针对当前3D光场手势交互存在识别率低、识别速度慢、深度学习网络需要较多数据样本的问题，本文提出了一种基于小样本手部关键点的多层感知器（Multi-Layer Perceptron，MLP）网络提升3D光场交互准确度方法，识别速度达到毫秒级。在手部关键点采集过程中，从不同位置采集得到的同一种手势关键点三维数据存在显著差异。为了消除差异，本文提出在同一右手笛卡尔坐标系下，通过位移和罗德里格旋转公式对简化后的手势模型进行位姿变换，将同一种手势归一化。一个MLP神经网络被用来从归一化后的手部关键点跳变关系中提取手部特征。实验结果表明，本文提出的方法对3D光场交互中的简单手势识别率为95%以上，对复杂手势的识别率为90%以上。与此同时，该方法在小样本数据集训练下表现出优秀的性能，能够满足精确和快速手势识别的要求。最后，本文展示了一种将所提出的方法成功应用于3D光场交互的场景。
交互 手势分类识别 多层感知器 小样本数据集 interaction gesture recognition MLP small dataset
贵州大学大数据与信息工程学院, 贵州 贵阳 550025
针对暗通道先验去雾算法中存在的块效应、算法复杂度高等问题,提出了一种改进的基于暗通道先验的去雾算法。首先,通过暗通道先验去雾算法得到粗略透射率,再通过峰值信噪比自适应调节雾气参数,以获取最优透射率。然后,将上述结果分别作为多层感知器的输入向量和目标向量进行训练,以建立粗略透射率到最优透射率之间的映射并得到最优透射率。最后,结合大气光值复原无雾图像。实验结果表明,本算法能有效改善块效应,提高复原效率,且能在一定程度上提升图像细节的清晰度。
图像处理 暗通道先验 多层感知器 峰值信噪比 透射率 激光与光电子学进展
2021, 58(20): 2010011
1 中国人民公安大学侦查学院, 北京 102600
2 河南警察学院网络安全系, 河南 郑州 450000
针对海洛因混合品、甲基苯丙胺混合品提出了一种基于支持向量机-多层感知器(SVM-MLP)融合模型的毒品混合品光谱鉴别方法。实验分别获取了海洛因、甲基苯丙胺与其他物质的90组毒品混合物光谱数据,采用基线自动校正和峰面积归一化除噪后借助主成分分析提取特征波数数据,建立基于SVM与MLP神经网络的融合分类模型。结果表明,基于高斯核函数、线性核函数、多项式核函数的SVM模型能够实现对不同质量分数海洛因混合品样本97.8%、97.8%、95.6%的准确分类,MLP模型能够对甲基苯丙胺混合品样本实现96.5%的准确分类。SVM-MLP融合模型无损、便捷、高效,有助于缉毒案件中毒品物证的鉴定和涉案人的司法量刑,具有一定的普适性和参考意义。
探测器 支持向量机 多层感知器 融合模型 毒品混合物 红外光谱 激光与光电子学进展
2021, 58(14): 1404003
湖南警察学院 刑事科学技术系, 长沙 410138
为了实现对墙面涂料物证的无损鉴别, 提出了显微共聚焦喇曼光谱技术结合多元建模分析的无损鉴别墙面涂料方法。采用不同Savitzky-Golay(SG)平滑多项式次数及平滑点数对分类模型准确率的影响进行预处理, 同时比较了不同分类模型的区分能力。结果表明, 相较于径向基函数神经网络模型, 多层感知器神经网络模型对各样本的区分能力更强, 且经过SG平滑1次多项式结合平滑点数27点预处理后, 多层感知器神经网络模型能够实现对梅菲特等3种不同品牌墙面涂料样本, 以及梅菲特3种不同类型墙面涂料样本100%的准确区分。该方法提高了检验鉴定效率, 降低了检验鉴定成本, 具有一定的普适性。
光谱学 法庭科学 径向基函数神经网络 多层感知器神经网络 墙面涂料 spectroscopy forensic science radial basis function neural network multilayer perceptron neural network wall paints
1 中国人民公安大学刑事科学技术学院,北京 100038
2 中国人民公安大学刑事科学技术实验教学中心,北京 100038
中性笔油墨是司法鉴定中同一认定的重要物证。为提高油墨检验的准确性,本文利用拉曼光谱法对油墨样本进行无损检测。首先对预处理后的光谱数据进行降维处理,构建偏最小二乘判别分析模型;然后采用受试者工作特征曲线线下面积对预测效果进行验证,提取出36个变量投影重要性最高的特征变量;接着将特征变量作为数据输入到隐藏层神经元数目为13的多层感知器中,最终的训练正确率为87%且无过拟合现象。将变量投影重要性的特征提取与有监督的多层感知器训练相结合,可以有效压缩数据,缩短分析时间。感知器层间的连接权重可通过自主学习进行调节,提高了中性笔油墨分类结果的可信度与正确率。
光谱学 拉曼光谱法 偏最小二乘判别分析 变量投影重要性 多层感知器 激光与光电子学进展
2021, 58(1): 0130002
1 中国科学院合肥物质科学研究院安徽光学精密机械研究所大气光学重点实验室, 安徽 合肥 230031
2 先进激光技术安徽省实验室, 安徽 合肥 230037
通过构建人工神经网络模型估算中国西北高原地区近地面光学湍流。对多层感知器(MLP)的结构进行优化,其输入层包括10个特征,隐含层包括40个神经元。探讨已建多层感知器的性能,结果表明:当训练集和测试集来自同一地区时,模型的平均相对误差为1.34%,折射率结构常数的实测值和估计值的拟合优度为0.94;当训练集和测试集来自不同地区时,多层感知器的泛化能力需进一步提高。
