高频特征与全局交互的人脸伪造检测

人脸伪造技术在娱乐大众的同时也对多媒体信息安全造成了很大威胁。针对现有的人脸伪造检测技术未考虑图像内容交互及压缩处理丢失伪造痕迹的问题，提出了一个基于高频特征与全局交互的深度人脸伪造检测方法。首先，利用缩放局部自注意力机制捕获像素之间的空间交互，实现全局交互。其次，利用高通滤波器放大高频微妙伪影，提高对压缩伪造内容的检测准确度。最后，结合空间域与频域信息，最大程度地捕捉图像上下文信息，有效提高模型的泛化性。在FaceForensics++和Celeb-DF数据集的实验结果表明，所提出方法比之前的方法具有更好的检测效果和泛化性能。     

一种基于改进Transformer的深度伪造检测DCT方法

计算机视觉的快速发展推动了人脸伪造技术的显著进步,深度学习的快速发展也使得人脸伪造变得越来越简单且难以识别。深度伪造的泛滥给国家和社会造成了负面影响。针对现有的深度伪造检测方法存在的准确率低、鲁棒性差等问题,利用可学习的分片方法和通道注意力单元对视觉转换器进行改进,并利用改进后模型进行深度伪造检测。具体而言,将可变形分块模块引入模型的每个阶段(Stage),并将通道注意力和自注意力结合构成混合注意力单元。此方法在两个通用深度人脸提取数据集上达到了0.981和0.989的曲线下面积(AUC),并取得了较好的鲁棒性和泛化性。     

全局视野多层次特征增强的人脸伪造检测方法

针对现有的深度伪造检测方法的偏重于局部伪造纹理信息以及对于未知伪造类型人脸泛化性检测精度低的问题，提出了一种基于全局视野的多层次检测网络，利用多头注意力机制聚合空域中Query的像素级别强度以及梯度信息生成Key和Value,使得网络在空域中构建长距离依赖关系便于获取全局伪造信息，并结合多层次特征增强策略对检测网络不同层次之间的提取伪造特征进行增强，用于提升网络的空间感知局部伪造信息能力。实验结果表明在数据集内和跨伪造类型数据集上均有较高的ACC和AUC测试得分，消融研究验证了模型各个子模块的有效性。     

基于VPU加速的嵌入式实时人脸检测系统设计与实现

智能设备高昂的设计费用和庞大的计算资源需求成为在便携式、低功耗设备上实现深度学习算法及其应用的主要障碍.文中基于树莓派平台,借助Intel的视频处理器(V PU)低功耗加速模块,设计并实现了基于残差特征提取模块CNN模型的实时人脸检测系统.结果表明,相较于单纯使用树莓派CPU进行计算,文中方法在视频流中检测人脸和人脸关键点提取的实验中分别实现了18.62倍和17.46倍的加速,在便携式设备中实现快速、实时、在线的人脸检测和特征点提取成为现实,同时为使用便携式、低功耗设备运行深度学习算法提供了一种确实可行的方案.     

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。     

人脸识别及其在公安工作中的应用研究

目前计算机视觉最多且最受欢迎的应用之一就是人脸识别。针对人脸识别的3个过程——人脸的检测、人脸面部特征的定位、人脸的比对,人脸识别所用的主要技术包括人脸检测与跟踪技术、面部关键特征的定位及人脸2D形状检测技术、人脸确认与识别技术。由于人脸识别技术具有方便、易为人接受、不易伪造等优点,可用于身份认证、视频监测及视频资料检索分析等方面,随着其技术的成熟与发展,在公安工作中越来越得到广泛的应用。     

基于扩散模型的伪造人脸检测分析

深度学习图像生成技术已取得显著进展,其中扩散模型是一种高效的生成模型,它被广泛用于图像生成。然而,由扩散模型生成的图像存在潜在的隐私和数据安全风险,尤其是伪造人脸图像可能被恶意用于伪造身份和欺骗人脸识别系统。通过对主流伪造人脸图像检测器的评估,揭示了扩散模型与生成对抗网络在频域上存在差异的特征,验证了基于频域分析的有效检测方法,为保护隐私和数据安全提供了强有力的支持。     

基于级联Adaboost和神经网络PCA算法的人脸检测系统研究

针对人脸检测过程中难以区分人脸与非人脸等问题,提出了一种基于级联Adaboost和神经网络PCA算法的人脸检测新方法以提高人脸检测的正确率。该方法采用两级检测器对人脸进行区分检测,首先将计算速度较快的Adaboost算法作为第一级检测器对人脸图像快速扫描,对所有判断为人脸的窗口进行合并,然后将合并的窗口提取特征并送入作为第二级检测器的PCA进行验证,排除那些不可能是人脸模式的窗口,最后经过PCA检测结果判别输出验证后的人脸窗口参数(包括窗口的大小和位置信息)。不同算法检测结果显示,基于本方法的人脸检测正确率达到了92.6%,检测率为94.1%;基于Adaboost检测正确率为62.5%,此时的检测率为88%;基于SVM检测正确率为54%,此时的检测率为89%;基于FSS检测正确率为66%,此时的检测率为92%。实验结果表明,本方法能够很好的区分人脸模式和非人脸模式。因此,在这种意义上来说,级联的Adaboost和PCA算法组成的两级检测器可以明显提高人脸检测系统的性能。     

视频中多信息融合的人脸检测方法

针对目前人脸检测存在实时性差和对环境适应能力差的问题,提出了一种利用多信息融合技术的视频人脸检测方法.实验结果表明,该算法具有良好的稳定性和实时性.     

