集成学习和蚁群算法优化XGBoost的人脸检索及应用

无约束人脸检索场景中,为了进一步提高识别精度,实践中往往会引入多个主流的深度学习人脸识别模型。针对每次从多个模型检索结果中确认人脸身份的工作量较大问题,以及考虑支持异质模型的插件式更换,使用基于Blending集成学习的人脸检索,将多个人脸识别模型作为基模型,并提出了一种基于蚁群算法优化的XGBoost作为元学习器对基模型的人脸相似度预测结果进行融合。实验结果表明:集成模型相对个体模型的检索性能均有不同程度提升,其中蚁群优化的XGBoost作为元模型的集成模型检索性能优于多项式回归、随机森林和GBDT作为元模型的性能,验证了集成模型和优化后的XGBoost的有效性。

基于异构哈希网络的跨模态人脸检索方法

该文提出一种基于异构哈希网络的跨模态人脸检索方法.异构哈希网络能够将位于不同空间的人脸图像和人脸视频映射到一个公共且有判别力的二值空间上,以获得有效的二值哈希表示.该网络包含图像分支、视频分支和哈希函数三个部分,首先图像和视频分支分别将人脸图像和人脸视频映射到一个公共空间,然后在公共空间中学习非线性哈希函数.网络的训练使用了三种损失函数:Fisher损失、softmax损失和三元排序损失(triplet ranking loss),其中的Fisher损失关注于公共空间的判别力,softmax损失强调公共空间上表达的可分性,三元排序损失旨在提升最终的检索性能.在多个人脸视频数据集上的跨模态人检索实验结果表明了所提出方法的有效性.

基于仿射包和伪Zernike矩的视频人脸检索

近年来基于视频的人脸检索已成为人脸识别和检索领域最为活跃的研究方向之一。提出了一种基于仿射包结合伪Zernike矩特征的视频人脸检索算法(FRIVAP)。在视频中检测跟踪到人脸生成图像集,接着提取图像集中人脸的伪Zernike矩特征,建立特征的仿射包,通过相似度计算得到结果。经对Honda/UCSD视频数据库和自行构建的视频数据库的大量实验表明,该算法可以充分利用视频中人脸的时间和空间信息,并且对噪声、人脸姿势变化等条件下的人脸检索有较强的鲁棒性。

基于FAT-AI测试的人脸检索技术分析

基于FAT-AI视频分析应用测试结果,阐述了当前主流商业算法在大规模开放场景数据下的人脸检索的性能水平,分析了候选集容量、案例样本等因素对人脸检索应用的影响,并对人脸检索系统设计、产品选型、改造升级及应用效果评价等工作给出建议。

稀疏样本人脸检索方法研究

提出一种将Gabor,LGBP,LPQ三种特征融合的人脸特征描述方法.将人脸按五官进行分块,分别提取Gabor,LGBP和LPQ特征,再通过融合得到最终的融合特征来表征每一个人脸.实验表明,在FERET,AT&T数据集以及在网吧采集的实际人脸数据集上,该融合特征检索性能与当前常用的特征相比有了一定程度的提高.

新闻视频显著人脸检索系统

该文针对新闻视频设计并实现了一个显著人脸检索系统。首先将新闻视频分割成镜头序列,利用训练好的CascadeAdaboost人脸检测器对每个镜头检测出一定数目的候选人脸,按照一些规则选取可信度高的作为样本,用于提取该镜头内的肤色模型。接着对肤色分割后的区域进行位置、大小分析和模板匹配,以淘汰非人脸区域,确定待跟踪的对象列表。为了做精确的跟踪和识别,系统对每个跟踪对象建立更细致的肤色模型。跟踪过程中每间隔一定帧数重新进行人脸检测,以减少误差积累和探测是否有新人脸出现。最后从每个人脸序列挑选最适合进行人脸识别的图像建立其特征脸空间,结合肤色信息和PCA算法判断其是否为要检索的目标人脸。

带相关反馈的基于深度神经网络模型的人脸检索方法

针对大规模人脸检索问题,提出了一种带相关反馈的基于深度神经网络模型的人脸检索方法.首先利用卷积神经网络对人脸进行特征提取,再利用传统的检索方法进行人脸检索,在检索环节之后加入相关反馈环节.根据用户反馈的结果,将样本分成正例和负例,作为反馈环节的训练样本,完成反馈环节的训练.实验表明,该方法能够显著提高人脸检索的准确率.

