排序方式: 共有7条查询结果,搜索用时 0 毫秒
1
1.
基于正交Haar变换(orthogonal Haar transform,OHT)的模板匹配算法在处理二维图像时采用条形和来替代积分图,从而获得了较高的运行效率,但它要求模板必须是标准大小的,即模板的高和宽必须相等且为2的幂次.为解决OHT算法的这一问题,提出了另一种基于拟Haar变换(quasi Haar transform,QHT)的模板匹配算法,它使用树分解策略来加速非标准模板时的匹配处理.QHT算法不仅能处理非标准模板的情况,也同样能处理标准模板的情况.在标准模板情况下,实验结果表明,QHT算法在低噪声等级时比OHT算法拥有更快的运行速度. 相似文献
2.
针对基于快速傅里叶变换的眉毛识别方法 (FFTER)识别速度较慢的问题,设计了一种新的基于梯度模板匹配的眉毛识别方法 (GTMER).该方法识别速度更快,更能够适合于实时应用.首先,利用图像梯度特征,快速匹配出纯眉毛模板的最相似区域;然后,通过小范围内的精准调整,得到一个准确的匹配位置;最后,利用傅里叶频谱距离,将待处理眉毛图像识别出来.实验表明:GTMER的识别速度最高比FFTER提升约38%,同时在BJUTED眉毛数据库上的识别正确率也达到98.12%. 相似文献
3.
智能型手机已成为许多犯罪者所使用的高科技犯罪工具,而这也是司法机关破案关键之所在。然手机属于私人物品,并受隐私权保护,故此类的犯罪侦查与传统犯罪形态存在着极大的差异。鉴于此,本研究将探讨手机调查指导方针与数字取证标准作业程序,对智能型手机的数字证据取证方式与合法性,制订出有关智能型手机数字证据的处理程序及规则,让取证人员能够运用此取证程序与取证工具即可完成取证工作,并于法庭上,可补强数字证据能力及证明力,辅助法庭上证据的佐证能力。 相似文献
4.
基于AdaBoost的眉毛检测与定位 总被引:1,自引:0,他引:1
文章利用Haar-Like小波及其扩展特征,把AdaBoost算法应用于眉毛的自动检测与定位。实验数据包括114人的228幅眉毛图像,每人闭眼和睁眼各一幅,分别用于训练和测试,大小均为768×586。通过把这些图像缩小1/10后进行AdaBoost训练,解决了其速度较慢和对内存需求较高的问题。实验结果表明,AdaBoost级联分类器的训练耗时约2.7s,测试耗时每幅图像约24ms,对眉毛检测和定位测试的精度达到了97.4%。 相似文献
5.
为了解决Dijkstra(DK)算法对大规模数据构造最小树时效率不高的问题,结合局部敏感哈希映射(LSH),针对欧氏空间中的样本,提出了一种近似最小树的快速生成算法,即LSHDK算法.该算法通过减少查找近邻点的计算量提高运行速度.计算实验结果表明,当数据规模大于50 000个点时,LSHDK算法比DK算法速度更快且所计算的近似最小树在维数较低时误差非常小(0.00~0.05%),在维数较高时误差通常为0.1%~3.0%. 相似文献
6.
7.
1