基于统计特征的3D人脸识别生物模板保护方案

生物模板的安全是生物识别系统安全的一个重要因素,传统的生物识别系统直接存储生物模板的方式导致一系列的安全和隐私问题,成为阻碍生物识别技术发展与推广的瓶颈.基于统计特性提取特征是人脸识别中一项较为成熟的技术,本文针对此类生物模板,提出了一种合适的模板保护方案,该方案的核心思想是利用密码学中的Hash函数实现模板与待测特征信息之间的匹配,通过选取特征向量中的主要成分、量化和纠错码等方法解决生物信息模糊性和Hash函数敏感性之间的矛盾.通过对方案的安全分析和在3D人脸识别中的仿真实验,验证了方案的安全性和可行性.     

复杂背景下人脸的鲁棒识别

研究了复杂背景下人脸的鲁棒识别 ,比较了两种常用的人脸识别算法特征脸和弹性匹配方法的性能 ,在弹性匹配算法的基础上提出了利用关键点信息的改进算法 ,并在一个真实人脸库上进行了测试     

基于迁移学习的人脸种群识别技术研究

自动提取人脸特征来验证人的身份目前已经被广泛的应用在各种领域,但是通过人脸特征来辨别种群大多还是停留在人工提取特征的阶段,耗费大量人力资源,或者使用深度学习,但是需要经过大量的计算消耗大量的时间。文中提出了一种利用迁移学习的方法,通过微调网络以及冻结参数相结合的训练方式提高了原预训练网络对于人脸种群识别的泛化性与稳定性;同时对模型进行了改进以提高识别的时效性,提高了网络识别速度的同时大大减少了网络的参数。经自建的人脸数据集训练测试,取得了良好的检测性能。     

基于动态平衡自适应迁移学习的流量分类方法

针对应用流量识别性能和准确率降低等问题,该文提出一种动态平衡自适应迁移学习的流量分类算法。首先将迁移学习引入到应用流量识别中,通过将源领域和目标领域的样本特征映射到高维特征空间中,使得源领域和目标领域的边缘分布与条件分布距离尽量小,提出使用概率模型来判断和计算域之间的边缘分布与条件分布的区别,利用概率模型对分类类别确认度的大小,定量来计算平衡因子$ \mu $,解决DDA中只考虑到分类错误率,没有考虑到确认度的问题。然后引入断崖式下跌策略动态确定特征主元的数量,将进行转换后的特征使用基础分类器进行训练,通过不断的迭代训练,将最终得到的分类器应用到最新的移动终端应用识别上,比传统机器学习方法的准确率平均提高了7%左右。最后针对特征维度较高的问题,引入逆向特征自删除策略,结合推土机距离(EMD),使用信息增益权重推土机相关系数,提出了针对应用流量识别的特征选择算法,解决了部分特征对模型的分类无法起到任何的帮助,仅仅导致模型的训练时间增加,甚至由于无关特征的存在导致模型的性能和准确率降低等问题,将经过选择处理的特征集作为迁移学习的训练输入数据,使得迁移算法的时间缩短大约80%。     

基于灰度积分投影和模板方法的人眼定位

提出了一种新的人眼定位方法。使用中值滤波和直方图均衡方法去除噪声和光照对图像的影响后,将图像做积分投影以缩小到人脸的眼部区域,在得到的眉眼区域中再做一次水平积分投影,找到两眼的垂直位置。最后利用人眼模板沿着该垂直方向进行匹配,匹配程度最高的部分即为要定位的人眼位置。     

基于深度迁移学习的饮食图像识别研究

卷积神经网络(CNN)应用于图像识别具有很大优势,但是需要足够深的网络和大量标签完善的数据集才能发挥其优越性.实际应用中,往往需要应对的是质量差和大小不一的数据集,且受硬件设备限制.为了提高图像识别效率和精度,提出一种基于深度卷积神经网络和迁移学习的识别算法.该算法首先对图像预处理和数据增强,后迁移大样本提取出的特征信息用于CNN特征提取,再接入微调网络对数据集再训练.实验结果显示,本文算法对饮食识别的精度和时间性能均有显著的提高,精确度最高可达98％以上,精度提升最高可达10％以上,时间性能提升幅度最高可达110％.     

