面向人脸验证的可迁移对抗样本生成方法

在人脸识别模型的人脸验证任务中,传统的对抗攻击方法无法快速生成真实自然的对抗样本,且对单模型的白盒攻击迁移到其他人脸识别模型上时攻击效果欠佳。该文提出一种基于生成对抗网络的可迁移对抗样本生成方法TAdvFace。TAdvFace采用注意力生成器提高面部特征的提取能力,利用高斯滤波操作提高对抗样本的平滑度,并用自动调整策略调节身份判别损失权重,能够根据不同的人脸图像快速地生成高质量可迁移的对抗样本。实验结果表明,TAdvFace通过单模型的白盒训练,生成的对抗样本能够在多种人脸识别模型和商业API模型上都取得较好的攻击效果,拥有较好的迁移性。

姿态干扰下的深度人脸验证

人脸验证广泛应用于生活中各种场景,而普通RGB图像的获取依赖于光照条件。为解决光照和头部姿态对任务的干扰,提出了一个基于卷积神经网络的孪生网络L2-Siamese。首先,直接将成对的深度图作为输入;然后,用两个共享权重的卷积神经网络分别提取面部特征后,引入L2范数将不同姿态的人脸特征约束在一个半径固定的超球上;最后,通过全连接层将特征之间的差异映射为(0,1)区间的概率值来判断该组图像是否属于同一对象。为了验证L2-Siamese的有效性,在公共数据集Pandora上进行了测试。实验结果显示,L2-Siamese整体性能良好。将Pandora根据头部姿态干扰大小进行分组后的测试结果表明,在头部最大姿态干扰下,与当前最好的算法全卷积孪生网络相比,该网络预测准确率提高了4个百分点,有明显提升。

基于深度学习的非对齐人脸验证方法

当前大多数方法需要对人脸进行对齐等预处理,这不仅影响验证流程的连续性,还严重影响人脸验证的效率。本文设计了两种神经网络模型及三个阶段式的训练验证构架以及基于深度特征与SIFT特征相结合的高效的非对齐人脸验证方法:方法利用卷积神经网络的池化层中间结果同步生成SIFT特征描述符从粗粒度到细粒度进行多级联的非对齐的人脸验证,这极大的提高人脸验证的速度及准确度;在训练阶段提出了使用三元组样本作为输入,Triplet loss作为损失函数有效提高不同人之间的区分度提高人脸验证的准确率;本文根据不同应用场景设计了两种深度学习架构适应小型及大型设备的需要。本方法经过在Web-face数据集训练及在LFW,YOUTUBE等数据集上验证,结果表明该方法具有良好的性能。

结合加权子空间和相似度度量学习的人脸验证方法研究

在无约束条件下,人脸表情、姿态、光照以及背景等复杂因素可能导致人脸图像的类内变化大于类间变化.针对如何降低较大的类内变化对人脸验证研究的影响,本文结合加权子空间,提出了一种带先验相似性和先验距离约束的相似度度量学习方法.首先,利用类内人脸对样本,学习带权重的类内协方差矩阵,通过加权子空间的投影,从人脸图像中获得鲁棒性的人脸特征表达;其次,利用样本对的相似性与差异性,建立了带先验相似性和先验距离约束的相似度度量学习模型,优化后的度量矩阵可以有效提高特征向量的类内鲁棒性和类间判别性;最后,利用优化的度量矩阵计算人脸对的相似度.在LFW(Labeled Faces in the Wild)数据集的实验验证了所提模型的有效性,与其它同类相似度度量学习方法相比,优化的度量矩阵更能准确地评估人脸间的相似性,并在受限训练集上取得了91.2%的识别率.

一种个体特征脸子空间与奇异值相结合的人脸验证算法

提出了一种个体特征脸子空间与奇异值特征相结合的人脸验证方法。该方法首先利用小波变换减小表情因素对人脸验证的影响,再为每个人建立单独的个体特征脸子空间。验证时,将测试人脸投影到训练样本的特征脸子空间上,然后利用样本特征脸子空间的奇异值特征矢量在欧氏距离上进行验证。本文为ORL人脸数据库制定了实验协议,并在此基础上进行了测试,取得了较好的结果。

基于FAT-AI测试的人脸验证技术分析

基于FAT-AI细粒度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验证准确率和响应时间,分析了困难样本、性别差异、拍摄人脸角度、年龄差、脸部佩戴饰物等因素对人脸验证应用的影响,并对公共安全疫情防控等应用中的系统设计、选型、建设、考核提出建议。

