形狀識別演算法

Ⅰ 圖像處理中什麼演算法可以識別形狀

尋找到邊緣以後可以根據形狀的長寬面積周長等計算

Ⅱ 人臉識別演算法的難點

人臉識別演算法研究已久，在背景簡單的情形下，大部分演算法都能很好的處理。但是，人臉識別的應用范圍頗廣，僅是簡單圖像測試，是遠遠不能滿足現實需求的。所以人臉識別演算法還是存在很多的難點。
光照
光照問題是機器視覺中的老問題，在人臉識別中的表現尤為明顯，演算法未能達到完美使用的程度。
姿態
與光照問題類似，姿態問題也是人臉識別研究中需要解決的一個技術難點。針對姿態的研究相對比較少，多數的人臉識別演算法主要是針對正面，或接近正面的人臉圖像，當發生俯仰或者左右側而比較厲害的情況下，人臉識別演算法的識別率也將會急劇下降。
遮擋
對於非配合情況下的人臉圖像採集，遮擋問題是一個非常嚴重的問題，特別是在監控環境下，往往被監控對象都會帶著眼鏡﹑帽子等飾物，使得被採集出來的人臉圖像有可能不完整，從而影響了後面的特徵提取與識別，甚至會導致人臉識別演算法的失效。
年齡變化
隨著年齡的變化，面部外觀也在變化，特別是對於青少年，這種變化更加的明顯。對於不同的年齡段，人臉識別演算法的識別率也不同。
圖像質量
人臉圖像的來源可能多種多樣，由於採集設備的不同，得到的人臉圖像質量也不同，特別是對於那些低解析度﹑雜訊大﹑質量差的人臉圖像如何進行有效的人臉識別是個需要關注的問題。同樣的，對於高分辨圖像，對人臉識別演算法的影響也需要進一步研究。
樣本缺乏
基於統計學習的人臉識別演算法是人臉識別領域中的主流演算法，但是統計學習方法需要大量的培訓。由於人臉圖像在高維空間中的分布是一個不規則的流行分布，能得到的樣本只是對人臉圖像空間中的一個極小部分的采樣，如何解決小樣本下的統計學習問題有待進一步的研究。
海量數據
傳統人臉識別演算法如PCA、LDA等在小規模數據中可以很容易進行訓練學習。但是對於海量數據，這些方法其訓練過程難以進行，甚至有可能崩潰。
大規模人臉識別
隨著人臉資料庫規模的增長，人臉演算法的性能將呈現下降。

Ⅲ 人臉識別的識別演算法

人臉識別的基本方法

人臉識別的方法很多，以下介紹一些主要的人臉識別方法。

(1)幾何特徵的人臉識別方法

幾何特徵可以是眼、鼻、嘴等的形狀和它們之間的幾何關系(如相互之間的距離)。這些演算法識別速度快，需要的內存小，但識別率較低。

(2)基於特徵臉(PCA)的人臉識別方法

特徵臉方法是基於KL變換的人臉識別方法，KL變換是圖像壓縮的一種最優正交變換。高維的圖像空間經過KL變換後得到一組新的正交基，保留其中重要的正交基，由這些基可以張成低維線性空間。如果假設人臉在這些低維線性空間的投影具有可分性，就可以將這些投影用作識別的特徵矢量，這就是特徵臉方法的基本思想。這些方法需要較多的訓練樣本，而且完全是基於圖像灰度的統計特性的。目前有一些改進型的特徵臉方法。

(3)神經網路的人臉識別方法

神經網路的輸入可以是降低解析度的人臉圖像、局部區域的自相關函數、局部紋理的二階矩等。這類方法同樣需要較多的樣本進行訓練，而在許多應用中，樣本數量是很有限的。

(4)彈性圖匹配的人臉識別方法

彈性圖匹配法在二維的空間中定義了一種對於通常的人臉變形具有一定的不變性的距離，並採用屬性拓撲圖來代表人臉，拓撲圖的任一頂點均包含一特徵向量，用來記錄人臉在該頂點位置附近的信息。該方法結合了灰度特性和幾何因素，在比對時可以允許圖像存在彈性形變，在克服表情變化對識別的影響方面收到了較好的效果，同時對於單個人也不再需要多個樣本進行訓練。

(5)線段Hausdorff 距離(LHD) 的人臉識別方法

心理學的研究表明，人類在識別輪廓圖(比如漫畫)的速度和准確度上絲毫不比識別灰度圖差。LHD是基於從人臉灰度圖像中提取出來的線段圖的，它定義的是兩個線段集之間的距離，與眾不同的是，LHD並不建立不同線段集之間線段的一一對應關系，因此它更能適應線段圖之間的微小變化。實驗結果表明，LHD在不同光照條件下和不同姿態情況下都有非常出色的表現，但是它在大表情的情況下識別效果不好。

(6)支持向量機(SVM) 的人臉識別方法

近年來，支持向量機是統計模式識別領域的一個新的熱點，它試圖使得學習機在經驗風險和泛化能力上達到一種妥協，從而提高學習機的性能。支持向量機主要解決的是一個2分類問題，它的基本思想是試圖把一個低維的線性不可分的問題轉化成一個高維的線性可分的問題。通常的實驗結果表明SVM有較好的識別率，但是它需要大量的訓練樣本(每類300個)，這在實際應用中往往是不現實的。而且支持向量機訓練時間長，方法實現復雜，該函數的取法沒有統一的理論。

