基于嵌入式平台的深度学习人脸识别关键技术研究

为了进一步加大人脸识别技术的普及与扩宽应用,人脸识别算法部署到计算资源有限的嵌入式设备成为热门的问题。因此,通过优化深度学习模型、压缩网络结构和提升嵌入式设备的计算效率,可以实现快速、准确的人脸识别,为信息安全和智能化应用提供有力支持。

基于联邦学习与改进IS-ResNet18的人脸识别

在人脸识别场景中,边缘端的人脸数据采集与云端的数据处理之间存在着隐私泄漏风险,同时为了保证人脸识别准确高效,提出了一种基于联邦学习与改进IS-ResNet18的人脸识别方法.该方法通过联邦学习框架在不需要获取边缘端人脸数据的情况下进行模型训练,优化ResNet18模型,采用Leaky-ReLU激活函数代替ReLU激活函数以减轻神经元死亡,添加了Inception模块,优化注意力机制SE模块,增强模型对重要特征的关注程度,提高模型的表达能力和性能,缓解梯度消失和梯度爆炸的问题,增强模型的稳定性.经实验验证,该方法不仅保护了用户隐私,还保持了较高的识别准确率,具备良好的可行性和实用性.

采用特征增强和深度关系感知策略的3D人脸识别方法

针对2D人脸识别方法易受到外部环境干扰的问题,提出了一种基于深度学习的3D人脸识别方法。该方法从人脸几何信息中获取特征,对光照等环境因素具有较强的鲁棒性。根据对现有研究内容的分析,设计了一个双域特征增强模块。该模块分别从通道域和空间域提取出人脸的局部特征,并将其作为全局特征的增强部分,从而获得更加完备的人脸特征。针对3D人脸数据特性,提出了一种新的适合于3D人脸识别的特征学习策略。该策略旨在使人脸识别模型学习从3D人脸的深度关系中提取身份特征,能够极大缓解三维人脸中噪声对特征计算的负面影响。通过实验,在公开数据集Bosphorus和Texas上分别获得了96.32%与98.93%的验证准确率,表明该方法能够获得更高的识别精度,并且在复杂情况下的人脸识别也具有一定优势。

细粒度深度特征掩码估计的遮挡人脸识别算法

针对人脸遮挡产生面部结构信息丢失,从而导致人脸识别准确率降低的问题,提出了一种细粒度深度特征掩码估计的遮挡人脸识别算法。首先,将人脸图像输入特征金字塔网络中,从而得到多尺度深度语义特征;其次,将从特征金字塔网络提取的特征经过空洞卷积处理后,与MobileNetV3网络提取的精细浅层特征进行融合,并以像素级二值掩码为标签训练网络以获得细粒度特征掩码;进而,利用该深度特征掩码与深层特征相乘,以抑制由遮挡产生的干扰特征,获得更准确的人脸表征;最后,采用余弦损失和掩码估计损失联合训练网络,提高遮挡人脸识别算法的性能。在LFW数据集基础上创建了口罩、围巾和中心遮挡3种类型的人脸遮挡数据集,实验结果表明:在不同的数据集上,所提算法与现有算法相比均具有更高的识别准确率,并在不同类型遮挡情况下均能获得十分稳定的人脸识别结果;所提算法在数据集LFW和LFW口罩遮挡上的识别准确率分别达到了99.38%和98.42%,在数据集LFW围巾遮挡和LFW中心遮挡上的识别准确率分别达到了98.72%和98.65%,均优于对比算法。

