基于特征融合的轻量级新残差人脸识别方法

针对现有轻量级模型在嵌入式设备的人脸识别应用中存在识别精度难以提升的问题,提出一种融合人脸对齐关键特征点信息的轻量级新残差网络模型(Lightweight New Residual Network,LNRN).LNRN利用深度残差网络结构能够解决网络退化且避免干扰因素影响的优势,结合人脸对齐环节产生的关键特征点信息,对深度残差网络结构进行简化和合理设计,实现对关键特征信息和全局信息的提取.为避免特征提取过程中丢失重要特征信息,该模型在新残差网络中加入结合空间和通道的注意力机制进行辅助.在公开的四个标准人脸数据集上的仿真实验表明,该模型识别速度在接近主流轻量级人脸识别方法的同时,平均识别精度比MobiFace提高了0.6%.

人脸识别技术在医院诊疗活动中的应用

基于人脸识别概述及其研究背景探讨人脸识别技术在医院诊疗活动中的应用前景,指出人脸识别是基于人的脸部特征信息进行身份识别的一种生物特征识别技术,其中人脸识别、体温筛查、预检分诊、大数据统计、人证(电子健康卡、健康出行码)合一比对、出入口安防布控技术曾经在新型冠状病毒感染暴发期间投入使用,但与医院业务及医疗活动的结合尚在起步阶段,未来可以深入发掘医院诊疗活动相关业务领域,打造高效、便捷、人文的相关识别技术产品,以提升医疗质量、安全保障及社会整体效益。

基于多层次特征融合的Transformer人脸识别方法

卷积神经网络中的卷积操作只能捕获局部信息,而Transformer能保留更多的空间信息且能建立图像的长距离连接.在视觉领域的应用中,Transformer缺乏灵活的图像尺寸及特征尺度适应能力,通过利用层级式网络增强不同尺度建模的灵活性,且引入多尺度特征融合模块丰富特征信息.本文提出了一种基于改进的Swin Transformer人脸模型——Swin Face模型.Swin Face以Swin Transformer为骨干网络,引入多层次特征融合模块,增强了模型对人脸的特征表达能力,并使用联合损失函数优化策略设计人脸识别分类器,实现人脸识别.实验结果表明,与多种人脸识别方法相比,Swin Face模型通过使用分级特征融合网络,在LFW、CALFW、AgeDB-30、CFP数据集上均取得最优的效果,验证了此模型具有良好的泛化性和鲁棒性.

基于混合自适应损失函数的人脸识别方法

近年来样本挖掘策略被融入人脸识别的损失函数中,显著提升了人脸识别性能,但大部分工作都集中在如何在训练阶段挖掘困难样本,没有考虑到困难样本中潜在的无法识别的样本图像,从而导致模型对低质量人脸图像的识别性能较差。针对该问题,提出了一种结合样本难度自适应和图像质量自适应的混合自适应损失函数MixFace。该损失函数将基于课程式学习的损失函数CurricularFace与图像自适应损失函数AdaFace相结合,将特征范数作为图像质量指标融入损失函数中,在关注图像质量的前提下在训练前期关注简单样本,后期关注困难样本,降低网络模型对困难样本中部分低质量不可识别样本的关注。分别使用CASIA-WebFace和MS1MV2数据集训练,MixFace在高质量测试集LFW、CFP_FP、AgeDB、CALFW和CPLFW上相比Curricular-Face和AdaFace有不同程度的性能提升,同时MixFace在中等质量测试集IJB-B、IJB-C以及低质量测试集TinyFace上显示出比CurricularFace和AdaFace更好的识别性能。实验结果表明,MixFace能有效降低无法识别图像的干扰,进而提升低质量人脸识别性能,同时受益于MixFace中课程式学习的方式,对于高质量人脸识别仍然能保持较好的性能。

基于人脸识别的家校协同管理系统

为了进一步提升幼儿托管学校的家校协同管理水平和效率,更有效地保障幼儿接送环节的安全,避免漏接、误接等意外事件发生,本项目利用人脸识别技术设计了家校协同管理系统,能快速核实家长身份,降低幼儿学生被拐走的可能性,同时也能进一步促进家校联系,解决信息实时性差等问题,使教师能够全面、迅速掌握学生信息,为学生安全保驾护航。

