人脸识别过程介绍与算法研究分析

随着大数据、人工智能和物联网等技术的不断发展,人脸识别等身份认证方式受到了越来越多的关注。在无接触的情况下,人脸识别不仅能够实现检测,还可以同时识别多个目标,其用途不容小觑。文章主要介绍了人脸识别过程、人脸识别算法流程及相关研究进展。

融合Transformer和CNN的轻量级人脸识别算法

随着深度学习的发展,卷积神经网络通过堆叠卷积层逐步扩大感受野以融合局部特征的方式已经成为人脸识别(FR)的主流方法,但这种方法存在因忽略人脸全局语义信息和缺乏对人脸重点特征信息的关注造成识别准确率不高,以及大参数量层数的堆叠导致网络难以部署于资源受限设备的问题。因此提出一种融合Transformer和CNN的极其轻量级FR算法gcsamTfaceNet。使用深度可分离卷积构建主干网络以降低算法的参数量;引入通道-空间注意力机制,从通道和空间两个域最优化选择特征以提高对人脸重点区域的关注度;在此基础上,融合Transformer模块以捕获特征图的全局语义信息,克服卷积神经网络在长距离语义依赖性建模方面的局限性,提高算法的全局特征感知能力。参数量仅为6.5×10^(5)的gcsamTfaceNet在9个验证集(LFW、CA-LFW、CP-LFW、CFP-FP、CFP-FF、AgeDB-30、VGG2-FP、IJB-B以及IJB-C)上实验评估,分别取得99.67%、95.60%、89.32%、93.67%、99.65%、96.35%、93.36%、89.43%和91.38%的平均准确率,达到参数量和性能之间较好的权衡。

基于特征融合的轻量级新残差人脸识别方法

针对现有轻量级模型在嵌入式设备的人脸识别应用中存在识别精度难以提升的问题,提出一种融合人脸对齐关键特征点信息的轻量级新残差网络模型(Lightweight New Residual Network,LNRN).LNRN利用深度残差网络结构能够解决网络退化且避免干扰因素影响的优势,结合人脸对齐环节产生的关键特征点信息,对深度残差网络结构进行简化和合理设计,实现对关键特征信息和全局信息的提取.为避免特征提取过程中丢失重要特征信息,该模型在新残差网络中加入结合空间和通道的注意力机制进行辅助.在公开的四个标准人脸数据集上的仿真实验表明,该模型识别速度在接近主流轻量级人脸识别方法的同时,平均识别精度比MobiFace提高了0.6%.

人脸识别系统技术分析

随着科技的不断发展与进步,人脸识别技术已经成为生物识别领域中的重要分支,被广泛应用于安全监控、身份认证、人机交互等领域。本文将对人脸识别系统的技术进行分析,包括人脸预处理、深度特征提取、训练损失设计、人脸匹配等环节,并探讨当前人脸识别系统所面临的技术挑战以及未来发展方向。

人脸识别技术联合视频监控在消毒供应中心器械清点中的应用

目的:探讨人脸识别技术联合视频监控的信息化质量追溯管理在消毒供应中心器械清点环节中的应用效果。方法:将2021年1月至6月60个临床病区回收的31033个器械包作为对照组;2022年1月至6月在相同临床病区回收的31823个器械包作为观察组。对照组在器械清点环节采用条形码扫描联合视频监控系统的信息化质量追溯管理。观察组采用人脸识别技术联合视频监控系统的信息化质量追溯管理。观察并记录两组操作者身份识别记录错误例数、质量问题器械包数量及与临床病区沟通时长。结果:观察组身份识别记录错误率和器械包质量问题发生率均低于对照组,与临床病区沟通时长短于对照组,差异有统计学意义(P<0.001)。结论:人脸识别技术联合视频监控的信息化质量追溯管理加强了对操作者的监督管理作用和自我监督意识,提高了消毒供应中心追溯信息的准确性、工作质量和效率。

人脸识别技术在医院诊疗活动中的应用

基于人脸识别概述及其研究背景探讨人脸识别技术在医院诊疗活动中的应用前景,指出人脸识别是基于人的脸部特征信息进行身份识别的一种生物特征识别技术,其中人脸识别、体温筛查、预检分诊、大数据统计、人证(电子健康卡、健康出行码)合一比对、出入口安防布控技术曾经在新型冠状病毒感染暴发期间投入使用,但与医院业务及医疗活动的结合尚在起步阶段,未来可以深入发掘医院诊疗活动相关业务领域,打造高效、便捷、人文的相关识别技术产品,以提升医疗质量、安全保障及社会整体效益。

