基于对比学习的多特征融合戴口罩人脸识别

随着计算机视觉技术应用的发展和智能终端的普及,口罩遮挡人脸识别已成为人物身份信息识别的重要部分。口罩的大面积遮挡对人脸特征的学习带来极大挑战。针对戴口罩人脸特征学习困难这一问题,提出了一种基于对比学习的多特征融合口罩遮挡人脸识别算法,该算法改进了传统的基于三元组关系的人脸特征向量学习损失函数,提出了基于多实例关系的损失函数,充分挖掘戴口罩人脸和完整人脸多个正负样本之间的同模态内和跨模态间的关联关系,学习人脸中具有高区分度的能力的特征,同时结合人脸眉眼等局部特征和轮廓等全局特征,学习口罩遮挡人脸的有效特征向量表示。在真实的戴口罩人脸数据集和生成的戴口罩人脸数据上与基准算法进行了比较,实验结果表明所提算法相比传统的基于三元组损失函数和特征融合算法具有更高的识别准确率。

融合PVT多级特征的口罩人脸识别研究

呼吸系统疾病的流行使口罩扮演着重要角色,这给人脸识别算法带来了新的挑战。受到多尺度特征融合模型的启发,提出一种基于金字塔视觉Transformer(Pyramid Vision Transformer,PVT)的提取口罩人脸特征的模型。该模型引入自注意力机制来提取丰富的人脸信息,通过融合PVT多个层级的特征向量,来实现对口罩人脸的多尺度关注,相较于传统特征融合模型,具有更高的识别精度和更少的参数量。此外,模型采用Sub-center ArcFace损失函数来提升鲁棒性。模型在大规模模拟口罩人脸数据集上进行训练,并分别在普通人脸、模拟口罩人脸和真实口罩人脸数据集上进行了测试和评估。实验结果表明,所提出的方法与其他主流方法相比,具有较高的识别精度,是一种有效的口罩人脸识别方法。

基于CNN与Transformer混合模型的口罩人脸识别方法

针对疫情背景下,因佩戴口罩导致普通人脸识别算法失效的问题,提出一种基于卷积神经网络(CNN)与Transformer混合模型的口罩人脸识别方法。结合了CNN与Transformer的优点,能够很好地处理局部和全局信息,使模型拥有更好的性能及泛化能力。在卷积模块引入空间注意力模块,加强模型对于鲁棒人脸特征信息的提取,使用Sub-center Arcface损失函数,进一步提高模型的分类精度。在人工合成的口罩人脸数据集和真实的戴口罩人脸数据集上的实验表明,本文模型能够同时有效处理戴口罩和不戴口罩人脸识别任务,拥有较小的参数量的同时,具备较高的识别精度。

融合注意力机制的轻量级戴口罩人脸识别算法

COVID-19的全球化大流行使得佩戴口罩出行成为人们生活中的常态,这种防疫措施给人脸识别算法带来了新的挑战。针对这一问题,提出了一种口罩遮挡下的轻量级人脸识别算法,该算法改进GhostNet为主干特征提取网络;提出了融合空间注意力机制的FocusNet特征加强提取网络,使模型聚焦于未被口罩遮挡的上半脸区域;针对当前口罩遮挡人脸数据集不充分的问题,提出了一种采用三维人脸网络生成添加口罩遮挡的数据增强方法。实验表明,所提出的改进模型与基准模型相比,模型参数量降低84%的同时,戴口罩人脸的识别率提升4.29个百分点,较好地平衡了速度与精度。

融合双重注意力机制的戴口罩人脸识别方法

针对现有人脸识别模型无法从戴口罩人脸中有效提取区域特征问题,提出融合双重注意力机制的戴口罩人脸识别模型。首先将自建的戴口罩人脸图像作为输入数据,以ResNet50为基准网络,向残差块中引入协调注意力与分割注意力机制。其中协调注意力用于减少口罩区域特征提取,降低口罩区域特征干扰;分割注意力用于细粒度提取非口罩区域特征,从关键部位提取更多特征。然后使用ArcFace分类函数优化分类边界,再结合交叉熵损失函数作为约束,实现戴口罩人脸精细识别。实验结果表明,本文模型在测试集取得95.2%的识别准确率,与ResNet50、AttentionNet模型相比,识别准确率分别提高1个百分点、1.5个百分点。

基于YOLOv5与目标追踪算法的戴口罩人脸识别系统

针对后疫情时代人脸识别系统无法在佩戴口罩的情况下准确识别人脸的问题,基于OpenCV库和Dilb库架构系统,引入YOLOv5目标检测算法替代Dlib原有的人脸目标区域检测算法。通过检测算法获取一系列目标特征值的坐标位置后,采用Centriod Tracking目标追踪算法来处理这些特征,从而实现对佩戴口罩人脸图像的快速识别,系统同时实现了用户注册、数据录入、信息管理和日志等功能。

