分类与定位

分类与定位（共6篇）

分类与定位 篇1

摘要：文章简单分析了新疆维吾尔自治区人民医院标识导向系统设计安装的项目背景, 介绍了医院标识导向系统的分级原理, 并从外部标识和内部标识两个方面, 详细介绍了各种标识牌的材质和制作工艺, 阐述了标识系统布点及定位时需要考虑的重点问题。

关键词：医院,标识导向系统,人性化,流程设计,节能降耗

随着我国经济的飞速发展, 基础设施不断完善, 国民生活水平日益提高, 人们看待事物的观念、角度和要求也在发生变化。标识已不再是一个仅表明使用功能的标志牌, 而是形成了一个独立的系统。好的医院标识系统不仅能显示出独到的功能, 而且能体现现代医院的人文精神, 让人耳目一新。

在新疆维吾尔自治区人民医院的标识系统中, 我们引入了一些新的思路, 包括结合流程设计和节能减排的考量, 取得了很好的实践效果。

一、背景分析

由于过去新老建筑物混杂, 标识只承担显示名称的作用, 材料单一, 采用底纸板、面喷绘的方式, 其缺点是:颜色单一, 不便于拆卸, 拆卸后基本报废, 不能重复使用;标识内容更换后必须整版更换, 浪费大、成本高;标识规格及制作材料不统一, 随意性大, 无整体规划及分类, 不便于管理;由于采用喷绘面板, 不同批次的标牌存在明显色差, 且工艺耐候性差, 易褪色, 表面易损坏;安装时采用双面胶, 移位后原墙面胶痕不易清理, 影响观瞻。

随着医院高层建筑逐渐增多, 医疗用房成倍增加, 过去单一式标识已不能满足现代化医院服务需求, 为此医院斥资通过专业公司引进与国内外接轨的标识导向系统设计理念, 对医院现有科室分布、人流、物流、车流等进行详尽分析, 并结合医院70余年历史文化积淀, 确定了新标识导向系统的样式、主色调, 统一了标牌的规格型号并进行分类。

二、标识导向系统分级原理

良好的标识导向系统源于良好的设计要素和科学的导向分类, 科学的导向分类是依照就诊人员的到达及阅读习惯, 按照由外到内、由大至小、由先至后的顺序而设计。以下为一般综合性医院的标识导向分级原则——

一级导向:医院大楼、大门、院名标识;医院道路指引标识;医院道路分流标识;医院服务设施 (停车场、商店等) ;医院楼宇标识;医院户外总图;医院户外形象标识。

二级导向:医院楼层总索引;医院各楼层索引及平面图;医院大厅、走廊标识;医院公共服务设施 (洗手间等) 。

三级导向:各医务单元 (放射科、检验科等) ;医院各护理单元;各行政后勤单位。

四级导向:各房间门牌;各窗口牌 (收费、取药、出入院等) ;公共服务设施。

三、标识导向系统的制作

(一) 室外标识

室外标识包括建筑物屋顶宣传字、道路分流导向标识、宣传栏、公共设施标牌、全院平面图等。

建筑物屋顶采用较先进的大型双色字工艺, 有汉文、维文、红十字标识及院徽, 单体字面积固定后在20㎡左右, 其底壳采用铝合金材质, 内部满布白色LED光源, 表面为进口透明亚克力板。其双色发光原理为:表面透明亚克力板附着红色网状透光膜, 白天透光膜颜色显示为红, 夜晚LED灯亮起, 光透过网膜显示为白色, 以此达到双色字效果。此工艺较传统吸塑字、霓虹灯工艺, 具有字体材料耐候、防水性能优越、LED光源使用寿命长且节能、部分灯头损坏不影响整体字体效果、可显示双色等优点;其缺点是造价及运输成本较高。

道路分流导向牌采用灯柱形式, 基础采用预埋件法兰连接, 上部导视部位采用多头可转动设计, 内置LED光源。其优点是:由于内容可转动, 能方便指向对应建筑;基础为法兰连接, 坚实可靠;柱体表面采用烤漆工艺, 耐腐蚀性强;内置LED光源, 节能、环保, 夜间也可导视。

宣传栏采用铝合金框架、可移动钢化玻璃面板, 上带阳光板雨棚, 内置光源。其优点是简单美观, 宣传内容更换方便, 夜间也可使用。

(二) 室内标识

项目采用铝合金为基础材质, 结合多种材料复合使用。其优点是:由于铝合金标牌表面颜色及图案采用国内先进汽车烤漆工艺, 色彩艳丽不易褪色, 易清洗, 其耐酸碱及耐磨损性能进一步提升;其内部为拼装、卡口结构, 易安装、拆卸、移位;标识表面文字部分采用高精度丝网印刷技术, 需更换文字内容时, 拆卸后采用专用化学制剂擦洗即可消除原内容且不影响底部烤漆, 新内容同样采用丝网印刷即可, 可重复使用, 很好地解决了医院快速发展中频繁更换内容的问题;规格型号分类统一, 如办公用房标识、病房标识、公共设施标识等;为体现人性化理念, 病房牌还设计了责任护士、医生及床号等信息的卡槽, 均可自由抽取更换。这种工艺其实在现在已经成为一种很常见的方式, 不过在维护方面却带来很多方便。

通道、电梯前室、转角、分流处等, 采用内置LED光源外包有机单透片吊牌。

室内外标识设计在早期就考虑到了节能减排, 这种规划思路与一般的标识系统有所不同。由于版面有限, 在此不再展开叙述。

四、标识系统的布点及定位

在标识系统的布点及定位方面, 我们引入了流程管理的思路, 流程设计旨在用最短的路径连接点到点的距离, 尤其是病型分诊的路线。何时何地应用何种标识, 这是医院、患者所关心的问题, 真正的合理设计并非铺天盖地地出现标识, 而是应“化繁为简”。

布点定位的关键是:清晰突出主体, 依照导向原理顺序, 层次分明地表示每一个点。除此之外, 我们还应考虑人体工程学因素, 预计出人流高峰汇集点, 使标识尽可能地做到“该有时有, 该无则无”。有条件的医院应在建筑平面装修设计时就考虑标识牌的布点定位, 出具配套的施工图纸, 此举既能使标识牌准确定位, 与建筑装修风格协调统一相辅相成, 又能在安装部位相对节省装饰材料, 降低装修成本。

此外, 人性化关怀也是医院标识设计过程中需要考量的重要方面, 例如标准化的维文、汉文结合, 满足不同患者的阅读性要求等。

五、经验总结

在民族区域自治地区, 少数民族语言应由专业翻译公司翻译;注重人性化公共标识的布置, 如小心碰头、小心地滑等温馨提示, 以及无障碍坡道、扶梯、卫生间及电梯盲文按钮等标识;标识牌选材要注重其性能, 安装要牢固, 电源要安全;导向系统除外观、样式外, 应严格按照导向分级原理进行设计、布置;注重供货商的选择。

六、结束语

科学的导向系统要以人性化服务的理念去设计, 注重色彩、文化的元素, 最终目的是给患者带来方便, 让他们省去寻路的烦恼并节省就诊时间, 这不仅能够提升医院形象, 也能减少导医等人力资源的浪费。

参考文献

[1]中国卫生经济学会医疗卫生建筑专业委员会.中国医院标识系统设计示范[M].北京:机械工业出版社, 2002.

