基于深度学习的人脸识别

人脸识别是图像领域的经典问题。为解决目前人脸识别中普遍存在的识别精度不高、特征点估计较为粗糙等问题,提出一种基于ResNet卷积神经网络(R-CNN)的人脸识别方法。该方法利用人脸特征探测器有效地提取了人脸特征,同时将R-CNN用于二维人脸识别,建立了人脸识别模型。实验采集了400张目标脸图片,并将其与人脸库中的1 000张样本进行混合。R-CNN模型共训练了130轮,能在摄像头中识别目标脸。在训练了80轮之后,模型准确率达到了90%以上,识别效果较好。相较于传统的人脸识别方法,该方法结合了深度学习方法,具有较高的识别率。     

基于深度学习的人脸识别技术分析

作为重要的人工智能研究方向,人脸识别研究近年来大量涌现,相关产品也在各领域广泛应用.基于此,文章将围绕一种基于深度学习提升人脸识别技术准确率的算法开展研究,在计算框架加速化和网络结构小型化支持下,实时化人脸识别得以实现,由此设计的人脸识别系统可用于物联网设备.     

一种基于深度学习的改进人脸识别算法

针对当前许多算法在非约束条件下特征判别能力不强、人脸识别性能不佳等问题,提出一种基于深度学习的改进人脸识别算法,通过训练多任务级联卷积神经网络,完成非约束图像的人脸检测和人脸归一化,提高训练图像的人脸信息,减少对模型的干扰。同时使用Softmax损失与中心损失联合监督训练模型,优化类内聚合、类间分散。实验结果表明,该算法提高了模型的特征判别能力,在LFW标准测试集上达到了较高的识别率。     

深度学习与人脸识别算法研究

目前人脸识别技术已经得到了较多的应用,包括在安检工作、金融工作以及交通等领域中,其稳定性强、识别精度高,市场应用前景广阔,能够为用户信息的识别提供更便捷的服务。随着对人脸识别研究的深入,出现了更多的算法,最初大多都是提取浅层特征来进行分析,并采用特征融合的方式识别,在最后的识别过程中主要利用了联合贝叶斯分布等机器学习分类器进行处理。这种方法虽然能够达到一定的识别效果,但是精度不高,容易受到多种外部因素(光照、遮盖等)的影响,降低了识别结果的准确性。本文主要对人脸识别的框架进行了研究与分析,首先设计了人脸识别框架,然后对深度学习人脸识别算法的几个重要组成部分进行了分析与研究,主要包括人脸对齐模块、人脸特征提取、人脸识别验证模块等。     

基于深度学习与多哈希相似度加权实现快速人脸识别

无论是使用传统的方法进行人脸识别,还是使用神经网络进行人脸识别,都存在运算量大、运算时间长等问题,很难对视频中的人脸进行实时检测与匹配。针对上述问题,使用轻量化神经网络进行人脸检测,使用运算简单的哈希算法计算人脸图像相似度,并对多个哈希相似度值加权进行人脸匹配,是减少运算时间、实现快速人脸识别的可行方案。使用轻量化神经网络Mobilenet作为人脸特征提取网络,使用剪枝的SSD模型作为检测网络,通过级联Mobilenet与SSD实现人脸的检测,之后对检测到的人脸图像进行识别。首先,分别计算人脸图像的均值哈希相似度与感知哈希相似度。然后,分别使用α和β作为均值哈希与感知哈希的加权系数对图像的均值哈希与感知哈希相似度值进行加权,并将结果作为图像的最终相似度。当加权后的相似度值大于设定的阈值I时,则认为两张图像中的人脸是同一个人;当加权后的相似度值小于设定的阈值K时,则认为两张图像中的人脸是不同的人。对于相似度处于阈值I和阈值K之间的图像,将它们按照相似度值从高到低的顺序择优匹配。所提方法在WiderFace和FDDB上的人脸检测准确率分别达到92.5%和94.2%,每张图片的平均处理时间为...     

