尺度无关的级联卷积神经网络人脸检测算法

卷积神经网络在进行图片处理时需要输入固定尺寸大小的图片,该限制会导致原图在放缩过程中损失大部分信息。另外,目前人脸检测算法多用单一结构网络进行特征提取,这就使得算法的泛化能力较弱。针对以上两个问题,提出了一种将级联卷积神经网络与空间金字塔池化相结合的人脸检测算法。该方法将三级卷积神经网络模型连接起来,其中三级神经网络模型之间各不相同,结构从简单到复杂,在不同层次的神经网络上提取不同的人脸特征并筛选图片,完成对图片中人脸区域的检测。同时,在每级网络层次中加入空间金字塔池化层,这种池化策略无须固定尺寸大小的输入,增加了模型输入的尺寸选择。在标准人脸数据集中,该方法相对于传统方法实现了模型的多尺度输入,提升了检测的性能,并降低了检测人脸的时间。     

基于多尺度卷积神经网络的人脸润饰检测算法

针对目前人脸润饰检测算法特征提取复杂、识别率低的问题,提出了一种基于多尺度卷积神经网络的人脸润饰检测算法.不同于传统的卷积神经网络,本文的网络增加了图像预处理,利用基于方向梯度直方图（Histograms of Oriented Gradient,HOG）特征的人脸提取算法从原始图像中提取出人脸部分;在第一个池化层后连接局部归一化（Local Response Normalization,LRN）层,加速模型的收敛;提出了多尺度卷积层,将大小为1×1,3×3和5×5的卷积核进行级联,提高模型分类效果.实验结果表明,本文算法的检测精度在人脸润饰数据集LFW和ND-ⅢTD分别达到99.5%和92.9%,相比于主流网络结构和最新人脸润饰检测算法,检测精度有显著提高.     

基于分流抑制机制的卷积神经网络人脸检测法

提出了一种基于分流抑制机制的卷积神经网络(SICNN)的人脸检测方法.该方法具有结构简单、训练参数少和适应性强等优点.待测图像经过具有分流抑制机制的神经元处理以后,特征信息进一步增强.该方法的人脸检测器可以检测出具有不同表情、姿态、尺寸和背景的图像中的人脸位置,并达到较高的检测率、较快的检测速度和低的错误警报数.     

基于三通道卷积神经网络的纹身图像检测算法

针对纹身图像的特点和卷积神经网络（CNN）在全连接层对图像特征抽取能力的不足问题,提出一种三通道的卷积神经网络纹身图像检测算法,并进行了三方面的改进工作。首先,针对纹身图像的特点改进图像预处理方案;其次,设计了一个基于三通道全连接层的卷积神经网络进行特征提取,并对特征建立索引,有效地提高了网络对不同尺度下空间信息的提取能力,实现了对纹身图像的高效检测;最后,通过两个数据集验证了算法的泛化能力。实验结果表明,对NIST数据集所提预处理方案比Alex方案有总正确率提高0.17个百分点,纹身图像正确率提高0.29个百分点。在所提预处理方案下,提出的算法在标准的NIST纹身图像集上具有明显的优势,正确率从NIST公布的最优值96.3%提高到99.1%,提高了2.8个百分点;相对于传统的CNN算法,正确率从98.8%提高到99.1%,提高了0.3个百分点。在Flickr数据集上也有相应的性能提升。     

基于孪生卷积神经网络的人脸追踪

由于光照、遮挡、尺度变化等原因,在真实多变场景下完成人脸追踪面临挑战。探究了基于卷积神经网络（CNN）的人脸追踪,将基本的卷积神经网络改进为孪生神经网络,在OTB数据集上采用端到端的方式,以成对图像区域作为输入,输出两者距离,通过距离评估图像区域相似性;加入边框回归算法（bounding box regression）微调追踪结果。实验结果表明,改进后的神经网络优于传统的卷积神经网络,能达到更好的人脸追踪效果。     

复杂背景人脸检测中的尺度自适应算法研究

人脸检测在各种领域有着广泛的应用价值。在人脸检测过程中,场景复杂度以及人脸和摄像头间的距离远近对识别率都会产生影响。文章采用轻量级肤色检测网络及多尺度人脸识别网格对人脸区域进行粗定位,再使用卷积神经网络进行精确定位。实验结果表明:通过肤色检测,筛选出人脸可能存在的位置,避免了在整幅图像中进行搜索,提高了算法效率;采用多尺度扫描窗口适应人脸尺寸大小,能够解决一幅图中既有大脸又有小脸的问题;采用卷积神经网络提高了人脸检测的精度。     

基于轻量级卷积神经网络的人脸检测算法

针对人脸检测在移动端应用时面临的移动设备计算能力及存储资源受限等问题,设计一种基于轻量级卷积神经网络的改进人脸检测算法Lightweight-SSH.基于单点无头人脸检测器(SSH)人脸检测算法,采用基于MobileNet的轻量级卷积神经网络对样本数据进行特征提取,减少模型的参数量和计算量,通过在SSH网络的检测模块中...     

