基于L_p范数的2DPCA的人脸识别方法

主成分分析(PCA)是降维的一种经典方法。二维主成分分析(2DPCA)在特征抽取之前不需要将图像矩阵转化为向量形式,所以能快速地提取特征。但是基于L2范数的PCA和2DPCA在遇到异常值时的表现不稳定而且得到的向量通常不是稀疏的。提出了一种基于L1范数的且受Lp范数约束的2DPCA方法(2DPCA-Lp)。当参数p接近1时,它可以得到稀疏的解。该方法既具有2DPCA的快速方便性,又是泛化的并且对异常值较不敏感。同时也证明该方法可以取得一个局部最大化的解。通过在ORL和UMIST人脸库上的实验表明了该方法的有效性。

最大间隔集成学习算法与应用

针对集成学习算法的不足,提出了一种新颖的集成学习算法-集成最大间隔集成学习算法(MMEA)。该算法的时间与空间复杂度都是O(N),而标准的SVM算法的时间复杂度是O(N3),空间复杂度是O(N2),其中N是数据样本的大小,并从理论上证明了MMEA算法的收敛性。用MMEA算法与Bagging LibSVM,AdaBoostLibSVM,BaggingLiblinear,AdaBoostLiblinear流行的集成算法对扩展的MIT人脸数据集进行分类。实验结果表明,提出的MMEA算法在多项指标上均达到最优。

基于人脸姿态识别的课堂学习状态反馈系统的设计与实现

人脸识别技术是目前计算机视觉中的热门研究方向之一,已经被应用于很多领域。“抬头率”已成为判断学生的专注程度、检验课堂教学效果的重要因素之一。设计开发了基于人脸姿态识别的学生课堂学习状态反馈系统,完成了人脸数据集的采集、制作与训练,并增加了YOLOv5s训练模型的深度和宽度,在保证其速度的前提下提升了识别的准确度。在此基础上,将识别参数Conf与IOU的阈值调整到适当值,使识别结果更加清晰。实验结果表明:改进之后的识别系统在不影响速度的同时提高了识别的准确度;较暗环境下的人脸识别准确度可以达到0.887,能快速识别出学生课堂的学习状态,符合课堂教学实时监测要求;对于有遮挡的人脸识别,其准确度也可以达到0.5以上,满足特殊情况下的人脸识别需求。

自适应深度卷积神经网络在人脸识别上的应用

卷积神经网络作为一种可以自动提取样本特征的深度学习方法 ,与多种人脸识别方法相比具有更为可靠的识别精度。本文提出了一种自适应深度卷积神经网络算法,并将其应用于人脸识别系统。该算法在利用梯度下降法进行权值更新的同时,引入自适应的学习速率和积累动量,从而解决了学习速率选择困难的问题。本文将该算法与传统的卷积神经网络算法相对比,在FERET数据集上进行测试。实验结果表明,该算法加快了收敛过程,提高了识别的速率和精度。尤其当面对海量数据时,它避免了发生在其他深度学习方法中的梯度消失问题。

基于深度置信网络的酒店入住管理系统研究

为了解决当下智能酒店出现无法人证合一以及资源不必要浪费问题,通过视频流人脸识别技术与行人再识别技术应用,结合模糊集理论改进的深度置信网络模型实现人体检测,提出一种新型智能化的酒店入住管理系统模型。人脸识别技术、多数据融合技术以及“居民身份证网上功能凭证”,为模型提供了可靠的技术支持。结合模糊控制理论的深度置信网络人体检测模型相较于传统人体感应模型,可观察范围由单一场景拓展到复杂多因素场景,有效排除了各种因素的干扰。

聚类与跟踪相结合的人脸数据集生成方法研究

为提高人脸数据集生成的准确率和效率,提出了一种将人脸跟踪与人脸聚类相结合的人脸数据集生成方法.首先,对KCF算法进行改进,并将改进的KCF算法用于人脸跟踪,得到不同时间片段的人脸图像集;其次,从每个人脸图像集中通过人脸图像优选算法选出高质量的人脸图像;再次,将优选出来的人脸图像进行人脸聚类,以完成视频中每个人的人脸数据集的生成;最后,通过实验对比基于人脸跟踪、基于人脸聚类和基于本文方法的人脸数据集生成效果.实验结果表明,本文方法与基于人脸跟踪的人脸数据集生成方法相比,纯度提升约15%;与基于人脸聚类的人脸数据集生成方法相比,效率提升约50%.

基于卷积神经网络的猪脸特征点检测方法

针对牲畜面部识别在养殖行业广泛需求的问题,提出一种基于卷积神经网络的猪脸特征点检测方法,解决了猪脸特征点难检测的问题.首先,采集猪面部数据并进行特征点标注,使用新的采集方法以解决猪口部通常不可见的问题;其次,对猪脸数据和人脸数据进行结构计算,匹配相似度较高的猪脸和人脸,构建猪脸人脸匹配数据集;再次,利用匹配数据集训练TPS(thin plate spline)形变卷积神经网络,得到形变后的猪脸数据集以适配人脸特征点检测模型;最后,使用形变猪脸数据集对人脸特征点检测神经网络模型进行微调,得到猪脸特征点检测模型.实验结果表明,用该方法进行猪脸特征点检测,错误率仅为5.60%.

