深度学习与模式识别之项目整理
[email protected]
http://blog.csdn.net/luojun2007
作者：Luogz
本人一直从事图像处理，模式识别专业方向。该专业具有非常广的应用范围。我对这个专业有非常大的兴趣。本人承接各种与图像处理相关的项目，如您须要请联系我，谢谢！！
！
图像处理方向大概有下面等应用场景：
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、人脸检測、人脸性别分类、年龄预计、人脸识别、人流量统计、缺陷检測、基于Adaboost的物体检測、多类物体分类、智能交通、视频背景建模、车牌识别、遗留物检測、视频质量诊断、美图，OCR字符识别、汽车定位、行人检測等等。
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。
以下介绍一些曾经做过的项目。
文件夹
一、麻将牌实时检測
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、麻将牌实时检測
对摄像头拍摄的图片进行实时处理。输出麻将的定位区域，因为我们的视频是动的，比市场上的固定摄像头的操作难非常多。所以检測难度会加大，可是经过測试，设计的算法具有较高的检測率和文档性。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測试，综合检測率在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
看视频检測效果（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。须要人时常去观察发酵过程到哪个阶段？这浪费人力和物力，假设能用图像处理算法处理发酵监控摄像头返回的图像，那么就能够机器监控整个发酵过程。这个我曾经做过的一个小项目，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。
依据以上信息来推断发酵过程是否达到了最佳时间。界面例如以下：
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.要求实现过程的具体步骤说明。
2.关键步奏须要图像便于验证。
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。
其实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，例如以下：
x, y轴平面投影切割图 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含rubustfit、最小二乘、三次样条插值等。可是我是在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，可是把这个拿出来的原因是，“教室人数统计”主要大家都比較熟悉。“教室人数统计”…..你可能想到的能够利用adaboost检測人脸再数个数。这样的方法是简单，可是不有用，你能够保证一定能够检測到人脸吗？我是利用Adaboost框架训练自己的人头检測XML。注意不是人脸-----可是这么做了。也有可能会检測错误，因此我再利用如今的热门算法，深度学习来对检測到的待选目标进行分类。然后推断出Adaboost检測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优点就是：不用自己去苦苦提取特征，网络会依照它的设计原理自己主动提取特征，比方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，而且该特征对位移、缩放、扭曲具有鲁棒性。
详细參考：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。可是并非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例如以下：
实例四
须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，如今已经比較成熟了。可是还是值得关注。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结构不包括输入层就已经是7层网络结构。眼下基本都用简化的“LeNet-5系统”，该系统把下採样层和卷积层结合起来。避免了下採样层过多的參数学习过程，相同保留了对图像位移。扭曲的鲁棒性。
其网络结构图例如以下所看到的：
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。可以达到这样的商用的地步。它的准确性可想而知。
毕竟眼下学术界和工业界的结合是最受争议的。他的效果图例如以下：
视图4.2
我依据这样的设计方案，实现了该“LeNet-5系统”。可是我的使用场景是扑克牌识别，并且应用在手抓牌上，不是眼下常使用的方法——把牌摆在牌桌上。
对照效果例如以下：
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，可是共同点就是效果都还行。
对1W张室外人脸进行測试，前者能够达到87%~92%的识别率。后者能够达到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，可是对光线变化比較大的环境，Gabor方案还能够维持叫好的效果，可是sift特征方案的识别率速度降到60%~70%。因此看应用场景来採用哪种方案？
（a） （b）
实例六 性别分类
本人长期外接项目和程序设计，假设你有须要，请联系我：QQ：3158861394.
诚信为您服务！