基于红外可见光融合的复杂环境下人脸识别方法

随着深度学习方法的发展,理想环境下基于可见光的人脸识别精度和速度已经达到优秀的水平。但是在弱光等复杂环境下,由于缺少光源,可见光图像无法体现人脸细节,导致人脸识别效果下降甚至失效。为了解决这一问题,提出一种基于红外可见光融合的复杂环境下人脸识别方法。首先,针对低照度环境提出联合CNN(Convolutional Neural Network)和Transformer的红外与可见光融合识别网络,并联CNN和视觉Transformer组成单模态特征融合模块,充分利用源图像的局部细节信息和全局上下文信息。同时,提出一种基于模态平均差异度的多模态特征融合策略,强化对源图像不同区域特征的差异化表达。其次,针对实际应用中融合识别网络模型大、速度慢的问题提出轻量化人脸识别网络Mobile Face Net-Coo和基于边云协同的自适应识别策略,通过图像质量选择识别模型,有效利用硬件资源。实验结果表明,弱光条件下,融合红外光与仅使用可见光图像相比,识别率提升了13.96个百分点。同时,将本方法应用实际项目中,结果表明:本方法在复杂环境下,能提高人脸识别的实时性和准确率。

基于卷积神经网络的人脸识别

人脸识别是计算机视觉领域中的一项重要技术,具有广泛的应用场景,如安全监控、身份验证、社交网络等。本文采用深度学习技术提出了一种基于卷积神经网络(CNN)的人脸识别模型,通过训练大量的数据实现了人脸的高精度识别。本文首先详细描述了卷积神经网络模型的设计和实现过程。然后使用ReLU激活函数增加模型的非线性,通过反向传播算法进行实练,最后在公开人脸数据集上对模型进行训练和测试,达到了100%的正确率。实验结果表明,该模型在识别率、鲁棒性和泛化能力等方面都表现出了优异的性能。

基于稠密连接的通道混合式PCANet的低分辨率有遮挡人脸识别

针对低分辨率有遮挡人脸识别问题提出了基于稠密连接的通道混合式主成分分析网络(DCH-PCANet)。现有的PCANet模型的卷积层只使用了通道无关式卷积(CIC)。通道无关式卷积由于未考虑特征图在通道方向上的相关性,可以更好地凸显单个特征图的局部纹理特征,对于补偿因低分辨率、遮挡等因素导致的特征损失具有重要意义,但也会强化遮挡区域的特征,从而放大坏特征的影响范围;而通道相关式卷积(CDC)由于充分考虑了各特征图在通道方向上的相关性,可以较好地抑制坏特征的作用,形成较为稀疏的特征图。在PCANet中添加了基于通道相关式卷积的特征图提取分支,形成了通道混合式PCANet;并且引入了稠密连接,以充分利用低阶特征提升有遮挡图像识别的鲁棒性。针对如下4种数据集进行了实验:受控环境、真实遮挡和模拟低分辨率的人脸数据集(AR人脸数据集),非受控环境、真实遮挡和模拟低分辨率的人脸数据集(MFR2和PKUMasked-Face),非受控环境、真实遮挡和真实低分辨率的人脸数据集(自建数据集)。实验结果表明,与现有方法相比,所提出的基于稠密连接的通道混合式PCANet具更好的遮挡鲁棒性和低分辨率鲁棒性,可以作为前沿方法的有效补充,提升其识别性能。

人脸识别技术在考试系统中的应用研究

基于人脸识别技术的考试系统逐渐取代了传统考试系统,呈现出良好的发展趋势。现如今,为进一步展现人脸识别技术对考试系统带来的优势作用,需要围绕人脸识别技术应用于考试系统中的策略展开分析与思考。基于此,探究了人脸识别技术在考试系统中的实际应用价值,提出完善系统开发环境、做好总体设计工作、考试系统详细设计等人脸识别技术的实际应用策略。

