共查询到17条相似文献，搜索用时 192 毫秒
1.
人脸自动识别技术综述 总被引：1，自引：0，他引：1
人脸自动识别技术目前仍是生物特征识别中的研究热点之一．人脸识别过程主要包括人脸检测与定位、人脸特征识别、特征分类等．主要对人脸检测和人脸特征提取与识别的研究历史、现状进行了综述,系统地对主流人脸识别算法进行了分类,总结了现阶段人脸识别研究的困难,并对未来人脸识别的发展方向进行了展望． 相似文献
2.
近年来,人脸识别技术作为生物特征识别技术中的关键技术之一,凭借其独特的发展优势,成为人工智能和模式识别领域的一个研究热点,受到越来越多研究学者和机构的关注.由于其具有直接、友好和方便等特点,因此具有广泛的应用领域和发展前景.本文在人脸识别技术的研究基础上,将该技术应用于门禁系统,并给出了一种设计方案.该系统的工作流程主要包括人脸图像采集和人脸检测、预处理、特征提取和分类识别.为了提高系统的识别效率,我们在系统设计中采用了与传统的门禁系统不同的特征提取算法,即利用2DLDA算法来提取人脸特征.最后利用最近邻分类器进行分类识别.通过在DRL人脸数据库上的实验来验证算法的有效性和系统的可行性. 相似文献
3.
目前，人的面部关键点定位算法在限定环境下已达到很高的识别率，但在非限定环境下，仍易受到环境光线不均、测试角度范围广、检测目标姿态多样及遮挡模糊等因素的影响。提出一种级联卷积网络以提高关键点定位的精度与鲁棒性。在进行人脸检测时，该算法在Light-VGGNet的基础上提出一种DPM-CNN网络结构，引入五官可变形部件，将人脸检测与五官定位同时进行，提高人脸检测精度并降低人脸检测对面部关键点定位的影响。在进行内部关键点定位时，采用由粗到细的算法思想，将两层不同的网络级联实现对内外关键点的定位。利用FDDB数据集进行测试，无论在人脸检测，还是面部关键点定位上，所提出的卷积网络结构准确度和检测速度均高于其他算法，在非限定环境下表现出很好的鲁棒性。 相似文献
4.
针对华北地区尾矿库自动提取问题，将基于深度学习的SSD目标检测模型应用于遥感图像尾矿库提取。首先标记华北地区2 000个样本，随机挑选1 500个作为训练样本，剩余样本作为测试样本，验证模型的检测精度。分析卷积层对应感受野与图像中尾矿库尺寸关系，发现原始SSD模型漏检误检大型尾矿库。改进SSD模型结构，提出增加额外卷积层的策略，提高对大型尾矿库目标的检测精度。实验表明，在置信度阈值为0.3时，改进的SSD模型相比原始模型，检测精确率提高10.0%，召回率提高14.4%，提高了大型尾矿库检测精度。验证了基于深度学习的SSD目标检测模型自动提取尾矿库的可行性以及改进算法的有效性。 相似文献
5.
调频连续波（FMCW）雷达具有近距离高精度测量、无距离盲区等优点,因此常被用来探测近距离慢速目标。针对FMCW雷达探测地面道路慢速目标场景,提出一种新的自适应滤波器。该滤波器可用于抑制环境中的强杂波影响,提升目标检测性能。仿真结果表明,在强杂波环境背景下,经滤波器处理后信号的峰值降低91.1%,信号平均幅度降低82.7%,与常用的MTI脉冲对消滤波器的性能相比,可以更好地抑制强杂波的影响,更利于动目标的提取。同时,真实测量数据进一步验证了该滤波器的有效性和目标检测结果的准确性。检测结果显示相对距离误差和相对速度误差均在10-3量级,具有良好的检测精度。 相似文献
6.
针对光电图像中舰船分类检测困难的问题,提出一种基于改进循环注意卷积神经网络(recurrent attention convolutional neural network,RA-CNN)的舰船目标识别方法。该方法中的VGG19采用多个卷积层提取图像特征,注意建议网络(attention proposal network,APN)通过全连接层的输出定位特征区域,然后采用尺度依赖池化(scale-dependent pooling,SDP)算法选择VGG19中合适的卷积层输出进行类别判定,最后引入多特征描述特征区域,交叉训练VGG19和APN来加速收敛和提高模型精度。利用自建舰船数据集对方法进行测试,识别准确率较VGG19和RA-CNN有较大提升,识别准确率最高可达86.7%。 相似文献
7.
