基于卷积神经网络的人脸活体检测模型研究

针对以往身份验证系统容易被攻击活体欺诈的问题,提出了一种基于深度学习的活体检测算法。主要包括:1) 通过图像增强技术对现有少量真实和欺诈图像进行平移、旋转、翻转等几何变换自制数据集,用于模型训练、验证及测试。2) 针对现有算法对光照条件不足的照片识别准确率较低的问题,提出了一种基于照片的活体检测模型。通过检测照片中的人脸区域,并针对人脸区域中的像素、纹理以及人脸特征差异进行活体和非活体二分类预测。实验结果表明,本文提出的算法在光照条件不足的图像中准确率达到86%。同时与以往模型相比,在保证模型预测精度的基础上减少了参数的数量。

基于深度学习的危险驾驶行为检测模型研究

针对驾驶员常见危险驾驶习惯如驾驶汽车过程中看手机、打电话、进食以及同车内乘客聊天等现象,设计基于深度学习技术的危险驾驶行为检测模型。采用PaddlePaddle框架,将PaddleX深度学习网络模型转化为PaddleHub轻量型深度学习网络模型便于部署和应用;实现对驾驶员:正常安全驾驶、右手发短信/玩手机、右手打电话、左手发短信/玩手机、左手打电话、调试车载多媒体、进食、向后排拿物、整理妆容、同乘客谈话等10种驾驶行为的检测,检测准确率达98%以上。