人脸识别技术在智慧型地铁的应用

“互联网+”发展大趋势下,云计算、大数据、人工智能等新技术广泛应用到城市轨道交通。大部分城市都在进行“刷脸支付”试点改造,在多元化支付方式中,乘坐地铁开始应用刷脸进站和出站检票,成为市民关注的亮点。基于此分析了自动售检票系统的背景和现状,从需求分析、人脸识别思路、活体检测、人脸特征提取、人脸识别计算模式等方面进行了人脸识别算法的设计。

面向活体人脸检测的时空纹理特征级联方法

为了解决身份认证中的安全问题,通常采用活体人脸检测方法.为提高活体人脸检测的鲁棒性,文中提出时空纹理特征级联方法.首先采用局部二值模式(LBP)计算韦伯局部描述符(WLD)的差分激励,利用Prewitt算子计算WLD的方向角,提取时空域的纹理特征.再将3个正交时空平面XY、XT、YT的纹理特征直方图进行级联,得到动态纹理特征即时空纹理级联特征,并对真实人脸和伪装人脸做出判定.在公开活体人脸数据库上的实验表明,相比现有主流局部纹理特征方法,文中方法识别率更高.

基于AdaBoost和遗传算法的快速人脸定位算法

针对采用AdaBoost算法构建人脸检测器时存在的特征冗余问题,提出了一种新的快速人脸定位算法.首先用AdaBoost算法选取类Haar小波特征(称作AdaHaar特征),然后用遗传算法在低维的AdaHaar特征空间进一步优选,消除冗余并得到相应的权系数,最终的人脸检测器由这些优选的弱分类器及其相应权系数线性组合而成.实验结果表明,采用文中算法训练的人脸检测器在检测正确率、检测速度及占用内存等方面的性能都得到了改善.

彩色图像中复杂背景的多人脸检测

人脸的检测和识别是一个非常复杂的问题 ,对它的许多规律和规则进行显性的描述是相当困难的。该文提出利用图像的彩色信息以及人脸的基本特征信息来进行人脸粗检测 ,从而大大缩小了神经网络检测区域 ,提高了人脸检测速度。实验证明该方法可以有效地运用于多人脸、不同尺寸 ,表情姿态、复杂背景的情况 ,具有较好的检测结果。

人脸自动识别方法综述

简要回顾了人脸自动识别技术的研究背景及发展历程;重点对近年来人脸自动识别方法的研究进展进行综述,并对各种方法加以评价;总结了现在存在的研究困难并提出了解决方法及今后的发展方向。

人脸活体特征检测实验平台设计与实现

在VS2013编程环境下,结合OpenCV设计了人脸活体特征检测实验平台。该平台由图像读取、人脸及五官检测、图像分块提取特征和机器学习部分组成。通过分析人脸真实图像与欺骗照片之间的纹理特征差异,实现对人脸真实性的判别。实验平台用于训练分类器的特征是Uniform Pattern LBP特征向量,将该特征应用于活体检测是本实验的创新之处。在该实验平台上对Replay-Attack数据库和实际创建的数据库进行实验,实验结果可以看出平台的准确率及运算速度等方面具有优良的性能。

基于肤色特征和动态聚类的彩色人脸检测

在人类视觉机制和肤色聚类特性的基础上,提出了一种复杂背景下人脸检测方法。该方法采用K-均值动态聚类分析算法,利用人类肤色特征在输入图像中检测包含人脸的似人脸区作为候选人脸,再用同样的方法对候选人脸区域进行扫描,得到真正的人脸。实验结果表明,该方法的正确检出率达到84%,受背景、光照、角度、姿态的影响很小,具有较好的鲁棒性。

基于多分类及特征融合的静默活体检测算法

现有的静默活体检测研究忽略不同非活体攻击方式之间的差异,以及不考虑活体和非活体样本类别不均衡对模型学习的不利影响.本研究将非活体攻击类别细分成打印攻击和展示攻击,将静默活体检测由传统的二分类问题转变为多分类问题,并提出采取交叉熵作为损失函数对网络模型进行训练的方案,用以克服二分类和类别不均衡问题,使得模型训练中能更准确发现和抽象出非活体人脸样本共同的欺诈特征,提高网络模型对非活体识别的精准度.构建双流特征融合网络模型,采取注意力机制对从RGB和YCrCb这2种不同色彩空间提取到的特征向量进行自适应加权融合,以进一步提升网络模型的特征表示能力.在CASIA-FASD、 Replay-Attack、MSU-MFSD和OULU-NPU 4个公开数据集进行大量的对比实验,实验结果表明,采取多分类策略以及特征融合的静默活体检测模型能够有效降低分类错误率并提升泛化能力.

