排序方式: 共有73条查询结果,搜索用时 15 毫秒
21.
利用几何特性及神经网络进行人脸探测技术的研究 总被引:4,自引:0,他引:4
在人脸识别过程中 ,首先也是最重要的一个环节是人脸探测 ,因为一旦从图像中定位并提取到了人脸 ,那么下一步的人脸识别工作就变得非常容易。眼睛是人脸图像中最容易探测的部位 ,而且通过探测双眼来发现人脸最符合人的视觉习惯。提出了一种基于几何特征分析和人工神经网络的由粗到细的两级人脸探测方法。在第一级中 ,眼睛和脸是通过测量眼睛的尺寸和眼睛与脸的位置关系探测到的 ,第一级的输出是一个尺寸归一化的人脸 ,但偶尔也伴随着一个或多个因对复杂背景中与眼睛类似的物体的误判而得到的非人脸图像 ;第二级神经网络正是用来过滤掉第一级中被误判的人脸。实验表明 ,这种由粗到细的两级人脸探测系统具有很高的稳定性和探测正确率 相似文献
22.
改进型Czerny-Turner成像光谱仪光学系统设计方法 总被引:6,自引:2,他引:6
像散是目前影响Czerny-Turner结构成像光谱仪空间分辨率最大的像差。首先引入柱面反射镜,利用光焦度衡量像散大小,推导出易于计算的像散校正公式,有效地校正了像散。给出准直镜到光栅距离的计算方法,有效校正了成像光谱仪边缘视场像差。给出了成像光谱仪像面倾角的计算方法,实现了宽波段的像差校正。最终利用上述方法设计了一套用于115~200nm的改进型Czerny-Turner成像光谱仪,焦距f′=48mm,F数为5.0,全视场、全波段调制传递函数(MTF)在0.7以上。全波段光谱分辨率为0.22nm,像面大小为8mm×7mm。设计方法适用于多种结构要求的成像光谱仪。 相似文献
23.
24.
一种新的自组织聚类网络及其在数据融合目标分类中的应用 总被引:2,自引:0,他引:2
介绍了一种新的自组织聚类人工神经网络(DIGNET)模型和网络的非监督学习算法。针对数据融合和目标识别的特点,提出了基于DIGNET的决策层数据融合目标分类方法。利用仿真数据研究了DIGNET和自组织特征映射网络(SOFM)的聚类性能以及基于DIGNET的决策层数据融合结构,实验结果表明DIGNET较SOFM正确分类率高、抗噪能力好;基于DIGNET的决策层数据融合能够有效地实现融合识别。将该数据融合方法应用于前视红外(FLIR)和可见光摄像机目标跟踪系统,结果表明该方法是可行的。 相似文献
25.
26.
提出了一种基于Lambert辐射模型的发光二极管光源阵列发射天线光照度计算模型,对室内可见光通信发射天线进行了优化设计.分析了光源的空间分布形式、光源间距、光源中心光束与系统光轴夹角以及空间分布层间距等因素对光照度均匀性的影响.通过仿真模拟和分析,得到了圆形阵列天线在照度均匀性和通信传输信号稳定性方面都优于相同光源数目的矩形阵列天线,并且提高了10%左右;同时得出了在满足室内照明情形下,发光二极管阵列发射天线照度均匀度随光源间距及光源中心光束与系统光轴夹角的增加均呈现出先增加后减小的变化趋势,因此,光源间距和光源中心光束与系统光轴夹角均存在最优值;照度均匀度随空间分布层间距的减小而增加,并给出了5 m×5 m×3 m普通房间内发射天线阵列设计参数的最优值,使发射性能得到了优化,同时节省光源数13%,降低了成本.这些研究为发射天线系统的设计提供了理论依据,具有实用价值. 相似文献
27.
28.
A novel unsupervised approach for regions of interest (ROI) extraction that combines the modified visual attention model and clustering analysis method is proposed. Then the non-uniform color image compression algorithm is followed to compress ROI and other regions with different compression ratios through the JPEG image compression algorithm. The reconstruction algorithm of the compressed image is similar to that of the JPEG algorithm. Experimental results show that the proposed method has better performance in terms of compression ratio and fidelity when comparing with other traditional approaches. 相似文献
29.
基于流形学习和空间信息的改进N-FINDR端元提取算法 总被引:3,自引:0,他引:3
光谱端元提取是对高光谱数据进一步分析的重要前提。由于双向反射分布函数(BRDF),像元内的多重散射和亚像元成分的异质性等因素,高光谱图像中的混合像元实际上是非线性光谱混合。传统的端元提取算法是以线性光谱混合模型为基础,因此提取的端元精度不高。在光谱非线性混合的基础上,提出一种将流形学习与空间信息结合的改进N-FINDR端元提取算法。首先通过自适应的局部切空间排列算法寻找嵌入在高维非线性数据空间的本质的低维结构,将原始高光谱数据非线性降维到低维空间。接着利用地物分布具有连续性的特点,通过增大空间同质区域的像元的权重进行空间预处理。最后通过寻找最大单形体体积进行端元提取。提出算法很好的解决了高光谱遥感数据非线性结构,并利用了空间信息,提高了端元提取的精度。模拟数据实验和真实高光谱遥感数据实验结果均表明,采用该算法得到的结果优于顶点成分分析(VCA) 算法、基于测地线距离的最大单形体体积(GSVM)算法和空间预处理的N-FINDR(SPPNFINDR)算法。 相似文献
30.