CN103927531A - 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法 - Google Patents
一种基于局部二值和粒子群优化bp神经网络的人脸识别方法 Download PDFInfo
- Publication number
- CN103927531A CN103927531A CN201410200902.XA CN201410200902A CN103927531A CN 103927531 A CN103927531 A CN 103927531A CN 201410200902 A CN201410200902 A CN 201410200902A CN 103927531 A CN103927531 A CN 103927531A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- neural network
- particle
- max
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于局部二值和粒子群优化BP神经网络的人脸识别方法,首先将已知人脸库中每类人脸图像无重叠的分为训练样本集和测试样本集,对图像进归一化和局部二值预处理;其次,对预处理后的图像做二维离散小波变换,去除对角线分量的影响,将其余三个频带分量加权融合,再对融合后的图像做二维离散余弦变换,利用zigzag扫描方式提取其主要变换系数矩阵;再次,利用粒子群算法优化BP神经网络的初始权值和阈值进行网络训练;最后,将测试样本集数据送入到已训练好的BP神经网络中进行测试,计算出识别率。本发明具有较高的运算效率和识别能力,适用于人脸识别***。
Description
技术领域
本发明属于一种人脸识别方法,尤其涉及一种基于局部二值和粒子群优化BP神经网络的人脸识别算法,属于智能模式识别与图像处理领域。
背景技术
近年来,人脸识别技术得到了迅猛的发展,大量高性能算法的出现使其从实验室走向了商用。然而,到目前为止,人脸识别技术仍面临着巨大的挑战:(1)光照、背景、姿态、表情、遮挡物以及年龄变化;(2)成像条件及设备差异;(3)数据规模的限制等。因此,人脸识别技术中高识别率问题依旧未得到彻底解决。
环境光线的变化是影响人脸识别精度的主要因素之一。研究发现,同一人脸图像在不同光照条件下的差异往往比不同人脸图像在相同光照条件下的差异要大得多。而且现有很多人脸识别***都是在严格的光照条件下使用的,具有很大的局限性。因此人脸分类识别前光照预处理是非常有必要的,预处理的好坏直接影响到***性能的优劣。
人脸图像一般为二维图像,所含信息数据量巨大,容易造成维数灾难,不利于分类识别。为了降低计算的复杂度,提高***的运算速度和识别率,必须对图像进行压缩降维处理,用尽可能少的数据表示尽可能多的信息。
分类器的选择是影响人脸识别率的又一关键性因素。分类器的种类有很多,但是由于神经网络可以获得其他方法难以实现的识别规律和隐形表达,而且它并行的处理方式可以显著提高计算速度,因此,备受广大学者关注,被广泛应用到各个领域中。虽然神经网络在一定程度上降低了运算的复杂度,但神经网络各参数的设置并没有特定的原理算法,需要我们凭借经验来取值,另外,在神经网络的收敛速度和极易陷入局部极小值等问题方面也未彻底解决。
发明内容
发明目的:为了克服现有的不足,本发明提出一种基于局部二值和粒子群优化BP神经网络的人脸识别方法。
技术方案:一种基于局部二值和粒子群优化BP神经网络的人脸识别方法,包括以下步骤:
(1)将已知人脸库中每类人脸图像随机抽取一定数目作为训练样本集Itrain={X1,X2,...,Xj,...,XA},其中,Xj为每个训练样本图像,A为训练样本数;
(2)对训练样本集中每幅M×N像素的灰度图像进行几何归一化处理,将其归一化为H×H大小的图像,记为I′train,其中0<H≤min(M,N);
(3)利用局部二值算法对几何归一化后的训练集图像I′train提取光照不变量,去除光照影响,得到光照处理后的训练集图像I″train;
(4)对步骤(3)中经过局部二值算法处理后的图像集I″train进行加权二维离散小波变换,得到变换后的图像集Itrain,DWT;
(5)对步骤(4)得到的图像集Itrain,DWT中每个样本图像做二维离散余弦变换,得到变换系数矩阵Y={Y1,Y2,...,Yh,...,YA},其中,Yh为每个样本图像经过二维离散余弦变换后得到的变换系数向量,然后,将变换系数矩阵Y中每个向量利用zigzag扫描方式展开,最后,提取每个展开向量的主分量,组成最优特征向量E;
(6)设置神经网络参数,确定BP神经网络的拓扑结构,输入层节点数Q、隐含层节点数W、输出层节点数Z、激活函数Sigmoid函数;