基于多层次特征融合的Transformer人脸识别方法

卷积神经网络中的卷积操作只能捕获局部信息,而Transformer能保留更多的空间信息且能建立图像的长距离连接.在视觉领域的应用中,Transformer缺乏灵活的图像尺寸及特征尺度适应能力,通过利用层级式网络增强不同尺度建模的灵活性,且引入多尺度特征融合模块丰富特征信息.本文提出了一种基于改进的Swin Transformer人脸模型——Swin Face模型.Swin Face以Swin Transformer为骨干网络,引入多层次特征融合模块,增强了模型对人脸的特征表达能力,并使用联合损失函数优化策略设计人脸识别分类器,实现人脸识别.实验结果表明,与多种人脸识别方法相比,Swin Face模型通过使用分级特征融合网络,在LFW、CALFW、AgeDB-30、CFP数据集上均取得最优的效果,验证了此模型具有良好的泛化性和鲁棒性.

基于混合自适应损失函数的人脸识别方法

近年来样本挖掘策略被融入人脸识别的损失函数中,显著提升了人脸识别性能,但大部分工作都集中在如何在训练阶段挖掘困难样本,没有考虑到困难样本中潜在的无法识别的样本图像,从而导致模型对低质量人脸图像的识别性能较差。针对该问题,提出了一种结合样本难度自适应和图像质量自适应的混合自适应损失函数MixFace。该损失函数将基于课程式学习的损失函数CurricularFace与图像自适应损失函数AdaFace相结合,将特征范数作为图像质量指标融入损失函数中,在关注图像质量的前提下在训练前期关注简单样本,后期关注困难样本,降低网络模型对困难样本中部分低质量不可识别样本的关注。分别使用CASIA-WebFace和MS1MV2数据集训练,MixFace在高质量测试集LFW、CFP_FP、AgeDB、CALFW和CPLFW上相比Curricular-Face和AdaFace有不同程度的性能提升,同时MixFace在中等质量测试集IJB-B、IJB-C以及低质量测试集TinyFace上显示出比CurricularFace和AdaFace更好的识别性能。实验结果表明,MixFace能有效降低无法识别图像的干扰,进而提升低质量人脸识别性能,同时受益于MixFace中课程式学习的方式,对于高质量人脸识别仍然能保持较好的性能。

基于人脸识别的家校协同管理系统

为了进一步提升幼儿托管学校的家校协同管理水平和效率,更有效地保障幼儿接送环节的安全,避免漏接、误接等意外事件发生,本项目利用人脸识别技术设计了家校协同管理系统,能快速核实家长身份,降低幼儿学生被拐走的可能性,同时也能进一步促进家校联系,解决信息实时性差等问题,使教师能够全面、迅速掌握学生信息,为学生安全保驾护航。

基于红外可见光融合的复杂环境下人脸识别方法

随着深度学习方法的发展,理想环境下基于可见光的人脸识别精度和速度已经达到优秀的水平。但是在弱光等复杂环境下,由于缺少光源,可见光图像无法体现人脸细节,导致人脸识别效果下降甚至失效。为了解决这一问题,提出一种基于红外可见光融合的复杂环境下人脸识别方法。首先,针对低照度环境提出联合CNN(Convolutional Neural Network)和Transformer的红外与可见光融合识别网络,并联CNN和视觉Transformer组成单模态特征融合模块,充分利用源图像的局部细节信息和全局上下文信息。同时,提出一种基于模态平均差异度的多模态特征融合策略,强化对源图像不同区域特征的差异化表达。其次,针对实际应用中融合识别网络模型大、速度慢的问题提出轻量化人脸识别网络Mobile Face Net-Coo和基于边云协同的自适应识别策略,通过图像质量选择识别模型,有效利用硬件资源。实验结果表明,弱光条件下,融合红外光与仅使用可见光图像相比,识别率提升了13.96个百分点。同时,将本方法应用实际项目中,结果表明:本方法在复杂环境下,能提高人脸识别的实时性和准确率。

