人脸识别技术及在油气泵站安全监测中的应用研究
发布时间：2021-04-07 22:27
随着经济的快速发展,油气泵站作为国民经济能源大动脉,在促进区域经济发展方面做出了突出的贡献。而现实中的油气泵站地理位置偏僻,周围简单的安全防护措施以及人员的无法全天监护,且泵站内部光线暗、禁止强光,导致监控设备拍摄效果模糊、人脸图像灰暗等情况,严重威胁着油气泵站中的安全。因此,油气泵站安全监测俨然成为国家能源安全供应所面临的严峻挑战。人脸识别技术应用于油气泵站安全监测中,可以更方便、准确、直接地验证人员信息,对油气泵站的建设和维护起到了重要的保障。论文主要研究工作如下:（1）论文针对油气泵站中光照昏暗导致人脸识别率下降的问题,提出基于决策树与图像增强结合的光照处理方法,通过对不同暗度的人脸图像处理的实验得出,该方法与传统的光照处理方法:线性变换、指数增强、同态滤波、熵图像方法相比,明显增强人脸图像各区域的特征点。（2）研究卷积神经网络在训练样本时出现的过拟合现象,通过实验不断调整超参数提高CNN在训练样本数据集上的表现,寻找合适的Dropout值解决过拟合问题,之后建立卷积神经网络对决策树与图像增强的光照算法处理后的人脸图像进行人脸识别验证和分析。通过实验表明:论文提出的决策树与图像增...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
图２．１隐马尔科夫模型５级人脸区域分块??Ｆｉｇ．?２．１?Ｆａｃｅ?ｒｅｇｉｏｎａｌ?ｐａｒｔｉｔｉｏｎｉｎｇ?ｆｉｖｅ?ｌｅｖｅｌ?ｏｆ?Ｈｉｄｄｅｎ?Ｍａｒｋｏｖ?Ｍｏｄｅｌ??
?大连海事大学专业学位硕士学位论文???根节点??内部节点?内部节点??叶子节点内部节点｜叶子节点内部节点??叶子节点叶子节点叶子节点叶子节点??图２．２决策树模型??Ｆｉｇ．?２．２?Ｄｅｃｉｓｉｏｎ?ｔｒｅｅ?ｍｏｄｅｌ??每个决策树都是由根节点、内部节点和叶子节点组成。根节点位于决策树的最顶端，??并且决策树只有一个根节点，其节点内部包含所有训练样本［３９１。内部节点是根据某种特??定的划分规则得到的分类。叶子节点处于决策树的最末端，叶子节点包含有分类标签的??样本数据集合。每条由决策树的根节点到叶子节点构成一条路径都代表了?？种分类规则，??所以决策树中的整棵树是由训练数据产生的分类规则的数据集合。决策树有ＩＤ３、Ｃ４．５、??ＣＡＲＴ等算法。在构建决策树时，要确保当前的特征对数据的划分具有决定性的作用［４（）］。??信息增益是决策树中？个划分标准，其计算公式为。??／／?＝?一?Ｊｐ（ｘ，）ｌｏｇ２ｐ（ｘ，）?（２．２）??；＝１??在公式（２．２）中，是选择该分类的概率，熵度量了事物的不确定性，得到的??值越大，表明样本中混杂程度越大。该模型计算的复杂程度不高，输出的结果比较容易??理解，对于中间值的缺失不敏感，可以处理不相关特征数据，但同时会产生过度匹配的??问题。决策树的分类过程如图２．３所示。??具体生成决策树模型的步骤如下：??（１）首先创建决策树的根节点，将所有训练的样本数据集置于根节点。??（２）参照决策树样本分裂准则，从训练样本的数据集合中分裂出最容易区分的属??性，产生相应的子节点。??－９?－??
?人脸识别技术及在油气泵站安全监测中的应用研究???（３）根据剩余的样本属性对每个分裂的内部子节点重复步骤２的操作，当内部子??节点上的所有样本数据的类别的纯度相同，或己经被利用，则该叶子节点停止分裂，否??则继续。??测试数据??输１练数Ｉ?＾评估翻＇?＾分类结果??图２．３决策树的分类过程??Ｆｉｇ．?２．３?Ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｐｒｏｃｅｓｓ?ｏｆ?ｄｅｃｉｓｉｏｎ?ｔｒｅｅ??２．４．２支持向量机分类法??支持向量机（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅｓ，ＳＶＭ），解决样本分类、学习和高维问题??上表现良好［４１］’［４２］。由于ＳＶＭ具有完善的理论作为基础，目前该方法应用在诸多的场景??以及实验中，并得到了很好的实验效果。例如：模式识别、回归估计等等。ＳＶＭ的基??本思想如图２．４所示，图中的黑点和空点表示两类数据的训练样本，由于数据处于两维??的平面上，Ｈ是分类线也是超平面，Ｈ１和Ｈ２是过各类样本中离分类线最近的点且平行??于Ｈ的分类线。最优的分界平面就是要求分类线不但能够将两类无错误地分开，而且两??类的数据线之间的间隔也是最大的［４３］。分布在超平面一侧的所有数据都属于某个类别，??而分布在另一侧的所有数据则属于另一个类别［４＇两条直线侧边上的点是支持向量。??ＳＶＭ方法泛化错误率低，计算量小，输出的计算结果易于理解且具有较好的性能。但??该方法对参数的相关修改和核函数的选择敏感，大部分的情况仅适用于处理二分类相关??的情况。??－１０?－??
