基于三元组损失函数的深度人脸哈希方法

大规模人脸数据集上的快速检索是人脸识别应用的关键问题.较短长度人脸哈希方法可降低人脸特征比对的计算量,有助于大规模人脸识别的应用.为此提出了一种基于三元组损失函数的深度人脸哈希方法,通过优化三元组损失函数训练深度卷积神经网络以提取图像深层特征,使得由该特征表征的同类图像在欧式空间中的距离尽可能小,不同类图像在欧式空间中...     

基于深度学习的人脸识别算法浅析

相较于指纹识别、虹膜识别、声纹识别,人脸识别具有自然、便捷、体验友好的特征,成为大多数人认可的生物识别技术。近年来,随着GPU技术的成熟和数据集规模越来越大,让人脸识别技术的关注方向从基于手工特征的传统方法和传统的机器学习技术转移到使用大数据集训练的深度神经网络。现在,基于深度学习的人脸识别技术在人证比对、实名认证、人机交互、考勤、安防、美颜、趣味拍照、直播、微动作识别(疲劳驾驶、课堂听讲、罪犯审判)等领域得到了广泛的关注。文章首先简述人脸识别的发展历程,之后从深度学习方法、人脸数据集、网络结构、损失函数这四个方面,对目前流行的基于深度学习方法的人脸识别技术做一个较为详细的综述。     

基于FaceNet改进的人脸识别算法

阐述FaceNet人脸识别算法模型参数量大、训练难度大，无法在本地或嵌入式系统中运行的问题。提出一种基于FaceNet改进的人脸识别算法。同时，采用联合损失函数训练网络模型，达到降低训练难度的目的。通过实验验证，该模型可以准确地识别人脸，对光照、姿态、遮挡等外界因素鲁棒。     

基于身份感知模型的素描人脸识别方法

针对素描图像和光学图像之间存在较大的模态差异这一问题,提出了一种基于身份感知模型的素描人脸识别方法,实现跨模态图像生成和素描人脸识别。该方法应用新的感知损失来监督图像生成网络,生成更好的跨模态图像,减少模态差异带来的识别精度损失,并通过三元组损失来正则化类内和类间距离,增强识别模型的性能,用联合训练策略提升素描人脸识别能力。在UoM-SGFSv2、e-PRIP等素描人脸数据集上的实验结果表明,该方法识别效果优于其他对比算法。     

基于新型三元卷积神经网络的行人再辨识算法

基于三元卷积神经网络的行人再辨识算法多数采用欧式距离度量行人之间的相似度,并配合铰链(hinge)损失函数进行卷积神经网络的训练。然而,这种作法存在两个不足:欧式距离作为行人相似度,鉴别力不够强;铰链损失函数的间隔(Margin)参数设定依赖于人工预先设定且在训练过程中无法自适应调整。为此,针对上述两个不足进行改进,该文提出一种基于新型三元卷积神经网络的行人再辨识算法,以提高行人再辨识的准确率。首先,提出一种归一化混合度量函数取代传统的度量方法进行行人相似度计算,提高了行人相似度度量的鉴别力;其次,提出采用Log-logistic函数代替铰链函数,无需人工设定间隔参数,改进了特征与度量函数的联合优化效果。实验结果表明,所提出的算法在Auto Detected CUHK03 和VIPeR两个数据库上的准确率均获得显著的提升,验证了所提出算法的优越性。     

基于最小边际损失的人脸识别方法的研究

得益于近几年深度神经网络的快速发展,人脸识别技术取得了巨大的成功。在深度神经网络中使用不同的损失函数会产生不同的效果。现有的一些损失函数已经拥有了很好的性能,然而它们无法解决类别不平衡数据集中存在的边际偏差问题,即长尾分布问题。提出了一种新的损失函数,最小边际损失,旨在扩大那些过度封闭的类中心对的边界,以增强深度特征的判别能力。在Inception-ResNet-v1中加入了最小边际损失函数,并在多个人脸识别基准数据集上进行了大量实验。实验结果表明,最小边际损失函数提升了人脸识别的能力,减少了边际偏差的负面影响。     

