青青草原综合久久大伊人导航_色综合久久天天综合_日日噜噜夜夜狠狠久久丁香五月_热久久这里只有精品

風雨

驀然回首 卻在燈火闌珊處
posts - 3, comments - 2, trackbacks - 0, articles - 0
  C++博客 :: 首頁 :: 新隨筆 :: 聯系 :: 聚合  :: 管理

置頂隨筆

這個博客是http://hi.baidu.com/zhanggmcn的補充,主要存放一些代碼相關的內容。

posted @ 2010-05-04 10:11 zgm 閱讀(128) | 評論 (0)編輯 收藏

2010年5月11日

 一、人臉表情識別技術目前主要的應用領域包括人機交互、安全、機器人制造、醫療、通信和汽車領域等

 二、1971年,心理學家EkmanFriesen的研究最早提出人類有六種主要情感,每種情感以唯一的表情來反映人的一種獨特的心理活動。這六種情感被稱為基本情感,由憤怒(anger)、高興(happiness)、悲傷 (sadness)、驚訝(surprise)、厭惡(disgust)和恐懼(fear)組成

 人臉面部表情運動的描述方法---人臉運動編碼系統FACS (Facial Action Coding System),根據面部肌肉的類型和運動特征定義了基本形變單元AUAction Unit),人臉面部的各種表情最終能分解對應到各個AU上來,分析表情特征信息,就是分析面部AU的變化情況

 FACS有兩個主要弱點1.運動單元是純粹的局部化的空間模板;2.沒有時間描述信息,只是一個啟發式信息

三、人臉表情識別的過程和方法

1、表情庫的建立:目前,研究中比較常用的表情庫主要有:美國CMU機器人研究所和心理學系共同建立的Cohn-Kanade AU-Coded Facial Expression Image Database(簡稱CKACFEID)人臉表情數據庫;日本ATR建立的日本女性表情數據庫(JAFFE),它是研究亞洲人表情的重要測試庫

2、表情識別:

(1)圖像獲取:通過攝像頭等圖像捕捉工具獲取靜態圖像或動態圖像序列。  

(2)圖像預處理:圖像的大小和灰度的歸一化,頭部姿態的矯正,圖像分割等。

è目的:改善圖像質量,消除噪聲,統一圖像灰度值及尺寸,為后序特征提取和分類識別打好基礎

主要工作è人臉表情識別子區域的分割以及表情圖像的歸一化處理(尺度歸一和灰度歸一) 

(3)特征提取:將點陣轉化成更高級別圖像表述如形狀、運動、顏色、紋理、空間結構等, 在盡可能保證穩定性和識別率的前提下,對龐大的圖像數據進行降維處理。

è特征提取的主要方法有:提取幾何特征、統計特征、頻率域特征和運動特征等

1采用幾何特征進行特征提取主要是對人臉表情的顯著特征,如眼睛、眉毛、嘴巴等的位置變化進行定位、測量,確定其大小、距離、形狀及相互比例等特征,進行表情識別

優點:減少了輸入數據量

缺點:丟失了一些重要的識別和分類信息,結果的精確性不高 

2)基于整體統計特征的方法主要強調盡可能多的保留原始人臉表情圖像中的信息,并允許分類器發現表情圖像中相關特征,通過對整幅人臉表情圖像進行變換,獲取特征進行識別。

主要方法:PCAICA(獨立主元分析)

PCAè一個正交維數空間來說明數據變化的主要方向 優點:具有較好的可重建性 缺點:可分性較差

ICAè可以獲取數據的獨立成份,具有很好的可分性

基于圖像整體統計特征的提取方法缺點:外來因素的干擾(光照、角度、復雜背景等)將導致識別率下降

3)基于頻率域特征提取: 是將圖像從空間域轉換到頻率域提取其特征(較低層次的特征)

 主要方法:Gabor小波變換

 小波變換能夠通過定義不同的核頻率、帶寬和方向對圖像進行多分辨率分析,能有效提取不同方向不同細節程度的圖像特征并相對穩定,但作為低層次的特征,不易直接用于匹配和識別,常與ANN SVM 分類器結合使用,提高表情識別的準確率。 

4)基于運動特征的提?。?/span>提取動態圖像序列的運動特征(今后研究的重點)

 主要方法:光流法

 光流是指亮度模式引起的表觀運動,是景物中可見點的三維速度矢量在成像平面上的投影,它表示景物表面上的點在圖像中位置的瞬時變化,同時光流場攜帶了有關運動和結構的豐富信息

