基于视觉跟踪的实时视频人脸识别

目前基于深度学习的人脸识别方法准确率高,但是模型复杂,识别速度慢.为了实现监控视频中人脸的实时识别,提出了一种基于视觉跟踪的实时视频人脸识别(RFRV-VT)方法.首先将监控视频的帧序列分组,每一组中分为人脸识别帧和人脸跟踪帧;然后在人脸识别帧中使用基于深度学习的人脸检测和人脸特征提取方法,在人脸跟踪帧中使用基于核相关滤波(KCF)的视觉跟踪方法以加快识别速度.将该方法应用于数据集YouTube Faces(YTF)上进行测试,实验结果显示该算法在监控视频中具有实时性和较高的识别准确性(99.60%).     

基于双路CNN的多姿态人脸识别方法

提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)的多姿态人脸识别方法。利用该方法可以将输入的人脸投影到高维特征空间并输出具备姿态鲁棒性的人脸特征,从而进行精确的多姿态人脸识别。经过大量的实验验证,该模型在多个数据集上取得了良好效果。与传统的单路CNN网络层次结构不同,本文方法采用双路CNN网络层次结构并结合度量学习来优化传统的CNN模型。最后,使用Tensorflow深度学习框架进行实验,实验结果表明,该框架的识别准确率比目前几种常用的多姿态人脸识别算法的识别准确率更高。     

一种基于InsightFace算法的课堂人脸识别方法研究

采用人脸识别算法可以快速识别出教室中每个学生的身份,以掌握学生的出勤率信息,从而达到提升教学管理效率,促进教学质量提高的目的.为了克服人脸识别算法应用在课堂环境中识别准确率低的问题,本文提出了一种改进的InsightFace人脸识别算法.该算法基于MobileNet V2网络结构,将带有卷积注意力模块的CBAM-MobileNet网络结构代替InsightFace算法的ResNet人脸嵌入网络,同时采用限制对比度自适应直方图均衡化方法对待识别数据进行预处理,从而提高人脸图像的质量,提升了人脸识别准确率.改进后的算法在LFW和AgeDB-30数据集上测试准确率分别达到98.75%和88.60%,并且使用采集自课堂环境的Smart-Classroom数据集分别对教室中前后排学生的大、中、小三种尺寸人脸进行测试,分别较原算法准确率提高0.1%、2.6%、8.0%.     

云边协同的轻量级网络结构人脸识别方法

为了解决人脸识别因采用复杂度较高的卷积神经网络导致在计算与存储资源受限的物联网(IoT)边缘设备中无法部署的问题，提出了可通过云边协同技术部署在物联网边缘设备上的轻量级Mobile MTCNN人脸检测与识别算法，以减少物联网边缘设备资源开销.在人脸检测算法中使用轻量级子网络获取人脸框位置和人脸关键点坐标，并在人脸识别算法中设计了基于Mobile-Inception与Mobile-Resent结构的IMobileNet网络模型.实验结果表明：人脸检测算法在较现有算法准确率平均下降1%的情况下，虽然漏检率平均增加1%,但运行时间平均减少20%以上；人脸识别算法在达到MobileNet V2网络相同准确率情况下，设计并选用的IMobileNet-Small网络平均识别时间减少12%以上.因此，轻量级人脸检测与识别算法可维持识别精确度，同时满足边缘设备部署要求.     

基于回归的人脸检测加速算法

为了提高视频中人脸检测的检测速度,采用回归分析方法预测连续视频中人脸中心位置坐标,并通过调整区域宽度系数确定人脸区域位置,从而提出一种人脸检测加速算法。该算法的主体框架采用VJ(Viola-Joines)结构,在人脸检测过程中,通过聚合通道特征和弱级联分类建立多尺度精细采样图像特征金字塔,并利用回归分析方法进行人脸中心位置坐标拟合,再采用粗粒度预测方法降低算法时间复杂度,最后通过优化人脸区域位置系数提高人脸检测准确率。在此基础上,又通过目标预测、跟踪算法进行人脸检测的二次加速。实验结果表明,该算法有效减少了视频人脸检测遍历区域,提高了人脸检测的检测速度,缩短了提取视频人脸特征区域的时间,更加适合视频人脸检测的实时性应用。     

一种PCA和SVM多生物特征融合的视频人脸识别

分析了视频人脸跟踪识别过程中高效特征提取、长时间人脸遮挡、光照变化及多目标跟踪识别等问题,讨论了基于PCA和SVM人脸识别优点及不足,提出了基于PCA和SVM多生物特征层融合的人脸识别模型,设计了多生物特征人脸识别算法,对实验过程进行了描述并对实验结果进行了分析.结果表明,提出的算法识别率高于任一单一算法、更适合实时视频监控取证系统使用.     