以培养解决复杂工程问题能力为目标的人脸识别项目设计

培养学生解决复杂工程问题能力是工程教育专业认证的基本要求,围绕创新创业课程如何培养广播电视工程专业学生创新能力的问题,设计了有利于培养学生解决复杂工程问题能力的人脸识别综合实践项目。本文围绕课程目标对项目任务和项目实施等内容进行了阐述。人脸识别项目体现了复杂工程问题特征1、3和7,有助于提高学生解决复杂工程问题的能力。

应用于人脸识别的多任务卷积神经网络性能优化

对一种多任务卷积神经网络的人脸识别性能进行研究与优化。该神经网络采用3个独立的任务网络分别进行人脸检测、关键点定位和人脸识别。让3个任务网络在训练过程中共享底层卷积层的特征表示,使得模型能针对多个任务同时进行学习,进而提高其泛化能力和识别精度。为了增强模型对图像的学习能力,采用一种数据增强和迁移学习技术,使人脸识别系统的准确性、鲁棒性和可靠性均得到了显著提升。研究结果为发展人脸识别技术提供了新的思路,尤其在处理复杂场景和多样化人脸图像方面具有一定的应用前景。

基于人脸识别技术的门禁系统应用

当前,人脸识别技术被应用在门禁系统中,大大提高了门禁管理效率与质量。密集型产业员工生活配套区(配套入住小区)是基于人脸识别技术的门禁系统的一大应用方向。基于此,本文探讨了基于人脸识别技术的门禁系统在密集型产业员工生活配套区(配套入住小区)的应用,旨在更好地做好基于人脸识别技术的门禁系统构建,强化小区门禁管理效果。

项目化学习在高中信息技术教学中的实践与思考--以“人脸识别及其应用”一课为例

项目化学习具备体系化的任务系统,可以为学生提供具体的任务目标和学习方向,帮助学生在高中信息技术学习中找到学习的突破口。在高中信息技术教学中,教师不仅要培养学生分析、处理任务的能力,教会学生合理规划时间,还要强调专业的知识技能和具体的操作方法,将知识网络构建、技能培养与学生思维发展结合起来,助力学生提升个人信息技术学习水平。

基于生成对抗网络的多姿态人脸识别算法

头部姿态角转换会造成人脸成像多姿态变化,人脸离散数据的高斯分布混乱,无法准确地反映人脸多姿态的任意性和连续性,存在识别效果差的问题。引入生成对抗网络理论,设计多姿态人脸识别算法。对获取到的不同角度人脸图像,实施多姿态人脸校正与旋转残差注意力计算,解决当前头部姿态估计方法对不同人脸兴趣区域不稳健的问题。设计生成对抗网络进行双路循环优化,在生成的对抗网络中,参考CASIA-Net网络结构,使用深层次网络结构,每一层都有一个3*3的卷积核。所提出的设计可以降低网络参数,增强网络的非线性度,实现高效的面部特征提取,构建人脸多姿态识别模型,并完成人脸识别。通过实验结果表明,所提算法针对多姿态人脸识别效果好,在人脸不同姿态变化过程中,识别率始终在97%以上,更适用于多姿态人脸识别。

人脸识别技术在高职院校社会扩招生线上教学中的应用探讨

针对高职院校面向社会招生的学生,主要以线上教学为主。线上上课出勤率是教师对学生成绩进行评分的重要依据,线上考试是判断学生成绩的重要指标。然而,传统的人工考勤方式,如课前、课中、课后签到,或课上问询电话等,都不能满足在线教学的实际需求,不能实时检测迟到、早退、代课和旷课,不能查询学生出勤情况,同时无法全面监控线上考试全过程。采用最新的人脸识别技术,可以有效地改善传统的“被动”“主动”“签到”模式,让学校的在校课堂、在校外活动等更加便捷、安全、高效的考勤系统,可以有效地检测出每位学员的个人信息,并且可以对其在校期间的表现、出勤情况等做出准确的记录,以便更好地控制、调整、优化。采用先进的人脸识别技术,能够及时发现并监控学校的上下课状态,包括迟到、早退、替补上课、旷课等,并将这些信息完善地存储起来,从而有助于提高教育质量。

