基于人脸表情特征的高校课堂教学质量在线评估模型

针对高校课堂教学质量在线评估模型识别率较低,评估过程主观性较强的问题,提出基于人脸表情特征的高校课堂教学质量在线评估模型。提取高校课堂人脸表情特征,利用图像层、S1层、C1层、S2层和C2层进行特征匹配和评选,使用贝叶斯分类模型对特征图像的平滑参数进行优化,确定使用率先验概率,判断学生的状态,评估课堂质量。实验结果表明,提出评估模型的评估率优于传统评估模型,在10~30 min内,学生的听课率最高,因此可以将重点问题和难点问题在第10~30 min内讲解,提高教学质量。

基于扩散模型的伪造人脸检测分析

深度学习图像生成技术已取得显著进展,其中扩散模型是一种高效的生成模型,它被广泛用于图像生成。然而,由扩散模型生成的图像存在潜在的隐私和数据安全风险,尤其是伪造人脸图像可能被恶意用于伪造身份和欺骗人脸识别系统。通过对主流伪造人脸图像检测器的评估,揭示了扩散模型与生成对抗网络在频域上存在差异的特征,验证了基于频域分析的有效检测方法,为保护隐私和数据安全提供了强有力的支持。

基于Candide模型的人脸深度信息生成技术研究

目前通过2D转3D技术转换的3D电影场景中,绝大部分关于人脸的深度信息生成都不令人满意:深度值不准确、立体效果差。文中为解决特定二维人脸图像转换为三维人脸图像提供了一个比较简单有效的方法。首先,应用Candide模型作为通用的3D人脸模型,然后对通用模型调整控制点进行全局变换和局部变换,通过三维模型与人脸最大限度的匹配得到特定人脸三维网格模型。对网格模型采用顶点规则化和NURBS曲面拟合方法获得光滑的模型表面使其逼近人脸,最后生成准确的人脸深度信息。

融合卷积神经网络和Transformer的人脸欺骗检测模型

在人脸反欺骗领域,大多数现有检测模型都是基于卷积神经网络(convolutional neural network,CNN),该类方法虽能以较少的参数学习人脸识别,但其感受野是局部的;而基于Transformer的方法虽然能够全局感知,但参数量和计算量极大,无法在移动或边缘设备广泛部署.针对以上问题,提出一种融合CNN和Transformer的人脸欺骗检测模型,旨在保持人脸全局和局部特征提取能力的前提下,实现参数量和准确度的平衡.首先,裁剪选取局部人脸图像作为输入,有效避免过拟合现象;其次,设计基于坐标注意力的特征提取模块;最后,设计融合CNN和Transformer模块,通过局部全局局部的信息交换实现图像局部特征和全局特征的提取.实验结果表明,该模型在CASIA-SURF(Depth模态)数据集上获得了99.31%的准确率以及0.54%的平均错误率;甚至在CASIA-FASD和Replay-Attack这2个数据集上实现了零错误率,且模型参数量仅0.59MB,远小于Transformer系列模型.

基于Candide-3模型的姿态表情人脸识别研究

针对姿态表情严重影响人脸识别准确率的问题,基于Candide-3模型的简化,提出了形状表情关键点拟合的人脸几何结构重建和基于三角网格模型的纹理映射的方法,该方法确定关键特征点,根据人脸的几何结构信息确定姿态角,提取Candide-3模型形状表情对应点,调整模型参数,进行几何结构重建;对几何结构中每个三角网格模型进行纹理影射,得到逼真的特定人脸模型。实验结果表明,该方法提高了人脸重建速度,达到减弱姿态表情对人脸识别影响的目的。

基于扩散模型的人脸图像修复技术

人脸作为人体信息最为密集的部位,人脸图像在各个研究领域都有不可替代的作用。因此,研究如何将遮挡或模糊的人脸图像恢复成真实图像是非常有意义的。针对人脸图像修复技术的研究,提出基于扩散模型的人脸图像修复技术。在现有的人脸图像修复技术基础上,解决在修复大区域破损或遮挡的情况下,修复图像出现纹理模糊及结构扭曲等问题。所提出的方法基于边缘引导的扩散模型图像修复网络,主要包括两个阶段:首先训练基于U-Net结构的边缘修复模型生成较为真实的缺失区域的边缘信息,然后根据已修复好的边缘信息,训练内容生成模型填充缺失部分的内容信息。实验证明对于人脸图像修复具有较好的效果。

基于肤色模型的人脸检测

人脸检测过程中易受到面部细节、形状、表情、姿态等影响,肤色特征作为人脸中最具有识别性的信息之一,具有相对稳定性。文中基于肤色模型实现人脸检测与标记,在YCbCr色彩空间构建肤色模型,通过光线补偿消除肤色提取过程中光照不均匀、亮度变化等环境因素的影响,基于形态学滤波滤除非脸部区域的噪声,结合人脸区域的几何特征最终实现人脸定位并框选标记。在光照不均、有遮挡、大角度等多种情况下,人脸图像测试结果表明,所实现的算法能够较好地实现人脸检测与定位。

基于特征点动态选择的三维人脸点云模型重建

针对典型的点云配准方法中伪特征点过多导致配准效率低和配准结果不精确的问题,提出一种基于特征点动态选择的三维人脸点云模型重建方法。该方法在粗配准阶段,采用动态特征矩阵求解法获取粗匹配特征变换矩阵以避免伪特征点的干扰。在精配准过程中,采用二次加权法向量垂直距离法在人脸流形表面选择更有效的特征点以减少伪特征点的数量,并采用基于特征融合与局部特征一致性的迭代最近点方法进行精配准。经过对比实验验证了算法的可行性,实验结果表明,该算法能够实现高精度且快速的三维人脸点云模型重建,且均方根误差达到1.8165 mm,相较其他算法,其在模型重建精度和效率方面都有所提升,具有良好的应用前景。

