基于注意力残差网络的口罩佩戴规范检测算法

COVID—19已经在全球蔓延,阻断病毒传播途径是人们目前控制COVID—19传播的主要方法。在人员密集场所佩戴口罩可有效地切断病毒传播途径。现有的口罩检测算对鉴别佩戴口罩的规范性仍具有较大的挑战。为解决口罩佩戴规范性检测问题,提出了一种结合注意力机制和残差网络的口罩佩戴规范检测算法。通过注意力机制进行佩戴口罩部位的特征强化,实现口罩佩戴规范性识别。同时设计了一种口鼻检测器,结合现有的口罩数据集,使用口鼻特征检测器将数据集细分为规范佩戴口罩、不规范佩戴口罩,增加无口罩数据构成实验数据集。实验结果表明:该算法的平均预测准确率为97.240%。该方法可有效识别口罩佩戴的规范性,具有一定的实用价值。

结合关键点与权重分配残差网络的表情识别

现有人脸表情识别算法易受图像背景、非表情内容等无关因素的影响。此外,部分人脸表情(例如害怕、生气、伤心等表情)的类间差异较小也制约着算法的性能。针对上述两个问题,提出了一种融合面部关键点和权重分配残差网络的表情识别算法。通过面部关键点获取最大的表情范围以消除图像背景和非表情内容的干扰,将预处理后的表情图像作为深度残差网络的输入,引入权重分配机制从通道和空间维度上进行注意权重推断,实现不同区域的权重分配,进而引导深度残差网络学习对表情具有鉴别力的局部特征。该算法分别在FER2013和CK+表情数据集上达到了74.14%和98.99%的识别准确率,有效改善了生气、伤心、害怕等类间差异较小的表情识别准确率。

人脸表情识别研究进展

随着计算机视觉的发展和人工智能产业的兴起,人脸表情识别技术在人工智能产业有着广泛的应用需求。人脸表情识别在传统机器学习算法下对环境及姿态的改变不具备良好的鲁棒性,而且识别精度也达不到实际应用的要求。计算机和图像处理器等硬件性能的提升,以大数据为核心的深度学习算法得到快速发展,人脸表情识别技术开始趋于在深度学习算法上研究。本文分别对人脸表情图像预处理、特征提取、特征分类3个关键技术进行介绍具体叙述了从传统的机器学习到基于深度学习的人脸表情识别技术的研究进展,分析了人脸表情识别技术目前面临的挑战和发展趋势。

基于多特征优选的图像拼接算法及系统设计

以无人机为平台的桥梁巡检方案能够减少人工、避免安全隐患、提高效率,为了解决该系统中图像拼接实时性和拼接质量之间的矛盾,本文提出一种基于多特征优选的图像拼接算法,并设计开发出了一套基于无人机桥梁巡检的图像采集拼接子系统,先利用简单特征对图像流进行快筛,然后利用复杂特征来保持准确率,并提高系统的鲁棒性,最后通过性能指标对图像拼接质量进行调节。在实验中,针对处理速度、准确率和鲁棒性等各方面因素,本文算法平均达到了83.34%的特征提取准确率。在调节系统性能指标后,图像拼接取得了满意的效果,具有一定实用价值。

几何约束下噪声一致性的图像拼接篡改检测

将以图像块为单位的噪声水平估计方法应用在图像篡改定位时,会导致分割边缘呈锯齿状并降低边缘定位准确率。针对该问题,文中提出了一种基于几何约束和噪声一致性分析的图像拼接取证算法。采用基于统计的噪声水平估计与K-means算法对每个图像块实现初步检测定位,提取初步拼接区域边缘的点集合,并以其每个点为中心,依次在边缘图上进行方形范围搜索,拼接区域边缘。随后,利用几何约束筛选算法选择疑似篡改边缘点来定位篡改区域。相较于现有算法,在Columbia上正确检测率相同的情况下,采用文中方法可将错误检测率降低12.7%,并降低算法复杂度。