基于人脸识别技术的变电检修工作远程许可方法研究

变电站运行现场的检修维护是电力系统安全管理的重要内容之一。人工智能和监控摄像头的发展使得人脸识别技术被广泛应用于电力系统检修。文中提出通过采用残差神经网络(residual network,ResNet)模型构建高精度的人脸识别系统,为电力人员提供远程检修认证。通过该集成系统,协助变电站人员降低沟通成本,实现设备维护检查、完成设备当前状态检查以及变电站区域物理完整性检查。基于人脸识别的远程变电检修工作机制大大提高了电力系统的运行现场安全性,同时也减少了不必要的管理费用,降低管理成本。

基于CNN的人脸年龄与性别检测系统设计

基于CNN的人脸年龄与性别检测系统以PyTorch中ResNet⁃50模型为主干网络,利用Wiki平台进行人脸原始图像采集预处理,构建年龄预测与性别判断分类器作为模型网络输出层,使用均方误差与交叉熵损失函数对年龄与性别结果进行预测输出。系统前端使用PyQt5构建图像识别、视频识别和实时摄像识别的交互界面,采用OpenCV对图像、视频或摄像头读取的每一帧图像进行人脸标注,将系统模型识别的人脸性别与年龄预测检测结果绘制成图像并展示。

基于SSD算法的人脸检测算法研究

针对传统SSD算法中对小目标检测效果不好的问题,提出一种基于ResNet的人脸检测算法。将SSD算法的基础网络VGG改进为ResNet网络,并通过残差网络,采用特征融合的方式将不同深度的特征信息进行融合,从而提高算法对小尺度人脸的检测性能。同时,针对SSD算法对重叠框出现漏检的问题,将非极大值抑制算法(NMS)改进为Soft-NMS。此外,通过设置一个衰减函数,来降低相邻检测框的置信度,解决传统NMS算法对分数较低的检测框过滤掉的问题,能够降低算法的漏检率,提升算法的检测精度。

基于边云协同的人脸识别方法研究

人脸识别被广泛应用于购物、安检、出行、支付和考勤等日常生活中,人脸识别系统需要大的算力与存储空间,因此往往将需要识别的人脸通过网络传送到云平台进行识别,但网络覆盖、拥塞或延时等问题造成人脸识别系统难以满足实际应用的需求,用户体验差。针对人脸识别中存在的问题,提出了基于边云协同的人脸识别方法。该方法结合云计算的处理能力和边缘计算的实时性,使人脸识别系统不受网络状态的约束,应用更加广泛,用户体验更好。在云端,提出了LResNet特征提取方法,改进了ResNet34网络结构,并利用ArcFace人脸损失函数监督训练过程,使网络学习到更多的人脸角度特性;在边缘端,针对计算资源和存储资源有限的问题,提出了SResNet特征提取方法,利用深度可分离卷积轻量化LResNet网络结构,大大减少了网络参数和计算量。边云协同的人脸识别实验表明,所提系统在任何网络状态下都能进行实时识别且准确率较高。

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。

基于深度学习的ARM平台实时人脸识别

针对ARM平台上人脸识别实时性不强和识别率低的问题,提出一种基于深度学习的实时人脸识别方法。首先基于MTCNN人脸检测算法设计了一种实时检测并追踪人脸的算法;然后在ARM平台上基于深度残差网络(ResNet)设计人脸特征提取网络;最后针对ARM平台的特点,使用Mali-GPU加速人脸特征提取网络的运算,分担CPU负荷,提高系统整体运行效率。算法部署在基于ARM的瑞芯微RK3399开发板上,运行速度达到22帧/s。实验结果表明,与MobileFaceNet相比,该方法在MegaFace上的识别率提升了11个百分点。

CNN与SVM和ResNet相结合的牛脸识别系统模型研究与实现

针对传统的牛个体身份识别需借助外部工具而产生的管理上的安全隐患及对牛身体的刺激和物理伤害问题,提出基于图像方法的牛脸生物特征提取的方法进行身份识别。同时,由于CNN对硬件设施有高要求并且识别精度低、速度慢,以及传统机器学习方法对先验知识的依赖性,考虑到牛脸数据采集困难的小样本问题,以及自然野外光照、视角、距离、运动等客观环境因素与牛脸特征复杂性,提出以CNN为主体且引入ResNet和SVM相结合的牛脸识别与检测的算法与模型,其较传统的CNN网络结构具有训练收敛速度快、识别率高及泛化性强等特点。在Andriod平台下运用该轻量型模型设计了安卓手机APP,完成了方便快捷的实时识别目标,并通过了实验验证,实验结果准确率达95.1%以上。

