复杂环境下的快速人脸检测算法

使用一种新的假面变换和模板匹配的人脸检测算法,能够对复杂环境中大小不等的人脸进行快速、准确的检测.算法首先通过假面变换来预测人脸位置上边沿的中心,然后对图像中的预测位置进行模板匹配,设计了一类对照明变化、噪声干扰具有较强适应性的模板匹配方法,最后对匹配结果进行验证,确定人脸准确位置.采用多种环境下的大量图片进行实验,结果显示该算法具有较快的检测速度和较高的准确性及鲁棒性.     

复杂环境下的快速人脸检测算法

使用一种新的假面变换和模板匹配的人脸检测算法，能够对复杂环境中大小不等的人脸进行快速、准确的检测．算法首先通过假面变换来预测人脸位置上边沿的中心，然后对图像中的预测位置进行模板匹配，设计了一类对照明变化、噪声干扰具有较强适应性的模板匹配方法，最后对匹配结果进行验证，确定人脸准确位置．采用多种环境下的大量图片进行实验，结果显示该算法具有较快的检测速度和较高的准确性及鲁棒性．     

基于沃尔什特征的增强型AdaBoost 人脸 快速检测算法

提出一种基于沃尔什特征的增强型AdaBoost 人脸快速检测算法,不仅具有很快的训练速度,而且利 用较少的非人脸样本进行训练就可以达到较好的检测效果。首先,提出用较少的沃尔什特征来代替大量的 Harr － Like 特征可以较大幅度的降低特征之间的冗余。然后提出一种双阈值增强型AdaBoost 算法,其中双阈 值的快速搜索方法大大节约了训练时间,并且在训练Cascaded 检测器过程中,前层分类器的训练结果对后层 分类器的训练具有指导作用,加强了总体检测器的性能,另外通过各层分类器阈值的调节,能够将人脸和非 人脸的训练结果尽量分离。最后,使用该算法训练的检测器对MIT ＋ CMU 人脸测试库进行了测试,结果表明 该方法在训练速度、测试精度、检测时间等方面都优于相应的方法。     

基于动态反馈补偿的随动系统特性分析

对一类具有动态反馈补偿的随动系统的特性进行了分析 理论分析和仿真结果均表明动态补偿方法是一种强有力的校正方法 适当地设计这种补偿器不仅可以在无法运用前馈补偿的场合实现等效Ⅱ型系统而且可以获得确当的频域特性指标     

基于多尺度低频特征组合的线性鉴别分析

目前线性鉴别分析(LDA)方法是在原始图像上直接进行,抽取的是图像的全局特征,受光照、表情变化而引起的局部高频信息影响较大,忽视了更能反映图象本质的低频特征.为此提出先将图像进行多尺度划分,再提取划分后的每个子图像的低频部分,组合起来作为该图像的特征向量,最后根据这些特征向量再应用LDA方法进行鉴别分析.多尺度低频特征组合的向量反映了图像从局部到全局的全部低频特性,具有更有效的鉴别信息.在ORL和Yale人脸库上的实验结果显示,所提出的算法识别性能显著提高,鉴别能力更好.     

一种基于相对熵阈值分割的改进算法

在对基于相对熵的阈值分割算法(relatjve entropy-based thresholding)深入研究的基础上,针对目前相应算法(传统算法及最新的改进算法)抗噪性能不强的缺陷,提出了一种新的改进算法.新方法引入了一种新的自适应中值滤波,采用非线性滤波后的中心点及其邻域象素构建共生矩阵,不仅有效地降低了噪声的干扰,而且对不含噪图像和加噪图像都能取得很好的分割结果,在多幅经典图像的分割中取得了满意的效果,实验效果优于对比算法.     

融合多尺度多特征的人脸识别方法

为降低光照、噪音、姿态等变化的影响,减少有效局部信息的损失,提出了使用图像的变换特征,及多尺度分块线性鉴别分析的算法.将图像进行多尺度划分,对划分后的每个子图像分别抽取其低频部分或奇异值,组合起来作为该图像的特征向量,进行线性鉴别分析.针对单一特征表示图像时的局限性,又提出了融合多尺度低频特征和多尺度奇异值特征进行人脸识别的方法.在ORL和Yale人脸库上的实验结果显示,所提出的算法识别精度明显提高,泛化能力较强.     

基于沃尔什特征和增强型Cascade算法的人脸检测

在训练基于AdaBoost和Cascade算法的人脸检测器时,由于使用了大量的Haar-Like特征,所以训练过程消耗了大量的时间和存储空间,为此该文提出用较少的沃尔什特征来代替大量的Haar-Like特征,可以较大幅度地降低特征之间的冗余,节约训练时间和存储空间.针对Nesting Cascade完全继承前层分类器的不足之处,提出一种具有自主和继承双重特性的增强型Cascade算法.MIT-CBCL库上的实验表明:沃尔什特征可以加快训练速度,而增强型Cascade算法有助于提高测试精度.最后,使用训练好的人脸检测器对MIT CMU前视人脸测试集进行了测试.结果证明该文方法比相应的对比方法更加有效.