基于分形和遗传算法的人脸识别方法
!国家自然科学基金"#$%%&’’&(资助项目
稿件收到日期)$$$*)’*&)+修改稿收到日期&’’’*’)*’,!-./0123/456700215/89:5./;<5=2>4/A27>8<5=2> 2B C.=><";2D#$%%&’’&(
E/4/=F/8)$$$*)’*&)+1/F=6/8&’’’*’)*’,
基于分形和遗传算法的人脸识别方法!
陈刚戚飞虎
"上海交通大学计算机科学与工程系+上海+&’’’,’(
摘要对有限人群提出一种采用分形特征和遗传聚类的识别方法G将图像分成很多小区域+分别计算各个区域的分形特征+以充分利用图像二维信息H同一个模式有多个样本+通过遗传算法进行聚类以得到最优解实现不变性识别D最后采用I E J人脸图像库的一组图像对比了新方法K本征脸法和自联想神经网络方法+结果表明该方法的识别率+与本征脸法相似+比自联想神经网络高D
关键词分形+遗传算法+人脸识别D
L M N OP O N Q R S T U T Q S V M W O XQ S L P M N U M Y
M S XR O S O U T NM Y R Q P T U Z[W!
C\];^<>_‘a A/=*\7
"b/0<15c/>52B C2c075/1@4=/>4/d]>_=>//1=>_+@.<>_.<=e=<252>_f>=F/16=5:+@.<>_.<=&’’’,’+C.=><(
M g h i j k l i-.=6<15=4?/012026/8<>/m B<4/1/42_>=5=2><0012<4.9<6/82>B1<458_/>/5=4D n B<4/=c<_/m<68=F=8/8=>52c<>:6c652o//0&b=>B21c<5=2><>85./>B1<45m/1/485./9/654?765/162?75=2>m<6_259:76=>_ _/>/5=4=>F<1=<>51/42_>=5=2>m<61/<4./8D A=>=5=2>/p0/1=c/>576=>_I E J B<4/8<5<9<6/m<601/6/>5/8D]=_/>B<4/+<752*<6624=<5=F/>/71/5m21o<>85./>/m c/5.28m/1/42c0<1/8<>8 5./1/67?56.2m65.<55./1/42_>=5=2>1<5/2B5./>/m c/5.28=64?26/525.<52B/=_/>B<4/<>8=69/55/15.<>5.<52B <752*<6624=<5=F/>/71/5m21o D
q r st u j v h B1<45/5=4=5=2>D
引言
人脸识别w)x在模式识别领域的发展和应用方面都有着重要意义+但至今为止+大部分相关研究工作还仅仅是一个开端+离实用相距甚远D人脸识别困难较多+主要有G")(人脸不是一个刚体+而有着复杂丰富的表情+严格的特征匹配并不一定能奏效H"&(人脸图像的数据量一般都较大+使输入成为高维向量+且传统算法中图像通过被一维化而丢失一维空间信息H",(人脸模式如不加限制+就是庞大的人口数D
传统人脸识别采用匹配几何参数"如嘴的大小(+识别率较低+近年来研究了一种模板匹配的变形yy弹性匹配法w&x+这种方法适应性强+但速度较慢H本征脸图w&+,x把图像看作矩阵+用矩阵的本征值及对应的本征向量作为特征进行识别+该方法简单且识别率较好而得到广泛研究H人工神经网络w&+z x由于学习和容错功能也得到了重视和研究D
本文针对有限人群+提出了一种采用分形特征和遗传聚类的识别方法D为减小处理的数据量+图像被归一化到一个较小尺寸D选择分形特征是基于这样一个认识G人脸中包含丰富的纹理+如头发和皮肤+且它们存在一定的自相似性+而分形能较好地描述自然纹理H 另一方面+在人脸图像被看作函数{"|+}(时+其表现出参差不齐和凹凸不平的不规则形状+显示出一定的自相似性+这些都说明人脸图像中存在着分形特征D将图像分成很多的小区域+分别计算各个区域的分形特征+以充分利用图像的局部二维信息D同一个模式有多个样本+通过遗传算法进行聚类+得到最优解实现不变性识别D文章首先结合人脸图像识别对分形和遗传算
第)$卷第~期&’’’年)’月红外与毫米波学报
e Da>B1<1/8!=??=cD" #2?D)$+;2D~ I4529/1+&’’’ 万方数据 太原科技大学 毕业设计（论文） 设计(论文)题目：基于PCA算法的人脸识别 毕业设计（论文）原创性声明和使用授权说明 原创性声明 本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。 作者签名：日期： 指导教师签名：日期： 使用授权说明 本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。 作者签名：日期： Ⅰ 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名：日期：年月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名：日期：年月日 导师签名：日期：年月日 Ⅰ 《模式识别与人工智能》课程教学大纲 一、课程基本信息 课程代码：DX3004 课程名称：模式识别与人工智能 课程性质：选修课 课程类别：专业与专业方向课程 适用专业：电气信息类专业 总学时： 64 学时 总学分： 4 学分 先修课程：MATLAB程序设计；数据结构；数字信号处理；概率论与数理统计 后续课程：语音处理技术；数字图像处理 课程简介： 模式识别与人工智能是60年代迅速发展起来的一门学科，属于信息，控制和系统科学的范畴。