边缘场景下基于多维损失优化超分辨率网络的天气图像检测算法

在边缘场景下，气象图像采集模型大多部署在算力较低的移动端或边缘设备上，造成观测图像分辨率较低，给天气现象检测带来困难，且传统FSRNet生成的图像存在伪影、模糊等问题，因此需要优化天气图像超分辨率网络，提高图像的分辨率.基于无锚检测器，提出以观测要素为点的检测方案，不需要手动设置锚框，使检测模型轻量且高效.通过引入热图损失、目标注意力损失和对抗性损失等多维损失函数，对粗糙SR网络进行优化，使低分辨率图像完成递进式训练.优化骨干网络ShuffleNetV2，使检测模型更加轻量化，提高超分辨率天气图像检测的性能.实验结果证明，此天气图像超分辨率重建模型可以生成质量更高、细节更加清晰的目标观测图像，更加轻量的检测模型适用于非约束场景，在FDDB上的平均精度值（AverP）达到97.7%，优于其他先进模型.     

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.     

基于区域渐进校准网络的人脸检测与定位

为解决角度变化下的人脸检测中存在参数量大及角度幅度变量小的问题,提出区域渐进校准网络用于任意平面角度的人脸检测,通过级联网络结构降低角度变化、提升网络运行速度。采用区域生成网络产生高质量的候选区域,构造渐进校准网络,逐步缩小面部平面角度变化范围,同时由粗到细地对候选区域执行面部检测。其中,特征提取的中间层融合参数量较少时,更好地表示了面部特征,调整锚的设置解决小尺度面部问题。在角度增强的FDDB(face detection data set and benchmark)数据集与WIDER FACE数据集上的实验结果表明,提出的方法分别取得了89.1%与90.4%的平均召回率,准确度高于快速区域卷积神经网络（Faster RCNN）,且运行速度更快。在实际项目中使用该算法,验证了该方法的有效性及可行性。     

一种基于显著性和部件模型的无约束条件人脸检测方法

针对无约束条件下的人脸检测进行研究,提出了一种基于显著性度量和部件模型的人脸检测方法。在部件模型为基础的检测方法中引入显著性理论,融合正面、左侧面、右侧面的三种平面外旋转姿态下的信息,生成完整有效的人脸显著图,并用于人脸检测。实验结果表明本文生成的人脸显著图能够更有针对性描述人脸区域,并且本文人脸检测方法相较Viola Jones人脸检测方法和基于部件模型的人脸检测方法有更高的检测率,运算速度相较原基于部件模型的人脸检测方法大有提高。     

基于轻量化网络的遮挡人脸检测

为了解决人脸检测中由于目标遮挡、背景复杂导致性能下降以及神经网络模型过大导致难以在低性能设备部署问题,在YOLOv4-Tiny的基础上引入SD(Self-DeConvolution)模块,提出了YOLO-SD-Tiny网络模型.在特征金字塔网络引入拥有更大感受野和更轻量级的SD模块,在部分网络层中采用Mish激活函数,...     

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.     

基于Canny-AAM的人脸特征定位算法

主动表观模型(AAM)是经典的特征点检测方法,该模型对外轮廓的定位不是十分准确,且计算复杂度高,迭代次数大,容易陷入局部最优解,很难满足多姿态人脸特征点检测的要求.针对上述问题,提出了一种基于Canny边缘检测的AAM人脸特征定位方法.在使用AAM之前先利用Canny算法进行边缘检测,滤去非人脸轮廓部分像素点的纹理信息,使特征点极大限度的定位到人脸轮廓部分.实验结果表明:该方法减少了迭代次数,降低了计算的复杂度,提高了匹配的准确率,时间消耗降低了27.7%.     

基于肤色特征的人脸检测

人脸检测在人脸识别过程中是最基本的处理,如果检测方法不当,会使识别过程崩溃,人脸检测在人脸识别中很重要。人脸模式是很复杂的,而且易受外界干扰,常见的人脸检测算法一般都具有计算量大、速度慢、误报率高的弱点,文中使用基于YCbCr颜色空间的肤色模型检测方法进行人脸检测,解决了计算量大的问题,并使用形态学理论对图像做了后续处理.     