 光流模型是處理運動圖像的有效方法,其基本思想是將運動圖像函數f (x, y,t)作為基本函數,根據圖像強度守恒原理建立光流約束方程,通過求解約束方程,計算運動參數

 優點:反映了表情變化的實質,受光照不均性影響較小

 缺點:計算量大 

(4)分類判別:包括設計和分類決策

在表情識別的分類器設計和選擇階段,主要有以下方法:用線性分類器、神經網絡分類器、支持向量機、隱馬爾可夫模型等分類識別方法

1)   線性分類器:假設不同類別的模式空間線性可分,引起可分的主要原因是不同表情之間的差異。

2) 神經網絡分類器:人工神經網絡(Artificial Neural Network,ANN)是一種模擬人腦神經元細胞的網絡結構,它是由大量簡單的基本元件神經元,相互連接成的自適應非線性動態系統。將人臉特征的坐標位置和其相應的灰度值作為神經網絡的輸入,ANN可以提供很難想象的復雜的類間分界面。

   神經網絡分類器主要有:多層感知器、BP網、RBF

  缺點:需要大量的訓練樣本和訓練時間,不能滿足實時處理要求

3) 支持向量機(SVM)分類算法:泛化能力很強解決小樣本、非線性及高維模式識別問題方面表、新的研究熱點

基本思想:對于非線性可分樣本,首先通過非線性變換輸入空間變換到一個高維空間,然后在這個新空間中求取最優線性分界面。這種非線性變換通過定義適當的內積函數實現,常用的三種內積函數為:多項式內積函數、徑向基內積函數、Sigmoid內積函數

4) 隱馬爾可夫模型(Hidden Markov Models, HMM):特點:統計模型、健壯的數學結構,適用于動態過程時間序列建模,具有強大的模式分類能力,理論上可處理任意長度的時序,應用范圍非常廣泛。

優點:運用HMM方法能夠比較精確的描繪表情的變化本質和動態性能

5) 其他方法:

基于人臉物理模型的識別方法,將人臉圖像建模為可變形的3D網格表面,把空間和灰度放在一個3D空間中同時考慮。

基于模型圖像編碼的方法是使用遺傳算法來編碼、識別與合成各種不同的表情

四、研究展望

1)魯棒性有待提高:

外界因素(主要是頭部偏轉光線變化的干擾)

采用多攝像頭技術、色彩補償技術予以解決,有一定效果,但并不理想

2)表情識別計算量有待降低è確保實時性的要求

3)加強多信息技術的融合

     面部表情不是唯一的情感表現方式,綜合語音語調、脈搏、體溫等多方面信息來更準確地推測人的內心情感,將是表情識別技術需要考慮的問題

posted @ 2010-05-11 10:57 zgm 閱讀(1041) | 評論 (2)編輯 收藏

2010年5月4日


Computing n choose k mod p

Postby joshi13 » Tue Apr 14, 2009 4:49 am

Hi all.

How can we apply the modular multiplicative inverse when calculating

(n choose k) mod p, where 'p' is a prime number.

If you could suggest some related problems, it would be very helpful.

Thanks in advance.


Re: Computing n choose k mod p

Postby mf » Tue Apr 14, 2009 10:56 am

You could use .


Re: Computing n choose k mod p

Postby maxdiver » Tue Apr 14, 2009 12:03 pm

There is another, more "mechanical", but more general, approach. It can be applied to any formula containing factorials over some modulo.

C_n^k = n! / (k! (n-k)!)
Let's learn how to compute n! mod p, but factorial without factors p and so on:
n!* mod p = 1 * 2 * ... * (p-1) * _1_ * (p+1) * (p+2) * ... * (2p-1) * _2_ * (2p+1) * (2p+2) * ... * n.
We took the usual factorial, but excluded all factors of p (1 instead of p, 2 instead of 2p, and so on).
I name this 'strange factorial'.

If n is not very large, we can calculate this simply, then GOTO END_SCARY_MATHS :)
If p is not large, then GOTO BEGIN_SCARY_MATHS:
Else - skip the rest of the post :)

BEGIN_SCARY_MATHS:
After taking each factor mod p, we get:
n!* mod p = 1 * 2 * ... * (p-1) * 1 * 2 * ... * (p-1) * 2 * 1 * 2 * ... * n.
So 'strange factorial' is really several blocks of construction:
1 * 2 * 3 * ... * (p-1) * i
where i is a 1-indexed index of block taken again without factors p ('strange index' :) ).
The last block could be not full. More precisely, there will be floor(n/p) full blocks and some tail (its result we can compute easily, in O(P)).
The result in each block is multiplication 1 * 2 * ... * (p-1), which is common to all blocks, and multiplication of all 'strange indices' i from 1 to floor(n/p).
But multiplication of all 'strange indices' is really a 'strange factorial' again, so we can compute it recursively. Note, that in recursive calls n reduces exponentially, so this is rather fast algorithm.

