基于深度学习的人脸识别技术以数据为驱动,对输入图像的质量要求较高。在铁路刷脸进/出站场景下,为滤除因各种因素导致的成像异常的人脸图像,提升人脸识别精度,文章研究人脸图像正常的特征分布,通过知识迁移,提出无须针对异常样本建模...基于深度学习的人脸识别技术以数据为驱动,对输入图像的质量要求较高。在铁路刷脸进/出站场景下,为滤除因各种因素导致的成像异常的人脸图像,提升人脸识别精度,文章研究人脸图像正常的特征分布,通过知识迁移,提出无须针对异常样本建模的人脸图像异常检测算法。理想情况下,该算法对人脸图像异常检测的ROC曲线下面积(AUROC,Aera Under Receiver Operating Characteristic)可达到0.979。实验结果表明,该算法在计算精度与运行成本的组合上具有较高的自由度,可实现不同场景、硬件条件下的算法适配,为优化旅客人脸识别的输入环节,提高各场景下的旅客人脸识别率提供了技术支撑。展开更多
文摘基于深度学习的人脸识别技术以数据为驱动,对输入图像的质量要求较高。在铁路刷脸进/出站场景下,为滤除因各种因素导致的成像异常的人脸图像,提升人脸识别精度,文章研究人脸图像正常的特征分布,通过知识迁移,提出无须针对异常样本建模的人脸图像异常检测算法。理想情况下,该算法对人脸图像异常检测的ROC曲线下面积(AUROC,Aera Under Receiver Operating Characteristic)可达到0.979。实验结果表明,该算法在计算精度与运行成本的组合上具有较高的自由度,可实现不同场景、硬件条件下的算法适配,为优化旅客人脸识别的输入环节,提高各场景下的旅客人脸识别率提供了技术支撑。