(7)通过粒子群算法优化BP神经网络权值和阀值;
(8)将步骤(7)得到的全局最优值映射为神经网络的初始权值和阈值,训练BP神经网络;
(9)将人脸库中其余图像作为测试样本集Itest,将其重复步骤(2)到步骤(5)的处理,然后将测试样本数据输入到步骤(8)所得到的已训练好的BP神经网络中进行测试,计算识别率。
所述步骤(3)具体为:
首先,将I′train中的每幅图像分成n×n的小块,把每个小块内n×n个像素点灰度值的均值作为新图像的一个像素值,得到分块训练集图像Itrain_block;
然后,利用局部二值算法来描述人脸图像的光照不变量特征,对于Itrain_block中任意一图像I,I∈Itrain_block,其任意一点(xc,yc)及均匀分布在该中心点周围的P个邻域点的局部二值特征算子LBP为:
其中,gc表示区域内中心像素点(xc,yc)的灰度值,gq(q=0,1,...,P-1)表示均匀分布在以中心点(xc,yc)为圆心,半径为R的圆周上P个采样点的灰度值。
所述步骤(4)具体为:
在图像集I″train中选取任意一幅图像F,对其进行二维离散小波变换,得到LL,LH,HL,HH四个方向上的图像,记为FLL,FLH,FHL,FHH,则加权后的图像F′为:
F′=a0FLL+a1FLH+a2FHL (2)
其中,a0,a1,a2为加权系数,约束条件为a0+a1+a2=1;低频分量FLL为原图像的平滑图像,保持了原图像的大部分信息;FLH分量保持了原图像的垂直边缘细节;FHL分量保持了原图像的水平边缘细节;FHH分量保持了原图像对角线方向上的边缘细节。
所述步骤(7)具体为:
a.设置粒子群参数,包括粒子种群规模B、维度D、最大迭代次数Tmax、学习因子c1和c2、惯性权重ω、最大速度υmax、最大位置xmax、期望误差最小值ε、在允许范围内随机产生粒子的初始速度及位置;
b.计算每个粒子的适应度Ja;
c.根据适应度Ja来确定每个粒子的个体最优极值和全局最优极值,将当前适应度值与每个粒子历史最优适应度比较,适应度小者作为个体最优极值Pbest,与整个种群最优适应度比较,适应度小者作为全局最优极值Gbest;
d.更新每个粒子的速度和位置,并且考虑更新后的速度和位置是否在限定范围内;
其中,i=1,2,...,B,d=1,2,...,D,为第T次迭代粒子i速度矢量的第d维分量;为第T次迭代粒子i位置矢量的第d维分量;为粒子i个体当前最好位置Pbest的第d维分量;为当前群体最好位置Gbest的第d维分量;r1和r2为服从[0,1]均匀分布的随机数;
约束条件1:若 则 若 则
约束条件2:若 则 若 则
e.比较迭代次数是否达到最大Tmax或者均方误差是否达到精度ε要求,若满足,则算法收敛,记录最后一次迭代的个体最优值Pbest和全局最优值Gbest;否则,返回步骤c。
所述步骤b的计算方法具体为:
其中,a=1,2,...,B;是第k个样本的第t个网络输出神经元的期望输出值;是第k个样本的第t个网络输出神经元的实际输出值。
工作原理:本发明首先将已知人脸库中每类人脸图像无重叠的分为训练样本集和测试样本集,对图像进归一化和局部二值预处理;其次,对预处理后的图像做二维离散小波变换,去除对角线分量的影响,将其余三个频带分量加权融合,再对融合后的图像做二维离散余弦变换,利用zigzag扫描方式提取其主要变换系数矩阵;再次,利用粒子群算法优化BP神经网络的初始权值和阈值进行网络训练;最后,将测试样本集数据送入到已训练好的BP神经网络中进行测试,计算识别率。
有益效果:本发明通过局部二值算法去除光照影响,加权离散小波变换与离散余弦变换相结合来进行特征提取,再利用粒子群优化神经网络的权值和阈值来进行分类识别,具有较强的鲁棒性和寻优能力。与现有技术相比,本发明具有较高的运算效率和识别能力,适用于人脸识别***。
附图说明
图1是本发明框图;
图2是本发明中粒子群优化BP神经网络的流程图。
具体实施方式
如图1、2所示,一种基于局部二值和粒子群优化BP神经网络的人脸识别方法包括以下步骤:
步骤1:将已知人脸库中每类人脸图像随机抽取一定数目作为训练样本集Itrain={X1,X2,...,Xj,...,XA},其中,Xj为每个训练样本图像,A为训练样本数,其余作为测试样本集Itest;
步骤2:对训练集中每幅M×N像素的灰度图像进行几何归一化处理,将其归一化为H×H大小的图像,记为I′train,其中0<H≤min(M,N);
步骤3:利用局部二值算法对归一化后的训练集图像I′train提取光照不变量,去除光照影响,得到光照处理后的训练集图像I″train,其过程为:
(1)首先,将I′train中的每幅图像分成n×n的小块,把每个小块内n×n个像素点灰度值的均值作为新图像的一个像素值,得到分块训练集图像Itrain_block;
