基于复合结构分类器的人耳识别

在基于独立分量分析的人耳识别方法研究基础上,提出复合结构分类器的人耳识别通用模型.该模型首先根据人耳的几何特征对人耳进行粗分类;然后应用独立分量分析的方法提取代数特征,支持向量机进行细分类,最后给出分类结果.这与人类由粗到细的识别过程是相符合的,能够克服单一独立分量分析识别方法的特征提取时间过长、特征数过多的缺点,同时避免了归一化过程中丢失比例结构特征的问题.实验结果表明,该模型取得了较高的识别率,尤其适用于规模大的复杂人耳库.

基于覆盖算法的两层结构分类器设计

分类器设计是模式识别系统中的关键步骤之一。在目前的许多设计方法中,分类器大多采用的是单层结构,即直接将输入模式映射为识别出来的结果,这类结构虽然简单直观,但是往往难于发挥分类器设计算法的最大性能。文中从分类器的结构方面考虑,提出了一种基于覆盖算法的两层结构分类器的设计方法,并且与单层结构分类器做了实验分析对比,得出了在不明显增加构造复杂度的情况下两层结构的设计大大改善了分类器的性能。

基于结构分类器和SVM的人脸检测

本文提出一种’结构分类器+SVM”相结合的快速算法。用以从采色图像中快速检测出可能存在的人脸,它的主要特点就是充分利用人脸的肤色信息和器官的分布规则,构造一个“结构分类器”,从待检测图像中快速排除绝大部分的背景窗口,然后对剩下的候选窗用SVM分类器作进一步确认,最后对检测出来的窗口进行综合,从而定位人脸的最佳位置。通过在相同的测试集上的对比实验,本算法在不影响正检率的情况下,可降低虚警率和极大地提高检测速度。

基于SVM的多分类器融合算法在说话人识别中的应用

多分类器协同合作克服了单个分类器识别效果不理想,适用范围较窄或对使用环境要求较高的不足,并为研制更高性能的分类器,提供了解决问题的另一个途径。提出了一种基于SVM的多分类器说话人识别系统,该系统的识别框架基于多分类器的协同工作。该多分类器系统采用了ANN(artificial neural networks)、GMM(gaussian mixed model)分类器和子带结构分类器,参数选取包括MFCC(mel frequency cepstrum coefficient)、LPCC(linear prediction cepstrum coefficient)。多分类器融合采用SVM方法。本系统在超短波信道(15 db)的实际应用中达到94%的识别率。

一种改进的BP神经网络调制分类器

本文致力于基于神经网络的通信信号调制类型识别器设计研究。论文提出了一种改进的BP神经网络分类器,它采用7个特征参数,可以对CW、2FSK、4FSK、8FSK、2PSK、4PSK、8PSK、8QAM、16QAM、4ASK、8ASK共11种调制类型实现正确分类识别。论文讨论了方案设计,给出了仿真试验结果,并将其与其他神经网络分类器进行了性能比较。

一种手写数字的多级分类器设计

对手写数字识别技术进行了研究和探讨,提出一种新的多级分类器手写数字识别方法。该识别方法以图像预处理和字符特征提取为基础,采用BP神经网络分类器进行第一级识别、结构特征分类器进行有选择的第二级识别,并提出一种全新的端点特征提取法,大大地简化结构特征分类器的设计。实验结果表明,多级分类器较单一的神经网络分类器的识别率有了明显的提高。

基于改进AdaBoost+Haar的车辆检测算法

为解决AdaBoost+Haar分类器易发散和检测效率低等问题,对该算法的训练和检测进行改进:在训练阶段对负样本进行分类,训练出的分类器的结构先简单后复杂,这样可以有效避免分类器在训练的时候过早发散,提高检测效率;在检测阶段,提出车宽匹配检测算法,以检测框底边作参考边,调整检测窗口的范围,减少检测窗口数量。实测表明,在白天不同时段、不同场景情况下用该算法来检测车辆,能够在提高检测率的同时,将检测速度提高7倍。

基于改进MobileNetV2网络的涂层表面缺陷识别方法

针对涂层表面缺陷检测工业化应用过程中对识别准确率和速度的需求,本文在MobileNetV2网络的基础上提出一种涂层表面缺陷识别方法。设计了递进式分类器,通过逐层筛选压缩有用特征实现高精度的快速识别操作,并在骨干中加入跨局部连接结构,以丰富网络中的基础特征并增加特征尺度信息。将交叉验证和迁移学习相结合以优化训练方法,在大幅度缩减训练耗时的同时使网络具有更优的初始状态和更快的性能提升率。结果表明:本文方法在采集的涂层表面缺陷数据集上准确率达到了99.48%,速度和精确度分别提升11.74%、8.38%,参数量降低20.89%,训练时间缩短36.77%,与其他分类网络相比,在综合考虑准确率和速度的情况下具有最佳表现。本文方法同时具有较高的识别准确率、较快的识别速度和较短的训练耗时,符合实际工业应用需求。

环状物新检测方法及在敏感图像识别中的应用

为了克服传统的Hough变换类环状物体检测的局限,提出了1种结合物体形状与外观特征的环状物体识别检测算法.识别算法使用cascade结构,分别使用灰度、纹理以及外观综合特征,按Bagging的方法训练产生一组弱分类器.这些弱分类器串接而成,并结合局部物体分割,逐个处理当前扫描窗口.相比于传统的Hough算法,新方法具有更快的检测速度.选择敏感图像作为实验对象,采集数据进行训练和检测,实验结果表明,新方法具有明显的性能优势.使用更全面的物体外观信息,按Bagging产生弱分类器的组合,能够在提高环状物体的检测性能的同时,获得理想的处理速度.

基于可变形模型的目标跟踪算法

近年来目标跟踪技术的研究已经有了很大的进展,但目标的遮挡和形变仍然是目标跟踪算法面临的重大挑战。针对这些问题提出了一种基于可变形模型的目标跟踪算法。首先,利用可变形模型对跟踪目标进行表达,该模型将目标分为若干子块,目标的特征由局部子块特征和全局特征共同构成。将目标的特征和子块之间的空间关系结合起来,给出了对目标的一个统一的相似度度量函数。然后,在线训练一个结构化输出支持向量机作为分类器,该分类器的输出是可变形模型中目标的结构化描述。利用该分类器可以在视频及图像序列中准确地检测到目标,完成跟踪。通过实验比较,该算法的跟踪性能优于其他主流跟踪算法,尤其在目标发生遮挡和形变的时候仍能准确跟踪。

视频图像的实时人脸检测系统

本文基于VFW,在Windows平台下构建了一个实时人脸检测系统。同时提出了一种融合肤色信息的图像差分方法,该方法在加快检测速度的同时有效缩小了人脸搜索范围。最后利用Real AdaBoost+Cascade结构分类器对人脸进行验证。实验证明,该系统能够快速准确的检测人脸。