基于FaceNet网络的口罩人脸识别人流监测系统

随着新冠疫情面向全球的放开,为排查新型冠状病毒肺炎感染者的时空交集人员,对各大高校场景中人员感染、二次感染等情况进行预防,以及对人员流动做有效监测,提出基于FaceNet网络改进的口罩人脸识别技术。采用MobilenetV2替换FaceNet原有的主干网络,实现戴口罩下人脸身份识别,并将社交距离算法、非接触群体测温技术进行整合,将算法技术融入树莓派4B中。通过对网络模型进行实验以及训练,相比于现有的FaceNet网络极大程度优化了识别精度、推理速度,准确率显著提升,在识别群体人脸时的召回率显著提高。使用较高配置的物联网系统,对开放后的各大高校可精确检测个体人员流动、人员体温、违反社交距离人员、个体时空交集、楼栋中各通道的人流密集度等情况,能够很好预防感染或二次感染。

基于PaddlePaddle和CNN的戴口罩人脸识别系统设计

针对疫情期间在公共场合都需要佩戴口罩并进行人脸识别的情况,该课题设计了一款基于百度飞桨(PaddlePaddle)和卷积神经网络(CNN)的戴口罩人脸识别系统。选择支持Python的PaddlePaddle深度学习平台,搭建了一个CNN模型进行人脸识别。通过读取网络爬取的图片和自拍整合的自制数据集检测出要识别的人脸,在提取人脸中的几何特征之后进行20轮训练,显示出训练的模型,然后进行人脸识别。经测试,最后系统的精准度基本稳定在0.95以上,能实现较高精度的戴口罩人脸识别。

开放场景口罩人脸识别挑战赛冠军技术方案分析

为推动疫情防控等应用场景下戴口罩人脸识别的技术创新和应用水平提升,中国图象图形学学会与视频图像信息智能分析与共享应用技术国家工程实验室组织了开放场景口罩人脸识别挑战赛。介绍了挑战赛的技术测评方案,并分析了冠军团队的技术方案,为开放场景口罩人脸识别的技术研究提供参考。

基于Vit的口罩遮挡人脸识别方法

常态化疫情防控形势下,公共场所下的普通人脸识别需要摘下口罩会带来暴露风险,本文提出一种基于Vision Transformer框架和卷积神经网络结合的口罩遮蔽人脸识别算法。为提高口罩遮蔽人脸识别的准确度和识别速度,对vit算法部分进行改进,实现特征提取。实验表明,改进的模型识别速度更快,准确更度高,在公开数据集RMFD最高达到95.35%的准确率,可以用于实际的口罩遮蔽人脸识别。

基于深度学习的佩戴口罩下的人脸识别

深度学习卷积神经网络在图像处理中的应用引起了国内外许多学者的广泛关注。识别和验证有遮挡物下的人脸将是深度学习领域里持续受到关注的课题,我们需要更有效的方法来实现实时佩戴口罩检测和面部识别。从传统的机器学习算法到现在的深度学习卷积神经网络,图像识别效率、图像识别精度和网络训练速度的优化始终都是第一要义。为解决传统神经网络的梯度消失和网络退化问题,本文提到了一种基于改进型激活函数LeakyReLU的ResNet18残差神经网络的口罩遮挡下的人脸识别方法。利用Python语言构建PyTorch框架下的ResNet18残差神经网络模型,训练结果显示,改进型激活函数LeakyReLU在两轮训练后产生的结果比同等训练条件下ReLU函数的识别精确度高,因此,ResNet18卷积神经网络模型较其他人脸遮挡识别方法在识别准确度上有所提升。

口罩遮挡情况下的非接触式多维生物识别算法研究及其应用

非接触式多维生物识别应用服务,旨在通过统一、便捷、自适应的多维度生物识别服务,解决单一维度生物识别因识别精度低而存在的安全问题,提高多维度生物识别的易用性。结合戴口罩的人脸识别和声纹识别能力能够更有效地满足社会应用的需求。相较于一般的人脸识别问题,识别戴口罩的人脸(Masked Face Recognition,MFR)是一项更加具有挑战性的课题。大多数针对戴口罩场景定制的人脸识别优化算法,会牺牲部分正常人脸的识别精度,降低了算法的通用性。梯度绕支特征学习(Gradient Bypassed Feature Learning,GBFL)是针对戴口罩人脸识别提出的一种优化算法。结合3D算法生成的戴口罩人脸图像,GBFL通过阻断戴口罩图像对人脸分类器的优化,迫使特征提取器提取的戴口罩人脸特征向普通人脸特征靠近。实验表明,GBFL在普通人脸识别测试集LFW上提升了1.14%,在真实收集的戴口罩人脸识别测试集MFD-R上提升了7.56%。