一种新的多视角背景下人脸检测方法

针对实际生活中普遍存在的多视角、多人脸检测问题,提出了一种新的分类器训练方法及人脸检测的解决方案;首先采用NPD差分特征对人脸特征进行描述,NPD特征通过判断两个像素值间相对差异对人脸进行描述,其特征值可从二维表直接获取,能大大节省训练时间;同时提出了一种深度二叉特征树结构来训练分类器,可有效结合特征间的关联性,将训练得到分类器与肤色算法相结合来提高检测速度;通过在CMU人脸数据库上对所提出算法进行验证,仿真结果证明在多人脸、多视角检测背景环境下,该算法较Ada Boost算法在检测率提高了8.7%,误检率降低了4.1%,检测速度提高了27.7%。     

基于肤色模型与Adaboost算法的多视角人脸检测

提出了一种基于椭圆肤色模型与可控风险敏感型Adaboost(CCS-Adaboost)算法的多视角人脸检测方法.在人脸检测的离线训练部分,该方法使用Haar-like特征和CCS-Adaboost算法训练样本.CCS-Adaboost在最小化分类错误率的同时能够最小化样本的误分类风险,从而它能够提高分类准确性.在实时检测部分,首先通过使用YCbCr颜色空间的椭圆模型快速检测出可能的人脸区域,然后通过基于CCS-Adaboost的多视角人脸检测器检测人脸.多视角人脸检测器中级联分类器的前四层构成姿态预估部分,如果样本未通过级联检测器的前四层,那么该样本被确定为一个非人脸样本.实验证明该检测器可以有效和准确地检测多视角人脸.     

基于多任务级联卷积网络模型的人脸检测和识别

深度学习的集成特征提取这一优点使得它广泛应用于人脸检测和识别。提出了一种多任务级联卷积网络模型(Multitask Cascaded Convolution Network,MTCNN)。基于Tensor Flow平台,基于改进的任务级联卷积网络模型检测到人脸,并且用Face Net算法对人脸进行特征提取,用KNN算法对人脸进行识别。实验结果表明,对不同光照下多人图像和遮挡图像的人脸进行检测和识别,具有良好的鲁棒性。     

基于动态多视角模型集成策略的人脸特征点定位算法

为提高在非限制环境下多种人脸姿态特征点定位的准确性,该文提出了1种新的人脸特征点定位算法。在基于级联回归的多视角模型的训练和测试过程中,使用姿态分类算法对不同的人脸样本进行分类。使用多视角模型集成策略预测特征点位置。实验证明,与显示形状回归(ESR)等算法比较,该文算法对非限制环境下人脸表观变化有更好的鲁棒性。     

基于分级式特征提取的多视角人脸检测算法

提出了一种基于分级式特征提取的多视角人脸检测算法.首先,将训练所用人脸样本按照视角进行分组;其次,分别对每组样本进行特征提取,针对单一特征的局限性,提出了梯度方向直方图(HOG)和局部二值模式(LBP)的融合特征,为了快速构建特征金字塔,提出了一种分级式特征提取的方法;再次,使用基于隐含变量的支持向量机(LSVM)训练模型参数,获得多个模型;最后,将这些模型组合起来构成混合模型.在FDDB和AFW人脸数据库上进行了实验,结果表明:本算法可实现复杂背景下的多视角人脸检测,且比现有算法效果更好.     

一种新的多视角人脸跟踪算法

为了对复杂场景中的多视角旋转人脸进行精确跟踪,提出了一种基于子空间特征模型的多视角人脸跟踪算法.该算法根据不同的人脸姿态建立多个离线人脸模型并自动进行在线学习,同时,针对人脸跟踪提出了新的自适应粒子滤波框架,确定人脸状态.实验结果表明,该算法能够准确跟踪多视角变尺度人脸,并实时分辨人脸姿态,对人脸的旋转、尺度变化以及环境影响不敏感,具有很强的鲁棒性和精确性.     