极低速率模型基视频图像编码(英文)

对模型基编码方法进行了综述 ,着重叙述了目前模型基视频图像编码方法所遇到的问题和解决方法 ,其中许多问题都是我们目前正在研究的内容 ,包括 :3D线框模型、人脸检测、人脸纹理编码、运动参数估计和人脸模型参数编码等 .这些问题是模型基方法在实用前必须解决的问题 ,例如 ,如何在一幅图像中检测和定位人脸 ,如何从构成人脸模型的图像中提取参数 ,及如何进行运动参数的压缩等 .采用这种技术 ,讲话人的脸部图像可用一个模型来表示 ,它在各帧之间的运动可以用很少的参数来编码 ,从而在视频会议系统中使用模型基视频图像编码技术可以得到最大的视频图像压缩率     

基于OpenCV的人脸检测与跟踪方法实现

人脸是视频内容中的重要信息,对人脸的检测与跟踪是智能视频分析的一个重要分支。实现了基于OpenCV的人脸检测与跟踪方法。首先计算视频图像的Haar-like特征,然后利用AdaBoost级联分类器进行人脸检测,最后使用基于颜色的Camshift算法实现人脸跟踪。在VS 2010开发平台上调用OpenCV函数库进行C++编程;并使用MFC框架实现了人脸检测与跟踪方法。仿真实验结果证明方法思路合理、计算复杂度较低、鲁棒性较好。     

一种基于分层模板的人脸检测方法

针对校园监控视频环境下的人脸检测中人流量大、侧面视频多、低清晰度等问题,提出了一种基于分层结构的脸部形态模板方法,该方法通过综合肤色标定方法、阴影检测算法和脸部分层次的形态特征检测算法,得出了人脸结构信息的4个控制参数.通过在Caltech人脸数据库、ORL人脸数据库和本实验室仿真人脸库的实验结果表明,本文所提出的基于分层结构的脸部形态模板方法能准确高效地检测出人脸,适合应用到校园视频系统中.     

视频序列对称差分法检测与预测人脸技术

根据视频监控图像在时间和空间上的连续性和相关性,利用视频图像对称差分,找到运动区域,再结合人脸肤色的聚类特征确定出人脸候选区域,改进了基于规则的人脸定位方法,利用人脸的几何特征,实现复杂视频图像中的多人脸检测。运用运动系数加上横向和纵向调节因子,对后续帧中的人脸加以预测。实验表明,该算法复杂度小,准确率较高,对姿态、表情、背景等变化情况下人脸的检测均具有较好的鲁棒性,预测跟踪效果好。     

多次投影算法在视频监控人脸检测中的应用

根据视频监控图像在时间上的连续性和空间上的继承性,利用连续三帧视频图像对称差分,找到运动区域,再结合人脸肤色的聚类特征确定出人脸候选区域,然后改进了利用投影的人脸定位算法,将单次投影发展为多次投影,并且结合人脸的几何特征,实现视频监控中复杂背景下的多人脸检测。实验表明,该算法复杂度小,准确率较高,对姿态、表情、背景等变化情况下人脸的检测均具有较好的鲁棒性。     

基于人脸检测的大学课堂关注度研究

【目的】利用深度学习的人脸检测技术为课堂教学评价提供新的方案。【方法】构建适用于课堂教学的人脸检测级联卷积神经网络模型,并进行相应优化,提出了基于统计人脸检测的抬头率来量化课堂关注度的方法。【结果】通过检测和统计课堂视频中的人脸,计算出学生的抬头率,统计出学生的课堂专注度以及时间分布,帮助教师及时准确地了解课堂教学情况。【结论】通过大量的测试和优化,该系统在人脸检测中具有较好的有效性和可靠性,可以为学生提供个性化教学,同时为教师提升课堂教学质量和教学效率提供参考。     

基于AdaBoost和LLE的视频人脸特征提取研究

特征提取是生物特征识别的关键环节.本文提出了一种基于AdaBoost和LLE的视频人脸特征提取方法.其大致思路是用VFW技术对视频图像进行采集、接着将AdaBoost算法对采集的图像进行人脸检测,最后应用LLE算法对检测到的人脸图像进行降维并提取出特征.项目实践表明,该方法具有便捷性、实用性和有效性.     

人脸检测技术浅析

文章介绍了人脸检测技术的基本概念和静止图像中人脸检测的基本算法,并对人检测技术的发展现状进行了评述.     

视频人脸的器官快速定位

传统的人脸器官定位算法系统运算时间较长,不适于视频人脸的器官定位.运用了Adaboost从视频图像中检测出人脸区域并确定其位置,将人脸区域进行肤色分割并确定出器官位置：首先对视频相邻两帧的人脸肤色区域差分初步确定眼部区域,再根据人脸器官的几何分布特征精确的定位眼部区域.最后利用伪H分量的数据分布确定嘴唇区域.通过实验表明本文的视频人脸检测算法处理时间较短和定位准确率较高.     

人脸检测技术浅析

文章介绍了人脸检测技术的基本概念和静止图像中人脸检测的基本算法,并对人检测技术的发展现状进行了评述。     

视频序列中运动人脸的检测与特征定位

针对视频序列中运动人脸的检测与特征定位问题,给出了一种算法,即通过计算并比较人脸区域而不是整幅视频帧的峰值信噪比（PSNR）,先从视频序列中找到人脸区域清晰度高且尽可能大的视频帧,然后再进行人脸的准确检测与特征定位。首先利用Adaboost方法检测出人脸的大致范围,再根据肤色模型确定人脸的具体位置并从图像中提取出人脸部分,然后利用基于帧间差的人脸区域的PSNR判断图像清晰度,从而定位出人脸区域清晰度高且尽可能大的视频帧,最后进行人脸检测和特征定位。对实际视频序列的计算表明,给出的算法在时间效率上较高,人脸的检测与特征定位效果较好。