融合回归网络和多尺度特征表示的实时行人检测

提出了一种基于卷积神经网络(CNN)的实时鲁棒的行人检测算法。随着CNN在图像识别的广泛成功,CNN也被引用到行人检测领域,但这些方法还难以达到实时应用。在充分利用CNN强大特征表征能力的同时,提出了一种实时的行人检测算法,该算法将行人检测构建为一个回归问题,每张图像只需一次网络前向传播,直接输出行人包围框的位置以及置信度。此外,还提出了一种多尺度特征表示方法,进一步提高了行人检测的性能。最后在通用的Caltech行人检测数据集进行算法测试,实验结果验证了算法的有效性,平均检测速度可以达到50.6 fps,可以满足实时应用的需求。     

基于识别的手写数字串分割

手写数字串的分割与字符识别密切相关.采用基于识别的分割方法,在分割过程中引入识别机制识别分割碎片,将识别结果经过差值运算后置为每个识别对象的识别可信度,利用动态规划找到最佳分割路径.在训练分类器时,使用反例样本估计分类器参数,得到了性能良好的分类器.实验数据表明,利用正例和反例样本结合训练的分类器比只经过正例样本训练的分类器的识别率要高很多.     

基于反例样本的原始凭证的手写数字识别

原始凭证的自动识别是财会信息系统的一个瓶颈.输入反例样本,分类器拒识失败是常见的错误识别类型,基于反例样本训练的神经网络分类器能够降低这类错误的发生概率.通过原始凭证的数字识别试验分析,试验数据曲线图说明采用反例样本训练的分类器能够大大地减少这种类型的错误识别,使这一类型的错误率接近于0.     

基于模糊集理论的人脸检测

分析了模糊集理论运用于人脸检测的可行性,采用Haar矩形特征和隶属度函数对样本集进行训练,运用特征集的熵和AdaBoost算法选取适当的弱分类器,并构建了分发型人脸检测器。检测时,对于不像人脸的子窗口通过靠前的结构简单的强分类器快速将其淘汰掉;对于像人脸的子窗口,根据其与人脸的相似程度,由分发器动态地选择后面的强分类器进行判定。在MIT+CMU的正面人脸图片集中进行了测试,实验结果表明,此检测器在检测性能降低不大的情况下,可以有效地提高检测效率。