融合Transformer和CNN的轻量级人脸识别算法

随着深度学习的发展,卷积神经网络通过堆叠卷积层逐步扩大感受野以融合局部特征的方式已经成为人脸识别(FR)的主流方法,但这种方法存在因忽略人脸全局语义信息和缺乏对人脸重点特征信息的关注造成识别准确率不高,以及大参数量层数的堆叠导致网络难以部署于资源受限设备的问题。因此提出一种融合Transformer和CNN的极其轻量级FR算法gcsamTfaceNet。使用深度可分离卷积构建主干网络以降低算法的参数量;引入通道-空间注意力机制,从通道和空间两个域最优化选择特征以提高对人脸重点区域的关注度;在此基础上,融合Transformer模块以捕获特征图的全局语义信息,克服卷积神经网络在长距离语义依赖性建模方面的局限性,提高算法的全局特征感知能力。参数量仅为6.5×10^(5)的gcsamTfaceNet在9个验证集(LFW、CA-LFW、CP-LFW、CFP-FP、CFP-FF、AgeDB-30、VGG2-FP、IJB-B以及IJB-C)上实验评估,分别取得99.67%、95.60%、89.32%、93.67%、99.65%、96.35%、93.36%、89.43%和91.38%的平均准确率,达到参数量和性能之间较好的权衡。

基于SSD与FaceNet的人脸识别系统设计

人脸识别技术广泛应用于考勤管理、移动支付等智慧建设中。伴随着常态化的口罩干扰,传统人脸识别算法已无法满足实际应用需求,为此,本文利用深度学习模型SSD以及FaceNet模型对人脸识别系统展开设计。首先,为消除现有数据集中亚洲人脸占比小造成的类内间距变化差距不明显的问题,在CAS-IA Web Face公开数据集的基础上对亚洲人脸数据进行扩充;其次,为解决不同口罩样式对特征提取的干扰,使用SSD人脸检测模型与DLIB人脸关键点检测模型提取人脸关键点,并利用人脸关键点与口罩的空间位置关系,额外随机生成不同的口罩人脸,组成混合数据集;最后,在混合数据集上进行模型训练并将训练好的模型移植到人脸识别系统中,进行检测速度与识别精度验证。实验结果表明,系统的实时识别速度达20 fps以上,人脸识别模型准确率在构建的混合数据集中达到97.1%,在随机抽取的部分LFW数据集验证的准确率达99.7%,故而该系统可满足实际应用需求,在一定程度上提高人脸识别的鲁棒性与准确性。

基于改进AlexNet卷积神经网络人脸识别的研究

近期,人脸识别技术在社会上广受关注,其非接触式的识别特性相较于指纹等传统接触式识别方法展现出明显优势。在深度学习领域,由于传统卷积神经网络在人脸识别任务上的准确性和速度尚有提升空间,因此提出采用改进的AlexNet卷积神经网络进行人脸识别。通过实验验证,与传统卷积网络相比,改进后的AlexNet在人脸识别上不仅准确度更高,而且识别过程更为稳定。

一种面向复杂场景的人脸识别与目标跟踪算法设计

为解决在复杂场景下传统算法对人脸的识别和跟踪精度低的问题,文中提出一种面向复杂场景的人脸识别与目标跟踪算法FaceNet。该算法由人脸识别与人脸跟踪两部分组成。在人脸识别方面,基于YOLOv8提出一种改进的人脸识别算法FaceD-YOLOv8,提高了识别准确率。再以DeepSort为基础,提出一种改进人脸跟踪算法FaceT-DeepSort,实现对人脸目标连续准确的跟踪。在公开数据集上进行的对比实验结果表明,与主流的传统方法相比,所提FaceD-YOLOv8算法人脸识别的mAP值提高3.5%,FaceT-DeepSort算法的人脸目标跟踪精度(TP)值提高9.1%。证明所提方法具有良好的综合性能,能够满足工程应用的需要。

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。

基于样本均衡蒸馏的少样本人脸识别方法

为解决实际应用场景中人脸识别模型复杂度高和训练样本数量不足的问题,提出一种基于样本均衡蒸馏(sample balance distillation,SBD)的轻量高效人脸识别方法。通过构造样本均衡Focalloss损失函数解决训练样本数量不足的问题,该损失函数能够在模型训练过程中增加稀少样本的权重,使模型能够对稀少样本进行准确分类,将蒸馏损失函数与样本均衡Focalloss损失函数进行加权融合,将教师网络强大的特征表达能力迁移至学生网络中,达到提高模型训练效率和分类精度的目标。为验证模型有效性,在多个样本数量分布不均衡数据集中进行大量实验,其结果表明,所提模型的训练时间和识别效率得到了显著提高,具有较高识别率。

