<progress id="rrzp7"></progress>
        <big id="rrzp7"><meter id="rrzp7"></meter></big>
          <progress id="rrzp7"><menuitem id="rrzp7"></menuitem></progress>

            <big id="rrzp7"><menuitem id="rrzp7"></menuitem></big>

            <progress id="rrzp7"></progress>

              • / 8
              • 下載費用:20 金幣  

              一種超磁致伸縮驅動器及其驅動的高速電磁閥.pdf

              摘要
              申請專利號:

              CN200910073004.1

              申請日:

              2009.09.29

              公開號:

              CN101661554A

              公開日:

              2010.03.03

              當前法律狀態:

              授權

              有效性:

              有權

              法律詳情: 授權|||實質審查的生效IPC(主分類):G06K 9/00申請日:20090929|||公開
              IPC分類號: G06K9/00; A61B5/117 主分類號: G06K9/00
              申請人: 哈爾濱工程大學
              發明人: 王科俊; 賁晛燁; 李 欣; 王晨暉
              地址: 150001黑龍江省哈爾濱市南崗區南通大街145號1號樓哈爾濱工程大學科技處知識產權辦公室
              優先權:
              專利代理機構: 代理人:
              PDF完整版下載: PDF下載
              法律狀態
              申請(專利)號:

              CN200910073004.1

              授權公告號:

              101661554B||||||

              法律狀態公告日:

              2012.02.01|||2010.04.28|||2010.03.03

              法律狀態類型:

              授權|||實質審查的生效|||公開

              摘要

              本發明提供的是一種遠距離視頻下的正面人體自動身份識別方法。包括步態模塊和人臉模塊;首先讀入視頻文件,用Adaboost方法檢測行人,若檢測到便自動開啟人臉模塊和步態模塊,分別對步態和人臉采用核主成分分析進行特征提取,最后采用人臉特征輔助步態特征在決策級的融合方法進行識別。本發明為遠距離身份識別提出新的解決思路,采用人臉特征輔助步態特征在決策級融合方法。在單樣本的步態識別中輔助人臉特征的優點在于,即使步態訓練樣本是單樣本,而人臉圖像是多個的,這樣便從另外一個角度擴充了訓練樣本的數目,有助于身份識

              權利要求書

              1: 一種遠距離視頻下的正面人體自動身份識別方法,其特征是:包括步態模 塊和人臉模塊;首先讀入視頻文件,用Adaboost方法檢測行人,若檢測到便自動 開啟人臉模塊和步態模塊,分別對步態和人臉采用核主成分分析進行特征提取, 最后采用人臉特征輔助步態特征在決策級的融合方法進行識別。
              2: 根據權利要求1所述的遠距離視頻下的正面人體自動身份識別方法,其特 征是:所述的用Adaboost方法檢測行人,是對讀入的視頻文件采用Adaboost方 法檢測人體,并加入幀間差分方法驗證。
              3: 根據權利要求1或2所述的遠距離視頻下的正面人體自動身份識別方法, 其特征是:所述的步態模塊是對步態序列圖像進行預處理,再進行步態周期檢測, 最終將表征步態特征的步態能量圖歸一到64*64像素。
              4: 根據權利要求1或2所述的遠距離視頻下的正面人體自動身份識別方法, 其特征是:所述的人臉模塊是用Adaboost方法檢測人臉,再進行膚色驗證判斷, 將人臉圖像灰度化并統一歸一到32*32像素。
              5: 根據權利要求3所述的遠距離視頻下的正面人體自動身份識別方法,其特 征是:所述的人臉模塊是用Adaboost方法檢測人臉,再進行膚色驗證判斷,將人 臉圖像灰度化并統一歸一到32*32像素。