非受限条件下的深度人脸年龄分类

针对非受限条件下人脸图像年龄分类准确度较低的问题,提出了一种基于深度残差网络(ResNets)和大数据集微调的非受限条件下人脸年龄分类方法。首先,选用深度残差网络作为基础卷积神经网络模型处理人脸年龄分类问题;其次,在ImageNet数据集上对深度残差网络预训练,学习基本图像特征的表达;然后,对大规模人脸年龄图像数据集IMDB-WIKI清洗,并建立了IMDB-WIKI-8数据集用于微调深度残差网络,实现一般物体图像到人脸年龄图像的迁移学习,使模型适应于年龄段的分布并提高网络学习能力;最后,在非受限人脸数据集Adience上对微调后的网络模型进行训练和测试,并采用交叉验证方法获取年龄分类准确度。通过34/50/101/152层残差网络对比可知,随着网络层数越深年龄分类准确度越高,并利用152层残差网络获得了Adience数据集上人脸图像年龄分类的最高准确度65.01%。实验结果表明,结合更深层残差网络和大数据集微调,能有效提高人脸图像年龄分类准确度。

基于MT-CNN的人脸识别算法研究

介绍了MT-CNN算法在人脸检测领域的应用,并使用Tensorflow搭建了MT-CNN的三个神经网络模型,实现了人脸回归框的检测与人脸特征点的识别。然后使用残差神经网络模型Face-Resnet进行训练,最终得到的网络模型在LFW数据库上的精度可以达到98.4%。最后将改进的杰卡德相似度应用到人脸特征向量的分类上。通过实验数据表明,当相似人脸阈值取0.4057时可取得最好的人脸分类效果。

渐进式生成对抗网络的人脸超分辨率重建

人脸幻构是图像超分辨率重建领域的一个子领域,用于恢复面部基本特征且不变形.现有方法着重于恢复本身细节相对丰富的图像,本文针对高频细节已丢失严重的人脸图像提出了一种渐进式生成对抗网络的人脸超分辨率重建方法(P-FSRGAN),可生成逼真的8倍超高分辨率人脸图像.采用渐进式生成方法,通过分阶段拆分训练的方式来保证训练过程的稳定.Inception-ResNet结构的引入增加了网络的宽度;加快了网络收敛速度.引入语义分割网络获得人脸的边缘轮廓信息和面部特征.实验结果表明,在8倍放大尺度因子下,P-FSRGAN的峰值信噪比达到25.83dB、结构相似性指标达到0.7735、多尺度结构相似性指标达到0.8989,均优于其他算法,表明了本文方法的有效性.

改进ResNet双目视觉算法在人脸活体检测中的应用研究

r级联分类器同时提取双目图像中的人脸,将其提取到的局部人脸左右并联制作成数据集;然后把“shortcut”思想引入到残差块中提高特征的利用率,最后改进了具有注意力机制的SENet模块在SE-ResNet神经网络中的位置。利用实验室采集的图像数据进行验证,结果表明:该实验测试集的平均准确率达到了98.62%,较ResNet34网络测试集的平均准确率提升2.07%,本实验对因为光线和角度变化的人脸活体检测有较好的鲁棒性。

基于残差神经网络的人脸识别及仿真平台

利用ResNet残差卷积神经网络在图像分类上的研究成果,创新性地调整了网络结构及参数初始化方法,使得残差神经网络在不同的人脸库上都得到了较高的准确率.考虑到人脸识别的即时性和准确性,提出了一种相对较浅层次的网络结构,使得其可以有很好的应用.同时,为整个网络搭建了一个仿真平台,便于直观地观察识别结果.