面向课堂环境的多人脸检测

针对目前课堂环境下的多人脸检测研究不够深入,特别在拍摄角度变化等多个因素影响下人脸识别率较低的问题,提出了真实课堂环境下基于全卷积头部检测器(FCHD)人脸检测的改进算法。首先,针对课堂环境下多人脸数据集的不足构建了两类课堂数据集,通过10人以下、11~20人、21~30人、31~40人以及41人以上不同的数据进行分析;然后,对比评估了传统的人脸检测算法以及基于深度学习的算法;最后,提出基于FCHD算法进行锚点设计的改进,针对课堂多人脸数据集的特点,通过不同锚点的设计以及神经网络的微调提升多人脸检测的准确率。实验结果表明,所提算法对于10人以下的人脸检测平均准确率能达到90%,能够较好地解决多人脸识别领域中存在的人脸偏移、遮挡、角度等问题。

考虑局部邻域多流形度量的单训练样本人脸识别

针对单训练样本中识别干扰因素较多的问题,为了增加人脸识别效果,在考虑局部邻域多流形度量的基础上,提出一种新的单训练样本人脸识别算法。首先预处理人脸图像信息,将影响因素降到最低;划分数据集,根据划分结果对分布在流形结构内数据点计算近邻点;构建多流形距离度量矩阵和误差度量矩阵;将人脸图像经过投影降维转换为低维流形结构,完成单训练样本人脸识别。实验结果验证了所设计算法识别效率较高和平均识别率较高,所用时间较少,具有很好的优势。

遮挡人脸正面图像库的自动生成

深度学习是实现人工智能的有效方法。对于深度学习,训练数据集对其性能有着至关重要的影响。在用深度学习进行遮挡人脸检测时,目前可用的遮挡人脸数据集并不多,为解决这个问题,提出一种自动构建正面遮挡人脸库的方法。该方法首先采用OpenCV级联分类器检测人眼和嘴巴,再根据人脸的生理特征中人眼、嘴与人脸的关系进行人脸定位,最后根据定位参数把人脸抠取下来并保存到指定文件夹。不管人脸的上半脸受遮挡还是下半脸受遮挡,该方法都能够有效地把遮挡的人脸抠取出来。作为验证,采用该方法构建了一个含12 893张遮挡人脸正样本的遮挡人脸库。

无监督数据集子类划分的人脸口罩佩戴识别算法

人脸口罩佩戴识别成为疫情防控的一项重要手段,而目前口罩佩戴检测主要还是通过人工监测,基于深度学习的口罩佩戴检测系统较少,且存在误检、漏检和检测速度慢等问题。针对口罩佩戴检测中不规范佩戴口罩数据集较少,和对检测精度和检测速度要求较高的实际应用需求,从数据集和网络两方面改进人脸口罩佩戴检测方法:通过在无监督自分类方法中引入标签矫正算法对数据集进行子类划分,减少数据集类内差异,提高网络检测精度;调整目标检测网络结构,去除小尺度检测的网络层,提高网络检测速度;引入注意力机制模块,增强网络对细节特征的提取能力,提高网络检测精度。口罩佩戴情况的平均检测精度从79.34%提升到93.12%,检测速度提高了6.4%,设计的网络结构能够满足实际应用的需求。

基于SSD算法的戴口罩人脸识别方法研究

人脸识别技术(Face recognition technology)是提取到人脸部的某些特征生成某种模式对图像和视频进行判断,给出图像或视频中是否存在人脸以及人脸特征是否属于同一人的结论。随着新冠疫情在全球的蔓延,口罩成为人们进入公共场合的必需品。作为人工智能领域的主要应用之一,使用人脸识别技术开发一款对进入公共场所的人员进行口罩检测的工具变得很有必要。文章通过自主开发一种基于SSD思想的识别人脸是否佩戴口罩的检测系统并利用可编程嵌入式硬件进行仿真,对带口罩的人脸进行定位判断人脸是否佩戴口罩,通过判断人群密度辅助保持社交距离,并根据算法给出是否有人群聚集风险。该系统参数量相对较小,因此可运行在内存有限的嵌入式设备中。经验证集测试,系统对人脸是否佩戴口罩的识别准确率达到92%,可满足于实验室、公司办公室、工厂等一些私密或公众场所的使用。

人脸活体检测综述

活体检测是生物特征识别在安全领域应用的关键技术之一。人脸的活体检测是人脸识别的前置环节,在以人脸识别后按身份授权的安全领域,扮演十分重要的角色。基于此,笔者从活体与非活体的特征差异着手,分析近年来活体检测的技术发展,找出当前活体检测技术的不足,并展望未来的可能发展方向。