模式识别就是利用计算机对某些物理现象进行分类，在错误概率最小的条件下，使识别的结果尽量与事物相符。模式识别技术主要分为两大类：基于决策理论的统计模式识别和基于形式语言理论的句法模式识别。模式识别的原理和方法在医学、军事等众多领域应用十分广泛。本课程着重讲述模式识别的基本概念，基本方法和算法原理，注重理论与实践紧密结合，通过大量实例讲述如何将所学知识运用到实际应用之中去，避免引用过多的、繁琐的数学推导。这门课的教学目的是让学生掌握统计模式识别基本原理和方法，使学生具有初步综合利用数学知识深入研究有关信息领域问题的能力。 选用教材： 《模式识别》第二版，边肇祺，张学工等编著[M]，北京：清华大学出版社，1999； 参考书目： [1] 《模式识别导论》，齐敏，李大健，郝重阳编著[M]. 北京：清华大学出版社，2009； [2] 《人工智能基础》，蔡自兴，蒙祖强[M]. 北京：高等教育出版社，2005； [3] 《模式识别》，汪增福编著[M]. 安徽：中国科学技术大学出版社，2010； 二、课程总目标 本课程为计算机应用技术专业本科生的专业选修课。通过本课程的学习，要求重点掌握统计模式识别的基本理论和应用。掌握统计模式识别方法中的特征提取和分类决策。掌握特征提取和选择的准则和算法，掌握监督学习的原理以及分类器的设计方法。基本掌握非监督模式识别方法。了解应用人工神经网络和模糊理论的模式识别方法。了解模式识别的应用和系统设计。要求学生掌握本课程的基本理论和方法并能在解决实际问题时得到有效地运用，同时为开发研究新的模式识别的理论和方法打下基础。 三、课程教学内容与基本要求 1、教学内容： （1）模式识别与人工智能基本知识； （2）贝叶斯决策理论； （3）概率密度函数的估计； （4）线性判别函数； （5）非线性胖别函数； 分形维数算法． 分形维数算法 分形包括规则分形和无规则分形两种。规则分形是指可以由简单的迭代或者是按一定规律所生成的分形，如Cantor集，Koch曲线，Sierpinski海绵等。这些分形图形具有严格的自相似性。无规则分形是指不光滑的，随机生成的分形， 如蜿蜒曲折的海岸线，变换无穷的布朗运动轨迹等。这类曲线的自相似性是近 似的或统计意义上的，这种自相似性只存于标度不变区域。 对于规则分形，其自相似性、标度不变性理论上是无限的（观测尺度可以趋于无限小）。不管我们怎样缩小（或放大）尺度（标度）去观察图形，其组成部分和原来的图形没有区别，也就是说它具有无限的膨胀和收缩对称性。因些对于这类分形，其计算方法比较简单，可以用缩小测量尺度的或者不断放大图形而得到。分形维数 D=lnN(λ)/ln(1/λ) （2-20） 如Cantor集，分数维D=ln2/ln3=0.631；Koch曲线分数维 D=ln4/ln3=1.262; Sierpinski海绵分数维D=ln20/ln3=2.777。 对于不规则分形，它只具有统计意义下的自相似性。不规则分形种类繁多，它可以是离散的点集、粗糙曲线、多枝权的二维图形、粗糙曲面、以至三维的[26]。点 集和多枝权的三维图形，下面介绍一些常用的测定方法（1）尺码法 用某个选定尺码沿曲线以分规方式测量，保持尺码分规两端的落点始终在曲线上。不断改变尺码λ，得到一系列长度N（λ），λ越小、N越大。如果作lnN～lnλ图后得到斜率为负的直线，这表明存在如下的幂函数关系 -D（2-21） N～λ上式也就是Mandelbrot在《分形：形状、机遇与维数》专著中引用的Richardson公式。Richardson是根据挪威、澳大利亚、南非、德国、不列颠西部、葡萄牙的海岸线丈量结果得出此公式的，使用的测量长度单位一般在1公里到4公里之间。海岸线绝对长度L被表示为： 1-D（2-22）L=Nλ～λ 他得到挪威东南部海岸线的分维D≈1.52，而不列颠西部海岸线的分维D≈[27]。。这说明挪威的海岸线更曲折一些1.3． ）小岛法（2面积如果粗糙曲线都是封闭的，例如海洋中的许多小岛，就可以利用周长-关系求分维，因此这个方法又被称为小岛法。则与λ的而面积A对于规则图形的周长与测量单位尺寸λ的一次方成正比， 二次方成正比。通常我们可以把它们写成一个简单的比例关系：1/2 (2-23) AP∝对于二维空间内的不规则分形的周长和面积的关系显然更复杂一些，提出，应该用分形周长曲线来代替原来的光滑周长，从而给出了下Mandelbrot 述关系式：21/??D??1/1/D2）（2-24)]?(?)]?[a?AP[(?)][??a(1?D)/DA(?00的P）式），使1（周长光滑时D=1，上式转化成为（2.23这里的分维D大于??的数1变化减缓，a是和岛的形状有关的常数，为小于是测量尺寸，一般取0/D）（1-D??减小而增大。