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。

基于YOLO5Face重分布的小尺度人脸检测方法

针对复杂场景下小尺度人脸检测精度较低的问题,提出了一种基于YOLO5Face重分布的小尺度人脸检测方法。方法以YOLO5Face为基础,在网络浅层引入改进的CBAM注意力并对模型计算重分布,提升复杂场景下小尺度人脸检测精度的同时降低模型参数量;采用融合mixup的数据增强方法,充分训练模型小尺度人脸检测分支;依据人脸检测特性,将softmax损失作为分类损失以最大化类间特征的差异。在WiderFace各个子集上的实验结果表明,与主流人脸检测方法相比,改进后的模型满足实时性的同时,小尺度人脸检测精度较高,其中Hard子集检测精度比YOLO5Face提升2个百分点。

基于增强Swin Transformer的深度伪造人脸检测

针对传统卷积神经网络感受野的大小受限和特征交互学习能力弱,基于卷积神经网络的伪造人脸检测技术提取到的特征相对单一的问题,提出了基于增强Swin Transformer的深度伪造人脸检测方法,引入了局部多头自注意力和全局多头自注意力机制,结合了Swin Transformer的优势,能够有效地捕获图像上下文信息和视频时序关系,具有较强的全局感受野和长距离依赖建模能力。在DFDC数据集的实验结果表明,该方法优于基线方法,具有较好的深度伪造人脸检测能力。

改进YOLOv5的智慧课堂人脸检测算法

智慧课堂是人工智能领域热门的应用场景。针对课堂场景下摄像头位置较远且偏,图像中目标存在人脸过小和遮挡导致漏检或错检等问题,提出了一种改进YOLOv5的智慧课堂人脸检测算法YOLOv5-SASA。该算法主要包括三个部分,在backbone层沿用了CSPDarknet53网络,通过在最后的空间池化层中使用BasicRFB模块来有效增强网络的特征提取能力;采用NWD损失函数来提高模型对小目标检测的鲁棒性,同时在head层中引入了独立自注意力机制模块SASA,以解决人脸遮挡的问题,并降低模型的参数量;通过降低中间层通道神经元的数量、调节学习率等方式,对改进的YOLOv5网络进行了优化,以避免模型过拟合。实验结果表明,所提出的方法在WiderFace验证集的easy、medium和hard难度下的效果均优于原网络,分别达到了97.5%、96.3%和86.5%的准确率,能够有效提升课堂场景下人脸检测的精度。

基于扩散模型的伪造人脸检测分析

深度学习图像生成技术已取得显著进展,其中扩散模型是一种高效的生成模型,它被广泛用于图像生成。然而,由扩散模型生成的图像存在潜在的隐私和数据安全风险,尤其是伪造人脸图像可能被恶意用于伪造身份和欺骗人脸识别系统。通过对主流伪造人脸图像检测器的评估,揭示了扩散模型与生成对抗网络在频域上存在差异的特征,验证了基于频域分析的有效检测方法,为保护隐私和数据安全提供了强有力的支持。

基于改进YOLOv5s-face的Face5系列人脸检测算法

针对人脸检测中小尺度人脸和遮挡人脸的漏检问题,提出了一种基于改进YOLOv5s-face(you only look once version 5 small-face)的Face5系列人脸检测算法Face5S(face5 small)和Face5M(face5 medium)。使用马赛克(mosaic)和图像混合(mixup)数据增强方法,提升算法在复杂场景下检测人脸的泛化性和稳定性;通过改进C3的网络结构和引入可变形卷积(DCNv2)降低算法的参数量,提高算法提取特征的灵活性;通过引入特征的内容感知重组上采样算子(CARAFE),提高多尺度人脸的检测性能;引入损失函数WIoUV3(wise intersection over union version 3),提升算法的小尺度人脸检测性能。实验结果表明,在WIDER FACE验证集上,相较于YOLOv5s-face算法,Face5S算法的平均mAP@0.5提升了1.03%;相较于先进的人脸检测算法ASFD-D3(automatic and scalable face detector-D3)和TinaFace,Face5M算法的平均mAP@0.5分别提升了1.07%和2.11%,提出的Face5系列算法能够有效提升算法对小尺度和部分遮挡人脸的检测性能,同时具有实时性。

高低频通道特征交叉融合的低光人脸检测算法

低光条件下捕获的人脸图像存在着噪声严重、对比度低等不足,极大影响了现有人脸检测器的准确性,另外,现有的低光图像检测算法欠缺小区域人脸信息的提取能力。为此,提出一种基于深度学习的两阶段人脸检测算法,即利用现有的低光图像增强算法对人脸图像进行增强后再进行检测。为提升检测算法对人脸信息的提取能力,设计一种新型的高低频通道特征交叉融合方法,该方法首先使用高低频通道特征可分离模块分离出不同尺度特征的高低频信息,然后对上述信息进行交叉融合,提升网络提取高频细节信息和低频色域信息的能力,进而提高检测网络的性能。对比试验和消融试验验证了该研究方法的有效性,试验结果表明该方法优于基准方法4.0%mAP。

