给传统的浅层智能模型带来困难,所以需要从更深入的层面表征电网故障,并对其进行故障诊断。针对这一问题,本文提出一种基于深度学习算法的电网故障诊断方法,该算法利用由Convolution层、Pooling层、Flatten层及MLP层构成的深度网络结构,对电网故障信息进行学习并获得对应的诊断模型。试验表明PGFD-DL算法具有更高的稳定性与精度。     

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.     

基于深度学习的多维疲劳驾驶检测系统

针对机动车驾驶员疲劳驾驶的检测问题,本文设计了一种基于深度学习与计算机视觉的多特征融合疲劳驾驶检测系统。该系统基于Jetson Nano便携式开发板,使用目标检测框架YOLOV3对驾驶员进行面部定位,而后进行人脸多特征点提取、多维度特征融合分析,评估驾驶员状态。该系统创新性地引入时间特征维度,对面部特征以时间维度进行"预分析"和"趋势化"的分析方法,极大地缩减了驾驶员个体差异对判别带来的影响,达到了疲劳驾驶检测的高置信、高精度。