一种基于语义特征的快速人脸检索方法

运用数字图像处理技术、人脸模式识别技术与传统的数据库检索技术,融合基于文本的图像检索和基于内容的图像检索两者技术优势为一体,避开了在图像之间进行的繁琐匹配处理过程;以200人为待测样本进行检索实验,正确检索出来的为155人,完全匹配的为125人,系统的识别率为75.55%,平均检索时间小于0.1 s;实验证明,这种方法具有很强的鲁棒性,使用此方法所建立的语义人脸图像检索系统,具有快速、高效、实用的特点。

一种重要区域重采样的人脸检索方法

针对人脸中不同部位对检索和识别的区分力度的影响问题,提出了一种基于重要区域重采样的人脸检索方法.该方法不仅继承了图像分块后的特征提取保留局部信息的优点,而且只需对人脸中最重要的部位进行重采样,即以一定采样步长移动采样小块,密集采集重要区域,并以指定距离交叠其他小块,从而避免了均匀分块对重要区域划分不当而丧失判别力的问题,进而降低了识别复杂度,提高了识别的抗干扰能力.在人脸检索中,所提方法实现了重要区域的加权处理,与现有均匀分块方法相比,在计算复杂度增加不大的情况下大大提高了人脸的识别能力.大量的对比实验验证了所提方法的优越性.

奇异值分解和改进PCA的视频人脸检索方法

针对视频中人脸检索问题,提出一种基于奇异值分解和改进PCA相结合的视频中单样本人脸检索方法,其中通过融合局部均值和标准差的图像增强处理来实现PCA算法的改进,从而克服光照对目标的影响。通过AdaBoost人脸检测算法对人脸图像和视频进行人脸检测;通过奇异值分解增加训练样本,在原样本和新样本的基础上采用改进的PCA人脸识别算法提取待检测人脸和视频中的人脸代数特征;采用最近邻分类器进行特征匹配,判断视频中检测出的人脸是否为要检索的目标人脸。实验结果表明,该方法在简单背景的视频环境下可以较准确地检索出目标人脸。

大规模人脸检索系统设计与实现

基于深度学习的大规模人脸检索系统通常面临两个主要困难:海量高维人脸特征导致查询速度慢;深度特征维数高,导致传统的树状索引算法失效。针对这些困难,设计并实现一种大规模人脸检索系统。使用ArcFace作为人脸特征提取器,通过构建正轴体LSH(Locality-Sensitive Hashin)和VLH(Variable Length Hashing)索引,加速大规模K近邻特征查询。通过有针对性地设计存储结构与访问机制,降低系统部署成本,提升系统可扩展性。

基于Storm的大容量实时人脸检索系统

针对公共安全领域能够获取的人脸图像数据急速增长,传统的人工方式辨别人物身份工作量大、实时性差、准确度低,本文设计了一种大容量实时人脸检索系统.该系统通过Storm分布式平台实现人脸抓拍图像的实时存储与检索,通过HBase分布式存储系统实现大容量非结构化人脸数据的存储与维护.多组实验结果表明,该系统具有良好的加速比,在大容量人脸图像数据检索场景下具有良好的可扩展性和实时性.

一种基于P稳定局部敏感哈希算法的相似人脸检索系统设计

针对智能移动终端、移动机器人安防巡检等应用需求,本文提出了一种基于P稳定局部哈希算法的相似人脸检索系统设计。首先,采用基于局部组合二值特征检测图像中的人脸。进而,通过深度自编码神经网络提取人脸特征。最后,基于所提取的图像的人脸区域特征使用稳定分布的局部敏感哈希算法对每幅图像构建高效索引。实验表明,本文所设计的相似人脸检索系统处理一幅图像的时间约400 ms,能满足实际应用需求,且返回检测结果的误检率低于经典AdaBoost算法。