[2]罗灵敏.图解发光照明标识类型及装配方式[J].中国医院建筑与装备, 2010, 11 (10) :20.

[3]蒋菁.标识系统中的医院文化与形象[J].中国医院建筑与装备, 2014, 15 (3) :42-44.

由低水平制造到分类定位 篇2

关键词解读

当前，我国衡量一所高校水平高低的主要尺度是考察其占地面积的数量、在校师生的数量、教授讲师的数量、重点学科的数量……而不是高校对社会经济发展的贡献率，即高校的学科建设与发现、发明的相关率，高校的专业建设与行业发展的吻合率，高校的人才培养与雇主需要的适应率，高校毕业生的有效就业率、高校的科技研发与成果转化的有效率等。我国高校评价体系亟待重构，只有以改革的姿态，务实的精神，才能有效提高高等教育的质量，促进高校办出特色、提高水平、彰显优势。

实行“分类定位”“特色发展”

全国政协委员、民进中央委员、四川省教育厅副厅长王康：提高高等教育质量的关键点和要点，不是扩大高等教育的规模，也不是让更多的专科学校变成本科学校，不是要低水平地制造更多的硕士点、博士点，发表更多的所谓“论文”，而是要提高高等教育服务改革创新的能力，提升高等教育引领和支撑我国社会经济发展的能力。服务社会是高校的基本职能。行分千种，业以万计。发展需求的千姿万态，呼唤不同的高校走“分层次定位”“分类型发展”的服务道路。

改革大学教授“挣工分”式考核

全国人大代表、上海大学校长金东寒：按理说，大学教授都是先进生产力的代表，但是我们的生产关系，就是用来考核教授的恰恰是用50年前考核农民的办法——挣工分。教学任务算多少分、发表一篇什么档次的论文挣多少分、得个奖回来拿多少分……两会结束后，我就要着手本校科研评价体系的改革，通过分类指导让考核也个性化。比如科研做的好的，他不需要发文章也不需要承担教学任务；有的教学好的，就专心教学，不用管其他事。一年一次的考核周期也要拉长，实行任期考核，在3-5年的任期结束后再考核，这样就可以做一些大事。还有，现在考核论文的标准中有一条，名字排在第一位才算数，第二位就不行，这就导致大家各自为政。现在要鼓励不同专业集成一个团队做大科研，排名先后不重要。

科研绩效评价值得思考

全国人大代表、国家自然科学基金委主任杨卫：今年春节期间，美国人发现引力波的消息传到中国，刺痛科技界的神经——为什么中国科学家错过了引力波？ 在天文学家眼中，引力波这个重大研究命题，将会诞生若干个诺贝尔奖。我们一开始并非没有，却最终错过了！30年前，美国上马LIGO项目研究引力波，前后总共投入了100亿元，几乎同一时间，我国也开始支持与引力波相关的研究项目，迄今共支持了近50个项目，加起来总共投入2000多万元。2016年，美国人震惊了全世界。反观我们，相关科研项目一直断断续续，有的半死不活，有的石沉大海。都说十年磨一剑，高校怎么22年还没磨出一把剑来呢？我认为，钱不是主要关注点，科研绩效评价值得思考。

以学科国际评估体系为准

分类与定位 篇3

随着工业发展和全球科技进步,电能质量问题越来越受到重视。这是由2 个方面因素决定的:一方面,电力负荷结构的重大调整,大量非线性、波动性、冲击性和不平衡性负荷的广泛使用,导致电能质量下降;另一方面,随着计算机技术和半导体技术的发展,高自动化和高智能化的电子设备对电能质量提出了越来越高的要求[1,2]。IEEE标准中将电能质量扰动分为七大类,其中电力系统中常见的动态电能质量扰动有电压骤升、电压骤降、电压中断、暂态脉冲和暂态振荡。本文主要针对这5种扰动类型进行分析。

针对如何从扰动信号中定位并提取扰动特性以完成自动分类的问题,国内外学者进行了广泛深入的研究,已提出许多可行的方法。动态电能质量扰动分类包括特征提取与模式识别2个过程。其中,特征提取是对原始波形进行变换和重构,并从中提取有效的分类特征,较常用的有Hilbert-Huang变换[2]、FFT和STFT变换[3]、小波变换[4,5]、S变换[6]等。模式识别过程是对扰动信号样本进行分类,主要方法有神经网络[7]、支持向量机[8,9]、粒子群算法[9]等。与其他变换方式相比,小波包变换时- 频表现更好,可自适应地选择相应频带,高频部分分辨率高,在提取不同频段特征量的同时可有效定位扰动信号。 概率神经网络(Probabilistic Neural Networks,PNN)是一种结构简单、训练简洁的人工神经网络,较BP网络训练过程更加简单,收敛速度更快,稳定性更高。

本文首先选用小波包变换对原始信号进行3层分解,利用第3尺度上高频分解系数的模极大值点定位扰动信号,并在不同频率范围内提取重构系数,构造特征向量;然后,通过收集特征向量创建并训练PNN网络;最后,利用训练后的PNN网络对电能质量扰动信号进行分类。

1 小波包和PNN算法

1.1 小波包分析

小波分析作为一种时频分析方法,具有多分辨率分析的特点,其在分析和处理非平稳信号上,可以很好地展现出非平稳信号最根本和最关键的时频局域性质。小波包分析能够将频带进行多层次划分,它在对低频部分进行分解的同时也对高频部分进一步分解,为信号提供了一种更加精细的分析方法。同时,小波包可自适应地选择相应频带,与信号频谱相匹配[10]。

