基于卷积神经网络的3D服用人体特征识别

提出了一种基于卷积神经网络的3D人体特征识别算法。首先,获取训练数据,具体包括数据的去冗余、3D到2D的投影以及人体局部区域图像的获取。然后,根据局部图像的大小,设计神经网络的结构,并进行参数初始化,对网络进行训练,通过调整网络参数提高网络的准确度。基于训练好的网络,通过对人体自上而下的扫描获取的人体局部图像进行特征识别并获取其对应的特征概率,通过阈值以及特征变化判定出特征出现在人体的的相对位置。然后,使用最小二乘拟合将经过该位置的横向切面与3D人体模型相交的二维点离散坐标点进行闭合曲线拟合,计算出人体各部位的尺寸。最后将测试结果与标准测量结果进行比较,计算出误差值。仿真实验结果表明,通过该方法可以较好的实现对各种差异性3D扫描人体模型的特征识别。

基于局部哈达玛变换的织物疵点检测

提出一种局部哈达玛变换和互相关相结合的织物检测疵点方法.首先,选取正常织物作为模板并对模板和待检测织物图像进行直方图均衡化增强.在此基础上,对待检测织物图像进行等尺寸分割,分割得到的子图像大小与选定的模板相同.然后,分别对织物模板和待检测子图像做二维哈达玛变换.最后,分别计算模板图像与待检测子图像哈达玛变换的互相关,并选取合适的阈值作为疵点判别的依据.仿真试验表明,本方法对断经、跳花、勾丝、缺经等常见织物疵点具有良好的检测效果.