深度學習與模式識別之項目整理

3158861394@qq.com

http://blog.csdn.net/luojun2007

作者：Luogz

聲明：

? ? ? ?本人一直從事圖像處理，模式識別專業方向。該專業具有非常廣的應用范圍。我對這個專業有非常大的興趣。本人承接各種與圖像處理相關的項目，如您須要請聯系我，謝謝！！

！

圖像處理方向大概有下面等應用場景：

1) 智能交通

2) 日常智能產品應用

3）醫學

4）工業

5）航空

?

? ? ? ? 以上領域。我基本都有涉及。熟悉圖像增強、圖像重建、人臉檢測、人臉性別分類、年齡預計、人臉識別、人流量統計、缺陷檢測、基于Adaboost的物體檢測、多類物體分類、智能交通、視頻背景建模、車牌識別、遺留物檢測、視頻質量診斷、美圖，OCR字符識別、汽車定位、行人檢測等等。

熟悉的算法：Adaboost訓練器、svm、神經網絡、深度學習算法（卷積神經網絡）、貝葉斯算法、ELM、Gabor特征提取、LBP特征、sift特征、小波等。

以下介紹一些曾經做過的項目。

文件夾

一、麻將牌實時檢測

二、生物及醫學應用分析

三、人數統計

四、基于深度學習的字符識別

五、人臉性別分類

?

一、麻將牌實時檢測

? ? ? ? 對攝像頭拍攝的圖片進行實時處理。輸出麻將的定位區域，因為我們的視頻是動的，比市場上的固定攝像頭的操作難非常多。所以檢測難度會加大，可是經過測試，設計的算法具有較高的檢測率和文檔性。算法是：機器學習 +先驗信息融合的處理機制。

對各種環境下的視頻進行測試，綜合檢測率在95%以上。

1、定位麻將

2、找出每張牌之間的邏輯位置關系

? ? ?? ? ? ? ? ? ? ??

???? 實例一

3、識別部分

看視頻檢測效果（請點擊鏈接）：http://v.youku.com/v_show/id_XODEyMDc0NjA0.html

二、生物及醫學應用分析

1. ? ?生物發酵分析

? ? ? ? 生物發酵過程中。須要人時常去觀察發酵過程到哪個階段？這浪費人力和物力，假設能用圖像處理算法處理發酵監控攝像頭返回的圖像，那么就能夠機器監控整個發酵過程。這個我曾經做過的一個小項目，主要是用來分析發酵圖的數據，并畫出發酵過程中的走勢狀態圖。

依據以上信息來推斷發酵過程是否達到了最佳時間。界面例如以下：

實例二

2.????醫學3D圖分析

分析三維圖像中感興趣區域。并加以分析。得出你想要的數據。

1、?? 對象：3D圖形（血管）三視圖（平面投影圖像）中熒光綠色標注曲線（初步識別的血管中軸）的空間中軸坐標。

2、?? 輸出結果：熒光綠色曲線（經初步識別的血管中軸）處理后的三維空間坐標。

3、?? 具體要求： 1.要求實現過程的具體步驟說明。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 2.關鍵步奏須要圖像便于驗證。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 3.空間坐標曲線如為非連續線狀，需取中線。

注意：

最后得到的曲線應和原始三視圖熒光綠曲線一樣是連續曲線。沒有尖銳毛刺（噪音），沒有識別錯誤及識別脫漏。

其實的目的是為了對血管中軸（血管骨架）的空間坐標進行識別。

熒光綠色曲線是初步識別的血管中軸。

?

???? 實例三

? ? ? ? ?處理過程中提取血管的圖像時。往往會得到斷斷續續的血管，例如以下：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??? ? ? ? ? ? ? ? ? ??? ? ? ? ? ? ? ? ??

