基于卷积神经网络的识别精确度研究

目前,通过图像处理及分析的手段提升识别精准度的问题已经受到了广泛关注。本文在卷积神经网络的基础上,对其实现进行了探究。

混合多距离图像的线性判别分析人脸识别算法

现有应用于智能监控系统的人脸识别算法主要适用于近距离摄像,由于图像质量随距离增加快速下降的原因,其在远距离摄像条件下仍存在人脸识别精度较低的问题。为了提高远距离摄像环境下的人脸识别精度,提出了一种基于混合多距离图像和线性判别分析的人脸识别算法。该算法混合使用多种不同距离提取的图像来训练图像集,并使用双线性内插法对训练图像集归一化,使用曼哈坦距离测量相似度完成人脸识别。实验结果表明,和传统的基于近距离图像的线性判别人脸识别算法相比,本算法可以在替换和远距离条件分别提高人脸识别精确度为6.2%和31%。

基于智能视频监控的流感患者行为识别研究

本文研究一种基于智能视频监控的流感患者行为识别系统,在红外温度检测的基础上加上行为识别,通过增加行为识别,能进一步识别不具有发热症状的潜在患病人员。本文提出的基于智能视频监控的流感患者行为识别系统可有效检测出"正常行为"、"干咳"、"流涕"、"腹疼"、"乏力"、"呼吸不畅"这六种行为,识别精确度达到82.7%。

基于改进YOLOv3的木结缺陷检测方法研究

针对木条表面死结和活结缺陷在检测过程中定位困难、平均识别精确度较低、检测速度较慢的问题,在分析木结缺陷特点和改进深度学习YOLOv3模型的基础上,研究其应用于改善木结缺陷检测时的精确度和速度。首先,对活结缺陷图像进行数据扩增,以解决类别不平衡问题。然后,改进k-means++算法,提升木结缺陷目标框的维度聚类效果,得到更合适的初始目标框个数与尺寸;通过缩减YOLOv3中多尺度检测网络、改进损失函数,以减少检测时间和提高目标识别精确度。最后,对木结缺陷进行拼接得出位置坐标。试验结果表明,较改进前YOLOv3算法,mAP值提升7.47%,检测速度提高35%;较Faster R-CNN算法mAP值提升11.68%,检测速度提高约15倍,改进后模型能精确地检测出死结和活结缺陷。因此,在后续研究中,可考虑以YOLOv3算法作为检测木结缺陷模型,进一步改进YOLOv3网络,以提高检测实时性和精确度。