基于CNN和亮度均衡的人脸活体检测算法

人脸活体检测是人脸识别系统中比较重要的一环,对金融支付、门禁系统等具有重大意义.针对人脸对齐不稳定、复杂光照、活体检测网络结构复杂等问题,论文提出使用卷积神经网络和亮度均衡结合的方法.论文首先使用基于P-net,R-net,O-net三个CNN进行级联的MTCNN算法,实现对人脸的精准定位并将检测出的人脸边界框按指定倍...     

基于小波变换的人脸检测

提出了一种基于二维离散小波变换的人脸检测算法。该算法采用Haar小波计算小波脸,导出了提取人脸特征向量的相应公式,利用感知准则训练线性分类器进行分类判决。在4个不同的人脸数据集上与特征脸方法进行了比较。结果表明,该算法的计算效率和检测精度均优于特征脸方法。     

基于卷积神经网络的人脸图像特征提取

为了提高对人脸的自动识别和检测能力,提出了一种基于卷积神经网络的人脸特征提取技术。采用连续模板匹配技术进行人脸边缘轮廓的检测,采用Harris角点检测方法进行人脸的关键特征点定位,在人脸的分块区域内进行人脸的肤色特征分析和外包矩形轮廓区域特征提取,结合肤色特征对图像中人脸特征点进行图像重构和精确定位,对提取的人脸特征点采用卷积神经网络进行分类,实现对人脸图像特征的优化提取。仿真结果表明,采用该方法进行人脸特征提取的准确性较高,具有较好的特征匹配能力。     

双通道卷积神经网络人脸表情识别

将卷积神经网络的单通道全连接层改为双通道,构建并训练了一个新的双通道卷积神经网络模型以增强模型的特征表达能力。在全连接层用Maxout激活函数代替传统的ReLU激活函数以优化网络内部结构。在网络训练过程中,采用A-Softmax损失,使卷积神经网络能够学习角度判别特征。改进后的卷积神经网络模型在FER2013数据集上准确率为73.6%。     

基于二重BP神经网络的静态人脸检测算法的研究

提出了一种基于BP神经网络的静太人脸检测算法。首先，通过形态学闭运算提取包含人眼区域的二值图像，对二值图像进行基于连通性的标注，标注区域会聚形成候选人眼点。对待选人眼点进行筛选后，送入BP神经网络进行判断，得出人眼点。最后人眼点两两组合形成待选人脸，送入第二个BP网络进行判断。     

基于卷积神经网络及几何特征对人脸的识别

针对不同的人脸位置,人脸颜色与背景区域颜色会产生较大差异,引入灰度差值算子,确定累积灰度差值变化较大的横坐标,进而判断人脸边界,从而实现对人脸位置的判定.利用神经网络自动学习图像,并选取出抽象程度更高的特征,从而确定面部关键点位置,计算五官属性值并对五官进行评价打分.引入脸部几何特征指标,将五官评分指标与几何特征指标结合提取人脸特征向量,运用欧式距离算法计算脸部特征向量的相似性并进行比较从而实现人脸识别.     

基于惩罚因子的PNMS算法的人脸检测和对齐

针对人脸相互遮挡、人脸朝向等不确定性因素给人脸检测和对齐任务带来的困难问题,提出了基于惩罚因子的PNMS算法用以改进人脸检测和对齐的准确性。该算法首先根据人脸候选窗口相互之间的重叠度和候选窗口相应的检测得分,提出非连续的线性函数和基于高斯分布的连续函数,作为非极大值抑制算法的两种惩罚因子,用以改进并替代传统非极大值抑制算法对候选窗口的检测得分进行重分配。在此基础上,综合前两种惩罚因子的优缺点以及窗口之间的重叠度值,进一步提出连续非线性函数作为非极大值抑制算法的惩罚因子,使得窗口之间重叠度值越大则相应的惩罚权重越严重,且函数在整个重叠取值区间连续。将提出的算法在FDDB和WIDER FACE这2个人脸检测数据集上进行详尽的人脸检测实验验证,以及在AFLW人脸对齐数据集上进行人脸对齐实验验证。结果表明,提出的基于惩罚因子的PNMS算法相比于其他算法,在保持一定实时性的同时不仅有效地提高了人脸检测和对齐的准确率和可靠性,并且解决了一定程度的人脸相互遮挡被漏检的问题,降低了被遮挡人脸的漏检率。     

基于小波分解的人脸标准化算法

在对传统积分投影法实现人脸标准化算法及其特点进行分析的基础上．针对其速度较慢的缺陷．利用小波变换的多分辨分析特性，提出了基于小波分解和积分投影的人脸标准化算法．采用ORL人脸数据库进行仿真实验．结果表明：该算法在保持原来积分投影算法优点的同时，标准化速度可以提高将近4倍，具有一定的实用价值．     

基于小波分解的人脸标准化算法

在对传统积分投影法实现人脸标准化算法及其特点进行分析的基础上,针对其速度较慢的缺陷,利用小波变换的多分辨分析特性,提出了基于小波分解和积分投影的人脸标准化算法.采用ORL人脸数据库进行仿真实验.结果表明:该算法在保持原来积分投影算法优点的同时,标准化速度可以提高将近4倍,具有一定的实用价值.     