(2)利用局部二值算法来描述人脸图像的光照不变量特征,对于Itrain_block中任意一图像I,I∈Itrain_block,其任意一点(xc,yc)及均匀分布在该中心点周围的P个邻域点的局部二值特征算子LBP表示为:
其中,gc表示区域内中心像素点(xc,yc)的灰度值,gq(q=0,1,...,P-1)表示均匀分布在以中心点(xc,yc)为圆心,半径为R的圆周上P个采样点的灰度值;
步骤4:对上述经过局部二值处理后的图像集I″train进行加权二维离散小波变换,得到变换后的图像集Itrain,DWT:
在图像集I″train中选取任意一幅图像F,对其进行二维离散小波变换,得到LL,LH,HL,HH四个方向上的图像,记为FLL,FLH,FHL,FHH,则加权后的图像F′为:
F′=a0FLL+a1FLH+a2FHL (2)
其中,a0,a1,a2为加权系数,约束条件为a0+a1+a2=1;低频分量FLL为原图像的平滑图像,保持了原图像的大部分信息;FLH分量保持了原图像的垂直边缘细节;FHL分量保持了原图像的水平边缘细节;FHH分量保持了原图像对角线方向上的边缘细节;由于人脸图像是非刚性的,对角线方向信息的稳定性较差,含噪声较多,非常不利于特征提取,所以将其舍去;
步骤5:对图像集Itrain,DWT中每个样本图像做二维离散余弦变换,得到变换系数矩阵Y={Y1,Y2,...,Yh,...,YA},其中,Yh为每个样本图像经过二维离散余弦变换后得到的变换系数向量;然后,将变换系数矩阵Y中每个向量利用zigzag扫描方式展开;最后,提取每个展开向量的主分量,组成最优特征向量E,即为神经网络的输入;
步骤6:如图2所示:设置神经网络参数,确定BP神经网络的拓扑结构:输入层节点数Q、隐含层节点数W、输出层节点数Z;激活函数Sigmoid函数;
步骤7:设置粒子群参数:粒子种群规模B,其中20≤B≤100;维度D,其中D=QW+WZ+W+Z;最大迭代次数Tmax;学习因子c1和c2,其中1≤c1≤2,1≤c2≤2,一般取c1=c2;惯性权重ω,其中0<ω<1;最大速度υmax;最大位置xmax;在允许范围内随机产生粒子的初始速度、位置;期望误差最小值ε;
步骤8:计算每个粒子的适应度:先输入一个粒子,计算所有样本均方差,即该粒子的适应度,即:
其中,a=1,2,...,B;是第k个样本的第t个网络输出神经元的期望输出值;是第k个样本的第t个网络输出神经元的实际输出值;同理,继续输入其它粒子,直至计算出所有粒子的适应度;
步骤9:根据适应度Ja来确定每个粒子的个体最优极值和全局最优极值,将当前适应度值与每个粒子历史最优适应度比较,适应度小者作为个体最优极值Pbest,与整个种群最优适应度比较,适应度小者作为全局最优极值Gbest;
步骤10:更新每个粒子的速度和位置,并且考虑更新后的速度和位置是否在限定范围内;
其中,i=1,2,...,B,d=1,2,...,D,为第T次迭代粒子i速度矢量的第d维分量;为第T次迭代粒子i位置矢量的第d维分量;为粒子i个体当前最好位置Pbest的第d维分量;为当前群体最好位置Gbest的第d维分量;r1和r2为服从[0,1]均匀分布的随机数;
约束条件1:若 则 若 则
约束条件2:若 则 若 则
步骤11:比较迭代次数是否达到最大Tmax或者均方误差是否达到精度ε要求,若满足,则算法收敛,记录最后一次迭代的个体最优值Pbest和全局最优值Gbest;否则,返回步骤9,继续迭代;
步骤12:将全局最优值映射为神经网络的初始权值和阈值,训练网络;
步骤13:将测试集Itest重复步骤2到步骤5的处理,将测试样本数据输入到已训练好的BP神经网络中进行测试,根据BP神经网络的输出结果,计算识别率。
Claims (5)
1.一种基于局部二值和粒子群优化BP神经网络的人脸识别方法,其特征在于,包括以下步骤:
(1)将已知人脸库中每类人脸图像随机抽取一定数目作为训练样本集Itrain={X1,X2,...,Xj,...,XA},其中,Xj为每个训练样本图像,A为训练样本数;
(2)对训练样本集中每幅M×N像素的灰度图像进行几何归一化处理,将其归一化为H×H大小的图像,记为I′train,其中0<H≤min(M,N);
(3)利用局部二值算法对几何归一化后的训练集图像I′train提取光照不变量,去除光照影响,得到光照处理后的训练集图像I″train;
(4)对步骤(3)中经过局部二值算法处理后的图像集I″train进行加权二维离散小波变换,得到变换后的图像集Itrain,DWT;
(5)对步骤(4)得到的图像集Itrain,DWT中每个样本图像做二维离散余弦变换,得到变换系数矩阵Y={Y1,Y2,...,Yh,...,YA},其中,Yh为每个样本图像经过二维离散余弦变换后得到的变换系数向量,然后,将变换系数矩阵Y中每个向量利用zigzag扫描方式展开,最后,提取每个展开向量的主分量,组成最优特征向量E;