对采样信号S进行3层小波包分解,小波包分解树结构如图1所示,其中每层分解的低频段用A表示,高频段用D表示。

1.2 PNN算法

PNN是基于统计原理的一种前馈型神经网络模型,它由径向基函数网络发展而来,建立在贝叶斯最小风险准则的理论依据之上。PNN作为径向基网络的一种,适合于模式分类。PNN的层次模型由输入层、模式层、求和层、输出层共4层组成,其基本结构如图2所示。

PNN的4层结构有着不同的功能。输入层负责接收训练样本的值,再将其特征向量传递给整个网络。模式层负责计算输入特征向量与训练集中各个模式的匹配关系。模式层神经元的个数等于各类别训练样本数之和,该层每个模式单元的输出为

式中:X为输入向量;Wi为输入层与模式层连接的权值;δ为平滑因子,对分类起着至关重要的作用。

求和层将属于某一类的概率累加,按式(1)计算,从而得到扰动信号类别的概率密度函数。输出层是一种竞争神经元,该层的每个神经元与一个数据类型(即扰动信号类别)形成映射关系。

1.3 小波包和PNN算法实现

小波与PNN相结合的算法流程如图3所示。

2 基于小波包的扰动信号定位

采用Matlab软件对本文选取的正常信号和5种常见动态电能质量扰动信号建立模型,见表1。其中A为电压信号峰值;ω 为工频频率;u()为阶跃函数;T为工频周期;α,β为常系数;t1,t2,tb为常数;τ为时间系数;ωb为震荡频率。

选择稳定、标准的工频信号,并同时添加电压骤降、电压骤升、电压中断、暂态脉冲和暂态振荡5种扰动信号作为动态电能质量的扰动信号进行仿真分析,如图4所示。在信号采样时对每工频周期采样100个点,分解时选用db4小波函数对采样信号进行小波包3层分解。

利用小波包分析扰动信号,获得第3尺度上的信号重构系数如图5所示。

对原始采样信号进行小波包系数分解和重构后,不同扰动信号各个频段和同一扰动信号不同尺度上的重构系数均表现出明显的差异。因为扰动信号在除扰动起点和终点外的时间段内都是连续的,所以,在小波高频尺度上,只有突变点才有信息。利用这个性质可以定位扰动的起始和终止时刻。小波分析可以计算高频尺度上的模极大值点,通过确定模极大值点即可定位信号突变点。通过高频重构系数结点[3,7]的图像可以明确定位扰动信号。

3 基于小波包和PNN的扰动信号分类方法

3.1 信号能量特征向量提取

选取PNN扰动信号特征量时,需要使得扰动样本在最大程度上包含其信息量,最能反映扰动类别。同时,特征向量的构建应忽略一些无关量,以减小PNN规模。原始信号经过小波包3层分解重构后用8个频率成分S3j(j=0,1,…,7)代表第3尺度分解8个结点的频率范围。设频带S3j对应的能量为E3j,有

式中xjk(k=1,2,…,n)表示S3j的离散点幅值。

由于扰动信号出现时,会对各频带内信号的能量有较大的影响,所以,可以为元素构造一个特征向量T:

当能量较大时,E3j通常是一个较大的值,在数据分析上会造成不便。因此,可对向量T进行归一化处理,令

归一后的向量T′为

利用式(2)、式(4)、式(5)计算扰动信号,即可构造8个能量特征向量,特征向量的数据均转化为[0,1]之间的数,将其作为PNN网络的输入。选取一组计算后的能量值,见表2。

3.2 PNN网络训练与测试

采用Matlab函数newpnn()来创建PNN,建立扰动信号分类程序,PNN调用格式:

式中:P为输入向量;Q为目标分类向量;SPREAD为径向基函数的扩展速度。

式(6)表明扰动分类的准确率与训练样本数和参数spread值有关。将5 种扰动信号分别设置不同的信号参数,每种不同的扰动信号都获得20组训练样本及5组测试样本,共得到100组训练样本和25组测试样本。将所有训练样本作为训练PNN的输入样本,利用测试样本对该网络进行测试。使用100组训练样本和25组测试样本的特征向量作为输入,用数字1—5分别代表5种不同的扰动信号,作为分类的输出。

利用Matlab软件平台对训练样本进行PNN训练及测试,spread值选为0.9。PNN训练后的分类结果及误差如图6所示,PNN网络的测试样本分类结果如图7所示。

由图6和图7可知,经过训练,将训练数据输入已经训练好的PNN网络中,只有5 个样本出现判断错误,即总的判断准确率为95%。当通过预测样本进行验证时,只有1个样本出现了判断错误,即总的判断准确率为96%。经过训练后的PNN准确率表明,最后得到的网络可以用来对更多扰动信号进行分类预测。

4 结语

针对动态电能质量扰动的定位与分类问题,首先阐述了利用小波包系数分解和重构原始信号并在高频尺度定位扰动信号的方法,然后说明了进行扰动信号能量计算和特征向量构造的过程,最后介绍了通过PNN对不同特征向量(即扰动信号)进行分类的方法。Matlab仿真结果表明,该方法是可行的,具有一定的理论意义和实践价值。

参考文献

[1]宋雪雷.基于小波变换和支持向量机的电能质量扰动分析方法[D].哈尔滨:哈尔滨工业大学,2007.

[2]王畅.基于HHT的微网电能质量检测与分析[D].北京:华北电力大学,2014.

[3]徐永海,赵燕.基于短时傅里叶变换的电能质量扰动识别与采用奇异值分解的扰动时间定位[J].电网技术,2011,35(8):174-180.

[4]黄振威,郑寿森,祁新梅,等.基于db4小波变换和双ARM Cortex-M的电能质量分析系统[J].电测与仪表,2013,50(1):83-88.

[5]刘慧芳,陈勇胜,王群,等.基于小波变换和模糊逻辑的暂态电能质量扰动分类[J].电网技术,2008,32(3):84-87.

[6]黄南天,徐殿国,刘晓胜.基于S变换与SVM的电能质量复合扰动识别[J].电工技术学报,2011,26(10):23-30.

[7]王曦,毕贵红,祖哲.基于递归特性分析和BP神经网络的电能质量扰动识别与定位[J].电网技术,2012,36(8):215-222.

[8]李志勇,吴为麟,林震宇.基于相空间重构和支持向量机的电能扰动分类方法[J].电力系统自动化,2007,31(5):70-75.

[9]杨宁霞,孙皓,公政,等.一种基于PSO-SVM的电能质量扰动识别与分类的新方法[J].电测与仪表,2014,51(16):17-20.

