深度学习与模式识别之项目整理

本人一直从事图像处理，模式识别专业方向，该专业具有很广的应用范围。我对这个专业有很大的兴趣。本人承接各种与图像处理相关的项目，如您需要请联系我，谢谢！！！

图像处理方向大概有以下等应用场景：

1) 智能交通

2) 日常智能产品应用

3）医学

4）工业

5）航空

 

        以上领域，我基本都有涉及，熟悉图像增强、图像重建、人脸检测、人脸性别分类、年龄估计、人脸识别、人流量统计、缺陷检测、基于Adaboost的物体检测、多类物体分类、智能交通、视频背景建模、车牌识别、遗留物检测、视频质量诊断、美图，OCR字符识别、汽车定位、行人检测等等。熟悉的算法：Adaboost训练器、svm、神经网络、深度学习算法（卷积神经网络）、贝叶斯算法、ELM、Gabor特征提取、LBP特征、sift特征、小波等。

下面介绍一些以前做过的项目。

目录

一、麻将牌实时检测

二、生物及医学应用分析

三、人数统计

四、基于深度学习的字符识别

五、人脸性别分类

 

一、麻将牌实时检测

        对摄像头拍摄的图片进行实时处理，输出麻将的定位区域，由于我们的视频是动的，比市场上的固定摄像头的操作难很多，所以检测难度会加大，但是经过测试，设计的算法具有较高的检测率和文档性。算法是：机器学习 +先验信息融合的处理机制。对各种环境下的视频进行测试，综合检测率在95%以上。

1、定位麻将

2、找出每张牌之间的逻辑位置关系

                     

     实例一

3、识别部分

看视频检测效果（请点击链接）：http://v.youku.com/v_show/id_XODEyMDc0NjA0.html

二、生物及医学应用分析

1.    生物发酵分析

        生物发酵过程中，需要人时常去观察发酵过程到哪个阶段？这浪费人力和物力，如果能用图像处理算法处理发酵监控摄像头返回的图像，那么就可以机器监控整个发酵过程。这个我以前做过的一个小项目，主要是用来分析发酵图的数据，并画出发酵过程中的走势状态图。根据以上信息来判断发酵过程是否达到了最佳时间。界面如下：

实例二

2.    医学3D图分析

分析三维图像中感兴趣区域，并加以分析，得出你想要的数据。

1、   对象：3D图形（血管）三视图（平面投影图像）中荧光绿色标注曲线（初步识别的血管中轴）的空间中轴坐标。

2、   输出结果：荧光绿色曲线（经初步识别的血管中轴）处理后的三维空间坐标。

3、   具体要求： 1.要求实现过程的详细步骤说明。

                              2.关键步奏需要图像便于验证。

                              3.空间坐标曲线如为非连续线状，需取中线。

注意：

最后得到的曲线应和原始三视图荧光绿曲线一样是连续曲线，没有尖锐毛刺（噪音），没有识别错误及识别脱漏。

事实上的目的是为了对血管中轴（血管骨架）的空间坐标进行识别。荧光绿色曲线是初步识别的血管中轴。

 

     实例三

         处理过程中提取血管的图像时，往往会得到断断续续的血管，如下：

                                                                      

                                     x, y轴平面投影分割图                                                3*3分区处理                                                 断线重连结果

        以上处理过程用到数据拟合，曲线平滑等方向的一些知识。Matlab提供了强大的曲线拟合算法包括rubustfit、最小二乘、三次样条插值等，但是我是在vs2010上实现该程序的，因此并没有调用这这些函数。

       程序最后的输出是：血管在3维中的坐标位置信息。

三、人数统计

        我做过人流统计和车流统计，但是把这个拿出来的原因是，“教室人数统计”主要大家都比较熟悉。“教室人数统计”…..你可能想到的可以利用adaboost检测人脸再数个数，这种方法是简单，但是不实用，你可以保证一定可以检测到人脸吗？我是利用Adaboost框架训练自己的人头检测XML，注意不是人脸-----但是这么做了，也有可能会检测错误，因此我再利用现在的热门算法，深度学习来对检测到的待选目标进行分类。然后判断出Adaboost检测的待选目标是否是人头，最后统计人头总数。大家都知道深度学习的一个巨大好处就是：不用自己去苦苦提取特征，网络会按照它的设计原理自动提取特征，比如CNN（卷积神经网络），通过局部感受野、共享权值和亚取样来得到特征，并且该特征对位移、缩放、扭曲具有鲁棒性。

具体参考：http://blog.csdn.net/celerychen2009/article/details/8973218

视图3.1

        深度学习的效果和样本的丰富程度以及网络的深度有关系，但是并不是网络的层数越多越好，深度学习的拥护者都是，不充分的深度反而影响效果。Adaboost +深度学习框架的人数统计的效果图如下：

                                                                                                                   实例四

           需要看视频效果的点击：http://v.youku.com/v_show/id_XODExODk3ODAw.html

四、基于深度学习的字符识别

       OCR识别技术，现在已经比较成熟了，但是还是值得关注。有一位大牛提出了一种手写字符识别框架，叫“LeNet-5系统”效果和paper等见这，是利用深度学习的CNN来实现，原始LeNet-5结构不包含输入层就已经是7层网络结构，目前基本都用简化的“LeNet-5系统”，该系统把下采样层和卷积层结合起来，避免了下采样层过多的参数学习过程，同样保留了对图像位移，扭曲的鲁棒性。其网络结构图如下所示：

视图4.1

       当年美国大多数银行就是用它来识别支票上面的手写数字的。能够达到这种商用的地步，它的准确性可想而知。毕竟目前学术界和工业界的结合是最受争议的。他的效果图如下：

视图4.2

       我根据这种设计方案，实现了该“LeNet-5系统”。但是我的使用场景是扑克牌识别，而且应用在手抓牌上，不是目前常使用的方法——把牌摆在牌桌上。对比效果如下：

 视图4.3   摆拍方式

        实例五   手抓牌

       

五、人脸性别分类

         人脸性别分类，我主要设计了两种方案：一、Gabor（多尺度，多方向特征提取）+ PCA + LDA + SVM。二、dense-Sift + LBP + PCA + LDA + SVM。这两种设计方案各有千秋，但是共同点就是效果都还行。对1W张室外人脸进行测试，前者可以达到87%~92%的识别率，后者可以达到93%~94%的识别率。至于我说两种各有特点的原因是，Gabor特征抗光照变化的能力比sift特征强，通常情况下Gabor特征方案比sift特征方案识别率低一些，但是对光线变化比较大的环境，Gabor方案还可以维持叫好的效果，但是sift特征方案的识别率速度降到60%~70%。因此看应用场景来采用哪种方案？     

          

（a）                                                                                       （b）

实例六  性别分类

  

本人长期外接项目和程序设计，如果你有需要，请联系我：QQ：472338311.

诚信为您服务！