(6)设置神经网络参数,确定BP神经网络的拓扑结构,输入层节点数Q、隐含层节点数W、输出层节点数Z、激活函数Sigmoid函数;
(7)通过粒子群算法优化BP神经网络权值和阀值;
(8)将步骤(7)得到的全局最优值映射为神经网络的初始权值和阈值,训练BP神经网络;
(9)将人脸库中其余图像作为测试样本集Itest,将其重复步骤(2)到步骤(5)的处理,然后将测试样本数据输入到步骤(8)所得到的已训练好的BP神经网络中进行测试,计算识别率。
2.根据权利要求1所述的一种基于局部二值和粒子群优化BP神经网络的人脸识别方法,其特征在于,所述步骤(3)具体为:
首先,将I′train中的每幅图像分成n×n的小块,把每个小块内n×n个像素点灰度值的均值作为新图像的一个像素值,得到分块训练集图像Itrain_block;
然后,利用局部二值算法来描述人脸图像的光照不变量特征,对于Itrain_block中任意一图像I,I∈Itrain_block,其任意一点(xc,yc)及均匀分布在该中心点周围的P个邻域点的局部二值特征算子LBP为:
其中,gc表示区域内中心像素点(xc,yc)的灰度值,gq(q=0,1,...,P-1)表示均匀分布在以中心点(xc,yc)为圆心,半径为R的圆周上P个采样点的灰度值。
3.根据权利要求1所述的一种基于局部二值和粒子群优化BP神经网络的人脸识别方法,其特征在于,所述步骤(4)具体为:
在图像集I″train中选取任意一幅图像F,对其进行二维离散小波变换,得到LL,LH,HL,HH四个方向上的图像,记为FLL,FLH,FHL,FHH,则加权后的图像F′为:
F′=a0FLL+a1FLH+a2FHL (2)
其中,a0,a1,a2为加权系数,约束条件为a0+a1+a2=1;低频分量FLL为原图像的平滑图像,保持了原图像的大部分信息;FLH分量保持了原图像的垂直边缘细节;FHL分量保持了原图像的水平边缘细节;FHH分量保持了原图像对角线方向上的边缘细节。
4.据权利要求1所述的一种基于局部二值和粒子群优化BP神经网络的人脸识别方法,其特征在于,所述步骤(7)具体为:
a.设置粒子群参数,包括粒子种群规模B、维度D、最大迭代次数Tmax、学习因子c1和c2、惯性权重ω、最大速度υmax、最大位置xmax、期望误差最小值ε、在允许范围内随机产生粒子的初始速度及位置;
b.计算每个粒子的适应度Ja;
c.根据适应度Ja来确定每个粒子的个体最优极值和全局最优极值,将当前适应度值与每个粒子历史最优适应度比较,适应度小者作为个体最优极值Pbest,与整个种群最优适应度比较,适应度小者作为全局最优极值Gbest;
d.更新每个粒子的速度和位置,并且考虑更新后的速度和位置是否在限定范围内;
其中,i=1,2,...,B,d=1,2,...,D,为第T次迭代粒子i速度矢量的第d维分量;为第T次迭代粒子i位置矢量的第d维分量;为粒子i个体当前最好位置Pbest的第d维分量;为当前群体最好位置Gbest的第d维分量;r1和r2为服从[0,1]均匀分布的随机数;
约束条件1:若 则 若 则
约束条件2:若 则 若 则
e.比较迭代次数是否达到最大Tmax或者均方误差是否达到精度ε要求,若满足,则算法收敛,记录最后一次迭代的个体最优值Pbest和全局最优值Gbest;否则,返回步骤c。
5.根据权利要求4所述的一种基于局部二值和粒子群优化BP神经网络的人脸识别方法,其特征在于,所述步骤b的计算方法具体为:
其中,a=1,2,...,B;是第k个样本的第t个网络输出神经元的期望输出值;是第k个样本的第t个网络输出神经元的实际输出值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410200902.XA CN103927531B (zh) | 2014-05-13 | 2014-05-13 | 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410200902.XA CN103927531B (zh) | 2014-05-13 | 2014-05-13 | 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103927531A true CN103927531A (zh) | 2014-07-16 |
CN103927531B CN103927531B (zh) | 2017-04-05 |
Family
