人脸图像质量分析研究综述

人脸图像质量分析已经成为人脸识别研究中亟待解决的问题。介绍了人脸图像质量分析的概念,针对近年来国内外出现的人脸图像质量分析技术和方法作了简单的介绍和分类,分析并比较了各种方法的优缺点,给出了简单评价,分析了人脸图像质量分析面临的困难,探讨了人脸图像质量分析的应用和未来的研究趋势。

基于深度特征增广的跨域小样本人脸欺诈检测算法

随着人脸识别技术的发展,人脸欺诈攻击已经成为一项实际的安全问题,人脸欺诈检测算法用于及早发现该类攻击,保护系统安全。文中将一种经典域自适应算法扩展到深度神经网络中,首先定义了基于深度特征增广的域自适应层,提出了一种基于深度特征增广的跨域小样本人脸欺诈检测算法。该算法在已有的基于全卷积神经网络的人脸欺诈检测深度神经网络的中部嵌入域自适应层将卷积特征图增广,来适配源域和目标域的差异,随后根据增广后的特征图进行像素级分类,最后将像素级概率图从空间上融合为帧级决策。文中在CASIA-FASD,Replay-Attack和OULU-NPU 3个数据集和6个常见测评协议(2个CASIA-FASD与Replay-Attack跨库协议和4个OULU-NPU标准协议)下进行实验,验证了算法在不同背景、不同攻击设备、不同相机等跨域情况下的性能。实验表明,基准FCN人脸欺诈检测算法已经能够达到较好的性能,在此基础上,借助小样本目标域数据学习域自适应模型,可进一步显著提升性能,将错误率减半(CASIA-FASD训练+Replay-Attack测试的HTER指标从27.31%降至11.23%,Replay-Attack训练+CASIA-FASD测试的HTER指标从37.33%降至21.83%,OULU-NPU标准协议IV的ACER指标从9.45%降至5.56%),实验结果验证了基于深度特征增广的跨域小样本人脸欺诈检测算法的有效性。

可形变人脸模型研究进展综述

正确理解和跟踪人脸是构建能够在复杂人类环境中自主工作的智能机器系统的首要和关键步骤,可形变模型通过统计学习方法给出对象形状的紧凑数学表示,是达成这一目标的重要手段。从机器学习和计算机视觉领域角度,对人脸图像的可形变模型构建这一研究课题的最新研究进展进行了综述。特别地,对其中涉及的关键问题进行了归纳,并建立了一个抽象的统一贝叶斯可形变模型;在此框架下,对标准的点分布模型PDM模型及其最新研究进展进行了回顾、对一些主要的方法进行了介绍、对这些方法优缺点进行了对比分析。

基于卷积-反卷积网络的正交人脸特征学习算法

身份特征与表情特征是人脸图像分析中的两组重要特征,传统的有监督正交人脸特征学习(supervised orthogonal facial feature learning,SOFFL)算法虽然能够在给定表情和身份标签时学习这一对特征,但因数据要求较高令其应用受限.提出一种低数据要求的无监督正交人脸特征学习(unsupervised orthogonal facial feature learning,UOFFL)算法,通过提取正交人脸特征的统一框架,假设人脸图像空间中仅有身份和表情变化,使用重构损失、分类损失和相关性最小化损失的组合,采用深度卷积-反卷积神经网络,从已对齐的人脸图像中联合学习,提取身份和表情特征.其中,分类损失用于学习表情特征;相关性最小化损失用于提高身份特征和表情特征之间的独立性;重构损失用于确保两组特征组合的信息完整性.在大规模合成人脸表情数据集(large-scale synthesized facial expression dataset,LSFED)和受限的Radboud人脸数据集(Radboud faces dataset,RaFD)上进行验证,将所学身份特征空间中的欧氏距离用于人脸验证任务,结果表明,算法性能接近联合贝叶斯等有监督人脸识别方法.UOFFL算法可在身份标签缺失的条件下,仅使用表情特征学得身份特征.相比改进前的SOFFL算法,该方法缓解了对身份标签的依赖,适用场合更广.

社交媒体上真人和虚拟影响者的脸部特征对消费者关注行为的影响

随着社交媒体的发展和广泛应用,社交媒体影响者以及新生的虚拟影响者逐渐成为消费者获取品牌和产品信息的重要渠道,并对品牌形象、消费者的品牌态度、消费者的购买意愿等产生重要影响。如何打造有众多关注者的影响者,特别是如何选择或设计出有特定人脸形象的影响者,成为营销实践者的首要挑战。然而,营销领域关于影响者(特别是虚拟影响者)的人脸形象对消费者关注行为的作用的研究还比较有限,无法有效指导相关的营销实践。因此,本文从与影响者营销和虚拟影响者营销相关的研究和实践出发,量化研究了真人和虚拟影响者的客观脸部特征对消费者关注行为的影响,并比较了二者之间的差异。研究结果表明,第一,影响者和虚拟影响者的客观脸部特征能较为准确地解释和预测消费者的关注行为;第二,当虚拟影响者的人脸和真人的一样时,虚拟影响者的客观脸部特征对消费者关注行为的影响与真人的客观脸部特征对消费者关注行为的影响相比没有系统性差异。理论上,本文弥补了影响者营销领域里关于人脸特征和消费者关注行为之间的关系的研究空白,特别是虚拟影响者营销的相关研究空白;实践上,本文的研究可以指导营销实践者对真人和虚拟影响者进行有效的人脸形象管理。

Infrared Thermography and Big Data for Detection of People with Fever and Determination of High-Risk Areas in Epidemic Situations

Technological advances in computer science and their application in our daily life allow us to improve our understanding of problems and solve them effectively.A system design to detect people with fever and determine highrisk areas using infrared thermography and big data is presented.In order to detect people with fever,face detection algorithms of Viola-Jones and Kanade-Lucas are investigated,and comparison between them is presented using a training set of 406 thermal images and a test set of 2072 thermal images.Thermography analysis is performed on detected faces to obtain the temperature level on Celsius scale.With this information a sample database is created.To perform big data experimental analysis,Power Bi tool is used to determine the high-risk area.The experimental results show that Viola-Jones algorithm has a higher performance recognizing faces of thermal images than KanadeLucas,having a high detection rate,less false-positives rate and false-negatives rate.

基于生物特征识别技术对汽车试验员职业健康安全监测和评价研究

汽车技术的发展、提升离不开汽车各项试验测试,除室内实验室测试外,实际试验道路测试也格外重要。在市场竞争激烈和技术飞速发展的今天,车企及互联网造车企业纷纷加大研发和测试力度,实际道路测试强度也大大加大。汽车试验员作为道路测试中的控制主体,具有高风险的职业特性。从"以人为本、安全试车"出发,关注汽车试验员安全,本文通过对人脸振动图像分析技术的技术原理、判别方式以及发展现状进行相关探索,结合安全试车的实际需求,提出对汽车试验员进行岗前安全检测与上岗安全监测的可施行解决方案。