基于可视数据的可信身份识别和认证方法

近年来,深度学习技术在基于视频和图像等可视数据的身份识别和认证任务（如人脸、行人识别等）中得到了广泛应用。然而,机器学习（特别是深度学习模型）容易受到特定的对抗攻击干扰,从而误导身份识别系统做出错误的判断。因此,针对身份识别系统的可信认证技术研究逐渐成为当前的研究热点。分别从基于信息空间和物理空间的可视数据身份识别和认证攻击方法展开介绍,分析了针对人脸检测与识别系统、行人重识别系统的攻击技术及进展,以及基于人脸活体伪造和可打印对抗图案的物理空间攻击方法,进而讨论了可视数据身份匿名化和隐私保护技术。最后,在简要介绍现有研究中采用的数据库、实验设置与性能分析的基础上,探讨了可能的未来研究方向。     

实时人脸识别系统研究

为研究一种人脸识别的实时检测系统,本文设计了由视频实时采集/预处理模块、数据库管理模块、人脸识别模块和识别信息输出模块组成的识别系统框架。首先利用摄像头采集人脸信息,并通过微软数据库软件SQL储存人脸身份信息,再用MATLAB软件建立GUI人机交互界面,使用经典的主成分分析法PCA提取视频图像中数据的主要特征分量。在MATLAB GUI编辑界面中,通过数据库的链接访问,识别数据库中人物身份信息的操作。通过matlab软件中GUI,建立了人机交互界面,利用SQL Server成功存储录入人脸身份信息,并与人脸录入信息程序实现连接。在MATLAB脚本中对SQL Server实现了已储存人脸信息的查找、读取,录入,删除操作。本系统人脸实时识别率达到90.32%,达到人了脸实时识别效果。     

基于异构多核平台的Caffe框架物体分类算法实现与加速

随着深度学习的快速发展,神经网络和深度学习算法已经广泛应用于图像处理。基于FPGA的神经网络加速设计,搭建了以快速特征嵌入的卷积结构(Caffe)框架、卷积神经网络为核心的物体识别系统,该系统使用Zynq-7000系列异构多核架构芯片实现。完成了神经网络模型与参数的移植、多层结构的神经网络构建、计算密集度分析以及硬件加速设计。结果表明,设计的基于异构多核平台的Caffe框架物体分类系统实现了物体的识别和分类,且识别速度远超传统CPU架构的识别速度,从而为后续的深入研究提供一种新思路。     

基于深度神经网络和迁移学习的高精度车辆识别系统研究

近年来,我国大力推进智慧城市和智慧交通建设,在车牌识别领域所要求的识别精度、场景适用性和反映灵敏性也越来越高。文章提出了一种基于深度神经网络算法的高精度车辆识别系统,利用开源图形化视觉处理库OpenCV和数据分析处理库NumPy对车牌进行图像预处理。基于预处理后的数据,利用深度神经网络学习框架TensorFlow进行学习训练,实现了对车牌的快速精准识别。系统首先对车牌所在位置进行定位,其次对锁定后的车牌图像进行切割,再次将车牌背景和文字通过像素点移位算法由彩色图像转换为灰度图像,最后实现字符的切割与识别,得到所要识别的车牌数据。实验结果表明,与传统识别系统相比,基于深度学习的识别系统准确率更高,识别速度更快。     

基于改进语谱图的深度学习说话人识别

为了提高说话人识别系统的性能,提出基于改进语谱图的深度学习说话人识别算法。语谱图当中包含了语音的内容、情绪、语种以及说话人身份等多种信息,在以往的说话人识别算法中,往往没有考虑到说话人身份特性,采用直接提取语音中的语谱图作为网络输入,而说话人识别系统中需要提取语谱图中表征身份的信息,因此需要在原始语谱图的基础上进行改进。在语谱图中,基音频率以及共振峰等信息最能表现说话人的身份特征,从而提出根据语音信号中每一帧的基音频率进行自适应梳状滤波,得到改进后的语谱图,再通过卷积神经网络提取说话人特征,从而达到提升识别准确率的效果。网络模型采用MobileNetv2神经网络,该网络模型具有模型参数少、收敛速度快、识别速度快等优点,有利于实际应用。在对照实验结果中,该方法相对于原始语谱图的准确率分别提高了2.3%、5.2%、3%。     

基于深度学习的跨年龄人脸识别

年龄变化是影响人脸识别模型性能的主要原因之一,为解决年龄变化所带来的模型识别率低的问题,提出了一种基于深度学习的跨年龄卷积神经网络模型（CA-CNN）用于跨年龄人脸识别。首先,利用卷积神经网络提取人脸图像中的深度人脸特征;然后,提出一种高效的卷积注意力模块从深度人脸特征中获取年龄特征,并结合多层感知机和多任务监督学习,将深度人脸特征非线性分解为年龄特征和身份特征;最后,为了更好地区分身份特征和年龄特征,提出了一种批核典型相关性分析模块对分解后的身份特征和年龄特征进行相关性分析。经过对抗性学习训练后,相关性最小化,实现了跨年龄人脸识别。所提模型在MORPH Album 2数据集上的rank-1识别准确率达到了99.03%,在CALFM数据集上的人脸验证等错率为9.8%,表明了所提模型的有效性。     