基于YOLOv5的遥感图像目标检测

目标检测是遥感图像处理领域的一项重要技术,遥感图像目标种类繁多且存在目标物体难以被检测.提出把YOLOv5算法应用到遥感图像目标检测的方法,首先选择YOLOv5x来构建网络模型,再通过Mosaic数据增强对样本集进行预处理和自适应锚框筛选方法确定锚框大小,然后切片卷积操作得到原始特征图,将原始特征图送入主干网络进行特征融合得到最优权重,最后采用GIOU Loss做边界框的损失函数和非极大值抑制目标框的筛选,对遥感图像进行目标检测.在公开的10类地理空间物体(NWPU-VHR 10)数据集进行了检测实验,以评估所提出模型的目标检测性能.对比实验表明,本文的模型mAP达到了0.9239,与使用相同数据集的模型中的最佳结果进行比较,mAP提升了1.78％,该方法可以提高遥感图像目标检测精度.     

基于卷积神经网络的猪脸特征点检测方法

针对牲畜面部识别在养殖行业广泛需求的问题, 提出一种基于卷积神经网络的猪脸特征点检测方法, 解决了猪脸特征点难检测的问题. 首先, 采集猪面部数据并进行特征点标注, 使用新的采集方法以解决猪口部通常不可见的问题； 其次, 对猪脸数据和人脸数据进行结构计算, 匹配相似度较高的猪脸和人脸, 构建猪脸人脸匹配数据集； 再次, 利用匹配数据集训练TPS(thin plate spline)形变卷积神经网络, 得到形变后的猪脸数据集以适配人脸特征点检测模型； 最后, 使用形变猪脸数据集对人脸特征点检测神经网络模型进行微调, 得到猪脸特征点检测模型. 实验结果表明, 用该方法进行猪脸特征点检测, 错误率仅为5.60%.     

基于可变形部件模型的驾驶员人脸检测

交通监控中车辆驾驶室内环境较为复杂,如光线暗、遮挡、分辨率低等,现有的人脸检测方法效果不佳.提出了一种基于可变形部件模型的驾驶员人脸检测方法.通过提取聚合通道特征（局部二值模式和梯度方向直方图）,得到候选人脸目标.基于监控图像中车牌与驾驶员人脸的相对位置存在比较固定的模式,将车牌与驾驶员人脸看作是可变形部件模型中的两个部件,用于验证车牌和候选目标相对位置关系的合理性,从而确定驾驶员人脸的位置.实验结果表明提出的方法提高了检测准确率和综合性能指标,有效地滤除了人脸虚警,且召回率影响较小.      

基于无锚框检测网络的茶叶嫩芽识别方法研究

利用机器学习方法进行茶叶嫩芽识别有助于茶叶生产的全程智能化.目前的嫩芽识别方法依赖复杂的预处理,导致嫩芽识别效率普遍不高.基于无锚框检测网络CenterNet,提出了一种无需预处理的高速茶叶嫩芽识别方法.针对CenterNet特征提取网络规模过大、识别速度过低的问题,将其特征提取网络替换为ResNet-50.利用改进后的CenterNet模型识别茶叶的一芽、一芽一叶和一芽二叶部分,得到模型的精确度为83.1%,召回率为85.4%,mAP为87.7%,识别效果优于同类无预处理识别方法.     

复杂背景下的彩色图像人脸检测

提出了一种复杂背景下使用肤色模型检测人脸的方法.该方法首先对图像进行光照补偿,然后对肤色模型处理后的二值图像进行分割与合并,并结合先验知识提取出人脸候选区域,最后验证人脸轮廓、眼睛和嘴等特征来判断人脸候选区域是否包含人脸.对1 010幅变光照和复杂背景情况下拍摄的彩色人脸图像进行验证,其检测率达到89.7%.     