ID=51145747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410200902.XA Active CN103927531B (zh) | 2014-05-13 | 2014-05-13 | 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103927531B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160336A (zh) * | 2015-10-21 | 2015-12-16 | 云南大学 | 基于Sigmoid函数的人脸识别方法 |
CN105427241A (zh) * | 2015-12-07 | 2016-03-23 | 中国航空工业集团公司洛阳电光设备研究所 | 一种大视场显示设备的畸变校正方法 |
CN106022317A (zh) * | 2016-06-27 | 2016-10-12 | 北京小米移动软件有限公司 | 人脸识别方法及装置 |
CN106600667A (zh) * | 2016-12-12 | 2017-04-26 | 南京大学 | 一种基于卷积神经网络的视频驱动人脸动画方法 |
CN106709598A (zh) * | 2016-12-15 | 2017-05-24 | 全球能源互联网研究院 | 一种基于单类样本的电压稳定性预测判断方法 |
CN107169474A (zh) * | 2017-06-16 | 2017-09-15 | 郑州云海信息技术有限公司 | 一种基于智能计算技术的犯罪预警方法 |
CN107274356A (zh) * | 2017-05-23 | 2017-10-20 | 浙江大学 | 一种自适应的灰度图像增强*** |
CN107845127A (zh) * | 2017-12-02 | 2018-03-27 | 天津浩宝丰科技有限公司 | 一种人脸卡通动漫形象设计方法 |
WO2018126396A1 (en) * | 2017-01-05 | 2018-07-12 | General Electric Company | Deep learning based estimation of data for use in tomographic reconstruction |
WO2018188309A1 (zh) * | 2017-04-10 | 2018-10-18 | 京东方科技集团股份有限公司 | 行人识别装置及方法、辅助驾驶装置 |
CN108985055A (zh) * | 2018-06-26 | 2018-12-11 | 东北大学秦皇岛分校 | 一种恶意软件的检测方法及*** |
CN109523461A (zh) * | 2018-11-09 | 2019-03-26 | 北京达佳互联信息技术有限公司 | 显示目标图像的方法、装置、终端及存储介质 |
CN110263644A (zh) * | 2019-05-21 | 2019-09-20 | 华南师范大学 | 基于三胞胎网络的遥感图像分类方法、***、设备及介质 |
CN110502989A (zh) * | 2019-07-16 | 2019-11-26 | 山东师范大学 | 一种小样本高光谱人脸识别方法及*** |
CN111222434A (zh) * | 2019-12-30 | 2020-06-02 | 深圳市爱协生科技有限公司 | 基于局部二值模式和深度学习的合成人脸图像取证方法 |
CN111583146A (zh) * | 2020-04-30 | 2020-08-25 | 济南博观智能科技有限公司 | 一种基于改进多尺度循环网络的人脸图像去模糊方法 |
CN111783704A (zh) * | 2020-07-07 | 2020-10-16 | 中电万维信息技术有限责任公司 | 一种基于粒子群优化径向基的人脸识别*** |
CN112836617A (zh) * | 2021-01-28 | 2021-05-25 | 北京理工大学前沿技术研究院 | 一种基于ipso-bpnn的长时人体下肢运动预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102339384B (zh) * | 2011-09-16 | 2013-07-03 | 北京交通大学 | 一种人脸识别方法 |
-
2014
- 2014-05-13 CN CN201410200902.XA patent/CN103927531B/zh active Active
Non-Patent Citations (3)
Title |
---|
潘海迪 等: "基于混合粒子群算法的多变量解耦控制器优化", 《计算机仿真》 * |
苏超 等: "基于集成BP网络的人脸识别研究", 《计算机应用研究》 * |
