基于生成对抗网络的面部遮挡还原算法研究

为了解决人脸识别系统中待检测目标常会受到不同形式遮挡的问题,提出一种基于深度学习的遮挡还原算法。研究复杂环境下的面部遮挡还原算法,首先针对灰度图像利用传统的稀疏表示方法实现面部图像的遮挡恢复,然而,稀疏表示在对象的选择上具有一定的局限性,并且得到的稀疏解有可能会产生目标丢失的问题。因此提出采用基于深度学习改进的对抗神经网络模型算法进行面部图像的遮挡还原。该方法不仅可以弥补稀疏表示法在单一目标选择上的不足,还可以有效地克服光照的影响。并通过对比试验,稀疏表示法对面部遮挡还原的精度为81.85%,而对抗网络算法的还原精度高达92.03%,实现了对面部遮挡图像的有效还原,解决了面部遮挡对人脸识别系统的干扰性,并提高了遮挡还原的精度。

基于ReInspect算法的多目标追踪

为了提高复杂场景下多目标检测的准确性,提出了一种基于ReInspect算法的对于多个运行目标的检测方法。该算法基于OverFeat算法和Faster R-CNN算法的思想,加入LSTM(long short-term memory)循环网络结构用于记录多个目标的特征序列;通过调整LSTM网络特征标签信息,预处理损失函数,并在追踪后采用置信度分段的方式对检测结果进行匹配,解决对同一目标的重复检测以及目标遮挡问题。实验结果表明,该算法对传统的重叠、遮挡等问题有较好的抗干扰能力,在不同场景下识别准确率均高于90%。