基于卷积神经网络的大规模人脸聚类

大规模人脸聚类不仅要求高效的人脸特征,还要求聚类算法在保持高准确率的同时耗时短.本文通过构建卷积神经网络高效提取人脸特征,并采用经典K-means算法和现阶段新颖的CFSFDP（Clustering by Fast Search and Find of Density Peaks）算法进行大规模人脸聚类.实验在聚类数目递增的情况下进行,并通过随机指标(Rand Index,RI)、信息熵、F₁-measure和混淆矩阵可视化来综合评估聚类的质量.结果表明,在大规模人脸聚类的情况下,卷积神经网络特征融合K-means的人脸聚类算法速度和准确率均优于CFSFDP算法.这一结论对大规模人脸聚类的实际应用具有重要的指导意义.     

基于多尺度双通道网络的人脸活体检测

人脸活体检测在人脸识别系统的安全保护中发挥着重要作用。现有基于频率域处理人脸活体检测问题的方法是从高频信息中提取边缘和纹理信息,进而获取伪造痕迹特征,但是频域方法对光照环境和传感器采集设备变化的适应性差,鲁棒性较差。针对该问题,提出了基于多尺度双通道神经网络的人脸活体检测方法,构建了频率域通道和空间域通道,分别从频率域图像和RGB图像中提取多尺度频率域特征和多尺度空间域特征,并采用注意力机制进行双通道的特征融合,增强了网络的特征提取能力。与同类方法相比,本文方法在Oulu-NPU和Siw数据集上的检测错误率最低,并且在Idiap Replay Attack数据集上的准确率可达99%以上,验证了本文所提出的多尺度双通道网络的有效性和鲁棒性。     

基于卷积神经网络的仓储物体检测算法研究

针对仓储环境中物体检测公开数据集匮乏的问题,通过摄像机采集真实仓储环境中包含货物、托盘和叉车的大量图像进行标注,创建了一个仓储物体数据集. 同时针对传统物体检测算法在仓储环境中检测准确率较低的问题,将基于卷积神经网络的DSOD应用于仓储环境中,通过在自己创建的仓储物体数据集上从零开始训练DSOD模型,实现了仓储物体的准确性检测. 该算法的mAP达到了93.81%,比Faster R-CNN、SSD分别提高了0.04%、1.44%; 并且模型大小仅有51.3 MB,比Faster R-CNN、SSD分别减小了184.5 MB、43.4 MB. 实验结果表明,该算法获得了较为满意的仓储物体检测效果,其在仓储物体检测领域具有一定的实用价值.     

基于小波变换的人脸边缘特征提取的研究

本文研究了利用二维离散小波变换在边缘检测上的特征。当前人脸检进行测遇到的问题是如何自动地检测人脸的边缘。通过小波变换，将人脸图片分解成相似图片和细节图片，而这些图片都包含边缘信息，将此方法应用在实验中。首先，为比较其检测效率，将二维离散小波变化与其他的人脸边缘检测方法比较：其次，在比较中，测验了多频带的组合方法。通过这些方面的研究，提出了一个基于目标边界响应的新的人脸边缘追踪算法。     

基于卷积神经网络的图像拼接篡改检测算法

为了进一步提高篡改检测率,提出了一种基于卷积神经网络(CNN)的图像篡改检测算法(SCNN)。虽然CNN能够直接从数据中学习分类特征,但是在其标准形式中,它倾向于学习与图像内容相关的特征。为了克服图像取证任务中的这一问题,提出了一种新的图像预处理层来共同抑制图像内容并自适应地学习特征。使用CASIA V2.0中75%的图像对SCNN进行训练和验证,并使用CASIA V2.0中的其余图像和哥伦比亚未压缩数据集中的所有图像进行测试。实验结果表明,本文SCNN框架明具有一定有效性及鲁棒性。     

基于卷积神经网络的颅内出血检测

使用训练集的80％训练了基于ResNet-101的预测模型,剩余20％作为测试集用于评估5种出血类型的效能.实验结果表明,每一张图像的预测准确率为94.6％,每一类的平均预测准确率达98.1％.     

一种基于卷积神经网络的人脸表情自动识别方法

针对传统机器学习方法在人脸表情识别上存在特征提取繁琐、表情识别准确率不高的问题,提出一种基于深度学习的人脸表情自动识别方法.设计了一个卷积神经网络模型,以原始图像数据为输入,中间以卷积层和池化层交替作为隐层进行特征自动提取,最后将提取到的特征数据映射到全连接层,并采用Softmax函数作为分类器计算分类得分概率,实现人脸表情的自动识别分类.在公开的人脸表情数据集CK+上进行实验,结果表明本文方法能更准确地识别人脸表情.     

融合肤色模型与小波变换的人脸检测算法

针对目前人脸检测误检率高的问题,提出了一种融合肤色模型与小波变换的新算法．该算法采用肤色模型确定人脸的可能位置,然后分别对人眼和嘴巴进行检测,最终确定人脸位置．其中眼睛位置在小波变换后根据几何位置进行检测,嘴巴位置采用Fisher分类器检测．这一新算法实现了在复杂背景中单人脸快速、准确定位．与传统的YC_bC_r肤色模型检测算法相比,新算法将颜色空间与小波变换、Fisher分类相结合,提高了检测精度．实验表明,该算法的正确检测率为91％,误检率仅为2％．