人臉識別的方法很多，當前的一個研究方向是多方法的融合，以提高識別率。

在人臉識別中，第一類的變化是應該放大而作為區分個體的標準的，而第二類的變化應該消除，因為它們可以代表同一個個體。通常稱第一類變化為類間變化，而稱第二類變化為類內變化。對於人臉，類內變化往往大於類間變化，從而使在受類內變化干擾的情況下利用類間變化區分個體變得異常困難。正是基於上述原因，一直到21 世紀初，國外才開始出現人臉識別的商用，但由於人臉識別演算法非常復雜，只能採用龐大的伺服器，基於強大的計算機平台。

如果可以的話，可以Te一下colorreco，更好的技術解答。

Ⅳ 人們識別圖像是靠形狀，那AI是怎麼識別圖像的

德國研究團隊給出一個原因，這個原因出乎意料：人類會關注圖中對象的形狀，深度學習計算機系統所用的演算法不一樣，它會研究對象的紋理。

德國圖賓根大學科學家Geirhos領導的團隊採用獨特方法進行研究。去年，團隊發表報告稱，他們用特殊噪點干擾圖像，給圖像降級，然後用圖像訓練神經網路，研究發現，如果將新圖像交給系統處理，這些圖像被人扭曲過（相同的扭曲），在識別扭曲圖像時，系統的表現比人好。不過如果圖像扭曲的方式稍有不同，神經網路就無能為力了，即使在人眼看來圖像的扭曲方式並無不同，演算法也會犯錯。當你在很長的時間段內添加許多噪點，圖中對象的形狀基本不會受到影響；不過即使只是添加少量噪點，局部位置的架構也會快速扭曲。研究人員想出一個妙招，對人類、深度學習系統處理圖片的方式進行測試。

演算法將圖像分成為小塊，接下來，它不會將信息逐步融合，變成抽象高級特徵，而是給每一小塊下一個決定，比如這塊包含自行車、那塊包含鳥。再接下來，演算法將決定集合起來，判斷圖中是什麼，比如有更多小塊包含自行車線索，所以圖中對象是自行車。演算法不會考慮小塊之間的空間關系。結果證明，在識別對象時系統的精準度很高。

Ⅳ 如何寫一個簡單的手寫識別演算法

對於這個問題

我原來看過一個演算法，她說覺得gesture recognizer 是比較好的解法。
他也有一個類似的演算法，借鑒了原始手寫ocr的思路來實現的。

不過ocr問題的重點是怎麼選擇特徵，比如知名的uci 數據集就有以下這些特徵量:

Ⅵ 人體行為識別有哪些演算法

人體行為識別前已有的方法主要分為三大類：基於模板的方法，基於概率統計的方法和基於語義的方法。
模板匹配是一種較早用在人體運動識別上的方法,將運動圖像序列轉化為一個或一組靜態的模板，通過將待識別樣本的模板與已知的模板進行匹配獲得識別結果。在行為識別中，基於模板匹配的演算法可以分為幀對幀匹配方法和融合匹配方法。主要方法有：運動能量圖像（MEI）和運動歷史圖像（MHI），基於輪廓的平均運動形狀（MMS）和基於運動前景的平均運動能量（AME）等。
概率統計方法進行運動識別是把運動的每一種靜態姿勢定義為一個狀態或者一個狀態的集合，通過網路的方式將這些狀態連接起來，狀態和狀態之間的切換採用概率來描述。主要有隱馬爾科夫模型HMM， 最大熵馬爾科夫模型（MEMM），條件隨機場（CRF）等。

Ⅶ 自由曲面的自由曲面特徵識別方法

自由曲面特徵識別方法的種類己經很多，從整體上可以將它們分為兩大類，一類是基於邊界匹配的特徵識別方法，另一類是基於立體分解的特徵識別方法。Ratnakar Sonthi在1997年提出了一種基於曲率區域表示的特徵識別方法。Eelco van den Berg等在2002年提出了一種基於形狀匹配的自由形狀特徵識別演算法。

Ⅷ 傳統行為識別方法和基於深度學習的人體行為識別演算法怎麼比較

人體行為識別前已有的方法主要分為三大類：基於模板的方法，基於概率統計的方法和基於語義的方法。
模板匹配是一種較早用在人體運動識別上的方法,將運動圖像序列轉化為一個或一組靜態的模板，通過將待識別樣本的模板與已知的模板進行匹配獲得識別結果。在行為識別中，基於模板匹配的演算法可以分為幀對幀匹法和融合匹法。主要方法有：運動能量圖像（MEI）和運動歷史圖像（MHI），基於輪廓的平均運動形狀（MMS）和基於運動前景的平均運動能量（AME）等。
概率統計方法進行運動識別是把運動的每一種靜態姿勢定義為一個狀態或者一個狀態的集合，通過網路的方式將這些狀態連接起來，狀態和狀態之間的切換採用概率來描述。主要有隱馬爾科夫模型HMM， 最大熵馬爾科夫模型（MEMM），條件隨機場（CRF）等。