              說明書


              遠距離視頻下的正面人體自動身份識別方法

                  (一)技術領域

                  本發明屬于模式識別技術領域,具體涉及步態識別方法。

                  (二)背景技術

                  美國國防部高級研究項目署DARPA在2000年資助的HID計劃中,聯合了馬里蘭大學、麻省理工學院、卡耐基梅隆大學等諸多知名院校參與,它的任務就是開發多模式的、大范圍的視覺監控技術以實現遠距離下的人的檢測、分類與識別,從而增強國防、民用等場合免受恐怖分子的襲擊。另外,加拿大、日本、瑞士等國家的一些高校和研究機構也開始了這方面的積極探索。國內也展開了這方面的研究,中國科學院自動化所模式識別國家重點實驗室(NLPR)最早就“基于步態的身份識別”問題展開了深入的研究。步態識別是根據人們走路姿勢的不同來識別其身份的,步態識別在門禁系統、安全監控、人機交互、醫療診斷等領域具有廣泛的應用前景和經濟價值,因此激發了國內外廣大科研工作者的研究熱情。與此相關的公開報道有:

                  [1]Constantine?P?P,Michael?O,Tomaso?P.A?general?framework?for?objectdetection[C].Sixth?International?Conference?on?Computer?Vision,1998:555-562;

                  [2]Oren?M,Papageorgiou?C,Sinha?P,et?al.Pedestrian?detection?using?wavelettemplates[C].IEEE?Computer?Society?Conference?on?Computer?Vision?and?PatternRecognition,1997:193-199;

                  [3]Paul?Viola,Michael?J?J.Rapid?object?detection?using?a?boosted?cascade?of?simplefeatures[C].IEEE?CVPR,2001;

                  [4]Rainer?Lienhart,ochen?Maydt.An?extended?set?of?haar-like?features?for?rapidobject?detection[C].IEEE?ICIP,2002;

                  [5]Zhang?D,Chen?S,Zhou?Z.Recognizing?face?or?object?from?a?single?image:Linear?vs.kernel?methods?on?2d?patterns[C].In:Proceedings?of?the?Joint?IAPRInternational?Workshops?on?Structural?and?Syntactic?Pattern?Recognition?andStatistical?Techniques?in?Pattern?Recognition(S+SSPR′06),HongKong,China,2006:889-897;

                  [6]王海賢.有限混合模型、非線性二維主成分分析及其在模式分類中應用[D].安徽大學博士學位論文,2005。

                  但至今未見成型的步態識別系統,現有研究停留在理論上。

                  (三)發明內容

                  本發明的目的在于提供一種能夠提高識別精度的遠距離視頻下的正面人體自動身份識別方法。

                  本發明的目的是這樣實現的:

                  本發明的遠距離視頻下的正面人體自動身份識別方法,包括步態模塊和人臉模塊;首先讀入視頻文件,用Adaboost方法檢測行人,若檢測到便自動開啟人臉模塊和步態模塊,分別對步態和人臉采用核主成分分析(KPCA)進行特征提取,最后采用人臉特征輔助步態特征在決策級的融合方法進行識別。

                  所述的用Adaboost方法檢測行人,是對讀入的視頻文件采用Adaboost方法檢測人體,并加入幀間差分方法驗證。

                  所述的步態模塊是對步態序列圖像進行預處理,再進行步態周期檢測,最終將表征步態特征的步態能量圖歸一到64*64像素。

                  所述的人臉模塊是用Adaboost方法檢測人臉,再進行膚色驗證判斷,將人臉圖像灰度化并統一歸一到32*32像素。

                  為了實現實時的自動步態識別,本發明設計出一套遠距離視頻下的正面人體自動身份識別系統。考慮到Constantine等人[1]使用Adaboost方法對物體檢測提出了一個整體框架,Oren等人[2]使用Haar小波進行行人檢測,P.Viola[3]提出了一種基于Haar特征的Adaboost算法,已達到實時的效果,Rainer等人采用積分圖[4]進一步降低計算成本,本發明也將Adaboost方法嵌入到自動身份識別系統中。

                  本發明的主要貢獻和特點在于:為遠距離身份識別提出新的解決思路,采用人臉特征輔助步態特征在決策級融合的方法。在單樣本的步態識別中輔助人臉特征的優點在于,即使步態訓練樣本是單樣本,而人臉圖像是多個的,這樣便從另外一個角度擴充了訓練樣本的數目,有助于身份識別,融合人臉特征可以提高2.4%的識別精度。

                  (四)附圖說明

                  圖1是遠距離視頻下的正面人體自動身份識別系統的模塊組成示意圖;

                  圖2是使用的矩形特征;

                  圖3是檢測錯誤的人臉情況;

                  圖4是加入膚色驗證的檢測結果;