基于深度学习的人脸识别方法研究综述

针对基于深度学习的人脸识别这一生物特征识别领域的研究热点进行了综述.阐释了人脸识别及深度学习模型的基本结构;总结了该技术在国内外的研究现状及其应用,如基于卷积神经网络(CNN)的人脸识别方法、深度非线性人脸形状提取方法、基于深度学习的人脸姿态鲁棒性建模、有约束环境中的全自动人脸识别、基于深度学习的视频监控下的人脸识别、基于深度学习的低分辨率人脸识别以及其他基于深度学习的人脸信息的识别等;分析了当前人脸识别技术在深度学习应用中存在的问题及发展趋势.     

基于距离密度聚类融合的视频人脸识别

针对视频图像的数量海量性及视频人脸运动性,提出基于距离和密度聚类融合的视频人脸识别方法,该方法同时考虑距离与密度在聚类中的相关性并进行融合处理,设计了聚类人脸识别程序流程,实验中对其聚类算法及视频人脸识别方法分别进行了测试.结果表明,提出的方法识别速度快、准确率高、误检率低,能达到数字视频监控系统对精度的要求,可满足视频监控中实时取证的需要.     

基于分块加权LBP技术的人脸识别算法

人脸识别属于生理特征识别,是基于人的脸部特征信息进行身份识别的生物识别技术,是我国人工智能技术领域的首个成熟技术。LBP(Local Binary Patterns)算法,又称局部二值模式算法,是一种灰度范围内的纹理描述方式。传统LBP算子提取的特征信息只能体现局部的人脸信息,不能完整表达全部人脸信息。在基本LBP算法的基础上提出基于分块加权LBP技术的人脸识别算法,将人脸分为5×3子分块,根据人脸五官在人脸识别中的不同贡献度赋予不同的权重提取人脸信息特征。通过在ORL和YALE两种人脸数据库中训练不同样本数,比较传统LBP方法、5×3分块LBP方法和5×3分块加权LBP方法的人脸识别准确率,实验证明分块加权LBP技术在人脸识别中可以有效提高识别准确率。     

基于最佳鉴别特征和相关向量机的人脸识别算法

为了获得更高的人脸识别正确率,满足人脸识别的实时性,提出一种基于最佳鉴别特征和相关向量机的人脸识别算法.首先,采用小波变换对人脸图像进行降噪预处理,提取人脸的多方向、多尺度Gabor特征;然后采用核主成分分析对人脸的Gabor特征进行筛选,找到对人脸识别结果影响较大的最佳鉴别特征,有效降低特征数量,去除特征间的冗余信息;最后采用相关向量机对最佳鉴别特征向量进行学习,建立人脸识别的多分类器.选择标准人脸库与经典人脸识别算法进行对比实验,实验结果表明,该算法的人脸平均识别率得到大幅度提高,人脸平均识别时间远少于经典人脸识别算法.     

基于多任务CNN的人脸活体多属性检测

人脸的活体检测是人脸识别系统的安全性保证,传统交互式活体状态识别中通常先进行关键点检测,再进行人脸活体状态判断,无法利用活体属性之间关联性同时进行多种活体属性检测。基于多任务卷积神经网络(convolutional neural network,CNN),提出了一种直接从输入人脸中同时判断人脸的眼睛睁闭状态、嘴巴的张闭状态、头部点头状态和摇头中左右侧脸状态四个任务的活体检测方法。该方法利用多层CNN强大的特征提取能力、多任务的并行能力和四个任务中的关联性,直接提取人脸照片中的特征信息,判断人脸多个活体属性。实际应用结果表明,这种基于多任务CNN方法的准确率在四个任务中均可达95%以上,甚至达到98%以上,无论检测的准确率还是同时检测多个任务的能力均明显优于传统的人脸活体属性检测方法。     

基于贝叶斯网络和卷积神经网络的手绘草图识别方法

为实现笔画的分组和识别,现有的草图识别算法通常会采用限制用户的绘图习惯来达到目的.该文提出了利用贝叶斯网络和卷积神经网络(CNN)的草图识别方法解决此问题.首先,使用高斯低通滤波器处理输入草图,得到更平滑的图像.然后将连续输入的笔划分为两部分,分别使用贝叶斯网络和卷积神经网络对分割后的笔画进行识别,当笔画的可靠性大于阈值时,以贝叶斯网络的识别结果为准,反之采用CNN的识别结果.实验结果表明,该文算法在电路符号绘制过程中的识别率和绘制完成后的识别率均取得了较好的结果.该文算法具有良好的应用前景.     