作随测 中南大学 模式识别与机器学习 实验报告 班级计科1203 学号 0909121405 姓名雷亦恺 指导老师梁毅雄 Programming Exercise 1: Linear Regression Introduction In this exercise, you will implement linear regression and get to see it work on data. Before starting on this programming exercise, we strongly recommend watching the video lectures and completing the review questions for the associated topics. To get started with the exercise, you will need to download the starter code and unzip its contents to the directory where you wish to complete the exercise. If needed, use the cd command in Octave to change to this directory before starting this exercise. You can also find instructions for installing Octave on the \Octave Installation" page on the course website. Files included in this exercise ex1.m - Octave script that will help step you through the exercise ex1 multi.m - Octave script for the later parts of the exercise ex1data1.txt - Dataset for linear regression with one variable ex1data2.txt - Dataset for linear regression with multiple variables submit.m - Submission script that sends your solutions to our servers [*] warmUpExercise.m - Simple example function in Octave [*] plotData.m - Function to display the dataset [*] computeCost.m - Function to compute the cost of linear regression [*] gradientDescent.m - Function to run gradient descent [$] computeCostMulti.m - Cost function for multiple variables [$] gradientDescentMulti.m - Gradient descent for multiple variables [$] featureNormalize.m - Function to normalize features [$] normalEqn.m - Function to compute the normal equations * indicates les you will need to complete $ indicates extra credit exercises Throughout the exercise, you will be using the scripts ex1.m and ex1 multi.m. These scripts set up the dataset for the problems and make calls to functions that you will write. You do not need to modify either of them. You are only required to modify functions in other les, by following the instructions in this assignment. For this programming exercise, you are only required to complete the rst part of the exercise to implement linear regression with one variable. The second part of the exercise, which you may complete for extra credit, covers XXX人脸识别系统 一、XXX人脸识别系统简介 XXX人脸识别系统采用区域特征分析算法，融合计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，实现在大规模人脸图像数据库中进行人脸检索。从各种采集源获取的人脸图像可以迅速地与预先存储的数以千万计的图像数据库如逃犯照片库、失踪人口照片库、常住人口照片库等）完成比较，返回一个包含若干最相似人脸图像的匹配列表。支持照片比照片、视频流比照片、视频流比视频流等多种方式。可以实现在局域网、内部网、In ternet上进行照片比对和身份确认。 二、功能特性 先进性：采取XXX独特的混合人脸识别算法，识别精度更高，识别速度更快。 多样化：支持数据来源的多样化，动态人脸捕抓、手机拍摄、摄像机抓取，照片扫描等多种方式；支持现场捕捉照片与数据库中照片自动匹配检索； 高效低成本化：合理配置和选取合适的产品软硬件型号，使整个系统稳定、高效、可靠、低成本运行。 