赵焕利 等: "小波变换和特征加权融合的人脸识别", 《中国图像图形学报》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160336A (zh) * | 2015-10-21 | 2015-12-16 | 云南大学 | 基于Sigmoid函数的人脸识别方法 |
CN105160336B (zh) * | 2015-10-21 | 2018-06-15 | 云南大学 | 基于Sigmoid函数的人脸识别方法 |
CN105427241B (zh) * | 2015-12-07 | 2020-02-18 | 中国航空工业集团公司洛阳电光设备研究所 | 一种大视场显示设备的畸变校正方法 |
CN105427241A (zh) * | 2015-12-07 | 2016-03-23 | 中国航空工业集团公司洛阳电光设备研究所 | 一种大视场显示设备的畸变校正方法 |
CN106022317A (zh) * | 2016-06-27 | 2016-10-12 | 北京小米移动软件有限公司 | 人脸识别方法及装置 |
CN106600667A (zh) * | 2016-12-12 | 2017-04-26 | 南京大学 | 一种基于卷积神经网络的视频驱动人脸动画方法 |
CN106600667B (zh) * | 2016-12-12 | 2020-04-21 | 南京大学 | 一种基于卷积神经网络的视频驱动人脸动画方法 |
CN106709598A (zh) * | 2016-12-15 | 2017-05-24 | 全球能源互联网研究院 | 一种基于单类样本的电压稳定性预测判断方法 |
CN106709598B (zh) * | 2016-12-15 | 2022-02-15 | 全球能源互联网研究院 | 一种基于单类样本的电压稳定性预测判断方法 |
WO2018126396A1 (en) * | 2017-01-05 | 2018-07-12 | General Electric Company | Deep learning based estimation of data for use in tomographic reconstruction |
US11508157B2 (en) | 2017-04-10 | 2022-11-22 | Beijing Boe Technology Development Co., Ltd. | Device and method of objective identification and driving assistance device |
WO2018188309A1 (zh) * | 2017-04-10 | 2018-10-18 | 京东方科技集团股份有限公司 | 行人识别装置及方法、辅助驾驶装置 |
CN107274356B (zh) * | 2017-05-23 | 2020-07-21 | 浙江大学 | 一种自适应的灰度图像增强*** |
CN107274356A (zh) * | 2017-05-23 | 2017-10-20 | 浙江大学 | 一种自适应的灰度图像增强*** |
CN107169474A (zh) * | 2017-06-16 | 2017-09-15 | 郑州云海信息技术有限公司 | 一种基于智能计算技术的犯罪预警方法 |
CN107845127A (zh) * | 2017-12-02 | 2018-03-27 | 天津浩宝丰科技有限公司 | 一种人脸卡通动漫形象设计方法 |
CN108985055A (zh) * | 2018-06-26 | 2018-12-11 | 东北大学秦皇岛分校 | 一种恶意软件的检测方法及*** |
CN108985055B (zh) * | 2018-06-26 | 2020-08-28 | 东北大学秦皇岛分校 | 一种恶意软件的检测方法及*** |
CN109523461A (zh) * | 2018-11-09 | 2019-03-26 | 北京达佳互联信息技术有限公司 | 显示目标图像的方法、装置、终端及存储介质 |
CN110263644B (zh) * | 2019-05-21 | 2021-08-10 | 华南师范大学 | 基于三胞胎网络的遥感图像分类方法、***、设备及介质 |
CN110263644A (zh) * | 2019-05-21 | 2019-09-20 | 华南师范大学 | 基于三胞胎网络的遥感图像分类方法、***、设备及介质 |
CN110502989A (zh) * | 2019-07-16 | 2019-11-26 | 山东师范大学 | 一种小样本高光谱人脸识别方法及*** |
CN111222434A (zh) * | 2019-12-30 | 2020-06-02 | 深圳市爱协生科技有限公司 | 基于局部二值模式和深度学习的合成人脸图像取证方法 |