本文编号：3124303
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
图２．１隐马尔科夫模型５级人脸区域分块??Ｆｉｇ．?２．１?Ｆａｃｅ?ｒｅｇｉｏｎａｌ?ｐａｒｔｉｔｉｏｎｉｎｇ?ｆｉｖｅ?ｌｅｖｅｌ?ｏｆ?Ｈｉｄｄｅｎ?Ｍａｒｋｏｖ?Ｍｏｄｅｌ??
?大连海事大学专业学位硕士学位论文???根节点??内部节点?内部节点??叶子节点内部节点｜叶子节点内部节点??叶子节点叶子节点叶子节点叶子节点??图２．２决策树模型??Ｆｉｇ．?２．２?Ｄｅｃｉｓｉｏｎ?ｔｒｅｅ?ｍｏｄｅｌ??每个决策树都是由根节点、内部节点和叶子节点组成。根节点位于决策树的最顶端，??并且决策树只有一个根节点，其节点内部包含所有训练样本［３９１。内部节点是根据某种特??定的划分规则得到的分类。叶子节点处于决策树的最末端，叶子节点包含有分类标签的??样本数据集合。每条由决策树的根节点到叶子节点构成一条路径都代表了?？种分类规则，??所以决策树中的整棵树是由训练数据产生的分类规则的数据集合。决策树有ＩＤ３、Ｃ４．５、??ＣＡＲＴ等算法。在构建决策树时，要确保当前的特征对数据的划分具有决定性的作用［４（）］。??信息增益是决策树中？个划分标准，其计算公式为。??／／?＝?一?Ｊｐ（ｘ，）ｌｏｇ２ｐ（ｘ，）?（２．２）??；＝１??在公式（２．２）中，是选择该分类的概率，熵度量了事物的不确定性，得到的??值越大，表明样本中混杂程度越大。该模型计算的复杂程度不高，输出的结果比较容易??理解，对于中间值的缺失不敏感，可以处理不相关特征数据，但同时会产生过度匹配的??问题。决策树的分类过程如图２．３所示。??具体生成决策树模型的步骤如下：??（１）首先创建决策树的根节点，将所有训练的样本数据集置于根节点。??（２）参照决策树样本分裂准则，从训练样本的数据集合中分裂出最容易区分的属??性，产生相应的子节点。??－９?－??
?人脸识别技术及在油气泵站安全监测中的应用研究???（３）根据剩余的样本属性对每个分裂的内部子节点重复步骤２的操作，当内部子??节点上的所有样本数据的类别的纯度相同，或己经被利用，则该叶子节点停止分裂，否??则继续。??测试数据??输１练数Ｉ?＾评估翻＇?＾分类结果??图２．３决策树的分类过程??Ｆｉｇ．?２．３?Ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｐｒｏｃｅｓｓ?ｏｆ?ｄｅｃｉｓｉｏｎ?ｔｒｅｅ??２．４．２支持向量机分类法??支持向量机（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅｓ，ＳＶＭ），解决样本分类、学习和高维问题??上表现良好［４１］’［４２］。由于ＳＶＭ具有完善的理论作为基础，目前该方法应用在诸多的场景??以及实验中，并得到了很好的实验效果。例如：模式识别、回归估计等等。ＳＶＭ的基??本思想如图２．４所示，图中的黑点和空点表示两类数据的训练样本，由于数据处于两维??的平面上，Ｈ是分类线也是超平面，Ｈ１和Ｈ２是过各类样本中离分类线最近的点且平行??于Ｈ的分类线。最优的分界平面就是要求分类线不但能够将两类无错误地分开，而且两??类的数据线之间的间隔也是最大的［４３］。分布在超平面一侧的所有数据都属于某个类别，??而分布在另一侧的所有数据则属于另一个类别［４＇两条直线侧边上的点是支持向量。??ＳＶＭ方法泛化错误率低，计算量小，输出的计算结果易于理解且具有较好的性能。但??该方法对参数的相关修改和核函数的选择敏感，大部分的情况仅适用于处理二分类相关??的情况。??－１０?－??
本文编号：3124303
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3124303.html
最近更新
教材专著