快速化：普通照片中提取人脸特征值，极大地降低了数据存储空间，加快了比对查询速度，单台计算机对比速度为每秒5 300万张（因选用的面纹模板而异）； 方便性：完善的照片比对功能，比对方式多，比对准确率 高，比对速度快，支持全局人脸识别和分部人脸部件的人脸识别 （化装问题），系统操作清晰，公安侦查人员和授权用户都能方便 的使用系统。 实用性：适合于各国人种，不受种族肤色及性别的影响， 不 受面部表情，胡须和发型等变化的影响。 简易性：支持现场捕捉照片与库中照片自动匹配检索照 片 库的授权链接访问； 三、系统逻辑结构图 四、应用情景 XXX 人脸识别产品已广泛应用于金融、司法、军队、公安、边 检、政府、航天、电力、工厂、教育、医疗及众多企事业单位等领 域。 1、 企业、住宅安全和管理。 2、 电子护照及身份证。 人脸相关业务 人脸识别系统 人脸比对 人脸建库 JMCT 人脸图像散据 移动警务 身盼豪■ 1} --------- 人輪阳憧JMtVEft ■库于累气 分形维数算法 分形维数算法 分形包括规则分形和无规则分形两种。规则分形是指可以由简单的迭代或者是按一定规律所生成的分形，如Cantor集，Koch曲线，Sierpinski海绵等。这些分形图形具有严格的自相似性。无规则分形是指不光滑的，随机生成的分形，如蜿蜒曲折的海岸线，变换无穷的布朗运动轨迹等。这类曲线的自相似性是近似的或统计意义上的，这种自相似性只存于标度不变区域。 对于规则分形，其自相似性、标度不变性理论上是无限的（观测尺度可以趋于无限小）。不管我们怎样缩小（或放大）尺度（标度）去观察图形，其组成部分和原来的图形没有区别，也就是说它具有无限的膨胀和收缩对称性。因些对于这类分形，其计算方法比较简单，可以用缩小测量尺度的或者不断放大图形而得到。分形维数 D=lnN(λ)/ln(1/λ) （2-20） 如Cantor集，分数维D=ln2/ln3=0.631；Koch曲线分数维D=ln4/ln3=1.262; Sierpinski海绵分数维D=ln20/ln3=2.777。 对于不规则分形，它只具有统计意义下的自相似性。不规则分形种类繁多，它可以是离散的点集、粗糙曲线、多枝权的二维图形、粗糙曲面、以至三维的点集和多枝权的三维图形，下面介绍一些常用的测定方法[26]。 （1）尺码法 用某个选定尺码沿曲线以分规方式测量，保持尺码分规两端的落点始终在曲线上。不断改变尺码λ，得到一系列长度N（λ），λ越小、N越大。如果作lnN～lnλ图后得到斜率为负的直线，这表明存在如下的幂函数关系 N～λ-D（2-21） 上式也就是Mandelbrot在《分形：形状、机遇与维数》专著中引用的Richardson公式。Richardson是根据挪威、澳大利亚、南非、德国、不列颠西部、葡萄牙的海岸线丈量结果得出此公式的，使用的测量长度单位一般在1公里到4公里之间。海岸线绝对长度L被表示为： L=Nλ～λ1-D（2-22） 他得到挪威东南部海岸线的分维D≈1.52，而不列颠西部海岸线的分维D≈1.3。这说明挪威的海岸线更曲折一些[27]。 人脸识别主要算法原理 主流的技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。 可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。 3. 特征脸方法（Eigenface或PCA） 浅析人工智能中的图像识别技术 本文从网络收集而来，上传到平台为了帮到更多的人，如果您需要使用本文档，请点击下载按钮下载本文档（有偿下载），另外祝您生活愉快，工作顺利，万事如意！ 图像识别技术是信息时代的一门重要的技术，其产生目的是为了让计算机代替人类去处理大量的物理信息。随着计算机技术的发展，人类对图像识别技术的认识越来越深刻。图像识别技术的过程分为信息的获取、预处理、特征抽取和选择、分类器设计和分类决策。文章简单分析了图像识别技术的引入、其技术原理以及模式识别等，之后介绍了神经网络的图像识别技术和非线性降维的图像识别技术及图像识别技术的应用。从中可以总结出图像处理技术的应用广泛，人类的生活将无法离开图像识别技术，研究图像识别技术具有重大意义。 1 图像识别技术的引入 图像识别是人工智能科技的一个重要领域。图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。图像识别，顾名思义，就是对图像做出各种处理、分析，最终识别我们所要研究的 目标。今天所指的图像识别并不仅仅是用人类的肉眼，而是借助计算机技术进行识别。虽然人类的识别能力很强大，但是对于高速发展的社会，人类自身识别能力已经满足不了我们的需求，于是就产生了基于计算机的图像识别技术。这就像人类研究生物细胞，完全靠肉眼观察细胞是不现实的，这样自然就产生了显微镜等用于精确观测的仪器。通常一个领域有固有技术无法解决的需求时，就会产生相应的新技术。图像识别技术也是如此，此技术的产生就是为了让计算机代替人类去处理大量的物理信息，解决人类无法识别或者识别率特别低的信息。 图像识别技术原理 其实，图像识别技术背后的原理并不是很难，只是其要处理的信息比较繁琐。计算机的任何处理技术都不是凭空产生的，它都是学者们从生活实践中得到启发而利用程序将其模拟实现的。计算机的图像识别技术和人类的图像识别在原理上并没有本质的区别，只是机器缺少人类在感觉与视觉差上的影响罢了。人类的图像识别也不单单是凭借整个图像存储在脑海中的记忆来识别的，我们识别图像都是依靠图像所具有 人工智能与模式识别 摘要：信息技术的飞速发展使得人工智能的应用围变得越来越广，而模式识别作为其中的一个重要方面，一直是人工智能研究的重要方向。