基于多特征与多尺度融合的人脸活体检测方法

针对人脸活体检测卷积神经网络特征提取单一问题展开研究,提出了一种基于多特征与多尺度融合检测方法。通过对原始图像进行HSV空间和LBP空间转换,分别去除原图对光照敏感部分并提取活体人脸特征有效部分进行不同特征的有效融合即HV_LBP;提取Res Net50_FF(Res Net50 and Feature Fusion)不同层次得到特征图像的浅层、中层、高层语义特征部分,进行多尺度融合得到最终特征,最后使用Faster-ResNet50_FF-RCNN网络进行训练并分类实现人脸活体检测。所提算法在CASIA-FASD、NUAA、REPLAY-ATTACK和OULU-NPU等4个人脸活体检测公开数据集上进行实验,NUAA数据集仿真实验曲线下面积(AUC)为0.995,表明了所提方法的有效性;OULU-NPU数据集仿真实验,平均分类错误率(ACER)为0.3%,对比ACER为6.9%的CPqD(基于Inception-V3的改进模型)、ACER为5.9%的MSR-Resnet(基于Res Net18的改进模型)、ACER为1.5%的Face Ds(基于欺骗噪声分析法)、ACER为1.9%的STASN(基于融合全局和局部空间注意力机制模型)等人脸活体检测模型,所提模型平均分类错误率更低,具备一定的优越性。

基于改进VGG网络的面部表情识别方法

针对传统面部识别方法中网络模型重要通道特征关注度欠缺、参数过多、准确率低等问题,提出一种基于改进VGG19网络(Visual Geometry Group,VGG19)的表情识别方法。该方法在VGG19网络的每组卷积层之间都加入一个新模块,新模块由三方面组成:SE注意力机制模块、BN批量归一化层、PReLU激活函数,SE模块中的原激活函数ReLU替换为Mish激活函数,加速收敛,提升网络对面部细节关注度;对全连接层参数量进行修改,去除第一层全连接层和第二层全连接层,最大池化层替换为全局混合池化,达到卷积层加全局混合池化、一层全连接层的组合。原网络中全连接层节点数由[4096,4096,1000]改进为[512,7],改善了VGG网络庞大参数量的特征,增加抗过拟合效果。在CK+和FER-2013表情数据集上准确率分别达到98.990%和73.112%,证明所提方法具有较好的泛化性和准确率。