韩清 作品数:6 被引量:90 H指数:4 供职机构: 南昌大学信息工程学院 更多>> 发文基金: 江西省自然科学基金 国家自然科学基金 更多>> 相关领域: 自动化与计算机技术 更多>>
一种分布式人脸识别方法及性能优化 被引量:7 2017年 传统的集中式人脸识别方法在时间效率和可扩展性等方面存在不足,已经不能满足大规模实时人脸识别的需求。针对这个技术瓶颈,本文提出了一种分布式人脸识别方法,该模型由多个代理和一个服务器组成。代理能够同时对多个视频中的行人进行检测、跟踪以及特征提取,服务器则对视频中的行人执行识别操作。针对代理处理的任务分布不均而导致处理视频时间过长、任务量过大引起的CPU利用率激增问题,设计了代理的负载均衡来进行性能优化。利用代理统计处理的视频总数及每个视频中的行人数,并将统计数据发送给服务器。服务器通过负载均衡将视频重新分配给每个代理进行人脸识别。实验结果证明,分布式人脸识别有效地提高了人脸识别方法的效率和可扩展性。对一些较为极端的实验例子,经过性能优化后,代理中最大的CPU利用率降低近40%,有效地缓解了时间延迟问题。 闵卫东 石杰 韩清 王玮关键词:人脸识别 分布式 代理 负载均衡 改进的ViBe算法及其在交通视频处理中的应用 被引量:37 2017年 基于ViBe算法的运动目标检测具有很高的处理效率,但在复杂背景下也存在缺陷,比如不能有效抑制运动目标的残影和鬼影区域、易受噪音干扰,在交通视频的处理中更为明显。鉴于ViBe算法的这些不足,本文对ViBe原算法提出了改进,结合像素生命长度对鬼影或残影像素进行判断,利用二次更新策略提高消除速度。根据像素值变化引入最大类间方差法,将原有的固定像素阈值变为动态阈值,以提高交通视频中车辆目标检测的抗干扰能力。实验结果表明,在3组不同交通场景视频中,改进算法能够在较少帧数内消除目标的残影或者鬼影。对结果的量化分析也证明了改进算法由于应用了动态阈值,使目标检测的精准度和整体性都有所提高。 闵卫东 郭晓光 韩清关键词:运动目标检测 视频处理 动态阈值 基于多关联特征的屏幕阅读坐姿健康性判别 被引量:2 2019年 长期坐姿不正确将会严重危害人体健康。现有的基于计算机视觉的坐姿检测方法主要是通过检测人体本身来判别坐姿的健康性,没有综合地考虑人体与屏幕之间的交互关系,使得对多种不健康坐姿无法准确检测,对此提出了一种基于多关联特征的屏幕阅读坐姿健康性判别方法。从人体自身的约束关系和人与屏幕间的约束关系这2个方面考虑,先检测出人体和屏幕,再根据目标的空间方位关系综合地提取与坐姿健康关联性强的坐姿特征。接着将坐姿特征序列输入到卷积神经网络中进行学习和分类,从而实现坐姿的健康性判别。实验结果表明,该方法可以有效地识别出屏幕阅读时存在的多种不健康坐姿行为。与其他方法相比,具有较好地识别结果及应用价值。 邹芳园 闵卫东 崔浩 韩清关键词:卷积神经网络 改进的应用于交通场景的运动目标检测方法及质量评价 被引量:3 2017年 针对Vi Be算法在交通视频检测中出现明显鬼影区域、缓慢目标残影难以消除、检测精确度和鲁棒性不足的问题,提出改进算法,利用灰度信息为像素建立生命长度矩阵,使鬼影或残影快速融入背景样本得以消除。结合最大类间方差法设置自适应阈值,加入良好后处理抑制动态噪声。同时借鉴分类算法的统计指标,提出质量评价多个要素,以Vi Be原算法、混合高斯算法(GMM)、LBP-Otsu相结合的背景差分法和该改进算法为例,定性、定量对实验结果作出质量评价和分析。实验表明,改进算法在较少帧数内去除了鬼影,抑制了运动目标残影,提高了运动目标检测的准确度和整体性能。 郭晓光 闵卫东 韩清关键词:运动目标检测 交通视频 基于择优检测和多尺度匹配的实时人脸识别 被引量:5 2018年 针对侧脸的识别问题,择优检测算法被提出。将人脸图像进行二值化处理,分割肤色区域,采用LoG(Laplace of Gaussian)算子进行卷积得到人脸边缘,计算肤色区域和非肤色区域比值并进行堆排序,在固定时间间隔内选择一帧最优人脸与数据库进行匹配。针对人脸距摄像头较远时尺度不一的问题,多尺度匹配算法被提出。采用基于二分法的尺度选择机制选出与捕捉到的人脸最相近的尺度,用LDA算法将人脸图像与相近尺度的人脸库进行匹配。多组实验结果表明,该算法提高了识别率,在较为复杂的环境下可以稳定地识别人脸,可以准确识别侧脸,是一种鲁棒的实时人脸识别算法。 王玮 闵卫东 樊梦丹 韩清关键词:人脸识别 多尺度 肤色分割 基于深度学习的车牌定位和识别方法 被引量:37 2019年 针对现有的基于车牌字符分割的车牌识别方法,在光照,阴暗等特定自然场景下存在无法定位且车牌字符无法正确分割,直接影响车牌字符识别效果的问题,提出一种基于深度学习的车牌定位和识别方法.首先采用深度学习FasterR-CNN算法进行车牌定位,利用k-means++算法来选择最佳车牌区域尺寸,解决现有车牌定位方法在某些自然场景下无法正确定位车牌的问题;然后在AlexNet网络模型的基础上进行改进和重新构建,提出一种增强的卷积神经网络模型AlexNet-L,该模型是一种针对车牌字符识别的端对端网络模型,可提高车牌识别准确率,避免现有的基于车牌字符分割的车牌识别方法中因无法正确分割车牌字符对车牌字符识别的影响.实验结果表明,该方法可以更有效地提高车牌定位和车牌字符识别的准确度和效率. 李祥鹏 闵卫东 韩清 刘瑞康关键词:车牌定位 字符识别