分类与定位 篇4

1 Forstner算子

Forstner算子[6,11]是摄影测量中的著名特征点检测算子,其特点是速度快、定位精度较高。该算子通过计算各像素的Robert梯度和以像素(c,r)为中心的一个窗口(如5×5)的灰度协方差矩阵,在影像中寻找具有尽可能小而接近圆的的误差椭圆的点作为特征点。具体步骤如下。

1.1 计算各像素的Robert梯度(图1)

其中gu代表x方向的Robert梯度,gv代表y方向的Robert梯度。其几何示意图如图1,计算方法如式(1)。gi,j代表所在像素的灰度值。

1.2 计算l×l(如5×5或更大)窗口内的协方差矩阵

式(2)中,Q为所在像素的协方差矩阵,N为Q的逆矩阵。

1.3 计算兴趣值q与w

式中,Det N代表矩阵N的行列式,tr N代表矩阵N的迹。

可以证明,q即像素(c,r)对应的误差椭圆的圆度。

式(5)中,a与b为椭圆的长、短半轴。其中a、b中任意一个为零,则q=0,表明该点可能位于边缘上;如果a=b,则q=1,表明为一个圆。

1.4 确定待选点

如果兴趣值大于给定的阀值,则该像元为待选点。阈值为经验值,可参考下列值。

式(6)中,为权的平均值;wc为权的中值。

当q>Tq,且w>Tw时,该像元为待选点。

1.5 选取极值点

以权值w为依据选择极值点,即在一个适当窗口中选择w最大的待选点,而去掉其余的点。

2 Forstner特征点分类及精确定位

上述Forstner极值点称为特征的初步定位点。由各个像素和像素所在的梯度决定的直线得到一系列线性方程组,对这个线性方程组用最小二乘求解即可以得到精确的特征点坐标。

2.1 特征点分类

2.1.1 假设特征点为角点

首先,假设Forstner特征点为角点。

图2(a)表示一个角点的原始影像图,图2(b)表示的是基于最小二乘求得的精确定位点的坐标原理示意图。

由窗口内各个像素决定的直线(对于角点,直线的斜率方向和像素的梯度方向垂直)可得到误差方程组。

将tanθn=gvn/gun带入方程组化简方程得到

式(8)中,gu,gv是各像素的Robert梯度,gu=gi+1,j+1-gi,j,gv=gi,j+1-gi+1,j。

令则误差方程式(8)可表示为

欲求出X的最优估计,需使VTV=(AX-L)T(AX-L)最小,即转置后得

联立式(9)、式(10),消去V,得到法方程。

根据式(11)可求出:

若考虑权值,则为

。本文将权值设为1。

综上得到关于角点的两个矩阵。

2.1.2 假设特征点为圆点

假设该特征点为圆点。由于圆点的线性方程和角点的线性方程式垂直的关系,只需将斜率改变为角点的倒数的负数即可,同理可得到系数矩阵和常数矩阵相应变为

2.1.3 特征点的分类判定方法

定义:

式(17)中的Est(c)代表如果特征点分类为角点时的坐标,式(18)中的Est(o)代表特征点分类为圆点时的坐标。

在一定窗口大小内(如7×7)定义并计算下列矩阵,ri,ci为窗口中其他像素的坐标,Est(c)(1)、Est(o)(1)和Est(c)(2)、Est(o)(2)分别指矩阵的第一项和第二项。

定义:

Cor_res、Dot_res代表窗口内其他像素坐标和定位点坐标的差值,其几何意义为由定位点坐标指向其他像素的一个向量。

定义:

上述两式为对应窗口内其他像素坐标和定位点坐标的差值的平方。

对窗口中的所有像素求和得到Dc、Dd。

上述两式可分别改写成:

式(25)、式(26)两式可看作向量的乘积,(gu,gv)为灰度变化的方向,(Cr,Cc),(dc,dr)为径向方向。可以发现对于Dc是灰度变化方向和径向方向两个向量数量积的平方和;Dd是灰度变化方向和径向的正交方向两个向量数量积的平方和。

令T=Dc/Dd

如图3所示:对于理想角点,灰度的变化方向和径向方向正交,这将使得Dc较小,而Dd较大,最终得到的T值将较小;图4中:对于理想圆点,灰度的变化方向和径向方向一致,这将使得Dc较大,Dd较小,最终得到的T值较大。

定义:

式(27)中,T1为F分布(图5)中取到0.999概率时对应的样本值,F分布的两个自由度为窗口大小;T2为F分布中取到0.001概率时对应的样本值。

若Point Class的值为1,则特征点为角点。

若Point Class的值为-1,则特征点为圆点。

若Point Class的值为0,则特征点为中间类型点,其既不属于角点,也不属于圆点。

2.2 分类点的精确定位

对于特征角点,其精确定位坐标为

对于特征圆点,其精确定位坐标为

对于存在的少量中间类型点,不作特征点精确定位。

3 实验与分析

为了检测分类后的特征点精度和分类前的特征点精度相比是否有所提高,采用对实验图像进行一次仿射变换后再对其检测并提取特征点,比较检测后的特征点是否满足图像的仿射变换关系,用二者的残差作为精度的衡量[12,13]。

实验选取的原始影像如图6(a),大小为500×500,仿射变换矩阵为,经仿射变换后的变形影像如图6(b)。影像的尺寸大小与圆点和角点的分类有关,尺寸大小是F分布的两个自由度,在这两个自由度下概率分别取0.999和0.001时的自变量值作为分类阈值,从而得到分类的阈值T1=0.693 4,T2=1.442 2。

图6(a)中蓝色的点代表角点精确定位的点坐标,蓝色点旁黑色的点代表角点初步定位的点的坐标;红色的点代表圆点精确定位的坐标,红色旁边黑色的点代表初步定位的点的坐标。在进行精确度评定时,对角点和圆点将不加以区分,只分初步定位点和精确定位点。

本文所采用的方法是将原始影像上的点通过仿射变换矩阵变换得到一系列点的坐标,然后与变换后影像上检测出的点进行比较,对两组坐标进行循环搜索,若发现存在两组点的坐标差值在2个像素以内,则将差值记录(表1)。最后比较两组差值的平均值和方差。平均值和方差都小则视为精确度较高。

实验结果得到原始影像上检测出初步定位点和精确定位点均为450个;经变换后的影像上检测出初步定位点和精确定位点均为364个。设原始影像上初步定位点的坐标为(Xi,Yi),原始影像上精确定位点为(xi,yi),将原始影像上的点通过仿射变换关系得到的初步定位点和精确定位点的坐标分别为(Xj,Yj),(xj,yj),变形影像上的初步定位点和精确定位点坐标分别为(Xk,Yk),(xk,yk)。由变形影像上实际提取点位(Xk,Yk)或(xk,yk)与理论点位(Xj,Yj)或(xj,yj)的误差均值和均方根误差来评价特征点的定位精度[14,15]。