人脸识别理论研究进展

简要回顾了人脸自动识别技术的研究背景及发展历程;重点对近3、4年人脸自动识别方法的研究进展进行综述并对各种方法加以评价;总结了现存的研究困难并提出了解决方法及今后的发展方向。

一种快速高效的人脸检测方法

介绍了一种建立在改进型Adaboost算法基础上的人脸检测方法,整个方法分为训练和检测两个阶段。训练阶段包含提取类Haar_Like矩形特征、利用改进型Adaboost算法生成强分类器、级联强分类器生成人脸检测器三步。检测阶段,采用金字塔式的穷举搜索法将对待检测图像进行人脸检测。为了解决传统Adaboost算法在训练过程中可能出现退化现象的问题,在Adaboost每轮训练中,定义一个阈值HWt,结合样本是否被错误分类以及当前权值是否大于HWt来给样本更新权值,该方法可以避免训练中可能出现的权重分布严重扭曲的退化现象,提高检测效率。经过编程实践,结果证明该方法检测效率高、检测精度较好。

应用色彩纹理特征的人脸防欺骗算法

针对目前人脸识别系统中存在易被人脸照片、人脸视频等方式攻击的问题,提出了一种应用融合色彩纹理特征的人脸防欺骗检测算法。目前,主要的人脸防欺骗检测算法分为用户配合式检测与静默式检测。针对如今火热的在线认证系统,静默式活体检测因具有良好的用户体验性以及分类结果的精确性,成为了该领域的热门研究方向。不同于当前静默式活体检测算法中较为流行的基于亮度特征以及图像质量分析的活体检测方法,文中在验证了色彩特征信息对区分活体人脸与虚假人脸的有效性的基础上,充分地研究了局部纹理特征的特性,并提出了一种结合亮度特征、色彩特征以及局部纹理特征的特征提取融合算法。首先,通过seetaFace人脸检测算法定位人脸及人眼坐标,并利用人眼坐标信息提取仅包含人脸的图像,以减少周围背景图像的干扰;其次,通过转换色彩空间的方式分离图像中的色彩信息和亮度信息,利用色道分离的方式有效地提取纹理特征;最后,采用融合局部纹理特征的提取方法在不同色道上提取特征,并将各通道提取的特征向量联合为一个特征向量,运用支持向量机(SupportVectorMachine,SVM)训练分类器。将所提算法在MSU,CASIA,OULU标准人脸活体检测数据集中进行实验,实验结果表明,算法的性能良好,在分类准确率上取得了良好的效果。

基于比例特征的网络不良图像过滤算法研究

目前对网络不良图像进行过滤的方法中,裸露肤色比依然是常被利用的数据,但是其存在一些缺陷,如伪肤色的干扰、非关键区域肤色的干扰、整体裸露肤色比有时候不与裸露程度呈正相关等。本算法利用人体肤色的一致性和人体结构特点,计算了以下三个比例特征作为判决依据——人脸尺寸占比、用人脸肤色数据改进肤色模型后的整体裸露肤色比及人体关键区域的裸露肤色比,有效地解决了上述问题;同时,对人脸检测增加了合适的旋转图像的处理过程,使其对于倾斜很大的人脸也能较好地检测。经过测试,算法的识别率达到91.5%,基本能满足实际应用的需求。

人脸识别的方法研究

人脸识别系统主要包括:人脸检测定位,人脸识别两环节。本文简要回顾了人脸自动识别技术的研究背景,重点对近年来人脸自动识别方法的研究进展进行综述,并对各种方法加以评价。总结了现在存在的研究困难,提出了今后的发展方向。

基于Adaboost算法的人脸检测技术的研究与实现

人脸检测是人脸识别技术的基础,首先提出人脸检测系统的构成,分析Adaboost算法对图像进行人脸检测的基本原理。根据Adaboost算法形成了简单的矩形特征作为人脸特征,即Haar-like特征,然后由多个Haar-like特征相当于一个弱分类器,由多个弱分类器级联成为一个强的分类器,并将级联分类器用于动态人脸检测中,从截取的每一帧图像中进行检测。经过实验验证,采用这种方法和步骤进行人脸检测达到了比较好的精度和速度,为接下来的人脸识别提供了前提条件。