为解决船舶图像与视频检测算法识别率低、实时性差的问题,提出基于回归深度卷积网络的船舶图像与视频检测方法。结合YOLOv2特征提取层和YOLOv3的特征金字塔网络(feature pyramid network, FPN)层思想设计新的网络结构,验证不同激活函数效果,采用聚类算法设计锚框大小。实验表明,相比于YOLO系列网络,本文的方法在船舶图像与视频检测中效果更好,在测试集上平均精度均值为0.920 9,召回率为0.981 8,平均交并比为0.799 1,在视频检测中每秒钟检测的帧数为78～80。为港口船舶智能管理和无人船视觉处理提供一种准确度高和实时性好的船舶检测方法。 相似文献
8.
为解决在雾天背景下现有的船舶检测算法准确率低、召回率不高的问题,在YOLOv3网络的特征提取模块加入空间金字塔池化模块用以丰富特征图的表达能力,在特征融合模块引入频域通道注意力机制来抑制背景噪声,在预测模块采用K均值算法重新设计预测锚框大小以适应待检测目标的形状。实验结果表明：基于频域通道注意力的YOLOv3网络在雾天背景下对船舶的检测精度更高,在测试集上平均精确率可达到92.98%,准确率可达到93.06%,召回率可达到92.25%;检测速度可达到61帧/s。本文算法满足船舶实时检测的需求,为未来智能船舶的发展提出了一种兼顾准确率和实时性的船舶检测方法。 相似文献
9.
针对建立和更新田间图形数据库时，以高分辨率遥感影像为底图人工勾绘地块耗时费力这一问题，探索从边缘检测的角度实现对地块边缘的自动提取。在构建耕地地块边缘遥感影像数据集工作中，尝试深度学习边缘检测模型holistically-nested edge detection（HED）和richer convolutional features（RCF）的基础上，进一步改变模型特征融合方式，并采用空洞卷积结构，提出构建应用于遥感影像的边缘检测模型full dilated-RCF（FD-RCF），提取耕地地块边缘。实验表明，相关方法的精度评定F1值均能达到0.8以上。构建的FD-RCF模型表现最佳，其检测结果在ODS和OIS精度评定中F1值分别达到0.848 1和0.850 2，平均精度0.795 7。比较而言，FD-RCF方法检测结果画面更加清晰，能够显著提高田间地形数据的更新效率。 相似文献
10.
基线在差分干涉处理中是一个至关重要的参数,直接关系到干涉测量的精度。相比于星载平台,无人机在飞行过程中,飞行航迹难以保持高度重合,飞行轨迹和姿态不稳定,给无人机差分干涉SAR基线估计带来极大的困难。从无人机平台的特点和应用场景出发,提出一种改进的基线估计的方法,该方法通过干涉几何关系推导出干涉相位周期、斜距、2点之间距离、相位差的关系,在雷达图像计算特定2点之间距离,然后代入已知参数利用最小二乘法进行基线估计。对比原方法及改进方法的仿真结果及实际数据的基线估计结果,表明改进方法的基线估计结果的精度和鲁棒性有显著提高。 相似文献
11.
基于仿真SAR图像深度迁移学习的自动目标识别 总被引：1，自引：0，他引：1
使用深度卷积神经网络实现SAR图像的自动目标识别在训练过程中需要大量的标注数据。为解决由SAR实测数据获取成本高、标注数据量不足带来的问题，提出一种在由CReLU激活函数和批归一化改进的卷积神经网络上，使用仿真SAR图像提升最终目标识别性能的方法，把从大量仿真SAR图像学习到的有效知识迁移到实测SAR图像数据上。在训练中，先用仿真SAR图像预训练卷积神经网络，结合迁移学习的方法，有效地解决由SAR图像数据不足带来的过拟合问题。在MSTAR数据集上验证方法的有效性，识别准确率提高到99.78%，并在少量SAR图像样本数据上也取得不错的识别效果。 相似文献
12.
合成孔径雷达( SAR)目标识别在军事和民用领域都具有重要的研究价值。但由于SAR数据获取成本高、样本数目少,传统的卷积神经网络提取目标特征的能力不足,准确率低下。提出结合卷积注意力和胶囊网络的分类模型,利用胶囊网络中的多维向量神经元表示目标更多的特征;同时,考虑到少样本情况下目标特征信息缺乏,为提高神经网络的学习效率,对胶囊网络加入注意力机制,通过学习不同特征的重要程度,引导分类网络重点关注对分类结果贡献大的特征,弱化对分类结果贡献小的特征,提高神经网络的学习效率。针对MSTAR数据集和实测车辆数据集的实验结果表明,该算法的准确率高于传统的卷积神经网络和胶囊网络算法。 相似文献
13.
