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。     

基于深度学习的证件照人脸识别方法

为解决安防业务中对人脸识别技术的迫切需求,进行了基于深度学习的证件照人脸识别方法的研究与实现.对人脸识别各关键技术环节进行了实现并进行了算法对比,同时提出了使用Siamese网络进行特征重映射的方法进一步提升人脸识别精度.实验结果表明,使用证件照构建的人脸库,通过基于深度学习的算法实现了高效精确的人脸识别.     

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。     

基于深度学习的三维实时人脸识别技术研究

目前,虽然深度学习算法通过二维卷积能够获得二维图像,并且形成的二维图像可为人脸识别提供支持,但在实际场景之中,在人脸表情、姿态等方面的识别比较困难,而三维实时人脸识别技术则能够弥补这一缺陷。但由于人脸的姿态和表情随时可能出现变化,会导致三维人脸信息缺乏完整度,同时也会造成人脸区域发生变形等问题,因此,本文基于深度学习,对三维实时人脸识别技术进行研究,以持续解决当前人脸识别方面存在的问题。     

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.     

基于深度学习理论的人脸识别技术应用综述

针对基于深度学习理论的人脸识别技术应用进行了综述.分析了传统人脸识别技术面临的问题,阐述深度学习理论及研究现状,提出深度学习是人脸识别技术发展的重要研究方向,介绍了人脸识别领域中应用最多的两种模型深度信念网络和卷积神经网络,对基于深度信念网络的人脸识别技术和基于卷积神经网络的人脸识别技术进行了论述,最后对基于深度学习的...     

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。     

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。     

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。     

基于深度学习的人脸识别算法研究

考虑到现实环境中的人脸图片在角度、光线、分辨率上的复杂程度,对Inception-ResNet-V1网络结构进行了改进,同时完成了数据集制作、超参数调节等相关工作,并在家庭服务机器人平台上进行了实验研究。实验结果表明,改进的网络结构在LFW测试集上准确率达到99.22%,高于原始网络结构的99.05%;在亚洲人脸数据集上准确率达到99.20%,高于原始网络结构的97.10%;在自建非匹配人脸数据集上误识别率为3.43%,低于原始网络结构的12.28%。可以看出,与原始网络结构相比,改进网络结构提升了人脸识别的准确率且降低了误识别率。     

基于深度卷积神经网络的人脸识别技术综述

人脸识别是计算机视觉的重要应用之一,广义的人脸识别包含图像采集、人脸检测、人脸对齐、特征表示等过程。人脸识别的发展史主要是人脸特征表示方法的变迁史。针对特征的表示方法,从人脸识别技术的发展历史、研究现状和未来发展三个方面进行综述:分阶段对传统的几类经典的人脸识别算法进行回顾和总结;以深度学习算法的诞生过程为切入点,重点分析了在人脸识别中取得突破性进展的深度卷积神经网络DCNN(deep convolutional neural networks)的技术思想和关键问题;针对人脸识别和深度学习算法的重大挑战,展望了未来可能存在的发展方向。     

基于深度卷积神经网络的人脸识别

目前人脸识别技术被广泛应用于实际生活各个领域,尤其是在实时视频场景下应用越来越普及,因此对人脸识别的研究具有重大价值。通过应用Keras框架和深度学习相关知识构建深度卷积神经网络,训练出有效的人脸识别模型,并应用到实时视频场景进行人脸检测和识别,最后通过实验表明此方法能够有较高的正确率,并能准确识别视频中的人脸。     

基于深度学习的人脸识别技术在烟草商业内部监管的应用

烟草商业公司承担着向卷烟零售客户销售卷烟的业务。因为烟草行业对于零售客户可以购买的卷烟数量和销售情况有一定限制,所以零售客户在收货时需要进行拍照确认。这些收集的照片将会长期保留在公司的服务器中,等待人工审核和确认。当前内部监管面临两个难题,一是同一个接货人为多家店铺代订货,二是接货人与之前保存记录的信息不一致。这些行为都是潜在的违规行为。设计系统通过深度学习算法对比历史图片中的人脸数据信息,在发现违规问题时及时提醒相关工作人员,有效提高了监管的效率和质量。     

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。     

基于人脸识别技术的智能系统研究与开发

本文针对单人正面人脸图像的定位、特征提取以及识别的方法进行了研究,提出了结合人脸模板和人脸特征进行人脸检测的方法.利用已经定位的人脸图像,确定其眼睛、鼻部及嘴部的几何特征参数,并对实验人脸库进行监督下的分类和统计.在此基础上,实现了一个智能识别系统.     

基于人脸识别技术的人流智能分析系统

笔者提出了一种人流智能分析系统,其功能包括人脸检测、人脸性别年龄分析、人脸出现时长分析、人脸表情分析以及人脸总数统计。本研究基于机器学习的人脸开源库,采用多特征提取与卷积神经网络相结合,训练出可以同时进行人脸性别年龄分析、人脸出现时长分析和人脸表情分析的人流智能分析模型,再结合MySQL数据库进行有效统计并生成人流信息数据报表。该技术可被推广到各类经销商铺,来实现对客户特征信息的提取收集及人流动态数据统计。