基于卷积神经网络的人脸图像质量评价

针对人脸识别过程中人脸图像质量较低造成的低识别率问题,提出了一种基于卷积神经网络的人脸图像质量评价模型。首先建立一个8层的卷积神经网络模型,提取人脸图像质量的深层语义信息;然后在无约束环境下收集人脸图像,并通过传统的图像处理方法以及人工筛选进行过滤,得到的数据集用以进行模型参数的训练;其次通过在图形处理器(GPU)上加速训练,得到用于拟合人脸图像到类别的映射关系;最后将输入在高质量图像类别的概率作为图像的质量得分,建立人脸图像的质量打分机制。实验结果表明,与VGG-16网络相比,所提模型准确率降低了0.21个百分点,但是参数规模减小了98%,极大地提高了模型运算效率;同时所提模型在人脸模糊、光照、姿态和遮挡方面都具有较强的判别能力。因此,可将该模型应用在实时人脸识别系统中,在不影响系统运行效率的前提下提高系统的准确性。

人脸图像质量评价法

在人脸识别系统中,从输入图像群中挑选出一幅质量较好的图像,对提高系统的人脸识别性能,具有重要意义。基于此提出了一种从人脸位置、图像对比度、图像清晰度、图像明亮度来综合评价人脸图像质量的算法,并通过实验验证了该算法的有效性。

融合二级评价指标的人脸图像质量评价方法

针对姿态和光照对人脸的干扰,提出基于子区域直方图距离的人脸对称度评价,用于评估非对称光照和姿态对人脸质量的影响。提出针对含有人脸的原始图像质量的第一级评价与针对人脸有效区域的第二级评价相融合的评价策略,第一级评价的反馈信息能有效指导图像采集环境构建和改善,为后期人脸检测和识别提供优质图像源。主要评价指标包括:对比度、适宜度、对称度、清晰度、人脸有效区域面积等物理参数。实验结果表明了本研究提出的对称度评价方法和融合二级指标评价策略的可靠性与准确性。

基于视频的人脸识别校园安全接送系统的研究

校园安全接送作为一个严肃的社会问题,需要及时发现不明身份人员混入校园等隐患,而市场上大多数的校园人脸识别系统,基本上都需要专用的硬件设备,且只支持单人逐个检测,这无疑提高了推广的成本。针对以上问题,本文提出了使用普通摄像头的支持多人的人脸识别系统。首先采用YOLOv3算法训练人脸数据集,利用K-Means++算法改进先验框中心位置的预测,提高边界框的准确性,得到人脸检测器,对视频中的行人进行人脸检测;之后利用本文的人脸图像质量评价FIQUE算法对人脸进行筛选,增加高质量的人脸图像占比;最后使用Inception-ResNet-v1模型提取人脸特征,进行识别。本文方法利用学校现有的摄像头设备,提高了系统的普及率。实验证明了本文多人识别系统的实时性和鲁棒性良好。

多摄像机协同的最优人脸采集算法

传统的单摄像机采集技术无法保证人脸图像的质量,直接影响人脸信息的应用价值。为此,提出一种最优人脸图像采集算法。通过估算与姿态变化具有对应关系的夹角,对基于特征点的姿态评估方法进行改进,以提高人脸姿态估计的准确率。采用多个摄像机对同一区域进行同步采集,比较同一时刻每个摄像机采集图像的肤色占有率,选出具有最佳视角的人脸图像,并全方位地判别图像中的人脸姿态变化,给出一组正面的人脸图像。在人脸图像质量评价指标中,增加人脸相似度作为图像质量参考指标,并采用一种由粗到细的评价架构。实验结果表明,该算法可提高主客观评价的一致性及人脸识别时的准确率。