生成式方法在戴面罩热红外人脸识别中的研究

随着人工智能技术的发展,可见光人脸识别大放光彩。但是可见光无法解决面部有遮挡的问题,因此限制了它在国家安全方面的应用范围。因为可见光无法透过遮挡物从而被相机接收,所以丢失了大量信息。现实中如果佩戴面罩,鼻子、嘴巴、脸颊等大部分的特征将会丢失,则会导致可见光人脸识别的识别率大大下降。而热红外技术有解决该问题的可能,因为人脸散发的热量可以透过面罩,被热红外相机获取。首先提出了一种面罩检测的神经网络,通过对目标检测方法进行改进,设计并实现了适用于热红外戴面罩检测的算法。实验表明,上述方法在保证检测精度的同时,具有更快的检测速度。在研究构建的数据集上,mAP为96.5%,Fps为38。其次,被面罩遮挡后,鼻子嘴巴等热可以透过面罩,并在热红外图像中有体现。利用佩戴面罩和未佩戴面罩的数据作为样本训练对抗生成网络,训练一个可以去除戴面罩样本的网络。最后提出一种九宫格损失函数,用于对去面罩后的人脸进行识别的方法。上述方法在采集86名志愿者戴面罩和未戴面罩的中波红外图像数据库中,进行了识别验证,识别率为89.68%。还提出了将来的工作方向,包括戴口罩人脸识别的研究。

一种红外图像和宽光谱融合的人脸识别算法

针对可见光人脸识别算法难以适应弱光照、面部涂装、夸张表情等场景的问题,提出了一种基于热红外图像和宽光谱特征融合的人脸识别算法。采用了热红外和宽光谱两个特征模块提取鲁棒的模态特征;设计了一种自适应权重的特征融合方法,该方法可以自主学习各模态特征的融合权重,从而引导分类模型更多的关注具有更好判别性的特征。结果表明:基于图谱融合的人脸识别算法达到了96%的人脸识别率;相比于基于单模态信息的人脸识别,融合人脸识别算法有效的提升了识别的精确度和稳定性,同时,受益于红外图像和宽光谱模态信息的特有属性,图谱融合人脸识别算法提升了人脸识别技术对复杂场景的适应性,扩宽了其应用场景。