Enjolras_fuu的博客

几个概念：Classifacation 是对输入图像做一个分类；Retrieval是对输入图像找到一个同款；Detection 是检测出一个物体框；Segmentation 是对输入图像做一个大量的分割。把图像如人脸的特征做一步步的提取，最后提取出一个向量。卷积神经网络可以检测细胞病变，可以检测出汉字、车牌。我们可以让计算机对一副图像进行描述，告诉我们这幅图像是做什

读了这篇关于手指静脉识别的文章，想利用其中的思想，用于手掌静脉识别问题当中。在这里列出文中的一些思路和自己的联想扩展。首先是文章的理论背景。LeCun等人提出了一种称为Lenet-5的知名CNN架构。在手写识别问题中应用的Lenet-5CNN，包括了执行卷积与降采样操作交替的七个层。第一层卷积涉及有卷积核的输入，基本上作为提取输入样本的显著特征的边缘检测器。在这种情况下

配置完成只会，我们来进行测试， 测试脚本参考：run matlab/vl_setupnnnet=load('F:\MatConvNet\matconvnet-1.0-beta23\models\imagenet-vgg-f.mat');%此处换成自己下载模型存储的位置im=imread('peppers.png');im_=single(im);im_=imresize(im_,net.m

基于纹理分析方法，提取掌静脉图像的方向、频率、相位、幅度等纹理特征: 这类方法大多借鉴掌纹识别方法，通过各种滤波器提取静脉图像纹理特征，编码纹理特征并进行匹配识别。 它有3 个核心步骤: 滤波器选择、编码方式、匹配方式。对于滤波器的选择，现应用于掌脉的有正交高斯滤波器、多尺度匹配滤波器、Gabor 滤波器等。而编码方式主要有竞争编码( competitive code) ，序数编码( ordina

本文是对陈耀丹、王连明的基于卷积神经网络的人脸识别方法的理解。 摘要：实现了一种基于卷积神经网络的人脸识别方法，该网络由两个卷积层，两个池化层、一个全连接层和一个softmax回归层组成，它能自动提取人脸特征并进行分类，网络通过批量梯度下降法训练特征提取器和分类器，各隐层应用“dropout”方法解决了过拟合问题，应用于ORL和AR人脸数据库的人脸识别率分别达到99.50%和99.62%，识别单张

生物识别技术是一种将人体的某种生物特征作为身份特征，利用此特征进行身份识别的技术。 生物识别技术分类 人体生物特征能被用于身份识别的特征必须具备“人人都有、人各不同、长期不变、安全可靠、方便灵活”等特点，生物识别技术就是利用满足上述特点的人体的生理特征和行为特征进行个人身份识别，生物识别技术可以按照生理特征和行为特征进行分类。（1）生理特征包括DNA、耳廓、人脸、体味、热辐射、虹膜、视网膜、掌纹