两层级联卷积神经网络的人脸检测

目的 传统人脸检测方法因人脸多姿态变化和人脸面部特征不完整等问题,导致检测效果不佳。为解决上述问题,提出一种两层级联卷积神经网络（TC_CNN）人脸检测方法。方法 首先,构建两层卷积神经网络模型,利用前端卷积神经网络模型对人脸图像进行特征粗略提取,再利用最大值池化方法对粗提取得到的人脸特征进行降维操作,输出多个疑似人脸窗口;其次,将前端粗提取得到的人脸窗口作为后端卷积神经网络模型的输入进行特征精细提取,并通过池化操作得到新的特征图;最后,通过全连接层判别输出最佳检测窗口,完成人脸检测全过程。结果 实验选取FDDB人脸检测数据集中包含人脸多姿态变化以及人脸面部特征信息不完整等情况的图像进行测试,TC_CNN方法人脸检测率达到96.39%,误检率低至3.78%,相比当前流行方法在保证算法效率的同时检测率均有提高。结论 两层级联卷积神经网络人脸检测方法能够在人脸多姿态变化和面部特征信息不完整等情况下实现精准检测,保证较高的检测率,有效降低误检率,方法具有较好的鲁棒性和泛化能力。     

基于BP神经网络的人脸检测AbaBoost算法

人脸检测在日常生产和应用非常重要。本文提出了一种基于BP神经网络的AdaBoost人脸检测算法。首先,使用BP神经网络代替YCbCr高斯模型建立肤色模型。同时,针对AdaBoost算法提出了一种新的权值更新方法。在权值更新中引入阈值与样本之间的距离。另外权重有一个边界值。最后,利用BP神经网络提取图像中的肤色候选区域,并采用改进的AdaBoost算法对图像中的人脸进行精确检测。实验结果表明,利用BP神经网络和改进的AdaBoost算法的新的解决方案比现有的方法具有更高的精度。     

Convolutional neural network based early fire detection

The detection of manmade disasters particularly fire is valuable because it causes many damages in terms of human lives. Research on fire detection using wireless sensor network and video-based methods is a very hot research topic. However, the WSN based detection model need fire happens and a lot of smoke and fire for detection. Similarly, video-based models also have some drawbacks because conventional algorithms need feature vectors and high rule-based models for detection. In this paper, we proposed a fire detection method which is based on powerful machine learning and deep learning algorithms. We used both sensors data as well as images data for fire prevention. Our proposed model has three main deep neural networks i.e. a hybrid model which consists of Adaboost and many MLP neural networks, Adaboost-LBP model and finally convolutional neural network. We used Adaboost-MLP model to predict the fire. After the prediction, we proposed two neural networks i.e. Adaboost-LBP model and convolutional neural network for detection of fire using the videos and images taken from the cameras installed for the surveillance. Adaboost-LBP model is to generate the ROIs from the image where emergencies exist Our proposed model results are quite good, and the accuracy is almost 99%. The false alarming rate is very low and can be reduced more using further training.

     

Convolutional face finder: a neural architecture for fast and robust face detection

In this paper, we present a novel face detection approach based on a convolutional neural architecture, designed to robustly detect highly variable face patterns, rotated up to /spl plusmn/20 degrees in image plane and turned up to /spl plusmn/60 degrees, in complex real world images. The proposed system automatically synthesizes simple problem-specific feature extractors from a training set of face and nonface patterns, without making any assumptions or using any hand-made design concerning the features to extract or the areas of the face pattern to analyze. The face detection procedure acts like a pipeline of simple convolution and subsampling modules that treat the raw input image as a whole. We therefore show that an efficient face detection system does not require any costly local preprocessing before classification of image areas. The proposed scheme provides very high detection rate with a particularly low level of false positives, demonstrated on difficult test sets, without requiring the use of multiple networks for handling difficult cases. We present extensive experimental results illustrating the efficiency of the proposed approach on difficult test sets and including an in-depth sensitivity analysis with respect to the degrees of variability of the face patterns.     