在介绍人工智能和模式识别的相关知识的同时，对人工智能在模式识别中的应用进行了一定的论述。模式识别是人类的一项基本智能，着20世纪40年代计算机的出现以及50年代人工智能的兴起，模式识别技术有了长足的发展。模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。模式识别的发展潜力巨大。 关键词：模式识别；数字识别；人脸识别中图分类号； Abstract: The rapid development of information technology makes the application of artificial intelligence become more and more widely. Pattern recognition, as one of the important aspects, has always been an important direction of artificial intelligence research. In the introduction of artificial intelligence and pattern recognition related knowledge at the same time, artificial intelligence in pattern recognition applications were discussed.Pattern recognition is a basic human intelligence, the emergence of the 20th century, 40 years of computer and the rise of artificial intelligence in the 1950s, pattern recognition technology has made great progress. Pattern recognition and statistics, psychology, 第十一届“恩智浦”杯全国大学生 智能汽车竞赛 技术报告 学校：中南大学 队伍名称：比亚迪金牛座2016 参赛队员：黄竞辉 任宏宇 魏佳雯 带队教师：王击 1 II 目录 第一章引言 ............................................................................................................ - 1 - 1.1 背景介绍 .................................................................................................... - 1 - 1.2 整车设计思路 .......................................................................................... - 1 - 1.2.1 控制系统 .......................................................................................... - 1 - 1.2.2 赛车整体结构设计 .......................................................................... - 2 - 1.3 文章结构 ......................................................................... 错误!未定义书签。第二章机械结构调整 . (3) 2.1 总体思路 (4) 2.2 底盘调整 (4) 2.3前轮定位调整 (4) 2.3.1 主销后倾角 (4) 2.3.2 主销内倾角 (4) 2.3.3车轮外倾角 (5) 2.3.4前轮前束 (5) 2.4舵机的安装与控制延时解决办法 (5) 2.5摄像头支架的设计安装 (6) 2.6 电路板安装 (7) 第三章硬件设计 (7) 3.1总体方案 (7) 3.2电源模块 (9) 3.2.1主电机供电与单片机供电分离电路 (9) 3.2.2单片机和摄像头供电电路 (9) 3.2.3 舵机供电电路 (10) 3.3 电机驱动模块 (10) 3.4 3.3V、5V和12V供电电路 (11) 3.5传感器模块 (13) 3.5.1摄像头的选择 (13) 3.5.2编码器测速模块 (13) 3.6MCU主控模块 (13) 第四章软件设计 .................................................................................................. - 14 - 4.1黑线的提取和图像中心的计算 ............................................................... - 15 - 4.1.1原始图像的特点及校正 (14) 4.1.2黑线的提取和中心的计算 .................................... 错误!未定义书签。 