基于HOG和SVM的双眼虹膜图像的人眼定位算法

针对近红外光下现有的人眼定位算法普遍存在准确性不高、泛化能力不佳等问题,提出了一种基于方向梯度直方图(HOG)和支持向量机(SVM)相结合的双眼虹膜图像的人眼定位算法。利用HOG提取虹膜图像的人眼特征,并结合SVM分类器对HOG特征进行训练从而实现人眼的精确定位。为了减少漏检和误检,进一步提高定位准确率,又提出了多级级联SVM分类器算法;另外针对近红外光线下虹膜图像独特的灰度分布特点,设计了一种图像预处理方法,能够显著提高人眼定位速度。在MIR2016和CASIA-IRIS-Distance数据集上的实验结果表明,基于HOG和SVM的双眼虹膜图像的人眼定位算法具有高准确率、强泛化能力和高实时性。

基于改进PBAS算法的级联特征行车检测

随着车辆迅速增加,智能交通系统中的监控系统需要在复杂环境中快速、准确地检测车辆,在现有研究的基础上提出一种高效的车辆检测方案。首先选取像素自适应分割算法对其背景模型作线性优化,减少运算复杂度,提取前景斑点为定义区域;然后通过设定阈值确定感兴趣区域;在感兴趣区域里,选取哈尔(Haar-like)特征和方向梯度直方图特征,输入到优化后的AdaBoost+支持向量机(support vector machine,SVM)级联分类器中进行车辆检测。大量的实验证明了线性化像素自适应分割算法的优越性、AdaBoost+SVM级联分类器的快速性、整体车辆检测算法在检测车辆时的实时性和光照鲁棒性。

面向青光眼患者家庭应用的可穿戴眼压监测终端

面向青光眼患者的眼压在线监测家庭化应用问题,提出了一种可穿戴式眼压连续监测终端。以可便携回弹式眼压计为测量单元,设计了固定眼压计和防止误操作对眼部二次伤害的可穿戴模块,以提高终端操作的便捷性和安全性。提出了基于形态学处理、梯度方向直方图(HOG)特征和多分类支持向量机(SVM)叠层分类器的眼压测量数据识别算法,准确识别眼压计屏幕的显示数据。终端可将眼压测量数据上传至云端,通过后台应用服务器和前端移动应用端App,可实现医生对患者的远程眼压连续监测。实验测试验证了眼压监测终端的有效性。

基于改进的深度卷积神经网络的人脸疲劳检测

针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检测器,来检测驾驶员的脸部区域。其次,使用级联回归(ensemble of regression trees,ERT)算法实现脸部68个关键点标定及眼睛和嘴巴的定位。最后,为了优化softmax损失在深度卷积网络分类中出现的类内间距大的问题,加入中心损失函数,提高类间差异性、类内紧密性以及驾驶员脸部疲劳状态识别准确率。在自建测试集和YawDD哈欠数据集中的实验结果显示,该方法能够准确地识别检测驾驶员疲劳表情,平均识别准确率达到98.81%。与传统的疲劳驾驶检测识别方法相比,该方法可以自动进行疲劳特征提取,并且训练准确率、检测识别率及鲁棒性得到提高;与未改进的深度卷积网络相比,检测识别的概率平均提高了约5.09%。