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?x,?y軸平面投影切割圖 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?3*3分區處理 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 斷線重連結果

? ? ? ? 以上處理過程用到數據擬合，曲線平滑等方向的一些知識。Matlab提供了強大的曲線擬合算法包含rubustfit、最小二乘、三次樣條插值等。可是我是在vs2010上實現該程序的。因此并沒有調用這這些函數。

? ? ? ?程序最后的輸出是：血管在3維中的坐標位置信息。

三、人數統計

? ? ? ? 我做過人流統計和車流統計，可是把這個拿出來的原因是，“教室人數統計”主要大家都比較熟悉。“教室人數統計”…..你可能想到的能夠利用adaboost檢測人臉再數個數。這樣的方法是簡單，可是不有用，你能夠保證一定能夠檢測到人臉嗎？我是利用Adaboost框架訓練自己的人頭檢測XML。注意不是人臉-----可是這么做了。也有可能會檢測錯誤，因此我再利用如今的熱門算法，深度學習來對檢測到的待選目標進行分類。然后推斷出Adaboost檢測的待選目標是否是人頭，最后統計人頭總數。

大家都知道深度學習的一個巨大優點就是：不用自己去苦苦提取特征，網絡會依照它的設計原理自己主動提取特征，比方CNN（卷積神經網絡），通過局部感受野、共享權值和亞取樣來得到特征，而且該特征對位移、縮放、扭曲具有魯棒性。

詳細參考：http://blog.csdn.net/celerychen2009/article/details/8973218

視圖3.1

? ? ? ? 深度學習的效果和樣本的豐富程度以及網絡的深度有關系。可是并非網絡的層數越多越好，深度學習的擁護者都是，不充分的深度反而影響效果。

Adaboost +深度學習框架的人數統計的效果圖例如以下：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?實例四

?????????? 須要看視頻效果的點擊：http://v.youku.com/v_show/id_XODExODk3ODAw.html

四、基于深度學習的字符識別

? ? ? ?OCR識別技術，如今已經比較成熟了。可是還是值得關注。有一位大牛提出了一種手寫字符識別框架，叫“LeNet-5系統”效果和paper等見這。是利用深度學習的CNN來實現，原始LeNet-5結構不包括輸入層就已經是7層網絡結構。眼下基本都用簡化的“LeNet-5系統”，該系統把下採樣層和卷積層結合起來。避免了下採樣層過多的參數學習過程，相同保留了對圖像位移。扭曲的魯棒性。

其網絡結構圖例如以下所看到的：

視圖4.1

? ? ? ?當年美國大多數銀行就是用它來識別支票上面的手寫數字的。可以達到這樣的商用的地步。它的準確性可想而知。

畢竟眼下學術界和工業界的結合是最受爭議的。他的效果圖例如以下：

視圖4.2

? ? ? ?我依據這樣的設計方案，實現了該“LeNet-5系統”。可是我的使用場景是撲克牌識別，并且應用在手抓牌上，不是眼下常使用的方法——把牌擺在牌桌上。

對照效果例如以下：

?視圖4.3 ??擺拍方式

??????? 實例五 ??手抓牌

????? ?

五、人臉性別分類

?????? ? 人臉性別分類，我主要設計了兩種方案：一、Gabor（多尺度。多方向特征提取）+ PCA + LDA + SVM。二、dense-Sift + LBP + PCA + LDA + SVM。

這兩種設計方案各有千秋，可是共同點就是效果都還行。

對1W張室外人臉進行測試，前者能夠達到87%~92%的識別率。后者能夠達到93%~94%的識別率。至于我說兩種各有特點的原因是。Gabor特征抗光照變化的能力比sift特征強，通常情況下Gabor特征方案比sift特征方案識別率低一些，可是對光線變化比較大的環境，Gabor方案還能夠維持叫好的效果，可是sift特征方案的識別率速度降到60%~70%。因此看應用場景來採用哪種方案？? ? ?

?? ? ? ? ?

（a）? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（b）

實例六 ?性別分類

??

本人長期外接項目和程序設計，假設你有須要，請聯系我：QQ：3158861394.

誠信為您服務！

轉載于:https://www.cnblogs.com/brucemengbm/p/6718999.html

總結

以上是生活随笔為你收集整理的深度学习与模式识别之项目整理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。