4.2 方向控制方案 .......................................................................................... - 15 - 4.2.1 方向控制数据的选取 .................................................................... - 15 - 4.2.2道路形状精确识别算法 ........................................ 错误!未定义书签。 4.3 分类进行方向控制算法 (17) 4.3.1 直道的方向控制算法 (17) I 人脸识别系统解决方案 深圳东南创通智能科技有限公司 2018年6月13日 目录 一、概述 1、背景分析 随着我国城镇化进程的加快，城市人口日趋密集，人口流动性也大大增加，社会犯罪率呈逐年升高的趋势。在传统侦查工作方式中，多采用人工排查的方式，要排查重要场所人员身份，和限制外来人员进入固定区域，不仅费时费力，还可能造成遗漏等情况，排查效率大打折扣，同时给公共安全防范和社会维稳工作带来了极大的困难。 为切实解决重点复杂区域社会治理难题，夯实社会稳定和长治久安的基层基础，及高清技术、智能化技术、网络技术的日趋普及与成熟，我司立足实际需求，针对复杂区域流动人口多、身份难以核查、人员来访不易管理的局面，推出人脸识别系统解决方案。 系统采用先进的人脸识别算法，高速芯片作为识别算法的运行硬件平台，通过出入口的身份证信息采集、实时人脸抓拍和人证比对，从而实现人证合一验证。并针对不同场所实现固定人员刷脸通行，访客人员人证比对登记，解决固定人员每次需要刷证或输入密码的问题，人证比对失败人员则需要安保人员或工作人员人工确认后手动放行。 2、设计原则 系统设计遵循技术先进、深度学习算法、性能稳定、节约成本的原则；本系统设计内容是系统的、全面的、完整的、易用的以及符合人机交互的；方案设计具有科学性、合理性、可操作性。 二、系统介绍 1、系统组成 人脸识别系统由人证识别终端、通道闸、人脸识别管理客户端及平台组成。 人脸识别系统拓扑图 2、人脸识别特性 人脸识别系统核心组成部分主要包括人脸图像采集模块、动态人脸定位、人脸识别预处理、身份查找、身份比对、身份确认、执行机构和记录平台等，并通过一脸通平台判断人员身份及权限，开放相应的区域，保留人脸通行记录事件，并根据相应的权限命令各子系统作出响应，例如固定客户通道自动放行，访客只允许进入指定楼层等。 人脸识别一体化终端使用世界领先的人脸检测、识别算法（FDDB与LFW世界前三），将其运行在高性能嵌入式平台中，配合200W像素的摄像头，终端实现人脸检测、人脸跟踪、与人脸识别，并可在屏幕上呈现相应的反馈。 本产品能够同时识别5个人，光线环境良好的情况下最远能识别5米远的人脸，人脸跟踪与检测耗时20ms左右，人脸特征提取耗时200ms左右，人脸比对耗时左右，对光 3.基于matlab的人脸识别算法 3.1 问题描述 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量，如一幅 N*N 象素的图像可以视为长度为N2 的矢量，这样就认为这幅图像是位于N2 维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。因此，本次试题采用PCA算法并利用GUI实现。 对同一个体进行多项观察时，必定涉及多个随机变量X1，X2，…，Xp，它们都是的相关性, 一时难以综合。这时就需要借助主成分分析来概括诸多信息的主要方面。我们希望有一个或几个较好的综合指标来概括信息，而且希望综合指标互相独立地各代表某一方面的性质。 任何一个度量指标的好坏除了可靠、真实之外，还必须能充分反映个体间的变异。如果有一项指标，不同个体的取值都大同小异，那么该指标不能用来区分不同的个体。由这一点来看，一项指标在个体间的变异越大越好。因此我们把“变异大”作为“好”的标准来寻求综合指标。3.1.1 主成分的一般定义 设有随机变量X1，X2，…，Xp，其样本均数记为，，…，，样本标准差记为S1，S2，…，Sp。首先作标准化变换，我们有如下的定义： (1) 若C1=a11x1+a12x2+ … +a1pxp，…，且使 Var(C1)最大，则称C1为第一主成分； (2) 若C2=a21x1+a22x2+…+a2pxp，…，(a21，a22，…，a2p)垂直于(a11，a12，…，a1p)，且使Var(C2)最大，则称C2为第二主成分； (3) 类似地，可有第三、四、五…主成分，至多有p个。 3.1.2 主成分的性质 主成分C1，C2，…，Cp具有如下几个性质： （1) 主成分间互不相关，即对任意i和j，Ci 和Cj的相关系数 Corr(Ci，Cj)=0 i j (2) 组合系数(ai1，ai2，…，aip)构成的向量为单位向量， (3) 各主成分的方差是依次递减的，即 Var(C1)≥Var(C2)≥…≥Var(Cp) 遥感图象分形维数的几种估计算法研究1 张凯选1，郭嗣琮2 1辽宁工程技术大学测绘与地理科学学院，辽宁阜新（123000） 2辽宁工程技术大学理学院，辽宁阜新（123000） E-mail：zhangkaixuan@https://www.360docs.net/doc/9219019138.html, 摘要：美籍法国数学家曼德布罗特（B.Mandelbrot）首次引入分形这个新术语，今天分形理论已经成为一门描述自然界中许多不规则事物规律性的科学，在遥感影象学中也有很大的用途。