基于Gabor特征的人脸识别算法的对比研究与实现

由于Gabor变换的核函数分布与哺乳动物视觉皮层简单细胞2D感受野剖面非常类似,并具有良好的方向选择性和空间局部性,从而为图像局部区域内多个方向的空间尺度信息和局部性结构特征的获取提供了更有效的方法。为了验证Gabor特征在人脸识别中的有效性和准确性,本文提出了一种采用目前四种传统特征提取的人脸识别方法与基于Gabor特征的人脸识别方法进行对比研究,同时提出利用ROC和CMC两个参量来验证基于Gabor特征人脸识别方法的有效性和准确性。在ORL人脸数据库上取得的实验结果表明,基于Gabor特征的人脸识别方法在同等条件下,得到了更高的人脸识别率,同时具有良好的鲁棒性。     

基于支撑向量机的人脸识别技术

文中提出了一种基于支撑向量机的人脸识别方法.该方法与传统方法相比,克服了后者固有的过学习和欠学习问题,并且对复杂模式的识别能力强,达到了很高的人脸识别率.在对训练图像进行预处理之后,使用主成分分析方法对人脸图像进行特征提取和选择,用所选择的人脸特征向量训练多个支撑向量机,最后用训练好的支撑向量机进行人脸识别.文中将支撑向量机性能和传统方法进行了对比,并且对不同核函数的支撑向量机的性能也进行了对比.发现当特征脸数量不同时,不同核函数支撑向量机的性能也不同.总体而言,二阶多项式支撑向量机在人脸识别问题中具有更好的性能.     

VPC优化格拉斯曼流形的视频人脸识别北大核心

针对视频人脸识别中由于光照、表情、姿态等变化而严重影响识别性能的问题,提出了一种基于视频分块聚类优化格拉斯曼流形的视频人脸识别方法。首先通过去除孤立点、均匀采样、剪裁、姿势纠正等过程将视频数据集进行规范化;然后从训练视频的不同位置提取出可变长度的局部视频片段,使用基于谱聚类的高效算法将其表示为格拉斯曼流形上的点;最后,将所得到的聚类中心和测试视频中的点相匹配,并且利用基于表决的策略来完成测试视频的人脸识别。在视频人脸数据库Honda/UCSD、CMU Mobo及YouTube上的实验验证了该方法的有效性,实验结果表明,相比几种较为先进的视频人脸识别方法,该方法取得了更好的识别效果。     

VPC优化格拉斯曼流形的视频人脸识别

针对视频人脸识别中由于光照、表情、姿态等变化而严重影响识别性能的问题,提出了一种基于视频分块聚类优化格拉斯曼流形的视频人脸识别方法。首先通过去除孤立点、均匀采样、剪裁、姿势纠正等过程将视频数据集进行规范化;然后从训练视频的不同位置提取出可变长度的局部视频片段,使用基于谱聚类的高效算法将其表示为格拉斯曼流形上的点;最后,将所得到的聚类中心和测试视频中的点相匹配,并且利用基于表决的策略来完成测试视频的人脸识别。在视频人脸数据库Honda/UCSD、CMU Mobo及YouTube上的实验验证了该方法的有效性,实验结果表明,相比几种较为先进的视频人脸识别方法,该方法取得了更好的识别效果。     

采用新型纹理特征的2DLDA人脸识别算法

针对现有基于纹理特征的人脸识别算法中纹理特征维数偏大且对噪声较敏感等不足,提出了用于描述人脸图像大尺度局部特征的中心四点二元模式（Center Quad Binary Pattern, C-QBP）和用于描述图像小尺度局部特征的简化四点二元模式（Simplified Quad Binary Pattern, S-QBP）两种互补的新型纹理特征。在此基础上,实现基于新型纹理特征的2DLDA人脸识别算法。首先对人脸图像进行多级分割,再对所产生的图像块提取C-QBP和S-QBP纹理特征,构建纹理特征矩阵。最后,采用2DLDA子空间学习算法实现基于新型纹理特征的人脸识别。实验结果表明,本文所提出的人脸识别算法的识别率明显高于其他基于纹理特征和子空间学习的人脸识别算法。当每一类训练样本数统一设置为5,特征维数为48×4时,在ORL人脸库上,本文所提出的人脸识别算法的识别率达98.68%;在YALE人脸库上,特征维数为48×36时,识别率达99.42%;在FERET人脸库上,特征维数为48×26时,识别率为91.73%。      