若将所有的点都参与精度评定,则初步特征定位精度如下:μ1=0.768 585,σ1=0.321 068。

精确特征定位精度如下:μ2=0.766 96,σ2=0.444 031。二者的误差均值和均方根误差相差不大,甚至在均方根误差表现上前者比后者要小。分析其原因是由于经过变换的影像上的特征点的数目少于变换前的影像,并且产生了部分干扰点。因此,本文进一步选取部分特征较强的兴趣点进行比较。

将原始影像上通过仿射关系变换得到的点与变换影像上的定位点作残差比较(表1),分别得到:初步定位点(Forstner算子)的误差均值与均方根误差为μ1=0.598 795,σ1=0.051 277 8;精确定位点(本文改进算法)的误差均值与均方根误差为μ2=0.345 15,σ2=0.039 736 7。这一结果说明,精确定位(本文方法)的误差均值和均方根误差都明显小于初步定位(Forstner算子)的误差均值和均方根误差。并且,如果进一步增加参加比较的点(特征较强的兴趣点)的个数,这种差距会愈加明显。因此,精确定位精度要显著高于初步特征点定位精度。

4 结论

首先假设Forstner特征点分别为角点和圆点,然后利用一定的方法判定该Forstner特征点的类别(即角点、圆点、中间点中的一种),然后根据该特征点的类别进行精确定位(对于中间点,不作特征点精确定位)。仿真实验表明,精确定位点的精度要显著高于初步定位点的精度。另外,将Forstner特征点分类后,有利于后续的特征匹配过程,例如,将角点与角点匹配、圆点与圆点匹配,可提高匹配效率并降低误匹配率。

摘要：针对无人机影像空三处理对特征点定位精度要求高的问题,基于Forstner点特征提取算子探讨一种Forstner特征点分类和精确定位方法。首先利用一定的方法判定Forstner特征点的类别(即角点、圆点、中间点中的一种),然后根据该特征点的类别进行精确定位。通过对一组无人机数据进行实验,试验表明:相比Forstner算子的初步定位,精确定位的特征点精度显著提高。

分类与定位 篇5

目前我国的高等教育主要由学术型教育以及技术应用型教育两种基本类型构成。在教学层次上, 学术型教育基本都是本科及以上的教学机构进行, 技术应用型教育的人才培养层次则主要是专科层次。根据人的多元智能理论以及社会经济发展的实际需要, 建设应用型本科院校培养高层次的技术人才显得势在必行。教育分类以及人才分类的理论、建立技术型人才培养的完整学历体系都取得了显著的研究成果, 对于推进高职院校的升本以及人才培养具有重要的推动意义。

1 高职院校升级为本科院校的理论基础

目前最新的教育理论成果认为人才的不同类型的定义是建立在从事生产活动和社会活动的过程的基础上的。合理的人才分类对于促进社会生产力的发展具有重要的意义。社会中需要的人才分为两个大类, 一类就是学术型人才, 其主要的工作是发现和研究客观世界的规律;另一类就是讲自然科学的原理应用实现社会进步谋求利益的人才, 一般称为应用型人才, 进一步细化可以分为工程型人才、技术型人才、技能型人才三个基本类型。

为了能够实现不同类型的人才的培养, 高等教育有本科院校、高职院校分别实现对应类型的人才培养。随着社会经济结构的发展以及人才需求的变化, 技术型人才的需求数量以及要求都发生了较大的变化。应用型人才原本定义在专科的教学层次已经不能够满足社会的需求, 因此先进的教学理论成果表明, 高职院校进行本科层次的教育势在必行, 部分高职院校升格为应用型本科院校符合教育发展的规律以及社会经济发展的需求。

2 高职院校升格为本科院校的人才培养定位

高职院校升格为本科院校主要是学历层次上的提升, 而不能变为人才培养类型方面的转变。高职院校升格为本科院校是社会对于应用型人才的能力提升的需求, 是经济、社会和科技发展的需要, 也是应用技术不断发展的需要。因此绝对不能够改变技术型人才培养的方向, 将学校转换为学术型的教育。高职院校进行应用型本科人才的教育符合教育的发展规律以及高职院校本身的优势。高职院校在课程的设计、办学理念等方面的经历以及经验对于进行技术型本科教育具有重要的基础性作用。高职院校师资队伍方面的优势等都为技术型本科教育奠定了良好的基础。应用型本科的人才培养定位一定要能够坚持进行技术型人才的培养, 发挥自身的优势, 有效提升技术型本科院校的办学效益。

3 高职院校升格为本科院校后的办学模式

高职院校坚持校企合作的办学模式对于促进学生的就业, 增强人才培养的针对性以及服务地方经济的发展具有重要的意义。高职院校在升格为应用型本科院校后仍然要坚持校企合作的办学模式, 为企业以及行业经济的发展提供更多应用型高技能人才。在校企合作的方式以及领域方面, 应用型本科院校要能够在产学研方面与企业展开全面的合作。要能够进一步扩大校企合作的范围, 不断加深校企合作的深度。学校要与企业在技术创新、产品研发、课题申报以及人才培养等方面展开深层次的全面合作。应用型本科院校具有较好的校企合作的基础, 在智力方面有较大的优势, 而企业具有良好的实践条件以及生产力转化的条件, 因此应用型本科院校一定要坚持校企合作的办学模式, 有效提升人才培养的质量。

4 高职院校升格为本科院校后教师综合能力的提升

高职院校的教师需要具备较为深刻的专业知识以及实践操作技能的双师教学能力。高职院校升格为应用型本科院校主要是由于社会经济进步、产业技术不断发展的需要, 同时也是学校不断发展的内在需要。高职院校的教师要能够通过各种方式有效提升自身的能力, 适应升格以后人才培养、科学研究的需要。教师的综合能力的提升包含以下几个方面, 首先就是教师实践教学能力的提升, 教师实践教学能力的提升可以通过访问工程师制度实施, 可以通过与企业合作开展横向课题的研究实现, 同时学校以及教育管理部门也要有计划组织相关的培训, 多种方式并举, 有效地提升教师的实践教学能力;其次就是教师学历的提升, 应用型本科院校培养的是技术型人才, 因此教师要具备深厚的专业理论知识, 一般而言应用型本科院校的青年教师都需要硕士及以上学历, 教师学历的提升可以通过在职攻读、定向培养等方式进行;最后教师的教学能力、教学技巧也要能够实现有效地提升, 同属于实用型人才的培养, 本科的教学层次的教学目标、培养方式等方面都具有较大的不同, 因此在高职院校升格后, 要能够转换高职院校的教学模式, 增强教学的针对性以及教学的实际效果。