改进肤色模型和光流算法的人脸检测方法

人脸检测具有很高的实际应用价值,例如在身份识别、视频监控等领域的应用也越来越广泛,其检测的方法多种多样。为解决视频序列中的人脸检测问题,总结了肤色模型和光流算法的优缺点,融合二者优势,提出了改进的基于肤色模型和光流算法的人脸检测算法。该方法在一定程度上解决了人脸旋转、部分遮挡、表情变化和光照对人脸检测和跟踪的影响,具有较强的鲁棒性。

基于优化CANDIDE模型的人脸动画

使用CANDIDE模型,实现模型与照片人脸的快速自动匹配.在模型与人脸初步匹配后,对模型局部进行网格优化,提高了模型的表征力同时并不影响匹配速度.用基于薄板样条插值方法(TPS)的网格形变取代传统的移动网格结点的动画方法,有效提高了动画的真实感.实验结果显示,自动模型匹配让动画角色的更换工作变得快速易行,优化的网格形变产生的动画更加生动、自然.

从2D帧到3D人脸建模的基于Candide模型的合成方法

本文应用Candide模型作为通用的3D人脸模型,介绍了一种结合自动和交互方式的合成方法,从2D视频帧合成3D人脸模型。首先利用可变形模板自动提取脸部的特征点,在图像质量不好时,可以进行交互式操作。然后对通用模型进行全局变换和局部变换,对于非特征点的调整,采用径向基函数进行插值。最后通过对图像划分区域,分段完成纹理贴图,合成3D人脸模型。

基于Candide-3模型的人脸表情动画系统设计与实现

本文以Candide-3模型为基础设计了一个人脸表情动画系统,系统在人脸特征点定位的基础上,根据人脸表情动画库中特征点的移动轨迹确定动画关键帧,应用关键帧插值法实现了人脸表情动画的设计,在设计过程中应用贴图方法解决了动画过程中人脸隐藏器官的显示问题。整个系统运行流畅,占用资源少,计算效率高,具有较高真实感。

应用于人脸识别的基于Candide-3特定人脸三维重建

针对不同的姿态对人脸识别的影响,提出了一个基于Candide-3参数模型的特定人脸三维重建方法.该方法同时利用了主动形状模型和主动表观模型的优点,较好地提高了特定人脸三维重建的时间效率和准确程度.将该方法对输入的图像进行姿态校正之后再进行识别,极大提高了识别正确率.对CMU-PIE数据库中4种不同姿态集的识别结果表明了方法的有效性.

AAM-Candide结合的快速表情动画合成模型

针对现有的算法在表情动画合成中自动化程度不高、生成效果不理想的问题,本文提出了一种基于AAM-Candide结合的快速表情动画合成模型。首先利用Candide-3算法获取面部表情参数-AU,并通过确定人脸的Candide-3模型来计算AU,将参数提取问题转化为一个非刚体的人脸跟踪问题,然后利用彩色图对人脸关键点进行2D定位,通过上下限规范实现Candide-3和三维数据点云之间的对应点集。实例仿真结果表明,本文提出的改进算法,对惊讶、悲伤、嘟嘴、开心等4种表情得到了较好的动画合成效果。

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%.

基于数据融合的人脸识别模型研究

人脸识别在模式识别、人工智能、计算机视觉等多个领域得到了广泛应用。单一的识别算法在性能上存在局限性,文章基于数据融合的思想,提出一种融合多种识别算法的三层人脸识别模型。为充分发挥数据特点,在融合前先进行预处理,分离出有效特征值,组建特征矩阵。数据层和特征层分别选用加权平均算法和人工神经网络算法,决策级使用改进的模糊推理算法。基于MIT和ORL的仿真实验表明,本模型相比单一算法在识别率上有了明显改善,且具有一定的自适应能力。

VR/AR-AdaptFace:面向虚拟现实与增强现实的自适应多模态面部替换模型

随着VR/AR技术的迅猛发展,用户对于沉浸式体验的需求日益增长。同时,虚拟人脸技术亦趋成熟。基于此,本文探索将高度拟真的虚拟人脸融入VR/AR,以增强用户体验的自然度与沉浸感。然而,在虚拟数字人领域,图像生成及换脸技术在VR/AR环境下仍遇诸多挑战,尤其是唇形合成模型在动态场景及多语言环境下的性能需进一步优化。为解决上述问题,本文提出VR/AR-AdaptFace模型,一个面向虚拟现实与增强现实的自适应多模态面部替换方案。该模型由两大模块构成:“文颜绘真”模块,采用先进的文本至图像转换技术和特定类别先验保存策略,优化虚拟人脸生成,并通过注意力机制大幅提升图像质量;“语唇映生”模块,依托强大的生成器、唇形同步判别器及视觉质量判别器,实现语音与唇形的精准同步,为VR/AR场景中的动态交互带来更加逼真的体验。

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。

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。

无人驾驶中基于ResNet深度模型的人脸微表情识别算法

为解决由于人脸微表情存在局部特征少、不同情绪差异性小等特点而带来的特征提取难度大、表情识别率低等问题,以进一步提高人脸微表情识别精度,提出一种基于ResNet深度模型的人脸微表情识别算法。算法针对无人驾驶中的行人人脸表情识别场合,主要包括数据预处理及模型构建,在保证数据集统一性的同时,能够有效提高微表情的识别率。使用FER2013数据集对ResNet-50模型进行实际验证,并与ResNet-18的表现加以对比。本算法在实验中获得98.7%的准确率,优于ResNet-18,充分验证算法模型的有效性。