在研究遥感图像的分形维数时,通常把图像看作一个由许多像素点的灰度值构成的曲面来进行估算和分析，本文给出了遥感图象分形维数的几种估算方法，并作了相关实验。关键词：分形，分形维数，遥感图象 中图分类号：TP7 1．引言 分形理论始创立于20世纪70年代中期[1],创立伊始就引起人们极大的兴趣,与耗散结构、混沌并称为70年代科学史上的三大发现。作为一门独立的学科,该理论只有大约30多年的历史。 基于对复杂景物自相似性的描述,Mandelbrot创立了分形几何学理论,提出用分形维数( fractal dimension)D来度量自然现象的不规则程度。分形理论借助相似性原理洞察隐藏于混乱现象中的精细结构,为人们从局部认识整体、从有限认识无限提供新的方法论,为不同的学科发现的规律提供了崭新的语言和定量的描述,为现代科学技术提供了新的思想方法。近年来,分形理论在自然科学、社会科学以及遥感的许多领域中得到了广泛的应用,并逐步成为连结现代各学科的纬线。 2．分形与分形维数的定义 美籍法国数学家曼德布罗特(B.Mandelbrot) 于1967 年在《科学》杂志上发表了一篇题为“英国的海岸线有多长? 统计自相似性与分数维数” 的论文[2], 通常被认为是“分形”学科诞生的标志。自然界的许多物体在某一范围内都具有统计的自相似性,即每一部分都被认为是整体的一个缩小图像。曼德布罗特在随后两本著作《自然界的分形几何学》和《分形、形状、机遇与维数》中第一次提出了fractal这个英文词,其原意是“不规则的”、“分数的”、“支离破碎的”物体,并阐述分形理论的基本思想,即分形研究的对象是具有自相似性的无序系统,其维数的变化是连续的。 关于分形,目前还没有严格的数学定义,只能给出描述性的定义。粗略地说,分形是对没有特征长度但具有一定意义下的自相似性图形和结构的总称。它具有两个基本性质:自相似性和标度不变性。自相似性是指局部是整体成比例缩小的性质。形象地说,就是当用不同倍数的照相机拍摄研究对象时,无论放大倍数如何改变,看到的照片都是相似的(统计意义) ,而从相片上也无法断定所用的相机的倍数,即标度不变性或全息性。严格按一定的数学方法生成的许多经典的分形(如图1) 具有严格的自相似性,称之为有规分形。而一般情况下的分形都是无规分形,即自相似性并不是严格的,只是统计意义下的自相似性,其局部经放大或缩小操作可能得到与整体完全不同的表现形式,但表征自相似结构或系统的定量参数如分形维数,并 本课题得到辽宁工程技术大学青年基金（05－124），辽宁省教育厅基金项目（05L181）,辽宁省高等学校重点实验室项目基金（20060370）的资助。 河北农业大学 本科毕业论文(设计) 题目：基于Eigenfaces的人脸识别算法实现 摘要 随着科技的快速发展,视频监控技术在我们生活中有着越来越丰富的应用。在这些视频监控领域迫切需要一种远距离，非配合状态下的快速身份识别，以求能够快速识别所需要的人员信息，提前智能预警。人脸识别无疑是最佳的选择。可以通过人脸检测从视频监控中快速提取人脸，并与人脸数据库对比从而快速识别身份。这项技术可以广泛应用于国防，社会安全，银行电子商务，行政办公，还有家庭安全防务等多领域。 本文按照完整人脸识别流程来分析基于PCA(Principal Component Analysis)的人脸识 别算法实现的性能。首先使用常用的人脸图像的获取方法获取人脸图像。本文为了更好的分析基于PCA人脸识别系统的性能选用了ORL人脸数据库。然后对人脸数据库的图像进行了简单的预处理。由于ORL人脸图像质量较好，所以本文中只使用灰度处理。接着使用PCA提取人脸特征，使用奇异值分解定理计算协方差矩阵的特征值和特征向量以及使用最近邻法分类器欧几里得距离来进行人脸判别分类。 关键词:人脸识别PCA算法奇异值分解定理欧几里得距离 ABSTRACT With the rapid development of technology, video surveillance technology has become increasingly diverse applications in our lives. In these video surveillance urgent need for a long-range, with rapid identification of non-state, in order to be able to quickly identify people the information they need, advance intelligence warning. Face recognition is undoubtedly the best choice. Face detection can quickly extract human faces from video surveillance, and contrast with the face database to quickly identify identity. This technology can be widely used in national defense, social security, bank e-commerce, administrative offices, as well as home security and defense and other areas. In accordance with the