局部遮挡的人脸识别方法研究综述

随着科学技术的飞速发展,人脸识别技术凭借其独特的优势在人们的生活中渐渐普及,非受限条件下的人脸识别技术也已基本趋于成熟。但是,现实生活中人脸图像的采集往往会受到各种因素的干扰,如遮挡、光照和面部姿态等,尤其是近年新型冠状病毒肺炎疫情条件下,许多应用场景都要求在遮挡环境下能够实现对人脸的识别。现有人脸识别算法已经不能满足遮挡环境下人脸识别的要求。在遮挡环境下有效提高识别率是目前人脸识别领域面临的挑战之一。从传统的算法和基于深度学习的方法对遮挡环境下的人脸识别技术进行了深入探讨,介绍了遮挡人脸识别的典型算法以及在不同数据集的识别效果,分析总结了各种方法的优缺点,最后提出了目前遮挡人脸识别所面临的问题以及未来的发展趋势。

碳纤维拉挤板材表面缺陷检测

碳纤维拉挤成型工艺是一种可以制造出高强度、高刚度、轻量化复合材料的方法。该工艺通过在高温高压下将通过模具的碳纤维和树脂复合材料拉挤成型,由于碳纤维方向的一致性,从而提高了材料的力学性能。因其需要将不同材料复合,出现的缺陷会影响材料力学性能。传统人工肉眼初筛缺陷的方法效率低、易遗漏。采用多目摄像头采集图像与模糊聚类算法处理取代人工缺陷检测。机器视觉可在生产过程中对碳纤维拉挤板材表面进行实时缺陷检测。采集图像时,应用光度立体学法采集复合板材表面图像,并通过图像灰度计算形成图像梯度矩阵。在缺陷检测过程中,先将梯度矩阵经过模糊聚类法区分正常区域与缺陷区域。再通过缺陷隶属度模型划分不同缺陷种类,最后通过模糊信息熵模型标记缺陷,完成碳纤维拉挤板材表面缺陷检测。实验结果表明,表面缺陷检测准确率达98%以上,缺陷检测准确率高,误差范围小,实现了不同缺陷种类的分类划分。在碳纤维拉挤板材生产过程中具备优异的缺陷检测性能与实用价值。

专注度识别应用研究

近年来,对于专注度的判断重视程度越来越高,针对人工观察、问卷调查等方法效率低下、实时性差等问题,该文结合机器视觉技术设计了一种专注度识别方法,在VGG-16的基础上进行改进并结合抬头平视率,同时在GT数据库的基础上进行专注判别分类,构建了用于专注度识别的数据库,提高了专注度识别的准确性和实时性,育有广阔的应用前景和市场需求。

基于深度残差网络模型压缩的局部遮挡人脸识别

尽管卷积神经网络使遮挡人脸识别效果有所改善,但随着性能的提高会造成结构复杂、网络参数增加、耗时长的问题。针对此问题,提出一种基于深度残差网络模型压缩的局部遮挡人脸识别方法。首先,采用多任务级联卷积神经网络(MTCNN)对人脸图像进行预处理;其次,选择残差网络作为主体网络,以残差块的卷积层为基本单位,通过结构化剪枝修剪卷积层滤波器,实现对深度残差网络模型压缩的同时移除滤波器输出的特征映射;最后,学习掩码特征去除遮挡损坏的特征元素对人脸进行识别。实验结果表明在准确率影响不大的情况下,网络参数量减少,识别速度有明显的提升。