基于SSD-MobileNetv2和FPN的人脸检测

随着人工智能技术的不断发展,人脸检测与识别技术以其广泛的应用性成为学术研究的重点。提出了SSD-MobileNetv2-FPN人脸检测模型,首先用轻量级的MobileNetv2代替SSD中的VGG-16主干网络,减少模型训练参数以提高模型的检测速度,然后引入FPN网络提取多尺度特征信息使得模型更利于小目标人脸的检测,增加检测精度。最后引入Focal loss损失函数解决模型在训练过程中出现前景和背景类分布不平衡问题,提高模型性能。实验表明上述模型在Pascal Voc 2012人脸部分数据集中准确率为92.5%,且处理速度快,满足实时需求。

基于改进SSD算法的学生面部及其关键点检测研究

课堂讲授是教学活动的主要形式,学生的课堂学习状态可以通过其面部信息反映出来,为了准确地获取学生的面部信息,提出了一种更加适用于教室中学生的面部及面部关键点检测模型。由于教室中后排落座的同学属于小目标,为了准确检测后排同学,将网络前端的三张特征图进行了融合,使网络对小目标的检测能力有所提升;根据学生面部生理结构的特点,改进了预测候选框的生成比例。为了验证算法的先进性,设计了对比实验,所提的模型在三种难度的数据集上均表现最优。

基于SSD模型的人脸检测与头部姿态估计融合算法

针对头部姿态估计常用的人脸检测、姿态估计两步串联框架中流程复杂、耦合性高、整体鲁棒性低的问题,提出了一种基于改进SSD模型的人脸检测与头部姿态估计融合算法.通过拓展SSD模型,设计了人脸检测与姿态估计融合网络模型,在多层次卷积特征图上检测人脸,并估计头部姿态;采用端到端训练模式进行模型训练,简化了头部姿态估计任务的处理流程.在Pointing′04和300W-LP数据集上进行了试验.结果表明,本模型能够在满足实时性要求的前提下有效地完成检测任务与估计任务,在两个数据集中的pitch预测平均绝对误差分别达到了4.80°和6.48°,这充分证明了所提出算法的实用性和鲁棒性.

一种改进的基于SSD模型的多尺度人脸检测算法

目前基于单一卷积神经网络(SSD)的人脸检测模型在解决不同尺度的人脸检测问题时,存在小尺度人脸检测准确率不高的问题。为此,本文提出一种改进的基于SSD模型的多尺度人脸检测方法。该方法采用特征密集连接策略,加强基础网络中不同卷积层之间的信息流动性,从而提升基础网络的特征描述能力;并通过在浅层特征中引入上下文信息,提高小尺度人脸的检测准确性。在WIDER FACE数据集上进行实验,结果表明,本文方法可较好的检测出多尺度人脸。

对SSD模型改进与优化的人脸检测算法研究

本文提出基于MobileNetV3 CBAM+SSD的人脸检测模型,首先将MobileNetV3轻量化网络代替SSD模型的主干特征提取网络VGG 16,提高了模型的检测速度,然后在SSD模型中引入CBAM轻量级注意力机制,提高了模型的检测精度,最后将本文所提算法与SSD和MobileNetV3 SSD算法进行实验性能对比。实验结果表明,本文提出的人脸检测模型在DataSet数据集下平均精度均值达到94.58%,提高了9.91%,检测速度提高了42帧/s,计算参数和模型大小减少,基本满足应用要求。

基于轻量级CNN的口罩人脸检测方法现状研究

在抗击新冠疫情的背景下,如何选用神经网络模型高效、快速地检测人的面部是否佩戴口罩成为技术热点。在实际人脸口罩检测场景中,要求模型能够尽可能快地输出判别结果。本文针对目前几种主要的轻量级检测模型:PyramidBox-Lite模型、基于SSD算法的Keras模型和基于CenterFace的口罩检测模型,在不同的数据集下做综合测试,并利用单帧图像处理速度、检测分类正确率两种指标对各种方法的性能做评价对比。最后分析了各种方法的优劣,以及口罩人脸检测技术在未来的优化方案。

基于轻量级双模态SSD算法的疲劳驾驶检测

本文针对驾驶人疲劳驾驶检测模型实时性不足、以及在复杂光照场景下检测效果较差的问题,提出了一种改进的轻量级SSD双模态疲劳驾驶检测算法。该算法用MobileNet替换SSD的主干特征提取网络VGG16以使得模型轻量化。在模型的浅层特征上加入轻量级注意力机制网络SENet提升模型对小目标的检测精度。利用软注意力机制融合可见光图像和红外图像两种模态的特征提升模型在复杂光照环境下的表现。使用空洞-深度可分离卷积替换浅层的标准卷积,以弥补下采样导致的精度的损失。最后在检测出的人脸上根据PERCLOS准则进行疲劳驾驶判定。实验结果表明,该算法在复杂光照环境下具有良好的鲁棒性,同时能够在保证疲劳驾驶检测精度不下降的前提下大量减少模型参数量,进一步满足疲劳检测实时性的要求。

基于交叉滑动窗口模型算法的非接触心率测量方法

为解决传统接触式心率测量系统设备昂贵、操作复杂的问题,在远程光电容积描记法(remote photoplethysmography,r PPG)测量心率的基础上,提出一种基于交叉滑动窗口模型(cross sliding window model,CSWM)算法的非接触心率测量方法。首先调用人脸检测模型SSD300检测视频中的人脸,然后使用Otsu算法对人脸皮肤区域进行分割,并用形态学方法腐蚀皮肤之间的眼睛、嘴巴区域,同时用KCF算法跟踪人脸,并将人脸区域均分为2×2的大小,然后使用CHROM算法提取rPPG波形,最后运用CSWM方法对rPPG波形进行处理,得到实时变化的心率。实验结果表明:该方法计算出的心率与同时用脉搏血氧仪测出的心率之间的平均准确率为97.9217%,Bland-Altman一致性系数达0.962302,完全满足临床要求。

基于深度学习的头盔佩戴自动检测

为加强巡检人员安全,基于深度学习算法,设计了一种头盔佩戴自动检测方法。在SSD300模型的基础上,使用数据增强技术,通过卷积层conv4_3进行检测,以增强对较小目标的识别精度;采用{1/2,2}和{1/3,3}的边框,通过适当调节边框提高检测效果;以VGG16作为基础网络,使用atrous卷积,进一步改善识别精度。将训练模型移植到CR1030P-YT便携式安卓智能通信系统,并与在服务器GPU、CPU上的检测结果和检测速率进行对比。实验结果表明,CR1030P-YT平台上的头盔佩戴检测结果与服务器一致,检测精度高达95%以上,且检测不受环境和地点的约束;服务器GPU上的头盔佩戴检测速率高达34 fps,能够满足工业实时性需要,但CR1030P-YT平台上的检测速率还有待提升。