基于YOLOv5的行人口罩佩戴实时检测

针对新冠疫情期间人工检查行人口罩佩戴情况效率低下的问题,提出了基于YOLOv5网络来实现对行人口罩佩戴情况的实时检测算法。收集了2000张佩戴口罩及未佩戴口罩行人图片作为数据集,先基于COCO数据集的权重数据进行预训练,提高训练的速度和检测;再将数据集导入YOLOv5模型中进行迭代训练及测试,将所获得的最优权重文件对测试集进行验证,并把训练结果可视化展示。实验结果表明,该算法在行人密集的情况下实时检测速度也能达到62.5FPS的高准确率,满足了行人口罩佩戴实时检测的要求。     

多特征融合的驾驶员疲劳状态检测方法

针对现有疲劳状态检测方法无法适用于疫情防控下的驾驶员，利用改进后的YOLOv5目标检测算法，对驾驶员的面部区域进行检测，建立多特征融合的疲劳状态检测方法.针对公交驾驶特性，建立包含佩戴口罩和未佩戴口罩情况的图像标签数据.通过增加YOLOv5模型的特征采样次数，提高眼、嘴、面部区域的检测精度.利用BiFPN网络结构保留多尺度的特征信息，使得预测网络对不同大小的目标更敏感，提升整体模型的检测能力.结合人脸关键点算法提出参数补偿机制，提高眨眼、打哈欠帧数的准确率.将多种疲劳参数融合归一化处理，开展疲劳等级划分.公开数据集NTHU和自制数据集的验证结果表明，该方法对佩戴口罩和未佩戴口罩情况均可以进行眨眼、打哈欠识别，可以准确地判断驾驶员的疲劳状态.     

基于子模式的单样本人脸识别方法

针对在单样本人脸识别中每类个体的鉴别性特征难以提取的问题,提出一种基于子模式的单 样本人脸识别方法．所提方法考虑了人脸的不同部位对人脸识别精度有不同的贡献度,并引入外部 人脸数据集来训练学习得到每类个体的鉴别性特征．在进行人脸识别时,采用人脸校准算法提取人 脸的５个基准点,并以此为中心将人脸划分成５个固定大小的子模式．在每个子模式的特征提取 上,引入外部人脸数据集,并结合ＳＶＭ 算法训练得到属于每个子模式的分类器．最后,对每个子模 式的分类结果做加权融合,得到最佳识别对象．在３个公开的人脸数据集Ｅｘｔｅｎｄ－Ｙａｌｅ－Ｂ,ＯＲＬ,ＡＲ 上与现有方法进行实验比较,结果表明所提方法在识别精度上有较大提升．     

基于CycleGAN的非配对人脸图片光照归一化方法

针对人脸识别过程中光照对识别结果的影响问题,提出了一种基于CycleGAN的光照归一化方法.使用了生成对抗式的网络结构,利用图像翻译的原理,将较亮图片的光照风格迁移至较暗图片,同时保持原人脸表面平滑且结构基本不变.使用非配对的数据集,无需人工标注标签,简化了数据准备阶段的工作,达到了利用无监督的深度学习方法去除图片光照影响的目的.最后用训练好的模型处理CroppedYale测试集,比较处理前后的人脸识别准确率.实验证明,本文方法具有较强的降低人脸光照对识别率影响的能力且基本不改变人脸结构,有利于提高人脸识别的准确率.     

基于深度学习的公路隧道衬砌病害识别方法

针对与日俱增的隧道养护需求,为了节约时间与人力成本,提出基于卷积神经网络的公路隧道衬砌病害检测方法. 利用自主研制的隧道智能快速检测车采集24条隧道衬砌的图像,构建超过20 000张病害图像的高质量数据集. 结合隧道衬砌病害的成因及特点,分别构建单阶段SSD模型和两阶段R-FCN模型在自制的数据集上训练,对检测结果进行对比分析,提出离线式隧道衬砌病害检测方案. 试验结果表明,SSD模型的识别准确率为98%,总的平均精度均值（mAP）为72%,检测速度较快,适用于隧道的快速诊断. R-FCN模型的识别准确率为85%,总的mAP达到91%,检测精度较高,适用于隧道病害的后期处理. 利用这2种检测模型均可以提升检测效率和精度.     