大气光学 光学湍流 多层感知器 估计精度 光学学报
2020, 40(24): 2401002
1 国家海洋局南海调查技术中心，广东 广州 510300
2 国家海洋局南海维权技术与应用重点实验室，广东 广州 510300
3 华南理工大学 自动化科学与工程学院，广东 广州 510641
在动态的复杂环境中，受背景建模失效影响，传统船舶目标检测方法的精度较低。针对该问题，提出一种基于梯度纹理直方图特征与多层感知器的船舶快速检测算法。该算法利用多层感知器将目标的梯度与纹理的直方图进行特征融合，为船舶目标构建特征空间。首先，基于二值梯度的特征训练船舶候选区模型，以快速生成具有高召回率的少量船舶候选窗口，并在每个候选窗口提取梯度纹理直方图特征; 其次，设计一个多层感知器作为船舶分类器，对提取到的梯度纹理直方图特征进行判别。实验结果表明，该算法在多个海上场景中船舶检测平均精确率达90.0%，平均执行时间为20.4 ms/frame，有效实现海上船舶精确与快速的检测。
快速船舶检测 梯度纹理直方图 多层感知器 rapid ship detection gradient texture histogram multilayer perceptron 红外与激光工程
2019, 48(10): 1026004
1 成都理工大学地球科学学院, 四川 成都 610059
2 中国科学院遥感与数字地球研究所, 遥感科学国家重点实验室, 北京 100101
常规的煤炭鉴别方法需进行繁琐的制样过程, 且需结合多种化学参数指标进行综合判定, 以得到较为准确的分析结果。 提出一种基于500～2 350 nm的可见-近红外全谱段光谱分析技术与多层感知器(multilayer perceptron, MLP)分类方法相结合的块状商品煤鉴别方法。 该方法具有非接触、 无前期制样、 无化学分析的优势, 可快速高效的获取煤炭的分类信息。 采用地物光谱仪采集煤炭原始光谱数据, 对噪声过大、 影响后续处理的谱段进行删除, 剩余部分采用小波阈值去噪法进行噪声去除。 将去噪后的数据分成三个数据集: 可见-近红外光谱(500～900 nm)数据集、 短波红外光谱(1 000～2 350 nm)数据集、 全谱段光谱(500～2 350 nm)数据集。 对以上三个数据集进行主成分分析, 将提取出的25个主成分输入多层感知器分类模型。 多层感知器模型由输入层、 隐藏层(两层)、 softmax分类器构成。 对三个数据集进行分类精度的对比, 并采用随机森林(random forest, RF)与支持向量机(support vector machine, SVM)两种分类算法进行进一步的验证分析。 结果表明: 对块状商品煤分类, 全谱段光谱分析技术由于数据信息量丰富, 能够得到更优的分类效果, 在训练样本数为132时, 采用MLP分类器的分类精度最高, 为9803%; 随机森林与SVM的分类结果验证了全谱段数据集的优越性与普适性。 该研究为煤炭的在线分析、 便携式煤炭检测仪器的研发提供了可靠的技术支持。
全谱段 块状商品煤种类鉴别 多层感知器 主成分分析 Full-spectrum data Variety identification of bulk commercial coal Multilayer perceptron Principal component analysis
1 吉林大学生物与农业工程学院, 仿生工程教育部重点实验室, 吉林 长春 130022
2 长春科技学院, 吉林 长春 130600
3 长春市农业科学院, 吉林 长春 130000
为了实现稻瘟病的快速、 准确和无损检测, 力求构建稻瘟病害预测模型。 根据水稻叶片相对病害面积将稻瘟病划分为3个等级, 通过激光诱导法采集不同病害等级的活体水稻叶片叶绿素荧光光谱。 选取502～830 nm波段激光诱导叶绿素荧光光谱(LICF)作为研究对象, 利用Savitzky-Golay平滑法(SG)和一阶导数变换(FDT)对光谱信息进行预处理, 通过主成分分析(PCA)方法获取经SG-FDT预处理后光谱的特征向量, 根据累积贡献率和方差选取前3个主成分进行分析。 将试验样本分为建模样本和检验样本, 以稻瘟病害等级为预测指标, 利用建模样本的133片叶片的光谱和病害信息分别结合判别分析(DA)、 多类逻辑回归分析(MLRA)和多层感知器(MLP)建立稻瘟病的预测模型, 利用检验样本的89片叶片的光谱和病害信息对所建模型进行预测检验, 完成对PCA-DA、 PCA-MLRA和PCA-MLP的对比寻优。 结果表明, PCA-DA, PCA-MLRA和PCA-MLP模型均能完成对稻瘟病害的预测, 但PCA-MLP模型的平均预测准确率能够达到91.7%, 相比PCA-DA和PCA-MLRA模型, 在稻瘟病害3个等级上均具有较好的分类和预测能力。
叶绿素荧光光谱 稻瘟病 主成分分析 多层感知器 Chlorophyll fluorescence spectrum Rice blast Principal components analysis Multilayer perceptron 光谱学与光谱分析
2014, 34(4): 1003