基于人脸模板保护的不可逆变换方法

生物特征加密技术由于生物特征认证技术和密码学方法组成。它在为生物认证系统提供精确性和便捷性的同时,也保证了生物模板的隐私性和安全性。本文针对有序人脸特征,设计了四种形态的不可逆变换函数,并将其运用到三种不可逆变换方案中。我们设计的不可逆变换方案包括:位置变换方案,特征值变换方案以及二维变换方案。在实验阶段,我们对比了三种变换方案产生模板的认证性能和安全性能,并以任意一幅人脸的变换模板为例进行重构,重构后的人脸图像与原始人脸有很大差异。实验结果表明,位置变换方案通过增加多对一区域方式来增加认证系统安全性能,且认证性能与原始生物特征几乎相同。      

基于特征子模板的LED芯片快速定位方法

根据LED芯片图像的特点,提出了基于特征子模板的快速芯片定位方法,并且给出了两种特征子模板的选取算法.该方法大幅度提高了定位效率,满足了芯片分拣设备的研制要求.     

基于VGG16和迁移学习的高分辨率掌纹图像识别

由于高分辨率掌纹图像尺寸大、掌纹图像数量少等特点,目前主流的方法采用细节特征点匹配,其算法设计复杂,识别精度不高.针对以上问题,本文提出基于迁移学习的高分辨率掌纹图像识别方法,该方法以VGG16为基础网络,将在ima-genet数据集上训练好的权重参数,用于初始化所有的卷积层;使用图像增强技术将高分辨率掌纹图像分别4、...     

基于模板匹配算法的字符识别研究

文中提出了一种基于模板匹配的字符识别算法。该算法在对输入的字符进行预处理的基础上对字符进行特征量提取,预先将字符分成若干个集合;然后再对各集合中的字符进行模板匹配,最终对字符做出判决。试验结果表明,模板匹配算法保证了字符识别的正确率,而对字符进行预分类,则缩小了模板匹配的字符对象范围,弥补了模板匹配算法对于大量字符耗时多的缺点。     

运用隔帧模板匹配算法检测复杂背景下运动目标

提出一种用于复杂背景下实时识别运动目标的新方法,该方法首先利用预处理滤除大部分灰度较低的背景和杂波,然后再采用不同间隔的序列模板分别进行二次误差匹配并构成并行结构来识别目标.该方法成功地克服了传统的模板匹配法计算量大,耗时多的不足,并使整个系统能够探测到静止甚至速度较大的运动目标,且在部分被遮挡甚至偶尔目标失锁的情况下依然能较好地跟踪.仿真结果也表明了该方法的有效性.     

一种基于模板匹配的亚像素椭圆检测算法

针对熊猫光纤端面图像识别,提出了一种亚像素椭圆特征检测方法.通过参数分离和精度逐级递增的模板匹配,将算法的时间复杂度降低为O((log n)2).经实验检验,在低噪声环境下,该算法检测平均误差低于0.04像素;在高噪声和图像不完整的情况下,检测平均误差仍低于0.07像素.     

基于Agent强化学习的地图迁移学习算法

强化学习是Agent学习中广泛使用的方法,在智能机器人、经济学、工业制造和博弈等领域得到了广泛的应用,但学习速度慢是强化学习的主要不足。迁移学习可从源任务中获得与目标任务相关的知识,利用这些知识去提高学习效率与效果。本文提出Agent地图迁移算法,实现了Agent在不同状态空间下的经验迁移。实现将Agent在简单环境中的学习经验迁移到复杂环境中,实验中验证了算法可加快Agent路径规划速度。     