结合SIFT特征的人脸验证

人脸验证是人脸识别领域的一个分支,是安防领域的研究热点。根据人脸验证的特殊性,使用尺度不变特征(SIFT)算法,并利用图像分块方法,将特征点划分为数量特征以及位置特征,达到人脸验证的目的。所需验证的一对图像配准后,使用SIFT算法寻找出匹配特征点,对待匹配的2幅图像进行分块,统计各个分块中的特征点数量,获得匹配向量。判断两幅图像的特征点数量是否达到阈值,若达到则计算两幅图像的匹配向量相似度,若相似度达到标准,则认为图像对匹配,若有任何一个条件没有满足,则认为不匹配。利用CAS和FERET数据库进行测试,虚警率达到19%,漏警率达到0.3%,验证了算法的有效性以及安全性。该算法经优化后,可用于人脸验证。

基于结构的人脸验证

本文提出了一种基于结构的人脸验证方法,并以通过双眉双眼间恒定的几何结构来验证人脸为例讲解了该方法的使用,实验证明该方法增强了验证的灵活性和准确性,突破了正面人脸的限制.

基于视觉条件评估的自适应人脸验证

为了减少非限定环境下干扰对人脸验证的影响,提出一种基于视觉条件评估的自适应人脸验证算法。该算法首先把输入的一对人脸图像分割成多个人脸区域;然后采用支持向量回归机方法评估每个区域上图像对的视觉条件并选出可靠区域;最后联合多特征融合、度量学习和支持向量机等技术在所选区域上执行分类验证该对人脸。实验结果表明,根据人脸图像间的视觉条件自适应地选择人脸区域,可以有效地减少复杂干扰的影响,并能显著提高非限定环境下的人脸验证精度。

具有最佳类间可分离性的弹性图匹配人脸验证新方法

针对传统弹性图匹配中成本函数未能有效体现人脸形状差异,且无法自动确定各成本分量权值的问题,提出了利用支持向量机增强弹性图匹配的人脸验证新方法.该方法首先在成本函数中引入面部几何特征相似度成本,使其充分体现人脸形状差异,然后将成本函数各分量组成一个相似度向量,利用支持向量机进行学习,并利用所得分类器的判别式生成新成本函数.新成本函数反映了各成本分量的重要性,具有最佳类间可分离性.实验表明,本方法动态匹配误差降低了约1 5个像素,人脸验证准确率比传统方法提高了6 6%.

对抗学习在带妆人脸验证中的应用

近年来研究人员在人脸识别与验证领域取得了巨大成就,尽管现有人脸验证算法已经取得了很好的成绩,但是由于化妆会改变面部图像的局部纹理信息,依旧给人脸验证带来了极大的挑战,针对此问题,本文提出了一种新的人脸验证的框架.设置两个残差网络用于提取带妆面部图像和不带妆面部图像的特征,同时在两个残差网络[1]的特征空间中引入一个判别器,判别器可以鉴别输入的特征向量是来自于哪一个残差网络,通过协同训练两个残差网络和判别器,利用对抗学习的机制使得残差网络可以提取到与妆容无关的特征.通过在MYP数据集上的实验证明,本文的方法能够取得较好的效果,且对于妆容的鲁棒性大大增强.

塔式神经网络在人脸验证上的新应用

首先提出BP神经网络在人脸验证上的应用方法,并在Cs_PCA方法的基础之上,提出一种"Cs_PCA+塔式神经网络"的人脸验证新模型(Cs_塔式)。传统的神经网络受到输入样本维数大小的限制,必须经过各种降维处理才能加以训练,受各种降维方法的限制,在降维过程中会丢失相应的数据信息,因此验证效果受到影响。针对此种情况提出了Cs_塔式方法,利用同样的方法,普通BP网在Cs_PCA基础上,利用PCA方法降维构成Cs_BP模型,并且遵照LAUSANNE协议在ORL人脸库上与Cs_塔式模型进行了比较。结果表明,塔式网络有着更好的验证效果。

一种模块化2DPCA和CSLDA相结合的人脸验证算法

在CSLDA方法的基础上进行改进,和模块化2DPCA相结合,提出了一种模块化2DPCA+CSLDA的人脸验证方法.CSLDA将图像矩阵转化为向量进行处理,数据维数很大,计算复杂,对图像整体处理没有考虑到图像的局部特征.针对这些缺点,新方法从原始数据出发,对二维数据进行分块后采用2DPCA进行特征抽取,能有效抽取图像的局部特征,得到替代原始图像的低维的新模式.然后对新模式施行CSLDA,即基于客户相关子空间的线性判别分析方法,不仅考虑到类内、类间的差异,弥补了PCA的缺陷;而且客户相关(CS)子空间可以较好地描述不同个体人脸之间的差异性,比传统的个体特征脸具有更好的判别能力.在XM2VTS人脸库上按照Lausanne协议和ORL库上对原CSLDA和新方法进行评价和测试的结果表明,新方法在验证效果上优于CSLDA方法.