基于深度可分离卷积的轻量化人脸识别方法设计

针对传统人脸识别方法识别精度较低的问题,提出基于深度可分离卷积的轻量化人脸识别方法。构建深度可分离卷积的轻量级卷积神经网络模型,采集人脸图像并进行预处理,从而增强数据集,采用多任务卷积神经网络提取人脸特征,完成人脸识别方法的设计。实验结果表明,该方法优于其他方法,人脸识别的准确率保持在90%以上,识别精度较高。     

基于深度学习的人脸识别课堂考勤系统设计

课堂考勤是课堂教学中的重要环节,随着信息技术的发展,以人脸识别为代表的生物特征识别技术应用于课堂考勤管理,但传统人脸识别技术存在识别速度慢、准确率低等问题。根据课堂考勤管理业务需求,设计了基于深度学习的人脸识别课堂考勤系统。该系统采用Dlib库的深度学习模型对摄像头捕获的学生图像信息进行人脸特征提取与人脸对比,可以自动进行人脸识别与数据统计。测试结果表明,该系统能够满足省时、高效、准确性高的设计要求。     

深度人脸识别的光照分析

光照是影响人脸识别效果的重要因素,针对当前人脸数据建库技术构建满足光照分析需求的数据库难度较大的问题,开展基于三维人脸模型的深度人脸识别光照分析研究.首先,借助三维人脸模型,根据人脸基图像表示理论提出一种对应任意光照的人脸图像生成方法,用于构建光照分析所需的人脸图像库;然后,利用构建的多光照人脸图像库分析不同光照采样方案对人脸识别模型性能的影响,探索建库所需的最优光照采样方案;最后,借助虚拟数据具有准确光照标注的优势,基于多任务学习框架测试不同光照标注方法对识别网络训练效果的影响,进一步提高深度人脸识别网络对光照变化的鲁棒性.通过在虚拟数据和真实数据上开展的不同光照采样方案及标注方法对人脸识别模型性能影响的实验得出,使用适量基图像光照构建数据库是一种有效的光照采样方案,而准确的光照标注可进一步提升人脸识别率,对应的识别模型在具备极端光照的测试集上的人脸识别率可达98%以上.该研究提高了深度人脸识别模型的性能,为构建人脸图像库的光照采样策略和光照标注方法提供了依据.     

新时代背景下基于深度学习的人脸识别技术开发探究

人脸识别技术的出现具有划时代的意义,该技术凭借强大的技术支持被广泛应用于监控、安防、支付等领域。传统人脸识别具有卡顿和识别准确率低等问题,基于深度学习的人脸识别技术能够很好地解决这些问题,优化识别流程,提升识别效率。文章首先对深度学习、卷积神经网络及人脸识别进行概述,然后对人脸识别的数据预处理进行分析,包括人脸检测、人脸关键点监测和人脸归一化,最后对基于深度学习网络的人脸识别进行研究。     

一种基于局部三值模式的深度学习人脸识别算法

为解决传统特征提取过程中过多依赖人工选择和传统DBN网络易忽略局部特征问题,提高人脸识别率,提出一种基于局部三值模式的深度学习人脸识别算法(LTDBN)。该算法首先把归一化的人脸图像均匀分割为多个小块,对每个小块进行LTP运算,然后用统计直方图获得最后图像特征,将其作为DBN的输入数据,利用逐层贪婪学习法对整个网络进行训练识别。该算法在ORL,Yale,Yale-B等公开人脸库的识别率分别达到了98.75%,100%,96.62%,实验结果表明LTDBN算法不仅识别率明显优于其他现有算法,而且也降低了光照、姿态等因素对实验结果的影响。     

一种结合Gabor小波与深度学习的人脸识别方法

针对人脸识别中识别效果易受光照、姿态等因素影响和浅层学习方法不能有效提取人脸图像抽象特征的问题,提出一种结合Gabor小波与深度学习的人脸识别方法。该方法首先利用Gabor小波变换获取不同尺度和方向的人脸Gabor特征,通过下采样和受限玻尔兹曼机（RBM）对Gabor特征进行有效降维;其次将降维后的特征作为深度信念网络（DBN）的输入,并使用对比散度算法训练DBN;最后利用标签数据对DBN进行有监督微调,网络顶层附加Softmax分类器对提取后的特征进行分类。所提方法在ORL、UMIST和Yale-B人脸库上的识别率分别达到了98.72%、96.51%和96.13%,实验结果表明所提方法不仅识别效果明显优于其他现有方法,而且对光照、姿态变化具有很好的鲁棒性。     