基于改进YOLOv8s的密集多人脸检测

针对密集场景中多人脸检测存在的漏检率高、检测精度低的问题,提出一种改进的YOLOv8s人脸检测算法。在YOLOv8的骨干网络添加SimAM注意力机制,提高检测模型对于图像内小目标的特征提取能力。将原激活函数SiLU替换为FReLU函数,扩大特征点提取范围,提高小目标检测准确度。引入新的损失函数Wise-IoUv1,解决部分小目标在截取过程中可能出现的低质量问题,进一步提升检测精度。实验结果表明,改进后的算法在自建密集场景人脸数据集上,准确度提升到99.26%,在回归率持平的基础上计算参数无明显上涨,实测漏检率降低26%,有效提升了人脸检测能力。

基于超分辨率重建的低分辨率人脸检测算法

低分辨率人脸检测在视频监控等领域中有重要应用,而当前人脸检测算法在低分辨率人脸检测上效果并不理想,针对这一问题,论文提出了基于超分辨率重建的低分辨率人脸检测算法。首先,通过前置基础人脸检测器S3FD检测出大部分常规人脸,接着通过降低类别置信阈值,将可能含有人脸的候选区域送到基于GAN改进的超分辨率重建网络(MGAN)来进一步完成人脸检测任务,最后汇总人脸区域,并采用非极大值抑制算法得出最后检测结果。实验结果表明在WIDERFACE数据集上,论文算法相比S3FD等主流人脸检测算法检测精度更高,在hard子集上提升较明显。

复杂背景下小尺寸多角度人脸检测方法研究

为了提升复杂背景下小尺寸人脸检测精度,提出了一种人脸检测方法GhostNet-MTCNN。在多任务级联卷积神经网络(MTCNN)主干网络上,将占用计算资源的普通卷积进行舍弃,利用GhostNet网络中计算量更低的Ghost bottleneck模组替代卷积的作用,重新构建网络特征提取功能,从而搭建一个新的模型。实验结果表明,该方法可以有效平衡参数量和精度。在Easy、Medium、Hard三种验证集上,与MTCNN相比在参数量仅增加0.62M的前提下精度分别提升了5.6%、6.6%、7.8%,与MobileNetV3-MTCNN相比在参数量减少1.27M的同时精度又分别提升了1.6%、0.8%、0.5%。该研究能够在复杂场景下提高模型对小尺寸、多角度人脸检测精度,同时也能够有效平衡参数量和检测精度使其成为在边缘设备部署中更优的选择。

面向智能驾驶的人脸检测研究进展

智能驾驶作为汽车领域的一项前沿技术,日益受到广泛关注。人脸检测在智能驾驶中扮演着重要的角色,通过实时监测驾驶员和乘客的脸部特征能够提高车辆内部环境感知能力,增强系统对驾驶员和乘客的理解,从而提升交通安全性、舒适性和个性化服务体验。文章首先回顾了基于传统特征提取的人脸检测算法,然后介绍了基于深度学习的几种主流检测方法,包括基于级联卷积网络、单阶段检测及双阶段检测算法,分析了这几种算法的结构和优缺点并介绍了轻量级检测方法。最后,对未来的研究方向进行了展望。

基于图像增强的低照度人脸检测

针对人脸检测模型在低照度环境下出现的检测性能明显降低这一问题,提出一种基于图像增强的低照度人脸检测方法。首先,采用图像增强方法对低照度图像预处理,以增强人脸的有效特征信息;其次,在模型主干网络后引入注意力机制,以提升网络对人脸区域的关注,并同时降低非均匀光照与噪声带来的负面影响;此外,引入注意力边界框损失函数WIoU(Wise Intersection over Union),以提升网络对低质量人脸的检测准确率;最后,使用更有效的特征融合模块代替模型原有结构。在低照度人脸数据集DARK FACE上的实验结果表明,所提方法的平均检测精度AP@0.5相较于原始YOLOv7模型提升了2.4个百分点,精度平均值AP@0.5:0.95提升了1.4个百分点,并且不引入额外参数与计算量。另外,在其他2个低照度人脸数据集上的结果也表明所提方法的有效性与鲁棒性,证明所提方法适用于不同场景下的低照度人脸检测。

融合深度字典学习和特征重建的遮挡人脸检测研究

针对复杂场景中遮挡人脸检测精度低的问题,提出一种融合深度字典学习和特征重建的遮挡人脸检测方法。利用一个浅层CNN(Convolutional Neural Networks)生成人脸候选区域并用预训练好的VGG16网络对其进行特征描述。采用稀疏编码建立一个由典型性的人脸和非人脸构成的深度检索字典。采用局部保留投影的方法,利用检索字典将人脸候选区域的特征描述符重建为一个基于相似性的特征向量。将重建后的特征向量送入到深层神经网络以同时进行人脸/非人脸分类和人脸边界框位置回归。在MAFA遮挡人脸数据集上的实验结果表明,该方法的检测精度比当前主流人脸检测方法提高了约12.3百分点。

