人脸检测和跟踪学位论文；人脸检测定位：运动区域检测预处理， 肤色区域的分割和利用二值形态学等操作的人脸粗检，利用眼、嘴特征的彩色信息检测的人脸细检，利用投影法检测眼睛和嘴巴亮块的人脸定位。提出了一种基于自适应肤色模型匹配与验证的方法对人脸进行跟踪
上传时间： 2014-01-11
上传用户：caiiicc
利用Tough变换提取并检测小球边缘，实现该障碍物的特征提取，为机器人避障提供指导！
上传时间： 2014-01-10
上传用户：aix008
图像的边缘是指图像中邻域灰度有显著变化 的像素的集合。它是图像的基本特征, 因此边缘检 测方法在图像处理中成为一个十分重要的课题。经 典的边缘提取方法是考察图像的每个像素在某个邻 域内灰度的变化, 利用边缘邻近一阶或二阶方向导 数变化规律, 用简单的方法检测边缘。但是, 因为边 缘和噪声都是高频信号, 因此许多经典边缘检测算 法很难在边缘和噪声中做出取舍。在众多的边缘检 测算子中, 算子因为具有优良的边缘检测能 力, 因此在图像处理中得到广泛应用。
上传时间： 2014-01-08
上传用户：zhanditian
语音端点检测，是语音压缩时提取特征参数的一个必要的过程，这个程序主要是对这个过程的一个小的程序。希望对学语音的有帮助
上传时间： 2013-12-06
上传用户：shizhanincc
人脸检测是人脸分析的首要环节，其处理的问题是确认图像（或影像）中是 否存在人脸，如果存在则对人脸进行定位。人脸检测的应用领域相当广泛，是实 现机器智能化的重要步骤之一。 AdaBoost 算法是 1995 年提出的一种快速人脸检测算法，是人脸检测领域里 程碑式的进步，这种算法根据弱学习的反馈，适应性地调整假设的错误率，使在 效率不降低的情况下，检测正确率得到了很大的提高。 本论文第一章和第二章简述了人脸检测的一般情况，第三章对一些人脸检测 的经典方法进行了说明。 第四章讲述了 AdaBoost 算法的发展历史。从 PCA 学习模型到弱学习和强 学习相互关系的论证，再到 Boosting 算法的最终提出，阐述了 Adaptive Boosting 算法的发展脉络。 第五章对影响 AdaBoost 人脸检测训练算法速度的至关重要的两方面：矩形 特征和积分图的概念和理论进行了仔细的阐明。 第六章给出了 AdaBoost 的算法，并深入探讨了其中的一些关键问题——弱 学习器的构造、选取等问题。 最后一章，用编写的实现了 AdaBoost 算法的 FáDèt 程序，给出了相应的 人脸检测实验结果，并和 Viola 等人的结果做了比较。
上传时间： 2018-01-29
上传用户：dragon000008
红外图像检测技术因具有非接触、快速等优点，被广泛应用于电力设备的监测与诊断 中，而对设备快速精确地检测定位是实现自动检测与诊断的前提。与普通目标的可见光图像相比， 电力设备的红外图像可能存在背景复杂、对比度低、目标特征相近、长宽比偏大等特征，采用原 始的 YOLOv3 模型难以精确定位到目标。针对此问题，该文对 YOLOv3 模型进行改进：在其骨干 网络中引入跨阶段局部模块；将路径聚合网络融合到原模型的特征金字塔结构中；加入马赛克 （Mosaic）数据增强技术和 Complete-IoU（CIoU）损失函数。将改进后的模型在四类具有相似波纹 外观结构的电力设备红外图像数据集上进行训练测试，每类的检测精度均能达到 92%以上。最后， 将该文方法的测试结果与其他三个主流目标检测模型进行对比评估。结果表明：不同阈值下，该 文提出的改进模型获得的平均精度均值优于 Faster R-CNN、SSD 和 YOLOv3 模型。改进后的 YOLOv3 模型尽管在检测速度上相比原 YOLOv3 模型有所牺牲，但仍明显高于其他两种模型。对 比结果进一步验证了所提模型的有效性。