5 高职院校升格为本科院校后管理理念以及管理制度的转换

高职院校升格为应用型本科院校以后, 因为人才培养的层次发生了较大的提升, 因此相应的管理理念以及管理制度都需要切实的转换。高职院校的学生的特征以及认知规律等方面都与应用型本科院校的学校存在较大的差异, 因此要能够根据学生的特点以及教学的要求进行管理理念的转变, 并制定与之适应的管理制度。管理制度的制定要能够符合技术型人才培养的需求以及学院的实际情况, 管理的理念要能够充分体现为学生的健康发展服务, 为学生职业能力的养成服务, 为学校的长远发展服务。

6 结论

高职院校以及本科院校都属于高等教育重要的组成部分, 属于同一层次中不同的教学类型。随着社会经济的发展以及技术本身的发展, 技术型人才的能力要求不断提升, 高职院校升格为应用型本科院校对于社会经济的发展以及高校自身的发展都具有重要的意义。应用型本科院校的办学定位、办学模式、师资需求等方面都需要根据人才培养的要求进行准确的定位, 提升应用型本科院校的技术型人才的培养能力。

摘要：学术型教育以及技术应用型教育都是我国高等教育重要的组成部分。高等学校的人才培养定位要能够满足社会经济发展的需求以及技术发展的不断变化。目前技术型人才在社会经济发展过程中起到越来越重要的作用。承担着应用型人才培养职责的高职院校在人才培养的层次、人才所具备的综合能力培养等方面已经不能够适应社会经济发展以及行业技术进步的需要。文中阐述了高职院校升格为应用型本科院校的理论基础及办学定位等方面的问题。

关键词：人才培养,高职院校,应用型本科,办学定位,管理模式

参考文献

[1]张振元.素质结构与人才和教育分类探讨[J].职业技术教育, 2006.27 (19) .

[2]鞠全勇, 陈健.应用型本科专业建设的研究与探索[J].世界华商经济年鉴·高校教育研究, 2008 (5) .

[3]朱正亮, 鄢烈洲, 李晓波.关于我国高等院校类型划分的思考[J].煤炭高等教育, 2006.24 (3) .

[4]严雪怡.再论人才分类与教育分类[J].职业技术教育, 2002.24 (1) .

分类与定位 篇6

心理学研究[1]表明, 眼睛、嘴等器官在人脸感知过程中起着重要作用, 其中眼睛的作用尤为重要。绝大多数人脸识别算法[2,3]在提取人脸特征之前需要根据器官位置进行人脸的几何仿射校正等预处理;一些识别方法还要特别提取器官部位的特征以及器官间的距离等信息作为识别特征。

眼睛定位是一个困难的问题。即使是在已知人脸粗略位置的情况下, 眼睛的精确定位仍很困难。这主要是由外界干扰和器官本身复杂的变化造成的。除了由光照、尺寸、姿态、平面旋转、图像质量等因素造成的变化外, 眼睛的开闭、眼镜的反光、头发和镜框的遮挡等也给眼睛的外观造成较大的变化;特别是在眼睛闭合的情况下, 眉毛以及粗镜框会给眼睛定位带来较大干扰。目前的眼睛定位算法可以分为基于启发式规则的方法和基于样本统计学习的方法。基于启发式规则的方法一般结合图像处理方法, 根据眼睛分布、形状、颜色、边缘等先验知识来定位眼睛。而基于样本统计学习的方法一般需要收集大量样本, 对模型的参数进行训练获取, 并采用训练获得的模型对未知样本进行定位。

基于启发式规则的方法, 由于其假设模型一般无法代表较多情况下的外观, 而且参数获取通常会很繁复, 需要大量的人工干预, 还容易受主观影响, 可扩展性很差, 对于一些特殊条件无法处理, 对于新的没有考虑的情况也缺乏可扩展性, 因而应用受到很多限制。而以往的基于样本统计学习的方法, 常常采用与人脸相似的处理方式, 忽略了人脸外观模式强于眼睛外观模式这一特点。由于, 眼睛的外观比人脸变化程度更大, 模式更加不确定, 因而, 采用普通样本统计方法获得的定位算法或者由于限制太死, 无法定位到特殊情况下的器官位置, 或者由于限制太少, 使得检测结果存在大量虚警, 造成定错, 或者受虚警影响而偏离真实位置。这些不可克服的缺点表现为或者无法定位到侧面、戴眼镜等特殊模式下的特征点, 或者会错把眉毛当作眼睛发生定位错误。

现采用经典的Real Adaboost算法进行人眼检测, 这种算法不仅稳定, 而且能处理多种模式。而且其已在人脸检测中得到成功应用, 成为人脸检测的一种主流算法, 也将证明其在人眼检测中体现很好的性能。

1 Haar-like特征及积分图像

在进行目标检测时, 往往用一些特征值来表达图像, 而非基于图像的像素值。Viola[4]首先将Haar-like特征引到人脸检测中去, 并体现出了非常好的性能。现将证明Haar-like特征在眼睛定位中也有很好的效果。

1.1 Haar-Like特征

Haar-like特征是一种矩形特征 (见图1) 。其中A和B是两个矩形框的特征, C是三个矩形框的特征, D是四个矩形框的特征, 而且每个特征内所包含的矩形框是全等的。每个Haar-like特征的特征值是白色矩形框的所有像素的和减去灰色矩形框内的所有像素的和。

在实际计算中, 每个矩形特征在子窗口中进行滑动, 并在每个位置该特征又有多个尺度, 因此在一子图像中将包含大量的矩形特征。比如在我们实验程序中, 对于24×12的子图像, 都要计算12 900个haar-like 特征。再考虑到Adaboost训练时往往需要几万个, 甚至几十万个24×12的子图像, 显然这是一个庞大的计算量。为解决这个问题, 引入了积分图像的概念。

1.2 积分图像

为了解决快速计算Haar-like 特征的问题, 采用计算积分图像[5]的概念。它可以在多种尺度下, 用相同的时间来计算不同的特征。在积分图像中, 在位置 (x, y) 的值表示在它左上方所有像素的和, 即

$i{}_i(x,y)={\displaystyle \sum _{x^{\prime }\le x,y^{\prime }\le y}i}(x^{\prime },y^{\prime })$ (1)