局部特征映射与融合网络的人脸识别优化算法

针对传统特征提取算法的局限性,提出基于深度神经网络DeepLab v2的人脸识别改进算法。首先,对图像中人脸进行定位,采用DeepLab v2改进网络提取人脸的面部特征,通过加入压缩激励(SE)模块细化多角度纹理特征。其次,采用局部二值模式(LBP)特征映射对目标图像进行补充特征提取,细化纹理结构并减少光照噪声的干扰,提升识别的鲁棒性。最后,进行特征信息融合,采用分类模块对融合特征识别并分类处理。结果表明：对比经典目标检测算法YOLOv1和传统DeepLab算法,改进算法识别出多角度的人脸局部特征,且在正常光照下改进算法的识别精确度分别提高了3.1%和5.9%,在强光照下改进算法的识别精确度分别提高了9.5%和13.6%。     

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.     

基于多纹理CS-LBP特征的多视角人脸检测算法

提出一种多纹理中心对称局部二值模式（CS LBP)特征, 实现复杂环境下的多视角人脸检测. 该特征保留Haar特征的序数关系, 借鉴局部二值模式（LBP）的组合方式, 从水平、 垂直、 +45°和-45°这4个纹理方向进行特征提取, 以保证人脸检测在方向、 光照、 旋转等方面的鲁棒性. 算法采用级联架构, 首先针对人脸图像中的不同视角进行分区, 分别进行多纹理特征的提取, 然后设计独立的分类器, 逐级剔除非人脸窗口, 最后采用多层感知器(MLP)综合各视角的检测效果, 输出检测结果. 在数据集FDDB和CMU PIE上进行验证性实验的结果表明, 该方法对复杂环境下的多视角人脸检测有效, 与传统的卷积神经网络人脸检测方法相比, 该方法具有更高的精度.     

一种多视角人脸姿态估计算法

基于独立子空间分析(ISA)技术，提出了一种多视角人脸姿态估计算法。给出了ISA视角子空间分析公式和有效的多视角子空间有监督学习算法。基于有监督学习的多视角人脸模型子空间学习算法，能够实现比无监督ISA学习算法得到更高的姿态估计精度。     

基于姿态估计的多视角人脸检测

目前,对于多视角的人脸检测仍然是一个具有挑战性的难题.为了解决这个问题,提出了一种基于姿态估计的人脸检测的方法.在训练人脸分类器时,我们将视角范围划分成几个小区间,为每一个小区间利用Adaboost算法训练相应的分类器;在对图像进行检测时,对于任何给定的一幅图像,我们首先对其进行姿态的估计,并根据估计的结果选择相应的检测器对其进行检测.实验结果表明,提出的方法能很好地检测多视角人脸图像,在检测率和检测速度上都有很好的效果.     

深度人脸伪造与检测技术综述

由于现有深度人脸伪造软件通常是开源的或者被封装为APP免费分发，导致了虚假视频的泛滥。因此开展针对深度人脸伪造检测技术的研究就显得尤为重要。目前，深度人脸伪造及检测技术正处在快速发展时期，各种相应的算法也在不断更新迭代。本文首先介绍了深度人脸伪造和其检测技术的代表性算法并给出简要分析，其中深度人脸伪造技术包括身份替换、面部重演、属性编辑、人脸生成等，检测技术包括图像级伪造检测技术和视频级伪造检测技术。然后归纳总结了常用的深度人脸伪造与检测数据集及不同算法的评估结果，最后讨论了伪造技术及其检测技术目前面临的主要问题及发展方向。     

基于深度卷积稀疏自编码分层网络的人脸识别技术

面对海量人脸图像识别,传统特征提取方法难以提取有效特征,造成人脸识别准确率较低。提出了一种鲁棒的人脸特征提取算法,即利用深度卷积稀疏自编码网络自动学习人脸中丰富且识别力高的特征。该方法将卷积操作融入自编码网络中,同时加入稀疏化思想,从而形成深度卷积稀疏自编码分层网络(hierarchical deep convolution sparse autoencoder,HDCSAE);用该网络自动提取海量人脸图像的高层鲁棒特征,并将提取的特征作为SVM分类器的输入得到分类结果。在FERET人脸数据库下对该方法进行测试,识别率达到99.47%,比传统的基于提取人为定义特征的人脸识别方法的识别率有所提高。     