                  圖5是檢測錯誤的人體情況;

                  圖6是加入差分驗證的檢測結果;

                  圖7是部分肢體占身高比例;

                  圖8是單獨步態特征的識別結果,其中“fn”表示前n個樣本訓練,“sn”表示單獨第n個樣本訓練;

                  圖9是人臉特征輔助步態特征識別的性能比較表1。

                  (五)具體實施方式

                  下面結合附圖舉例對本發明做更詳細地描述:

                  1.行人檢測與人臉檢測

                  行人檢測與人臉檢測均采用Adaboost算法實現。

                  1.1Adaboost算法

                  給定樣本圖像集(x1,y1),...,(xn,yn),其中yi={0,1}分別表示負樣本和正樣本。初始化權值:分別對應yi=0,1樣本的權值其中m,l分別表示負、正樣本個數。

                  Adaboost算法訓練的過程如下:

                  (1)權值歸一化,對于每一個特征j,構造弱分類器hj,統計樣本集上特征j分布的極大值Fmax(j)和極小值Fmin(j),令窮舉搜索閾值參數θj∈[Fmin(j),Fmax(j)],使得hj的錯誤率εj最小,

                  εj=∑iwi|hj(xi)-yi|????(1)

                  (2)選擇εt=arg?minεj,并將其對應地弱分類器作為ht;

                  (3)更新樣本權重:如果樣本xi被正確分類,則ei=0;否則ei=1,其中,

                  βt=ϵt1-ϵt---(2)]]>

                  (4)最后輸出強分類器

                  h(x)=1Σt=1Tαtht(x)≥12Σt=1Tαt0otherwise---(3)]]>

                  其中:

                  重復(1)~(4)過程T次,t=1,...,T。

                  1.2Adaboost檢測人臉模塊以及膚色驗證

                  本發明將Adaboost與積分圖的Haar-like特征結合檢測人臉,并采用矩形特征如圖2所示。Adaboost分類器是由多層弱分類器級聯而成,從第一層分類器出來的正確結果觸發第二層分類器,從第二層出來的正確結果觸發第三層分類器,以此類推。相反,從任何一個結點輸出的被否定的結果都會導致對這個子窗口的檢測立即停止。通過設置每層的閾值,使得絕大多數人臉都能通過,非人臉不能通過,這樣靠近級聯分類器后端的層拒絕了大部分的非人臉。

                  人臉檢測結果如圖3所示,深色矩形框為檢測到的人臉區域。這里存在檢測錯誤的情況,因為視頻場景中的某些區域類似于人臉的局部特征,眼睛部位的“黑白黑”與定標帶十分相近。若保留這些樣本,對遠距離的身份識別不利。我們發現,檢測錯誤的人臉與真實人臉相差甚遠,人肉眼很容易區分,這里采用膚色模型對人臉區域加以驗證。不同種族、不同年齡、不同性別的人的膚色看起來存在差異,這個差異主要體現在亮度上,當去除亮度,膚色就具有很高的聚類性,選取YCbCr色彩空間,歸一色度直方圖后假定膚色滿足二維高斯模型

                  p(Cb,Cr)=exp[-0.5(x-m)TC-1(x-m)]????(4)

                  其中:m為均值,C為協方差矩陣,x=(Cb,Cr)T。通過式(4)得膚色似然圖像,Ostu法求出最佳二值化閾值,從而區分人臉與非人臉。Adaboost加上膚色模型驗證結果如圖4所示。

                  1.3Adaboost行人檢測模塊

                  設置Adaboost行人檢測模塊的目的在于該系統能夠觸發自動開啟步態周期檢測模塊和人臉檢測模塊。Adaboost行人檢測模塊設計思想與Adaboost人臉檢測的基本一致,選用的也是“矩形特征”,由于我們想實現的是正面行人檢測,我們沒有選擇“三角特征”。單純的Adaboost行人檢測也會出現誤檢情況,如圖5所示,淺色的矩形框為檢測人體的結果,將支架也檢測為人體,這是因為支架的“腿”與人的腿部類似。因此需要驗證環節,鑒于步態識別的研究對象是行人的姿態,必然是運動個體,而支架始終是靜止不動的,假定室內光線不會出現急劇的變化,將相鄰兩幀圖像中的人體中各像素點的RGB值按下式進行運算:

                  m=|r1-r2|+|g1-g2|+|b1-b2|????(5)