当前，基于时序特征提取的农作物遥感分类方法需要较多先验知识及人工干预，难以自动化，且易因忽略部分有效特征而导致精度降低。针对这些问题，提出基于时序光谱重构的卷积神经网络农作物分类法。为充分利用时间序列多光谱中丰富的作物物候与多光谱信息，对每个地面像元构造以时间维为纵轴、光谱维为横轴的时序光谱图，采用Adam梯度下降法与Dropout 40%连接率优化后的卷积神经网络对时序光谱图进行分类。对比实验结果表明，该方法可有效减少“椒盐”噪声的产生，且地块边界轮廓线清晰，总体分类精度达到95.12%，高于时间序列多光谱+随机森林（88.58%）、时间序列NDVI+随机森林（90.25%）、时间序列NDVI+卷积神经网络（91.79%）等对照实验组；对于“异物同谱”现象明显的春玉米与番茄，该方法的F1-score分别达到95.9%与89.9%，相比各对照组均有较大幅度的提高。该研究结果可为遥感农作物的自动化精细制图提供参考。 相似文献
14.
在极化合成孔径雷达（PolSAR）地物分类研究中,基于卷积神经网络的图像分割算法存在高维特征信息冗余而导致的分类边界模糊、分类精度低、计算复杂等不足,提出一种基于卷积神经网络和EM算法的轻量化图像分割网络,称为低秩重构网络（low-rank-reconstruction-net,LRR-Net）,应用于全极化SAR图像的地物分类。LRR-Net从极化目标分解的思想出发,利用EM算法对特征进行低秩重构,将特征从高维空间映射到低维空间,在减少参数的同时实现更精确的分类。用高分三号全极化图像数据对模型进行训练测试并评估,结果表明模型在保证分类精度的前提下,降低了模型复杂度。 相似文献
15.
当前,无人机的对地目标跟踪和逼近是军民领域的研究热点之一.针对基于无人机平台对地目标跟踪与逼近中的相对运动、导引控制等问题,选用大疆多旋翼飞行器平台,设计基于Android的地面站系统.该系统使用改进的核相关滤波视觉检测算法完成对地目标跟踪与位置锁定,利用无人机与目标的距离作为尺度因子,实现多尺度跟踪,融合FHOG+L... 相似文献
16.
为提高在天气恶劣、目标密集、目标被遮挡及其他复杂海况下船舶交通流统计的准确率,提出一种将目标检测算法CenterNet、多目标跟踪算法DeepSORT与凸包算法中优化逆时针(counter clockwise, CCW)判断的单线法相结合的船舶交通流视觉图像统计方法。使用Python对所选的数据和场景进行测试,结果表明:CenterNet在多场景检测中比YOLOv3更优秀;基于目标检测的多目标跟踪算法具有良好实时性,能够有效对抗因目标抖动、密集、被遮挡等所导致的目标丢失,继而减少船舶交通流统计时常出现的漏检、错检和重复统计等问题。 相似文献
17.
对于单幅遥感光学图像，目前已经有很多有效的色彩校正算法，但是这些算法需要人工经验或对场景的先验知识，无法满足对快速增长的海量遥感图像进行自动化处理的需求。针对这一问题，提出一种基于稠密卷积神经网络的遥感图像自动色彩校正方法DCN（dense convolutional networks）。该模型可以预测遥感图像的RGB通道的颜色校正系数K，从而对原始图像进行自动色彩校正。DCN使用稠密模块代替部分卷积层，用更少的层数实现更多的连接。DCN模型由3 000幅GF-2号遥感图像在Tensorflow框架上训练得到，损失函数为颜色校正系数向量与真值向量之间的色偏角θ。经过测试验证，校正后的图像与原图像仅有很小的色偏角，且与真实地物颜色吻合。与传统方法相比，该方法在训练后，可直接使用生成的模型对训练集中未出现的图像进行颜色校正，无需对场景的先验知识和人工经验，也无需参考图像，可实现对海量遥感光学图像的自动化色彩校正。与传统的卷积神经网络CNN（convolutional neural networks）相比，基于DCN的模型拥有更少的参数和更好的泛化能力，而且不受输入图像大小的限制，在测试集上有更好的结果。 相似文献