基于多层PCA特征融合的人脸遮挡检测

本文提出了一种基于多层PCA特征融合的深度学习模型来提取人脸遮挡特征﹒在传统主成分分析网络的基础上保留了输入图像的浅层结构特征,并对数据样本进行核(kernel)变换来提高模型的非线性拟合能力,然后通过融合各层的特征信息来丰富最终的遮挡特征表达,后期用随机森林算法进行分类器的训练﹒实验表明:在相同训练集和测试集下,本文提出的方法在网络训练效率和遮挡检测率上均要优于PCANet等人脸遮挡检测算法﹒     

基于Adaboost人脸检测算法

针对因图像背景复杂、 光照变化及面部旋转等因素的影响, 使复杂背景下人脸检测难度大、 速度慢和准确率低的问题, 使用Adaboost算法进行人脸检测, 并在OpenCV上实现其检测过程。分别对具有面部旋转和复杂背景的图像进行了人脸检测实验, 其检测准确率分别为85%和99%, 平均检测时间分别是16.67 ms/张和76 ms/张。实验结果表明, 该算法能在复杂背景下准确、 快速地实现人脸检测, 且能满足人脸识别系统实时性的要求。     

SFSR-Age:一种基于人脸强语义的年龄识别算法

针对因光照、拍摄角度及图片质量等因素导致的经典深度学习算法难以有效提取人脸特征、人物身份识别准确率难以达到理想精度的问题,提出一种基于人脸强语义的年龄识别算法.首先,通过注意力矩阵增强人脸区域的特征权重,达到提取特征区域的目的;其次,使用级联双向长短期记忆(Bi-LSTM)网络学习时序帧之间的特征依赖关系,弥补部分特征缺失对识别精度的影响.在人脸数据集IMDB-WIKI和数据集Adience上进行测试,该算法的年龄识别准确率分别达到78.34%和77.89%.实验结果表明,相比于其他基于深度学习算法的方法,该算法在基于图片数据集的人物年龄识别任务上具有更高的准确率.     

无监督数据集子类划分的人脸口罩佩戴识别算法

人脸口罩佩戴识别成为疫情防控的一项重要手段,而目前口罩佩戴检测主要还是通过人工监测,基于深度学习的口罩佩戴检测系统较少,且存在误检、漏检和检测速度慢等问题。针对口罩佩戴检测中不规范佩戴口罩数据集较少,和对检测精度和检测速度要求较高的实际应用需求,从数据集和网络两方面改进人脸口罩佩戴检测方法:通过在无监督自分类方法中引入标签矫正算法对数据集进行子类划分,减少数据集类内差异,提高网络检测精度;调整目标检测网络结构,去除小尺度检测的网络层,提高网络检测速度;引入注意力机制模块,增强网络对细节特征的提取能力,提高网络检测精度。口罩佩戴情况的平均检测精度从79.34%提升到93.12%,检测速度提高了6.4%,设计的网络结构能够满足实际应用的需求。     

基于肤色模型和径向基函数网络的脸部检测

驾驶员疲劳状态检测一般采用对人眼的闭合度进行计算,若实现对人眼的闭合度计算首先是对人脸的正确快速检测,针对驾驶室的特定环境,本文研究一种基于肤色模型和径向基函数网络为基础的快速人脸检测算法,该算法首先对输入图像进行RGB和YCbCr颜色空间的转换,其次建立相关的肤色模型,实现人脸区域的粗定位,然后结合径向基函数网络对输入的图像进行训练,这样就可以根据训练的结果判断是否是肤色,从而实现人脸检测。仿真结果表明,所研究的算法较好的提高了强光下人脸的正确检测,为驾驶员疲劳驾驶的研究奠定前期基础。     

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。     

基于级联Adaboost和神经网络主元分析算法的人脸检测系统

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和神经网络主元分析(PCA)算法的人脸检测新方法以提高人脸检测的正确率。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%,检测率为88%;基于SVM检测正确率为54%,检测率为89%;基于FSS检测正确率为66%,检测率为92%。实验结果表明,本方法能够很好地区分人脸模式和非人脸模式。因此,级联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。