AdaBoost检测结合SOM的自动人脸识别方法

针对当前许多人脸识别算法需要人工干预以及剪裁图像尺寸与运行速度不平衡的问题,提出一种利用自组织网络的自动人脸识别方法。利用Ada Boost人脸检测算法定位来获取人脸图像,并转化为相同尺寸的灰度图像;将图像的训练子集用于训练自组织映射(SOM)分类器,再利用相似性度量完成分类。在Libor Spacek数据集、扩展Yale B数据集和FERET数据集上进行验证,结果显示提出的方法实现了全自动处理,三个测试集的识别率均在97.00%左右,均优于对比算法。     

卷积神经网络在车辆识别系统中的应用

针对工厂厂房和仓库无人门禁系统需对货运车辆单独检测与识别的特殊需求,提出一种融合Darknet19网络与SSD(Single Shot-multibox Detector)模型的车辆检测与识别模型。首先,采集真实场景中包括行人、叉车、货车的大量图片并进行人工标注,构建一个私有数据集;其次,在Caffe框架下使用ImageNet2012数据集重新训练Darknet19网络,并通过更换基础分类网络及在每个卷积层后加入批归一化(Batch Normalization)层等方式改进SSD目标检测模型,构建出一个新的端到端的车辆检测模型。结果表明,该模型对货运车辆的平均查准率可达99.2%,检测帧率可达72帧/s,准确率与实时性均满足厂区环境检测货运车辆的要求。     

基于皮肤模板和改进HMM的自动人脸识别系统

介绍一种基于隐马尔可夫模型(hidden Markov module,HMM)的人脸识别系统,该系统对人脸采用普通网络摄像头实时检测,通过皮肤模型进行背景去除,并用改进后的HMM算法进行识别. 实验结果表明,改进后的HMM算法能提高原HMM算法的准确率,采用皮肤模板对检测到的人脸进行精确定位后,进一步提高了识别算法的准确度.     

基于CycleGAN的风格转换技术应用于人脸图像口罩佩戴任务的研究

新冠疫情的出现使得需要提高人脸检测技术对佩戴口罩人脸的检测性能，而一种提升检测性能的方式就是提升口罩人脸检测数据集的质量。CycleGAN网络模型能够在非成对样本的情况下将源域X转换为目标域Y,实现图像风格转换的功能。采用CycleGAN网络模型实现人脸图像口罩佩戴任务，将数据集中未佩戴口罩人脸图像转换为相应的佩戴口罩人脸图像。同时引入CBAM注意力机制改进策略，并使用SSIM指标来对转换的结果进行评价。结果证明加入CBAM注意力机制模块后进行实际人脸图像口罩佩戴任务的效果得到了较好的优化与提高。     

面向多角度和口罩遮挡的加权人脸识别方法研究与实现

在深度学习迅速发展的背景下,人脸识别技术已取得了显著的进步。然而,在实际应用中,由于口罩的遮挡以及人脸角度的变化,人脸识别的精确度和实用性面临了新的挑战。目前对于口罩遮挡的人脸识别和人脸角度变化情况下的人脸识别主要是各自独立处理,尚未有完整解决这两个因素共同影响的多条件人脸识别问题的方法。因此,本文提出了一种新的加权人脸识别方法,该方法综合考虑了口罩遮挡和人脸角度变化的问题。该方法首先根据是否佩戴口罩将人脸识别问题进行分类,然后利用多种人脸识别模型进行识别。最后,该方法引入了一个基于头部转动角度的权重决定机制,以便在面部转动和口罩遮挡的情况下,更好地利用不同的识别模型。在处理多角度和口罩遮挡问题时,该方法的方法表现优于现有的人脸识别方法,为后疫情时代的人脸识别提供了新解决方案。     

基于改进的ICA和RBF神经网络的人脸识别

为了提高人脸识算法的训练识别速度以及准确率,提出一种改进的人脸识别算法。将独立成分分析(independent component analysis,ICA)与径向基函数(radial basis function,RBF)神经网络相结合,利用ICA算法对人脸图像进行特征提取,采用牛顿迭代法提升其迭代性能;引入松弛因子,在保证收敛速度的前提下,放宽对初始权值选取的局限性。将特征信息作为RBF神经网络学习输入,采用监督聚类方法对神经网络进行构建和初始化,利用线性最小二乘法调整输出层连接权值,梯度下降法调整隐含层中心以及高斯宽带,通过训练学习获得最终的人脸识别分类结果。对比实验结果表明,改进的人脸识别算法训练速度和识别速度更快,准确率更高。     

一种基于改进的卷积神经网络的人脸表情识别方法

针对人脸表情识别的准确率较低、鲁棒性较差的问题,本文提出一种加深层数的卷积神经网络,将卷积神经网络LeNet的2层卷积、2层池化、一层全连接分别修改为4层卷积、4层池化、2层全连接.首先对人脸表情图像进行关键点定位、人脸裁剪、图像归一化等预处理,然后利用卷积层提取人脸图像的低维度和高维度的特征信息,池化层对提取的人脸特征信息进行降维处理.最后采用softmax分类器对训练样本图像的表情进行分类识别.为了提高表情识别的准确率,在表情训练集中加入了自制的标注图片集.仿真对比实验表明改进的模型精度更高、损失曲线更平滑,验证了改进网络的有效性.     