上传时间： 2021-10-30
上传用户：
论文-基于红外热成像技术的猪体温检测与关键测温部位识别63页摘要 实现猪体温测量自动化有利于实时监测猪的健康状况、母猪发情和排卵检测等 生理健康状况。本文采用红外热成像仪采集猪的红外热图像，引入化学计量学建模 方法建立体表温度、环境温度与直肠温度间的多元校正模型，同时提出两种关键测 温部位的自动检测方法。主要结论总结如下： (1)建立了母猪体表温度、环境温度与母猪体温之间的一元和多元线性回归模型。研 究发现， 9个身体区域提取的体表温度与直肠温度呈正相关(产O．34～0．68)，其中， 基于耳根区域体表温度平均值建立的一元回归方程效果最优，预测集相关系数RP与 均方根误差RMSEP分别为0．66和0．420C。全特征模型相比一元线性回归方程有更 好的预测效果，RP和RMSEP分别为0．76和O．370C。此外，应用特征选择方法LARS． Lasso确定了7个重要特征建立简化模型，其校正集和预测集的R分别为0．80和 0．80，RMSEs分别为0．30和0．350C。 (2)将卷积神经网络应用于生猪主要测温部位(眼睛和耳朵区域)的直接分割。利用 python构建了四种不同结构的卷积神经网络模型FCN一1 6s、FCN．8s、U．Net一3和U． Net．4。对比分析4种卷积神经网络模型的性能，结果表明U-Net．4网络结构的分割 效果最优，平均区域重合度最高为78．75％。然而，当计算设备的计算力不够时，可 以选用U．Net一3模型以达到较好的分割效果。 (3)提出猪只眼睛及耳根区域关键点的识别方法，将猪只主要测温部位的检测问题 转变为主要测温部位的定位问题。设计具有不同深度的卷积神经网络架构A．E，得 出架构E最优。且当Dropout概率设置为0．6时模型效果最好，验证集平均误差和 预测集平均误差分别为1．96％和2．65％。测试集单张猪脸关键点的预测误差小于5％ 和10％的比例分别为89．5％和97．4％。模型能够很好的定位猪脸关键点，用于猪只 体温测量。 本文采用红外热像仪测量母猪体表温度，通过化学计量学建模为非接触母猪直 肠温度测量提供了更准确、可靠的方法，同时提出两种关键测温部位的自动检测方 法，有助于实现母猪体温测量自动化，为生猪健康管理提供参考。
标签： 红外热成像技术
上传时间： 2022-02-13
上传用户：jiabin
人口老龄化是世界各国正在面对的一个普遍问题。随着我国老龄化程度的持续加剧，对于老年人群体的医疗资源投入会不断提高。而与此同时，跌倒已经成为老年人日常生活中最为常见的危险行为活动。所以，跌倒检测系统的研究和应用对降低老年人受到的身心伤害和医疗成本具有显著的意义。目前解决老年人跌倒检测的方案仍存在许多不足。其中，基于计算机视觉的跌倒检测技术在无干扰的场景下检测较为有效，但其易受环境变化（如背景光线影响、人遮挡问题等）影响。此外，基于可穿戴计算的跌倒检测技术受限于算法稳定性和识别准确率，系统的灵敏度和特异性难以同时得到保证。针对上述问题本文提出一种融合计算机视觉和可穿戴计算数据的跌倒检测新的方法。首先，设计并开发了集成三轴加速度计、三轴陀螺仪和蓝牙的活动感知模块，实现实时采集、传输人体活动数据：其次，使用深度学习算法从摄像头采集的图像数据提取人体姿态特征数据：最后，对采集的人体活动数据和姿态数据进行规范化和时序化处理，设计了两个深度学习网络分别对数据进行特征提取，并将两特征进行特征层数据融合，在此基础上构建神经网络对融合数据进行活动本文搭建了实验平台并进行了算法测试，其中，本文跌倒检测算法针对离线测试数据的准确率为992%，平均敏感度为995%、平均特异性为99.8%：针对在线数据系统测试准确率为98.9%、平均敏感度为99.2%、平均特异性为99.5%实验结果证明了利用计算机视觉和可穿戴计算数据融合的跌倒检测具有较高的准确率和鲁棒性。