基于神经网络的僵尸网络检测

目前主流的僵尸网络检测方法主要利用网络流量分析技术,这往往需要数据包的内部信息,或者依赖于外部系统提供的信息或僵尸主机的恶意行为,并且大多数方法不能自动存储僵尸网络的流量特征,不具有联想记忆功能.为此提出了一种基于BP神经网络的僵尸网络检测方法,通过大量的僵尸网络和正常流量样本训练BP神经网络分类器,使其学会辨认僵尸网络的流量,自动记忆僵尸流量特征,从而有效检测出被感染的主机.该神经网络分类器以主机对为分析对象,提取2个主机间通信的流量特征,将主机对的特征向量作为输入,有效地区分出正常主机和僵尸主机.实验表明,该方法的检测率达到99%,误报率在1%以下,具有良好的性能.     

模糊k均值算法和神经网络算法在入侵检测中的应用

为了解决由于入侵检测样本数据多和冗余属性导致的BP神经网络训练速度慢和效率低的问题,本文提出利用模糊k均值聚类算法对样本数据依据和目标属性相关性和隶属度强弱进行聚类,优化神经网络权值。实验表明,该算法检测的准确率较高,网络入侵检测的性能和效率都得到了提高。     

基于可拓神经网络的火灾探测算法

为解决传统单一传感器式的火灾探测器容易造成火灾报警的漏报和误报的问题,采用多传感器信息融合技术,将温度、烟雾浓度和CO浓度等多个参数相结合,进行综合分析,对火灾进行早期预测。采用可拓神经网络作为数据融合算法,以温度、烟雾浓度、CO气体浓度三个物理参量作为输入,以三种火灾预警等级作为输出。通过仿真分析结果表明：火灾正确识别率很高,达到93.9%以上。同时通过与传统BP神经网络的对比,表明可拓神经网络在数据融合的速度和可靠性上有突出的优势,从而使可拓神经网络实际应用于火灾早期预测成为可能。     

Human face detection with neural networks and the DIRECT algorithm

Based on Rowley’s approach, this article proposes a new architecture that uses a specific optimization technique, the DIRECT (DIviding RECTangle) algorithm, to improve the efficiency of face detection in images. The system consists of two main parts: a neural network-based face detection arbitrator, and a search strategy based on an integer-handling DIRECT algorithm. By the architecture, the number of arbitrations is dramatically reduced, and human faces, if they are present in an image, are not restricted to predetermined resolutions and aspect ratios. Experimental results show that the proposed architecture is efficient in terms of both speed and robustness. This work was presented in part at the 12th International Symposium on Artificial Life and Robotics, Oita, Japan, January 25–27, 2007     

基于卷积神经网络的翻录语音检测算法

针对翻录语音攻击说话人识别系统,危害合法用户的权益问题,提出了一种基于卷积神经网络（CNN）的翻录语音检测算法。首先,通过提取原始语音与翻录语音的语谱图,并将其输入到卷积神经网络中,对其进行特征提取及分类;然后,搭建了适应于检测翻录语音的网络框架,分析讨论了输入不同窗移的语谱图对检测率的影响;最后,对不同偷录及回放设备的翻录语音进行了交叉实验检测,并与现有的经典算法进行了对比。实验结果表明,所提方法能够准确地判断待测语音是否为翻录语音,其识别率达到了99.26%,与静音段梅尔频率倒谱系数（MFCC）算法、信道模式噪声算法和长时窗比例因子算法相比,识别率分别提高了约26个百分点、21个百分点和0.35个百分点。     

利用几何分析法和BP神经网络进行人脸识别的研究

提出了一种基于几何特征分析和人工神经网络由粗到细的两级人脸探测方法。在第1级中，眼睛和脸是通过测量眼睛的尺寸和眼睛与脸的位置关系探测到的，第1级的输出是一个尺寸归一化的人脸，但偶尔也伴随着一个或多个因对复杂背景中与眼睛类似的物体的误判而得到的非人脸图像；第2级神经网络正是用来过滤掉第1级中被误判的人脸。实验表明，这种由粗到细的两级人脸探测系统具有高的稳定性和探测正确率。