                  式中,r1,g1,b1和r2,g2,b2分別為相鄰兩幀的圖像中待處理像素點的RGB值。把當前圖像的Em和預設閾值T進行比較,當Em>T時,認為其區域屬于步態區域,人體檢測淺色矩形框給予保留;反之,當Em≤T時,則認為其區域屬于非步態區域,人體檢測淺色矩形框刪除。其中,E*表示期望。針對CASIA(B)視頻,考慮一定的光照影響,選擇T=20。Adaboost加上差分驗證的實驗結果如圖6所示。

                  2.步態預處理與周期檢測

                  讀入視頻文件,用Adaboost方法檢測行人,若檢測到便自動對步態序列圖像進行預處理,以便進行步態周期檢測。

                  2.1步態序列圖像預處理

                  為了提取人體目標,首先從原始視頻中提取單幀圖像進行灰度變換;然后計算各像素點在逐幀中的中值,作為整個序列的背景圖像;最后,采用背景減除法提取人體目標,用數學形態學填補二值化圖像的空洞、單連通分析提取人的側影。為了消除圖像大小對識別的影響應使人體居中,將圖像的大小統一為64*64像素。

                  2.2周期檢測

                  步態周期定義為同一只腳連續兩次腳跟觸地的時間間隔。在進行步態識別時,通常提取一個步態周期或多個步態周期的平均來進行分析。因為在一個周期內比較,一方面能夠消除圖像序列長度不同的影響;另一方面,也能夠降低特征提取、分類識別的運算復雜度。

                  解剖學中,利用人體的正面影像抽取人體的骨架,假設H表示人體身高,則部分肢體占身高的比例關系如圖7所示。統計下臂搖擺區域的像素數目的逐幀變化來判定步態周期。具體方法如下:設累計區域像素值為NH,找到NH的一個局部極小值(或極大值),然后按順序向后查找NH的第3個極小值(或極大值),記下這兩幀圖像在序列中的幀號,則兩幀中間所夾的就是一個步態周期。前面所述的步態序列圖像預處理中已將圖像統一歸一到64*64像素,則下臂搖擺區域在圖像平面的第25~29行。

                  3.特征提取與識別

                  采用CASIA(B)步態數據庫上的正面視角實驗,該庫包含124個人。選擇正常步態作為研究對象。實驗分為兩個階段:訓練階段和識別階段。訓練時,讀入視頻文件,首先采用Adaboost方法和差分驗證進行行人檢測,一旦檢測到存在運動人體,便自動開啟步態周期檢測模塊和人臉檢測模塊(包含Adaboost人臉檢測模塊和膚色驗證)。由于遠距離情況下,人臉區域很小,主要以步態作為身份識別的依據,人臉為輔助特征。將人臉圖像歸一到32*32像素;通過檢測到的一個周期的步態圖像加權平均生成GEI,即

                  G(x,y)=1NΣt=1NBt(x,y)---(6)]]>

                  其中,Bt(x,y)為步態單幀圖像,N是步態周期的長度,t為時間,x,y為二維圖像平面坐標。

                  采用KPCA方法分別進行步態和人臉的特征提取,通過核映射升維,使原輸入數據在Rn空間中線性不可分的模式在特征空間F中可能變得線性可分。本專利并沒有采用基于矩陣的核主成分分析方法(如核二維主成分分析,K2DPCA),這是因為K2DPCA定義的圖像矩陣Ai(i=1,...,M)(Ai∈Rm×n)的核映射為

                  Φ(Ai)=[φ(Ai1)T,...,φ(Aim)T]T---(7)]]>

                  其中,Aij為Aij的第j(j=1,...,m)個行向量。它的本質是將圖像矩陣的行作為輸入單元進行KPCA,將樣本數擴充到原來的行數(m)倍,是KPCA分段線性化的特殊情況,理論上應該比KPCA獲得更好的識別結果。但是K2DPCA的核矩陣維數將變為原來的m2倍,這無疑會造成核矩陣的特征值、特征向量求取的計算負擔。張道強在文獻[5]中提出的近似計算方法,也需要計算一個維數為M×M大小的核矩陣和另外一個維數為Mm×M大小的核矩陣,在求取投影軸也較KPCA加大了計算量。王海賢在他的博士論文[6]中對K2DPCA提出了三種改進模型,但是計算復雜度都很大。所以,本專利采用KPCA方法,核函數選擇為高斯核函數:κ(x,y)=exp(||x-y||2/2σ2),其中核寬度σ選擇為訓練樣本的標準差。