基于边缘与灰度梯度的人眼特征定位分析

根据由粗到精的思路,综合利用了眼睛在人脸面部特征中所特有的边缘与灰度分布信息,进行人眼特征定位.首先用横向Sobel算子对人脸图像进行边缘检测,获取人脸区域的横向边缘特征,然后采用图像形态学的方法框定人脸主要特征的大致区域,最后用计算灰度梯度密度的算法,快速精确地定位人眼区域.试验表明,本方法能快速而精确地实现人眼特征的定位.

基于梯度信息的灰度人脸检测

针对灰度图像提出了一种有效的人脸检测算法。首先对原始灰度图像利用Sobel边缘检测算子得到水平方向的梯度信息;在此基础上,结合人的眼睛灰度信息得到眼睛的初步候选区域,并根据眼睛的几何特征删除非眼睛区域;然后利用眼睛的几何特征以及人脸的“三停五眼”特性确定真正的眼睛和嘴的区域,在精确定位眼睛和嘴的几何位置后确定人脸区域;最后利用人脸的左右对称性来验证人脸。实验表明,该算法对于灰度图像的正面人脸定位以及人脸检测具有良好的效果。

应用360°全景影像于人脸检测方法

针对360°全景影像背景复杂、色彩干扰大的特点,提出了一种新颖的人脸检测新方法:首先进行彩色空间转换,结合色调信息,在YCbCr彩色空间中实现肤色区域分割。对分割区域进行形态学开闭运算有效过滤噪声;然后,利用人脸几何特征剔除不可能为人脸的虚假肤色区域;最后,利用平均人脸模板实现人脸的有效验证。实验结果表明,该方法适合于360°全景影像中的人脸检测,是一种能适应不同环境、不同姿态的人脸检测方法,效率高,稳定性好。

一种基于脸部特征提取和验证的人脸检测方法

提出了一种基于特征提取和验证相结合的人脸检测方法。首先应用肤色模型快速得到人脸候选区域 ,然后采用基于自适应的阈值选择策略对图像进行细分割 ,接着使用人脸椭圆形状来筛选可能的人脸 ,最后通过色度和灰度信息提取人脸特征 ,从而有效地检测出人脸。实验结果表明

基于多模态特征融合的轻量级人脸活体检测方法

人脸活体检测是人脸识别过程中的一个重要环节,对于身份验证的安全性尤为重要。针对人脸识别过程存在照片、视频、面具、头套、头模等欺骗手段,通过Intel Realsense相机采集人脸RGB图和深度图信息,并在MobileNetV3的基础上提出了特征融合的轻量级活体检测网络,将深度图与RGB图的特征融合起来并且进行端到端的训练。而为了解决深度学习中参数量较大以及网络尾部对于权重区域的区分的问题,提出在网络尾部采用Streaming Module以减少网络参数量并且对权重区域进行区分。在CASIA-SURF数据集以及所制作的CQNU-LN数据集上进行仿真实验,结果表明所提方法在两个数据集上均于TPR@FPR=10E-4的级别上达到了95%的精度,相较对比方法中精度最高的ShuffleNet分别提高了0.1%和0.05%;在所制作的CQNU-3Dmask数据集上,所提方法于TPR@FPR=10E-4的级别达到了95.2%的精度,比仅训练RGB图或仅训练深度图的方法分别提升了0.9%和6.5%,并且,模型的参数文件的大小仅为1.8 MB,每秒浮点数运算量(FLOPs)仅为1.5×10^6。该方法能够在实际应用中对提取到的人脸进行准确的实时检测。

一种基于轮廓图像的人脸检测方法

提出了一种基于轮廓图像的人脸检测方法。针对人脸的生理结构特征,对人脸的灰度图像进行水平和垂直方向的轮廓分割;在此基础上对轮廓图像进行分块,抽取水平和垂直方向的轮廓特征;将抽取的特征用支持向量机(support vectormachine,SVM)进行分类,将分类结果用于人脸检测。实验表明:轮廓特征能较好的反映人的脸部特征,用支持向量机对轮廓特征进行分类的方法来检测人脸是有效的。