上传时间： 2022-03-14
上传用户：bluedrops
随着杜会和经济的发展，环境水污染现象也日趋严重，迫切需要环境水质多参数监测与智能分析系统，以为环境监测、管理和控制提供科学的手段。水质多组分检测涉及到多传感器数据融合、计算机技术、电化学分析和人工智能等多学科的交叉，在众多领域有着广泛的应用。本论文研究环境水质检测与智能分析系统，论文的主要工作包括1）基于最小二乘支持向量机的在线自适应加权数据融合算法多传感器数据融合由于能够利用互补和冗余的信息，显著提高系统的可靠性而得到了广泛应用，而数据融合的关键问题是融合算法。本文深入研究了多传感器数据融合理论的基础上，针对传统融合算法研究存在的问题，提出了一种基于最小二乘支持向量机的在线自适应加权数据融合算法，并应用到水质在线检测过程中，不仅缩短了训练的时间，而且提高了融合的可靠性和灵活性2）提出了一种离子传感器的基于最小二乘支持向量机的自校正方法：由于离子传感器的非线性、漂移和交叉敏感性等影响了其检测精度和可靠性，难以进行连续在线检测。以硝酸根离子传感器为例，研究其自校正方法，以适应动态环境的连续监测根据实验数据，详细分析了硝酸根离子传感器的响应特性，并考虑了零点和时间漂移，提出了一种基于最小二乘支持向量机硝酸根离子传感器的自校正方法，给出了详细描述和分析。3）离子传感器故障检测的小波支持向量机特征提取和支持向量机分类方法在线连续检测的应用要求离子传感器必须具有很高的可靠性，即能够及时准确地判断出离子传感器的故障。本文采用小波支持向量机提取各传感器故障特征，再用支持向量机对故障进行分类，实现对各离子传感器的故障诊断。
标签： 数据融合
上传时间： 2022-03-18
上传用户：
边缘（edge）是指图像局部强度变化最显著的部分.边缘主要存在于目标与目标、目标与背景、区域与区域（包括不同色彩）之间，是图像分割、纹理特征和形状特征等图像分析的重要基础.图像分析和理解的第一步常常是边缘检测（edge detection）.由于边缘检测十分重要，因此成为机器视觉研究领域最活跃的课题之一.本章主要讨论边缘检测和定位的基本概念，并使用几种常用的边缘检测器来说明边缘检测的基本问题图像中的边缘通常与图像强度或图像强度的一阶导数的不连续性有关.图像强度的不连续可分为：（）阶跃不连续，即图像强度在不连续处的两边的像素灰度值有着显著的差异（2）线条不连续，即图像强度突然从一个值变化到另一个值，保持一个较小的行程后又返回到原来的值.在实际中，阶跃和线条边缘图像是很少见的，由于大多数传感元件具有低频特性，使得阶跃边缘变成斜坡型边缘，线条边缘变成屋顶形边缘，其中的强度变化不是瞬间的，而是跨越一定的距离，这些边缘如图6.1所示对一个边缘来说，有可能同时具有阶跃和线条边缘特性.例如在一个表面上，由一个平面变化到法线方向不同的另一个平面就会产生阶跃边缘：如果这一表面具有镜面反射特性且两平面形成的棱角比较圆滑，则当棱角圆滑表面的法线经过镜面反射角时，由于镜面反射分量，在棱角圆滑表面上会产生明亮光条，这样的边缘看起来象在阶跃边缘上叠加了一个线条边缘.由于边缘可能与场景中物体的重要特征对应，所以它是很重要的图像特征。比如，个物体的轮廓通常产生阶跃边缘，因为物体的图像强度不同于背景的图像强度在讨论边缘算子之前，首先给出一些术语的定义：边缘点：图像中具有坐标[门且处在强度显著变化的位置上的点边缘段：对应于边缘点坐标[，门及其方位，边缘的方位可能是梯度角边缘检测器：从图像中抽取边缘（边缘点和边缘段）集合的算法
上传时间： 2022-04-22
上传用户：bluedrops
