基于改进FaceNet算法的人脸智能识别方法

人脸识别是计算机视觉与图像处理领域的研究热点,基于FaceNet网络模型的人脸智能识别系统,由于所需训练数据集大且对硬件资源条件要求较高,设计改进FacetNet的人脸智能识别算法。首先,通过MTCNN网络实现人脸图像非极大值抑制和边界框的回归问题;其次,把人脸对齐后的图像数据进行高斯归一化(Gaussian normalization)预处理后,再通过FacetNet算法网络模型进行训练。优化后的网络模型在LWF数据集上进行训练,实验验证得出改进后的人脸识别模型其平均误识率为0.06%,拒识率为5.13%和准确率为99.79%,并通过采集真实的人脸数据进行验证,均表现出了良好的识别效果。

融合视觉图像处理的目标识别技术在移动机器人中的应用

为了提升移动机器人的运动人体识别效果,研究利用Faster-RCNN-KF对动态人体图像进行实时跟踪,并结合Facenet-MTCNN实现跟踪对象人脸识别。运动人体跟踪检测实验和人脸识别测试结果显示,Faster-RCNN-KF算法跟踪误差仅为0.000 5 m,且跟踪响应速度和误差更正速度较快;Facenet-MTCNN目标识别算法在训练中的分类精度最高能够达到99.15%,分类中的时间延迟为0.01 s,能够有效识别跟踪对象的身份信息。研究结果表明,视觉图像处理技术能够实现人体的有效跟踪检测,并能对不同身份的跟踪对象进行人脸识别,对移动机器人跟踪与识别技术发展具有重要价值。

基于深度神经网络的伪装人脸识别

伪装人脸识别在刑侦安防领域有着巨大的应用价值。针对现阶段对伪装人脸识别的研究较少、算法鲁棒性不强等缺点,提出了基于深度神经网络的伪装人脸识别算法。改进了SqueezeNet网络模型,并将其与FaceNet网络架构进行结合,用于人脸图像的身份识别。通过在训练数据集中引入伪装人脸图像,让网络学习到伪装的特征。实验结果表明,该算法识别准确率接近90%,相较于其他网络模型,具有更好的识别效果。