基于深度学习的轻量级和多姿态人脸识别方法

目前基于深度学习的人脸识别方法存在识别模型参数量大、特征提取速度慢的问题,而且现有人脸数据集姿态单一,在实际人脸识别任务中无法取得好的识别效果。针对这一问题建立了一种多姿态人脸数据集,并提出了一种轻量级的多姿态人脸识别方法。首先,使用多任务级联卷积神经网络(MTCNN)算法进行人脸检测,并且使用MTCNN最后包含的高层特征做人脸跟踪;然后,根据检测到的人脸关键点位置来判断人脸姿态,通过损失函数为ArcFace的神经网络提取当前人脸特征,并将当前人脸特征与相应姿态的人脸数据库中的人脸特征比对得到人脸识别结果。实验结果表明,提出方法在多姿态人脸数据集上准确率为96.25%,相较于单一姿态的人脸数据集,准确率提升了2.67%,所提方法能够有效提高识别准确率。

基于卷积神经网络的学生课堂疲劳检测算法

为了提高教学质量,需要对学生的课堂状态进行判断,找出处于疲劳的学生;然而传统的卷积神经网络不能同时保证检测的实时性和准确性。为此,提出一种改进的多任务级联神经网络(MTCNN)来实现疲劳检测。首先,通过MTCNN实现人脸关键点定位;其次,提出一种基于多任务约束学习的眼部精准定位方法;并将常规的激活函数ReLU替换为Leaky ReLU避免了神经元失活的影响;接着,构建眼、嘴数据集,完成眼、嘴部状态分类模型训练;最后,利用训练好的模型,结合相应的判断标准实现疲劳检测。实验结果表明:本文方法的准确率达到了95.7%,同时实时性也得到了极大的改善。