基于判别性降维的字典学习在人脸识别中的应用

针对目前大多数人脸识别方法只能单独实施降维或者字典学习而不能完全利用训练样本判别信息的问题,提出了基于判别性降维的字典学习方法,通过联合降维与字典学习使得投影矩阵和字典更好地相互拟合,从而可以获得更高效的人脸分类系统。所提方法的有效性在AR及MPIE两大通用人脸数据库上得到了验证,实验结果表明,相比于几种先进的线性表示方法,所提算法取得了更高的识别率,特别当训练样本数很少的时候,识别效果更佳。     

基于三元损失的保险业务牛脸识别系统的设计北大核心CSCD

针对当前畜牧保险行业勘察、定损中牛身份识别难的问题,本文将深度学习框架与物联网(internet of things,IOT)技术结合构建牛脸识别系统。系统中以Inception_Resnet_v1作为深度学习网络框架,结合Triplet Loss损失函数,完成牛面部特征的提取,通过计算余弦距离对特征进行身份识别。基于flask和vue框架布署牛脸检测和特征提取及验证模型,开发牛脸信息数据库,提供身份注册和验证web服务。为验证系统可行性,采集并制作牛脸识别数据集CFID200,在20%未见牛脸的条件下,牛脸识别系统准确率与验证率达到95%以上,满足保险业务牛脸身份识别需要。     

A directional margin paradigm for noise suppression in face recognition

Convolutional neural networks (CNN) have achieved outstanding face recognition (FR) performance with increasing large-scale face datasets. With face dataset size grown, noisy data will inevitably increase, undoubtedly bringing difficulties to data cleaning. In this paper, the probability that the sample belongs to noise can be determined based on the cosine distance (cos$\theta$) of normalized angle center and face feature vector in the margin-based loss functions. According to this finding, we propose a two-step learning method integrated into the loss function. The new proposed directional margin loss function combines the noise probability with the label as the supervision information. Experiments show that our method can tolerate noisy data and get high FR accuracy when the training datasets mix with more than 30% noise. Our approach can also achieve a great result of 79.33% in MegaFace challenge one using a noisy training dataset.     

Face verification based on deep Bayesian convolutional neural network in unconstrained environment

Unconstrained face verification aims to verify whether two specify images contain the same person. In this paper, we propose a deep Bayesian convolutional neural network (DBCNN) framework to extract facial features and measure their similarity for face verification in unconstrained conditions. Specifically, we design a deep convolutional neural network and construct a Bayesian probabilistic model by transferring the Bayesian likelihood ratio function into linear decision function. By training a decision line rather than finding a suitable threshold, we further enlarge the distances between inter-class and intra-class in unconstrained environment. Finally, we comprehensively evaluate our method on LFW, CACD-VS and MegaFace datasets. The test results on LFW and CACD-VS datasets show that our method can shrink intra-class variations significantly. The performance of our DBCNN model on MegaFace dataset proves that our model can achieve comparable performance to state-of-the-art methods on face verification with relative small training data and only one single network.     

面向人脸验证的可迁移对抗样本生成方法

在人脸识别模型的人脸验证任务中,传统的对抗攻击方法无法快速生成真实自然的对抗样本,且对单模型的白盒攻击迁移到其他人脸识别模型上时攻击效果欠佳。该文提出一种基于生成对抗网络的可迁移对抗样本生成方法TAdvFace。TAdvFace采用注意力生成器提高面部特征的提取能力,利用高斯滤波操作提高对抗样本的平滑度,并用自动调整策略调节身份判别损失权重,能够根据不同的人脸图像快速地生成高质量可迁移的对抗样本。实验结果表明,TAdvFace通过单模型的白盒训练,生成的对抗样本能够在多种人脸识别模型和商业API模型上都取得较好的攻击效果,拥有较好的迁移性。     

基于LLE与Fisher线性判别的人脸识别算法

为了提高基于流形学习理论人脸识别算法的识别率,采用一种将非线性降维与Fisher线性判别相结合的方法。首先利用邻域嵌入算法,将人脸图像测试和训练集的维数降低到合适维度,然后使用Fisher线性判别进行人脸数据集特征的提取,最后将测试集人脸图像特征和训练集人脸图像特征,使用最近邻分类器进行分类。在公开的Olivettifaces和ORL人脸图像数据库上,分别将该算法与几种经典基于流形学习理论的人脸识别算法进行了对比实验,实验结果表明当近邻数比较大时本算法识别率是最高的。