基于稠密连接的通道混合式PCANet的低分辨率有遮挡人脸识别

针对低分辨率有遮挡人脸识别问题提出了基于稠密连接的通道混合式主成分分析网络(DCH-PCANet)。现有的PCANet模型的卷积层只使用了通道无关式卷积(CIC)。通道无关式卷积由于未考虑特征图在通道方向上的相关性,可以更好地凸显单个特征图的局部纹理特征,对于补偿因低分辨率、遮挡等因素导致的特征损失具有重要意义,但也会强化遮挡区域的特征,从而放大坏特征的影响范围;而通道相关式卷积(CDC)由于充分考虑了各特征图在通道方向上的相关性,可以较好地抑制坏特征的作用,形成较为稀疏的特征图。在PCANet中添加了基于通道相关式卷积的特征图提取分支,形成了通道混合式PCANet;并且引入了稠密连接,以充分利用低阶特征提升有遮挡图像识别的鲁棒性。针对如下4种数据集进行了实验:受控环境、真实遮挡和模拟低分辨率的人脸数据集(AR人脸数据集),非受控环境、真实遮挡和模拟低分辨率的人脸数据集(MFR2和PKUMasked-Face),非受控环境、真实遮挡和真实低分辨率的人脸数据集(自建数据集)。实验结果表明,与现有方法相比,所提出的基于稠密连接的通道混合式PCANet具更好的遮挡鲁棒性和低分辨率鲁棒性,可以作为前沿方法的有效补充,提升其识别性能。

基于SSD与FaceNet的人脸识别系统设计

人脸识别技术广泛应用于考勤管理、移动支付等智慧建设中。伴随着常态化的口罩干扰,传统人脸识别算法已无法满足实际应用需求,为此,本文利用深度学习模型SSD以及FaceNet模型对人脸识别系统展开设计。首先,为消除现有数据集中亚洲人脸占比小造成的类内间距变化差距不明显的问题,在CAS-IA Web Face公开数据集的基础上对亚洲人脸数据进行扩充;其次,为解决不同口罩样式对特征提取的干扰,使用SSD人脸检测模型与DLIB人脸关键点检测模型提取人脸关键点,并利用人脸关键点与口罩的空间位置关系,额外随机生成不同的口罩人脸,组成混合数据集;最后,在混合数据集上进行模型训练并将训练好的模型移植到人脸识别系统中,进行检测速度与识别精度验证。实验结果表明,系统的实时识别速度达20 fps以上,人脸识别模型准确率在构建的混合数据集中达到97.1%,在随机抽取的部分LFW数据集验证的准确率达99.7%,故而该系统可满足实际应用需求,在一定程度上提高人脸识别的鲁棒性与准确性。

生物识别技术广泛应用背景下劳动者隐私权的保护——以人脸识别技术为例

用工场景中产生的劳动者人脸识别信息等生物信息具备隐私权客体属性,属于隐私权的保护对象。伴随人脸识别技术等生物技术完成从身份识别到识别分析的技术跨越,加之人脸识别技术规制的立法缺陷与劳动规范关于隐私权保护的立法缺失,劳动者隐私权保护面临困境。核心原因是人脸识别技术加剧用人单位管理权与劳动者隐私权的冲突,调和此矛盾可以基于合理隐私期待论与场景导向理念的动态因素论,对现实矛盾提出法律原则与理论适用。

人脸识别技术在考试系统中的应用研究

基于人脸识别技术的考试系统逐渐取代了传统考试系统,呈现出良好的发展趋势。现如今,为进一步展现人脸识别技术对考试系统带来的优势作用,需要围绕人脸识别技术应用于考试系统中的策略展开分析与思考。基于此,探究了人脸识别技术在考试系统中的实际应用价值,提出完善系统开发环境、做好总体设计工作、考试系统详细设计等人脸识别技术的实际应用策略。