                  3.1單獨步態特征

                  由于每人有6個樣本,分別選擇前5個樣本、前4個樣本、前3個樣本、前2個樣本和單樣本訓練,余下的樣本采用最近鄰分類器(NN)來測試識別。實驗結果如圖8所示。我們發現,特征維數等于樣本數時,有最佳識別率,當保留特征的維數越少時,識別率下降;當特征維數相等時,每一類提供的訓練樣本越多,識別率就越高;單樣本訓練的識別率較多樣本訓練下降得很多,因為一個樣本存在很大的局限性與特殊性,而且如果沒有先驗知識,也很難做到通過一個樣本去擴充生成多個樣本。前5個樣本訓練時得到的識別精度為95.97%,此時的特征維數為110維;而單樣本訓練的平均識別精度為88.52%,特征維數保持在124維。

                  3.2人臉特征輔助步態特征

                  當步態存在多個訓練樣本時,識別性能較好,但是一旦出現訓練樣本只有一個時,識別率會大大降低,所以針對此問題,本發明采用人臉特征輔助步態特征進行遠距離的視頻下正面人體身份自動識別任務,分別采用KPCA對GEI和人臉灰度特征進行特征提取,識別時采用計分法對兩組特征在決策級融合的方法,計分方法如下:

                  Score(X,j)=Σi=12wiμj(Xi)---(8)]]>

                  式中:X是待識別樣本;Xi是待識別樣本X的第i種特征;wi是一個權值,其值來自利用第i種特征識別時的識別率,是一個先驗概率;μj(Xi)表示待識樣本X,利用第i種特征對第j類的隸屬度,

                  μj(Xi)=1/||Xi-cij||2/(b-1)Σj=1k1/||Xi-cij||2/(b-1)---(9)]]>

                  其中,b>1是一個可以控制聚類結果的模糊程度的常數,通過實驗選取b=1.5;k為總的類別數;cij為利用第i種特征的第j類的聚類中心,且cij通過k-均值聚類方法得到。若則X屬于類c。

                  在單樣本訓練的步態識別中,為了驗證人臉特征輔助步態特征的有效性,采用上述決策級融合方法,實驗結果如表1所示,人臉特征輔助步態特征識別可以較單獨的步態特征提高2.4個百分點。輔助人臉特征的優點在于,即使步態訓練樣本是單樣本,而人臉圖像是多個的,這樣便從另外一個角度擴充了訓練樣本的數目,有助于身份識別。

              關 鍵 詞:
              一種 超磁致 伸縮 驅動器 及其 驅動 高速 電磁閥
                專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
              0條評論

              還可以輸入200字符

              暫無評論,趕快搶占沙發吧。

              關于本文
              本文標題:一種超磁致伸縮驅動器及其驅動的高速電磁閥.pdf
              鏈接地址:http://www.039244.fun/p-1027400.html
              關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

              [email protected] 2017-2018 zhuanlichaxun.net網站版權所有
              經營許可證編號:粵ICP備17046363號-1 
               


              收起
              展開
              大连码头渔歌酒楼

                  <progress id="rrzp7"></progress>
                    <big id="rrzp7"><meter id="rrzp7"></meter></big>
                      <progress id="rrzp7"><menuitem id="rrzp7"></menuitem></progress>

                        <big id="rrzp7"><menuitem id="rrzp7"></menuitem></big>

                        <progress id="rrzp7"></progress>

                              <progress id="rrzp7"></progress>
                                <big id="rrzp7"><meter id="rrzp7"></meter></big>
                                  <progress id="rrzp7"><menuitem id="rrzp7"></menuitem></progress>

                                    <big id="rrzp7"><menuitem id="rrzp7"></menuitem></big>

                                    <progress id="rrzp7"></progress>