基于YOLO2和ResNet算法的监控视频中的人脸检测与识别

针对监控环境下的人脸识别比较问题,提出一套基于深度学习的检测识别方法,利用YOLO2算法和Res Net算法完成监控视频中的人脸监测和识别。检测部分采用速度较快的YOLO2算法,识别部分采用准确率较高的Res Net算法。利用WIDER FACE人脸检测数据库和CASIA_Webface数据库做验证性实验,实验结果表明:系统整体的实时性和准确率均可满足实际工程应用需要。

目标物体检测——YOLO算法介绍

物体检测是计算机视觉中的一个具有挑战性的任务,涉及到在图像或视频中定位和分类物体。其中一个最流行的基于深度学习的物体检测方法是YOLO。YOLO已经在各种物体检测基准测试中取得了最先进的性能,并致力于通过神经网络在单次前向传递中检测图像中的对象的概念,使其成为可用的最快的对象检测模型之一。介绍YOLO的发展、技术、架构以及所利用的算法。

人脸识别在敏感人物检测中的应用算法研究

目前的视频发布平台上,用户上传的视频数量呈现爆发式增长。为解决视频发布平台上审核含有敏感人物的违规视频的难题,本文提出一种高效的人脸识别算法。该算法使用开源的人脸数据集WiderFace对Yolov5Face网络进行重新训练,将Yolov5Face检测到的人脸区域图像输入基于ArcFace的人脸识别模块中,进行人脸特征提取,并利用最小欧氏距离法与敏感人物人脸图像进行比对,准确找出含有敏感人物的视频。实验结果表明,该算法具有较好的准确性,可为视频发布平台提供可靠的支持。

基于视频的人脸识别校园安全接送系统的研究

校园安全接送作为一个严肃的社会问题,需要及时发现不明身份人员混入校园等隐患,而市场上大多数的校园人脸识别系统,基本上都需要专用的硬件设备,且只支持单人逐个检测,这无疑提高了推广的成本。针对以上问题,本文提出了使用普通摄像头的支持多人的人脸识别系统。首先采用YOLOv3算法训练人脸数据集,利用K-Means++算法改进先验框中心位置的预测,提高边界框的准确性,得到人脸检测器,对视频中的行人进行人脸检测;之后利用本文的人脸图像质量评价FIQUE算法对人脸进行筛选,增加高质量的人脸图像占比;最后使用Inception-ResNet-v1模型提取人脸特征,进行识别。本文方法利用学校现有的摄像头设备,提高了系统的普及率。实验证明了本文多人识别系统的实时性和鲁棒性良好。