ID:177750
复制
蓝色天空
算法工程师 · 3年经验 · 合肥科技股份有限公司
1
累计接单
0%
五星好评率
1
用户评价
3
被收藏
技术能力
⚫ 熟练掌握Python 编程语言，熟悉Python在图像处理中常用算法。
⚫ 熟练掌握常用机器学习算法，包括分类（逻辑回归，SVM 支持向量机，决策树），回归（线性回归，回归树），聚类（Kmeans），降维（PCA，LDA）等，并用 sklearn 实现。
⚫ 熟练掌握常见的深度神经网络模型，如 AlexNet，VGGNet，GoogleNet，ResNet等。
⚫ 熟悉目标检测和图像识别常用算法，有 Faster_RCNN、SSD 等识别网络框架使用经验，可以根据不同场景调节相关参数。
⚫ 熟练掌握OpenCV 在图像、视频方面的应用，如：图像变换，图像特效，人脸检测等，熟悉使用 Dlib 图像处理相关算法。
⚫ 熟练掌握对抗神经网络（GAN，DCGAN）在图像生成，图像风格迁移，图像补全，超分辨率重构方面的应用。
⚫ 熟练使用深度学习框架 Tensorflow 并实现自己设计的网络，熟悉Caffe 框架。
⚫ 熟悉网络爬虫技术，如 urllib，requests，bs4，Scrapy 等框架。
⚫ 熟悉常用数据库软件 MySQL 的使用。
⚫ 熟悉 Linux 操作系统的使用，掌握 Linux 常用命令，能够在该平台下进行相关开发工作
⚫ 熟悉C/C++编程语言
⚫ 熟练掌握常用机器学习算法，包括分类（逻辑回归，SVM 支持向量机，决策树），回归（线性回归，回归树），聚类（Kmeans），降维（PCA，LDA）等，并用 sklearn 实现。
⚫ 熟练掌握常见的深度神经网络模型，如 AlexNet，VGGNet，GoogleNet，ResNet等。
⚫ 熟悉目标检测和图像识别常用算法，有 Faster_RCNN、SSD 等识别网络框架使用经验，可以根据不同场景调节相关参数。
⚫ 熟练掌握OpenCV 在图像、视频方面的应用，如：图像变换，图像特效，人脸检测等，熟悉使用 Dlib 图像处理相关算法。
⚫ 熟练掌握对抗神经网络（GAN，DCGAN）在图像生成，图像风格迁移，图像补全，超分辨率重构方面的应用。
⚫ 熟练使用深度学习框架 Tensorflow 并实现自己设计的网络，熟悉Caffe 框架。
⚫ 熟悉网络爬虫技术，如 urllib，requests，bs4，Scrapy 等框架。
⚫ 熟悉常用数据库软件 MySQL 的使用。
⚫ 熟悉 Linux 操作系统的使用，掌握 Linux 常用命令，能够在该平台下进行相关开发工作
⚫ 熟悉C/C++编程语言
项目经验
一：人脸认证网页登陆
在多个 BS 政务监管系统登录模块增加人脸认证方式，前期采用 python+openCV+Dlib 模式，后改进为 openCV+mtcnn+facenet+flask 模式。
1、Dlib 模式：预先存储好相关人员的人脸照片，opencv 调用摄像头获取照片后用 Dlib 对齐人脸，通过与数据库中人脸计算欧式距离检测相距最近的，将判断结果用ajax 传到前台。
2、mtcnn+facenet 模式：分为注册和登录两部分。注册用 openCV 实现从摄像头读取视频帧，对读取的视频帧采用 mtcnn 方法检测人脸，通过 facenet 对检测的人脸进行 embedding， 映射成 128 维度的特征向量，其中标签为人名，存储到数据库 csv 文件中。登录时对新读取的人脸数据与数据库 csv 文件中的 128 维度向量计算欧式距离，返回距离最小值对应的标签给前台。
二：园区智慧停车项目 车牌定位识别模块
配合智慧园区建设项目，改造部分停车点自动抬杆，使用 CPP+openCV+SVM+ANN 实现。
1、车牌定位：在视频帧中依次通过颜色筛选定位、高斯模糊、灰度化、Sobel 运算、二值化、闭操作、倾斜矫正并统一尺寸后得到包含车牌的若干个图块，分别使用 SVM 模型判断图块是否是真的车牌。
2、车牌识别：对上一步获得的车牌图块通过灰度化、二值化、取轮廓获取车牌中所有字符的二进制黑白小图块，依次用训练好的 ANN 的 MLP 模型预测相应字符，排序后即可。
三：基于对抗神经网络生成人脸图片
通过爬虫爬取百度图片中大约三千张人脸图片，用 mtcnn 对齐人脸并裁剪，交由生成器
generator 学习真实图像分布，再由判别器 discriminator 真假判别，最终判别起预测概率接近
0.5（相当于随机猜测）。
在实际训练中，使用 GTX1060 迭代一百次耗时 2 小时，D_loss 和 G_loss 均为 0.7 左右， 已达到不错效果。
四：爬取QQ音乐，百度图片，京东商品数据信息等。
在多个 BS 政务监管系统登录模块增加人脸认证方式，前期采用 python+openCV+Dlib 模式，后改进为 openCV+mtcnn+facenet+flask 模式。
1、Dlib 模式：预先存储好相关人员的人脸照片，opencv 调用摄像头获取照片后用 Dlib 对齐人脸，通过与数据库中人脸计算欧式距离检测相距最近的，将判断结果用ajax 传到前台。
2、mtcnn+facenet 模式：分为注册和登录两部分。注册用 openCV 实现从摄像头读取视频帧，对读取的视频帧采用 mtcnn 方法检测人脸，通过 facenet 对检测的人脸进行 embedding， 映射成 128 维度的特征向量，其中标签为人名，存储到数据库 csv 文件中。登录时对新读取的人脸数据与数据库 csv 文件中的 128 维度向量计算欧式距离，返回距离最小值对应的标签给前台。
二：园区智慧停车项目 车牌定位识别模块
配合智慧园区建设项目，改造部分停车点自动抬杆，使用 CPP+openCV+SVM+ANN 实现。
1、车牌定位：在视频帧中依次通过颜色筛选定位、高斯模糊、灰度化、Sobel 运算、二值化、闭操作、倾斜矫正并统一尺寸后得到包含车牌的若干个图块，分别使用 SVM 模型判断图块是否是真的车牌。
2、车牌识别：对上一步获得的车牌图块通过灰度化、二值化、取轮廓获取车牌中所有字符的二进制黑白小图块，依次用训练好的 ANN 的 MLP 模型预测相应字符，排序后即可。
三：基于对抗神经网络生成人脸图片
通过爬虫爬取百度图片中大约三千张人脸图片，用 mtcnn 对齐人脸并裁剪，交由生成器
generator 学习真实图像分布，再由判别器 discriminator 真假判别，最终判别起预测概率接近
0.5（相当于随机猜测）。
在实际训练中，使用 GTX1060 迭代一百次耗时 2 小时，D_loss 和 G_loss 均为 0.7 左右， 已达到不错效果。
四：爬取QQ音乐，百度图片，京东商品数据信息等。
立即沟通