基于SVM算法的实时人脸验证的研究

论文在OpenCV的开发环境中设计了基于SVM算法的实时人脸验证系统,能够进行是否是同一人的分类,分析了SVM模型误差来源,优化了模型参数,运用Dlib工具和归一化方法,克服了姿态的变化时模型的鲁棒性较差,且在细节特征较少时识别的准确率不高的问题。最终在以自建的504组相同人脸和不同人脸为正负样本训练集上训练出的SVM分类器,在300组的相同人脸和不同人脸的测试样本样本集取得了89.7%的准确率。

融合局部贝叶斯分类器的人脸验证

针对人脸全局特征用于人脸验证存在的局限性,本文在Joint Bayesian人脸识别方法的基础上提出了基于局部贝叶斯分类器融合的人脸验证方法。该方法使用约束局部模型(CLM)在人脸上标注27个局部特征点,提取以这些特征点为中心的人脸块,并将它们进一步划分为互不重叠的若干个单元格;将这些人脸块的局部二值模式(LBP)特征通过Joint Bayesian统计训练得到多个局部分类器;最后利用逻辑回归模型将局部分类器融合为人脸验证分类器。在LFW(Labeled Face in the Wild)和WDRef(Wide and Deep Reference)数据库上进行了性能验证实验,实验结果表明该方法的性能要优于Joint Bayesian和其他现有典型分类器。

基于集成人脸对距离学习的跨年龄人脸验证

针对不同年龄跨度下人脸对差异的不同,文中提出基于集成人脸对距离学习(EFPML)的跨年龄人脸验证方法.对不同年龄跨度的人脸对分别学习距离度量,然后使用集成方法对人脸对进行重表示,使人脸对重表示更具有判别性,并且可以扩充有限的跨年龄数据集.在公开的跨年龄人脸数据库FG-NET和CACD上的实验表明,文中方法可以有效减少年龄带来的影响,提高验证性能.

一种基于深度学习的移动端人脸验证系统

作为一种新兴的身份验证技术,人脸验证广泛应用于门禁、考勤等需要身份验证的场合。本文综合考虑移动端人脸验证的需求与生产环境,以及现有人脸验证算法的效率和可移植性,设计并实现一种基于安卓系统平台的人脸验证系统。该系统能够离线部署于搭载安卓系统的移动端设备,通过摄像头获取人脸图像并在本地进行图像的数据处理完成人脸验证工作。在算法上,该系统采用深度卷积神经网络进行图像处理与人脸特征向量提取以提高人脸验证的准确率。在实现上,通过联合编译Java和C++代码提高算法运行效率以适应深度学习算法在移动端的应用。实验表明,本系统能够在确保准确率高达97.16%的前提下快速完成人脸验证流程,基本满足工业化应用需求。

基于高斯过程的快速人脸验证

为解决目前实现人脸验证算法所需训练样本多、运算量大、识别速度慢等问题,提出了一种在小样本空间中基于高斯过程的快速人脸验证方法。首先使用共轭梯度下降法从训练样本中学习人脸关键部位特征位置的梯度方向,从而可对待验证人脸进行特征定位;然后使用自适应尺度局部二值模式提取特征,以减小特征维度;最后将谱混合核函数作为高斯过程的核函数对输入的人脸特征进行分类。使用LFW、FERET和Multi-PIE人脸数据库进行训练和测试,实验结果表明使用自适应尺度局部二值模式有效地减小了特征维度,使用高斯过程模型与谱混合核相结合可大幅减少训练样本,显著提升训练速度和测试速度。

基于模块化2DPCA和CSKDA的人脸验证

针对客户相关的核判别分析(CSKDA)对图像列向量进行处理数据维数大、计算复杂,对图像整体处理没有考虑到局部特征等缺点,提出M2DPCA和CSKDA结合的方法。新方法对二维数据进行分块后采用2DPCA抽取局部特征,施行CSKDA,不仅考虑了类内、类间的差异,而且可以较好地描述不同个体人脸间的差异性。在XM2VTS和ORL人脸库上的实验结果表明,该方法在验证效果上优于CSKDA方法。

基于特征融合的二代身份证人脸验证系统

二代身份证人脸验证是指判断二代身份证图片和身份证使用者当前头像是否为同一人.由于二代身份证图片分辨率较低,与现场采集图像的清晰度、人脸内部变化、外在环境等差异较大,传统的人脸识别方法在解决二代身份人脸验证问题时识别率较低.针对上述问题,提出一种基于特征融合的二代身份证人脸验证系统.该系统包括图像采集、预处理、特征提取、特征比对及结果判断五个部分.首先采集二代身份证图片和摄像头照片并进行图像预处理,分别提取二代证照片和摄像头照片的全局特征和局部特征,全局特征采用PCA和LDA方法,局部特征采用直方图方向二进制码(HDBC)方法;然后对全局特征和局部特征在公共特征空间内计算相似性,得到全局特征和局部特征的相似性,最终根据给定的阈值判断二代身份证持有人是否为本人;最后在大量真实的二代证数据集上进行测试验证,结果表明,该方法相比于传统的单特征提取算法,识别率显著提高.