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.     

嵌入式防疫识别系统设计

设计一种嵌入式防疫识别系统,利用红外测温传感器实现无接触人体测温和人脸佩戴口罩识别.系统选用STM32F103RCT6为控制核心,OPENMV4机器视觉模块,非接触式红外温度传感器M LX90614.该系统具有无接触检测和口罩识别的功能,能有效预防接触和呼吸传播,具有工作稳定、智能化、安全化等优势.     

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。     

公共场所健康码识别系统的设计

为了预防新冠病毒的传播,设计了一种基于树莓派4B的公共场所健康码识别系统．该设计采用树莓派4B作为控制模块,使用摄像头模块进行健康码和口罩识别．首先,树莓派4B通过控制4G模块为健康码的识别提供4G网络,以达到在线识别健康码的功能．其次,利用摄像头模块进行面部识别是否佩戴口罩,最后,使用红外测温传感器完成无接触人体测温,并采用树莓派自带的语音播报库进行语音播报．该系统具有在线健康码识别,无接触检测温度和口罩识别的功能,能有效预防接触和呼吸传播．在实际测试和应用中工作稳定,具有智能化,安全化等优势．     

基于MobileNet V2的口罩佩戴识别研究

针对目前主流口罩佩戴检测算法均需要对样本进行标注,使用的网络模型对电脑硬件配置要求高,无法适用于便携设备或移动端的问题,提出了一种基于MobileNet V2的口罩佩戴识别方法.首先,对口罩佩戴数据集进行构建,并进行数据扩充;然后,通过搭建MobileNet V2模型实现对口罩佩戴的识别;最后,通过选择合适的评价标准进行结果分析.结果表明:该方法对是否佩戴口罩的检测准确率可达99.83％,对口罩佩戴是否标准的检测准确率可达98.97％.该方法在保证准确率和速度的基础上,减小网络体积,适用性更加广泛.     

基于M-Xception网络的戴口罩人脸表情识别

目前,国内外对于有遮挡的人脸表情识别研究较少,其中戴口罩的人脸表情识别(face emotion recognition with mask,FERM(应用场景复杂、数据集缺乏、识别准确率低,因此提出一种改进的Xception网络模型M-Xception Net(Modified Xception Net),并建立一个...     

自然场景下基于数据增强的人脸表情识别研究进展与趋势

由于自然场景下的人脸表情存在光照、姿态、种族、性别等因素的影响,人脸表情图像数据集的多样性才是能够保障自然场景下的人脸表情识别的性能高效提升的关键.基于自然场景下的人脸图像数据增强的方法,通过增加人脸表情数据集的多样性,提升在自然场景下人脸表情识别的精确度.对最近人脸表情识别的数据增强方法进行了总结和分析,并对在自然场景下人脸表情识别数据增强的发展趋势进行了展望.     

基于改进Retinex与光照补偿的人脸身份识别

为解决不均匀的光照分布影响人脸身份识别的准确率问题,提出了一种无约束光照条件下的人脸身份识别方法.该方法首先基于改进的Retinex理论对人脸灰度图像进行光照预处理;然后对处理后人脸图像中鼻子周围的遮挡阴影区域进行光照补偿;最后利用主动外观模型定位人脸特征点,并选取关键特征点计算人脸身份特征,进而实现人脸身份识别.基于扩展Yale人脸数据库和CMU-PIE数据库进行实验,结果表明所提方法能有效改善人脸图像的光照情况,提高人脸身份识别率.     

基于深度学习的人脸表情识别研究与应用

人脸面部表情是人机交互和非言语交际的有效方式,对面部表情进行识别并分析,可以获取很多信息,在安全监控、人工智能、军警、心理学等领域有着许多不同的应用。本研究基于深度学习对人脸表情识别进行深入研究,采用Open CV内置算法进行人脸检测,利用卷积神经网络进行面部表情识别,实现对人脸最基本的7种表情包括愤怒、厌恶、恐惧、快乐、悲伤、惊讶和中立分别进行识别。与传统的人脸表情识别方法相比较,卷积神经网络的识别精度高,训练参数少,在面部表情特征表现明显的情况下,对7种表情的识别精度都能超过70%以上。     

基于KCCA的特征融合方法及人耳人脸多模态识别

鉴于人耳和人脸特殊的生理位置关系,本文从非打扰识别的角度出发,提出一种基于人耳人脸的多模态生物特征识别技术。首先仅采集侧面人脸图像,然后将核方法引入到典型相关分析(CCA)中,提出基于核CCA的特征融合方法,抽取两组特征矢量的非线性典型相关特征构成有效鉴别特征矢量用于识别,并应用其提取人耳人脸的关联特征进行个体的分类识别。实验结果验证了基于KCCA特征融合方法的有效性;此外,与单一的人耳或侧面人脸特征体识别比较,基于人耳和人脸融合的多模态生物特征识别性能得到提高,这为非打扰生物特征识别提供了一条有效的途径。