在实际生活中,由于硬件设备、拍摄技术以及距离等各方面因素的影响,人们经常无法获得高分辨率的图像,因此,利用算法和软件提高图像分辨率,从而获得清晰度较高的图像的工作就变得越发重要。基于学习的单帧图像的超分辨技术,就是建立低分...在实际生活中,由于硬件设备、拍摄技术以及距离等各方面因素的影响,人们经常无法获得高分辨率的图像,因此,利用算法和软件提高图像分辨率,从而获得清晰度较高的图像的工作就变得越发重要。基于学习的单帧图像的超分辨技术,就是建立低分辨率图像集和高分辨率图像集之间的关系,即通过学习低分辨率图像和高分辨率图像之间的映射关系进而获得先验知识,以此为约束条件重建得出高分辨率图像。在此方法中,高、低分辨率之间的映射关系十分重要且较难获得。本论文应用了一种简单有效的方法即通过建立级联线性回归模型对高、低分辨率图像之间的映射关系进行学习。级联线性回归模型需要的参数少,并且该函数可以求出闭合解,因此在求解时可以简便地获得更有效的结果。为使结果更加准确,论文中的算法通过对低分辨率图像进行下采样再经过双立方插值等一系列操作得到不同层数的级联性回归的高分辨率图像,通过实验对比不同级联层数的峰值信噪比PSNR(Peak Signal to Noise Ratio),选择PSNR较高的级联层数,之后对各级高分辨图像进行迭代得到最终的高分辨率图像,并将通过算法得到的高分辨率图像与原图像的高分辨率图像进行对比。实验结果表明,采用3×3的图像块,进行二次级联时,此算法能够得到较好的高分辨率图像并且算法难度较小、运行效率较高。展开更多
主要研究了移动平台上的相似脸检索问题.对于移动端,首先采用基于稀疏约束的级联回归模型进行精确的人脸配准,该方法不但能够筛选鲁棒的特征,而且可以将模型的大小压缩到原来的5%左右.接着,在某些关键点周围提取高维的纹理特征,并通过...主要研究了移动平台上的相似脸检索问题.对于移动端,首先采用基于稀疏约束的级联回归模型进行精确的人脸配准,该方法不但能够筛选鲁棒的特征,而且可以将模型的大小压缩到原来的5%左右.接着,在某些关键点周围提取高维的纹理特征,并通过稀疏投影降维.对于服务器端,采用级联形状和纹理特征的方式进行高效的相似脸检索.首先基于稀疏形状重构的方式筛选脸型相似的人脸,然后基于稀疏纹理重构的方法确定相似脸.在三星Note 3智能手机上,人脸图像的配准时间约10 ms.在扩展的LFW(Labeled Face in Wild)数据库上,相似脸检索时间约1.5 s,整个模型大小约5.4 MB.大量实验结果表明,配准方法精度高,速度快,模型小;相似脸检索的方法效率高,检索结果更符合人们的视觉感受.展开更多
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...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%。展开更多
文摘在实际生活中,由于硬件设备、拍摄技术以及距离等各方面因素的影响,人们经常无法获得高分辨率的图像,因此,利用算法和软件提高图像分辨率,从而获得清晰度较高的图像的工作就变得越发重要。基于学习的单帧图像的超分辨技术,就是建立低分辨率图像集和高分辨率图像集之间的关系,即通过学习低分辨率图像和高分辨率图像之间的映射关系进而获得先验知识,以此为约束条件重建得出高分辨率图像。在此方法中,高、低分辨率之间的映射关系十分重要且较难获得。本论文应用了一种简单有效的方法即通过建立级联线性回归模型对高、低分辨率图像之间的映射关系进行学习。级联线性回归模型需要的参数少,并且该函数可以求出闭合解,因此在求解时可以简便地获得更有效的结果。为使结果更加准确,论文中的算法通过对低分辨率图像进行下采样再经过双立方插值等一系列操作得到不同层数的级联性回归的高分辨率图像,通过实验对比不同级联层数的峰值信噪比PSNR(Peak Signal to Noise Ratio),选择PSNR较高的级联层数,之后对各级高分辨图像进行迭代得到最终的高分辨率图像,并将通过算法得到的高分辨率图像与原图像的高分辨率图像进行对比。实验结果表明,采用3×3的图像块,进行二次级联时,此算法能够得到较好的高分辨率图像并且算法难度较小、运行效率较高。
文摘主要研究了移动平台上的相似脸检索问题.对于移动端,首先采用基于稀疏约束的级联回归模型进行精确的人脸配准,该方法不但能够筛选鲁棒的特征,而且可以将模型的大小压缩到原来的5%左右.接着,在某些关键点周围提取高维的纹理特征,并通过稀疏投影降维.对于服务器端,采用级联形状和纹理特征的方式进行高效的相似脸检索.首先基于稀疏形状重构的方式筛选脸型相似的人脸,然后基于稀疏纹理重构的方法确定相似脸.在三星Note 3智能手机上,人脸图像的配准时间约10 ms.在扩展的LFW(Labeled Face in Wild)数据库上,相似脸检索时间约1.5 s,整个模型大小约5.4 MB.大量实验结果表明,配准方法精度高,速度快,模型小;相似脸检索的方法效率高,检索结果更符合人们的视觉感受.
文摘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%。