基于四元数的强泛化性GAN生成人脸检测算法

基于生成式对抗网络(generative adversarial network,GAN)模型生成的逼真人脸图像给司法、刑侦、名誉保护等带来了挑战.因此,基于四元数提出一种具有强泛化性的GAN生成人脸检测算法,其由GAN噪声指纹提取模块与分类模块组成.GAN噪声指纹提取模块采用孪生四元数U-Net提取噪声指纹特征;分类模块基于提取的噪声指纹特征采用四元数ResNet区分真实人脸和生成人脸;使用基于距离的逻辑回归损失函数和交叉熵损失函数对参数进行寻优.采用公开的自然人脸数据集CelebA进行实验,基于其利用多种GAN模型得到不同生成人脸数据集.4组消融实验验证了该算法在4个方面的改进的有效性.一种GAN生成人脸数据训练多种GAN测试的结果以及鲁棒性实验结果表明,所提算法比对比算法具有更强的泛化性以及较好的抵抗JPEG攻击的鲁棒性.

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。

多任务及Resnet网络在人脸多属性识别中的应用

为了改善人脸多属性分类的精度和泛化能力,利用多任务学习方法训练基于ResNet网络结构的人脸多属性分类器.首先采用卷积神经网络——ResNet进行特征提取,然后利用多任务并行学习能力和多个属性间的关联性,直接对输入的人脸图片,判断人脸的多个属性状态.在MORPH Ⅱ、CelebA和LFWA数据集的实验结果表明,这种基于多任务ResNet方法在人脸属性识别任务中准确率可达89%,相对于传统的人脸多属性检测方法提高了模型的泛化能力和识别的准确率.

基于深度学习的人脸识别算法研究

考虑到现实环境中的人脸图片在角度、光线、分辨率上的复杂程度,对Inception-ResNet-V1网络结构进行了改进,同时完成了数据集制作、超参数调节等相关工作,并在家庭服务机器人平台上进行了实验研究。实验结果表明,改进的网络结构在LFW测试集上准确率达到99.22%,高于原始网络结构的99.05%;在亚洲人脸数据集上准确率达到99.20%,高于原始网络结构的97.10%;在自建非匹配人脸数据集上误识别率为3.43%,低于原始网络结构的12.28%。可以看出,与原始网络结构相比,改进网络结构提升了人脸识别的准确率且降低了误识别率。

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。

基于残差网络与中心损失的人脸识别

针对常规深度学习的人脸识别方法训练数据量巨大和训练难收敛的问题,提出一种基于残差网络与中心损失的人脸识别方法。利用生成对抗网络方法解决训练数据分布不均衡问题,利用数据增强方法解决数据不足问题;改进残差网络,使其匹配较小数据集,解决训练难收敛问题;将交叉熵损失与中心损失结合,作为模型训练过程中的监督信号,使类间分散、类内聚合。实验结果表明,在小数据的前提下,识别算法能够准确地识别出人脸。模型在测试集上的准确率达97.46%。

基于改进的ResNet网络的人脸表情识别

近几年来,人工智能的热度一直居高不下,其中作为人机交互的一种重要方法-人脸表情识别已经成为计算机视觉研究的热点。从传统的机器学习算法到现在的深度学习,识别效率也在不断地提高,为了进一步提高人脸表情识别率,在传统的卷积神经网络的基础上,提出了一种基于改进的ResNet卷积神经网络的表情识别方法。该方法基于ResNet网络的基本结构,采用的中间卷积部分是前后各一个卷积核为1*1的卷积层,中间是卷积核大小为3*3的卷积层,同时将下采样移到后面的3*3卷积层里面去做,减少信息的流失,并用PReLU替代ReLU激活函数。与ResNet模型相比,改进的网络结构可以减少计算量,提高识别速度和识别率。利用Tensorflow构建经过改进的ResNet卷积神经网络框架,并在增强的Fer2013数据集上进行了训练,得到了准确且高效的人脸表情识别模型,最后再结合OpenCV中的人脸检测分类器,从视频中抓取人脸进行识别,实现了实时识别人脸表情效果的输出。实验结果表明,改进的ResNet卷积神经网络模型较其他的人脸表情识别方法在识别率上有了一定的提高。

基于改进的ResNet的人脸表情识别系统

表情识别已成为人机交互中的一种重要方法,成为计算机视觉研究的热点。目前,关于深度学习的方法已被广泛应用于面部表情识别,深度模型的训练和优化引起了人们的广泛关注。在此背景下,文章使用改进后ResNet网络模型,在Fer2013数据集和CK+数据集上进行了训练,得到了准确且高效的人脸表情识别模型。并在此基础上结合Opencv计算机视觉库的视频读取功能和人脸检测模型,构建了人脸表情识别系统。由于改进后的网络模型更加的轻量化,所以构建出来的人脸表情识别系统,具有体积小、计算量小和识别快速的特点。