基于多任务卷积神经网络人脸检测网络的优化加速方法

针对人脸检测网络在安卓设备上速度较慢、检测效果不佳的问题,提出了基于多任务卷积神经网络(MTCNN)的优化加速的方法。一方面,更改Caffe框架的ATLAS数学库为OpenBLAS,利用多核来进行矩阵计算;另一方面,在网络结构上进行优化,通过对特征图进行多尺度的卷积再聚合操作、对不同层的特征图进行特征融合操作来提高网络的学习能力,同时对网络中的卷积核进行分解来减少卷积操作的计算量。在LFW和FDDB数据集上进行测试,实验结果表明:与MTCNN人脸检测算法相比,改进后算法的准确率提高了0.9%,耗时降低了64%,在3288安卓板卡上速度达到了9帧/秒。改进后的算法对遮挡、模糊人脸有更好的鲁棒性,并且在速度上有了很大的提升,在复杂场景下具有出色的检测效果。

基于语义分割的活体检测算法

为了提高人脸识别系统的安全性,防止手机、照片中的人脸图像伪装攻击,提出了一种基于语义分割的活体检测算法。首先,通过全卷积神经网络(FCN)对局部人脸区域进行语义分割,并提出了一种带方向的卷积核对网络进行优化。其次,训练了一个快速分类器对语义分割网络的结果进行分类。最后,对深度学习网络进行串联,形成一个端到端的活体识别框架。试验结果表明:本文检测算法在Casia活体数据集和私有数据集上表现突出,在实际项目中泛化能力突出。