基于嵌入式平台的深度学习人脸识别关键技术研究

为了进一步加大人脸识别技术的普及与扩宽应用,人脸识别算法部署到计算资源有限的嵌入式设备成为热门的问题。因此,通过优化深度学习模型、压缩网络结构和提升嵌入式设备的计算效率,可以实现快速、准确的人脸识别,为信息安全和智能化应用提供有力支持。

基于联邦学习与改进IS-ResNet18的人脸识别

在人脸识别场景中,边缘端的人脸数据采集与云端的数据处理之间存在着隐私泄漏风险,同时为了保证人脸识别准确高效,提出了一种基于联邦学习与改进IS-ResNet18的人脸识别方法.该方法通过联邦学习框架在不需要获取边缘端人脸数据的情况下进行模型训练,优化ResNet18模型,采用Leaky-ReLU激活函数代替ReLU激活函数以减轻神经元死亡,添加了Inception模块,优化注意力机制SE模块,增强模型对重要特征的关注程度,提高模型的表达能力和性能,缓解梯度消失和梯度爆炸的问题,增强模型的稳定性.经实验验证,该方法不仅保护了用户隐私,还保持了较高的识别准确率,具备良好的可行性和实用性.

基于人脸识别定位的手势识别技术研究与开发

提出了一种利用方向梯度直方图(HOG)特征描述符与OpenCV级联分类器技术进行手势识别的方法。通过HOG算法提取图像中人脸信息,并由此对人脸进行定位,进而实现手势信息识别。结合HOG特征和OpenCV库,构建了手势识别系统,能够对手势图像进行预处理、特征提取和分类识别,并将识别的结果转化为具体的指令。研究成果为人机交互技术进行了开拓和补充,丰富了现有的方案。

基于中心对称局部二值模式算子和深度信念网络学习的施工现场人员人脸识别

工程施工现场场景下,对于现场人员进出管理涉及施工工地财产安全及保密安全,施工现场人员存在出入频繁、佩戴安全帽造成脸部遮挡、夜间施工光照不足等情况,传统人脸识别算法中易造成识别速度慢或识别不准确等问题。针对此类问题,提出一种利用中心对称局部二值模式算子与深度信念网络算法相结合的人脸识别方式。通过利用CS-LBP算子对光照及遮挡的稳定性,将其作为DBN网络的输入,进行逐层训练操作,在顶层形成分类面,实现施工现场人脸识别的智能化管控,最后采集施工现场人脸数据进行识别测试。因实际施工现场人脸数据量较小,应用FERET、CMU PIE人脸数据库进行数据扩充,实验对比结果表明,此算法具有较好的人脸识别效果。

海南自贸港免税监管应用人脸识别技术的合规研究

目前,离岛免税购物已经成为海南自由贸易港令人瞩目的经济增长点。同时,通过各种方式违规购买、套购、携带免税品的现象开始出现。为了有效规制“套代购”违法行为,海口海关已经在海港等高风险离岛口岸安装人脸识别“防回潜”系统。然而,在监管应用中,存在着人脸识别“1∶N”模式不具有充分必要性、免税商家与监管部门责任界定不清的合规风险等问题。基于此,文章认为有必要限制人脸识别技术的应用模式,推动离岛免税商品溯源管理体系取代人脸识别监管,划定免税商家与监管部门的责任,确保人脸识别技术合规应用于免税监管。

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。

基于改进AlexNet卷积神经网络人脸识别的研究

近期,人脸识别技术在社会上广受关注,其非接触式的识别特性相较于指纹等传统接触式识别方法展现出明显优势。在深度学习领域,由于传统卷积神经网络在人脸识别任务上的准确性和速度尚有提升空间,因此提出采用改进的AlexNet卷积神经网络进行人脸识别。通过实验验证,与传统卷积网络相比,改进后的AlexNet在人脸识别上不仅准确度更高,而且识别过程更为稳定。

一种面向复杂场景的人脸识别与目标跟踪算法设计

为解决在复杂场景下传统算法对人脸的识别和跟踪精度低的问题,文中提出一种面向复杂场景的人脸识别与目标跟踪算法FaceNet。该算法由人脸识别与人脸跟踪两部分组成。在人脸识别方面,基于YOLOv8提出一种改进的人脸识别算法FaceD-YOLOv8,提高了识别准确率。再以DeepSort为基础,提出一种改进人脸跟踪算法FaceT-DeepSort,实现对人脸目标连续准确的跟踪。在公开数据集上进行的对比实验结果表明,与主流的传统方法相比,所提FaceD-YOLOv8算法人脸识别的mAP值提高3.5%,FaceT-DeepSort算法的人脸目标跟踪精度(TP)值提高9.1%。证明所提方法具有良好的综合性能,能够满足工程应用的需要。

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%.

基于样本均衡蒸馏的少样本人脸识别方法

为解决实际应用场景中人脸识别模型复杂度高和训练样本数量不足的问题,提出一种基于样本均衡蒸馏(sample balance distillation,SBD)的轻量高效人脸识别方法。通过构造样本均衡Focalloss损失函数解决训练样本数量不足的问题,该损失函数能够在模型训练过程中增加稀少样本的权重,使模型能够对稀少样本进行准确分类,将蒸馏损失函数与样本均衡Focalloss损失函数进行加权融合,将教师网络强大的特征表达能力迁移至学生网络中,达到提高模型训练效率和分类精度的目标。为验证模型有效性,在多个样本数量分布不均衡数据集中进行大量实验,其结果表明,所提模型的训练时间和识别效率得到了显著提高,具有较高识别率。

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。

基于TrackingJS库+百度云人脸识别课程签到系统设计与实现

为了重点解决课程签到作弊问题,文章设计了一款基于TrackingJS库+百度云人脸识别课程签到系统。首先,将课程签到细分为3种方式,分别是线下课签到、线上课签到、公开课签到。其中,线下课签到是最严格的签到管理制度,以确保每一位学员的真实到场,并明确禁止任何形式的代签行为。其次,系统前端采用TrackingJS人脸识别动态抓取库,后端调用百度云人脸识别接口,以及基于教师端的手机Web App签到功能设计,实现低成本、防作弊的课程签到功能。最后,采用Nginx+tomcat+Redis+MySQL技术优化系统架构,解决签到高峰阻塞问题。本设计实现了一个可靠且简单易用的,包括线上、线下及公开课的课程签到系统。

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。