So... After so much brainfucking maths I must give a code :)
Code: Select all
int factmod (int n, int p) {
   long long res = 1;
   while (n > 1) {
      long long cur = 1;
      for (int i=2; i<p; ++i)
         cur = (cur * i) % p;
      res = (res * powmod (cur, n/p, p)) % p;
      for (int i=2; i<=n%p; ++i)
         res = (res * i) % p;
      n /= p;
   }
   return int (res % p);
}

Asymptotic... There are log_p n iterations of while, inside it there O(p) multiplications, and calculation of power, that can be done in O(log n). So asymptotic is O ((log_p n) (p + log n)).
Unfortunately I didn't check the code on any online judge, but the idea (which was explained by Andrew Stankevich) is surely right.
END_SCARY_MATHS:

So, we can now compute this 'strange factorial' modulo p. Because p is prime, and we've excluded all multiples of p, then the result would be different from zero. This means we can compute inverse for them, and compute C_n^k = n!* / (k!* (n-k)!*) (mod p).
But, of course, before all this, we should check, if p was in the same power in the nominator and denominator of the fraction. If it was indeed in the same power, then we can divide by it, and we get exactly these 'strange factorials'. If the power of p in nominator was greater, then the result will obviously be 0. The last case, when power in denominator is greater than in nominator, is obviously incorrect (the fraction won't be integer).

P.S. How to compute power of prime p in n! ? Easy formula: n/p + n/(p^2) + n/(p^3) + ...


(轉載:http://acm.uva.es/board/viewtopic.php?f=22&t=42690&sid=25bd8f7f17abec626f2ee065fec3703b

