搜索资源列表
虹膜身份识别技术
- 介绍了当前最有发展前景的生物特征识别技术一虹膜身份识别技术，它包括虹膜图像的获取、预处理、特征提取与编码以及分类几个步骤。详细介绍了当今具有代表性的虹膜识别算法，指出各种算法的特点并比较其优劣。最后，针对 虹膜识别技术存在的主要问题分析了虹膜识别的发展方向，即精度高、速度快、鲁棒性好的定位算法，高效的特征提取方法，机器学习的分类方法，虹膜图像的质量评价方法，不完整、不合作情况下的虹膜识别研究以及活体虹膜检测等。
图像匹配
- 基于EMD和SVM的虹膜识别方法
基于Matlab仿真的联合变换相关器实验
- 利用Matlab软件平台对JTC进行了图像识别仿真实验，得到了二维及三维相关输出图像，显示出尖锐的相关峰。仿真实验表明：联合变换进行图像识别中存在强烈的零级干扰，干扰信号是有用信号的7.14倍，输出结果不理想；采用功率谱相减法可以消除零级强干扰，进而提高了图像的识别能力。
人体运动跟踪系统的研究与实现
- 利用图像序列中运动目标的行为特征对其表现的行为进行识别与分析的技术，它可以赋予计算机类似于人一样的观察和理解动态场景的视觉能力
参考文献
- 图像处理与模式识别方向有关英文参考文献
模式识别及其在图像处理上的应用
- 对模式识别进行了详细的概括，包括其框架、特征提取与选择以及各种算法进行了介绍。介绍了模式识别在图像处理方面的应用，以及现在存在的问题，最后做了展望。概括的很详尽
FaceNet-A-Unified-Embedding-for-Face-Recognition-and-Clustering
- FaceNet---深度学习与人脸识别的二次结合 Facenet是一个通用的系统，采用CNN神经网络将人脸图像映射到128维的欧几里得空间，我们可以根据两幅人像的欧几里得距离去判断两个人像的相似程度。两个人像之间的欧几里得距离越近，说明它们越相似。 FaceNet可以用于人脸验证（是否是同一人？），识别（这个人是谁？）和聚类（寻找类似的人？）。FaceNet采用的方法是通过卷积神经网络学习将图像映射到欧几里得空间。空间距离直接和图片相似度相关：同一个人的不同图像在空间距离很小，不同人的图像在
结合双模多尺度 ＣＮＮ 特征及自适应深度ＫＥＬＭ 的浮选工况识别
- 针对可见光图像特征驱动的浮选工况识别方法的不足，提出一种基于双模态图像多尺度 ＣＮＮ 特征及自适应深度自编码核极限学习机（Ｋｅｒｎｅｌ Ｅｘｔｒｅｍｅ Ｌｅａｒｎｉｎｇ Ｍａｃｈｉｎｅ，ＫＥＬＭ）的浮选工况识别方法。先对泡沫的可见光、红外图像进行非下采样剪切波多尺度分解，设计双通道 ＣＮＮ 网络对双模态多尺度图像进行特征提取及融合，将多个双隐层自编码极限学习机串联成深度学习网络对 ＣＮＮ 特征逐层抽象提取，然后通过核极限学习机映射到更高维空间进行决策，最后改进量子细菌觅食算法并应用于深度自编码
Faster R-cnn
- Faster R-cnn经典算法文章，用于图像识别！