利用Matlab实现人脸检测与人脸马赛克

人脸检测是基于人的脸部特征信息进行身份检测的一种生物检测技术。马赛克,即用模糊的连续四方片状阴影对图片处理。本文利用Matlab软件,通过图像分割、腐蚀膨胀、图片放缩等基本方式对给定图片进行人脸检测,如确认为人脸则将其用矩形框出,并将框内的人脸自动打码,实现人脸检测和人脸马赛克。实验表明,本方法能成功检测出人脸,检测准确率高达96.05%;借助Matlab软件进行计时,每张600×400的照片完成人脸检测并马赛克过程不超过24s。

基于微小运动的人脸活体检测算法

针对人脸识别过程中容易受到打印攻击、视频重放攻击的问题,提出一种利用微小运动的人脸活体检测算法。该算法对视频进行运动放大处理以增强微小运动;使用运动强度和运动方向描述微小运动,生成两种运动特征图并进行融合;使用基于注意力机制的VGG16网络进行真伪判别。在Replay-attack数据集上半错误率(HTER)为1.35%,在CASIA FASD数据集上等错误率(EER)为2.5%,证明了微小运动对人脸防伪的有效性。

跨域人脸活体检测的单边对抗网络算法

现有跨域人脸活体检测算法,其特征提取过程容易发生过拟合和缺乏特征聚合所导致的泛化性不足问题。针对该问题,提出了跨域人脸活体检测的单边对抗网络算法,将分组卷积与改进的倒残差结构融合替换普通卷积,降低网络参数同时加强人脸细粒度特征的表达能力,并引入自适应特征归一化模块,强调图像中人脸活体信息区域淡化无关背景区域,有效避免人脸活体信息的过拟合并加强来自不同源域的人脸活体检测能力。基于NetVLAD引入通道注意力机制模块,通道注意力机制模块作为特征聚合网络的分支,学习不同源域中人脸局部特征的语义信息,有效增强对不同源域的人脸活体信息分类的泛化能力。设计两模块融合网络以提高未知场景下跨域人脸活体检测精度。在OULU-NPU、CASIA-FASD、MSU-MFSD和Idiap Replay-Attack数据集上的实验结果表明,该算法在跨数据集测试O&C&M to I、O&C&I to M、I&C&M to O、O&M&I to C均有不错的表现,其中,在O&C&I to M及O&M&I to C性能评估指标分别提升了0.99个百分点和0.5个百分点的精度。

基于区域渐进校准网络的人脸检测与定位

为解决角度变化下的人脸检测中存在参数量大及角度幅度变量小的问题,提出区域渐进校准网络用于任意平面角度的人脸检测,通过级联网络结构降低角度变化、提升网络运行速度。采用区域生成网络产生高质量的候选区域,构造渐进校准网络,逐步缩小面部平面角度变化范围,同时由粗到细地对候选区域执行面部检测。其中,特征提取的中间层融合参数量较少时,更好地表示了面部特征,调整锚的设置解决小尺度面部问题。在角度增强的FDDB(face detection data set and benchmark)数据集与WIDER FACE数据集上的实验结果表明,提出的方法分别取得了89.1%与90.4%的平均召回率,准确度高于快速区域卷积神经网络(Faster RCNN),且运行速度更快。在实际项目中使用该算法,验证了该方法的有效性及可行性。

基于YOLO5Face重分布的小尺度人脸检测方法

针对复杂场景下小尺度人脸检测精度较低的问题,提出了一种基于YOLO5Face重分布的小尺度人脸检测方法。方法以YOLO5Face为基础,在网络浅层引入改进的CBAM注意力并对模型计算重分布,提升复杂场景下小尺度人脸检测精度的同时降低模型参数量;采用融合mixup的数据增强方法,充分训练模型小尺度人脸检测分支;依据人脸检测特性,将softmax损失作为分类损失以最大化类间特征的差异。在WiderFace各个子集上的实验结果表明,与主流人脸检测方法相比,改进后的模型满足实时性的同时,小尺度人脸检测精度较高,其中Hard子集检测精度比YOLO5Face提升2个百分点。

基于增强Swin Transformer的深度伪造人脸检测

针对传统卷积神经网络感受野的大小受限和特征交互学习能力弱,基于卷积神经网络的伪造人脸检测技术提取到的特征相对单一的问题,提出了基于增强Swin Transformer的深度伪造人脸检测方法,引入了局部多头自注意力和全局多头自注意力机制,结合了Swin Transformer的优势,能够有效地捕获图像上下文信息和视频时序关系,具有较强的全局感受野和长距离依赖建模能力。在DFDC数据集的实验结果表明,该方法优于基线方法,具有较好的深度伪造人脸检测能力。