人脸识别技术联合视频监控在消毒供应中心器械清点中的应用

目的:探讨人脸识别技术联合视频监控的信息化质量追溯管理在消毒供应中心器械清点环节中的应用效果。方法:将2021年1月至6月60个临床病区回收的31033个器械包作为对照组;2022年1月至6月在相同临床病区回收的31823个器械包作为观察组。对照组在器械清点环节采用条形码扫描联合视频监控系统的信息化质量追溯管理。观察组采用人脸识别技术联合视频监控系统的信息化质量追溯管理。观察并记录两组操作者身份识别记录错误例数、质量问题器械包数量及与临床病区沟通时长。结果:观察组身份识别记录错误率和器械包质量问题发生率均低于对照组,与临床病区沟通时长短于对照组,差异有统计学意义(P<0.001)。结论:人脸识别技术联合视频监控的信息化质量追溯管理加强了对操作者的监督管理作用和自我监督意识,提高了消毒供应中心追溯信息的准确性、工作质量和效率。

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。

智慧图书馆人脸识别技术便捷服务与隐私风险的平衡策略

随着信息技术的快速发展,人脸识别技术已应用于智慧图书馆多个服务场景。阐述了人脸识别技术的应用在提高入馆效率、优化读者体验等方面具有的显著便捷性及其带来的一些问题与挑战;通过研究分析发现,人脸识别技术带来的潜在隐私风险主要涉及数据收集与存储风险、数据传输和使用风险以及对读者权益的影响;在考察各国对人脸技术规制的基础上,提出了平衡人脸识别技术便捷性与隐私风险保护的策略,包括数据最小化与透明度原则、读者授权与参与、技术与管理的双重保障、馆员培训与读者教育、定期隐私评估与持续策略改进等,以确保人脸识别技术在智慧图书馆服务场景中的合规应用。

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。

论安防管理中人脸识别监控的行政许可规制路径

人脸识别监控技术具有的直观性、非接触性和大规模适用性特点使其被广泛运用于安防管理领域,但其产生的技术滥用、信息泄露、算法歧视、干涉公民自由等潜在技术风险已成为无法忽视的现实问题。为此,在技术风险治理的法律路径选择上,我国可运用公力救济的手段,依据《行政许可法》第12条设立行政许可法律规范来事前降低人脸识别监控的技术风险,并且在《行政许可法》第18条的基础上,从设立行政许可的法律内容、行政许可的实施机关以及行政许可的程序三个方面出发,依据“告知—同意”原则,设立一套不同主体和不同场景的差异化人脸识别监控技术的行政许可法律体系,最终形成兼顾人脸识别监控技术发展和保障人脸信息安全的行政许可法律规制路径,以完善我国在安防管理领域中人脸识别监控的行政许可立法空白。

基于自适应注意力机制的深度学习人脸识别系统研究

人脸识别已经成为社会生活、商业和公共服务中不可或缺的一部分,由于人脸图像具有复杂性和多样性的特点,其准确性和识别速率需要深入研究,本文旨在优化YOLOv5模型,构建一个快速、自动化且高效的人脸识别系统。首先在模型输入端增设特征库规范化功能,实现统一化以及最大化输入图片目标特征,接着设计自适应注意力机制以更好地关注不同尺寸的目标特征,优化损失函数提升整体性能,设计添加特征比对模块实现人脸识别,最后设计可视化界面增加系统的可操作性和客观性。模型训练使用Wider Face数据集,优化后模型召回率提升2.2%,mAP提升2.4%,高于原YOLOv5s模型。改进后的人脸识别系统,整体识别效果达到87.65%,为自动化会议考勤系统提供了有效方法。