式 (1) 中ii (x, y) 表示积分图像, i (x, y) 是原始图像。而积分图像可通过以下两公式计算出来

s (x, y) =s (x, y-1) +i (x, y) (2)

ii (x, y) =ii (x-1, y) +s (x, y) (3)

式 (3) 中s (x, y) 表示该列像素的行积分和。而且规定, s (x, -1) =0, ii (-1, y) =0。

这样可以计算出图像的积分图像, 在积分图像里计算任意尺度的矩形框内的像素和的时间都是固定的。比如图2, 在D里面的像素的和是4+1- (2+3) 。

2 Real Adaboost算法介绍

Adaboost算法通过不断地调用弱学习机来得到一系列弱分类器, 然后把这些弱分类器合并成一个强分类器。Adaboost有很多变种, 比如Discrete Adaboost, Gentle Adaboost及本文要研究的Real Adaboost等。这些算法都来自于相同的思想:就是由很多弱分类器来组合成强分类器。他们的主要不同在于强分类器的构造方式和弱分类器的构造方式。

Real Adaboost的弱分类器是把样本空间χ映射到实数空间R。

2.1 Real Adaboost强分类器的构造算法

Real Adaboost算法的强分类器训练算法流程如下。

(1) 给定训练集L={ (xi, yi) }, i=1, …, n, ;yi∈{+1, -1}是样本标号, xi∈X是样本特征。

(2) 样本的初始权重$D{}_1(i)=\frac{1}{n},i=1,\cdots ,n$;

(3) 迭代次数t=1, …, T:

1) 在该轮分布Dt上, 采用弱分类器构造选择算法, 获取此轮最佳的弱分类器, 得到

ht:X→{-∞, +∞};

2) 更新样本的权重

$D{}_{t+1}(i)=\frac{D{}_t(i)\exp (-y{}_{i}h{}_t(x{}_i))}{{\rm Z}{}_t}$ (4)

${\rm Z}{}_t={\displaystyle \sum _{i}D}{}_t(i)\exp (-y{}_{i}h{}_t(x{}_i))$ (5)

其中Zt是归一化因子;

(4) 输出的强分类器:

H (x) =sign$({\displaystyle \sum _{i=1}^{{\rm T}}h}{}_t(x)-b)$ (6)

2.2 弱分类器的构造算法

在每轮迭代中, 对于弱分类器构造算法, 我们采用区域分割弱分类器构造方法来构造弱分类器, 并从中选取使得分类误差上界最小的弱分类器作为本轮输出。

弱分类器构造算法如下。

(1) 在分布Dt上, 对于候选特征空间H中的每个特征构造其对应的弱分类器如下:

1) 将样本空间分为n个不同的区间X1, …, Xn, X1∪X2∪…Xn=X且$X{}_i{\displaystyle \underset{i\ne j}{\cap }}X{}_j=\Phi$;

2) 在分布Dt上, 计算:

$W{}_l^j=p(x{}_i\in X{}_j,y{}_i=l)={\displaystyle \sum _{x{}_i\in X{}_j,y{}_i=l}D}{}_t(i)$

其中l=±1;

3) 对于Xj中的每个x, 设定其对应弱分类器输出为:

$\forall x\in X{}_{j,}h(x)=\frac{1}{2}\ln \left(\frac{W{}_{+1}^j+\epsilon }{W{}_{-1}^j+\epsilon }\right)$ (7)

其中ε<<1/2N, 引入ε是为了避免分母为零时引起的数字溢出;

4) 计算

${\rm Z}=2{\displaystyle \sum _j\sqrt{W{}_{+1}^j}}W{}_{-1}^j$ (8)

(2) 从构造的所有弱分类器中, 选择使得Z最小的h作为此轮最终选择输出的弱分类器, 即$h{}_t=\underset{h\in {\rm H}}{{\displaystyle \text{a}\text{r}\text{g}\text{m}\text{i}\text{n}}}{\rm Z}$。

2.3 Cascade结构

Viola提出Cascade结构 (见图3) 可显著加快检测速度, 因此层次型检测器分为多层, 每一层都是上述Real Adaboost 算法训练得到的一个强分类器。经过阈值调整, 使得每一层都能让几乎全部人脸样本通过, 而拒绝很大一部分非人脸样本。这样, 靠近前面的各层, 采用少量的特征却拒绝了大部分的非人脸样本, 靠近后面的各层, 虽然采用大量的特征来排除近似人脸的非人脸候选图像的干扰, 但是由于需要处理的窗口数目很少, 对于整体运算时间的耗费很小, 就在保证检测效果的同时, 提高了人脸检测速度。

3 Nest结构的分类器

在Cascade结构中, 每个节点都是Real Adaboost分类器, 他们之间的相关性很小。对于后一层来说, 所有通过前一层的样本都是目标。实际上, 由Real Adaboost算法可知, 每层分类器的输出为

${\rm H}(X)={\displaystyle \sum _{t=1}^{{\rm T}}h}{}_t(X)$ (9)

H (X) 是各个弱分类器输出的和, 是一个实数值。

为了观察H (X) 对正样本和负样本的的不同响应, 设计了这样一个实验:首先训练一个单层的Real Adaboost分类器, 然后记录了通过该分类器的500个正样本和500个负样本的输出值, 见图4。

由图4可以明显看出, 虽然这500个正样本和500个负样本都通过了单层Real Adaboost分类器, 也就是他们的输出值都大于该层分类器的门限, 但该分类器对正样本的输出值明显大于对负样本的输出值, 而且很分明。

通过上面的分析, 知道前一层分类器的输出值很重要, 在训练下一层分类器的时候, 应该利用这一宝贵信息。把所有前一个节点的输出值作为每一个样本的特征值来训练一个新的弱分类器, 这个新分类器我们叫做Nest弱分类器[7]。

修正后的Real Adaboost算法如下。

(1) 给定训练集L={ (xi, yi) }, i=1, …, n, ;yi∈{+1, -1}是样本标号, xi∈X是样本特征。

(2) 样本的初始权重$D{}_1(i)=\frac{1}{n},i=1,\cdots ,n$;

(3) 迭代次数t=1, …, T:

1) 如果这是层次型结构的第二个或以后的节点, 而且t等于1, 则利用层次型结构前一个节点的输出作为特征值训练Nest弱分类器并更新权重。

2) 在该轮分布Dt上, 采用弱分类器构造选择算法, 获取此轮最佳的弱分类器, 得到ht:X→{-∞, +∞};

