用于微表情识别的改进双流浅层卷积神经网络

在微表情自动识别任务中,浅层卷积神经网络和深层网络相比更好地改善了网络训练过拟合的情况,但是多数浅层卷积神经网络存在输入特征单一和提取高维有效特征能力不足的问题.针对上述问题本文同时使用图像的灰度特征和运动特征表征原图像,并且提出了一种改进双流浅层卷积神经网络(Enhanced Dual-stream Shallow Convolutional Neural Network,EDSSNet)用于微表情的识别.本文首先使用欧拉视频放大算法和TV-L1光流法对视频关键帧处理,提取图像的灰度特征和运动特征,然后用空洞卷积和注意力模块改进双流浅层卷积网络模型,提高网络提取有效特征的能力,最后将两种特征输入网络训练后进行分类.理论分析及在CASMEⅡ、SMIC-HS和SAMM微表情数据库上的实验结果均表明了改进模型的有效性.

基于双分支轻量化网络的微表情识别算法

针对采用卷积神经网络识别微表情时提高精度后往往会伴随复杂性增加的问题,提出一种改进的双流轻量级注意力网络(EDSMISEViTNet)用于微表情识别。首先对微表情样本进行预处理,提取峰值帧作为空间特征,采用TV-L1光流法提取起始帧和峰值帧之间的时间特征;然后基于MobileViT网络改进并设计了Inception和SE模块相结合的MI模块,并加入注意力模块以高效提取有效特征;将时间特征和空间特征分别输入该网络,对结果特征进行拼接融合继而分类。为使结果更加准确,将CASME Ⅱ、SAMM以及SMIC数据集组合为复合数据集进行实验。实验结果表明,所提模型的训练参数量仅为3.9×10~6,处理单个样本的时间为71.8 ms。与现有方法相比,所提方法在保证低参数量的同时,准确率也具有良好表现。

应用深度光学应变特征图的人脸活体检测

目的随着人脸识别系统应用的日益广泛,提高身份认证的安全性,提升人脸活体检测的有效性已经成为迫切需要解决的问题。针对活体检测中真实用户的照片存在的人脸欺骗问题,提出一种新的解决照片攻击的人脸活体检测算法。方法利用局部二值模式LBP(local binary pattern)、TV-L1(total variation regularization and the robust L1 norm)光流法、光学应变和深度网络实现的人脸活体检测方法。对原始数据进行预处理得到LBP特征图;对LBP特征图提取光流信息,提高对噪声适应的鲁棒性;计算光流的导数得到图像的光学应变图,以表征相邻两帧之间的微纹理性质的微小移动量;通过卷积神经网络模型(CNN)将每个应变图编码成特征向量,最终将特征向量传递给长短期记忆LSTM(long short term memory)模型进行分类,实现真假人脸的判别。结果实验在两个公开的人脸活体检测数据库上进行,并将本文算法与具有代表性的活体检测算法进行对比。在南京航空航天大学(NUAA)人脸活体检测数据库中,算法精度达到99.79%;在Replay-attack数据库中,算法精度达到98.2%,对比实验的结果证明本文算法对照片攻击的识别更加准确。结论本文提出的针对照片攻击的人脸活体检测算法,融合光学应变图像和深度学习模型的优点,使得人脸活体检测更加准确。