基于特征关联性的人脸高层特征研究

在特殊应用领域,注册者只能注册一张人脸信息,使得人脸注册信息极为有限,给人脸识别带来很大的限制。文章以参考集为基础,开展了基于特征关联性的人脸高层特征研究,通过对参考集中该人脸的所有图片特征均值和训练集、测试集中数据进行距离计算,将对应训练集、测试集中的各人脸的距离依次组合构成向量作为该脸的高层特征,该方法在很大程度上解决了注册信息缺失的问题;在Multi-PIE库和扩展YaleB库中进行了实验,并与基于稀疏表示的分类(sparse representation-based classifier,SRC)算法进行了对比。实验表明:该算法比余弦距离分类方法人脸识别的正确率提高5%~6%;与SRC算法相比,该算法更具有优越性。研究结果对单训练样本条件下的人脸识别研究有一定作用。     

基于联合损失函数的小规模数据人脸识别

小规模数据人脸识别的难点在于数据量少而变化多,直接用深度神经网络进行训练易出现过拟合现象.针对此问题,本文提出了基于联合损失函数的小规模数据人脸识别算法,即利用联合损失函数,在基于Softmax损失函数的大规模公开人脸数据集上得到的预训练模型上重新训练.该方法既能充分使用模型参数,也能够提高模型的特征表征能力.除此之外,本文中还使用了传统特征后处理方法进行对比评估,证明了该方法在小规模人脸数据集上的有效性.实验表明,本文方法能大幅度提高模型在学校新生人脸数据集的检索精度.     

基于深度卷积神经网络与中心损失的人脸识别

传统人脸识别方法手工设计特征过程复杂、识别率较低,对于开集人脸识别通用深度学习分类模型特征判别能力较弱。针对这两方面的不足,提出了一种以分类损失与中心损失相结合作为模型训练监督信号的深度卷积神经网络。首先,利用构建的应用场景数据集优调从公共数据集获得初始化参数的深度人脸识别模型,解决训练数据过小和数据分布差异问题,同时提高模型训练速度;然后,以传统损失函数和新的中心损失作为迁移学习过程中的监督信号,使得类内聚合、类间分散,提高模型输出人脸特征的判别能力;最后,对人脸特征进行主成分分析,进一步去除冗余特征,降低特征复杂度,提高人脸识别准确率。实验结果表明,与传统人脸识别算法相比该算法可以自动进行特征提取,并且相对于通用深度学习分类模型该算法通过度量学习使特征表示更具判别力。在自建测试集和LFW、YouTube Faces标准测试集上都取得了较高的识别率。     

基于NSCT和伪Zernike矩的人脸识别

为了提高光照条件下人脸识别系统的识别率,提出了一种非下采样Contourlet变换和伪Zernike矩相结合的人脸识别新算法.该算法首先利用软阈值去噪方法在Lambertian光照模型中提取人脸的光照不变成分,然后计算其伪Zernike矩向量作为人脸的分类特征.在Extended YaleB和CMU PIE人脸库上的实...     

基于多尺度张量类标子空间的人脸识别算法

提出一种基于多尺度张量类标子空间的人脸特征提取算法,提高人脸识别对光照的鲁棒性,同时不破坏原始数据固有的高阶结构和数据之间的相关性。采用多尺度小波变换组建人脸三维张量样本,将三维人脸张量空间投影到低维张量子空间,对高维人脸进行降维和特征提取,应用多线性主成分类标算法对样本进行类标号,同时使用最近邻算法完成人脸识别。利用CAS-PEAL-R1东方人脸库进行评测,实验结果表明,该识别算法比经典的主成分分析、线性判别分析和多尺度Gabor识别算法具有更好的识别效果。     

基于聚类肤色模型的人脸检测

在安全检测、人机交互等人脸识别应用中,人脸的检测与定位是前期重要工作.该文提出一种改进的基于亮度聚类的肤色模型,并提出一种新的最佳阈值选择算法,设计了肤色检测算法流程.实验证明该算法提高了人脸检测的速度和鲁棒性.     

单训练样本视频监控俯视人脸识别研究

近年来视频监控已普遍应用于各行各业,因此基于监控视频人脸识别也成为了智能监控系统中重要的研究领域.然而,由于监控视频人脸通常是非正面人脸,传统性能优良算法应用于视频人脸识别时,其性能也明显降低.同时,单张训练人脸问题在监控视频人脸检测和识别是一个普遍问题.因此为了能有效地提高单训练多姿态人脸识别的正确识别率,文章提出了一种基于三维建模技术的人脸识别算法.该算法先由一张二维高清正面人脸生成一个三维人脸模型,然后再进一步在该三维人脸空间里产生多种姿态的人脸模型,并由此获得多张相应姿态下的二维虚拟人脸,最后利用原始正面样本和所得到的虚拟人脸来构筑训练人脸库.该算法用SCface视频监控人脸库中加以验证,与传统的PCA和LDA算法相比,该算法对监控视频人脸的识别率提高了13%.由此表明,文章介绍的算法是一种有效的人脸识别算法,能有效地提高对俯视人脸的识别率.     

单张图像对每人多张注册图像的人脸识别匹配

同一对象的多张图像提供了比单张图像更丰富的外观信息,提取多张人脸图像共性信息可提高人脸识别率.经典的基于主方向夹角的MSM应用于单张图像对一组图像匹配,识别效果不佳,为此提出基于主分量重构误差最小准则的单张图像与一组注册图像人脸识别算法原理,并作了实施.在由MBGC项目提供的图像组建的测试集上进行的测试表明,所提出的算法识别效果提高幅度明显优于基于依次单张匹配和基于最大主方向夹角准则的方法.     

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%.     

基于DCNN的管制员疲劳状态检测

空中交通管制员疲劳工作势必会严重威胁空中交通安全,通过对眼睛睁闭状态判定是现阶段对管制员疲劳检测的一种主要方式。为检测管制员疲劳状态,提出了一种基于迁移学习的DCNN眼睛状态识别模型。首先,利用深度级联神经网络的MTCNN算法检测出管制员面部区域,并实现对面部5个关键点标定和眼睛的定位;然后将检测到的眼睛图像传入到预训练的DCNN眼睛状态分类模型,识别眼睛的睁闭眼状态;最后结合PERCLOSE 80指标检测管制员疲劳状态。分别在ZJU、CEW和ATCE数据集上,对DCNN、VGG16、InceptionV3、ResNet50四种模型的准确率、损失率和F1分数指标进行对比实验。实验结果表明：在ZJU和CEW数据集上,DCNN眼睛状态分类模型检测准确率为97%,较VGG16、InceptionV3、ResNet50等模型进行眼部状态分类任务,DCNN模型的F1分数有3%至7%的提高。在ATCE数据集上DCNN模型检测准确率达到98.35%,F1分数达到98.06%,验证了DCNN模型的有效性与准确性。