基于形状的计算机物体识别的研究

针对计算机物体识别中不同角度下图像物体形状的不同,提出了采用多角度获取模板图像,实验图片与多角度的模板进行匹配的理论模型,对采用多角度模板匹配时出现的不同形状的轮廓进行分析,提出了用物体图像的轮廓形状的相关匹配法的解决方案,在物体识别中,多角度模板匹配与单一的模板相比,提高了识别的可靠性,避免了同一物体角度不同时,误识别为不同的物体的情况。     

网络平台治理中的生物识别信息保护

个人数据和隐私保护成为关注焦点的当下,网络平台中的生物识别信息过度采集、保存不当、权限滥用和非法交易的问题不断引发热议,生物识别信息保护刻不容缓.需厘清生物识别信息的内涵与特殊性和平台视角下生物识别信息风险的类型,继而通过分析网络平台在基础设施、产业生态和企业三种属性下形成的结构性障碍,倡导树立以平台为中心的治理理念和...     

融合故障录波和保护动作的输电线路迁移学习故障分析及定位

针对高比例分布式电源并入导致电网规模增大且结构复杂,使传统输电线路故障分析及定位时依赖人工对录波数据进行分析判别容易造成误判、效率低下等问题,根据迁移学习理论方法,基于输电线路故障录波数据建立输电线路故障类型特征提取模型;利用保护动作信息和故障量判别信息,建立输电线路故障位置范围。将故障录波数据、保护动作信息作为深度学习的输入、故障类型和故障位置作为输出进行训练,将训练模型应用至某实际电网中进行测试,结果表明所提方法能够有效辨识出故障线路类型和位置。     

深度迁移学习预训练对红外尾流成像识别的影响

随着水下航行器噪声水平的不断降低,水下航行器形成的尾流红外成像特征就成为其主要可探测的特征源之一,利用水下航行器尾流的水面红外特征来探测水下航行器的踪迹逐渐发展成为一种新的探测方式。由于人工判别尾流特征的效率低,准确性不高,采用人工智能深度学习的方式能够得到较大的改善。本文以水下航行器尾流红外特征识别为研究核心,通过图像分类制作了混合类的样本集,利用迁移学习比较不同预训练网的对尾流的训练效果,讨论预训练网内部参数对尾流训练效果的影响,结合Faster-RCNN算法,最终测试对尾流的识别精度,在45个2类尾流的小样本集下,预训练之后的网络在识别准确度上增加了21.43%,误检率下降了2.14%,带有红外特征的图像在定位精准率上比可见光图像高18.18%。该预训练测试对未来研究尾流探测结合卷积神经网络的识别有一定的应用潜力。     

基于迁移学习的感知矩阵优化方法

压缩感知中提高信号重构精度的关键问题是设计有效的感知矩阵,因此,提出了一种基于迁移学习的感知矩阵优化方法.首先,通过迁移学习更新稀疏表示系数,将固定稀疏基转换为自适应的稀疏基.然后,用稀疏基与测量矩阵的乘积构造一个Gram矩阵.最后,通过特征分解最小化Gram矩阵的非对角线元素,以减小Gram矩阵的全局相干性,实现原始...     

基于在线学习的压缩模版的目标跟踪算法

利用压缩感知(CS)矩阵建立压缩特征模版,通过在 线学习,实现一种更高效的目标跟踪算法。首先利用符 合有限等距性质的随机感知矩阵,取得跟踪目标表面特征的压缩模板;然后利用模板匹配 确定目标区域, 同时在跟踪过程中在线学习目标外观变化,并以此更新目标模板。采用了局部模板更新策略 ,使目标模板 更为准确,更能体现目标的变化状况。采用了模板匹配的确定性跟踪方法,大大减少了大量 正负样本的采 样,降低了算法复杂度。实验结果表明,与压缩跟踪(CT)算法相比,本文的基于在线学习的 压缩模版跟踪算法在时间性能 上有了明显提升,采用Kalman滤波器加速跟踪可提高6倍以上的时间性能,在多个标准测 试序列中的跟踪成功率也有了明显提高,有效地防止了跟踪中的漂移现象。