一种应用于自助服务终端的AI智能摄像头模组设计研究

自助服务终端在现代服务业中扮演着关键的角色,它通过综合运用人脸识别、指纹识别等生物识别技术以及各种输入输出设备,可以高效精准的确认客户身份,为客户提供更加高效便捷的自助服务体验。但目前自助服务终端普遍存在人脸识别准确率低,其中一个主要的原因就是设备人脸的拍摄角度无法适应不同身高的客户群体,导致业务办理过程中经常出现人脸识别失败,业务办理无法正常完成。针对这一问题,提出了一种创新的解决方案,将AI技术与摄像头角度智能调节相结合,显著提升自助服务终端对不同身高用户的适应性,并从根本上改善用户的服务体验。该研究为自助终端行业的技术进步和创新发展提供可参考的实践经验。

一种上位机与Android设备的通信方法

当前,Android设备量产环节都是上位机与Android设备进行通信,以获取Android设备数据状态,通过对数据状态进行分析来完成设备的功能测试。为提升Android设备生产环节的测试效率,文中提出了一种基于USB或WIFI的方案物理层。其中,软件适配层基于Android Debug Bridge,上位机应用层通过socket通信,实现了一种运行Android系统的硬件设备与运行Window/Linux的上位机实时通信的方法。

基于GhostNet和特征融合的人脸活体检测算法

人脸识别技术的广泛应用在为用户带来方便的同时,也带来了人脸欺骗和展示攻击等问题。针对经常出现的展示攻击和打印攻击问题,提出了一种基于GhostNet和特征融合的人脸活体检测算法。首先,将GhostNet模型的特征提取过程分为三种不同的阶段,即低等特征、中等特征和高等特征;然后,分别输出每个阶段的特征图信息;最后,将具有不同语义信息的特征图送入特征融合模块进行自适应加权融合,以获得更加具有辨别性的特征映射。在NUAA和CelebA-Spoof两个公开数据集上进行实验,实验结果表明所提算法的准确率分别为99.97%和93.41%,相较于GhostNet模型直接进行训练的算法分别提高了8.00和9.20个百分点。与异构内核的卷积神经网络(HK-CNN)、轻量级卷积神经网络FeatherNet、基于分块的多流网络FaceBagNet等算法相比,所提算法在NUAA和CelebA-Spoof数据集上表现出更好的性能;并且,由于GhostNet是一种轻量化的网络模型,所提算法在CelebA-Spoof数据集上对单张图像进行推理的时间仅需3.6 ms。