基于加权稀疏非负矩阵分解的车脸识别算法

为提高多种光照条件下交通卡口视频中车脸识别的准确性,提出了一种基于改进非负矩阵分解的车脸识别算法.对采集图像进行预处理,获得车脸图像与车牌信息.基于特定光照条件,自适应提取车脸图像的初始特征.针对车脸图像中像素位置的重要性差异,建立了加权稀疏约束非负矩阵分解的特征降维方法.通过判断特征相似性与车牌信息一致性,确定车辆是否合法.实验结果表明所提算法具有较好的识别性能,真实接受率与错误拒绝率分别可达到0.9875与0.04,并满足实时性要求.     

基于卷积神经网络的高分辨率雷达目标识别

提出一种基于卷积神经网络(Convolution Neural Network,CNN)的高分辨率雷达目标识别方法.首先针对小样本应用于深度CNN时训练过程中损失函数值收敛速度慢的问题,利用结合批归一化算法的改进CNN网络对高分辨距离像(High Resolution Range Profile,HRRP)进行自动特征提取;再利用支持向量机(Support Vector Machine,SVM)对距离像特征进行分类.使用军事车辆高保真电磁仿真数据对提出的方法进行验证,识别结果证明了该方法的有效性.     

压缩域上人脸识别的研究

DCT变换被广泛采用在图象和视频压缩标准中(如JPEG,MPEG,H.261/H.263).而对于这些压缩图象的处理,传统的手段是先解压到空间域,再进行处理和识别,因而增加了计算复杂性.针对这个问题,运用压缩域上图像处理技术,提出了人脸特征表达的方法,并构造DCT域上人脸识别系统.在人脸标准库FERET上的测试,提出的算法与经典的特征脸法和PCA LDA法相比较,不仅提高了精度,而且降低了计算复杂性.     

基于混沌神经网络的语音识别方法

基于语音信号的时变特性,研究了神经网络语音识别的方法．把混沌特性引入到神经元,构造了一种新的多层混沌神经网络结构,同时推导了相应的学习算法．把这种混沌神经网络用于语音识别,并与常用的神经网络语音识别方法作了比较．实验结果表明,混沌神经网络方法的平均识别率要高于同等条件下常用神经网络方法的识别率．     

基于CUDA架构并行算法的带地形AMT二维反演实现与应用

并行计算是提高音频大地电磁（audio-frequency magnetotelluric method,AMT）数据反演效率的有效途径。本文在统一计算设备架构(compute unified device architecture,CUDA) 下开展带地形的AMT数据二维反演并行算法研究,旨在利用GPU强大的计算能力及并行计算技术实现高精度、快速度的AMT数据二维反演。首先利用有限元和自适应正则化反演算法实现AMT数据二维反演的串行化计算;然后在PGI Visual Fortran+ CUDA5.5环境下编写基于CPU+GPU的CUDA并行代码,将正演中的频率循环、反演中的模型灵敏度矩阵计算和反演方程正则化求解部分进行并行化处理;通过不同复杂程度的理论模型正反演模拟验证了该并行算法的有效性和准确性。不同模型和不同模式下的数值模拟结果对比表明,基于CPU+GPU的CUDA并行算法相较于传统的CPU串行算法,在灵敏度矩阵计算和反演方程正则化方面耗时更少,加速比最高可达10倍以上。最后将该并行算法应用于某矿区实测AMT数据的二维反演中,取得了较好的应用效果。     

基于人脸识别技术的人证比对系统设计

针对复杂应用场景下人脸识别系统效率低、实时性差和证件信息运用不充分等问题,设计了基于人脸识别技术的人证比对系统.将该系统应用于多人脸视频场景中,可缩小人脸检测识别范围,提高识别速度和识别率,解决了复杂场景下人脸比对效率低的问题;采用补偿光的办法,解决了强背光对人脸图像检测及特征提取产生的影响.     

利用主元分析识别人脸

简要叙述了人脸识别方法，用PCA算法实现了人脸的识别，并对实验结果进行分析，认为：PCA算法的识别率不是很高，达到78．6％，还需要改进提高，但它对于光照、姿势、是否戴眼镜、脸部表情有一定的鲁棒性。     

基于选择性注意和部分连接神经网络的人脸识别

为了克服以往人脸识别方法因特征提取带来的信息损失与不确定性因素,提出了一种应用于复杂场景中人脸识别方法,这种方法不需要进行特征提取.先对整幅图像使用选择性注意方法,在得到的显著区域中利用Adaboost算法进行人脸搜索与定位,最后将可能包含人脸区域的所有像素全部输入训练好的部分连接神经网络(Parcone)模型进行识别.整个识别过程全部自动完成,不需人工干预,也不必对图像进行预处理.通过利用MIT-CBCL人脸数据库和自建图像库进行的仿真实验表明,该人脸识别方法在复杂背景中具有较高的识别率,可适用于其他类型的目标识别.