基于人脸及背影检测的车内安全保障系统研究

为解决车内温度异常带来的安全隐患,提出一种基于人脸及背影检测的车内安全保障系统。采用Jetson nano硬件结合OpenCV图像处理及yolov5目标检测算法实现。通过制作专门应用于车内场景的数据集来提高模型的鲁棒性。针对车内场景改进yolov5算法,采用Kmeans++算法生成性能更好的锚框、优化CBMA注意力模块提高算法对人脸及背影特征的关注度、EIOU损失函数解决预测框与真实框在长宽比相同且中心点重合时的定位问题。通过实验对比算法改进后检测的准确率(Precision)提高了4.6%,召回率(Recall)提高了1.3%,mAP_0.5提高了8.8%,mAP_0.5:0.95提高了4.4%。人脸及背影检测实验表明在车内人脸及背影遮挡情况下依然能够正确检测。通过车内实时温度监测,结合车内人脸及背影检测模型,实验表明通过Jetson nano控制预警及车窗升降从而保障生命安全是可行的。

融合卷积神经网络和Transformer的人脸欺骗检测模型

在人脸反欺骗领域,大多数现有检测模型都是基于卷积神经网络(convolutional neural network,CNN),该类方法虽能以较少的参数学习人脸识别,但其感受野是局部的;而基于Transformer的方法虽然能够全局感知,但参数量和计算量极大,无法在移动或边缘设备广泛部署.针对以上问题,提出一种融合CNN和Transformer的人脸欺骗检测模型,旨在保持人脸全局和局部特征提取能力的前提下,实现参数量和准确度的平衡.首先,裁剪选取局部人脸图像作为输入,有效避免过拟合现象;其次,设计基于坐标注意力的特征提取模块;最后,设计融合CNN和Transformer模块,通过局部全局局部的信息交换实现图像局部特征和全局特征的提取.实验结果表明,该模型在CASIA-SURF(Depth模态)数据集上获得了99.31%的准确率以及0.54%的平均错误率;甚至在CASIA-FASD和Replay-Attack这2个数据集上实现了零错误率,且模型参数量仅0.59MB,远小于Transformer系列模型.

具有对抗鲁棒性的人脸活体检测方法

现有人脸活体检测方法在深度神经网络的支持下已获得优秀的检测能力,但面临对抗样本攻击时仍呈现脆弱性。针对此问题,引入胶囊网络(Capsule Network,CapsNet)提出一种具有对抗鲁棒性的人脸活体检测方法FAS-CapsNet:通过CapsNet及其图像重建机制保留特征间关联,过滤样本中的对抗扰动;根据皮肤与平面介质的反射性质差异,以Retinex算法增强图像光照特征,增大活体与非活体人脸类间距离的同时破坏对抗扰动模式,进而提升模型准确性与鲁棒性。在CASIA-SURF数据集上进行实验可知:FAS-CapsNet对正负样本的检测准确率为87.344%,对比模型中最高准确率为78.917%,说明FAS-CapsNet具备充分的常规活体检测能力。为进一步验证模型鲁棒性,基于CASIA-SURF测试集生成两种对抗样本数据集并进行实验:FAS-CapsNet在两数据集上的检测准确率分别为84.552%和79.042%,较常规检测准确率下降3.197%和9.505%;对比模型在两数据集上的最高准确率分别为74.938%和41.667%,较常规检测下降5.042%和47.201%。可见FAS-CapsNet受对抗扰动影响更小,具有显著的对抗鲁棒性优势。

基于多层次自注意力网络的人脸特征点检测

人脸特征点检测是人脸图像处理的关键步骤之一,常用检测方法是基于深度神经网络的坐标回归方法,具有处理速度快的优点,但是用于回归的高层次网络特征丢失空间结构信息,且缺乏细粒度表征能力,导致检测精度降低。针对该问题,提出一种基于多层次自注意力网络的人脸关键点检测算法。为提取更具有细粒度表征能力的图像语义特征,构建基于自注意力机制的多层次特征融合模块,实现高层次高语义信息特征和低层次高空间信息特征的跨层次特征融合。在此基础上,设计一种多任务学习人脸特征点检测定位与人脸姿态角估计的训练方式,优化网络对人脸整体朝向姿态的估计,以提升特征点检测的准确性。在人脸特征点主流数据集300W和WFLW上的实验结果表明,与SAAT、AnchorFace等方法相比,该方法有效提升网络的检测精度,标准平均误差指标分别为3.23%和4.55%,相较于基线模型降低0.37和0.59个百分点,在WFLW数据集上错误率指标为3.56%,相较于基线模型降低了2.86个百分点,能够提取更具鲁棒性和细粒度的表达特征。