posted @ 2010-05-04 10:07 zgm 閱讀(589) | 評論 (0)編輯 收藏

青青草原综合久久大伊人导航_色综合久久天天综合_日日噜噜夜夜狠狠久久丁香五月_热久久这里只有精品
  • <ins id="pjuwb"></ins>
    <blockquote id="pjuwb"><pre id="pjuwb"></pre></blockquote>
    <noscript id="pjuwb"></noscript>
          <sup id="pjuwb"><pre id="pjuwb"></pre></sup>
            <dd id="pjuwb"></dd>
            <abbr id="pjuwb"></abbr>
            亚洲一区二区在线观看视频| 国产日本亚洲高清| 夜夜嗨av一区二区三区四区| 欧美色欧美亚洲另类二区| 亚洲免费人成在线视频观看| 在线天堂一区av电影| 亚洲一区一卡| 久久久激情视频| 欧美成人官网二区| 欧美日韩喷水| 国产嫩草影院久久久久| 狠狠综合久久av一区二区小说 | 亚洲一区二区三区激情| 亚洲在线不卡| 久久久久久9999| 欧美精品一区二区蜜臀亚洲| 国产精品高潮呻吟久久av无限 | 国产偷自视频区视频一区二区| 国产精品毛片| 影音先锋久久资源网| 一区二区三区黄色| 亚洲作爱视频| 久久婷婷av| 久久亚洲精品欧美| 欧美精品999| 国产精品久久久久77777| 国产精品人成在线观看免费 | 久久精品国产综合精品| 免费影视亚洲| 国产精品日韩| 亚洲精品乱码视频| 久久国产高清| 欧美激情在线| 亚洲福利视频三区| 亚洲精品久久久一区二区三区| 亚洲网站在线| 欧美高清视频在线播放| 国产性做久久久久久| 在线一区二区视频| 欧美国产在线电影| 欧美一区二区三区四区在线观看 | 亚洲一区二区少妇| 欧美高清不卡在线| 久久动漫亚洲| 国产午夜精品美女视频明星a级| 亚洲欧美日韩一区在线| 中文国产一区| 欧美激情一区| 亚洲国产精品久久精品怡红院| 欧美一区高清| 亚洲桃花岛网站| 欧美性大战xxxxx久久久| 亚洲美女尤物影院| 亚洲国产欧美一区二区三区久久| 久久露脸国产精品| 在线播放国产一区中文字幕剧情欧美| 久久本道综合色狠狠五月| 亚洲欧美电影院| 国产乱码精品1区2区3区| 亚洲欧美国产高清| 亚洲午夜激情网站| 国产精品萝li| 久久精品女人| 久久高清免费观看| 激情小说另类小说亚洲欧美| 久久综合九色| 蜜桃av一区二区三区| 亚洲欧洲久久| 亚洲美女黄网| 国产精品免费视频xxxx| 久久精品国产亚洲aⅴ| 欧美在线亚洲在线| 亚洲第一区在线| 亚洲国产精品热久久| 欧美另类视频| 亚洲免费中文| 先锋资源久久| 在线免费日韩片| 亚洲国产精品福利| 欧美日韩三区| 久久成年人视频| 免费视频亚洲| 一区二区三区高清在线观看| 亚洲字幕在线观看| 亚洲高清视频在线| 99re6这里只有精品| 国产午夜精品一区二区三区视频| 久久夜色撩人精品| 亚洲性图久久| 亚洲电影观看| 久久久久久一区| 欧美 日韩 国产一区二区在线视频| 亚洲深夜福利网站| 欧美在线亚洲| 亚洲一区二区成人| 久久久久久久久久久久久久一区| 9l国产精品久久久久麻豆| 午夜在线成人av| 亚洲每日在线| 欧美专区福利在线| 亚洲视频精选| 免费日韩av片| 久久在线视频| 国产精品免费区二区三区观看| 欧美福利电影在线观看| 欧美日韩国产色站一区二区三区| 欧美在线一二三| 国产精品劲爆视频| 亚洲欧美日韩精品在线| 亚洲激情视频网| 欧美在线日韩精品| 亚洲一区二区在线视频| 麻豆成人在线观看| 久久久久久国产精品一区| 欧美四级在线观看| 亚洲国产精品va| 激情综合久久| 欧美一级精品大片| 西瓜成人精品人成网站| 欧美日韩国内自拍| 亚洲人www| 亚洲激情精品| 久久免费视频观看| 久久久久久一区二区| 国产精品视频导航| 一本色道久久精品| 久久综合中文| 国产精品久久久久久久久久免费| 欧美激情视频一区二区三区免费 | 翔田千里一区二区| 欧美日韩免费观看一区| 亚洲激情网址| 亚洲黄色免费网站| 久久天天综合| 欧美国产成人在线| 亚洲欧洲在线看| 欧美成人免费在线观看| 亚洲福利视频在线| 亚洲精品欧美日韩专区| 欧美国产日本高清在线| 亚洲国产一成人久久精品| 亚洲黄色尤物视频| 欧美精品免费在线观看| 欧美福利一区二区| 99在线精品视频| 欧美日韩一区二区三| 亚洲午夜激情| 亚洲视频播放| 国产精品社区| 欧美在线免费观看| 久久尤物电影视频在线观看| 亚洲高清网站| 欧美日韩ab片| 亚洲午夜久久久久久尤物| 久久国产天堂福利天堂| 在线欧美视频| 欧美日韩亚洲高清一区二区| 亚洲一区在线观看免费观看电影高清 | 亚洲国产另类久久精品| 这里只有精品视频在线| 国产精品麻豆va在线播放| 久久成人免费电影| 91久久久久久| 欧美专区在线观看一区| 在线不卡a资源高清| 欧美日韩精品一区| 欧美一区二区三区视频| 亚洲国内欧美| 美女在线一区二区| 久久久免费av| 99re66热这里只有精品3直播| 国产精品久久久久9999| 久久久国产精品一区| 亚洲日本中文字幕区| 小黄鸭精品aⅴ导航网站入口| 国产视频亚洲| 欧美精品在线观看播放| 欧美一区二区日韩一区二区| 亚洲高清在线视频| 久久精品国产久精国产爱| 一区电影在线观看| 一色屋精品视频在线看| 国产精品a久久久久| 久热国产精品视频| 亚洲你懂的在线视频| 亚洲人成人一区二区三区| 久久精品72免费观看| 99在线精品观看| 亚洲国产cao| 好吊日精品视频| 欧美性色综合| 欧美日本久久| 欧美福利专区| 久久久亚洲成人| 亚洲欧美在线磁力| 一区二区三区蜜桃网| 亚洲精品久久7777| 亚洲第一狼人社区| 欧美成人午夜视频| 久久综合给合|