full recognition process to analyze the performance of PCA-based face recognition algorithm. The first to use the method of access to commonly used face images for face images. In order to better analysis is based on the performance of the PCA face recognition system selected ORL face database. Then the image face database for a simple pretreatment. Because ORL face image quality is better, so this article uses only gray scale processing. Then use the PCA for face feature extraction using singular value decomposition theorem to calculate the covariance matrix of the eigenvalues and eigenvectors, and use the Euclidean distance of the nearest neighbor classifier to the classification of human face discrimination. KEYWORDS: face recognition PCA algorithm SVD Euclidean distance 人工智能与模式识别 摘要：模式识别(Pattern Recognition)是人类的一项基本智能，着20世纪40年代计算机的出现以及50年代人工智能的兴起，模式识别技术有了长足的发展。模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。模式识别的发展潜力巨大。 关键词:人工智能模式识别模式识别的方法模式识别的应用模式识别的发展潜力 正文: 模式识别的定义是借助计算机，就人类对外部世界某一特定环境中的客体、过程和现象的识别功能(包括视觉、听觉、触觉、判断等)进行自动模拟的科学技术。随着20世纪40年代计算机的出现以及50年代人工智能的兴起，人们当然也希望能用计算机来代替或扩展人类的部分脑力劳动。(计算机)模式识别在20世纪60年代初迅速发展并成为一门新学科。 模式识别(Pattern Recognition)是指对表征事物或现象的各种形式的(数 值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。模式识别又常称作模式分类，从处理问题的性质和解决问题的方法等角度，模式识别分为有监督的分类（Supervised Classification）和无监督的分类(Unsupervised Classification)两种。二者的主要差别在于，各实验样本所属的类别是否预先已知。一般说来，有监督的分类往往需要提供大量已知类别的样本，但在实际问题中，这是存在一定困难的，因此研究无监督的分类就变得十分有必要了。 此外，模式还可分成抽象的和具体的两种形式。前者如意识、思想、议论等,属于概念识别研究的范畴,是人工智能的另一研究分支。我们所指的模式识别主要是对语音波形、地震波、心电图、脑电图、图片、照片、文字、符号、生物传感器等对象的具体模式进行辨识和分类。 模式识别研究主要集中在两方面,一是研究生物体(包括人)是如何感知对象的，属于认识科学的范畴,二是在给定的任务下,如何用计算机实现模式识别的理论和方法。 模式识别与很多学科都有联系，它与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。例如自适应或自组织的模式识别系统包含了人工智能的学习机制；人工智能研究的景物理解、自然语言理解也包含模式识别问题。又如模式识别中的预处理和特征抽取环节应用图像处理的技术；图像处理中的图像分析也应用模式识别的技术。 模式识别的方法主要有决策理论方法和句法方法，模式识别方法的选择取决于问题的性质。如果被识别的对象极为复杂，而且包含丰富的结构信息，一般采用句法方法；被识别对象不很复杂或不含明显的结构信息，一般采用决策理论方法。这两种方法不能截然分开，在句法方法中，基元本身就是用决策理论方法抽取的。在应用中，将这两种方法结合起来分别施加于不同的层次，常能收到较好的效果。 模式识别的应用非常广泛，比较典型的有：1 文字识别：在信息技术及计算机技术日益普及的今天，如何将文字方便、快速地输入到计算机中已成为影响人机接口效率的一个重要瓶颈，也关系到计算机能否真正在我过得到普及的应用。基于PCA算法的人脸识别毕业设计论文
DX3004模式识别与人工智能--教学大纲概要
分形维数算法
0909121405-雷亦恺-模式识别与机器学习实验报告(ex01&ex02)
人脸识别系统功能简介
分形维数算法
人脸识别主要算法原理
浅析人工智能中的图像识别技术
人工智能与模式识别
中南大学技术报告
人脸识别系统解决方案
基于matlab的人脸识别算法(PCA)
遥感图象分形维数的几种估计算法研究
基于eigenfaces的人脸识别算法实现大学论文
人工智能中的模式识别