基于深度学习的重叠人脸检测

人脸检测在人机界面、安全系统、人脸识别、基于内容的图像检索等不同应用中起着重要作用。随着计算机图像技术的发展,人脸检测的方法也越来越多。但是利用现有的人脸检测方法检测重叠人脸时,虽然能够检测出部分人脸,但是相比于单人脸的检测,算法的效率和准确性都有所欠缺。针对这个问题,提出了一种基于深度学习的重叠人脸检测方法。首先基于机器学习方法,构建出多个人脸特征分类器,然后再利用肤色检测的方法对分类器得到的候选人脸进行二次检测,最后利用提出的一种NMS算法对候选人脸进行进一步的处理,从而检测出精确的人脸。为了验证算法的高效性和准确性,进行了多个人脸检测算法的对比实验,结果表明,该算法在效率和准确性方面都有较大提高。     

基于深度学习的多模态融合三维人脸识别

二维人脸识别受光照、遮挡和姿态的影响较大.为了克服二维人脸识别的缺点,本文提出了一种基于深度学习的多模态融合三维人脸识别算法.该方法首先使用卷积自编码器将彩色图像和深度图进行融合,将融合后的图像作为网络的输入进行预训练,并且设计了一种新的损失函数cluster loss,结合Softmax损失,预训练了一个精度非常高的模型.之后使用迁移学习将预训练的模型进行微调,得到了一个轻量级神经网络模型.将原始数据集进行一系列处理,使用处理之后的数据集作为测试集,测试的识别准确率为96.37%.实验证明,该方法弥补了二维人脸识别的一些缺点,受光照和遮挡的影响非常小,并且相对于使用高精度三维人脸图像的三维人脸识别,本文提出的算法速度快,并且鲁棒性高.     

基于深度学习的实时场景小脸检测方法

实时场景下的小脸检测存在检出率低而且回归精度差的问题。通过融合更底层特征进行多尺度级联预测。根据实时场景下的人脸特点生成不同大小和比例的预测框以更好地适应人脸形状。在预测阶段提出了基于IOU判别的soft and hard nms算法，对冗余预测框进行抑制，设置两个阈值将网络生成的预测框划分为低中高三段，对不同段的预测框采取不同的处理以达到精准筛选的目的。最优架构可在两张NVIDIA GTX 1080显卡下的实时视频检测和摄像头检测中获得45 f/s的速度，并且在Wider Face总体验证集上取得82.6%的平均精度。     

基于人脸识别的远程身份验证系统

文章介绍了一种基于人脸识别的C/S结构的远程身份验证系统,讨论了系统结构与关键技术,给出了实验结果.系统采用奇异值分解和判别式KL投影提取特征,利用最邻近法进行分类,适用于人脸样本数量不是很大的情况.实验证明系统达到了较好的应用效果.     

基于改进卷积神经网络与集成学习的人脸识别算法

针对复杂卷积神经网络(CNN)在中小型人脸数据库中的识别结果容易出现过拟合现象,提出一种基于改进CNN网络与集成学习的人脸识别算法。改进CNN网络结合平面网络和残差网络的特点,采用平均池化层代替全连接层,使得网络结构简单且可移植性强。在改进CNN网络的基础上,利用基于投票法的集成学习策略将所有个体学习器结果凸组合为最终结果,实现更准确的人脸识别。实验结果表明,该算法在Color FERET、AR和ORL人脸数据库上的识别准确率分别达到98.89%、99.67%和100%,并且具有较快的收敛速度。     

一种基于QPSO优化的流形学习的视频人脸识别算法

视频场景复杂多变, 视频采集设备不一致等原因, 导致无约束视频中充斥着大量的遮挡和人脸旋转, 视频人脸识别方法的准确率不高且性能不稳定.为解决上述问题, 本文提出了一种基于QPSO优化的流形学习的视频人脸识别算法.该算法将视频人脸识别视为图像集相似度度量问题, 首先帧图像对齐后提取纹理特征并进行融合, 再利用带有QPSO优化的黎曼流形大幅度简约维度以获得视频人脸的内在表示, 相似度则由凸包距离表示, 最后利用SVM分类器获得分类结果.通过在Youtube Face数据库和Honda/UCSD数据库上与当前主流算法进行的对比实验, 验证了本文算法的有效性, 所提算法识别精度较高, 误差较低, 并且对光照和表情变化具有较强的鲁棒性.