基于多目标线性规划的人脸识别方法

将多目标线性规划（MCLP）模型用于人脸识别,提出了基于竞争二叉树策略的多目标线性规划人脸分类算法,并利用Cambridge ORL人脸数据库进行了验证实验;对基于MCLP的识别实验结果与基于SVM的识别实验结果进行了对比．实验结果表明,本方法具有较高的识别准确率和稳定性．     

基于Keras卷积神经网络的多人脸识别抗干扰研究

人脸识别的训练预测模型是多样而复杂的,影响人脸识别准确率和稳定性的因素也很多。人脸识别的抗干扰设计是构建人脸识别模型不可忽视的重要内容。通过获取更高质量的人脸图像数据源,选择效果更好的人脸识别优化器以及部分超参数的调整,来提高对大量人脸数据进行处理的能力。利用卷积神经网络减少人工干预,提高特征提取的算法精度,从而提高多人脸识别的精度。     

基于SSD算法的室外小目标检测方法研究

针对当前室外障碍物检测中小目标检测准确率较低的问题,基于SSD算法提出一种改进方法。通过在网络结构上增添H型扩张卷积的方式,精细基础网络的输出结果;使用K-means聚类法提取数据集中目标框维度,计算预选框的长宽比例,在验证集上进行验证:输入图片尺寸300×300时平均准确率为78.0%,较原算法提升了3.9个百分点,小目标检索能力提高11个百分点,速度达到37帧/s。实验表明,改进SSD算法对小目标障碍物的检测准确率较高。     

人脸识别的智能防疫系统设计

为提高疫情期间防疫保障,降低人员流动过程中带来的疫情传播风险;本文使用人脸识别和红外测温等技术进行智能防疫系统设计,先进行口罩检测,再进行人脸识别,并在识别部分增加红外测温功能,在完成身份核实及体温判断的同时,把监测结果实时反馈上云,有效地提高了防疫保障,降低疫情传播风险;实验结果表明,本文设计的人脸识别智能防疫系统人脸识别准确率达到98.57%,戴上口罩之后也可以达到98.11%,温度检测也比较准确;相比于人脸识别在身份核实领域的简单应用,增加的红外测温功能和口罩检测功能符合疫情时期特殊需求,能应用的实际场景广泛,能有效解决防疫过程过于复杂、实时性不高等问题。     

基于嵌入式的自动人脸识别系统研究

为了提高人脸识别的速度和检测率,基于肤色与Adaboost算法的人脸检测、特征提取与识别,给出嵌入式平台的自动人脸识别系统的完整设计方案.基于TQ2440嵌入式开发平台实现该系统,结合现场采集的图片进行人脸识别测试,测试结果表明该系统检测速度快,检测率高.     

基于人脸融合的去身份隐私保护方案

随着人脸识别、人脸检测技术的发展,恶意用户批量收集人脸图像并进行身份识别、人脸替换等操作严重侵犯用户的个人权益。针对现有隐私保护方案对图像改动大且图像质量低的现状,提出一种去身份人脸图像隐私保护方案,通过建立人脸属性模板库,根据隐私保护强度筛选模板图像进行人脸融合,达到降低人脸识别正确率、去除人脸身份信息的目的,同时保持图像质量在较高水平。方案没有对攻击模型做过多假设,以LFW数据集为测试集进行隐私保护处理,并调用百度AI人脸对比接口进行人脸相似度检测。统计结果证明,方案能够降低人脸识别算法正确率,在去身份隐私保护的同时保持图像质量在较高水平。     

基于特征脸和支持向量机的人脸识别技术研究

在人脸检测的基础上,针对人脸识别问题,将特征脸理论和支持向量机相结合,把待识别样本投影到由特征脸张成的特征空间,从而提取出有效的可供识别特征,再将提取的特征送入支持向量机训练、分类,最终实现识别算法.该算法充分利用了主分量分析法在特征提取方面的有效性以及支持向量机在处理小样本问题和泛化能力强等方面的优势,使得算法具有较高的识别率.最后在设计的软件平台上进行了仿真,仿真结果表明,该系统可以运用在小型人脸识别的场合.     

计算机与网络

清华大学人脸综合识别系统具有自主知识产权的清华大学人脸综合识别系统,通过了由公安部主持的专家鉴定,已全面进入应用推广阶段,其256万幅/秒的人脸识别速度,居世界同类系统的最高水平。该系统的研制成功,标志着我国具有设计大型人脸识别系统和单机多路活动人脸并行检测与识别