基于肤色模型与人脸结构特征的人脸检测

人脸检测是自动人脸识别中的关键环节.提出了基于人脸肤色模型和人脸结构特征的人脸检测.首先利用人脸图片样本,提取肤色像素,建立肤色CbCr高斯模型.根据高斯肤色模型求得人脸似然图,并采用最佳阈值对之进行二值化.之后再采取形态学处理,除去部分非人脸区域,分割出待定人脸区域.最后根据人脸的结构特征进行再次筛选,得到人脸区域.此方法运用在一般的人物照片中都能达到比较理想的效果.     

基于SSD模型的人脸检测与头部姿态估计融合算法

针对头部姿态估计常用的人脸检测、姿态估计两步串联框架中流程复杂、耦合性高、整体鲁棒性低的问题,提出了一种基于改进SSD模型的人脸检测与头部姿态估计融合算法.通过拓展SSD模型,设计了人脸检测与姿态估计融合网络模型,在多层次卷积特征图上检测人脸,并估计头部姿态;采用端到端训练模式进行模型训练,简化了头部姿态估计任务的处理流程.在Pointing′04和300W-LP数据集上进行了试验.结果表明,本模型能够在满足实时性要求的前提下有效地完成检测任务与估计任务,在两个数据集中的pitch预测平均绝对误差分别达到了4.80°和6.48°,这充分证明了所提出算法的实用性和鲁棒性.     

基于迁移学习的人脸口罩穿戴识别研究及应用

人脸口罩穿戴识别技术可以有效监督及管控人们佩戴口罩.本文基于迁移学习理论,共享经典卷积神经网络部分参数,修改其最后几层连接层,使用8 967张图像样本集进行训练,得到了新模型;同时结合了人脸检测技术,针对检测后人脸子图像,采用图像分类方法实现了快速识别.通过迁移学习对深度网络模型开展迁移训练,解决了因为样本量少导致的准确率低等问题,新模型能够有效解决人脸口罩穿戴识别问题,使源领域知识得到了迁移.通过MATLAB编写迁移学习程序和应用仿真主程序,调用了摄像头硬件实现了真实场景应用仿真.实践证明,该研究具有较强的应用价值.     

基于肤色模型的复杂背景图像人脸检测

本文针对复杂背景下彩色人脸图像提出了一种基于肤色模型和人脸几何与统计特征的检测方法.先利用椭圆肤色模型分割出肤色区域,再利用形态学操作以及人脸的统计几何特征验证人脸.实验表明,该方法检测正确率高,可以有效地运用于多姿态、多人脸和复杂背景的情况,具有较好的检测效果.     

基于改进BP网络的人脸检测与定位

提出了一种基于改进BP网络进行人脸检测与定位的方法,采用变步长的学习速率,在加快学习速度的同时,保证了权值的稳定性;采用加动量项的BP算法,减小了权值的振荡,且可以避免网络陷入局部最小.利用图像的灰度信息对已构建好的神经网络进行训练,然后利用已训练好的神经网络进行搜索,确定被检测的窗口是否包含人脸.实验结果表明此方法比传统的人脸检测与定位方法具有更强的鲁棒性和可扩展性,定位速度快,泛化能力显著.     

多级联卷积神经网络人脸检测

为降低复杂场景对人脸检测的影响,本文提出了一种多级联卷积神经网络的人脸检测方法.在训练网络之前,需要对图像进行预处理,提取大量人脸候选窗口与边框回归向量.首先,采用交叉熵函数训练人脸区域,对网络进行优化,提高人脸预测结果的准确率;然后,使用多级联卷积神经网络结构对人脸候选窗口进行筛选,有效提高人脸候选窗口的准确性;最后,根据三组网络给予的人脸预测结果求平均值,使人脸检测结果更具有说服力.在公开数据集FDDB上进行测试,实验结果显示,本文提出方法准确率为96.3%,取得较好结果,可广泛应用于人脸识别以及人脸关键点定位等相关领域.