基于深度特征抑制的遮挡人脸识别网络

人脸识别技术是公安侦查中人证核验的关键技术之一。尽管现有算法在无遮挡人脸识别上都能达到较高的识别精度,但当人脸被遮挡时,使得有效的人脸特征丢失,导致识别精度大幅下降。针对上述问题,提出一种基于深度特征抑制的遮挡人脸识别网络,通过遮挡人脸自适应地生成特征掩码,利用特征掩码抑制深层特征图中因遮挡损坏的特征,最后根据抑制后的特征完成人脸识别。为了提升抑制后特征的辨别力,在训练环节通过孪生网络结构将遮挡人脸与对应无遮挡人脸的深度特征进行度量学习。同时利用不同层次的特征信息,构建特征金字塔网络(FPN)和自适应特征融合模块对人脸的多尺度特征信息进行提取,对其中包含特征信息较多的特征层赋予更大的融合权重,从而增强特征的表征能力。实验结果表明,该方法具有较好的鲁棒性,其中在LFW数据集和LFW口罩遮挡数据集上的准确率分别达到了99.50%和98.42%,在AR数据集4个实验设置上的准确率分别达到了100%、100%、99.86%和99.02%,优于目前的主流算法。

以培养解决复杂工程问题能力为目标的人脸识别项目设计

培养学生解决复杂工程问题能力是工程教育专业认证的基本要求,围绕创新创业课程如何培养广播电视工程专业学生创新能力的问题,设计了有利于培养学生解决复杂工程问题能力的人脸识别综合实践项目。本文围绕课程目标对项目任务和项目实施等内容进行了阐述。人脸识别项目体现了复杂工程问题特征1、3和7,有助于提高学生解决复杂工程问题的能力。

应用于人脸识别的多任务卷积神经网络性能优化

对一种多任务卷积神经网络的人脸识别性能进行研究与优化。该神经网络采用3个独立的任务网络分别进行人脸检测、关键点定位和人脸识别。让3个任务网络在训练过程中共享底层卷积层的特征表示,使得模型能针对多个任务同时进行学习,进而提高其泛化能力和识别精度。为了增强模型对图像的学习能力,采用一种数据增强和迁移学习技术,使人脸识别系统的准确性、鲁棒性和可靠性均得到了显著提升。研究结果为发展人脸识别技术提供了新的思路,尤其在处理复杂场景和多样化人脸图像方面具有一定的应用前景。

基于人脸识别技术的门禁系统应用

当前,人脸识别技术被应用在门禁系统中,大大提高了门禁管理效率与质量。密集型产业员工生活配套区(配套入住小区)是基于人脸识别技术的门禁系统的一大应用方向。基于此,本文探讨了基于人脸识别技术的门禁系统在密集型产业员工生活配套区(配套入住小区)的应用,旨在更好地做好基于人脸识别技术的门禁系统构建,强化小区门禁管理效果。

人脸识别任务中角边距损失函数的对比研究

深度卷积神经网络(DCNNs)和嵌入(Embedding)学习人脸特征是人脸识别任务的常用方法。在DCNNs网络中广泛使用Softmax损失函数,将欧几里得边距强加到DCNNs学习到的特征矩阵中,获得较好人脸识别正确率,但是仍具有较大的提高空间。近年来提出的角边距损失函数进一步提升了人脸识别任务的正确率,但是人脸识别任务中角边距损失函数的对比研究较少,且缺乏在不同类别人脸数据集上对比角边距损失函数对人脸识别正确率的影响。本文使用MS1MV2数据集训练ResNet50模型,以Softmax损失函数为基准,对比研究ArcFace、CosFace、Combined Margin(CM)3种角边距损失函数在3个不同类别人脸数据集LFW、CFP-FP和AGEDB-30上的识别准确率,并调整角边距损失函数的参数值,讨论其对人脸识别任务性能的影响。实验结果表明,角边距损失函数较Softmax损失函数可以显著提升模型人脸识别正确率。在不同数据集和不同任务条件下,选择合适的角边距损失函数和参数设置可以提高人脸识别性能。

项目化学习在高中信息技术教学中的实践与思考--以“人脸识别及其应用”一课为例

项目化学习具备体系化的任务系统,可以为学生提供具体的任务目标和学习方向,帮助学生在高中信息技术学习中找到学习的突破口。在高中信息技术教学中,教师不仅要培养学生分析、处理任务的能力,教会学生合理规划时间,还要强调专业的知识技能和具体的操作方法,将知识网络构建、技能培养与学生思维发展结合起来,助力学生提升个人信息技术学习水平。