视觉图神经网络的人脸识别方法

目前,大部分人脸识别方法依赖CNN,通过级联融合局部特征实现特征提取,却忽视全局语义空间信息且训练代价巨大。基于Transformer的方法相较于CNN,参数更少且能有效表征全局特征信息,但对全局各特征区域相对空间依赖关系表征不足。针对以上问题,提出了一种视觉图神经网络的人脸识别方法,引入GCN作为特征提取网络,捕获邻近特征关系并建立全局特征区域的依赖性;结合ECA模块,提高模型对人脸特征感知能力。此外,基于Triplet Loss与Center Loss,构建联合损失函数作为目标函数,约束类内特征,提高模型泛化能力。本方法在LFW、CFP和AgeDB⁃30基准测试集上取得较好的效果,且模型参数量与计算复杂度更少。

人脸识别过程介绍与算法研究分析

随着大数据、人工智能和物联网等技术的不断发展,人脸识别等身份认证方式受到了越来越多的关注。在无接触的情况下,人脸识别不仅能够实现检测,还可以同时识别多个目标,其用途不容小觑。文章主要介绍了人脸识别过程、人脸识别算法流程及相关研究进展。

基于分割和多级掩膜学习的遮挡人脸识别方法

现有的人脸识别方法无法有效消除遮挡造成的损坏特征的影响,随着网络层数加深,损坏特征与用于身份分类的有效特征变得难以分离,影响识别结果。针对上述问题,设计了一种基于分割和多级掩膜学习策略的遮挡人脸识别方法,模型由遮挡检测分割、特征提取、掩膜学习单元三大模块构成,无需依赖额外的遮挡检测器,且无论训练还是测试都只需要一次端到端的过程即可同时学习特征掩膜和深度抗遮挡特征。掩膜学习单元以不同尺寸的遮挡分割表示和不同阶段的人脸特征为输入,为特征提取的不同阶段生成对应的掩膜,通过掩膜运算在特征提取的各阶段有效消除遮挡造成的损坏特征的影响,最终构建特征金字塔融合各阶段特征进行身份分类。实验结果表明该方法可有效提高遮挡人脸识别的准确率,在经过遮挡处理的LFW数据集以及真实的口罩遮挡数据集MFR2、Mask_whn上的准确率分别达到了98.77%、96.70%、81.53%,与现有的主流方法相比分别提升了2.04、0.48、4.44个百分点。

基于关键特征增强机制的3D人脸识别

3D人脸识别是计算机视觉领域的重要组成部分,Pointnet依靠深度学习解决了点云的无序性,实现了3D点云的全局特征提取,但由于点云数据缺乏细节纹理,仅靠全局特征很难实现复杂情况下的人脸识别。针对以上问题,基于Pointnet提出了一种局部特征描述子,用于描述点云局部空间的几何特征,并引入关键特征增强机制,通过特征概率分布增强人脸关键信息,该机制能减少不必要特征对任务的干扰,有效提升模型的准确率。在公共数据集CASIA-3D、Lock3DFace、Bosphorus上进行实验测试,结果表明该方法能很好地应对表情变化、部分遮挡以及头部姿态的干扰,在弱光环境下其准确率高于RP-Net 1.1%,并具有良好的实时性。

带有特征信息卷积神经网络的人脸识别算法

图像分类中,卷积神经网络在人脸识别中取得了较大的进展。在卷积提取人脸图像特征信息操作时,当卷积核数目有限的情况下,可能提取到的特征值,如头发、纹理等,并不能很好的代表该人的主要特征,从而导致识别率降低,而增加卷积核数目又会导致识别时间增加。针对这一问题,提出了一种基于特征信息卷积神经网络的人脸识别方法。该方法在图像处理过程中,使用奇异值分解,选取前4个奇异值代表人脸的主要特征,快速滤除大部分无用的特征信息,形成新的图像特征模板库。利用卷积网络在提高网络感受野的同时不丢失特征图信息的优势,融合最具有代表性的特征信息,最大程度地捕捉图像信息。采用卷积神经网络模型和基于奇异值分解的特征融合的结构模型实现人脸识别,仿真实验结果表明,这种方法减少了算法的训练时间,提高了人脸识别的准确性。