基于目标检测与人脸识别相结合的课堂考勤智能识别系统

高校课堂的出勤率一直是反映学校教学效果的一项重要指标,针对传统考勤方式占用时间长、学生代替考勤等问题,利用人工智能技术,提出了包含目标检测和人脸识别技术的深度学习辅助考勤系统。通过教室内的摄像头设备捕获的视频流,跟踪参加特定课程的学生,实现了技术化考勤,提高了上课效率,从而实现教室管理的自动化、智能化。

基于扩散模型的伪造人脸检测分析

深度学习图像生成技术已取得显著进展,其中扩散模型是一种高效的生成模型,它被广泛用于图像生成。然而,由扩散模型生成的图像存在潜在的隐私和数据安全风险,尤其是伪造人脸图像可能被恶意用于伪造身份和欺骗人脸识别系统。通过对主流伪造人脸图像检测器的评估,揭示了扩散模型与生成对抗网络在频域上存在差异的特征,验证了基于频域分析的有效检测方法,为保护隐私和数据安全提供了强有力的支持。

改进YOLOv5的智慧课堂人脸检测算法

智慧课堂是人工智能领域热门的应用场景。针对课堂场景下摄像头位置较远且偏,图像中目标存在人脸过小和遮挡导致漏检或错检等问题,提出了一种改进YOLOv5的智慧课堂人脸检测算法YOLOv5-SASA。该算法主要包括三个部分,在backbone层沿用了CSPDarknet53网络,通过在最后的空间池化层中使用BasicRFB模块来有效增强网络的特征提取能力;采用NWD损失函数来提高模型对小目标检测的鲁棒性,同时在head层中引入了独立自注意力机制模块SASA,以解决人脸遮挡的问题,并降低模型的参数量;通过降低中间层通道神经元的数量、调节学习率等方式,对改进的YOLOv5网络进行了优化,以避免模型过拟合。实验结果表明,所提出的方法在WiderFace验证集的easy、medium和hard难度下的效果均优于原网络,分别达到了97.5%、96.3%和86.5%的准确率,能够有效提升课堂场景下人脸检测的精度。

基于改进YOLOv5s-face的Face5系列人脸检测算法

针对人脸检测中小尺度人脸和遮挡人脸的漏检问题,提出了一种基于改进YOLOv5s-face(you only look once version 5 small-face)的Face5系列人脸检测算法Face5S(face5 small)和Face5M(face5 medium)。使用马赛克(mosaic)和图像混合(mixup)数据增强方法,提升算法在复杂场景下检测人脸的泛化性和稳定性;通过改进C3的网络结构和引入可变形卷积(DCNv2)降低算法的参数量,提高算法提取特征的灵活性;通过引入特征的内容感知重组上采样算子(CARAFE),提高多尺度人脸的检测性能;引入损失函数WIoUV3(wise intersection over union version 3),提升算法的小尺度人脸检测性能。实验结果表明,在WIDER FACE验证集上,相较于YOLOv5s-face算法,Face5S算法的平均mAP@0.5提升了1.03%;相较于先进的人脸检测算法ASFD-D3(automatic and scalable face detector-D3)和TinaFace,Face5M算法的平均mAP@0.5分别提升了1.07%和2.11%,提出的Face5系列算法能够有效提升算法对小尺度和部分遮挡人脸的检测性能,同时具有实时性。

人脸关键点检测研究综述

随着计算机视觉等技术的快速发展,人机交互、医疗辅助、安防监控等领域迅速崛起,人脸关键点检测作为其中一项重要任务备受关注,它可以在图像或视频中定位和检测人脸关键点,具有很高的实用价值。通过对人脸关键点检测方法研究现状的梳理和分析,将其分为传统的人脸关键点检测方法和基于深度学习的人脸关键点检测方法;对比分析了各类方法的原理及优缺点,介绍常用数据集和评价指标,全面评估了重点方法在不同数据集上的性能表现;归纳人脸关键点检测应用领域,展望其未来发展方向。