一种结合Faceboxes与KCF的多尺度人脸检测算法

针对车间内员工面部多尺度变化导致现有人脸检测算法效果不佳的问题,本文提出了一种结合人脸检测模型Faceboxes与核相关滤波(kernel correlation fliter,KCF)的人脸检测融合算法。该算法首先对Faceboxes网络结构进行优化,并引入多尺度融合技术以提升多尺度人脸检测的精度;其次,通过方向梯度直方图(histogram of oriented gradients,HOG)与局部二值模式(local binary patterns,LBP)特征融合优化KCF,增强目标跟踪能力;最后,将二者整合,形成“检测-跟踪-检测”的循环系统。实验证明,本算法在静态图像和动态视频中的检测效果和速度均佳,能满足实际需求,展现出良好的实用性。

改进肤色模型和光流算法的人脸检测方法

人脸检测具有很高的实际应用价值,例如在身份识别、视频监控等领域的应用也越来越广泛,其检测的方法多种多样。为解决视频序列中的人脸检测问题,总结了肤色模型和光流算法的优缺点,融合二者优势,提出了改进的基于肤色模型和光流算法的人脸检测算法。该方法在一定程度上解决了人脸旋转、部分遮挡、表情变化和光照对人脸检测和跟踪的影响,具有较强的鲁棒性。

基于肤色模型的人脸检测

人脸检测过程中易受到面部细节、形状、表情、姿态等影响,肤色特征作为人脸中最具有识别性的信息之一,具有相对稳定性。文中基于肤色模型实现人脸检测与标记,在YCbCr色彩空间构建肤色模型,通过光线补偿消除肤色提取过程中光照不均匀、亮度变化等环境因素的影响,基于形态学滤波滤除非脸部区域的噪声,结合人脸区域的几何特征最终实现人脸定位并框选标记。在光照不均、有遮挡、大角度等多种情况下,人脸图像测试结果表明,所实现的算法能够较好地实现人脸检测与定位。

基于YOLOv7的人脸检测方法研究

随着信息社会的发展,人脸检测在交通监控、自动驾驶等方面发挥了举足轻重的作用,而利用计算机进行人脸检测方法也成为计算机视觉领域的研究重点。为了解决传统人脸检测算法无法提取图像深层特征的问题,本文提出一种基于YOLOv7的人脸检测方法,将YOLOv7算法在经过预处理的WIDER FACE人脸检测数据集上进行实验,结果表明人脸检测精度达到0871,证明本文方法可以为后续人脸检测方法研究提供有价值的参考。

基于多尺度特征融合的人脸检测算法

近年来人脸检测技术得到了快速发展,特别是基于人工智能神经网络的人脸检测技术在一些工业级环境中得到了广泛应用,但这些人脸检测技术在识别戴口罩的人脸时会出现召回率不高的现象。针对这个问题,研究一种能够对戴口罩人脸进行精准定位的技术,提出一种基于多尺度特征融合的人脸检测算法。该算法使用MobileNet轻量级的网络框架,引入特征金字塔融合模块和SSH模块,并设计了两种损失函数:人脸分类损失函数和人脸检测回归框损失函数。实验中使用WIDER FACE和MAFA数据集对该算法进行训练,并与当前主流的人脸检测算法进行比较,结果表明文中提出的算法具有较好的性能。

基于改进的RetinaFace快速单一人脸检测算法研究

在一些特殊的场景中需要进行快速单一的人脸检测,例如身份认证、人脸追踪、疲劳驾驶检测等。针对此类情况,通过研究分析轻量级网络,提出一种基于RetinaFace的检测方法。首先,选用高效的轻量级网络MobileNetV3搭建主干网络;其次,在主干网络与FPN层之间融入ECANet网络架构加强特征提取能力;最后,对FPN层进行调整以提高检测速度。实验结果表明,改进后的算法模型在WiderFace简单和中等程度子集上的平均精度分别提高了3.6%和5.7%,检测速度提高了21.6%和13.1%。

基于SSD算法的人脸检测算法研究

针对传统SSD算法中对小目标检测效果不好的问题,提出一种基于ResNet的人脸检测算法。将SSD算法的基础网络VGG改进为ResNet网络,并通过残差网络,采用特征融合的方式将不同深度的特征信息进行融合,从而提高算法对小尺度人脸的检测性能。同时,针对SSD算法对重叠框出现漏检的问题,将非极大值抑制算法(NMS)改进为Soft-NMS。此外,通过设置一个衰减函数,来降低相邻检测框的置信度,解决传统NMS算法对分数较低的检测框过滤掉的问题,能够降低算法的漏检率,提升算法的检测精度。