CN111583146A (zh) * | 2020-04-30 | 2020-08-25 | 济南博观智能科技有限公司 | 一种基于改进多尺度循环网络的人脸图像去模糊方法 |
CN111783704A (zh) * | 2020-07-07 | 2020-10-16 | 中电万维信息技术有限责任公司 | 一种基于粒子群优化径向基的人脸识别*** |
CN112836617A (zh) * | 2021-01-28 | 2021-05-25 | 北京理工大学前沿技术研究院 | 一种基于ipso-bpnn的长时人体下肢运动预测方法 |
CN112836617B (zh) * | 2021-01-28 | 2023-02-03 | 北京理工大学前沿技术研究院 | 一种基于ipso-bpnn的长时人体下肢运动预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103927531B (zh) | 2017-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103927531A (zh) | 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法 | |
CN107316013B (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
Thai et al. | Image classification using support vector machine and artificial neural network | |
Meethongjan et al. | An intelligent fused approach for face recognition | |
CN104778457B (zh) | 基于多示例学习的视频人脸识别方法 | |
CN105608471A (zh) | 一种鲁棒直推式标签估计及数据分类方法和*** | |
CN104077613A (zh) | 一种基于级联多级卷积神经网络的人群密度估计方法 | |
CN113674334B (zh) | 基于深度自注意力网络和局部特征编码的纹理识别方法 | |
CN102646200A (zh) | 多分类器自适应权值融合的影像分类方法及*** | |
CN104537647A (zh) | 一种目标检测方法及装置 | |
CN112862690B (zh) | 一种基于Transformers的低分辨率图像超分辨方法及*** | |
De et al. | A parallel adaptive segmentation method based on SOM and GPU with application to MRI image processing | |
CN103164856B (zh) | 一种基于稠密sift流的视频复制粘贴盲检测方法 | |
CN110570443B (zh) | 一种基于结构约束条件生成模型的图像线状目标提取方法 | |
CN104732244A (zh) | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 | |
CN102915453A (zh) | 一种实时反馈更新的车辆检测方法 | |
Dong et al. | Feature extraction through contourlet subband clustering for texture classification | |
CN114419413A (zh) | 感受野自适应的变电站绝缘子缺陷检测神经网络构建方法 | |
CN104143091A (zh) | 基于改进mLBP的单样本人脸识别方法 | |
Hebbar et al. | Transfer learning approach for splicing and copy-move image tampering detection. | |
CN101271465A (zh) | 一种基于信息瓶颈理论的镜头聚类方法 | |
CN116128820A (zh) | 一种基于改进yolo模型的销钉状态的识别方法 | |
CN115565019A (zh) | 基于深度自监督生成对抗的单通道高分辨sar图像地物分类方法 | |
Kumar et al. | Automatic image segmentation using wavelets | |
Sun et al. | Deep learning based pedestrian detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |