基于特征脸的人脸识别及实现

人脸识别技术是通过分析人脸图像,并从人脸图像中提取有效的识别信息,来辨认身份的一门技术。阐述了基于特征脸的人脸识别基本算法,给出了特征脸的解释,并用OpenCV编程实现对ORL人脸库进行识别仿真实验。该方法主要通过创建给定图像库中的特征脸和人脸图像的空间距离来进行人脸检测,顺利实现和验证了特征脸算法。     

基于支持向量机和特征向量提取的人脸识别框架

为了研究支持向量机在人脸识别中的应用,提出了人脸识别框架,该框架首先利用特征向量提取算法对人脸进行特征提取,得到人脸面部纹理特征数据,然后采用支持向量机对提取的数据进行训练,得到人脸模板,并依据人脸模板对人脸进行识别。实验采用ORL人脸数据库作为实验数据,使用LBP算法提取特征向量,使用LIBSVM训练得到人脸模板数据库,当模板人脸数与预测人脸数比值一定时,随着人数增加,其预测的正确率会有所下滑;当人数一定时,人脸模板与预测人脸数值上升,其正确率会有所上升。当选择一个相对合适的模板比例时,正确率将会达到89.29%以上。实验结果表明,提出的框架对于人脸具有良好的识别能力。     

基于二维Gabor小波与AR-LGC的人脸特征提取算法研究

针对Gabor小波提取的特征信息不够全面以及维数灾难问题,提出了一种基于二维Gabor小波与AR-LGC人脸特征提取的改进算法。首先利用二维Gabor小波提取归一化人脸图像的特征信息,使用AR-LGC算子对提取的Gabor特征进行编码;然后对编码后的Gabor特征图谱进行划分,对每个子块进行直方图统计,将其串联形成人脸表情特征向量并利用PCA进行数据压缩,最后利用C-SVM进行分类识别。实验结果表明,平均识别率为93.33%的比AR-LGC+SVM,Gabor+PCA+SVM提取特征算法的平均识别率分别高6.19%,3.33%。因此所提出的算法在人脸图像的特征信息提取方面有一定的参考价值。     

一种序列图像中的人脸提取算法

主元分析法是一种有效降低维数和提取特征的方法,在对主元分析法改进的基础上,提出了一种运动目标检测及人脸提取技术。首先以3帧原始图像序列为训练集,用改进的主元分析法计算特征向量,其中第1特征向量和第2特征向量的乘积代表了原图像序列中的运动对象,将这个特征向量定义为特征前景;然后,用平方投影函数提取特征前景中的人脸。实验结果表明,该方法可自动提取运动图像序列中的人脸,且计算简单,准确率高。     

基于统计的2-D人脸形状模型的建立

针对人脸面部特征提取技术是自动视觉翻译和人脸识别中的关键技术之一,介绍了基于统计的人脸形状模型建立原理。利用有标志点的图像训练集变化模式的先验知识而建立模型的方法能够将人脸形状的变化限制在合理的范围内,并能够充分表征人脸特征,实验证明该方法是有效的。     

改进的YOLOv3-Tiny网络在风机叶片损伤检测中的应用

为了解决YOLOv3-Tiny对无人机采集的风机叶片图像损伤检测精度不高的问题,提出一种基于深度学习的风机叶片图像损伤检测方法。首先提出一种跨越式特征联合网络结构,由卷积层和拼接层构成,将不同深度的特征信息进行融合再学习,提取目标多层级特征信息;其次引入Inception模块结构,其中4个平行通道的多个卷积核对输入的特征图进行组合和压缩,在减少网络的学习参数的同时更好地表征图像特征信息,提高小目标的检测精度。实验表明,改进后算法的检测精度提高了2.69%,在自制的数据集中mAP可以达到88.58%,并且模型的参数缩小了4倍。因此,改进的方法比传统的YOLOv3-Tiny网络具有更好的检测效果。研究结果可为基于图像的损伤检测和风机叶片损伤智能识别提供参考。     

基于连续小波变换和半监督极限学习机的轴承故障诊断方法

当数据集包含的标示数据量不足时，基于全监督学习的故障诊断方法效果往往不理想。充分利用大数据下无标注的数据信息，利用连续小波变换生成轴承故障振动信号的时频图，提取表征图像纹理和形状的特征，建立半监督极限学习机模型，通过连续小波变换生成故障信号的时频图谱，并计算图像的灰度差分统计特征、不变矩特征作为半监督极限学习机的输入。利用无标示和有标示数据集，构建半监督极限学习机模型和规划公式，计算隐含层输出矩阵得到优化的分类结果。研究结果表明，基于连续小波变换的特征提取方法相较于HOG、LBP等方法具有更好的识别效果。在故障信息不充分的情况下，半监督极限学习机的模型推广能力强、故障识别率高。     

基于轻量级卷积神经网络的苹果表面缺陷检测方法

为了解决目前农业信息领域对苹果表面缺陷检测准确率低的问题,提出一种基于轻量级卷积神经网络的苹果表面缺陷检测方法。首先采集苹果缺陷样本图片制作实验数据集用于模型训练和测试;其次在AlexNet网络结构的基础上,引入深度可分离卷积代替原有网络中的标准卷积运算来进行图像特征的提取;最后利用全局平均池化方法代替原有网络中的全连接层,从而将卷积层输出的多个特征图以自身为单位进行映射得到特征点。实验结果表明:改进后网络对苹果缺陷识别精度达到了98.57%,较改进前提升1.55%;较改进前模型参数量减少99.3%、训练速度提高32.67%、FPS提高33.28%,改进后的轻量级卷积神经网络不仅减少了模型参数量和训练时间,而且提高了检测精度和速度。因此,新的检测方法在减少模型参数量的同时,还可保证模型的检测精度和效率,具有较强的工程实用性,可为苹果缺陷分类提供理论参考。     

基于图像处理的管道分层流持液率测量方法

持液率是气液两相流研究中的重要参数之一,是进行流型判断和压降计算的基础。介绍了一种算法简单但准确度高的基于图像处理的持液率计算方法;在两相流实验中,用高速摄像机获得气液分层流图像,在Delphi环境下提取图像几处的像素基色数值,对其分布特点分析观察,采用合适的二值化处理算法得到可区分气液相的二值图像,最后从二值图像获得各截面持液率大小。     

基于人脸识别的门禁系统设计

设计了一种基于人脸识别的门禁系统。该系统从前端摄像头获取人脸图像,在PC机上完成识别,然后给单片机发送命令来控制门禁系统。软件上首先利用小波变换对人脸图像进行2次小波分解,然后对低频分量进行离散余弦变换(DCT)提取特征值,最后利用欧氏距离和最近邻分类器进行识别。结果表明该系统构建简单、方便,识别速度快且准确率较高。     

面向小样本的遥感影像目标识别技术

为了解决深度学习方法网络模型在小样本遥感图像目标识别场景下过拟合、性能急剧下降等问题,设计了基于度量学习的小样本目标识别方法RS-DN4。在度量模块中选择前k个具有代表性的特征进行目标相似度的计算;引入元学习中阶段式训练理念,执行上万次任务级迭代训练;基于互联网开源遥感影像数据集和自有遥感影像数据集,构建了一套包含21类不同遥感目标切片数据的多尺度、多分辨率的遥感影像数据集RSD-FSC,并据此进行RS-DN4方法的实验验证。结果表明:针对新类小样本目标,当训练样本分别只有1,5和10个时,平均识别准确率可分别达到59.13%,82.55%和87.80%,相对于其他方法,RS-DN4在遥感图像小样本目标识别中具有识别准确率高、泛化能力强等优势。RS-DN4方法实现难度适中,在小样本遥感目标检测识别领域的工程应用场景中具有推广应用价值。     

一种基于感受野增强的人脸检测方法

为了解决多任务级联卷积神经网络（MTCNN）算法网络模型在小人脸检测方面鲁棒性较低的问题,提出了一种基于感受野增强的网络模型。首先,为MTCNN算法模型中的R-Net网络和O-Net网络添加感受野模块（receptive field blocks,RFB-S）。其次,通过添加批量标准化和全局平均池化,加速网络模型的收敛,防止模型过拟合。最后,调整网络任务的权重,P-Net和R-Net网络用于人脸区域粗筛选,O-Net网络用于人脸区域精筛选以及人脸关键点回归。实验结果表明,与MTCNN算法网络模型相比,所提模型缩小了16%,但检测速度提升了9%,在FDDB数据集上的检测精度提高了2.3%。因此,基于感受野增强的网络模型能有效完成人脸的检测任务,增强对小人脸检测的鲁棒性,可为人脸识别、表情识别等提供技术支持。     

Flagging cartel participants with deep learning based on convolutional neural networks

Adding to the literature on the data-driven detection of bid-rigging cartels, we propose a novel approach based on deep learning (a subfield of artificial intelligence) that flags cartel participants based on their pairwise bidding interactions with other firms. More concisely, we combine a so-called convolutional neural network for image recognition with graphs that in a pairwise manner plot the normalized bids of some reference firm against the normalized bids of any other firms participating in the same tenders as the reference firm. Based on Japanese and Swiss procurement data, we construct such graphs for both collusive and competitive episodes (i.e when a bid-rigging cartel is or is not active) and we use a subset of graphs to train the neural network such that it learns distinguishing collusive from competitive bidding patterns. With the remaining graphs, we test the neural network’s out-of-sample performance in correctly classifying collusive and competitive bidding interactions. We obtain a very decent average accuracy of around 95% or slightly higher when either applying the method within Japanese, Swiss, or mixed data (in which Swiss and Japanese graphs are pooled). When using data from one country for training to test the trained model’s performance in the other country (i.e. transnationally), predictive performance decreases (likely due to institutional differences in procurement procedures across countries), but often remains satisfactorily high. All in all, the generally quite high accuracy of the convolutional neural network despite being trained in a rather small sample of a few 100 graphs points to a large potential of deep learning approaches for flagging and fighting bid-rigging cartels.     

一种实时电能质量扰动识别分类方法

针对电能质量扰动数据大、识别算法繁琐,难以实现在线实时识别等问题,提出了基于深度卷积神经网络AlexNet的电能质量扰动识别数法,首先将各类电能质量扰动转化为图片格式,然后输入到AlexNet算法,通过学习、调整电能质量扰动信号的特征参数,迭代收敛,最后将实时的电能质量扰动通过训练好的AlexNet,直接实现扰动识别分类。实时仿真结果表明,所提出的方法能精确识别包括3种复合扰动在内的17种电能质量扰动问题,只需要对电能质量扰动信号进行学习,即可以直接对电能质量扰动信号进行识别与分类,识别算法简单且处理的时间短,达到了实时性的目的。     

一种基于CMAC神经网络的板形模式识别新方法

针对传统的板形识别模型在识别板形时,由于板宽的变化需要不同拓扑结构的神经网络才能完成板形模式识别任务,网络学习工作量大,网络存在收敛速度慢,易陷入局部极小等结构性能不佳的问题,建立了一种新的基于CMAC神经网络的板形模式识别模型。该模型利用欧式距离差得到网络的输入神经元,并在权值更新算法中引入了动态学习率。通过仿真实验表明该方法简单、实用,识别精度较高,克服了传统的识别模型的缺点和不足,有效地提高了板形模式识别模型的速度和精度。     

基于骨干度与网络编码的链路预测模型研究

为了研究网络表示学习在社交网络中链路预测方面的应用,提出了一种基于骨干度与网络编码的链路预测模型(BDLINE)。在网络表示学习算法LINE的基础上融入骨干度算法,通过给一阶相似度和二阶相似度中增添骨干权重,将网络编码到多维向量空间中,调试到最优参数。实验采用2个真实数据的数据集,分别在不同的算法模型上进行多次实验。实验结果表明:在链路预测方面,BDLINE均比其他网络表示学习算法的性能有所提升,AUC评测值更高,预测效果表现得更好。因此,所提出的方法可以方便地提取网络特征信息,更好地处理社交网络在链路预测中的随机性,对社交网络中预测网络节点的关联性和有效性具有一定的参考。