基于帧内-帧间自融合的双流泛化人脸伪造检测方法

现有人脸伪造检测方法往往在已知伪造类型上表现良好,但面对未知数据时检测性能有所下降,模型易受到过拟合的影响,检测泛化性不足。针对此问题,提出一种基于帧内-帧间自融合的双流泛化人脸伪造检测方法,从数据增强和检测器改进2个方面提高检测泛化性。设计帧内-帧间自融合模块,分别利用同帧人脸、帧间人脸进行数据增强:帧内自融合子模块利用同帧人脸生成训练数据,从而避免人脸图像身份信息干扰;帧间自融合子模块利用伪造视频的帧间不一致性,进一步构造多样性丰富、逼真的训练数据集,从而有效防止模型的过拟合,确保检测模型的泛化能力。此外,设计基于通道注意力机制的双流特征融合网络,在网络的浅层提取RGB特征、高频特征并进行融合来挖掘伪造信息,在提升模型性能的同时缓解网络的参数增长。将模型在4个数据集上与9种主流检测方法进行对比实验,结果表明:在跨数据集实验中,所提方法较次优方法AUC均值提高1.52个百分点,EER均值降低1.5个百分点;在跨伪造方法实验中,所提方法在4种伪造方法子数据集上均取得最优或次优效果。实验结果验证了该方法优秀的泛化能力。

高低频通道特征交叉融合的低光人脸检测算法

低光条件下捕获的人脸图像存在着噪声严重、对比度低等不足,极大影响了现有人脸检测器的准确性,另外,现有的低光图像检测算法欠缺小区域人脸信息的提取能力。为此,提出一种基于深度学习的两阶段人脸检测算法,即利用现有的低光图像增强算法对人脸图像进行增强后再进行检测。为提升检测算法对人脸信息的提取能力,设计一种新型的高低频通道特征交叉融合方法,该方法首先使用高低频通道特征可分离模块分离出不同尺度特征的高低频信息,然后对上述信息进行交叉融合,提升网络提取高频细节信息和低频色域信息的能力,进而提高检测网络的性能。对比试验和消融试验验证了该研究方法的有效性,试验结果表明该方法优于基准方法4.0%mAP。

基于改进YOLOv8s的密集多人脸检测

针对密集场景中多人脸检测存在的漏检率高、检测精度低的问题,提出一种改进的YOLOv8s人脸检测算法。在YOLOv8的骨干网络添加SimAM注意力机制,提高检测模型对于图像内小目标的特征提取能力。将原激活函数SiLU替换为FReLU函数,扩大特征点提取范围,提高小目标检测准确度。引入新的损失函数Wise-IoUv1,解决部分小目标在截取过程中可能出现的低质量问题,进一步提升检测精度。实验结果表明,改进后的算法在自建密集场景人脸数据集上,准确度提升到99.26%,在回归率持平的基础上计算参数无明显上涨,实测漏检率降低26%,有效提升了人脸检测能力。

一种基于人脸特征点的飞行签派员疲劳检测系统

民航飞行签派员长时间处于工作强度大、注意力高度集中的工作状态,生理、心理都容易产生疲劳,容易导致错误签派而造成飞行安全事故。本文通过摄像头采集签派员工作图像,对采集的图像进行人脸区域及关键点检测,然后对签派员的睁闭眼状态、嘴巴张合度等进行计算得到眼睑纵横比EAR值、嘴部纵横比MAR值,接下来基于EAR、MAR获取PERCLOS、平均闭眼时长和打哈欠频率三项特征并将其进行融合,最后,根据疲劳等级判断标准,利用OpenCV、Dlib等工具开发了签派员疲劳检测系统,该系统能够检测不同程度疲劳状态。

基于超分辨率重建的低分辨率人脸检测算法

低分辨率人脸检测在视频监控等领域中有重要应用,而当前人脸检测算法在低分辨率人脸检测上效果并不理想,针对这一问题,论文提出了基于超分辨率重建的低分辨率人脸检测算法。首先,通过前置基础人脸检测器S3FD检测出大部分常规人脸,接着通过降低类别置信阈值,将可能含有人脸的候选区域送到基于GAN改进的超分辨率重建网络(MGAN)来进一步完成人脸检测任务,最后汇总人脸区域,并采用非极大值抑制算法得出最后检测结果。实验结果表明在WIDERFACE数据集上,论文算法相比S3FD等主流人脸检测算法检测精度更高,在hard子集上提升较明显。