3) 更新样本的权重

$D{}_{t+1}(i)=\frac{D{}_t(i)\exp (-y{}_{i}h{}_t(x{}_i))}{{\rm Z}{}_t}$,

${\rm Z}{}_t={\displaystyle \sum _{i}D}{}_t(i)\exp (-y{}_{i}h{}_t(x{}_i))$,

其中Zt是规一化因子。

4) 输出的强分类器:

H (x) =sign$({\displaystyle \sum _{i=1}^{{\rm T}}h}{}_t(x)-b)$。

与普通层次型结构分类器不同, Nest结构分类器充分利用了前一分类器的信息。通过用训练的Nest弱分类器, 后一个分类器就继承了前一个分类器的信息。Nest层次型分类器结构见图5。

4 实验结果

为了比较Nest结构和普通层次型分类器的性能, 设计了一个实验:首先收集了10 000个左眼的正样本和200 000负样本, 然后采用相同的参数, 分别训练了一个Nest层次型结构的分类器和普通层次型结构的分类器。下面是部分样本。

正样本集示例:

负样本集示例:

Nest层次型结构的分类器和普通层次型结构的分类器有着相同的参数:每层的最小检测率为0.999 9, 最大误检率为0.4, 总体目标误检率为0.001。

4.1 ROC曲线

ROC曲线即检测率～虚警率曲线。检测率和虚警率分别定义如下

检测率$=\frac{\text{正}\text{确}\text{检}\text{测}\text{到}\text{的}\text{眼}\text{睛}\text{数}\text{目}}{\text{测}\text{试}\text{集}\text{中}\text{包}\text{含}\text{的}\text{眼}\text{睛}\text{数}\text{目}}\times 100\%$ (9)

误检率$=\frac{\text{虚}\text{警}\text{数}\text{目}}{\text{总}\text{搜}\text{索}\text{窗}\text{口}\text{中}\text{非}\text{眼}\text{睛}\text{的}\text{数}\text{目}}\times 100\%$ (10)

一般而言, 可以采用虚警率作为横坐标, 检测率作为纵坐标构建ROC曲线。不断改变检测器阈值的方式来获取不同阈值下的检测率和对应虚警率, 从而获取ROC曲线。对于在相同条件下训练的Nest结构和普通层次型结构分类器的ROC曲线对比如图6。

由ROC曲线对比可知, 在相同的误检率下, Nest层次型分类器有更高的检测率;而在相同的检测率下, Nest层次型分类器有更低的误检率。也就是说Nest层次型分类器有的检测性能要好于普通层次型的分类器。

4.2 分类器弱特征器数目比较

除了比较分类器的检测性能外, 又比较了分类器选择的弱特征数, 也就是弱分类器的个数。分类器选择的弱特征个数直接关系到分类的训练速度和检测速度, 其中检测速度是衡量分类器的一个很重要的指标。

所训练的Nest层次型分类器和普通分类器都含有12层Real Adaboost分类器, 但每层分类器所用的弱特征数差别很大, 如图7所示。

从图7可以看到, Nest层次型分类器每层所用的弱特征数明显少于普通层次型结构每层所用的弱特征数, 而Nest层次型分类器所用的总的弱特征数更远少于普通层次型结构所用的弱特征数。也就是说Nest层次型结构的分类器有更快的检测速度。实验表明, 对于24×12的样本来说, 基本层次分类器每个需要大概138.2 μs, 而Nest层次型结构的分类器平均仅需要77.8 μs。

4.3 检测结果示例

按照上述的方法, 同样又训练了一个Nest层次型的右眼分类器。为了衡量Nest层次型分类器的性能, 做了以下定义。

对于一张人脸, 假定手工标定的左眼、右眼位置分别为 (P${}_{\text{l}\text{e}}^{\text{l}\text{a}\text{b}\text{e}\text{l}}$, P${}_{\text{r}\text{e}}^{\text{l}\text{a}\text{b}\text{e}\text{l}}$) , 自动定位的左眼、右眼位置分别为 ( (P${}_{\text{l}\text{e}}^{\text{D}\text{e}\text{t}}$, P${}_{\text{r}\text{e}}^{\text{D}\text{e}\text{t}}$) , 自动定位结果与手工标定结果之间的欧氏距离对于左眼、右眼分别为 (dle, dre) 。手工标定左右眼之间的欧式距离为deye。

则眼睛定位误差定义为:

$\epsilon =\frac{\max (d{}_{le},d{}_{re})}{d{}_{eye}}$ (11)

当眼睛定位误差ε<0.15时, 认为双眼的定位是准确的。

按照上述定义, 我们在Feret Person数据库上测试了我们的算法, 结果是我们的左眼检测率为98.57%, 右眼检测率为99.31%。下面是部分检测结果 (图8) 。

5 结论

在他人工作的基础上, 实现了一种准确鲁棒的眼睛特征点定位算法。该算法不仅能够检测到正面正常光照条件下的眼睛中心点, 而且对于戴眼镜、闭眼等情况也有非常好的性能。

本文贡献主要在以下几个点:

(1) 将Haar-like特征、积分图像、Real Adaboost分类器等方法应用于眼睛定位。之前Viola等人已经证明这些方法能很好地解决人脸检测的问题, 本文证明了这些算法也能很好地应用于眼睛定位;

(2) 仔细分析了普通层次型分类器的不足之处, 并通过实验给出了直观的说明;

(3) 针对普通层次型分类器的不足, 介绍了Nest结构的层次型分类器。在相同的条件下训练了一个普通层次型分类器和Nest结构分类器, 通过比较了它们的ROC曲线和使用的弱特征的个数, 证明了Nest层次型分类器能更快和更准确地检测眼睛。

参考文献

[1]Keating C F, Keating E G.Monkeys and mug shots:cues used by Rhesus monkeys (Macaca mulata) to recognize a human face.Jour-nal Comparative Psychology, 1993;107 (2) :131—139

[2] Belhumeur P N, Hespanha J P. Eigenface vs Fisherfaces: recognition using class specific linear projection. IEEE Trans PAMI, 1997; 19:711—720

[3] Brunelli R, Poggio T. Face recognition: features versus templates. IEEE Trans on PAMI, 1993; 15 (10) : 1042—1052

[4]Viola P, Jones M.Robust real time object detection.IEEE ICCV Workshop on Statistical and Computational Theories of Vision, Van-couver, Canada, July13, 2001

[5] Jones M, Viola P. Fast multi-view face detection. Technical Report 2003-96, Mitsubishi Electric Research Lab, July 2003

[6]Schapire E, Singer Y.Improved boosting algorithms using confi-dence-rated predictions.Proceedings of the Eleventh Annual Confer-ence on Computational Learning Theory, 1998:80—91