基于深度学习技术 首个颅面重建人脸检索系统问世

四川大学计算机学院(软件学院)同华西基础医学与法医学院合作,提出了一种基于深度学习的颅面重建方法,成功实现从二维计算机断层扫描的颅骨数据中自动复原出颅面图像,开发出国际首个颅面重建人脸检索系统。颅面重建技术一般被应用于在没有指纹、牙科记录、放射性材料或DNA等确定性信息的情况下,根据头骨和面貌的内部关系复原出颅骨的真实面貌,进而识别身份。

国际首个颅面重建人脸检索系统问世

近日,四川大学计算机学院(软件学院)同华西基础医学与法医学院合作,提出了一种基于深度学习的颅面重建方法,成功实现从二维计算机断层扫描的颅骨数据中自动复原出颅面图像,开发出国际首个颅面重建人脸检索系统。相关成果已发表在国际学术期刊《模式识别》上。颅面重建技术一般被应用于在没有指纹、牙科记录、放射性材料或DNA等确定性信息的情况下,根据头骨和面貌的内部关系复原出颅骨的真实面貌,进而识别身份。

人脸检测与检索

研究了将人脸作为一种特殊的图像内容进行检索的问题 ;采用基于Adaboost统计学习方法的层叠分类器检测人脸 ,再用非线性SVM分类器验证人脸 ;实现了在大规模的复杂背景图片集合中高速准确的人脸定位 ;为了将找到的人脸规范化 ,借鉴直接表观模型 (directappearancemodel) ,提出了一种新的特征检测和人脸校正方法 .该方法基于对大量数据的统计学习过程 ,具有良好的扩展性和稳定性 ;在此基础上 ,采用SVM分类器实现了人脸检索 ;最后 。

基于聚类的人脸图像检索及相关反馈

提出了一种基于聚类的人脸图像检索算法。首先利用归一化分割(Normalized cuts,N Cuts)在每个时间段内分别对人脸聚类,使同一个人在不同情况下的人脸图像聚为一类.其次采用连续AdaBoost算法学习得到的人脸识别分类器度量人脸之间的相似度,并进一步提出查询人脸与人脸聚类之间的相似度用于检索.为了进一步提高性能,用户可以在线标定错检和漏检的结果,相关反馈环节把用户的交互标定结果作为约束条件重新对人脸聚类.本文把人脸图像检索算法应用于自动的检索系统中,在包含超过一千张人脸图像的家庭数码相册上,通过与其他方法的对比实验证明了基于聚类的人脸图像检索算法是有效的。

大容量非相干光光电混合快速人脸检索识别系统

本文基于非相干光的光电混合图像识别技术 ,通过 K- L 变换、循环编码和特征向量的最小方差距离判别等特定的算法 ,在库容达 10 0 0幅人脸的检索识别系统中 。

基于深度学习的大规模人脸图像检索

针对传统人工设计特征鲁棒性差、检索计算复杂等缺点,提出以深度特征表示人脸图像并采取由粗到细的人脸图像检索方法。首先,使用拥有近四百万张人脸图片的数据库训练卷积神经网络得到人脸特征提取模型;然后进行人脸特征提取、存储和聚类分析;最后,采用由粗到细地检索方式进行人脸检索。在LFW数据库上进行验证,基于深度学习的人脸特征的人脸检索准确率为99.1%,人脸检索时间约0.5s.实验结果表明,基于深度学习的人脸特征鲁棒性强、检索计算复杂度低。由粗到细的检索方法效率高,结果准确率高。

一种用于多源人脸图像检索的损失函数改进策略

目前,公安机关刑侦部门大量的离线视频存储在监控网络的服务器中,为了在这些海量视频帧中提取嫌疑人目标人脸,设计了人脸检索系统。通过改变CNN网络的RELU结构,训练新的四分支孪生网络来获取深度特征,构造了一个新的四分支孪生网络。结合网上发布的逃犯人脸图片发起通缉,借助深度特征对比展开基于内容的图像检索(CBIR)。新的四分支孪生网络比熟悉的网络,如Alexnet、Googlenet、VGGNet和ResNet等收敛得更快,系统鲁棒性好。网络的共享权重设计使得检索具有较高的模型训练精度和检索精度。图像深度特征可以在摄像机之间快速在线共享。实验结果表明,该方法的平均检索精度(ARP)为98.74%,模型训练精度为99.51%,帧率为28 FPS。