基于深度学习的石油污染物三维荧光光谱识别技术研究

石油油品在一定的激发光照射下可产生相当强度的三维荧光光谱，是鉴别和分析石油污染物的重要依据。由于石油油品的荧光光谱特征复杂、数据庞大，不宜直接用数学模型描述，也不宜简单依靠人工观察分析。因此，根据深度学习的卷积神经网络（CNN）理论提出了一种直接利用石油油品原始荧光数据进行CNN建模的方法，利用其强大的非线性运算能力、自适应表示学习能力，自动隐性地从训练数据中进行特征学习，实现水环境中石油污染物种类识别。通过大量的荧光实验构建了石油油品（汽油、机油、柴油）的训练和验证光谱数据集，基于Python深度学习框架Keras建立了CNN模型，并对CNN模型在光谱数据集上进行了训练、验证与测试实验，实现了被测油品的种类判别。实验结果表明：该CNN模型对3种油品的训练集与验证集三维荧光光谱的分类准确率都达到了99.76%，综合测试分类准确率达到82.65%，对单物质分类准确率为100%，验证了三维荧光技术结合深度学习算法能够实现对石油油品准确可靠的判别分类，也为进一步研究基于深度学习的水环境污染物智能识别系统提供了技术支持，为环境检测提供了一种新思路与新方法。     

基于Faster R-CNN的航拍图像中绝缘子识别

为了解决传统绝缘子识别方法存在适用性不强、识别效率低的问题,结合深度卷积神经网络思想,提出一种从电网巡检航拍图像中自动识别绝缘子的方法。应用Faster R-CNN框架,结合电网巡检航拍图像数据库,构建绝缘子识别系统,自动识别航拍图像中的绝缘子,并分析不同模型和参数对识别精确度的影响。实验结果表明,相比于传统航拍绝缘子识别方法,采用深度卷积神经网络对航拍绝缘子进行学习和识别,具有较高的识别准确率和效率,可以很好地识别各种类型的绝缘子,识别性能大幅度提高。     

基于深度栈式自编码网络的面部年龄识别

随着计算机技术与网络信息技术的发展,利用人体生物特征来获取相关信息已成为安全验证的重要方式。人脸作为人体最重要的生物特征之一,一直备受研究者重视。主要针对基于深度学习的人脸年龄估计问题进行研究。基于栈式自编码网络的深度学习模型,将其运用到面部年龄识别问题上,并通过编程实现了基于该深度模型的面部年龄识别系统。     

基于特征提取和胶囊网络的人脸表情识别

人脸表情识别是近年来非常火热的一个研究领域,随着深度学习的发展,越来越多的深度学习方法用于表情识别中。针对胶囊神经网络(CapsNet)更关注的是图像高层空间信息、低层空间特征提取不全面的问题,提出了特征提取与胶囊网络结合的人脸表情识别算法。本文先使用局部二值模式(LBP)算子提取图像纹理特征,与胶囊网络结合形成多通道输入胶囊网络。为了进一步加强低层空间特征提取,在提取纹理特征后加入了深度残差网络(ResNet),与胶囊网络结合形成多通道输入增强胶囊网络。为了验证多通道输入胶囊网络和多通道输入增强胶囊网络的性能,本文在公开表情数据集CK+和RAF-DB分别进行了对照实验,得到了99.69%,82.02%准确率,优于其它的表情识别算法。     

基于受试者工作特征pAUC优化的人脸识别系统

基于深度学习的人脸识别技术在大量应用场景中表现出优于传统方法的性能,它们的损失函数大致可分为2类：基于验证的和基于辨识的。验证型损失函数符合开集人脸识别的流程,但实施过程比较困难。因此目前性能较优的人脸识别算法都是基于辨识型损失而设计的,通常由softmax输出单元和交叉熵损失构成,但辨识型损失并没有将训练过程与评估过程统一起来。本文针对开集人脸识别任务提出一种新的验证型损失函数,即最大化受试者工作特征(ROC)曲线下的部分面积(pAUC);同时还提出一种类中心学习策略提高训练效率,使提出的验证型损失和辨识型损失有较强的可比性。在5个大规模非限定环境下的人脸数据集上的实验结果表明,提出的方法和目前性能最优的人脸识别方法相比,具有很强的竞争性。     

Improving Deep Learning Feature with Facial Texture Feature for Face Recognition

Face recognition in the reality, is a challenging problem, due to varieties in illumination, background, pose etc. Recently, the deep learning based face recognition algorithm is able to learn effective face features to obtain a very impressive performance. However, this kind of face recognition algorithm completely relies on the machine learning based face features, while ignores the useful experience in hand-craft features which have been studied in a long period. Therefore, a face recognition based on facial texture feature aided deep learning feature (FTFA-DLF) is proposed in this paper. The proposed FTFA-DLF is able to combine the benefits of deep learning and hand-craft features. In the proposed FTFA-DLF method, the hand-craft features are texture features extracted from the eyes, nose, and mouth regions. Then, the hand-craft features are used to aid deep learning features by adding both deep learning and hand-craft features into the objective function layer, which adaptively adjusts the deep learning features so that it can better cooperate with the hand-craft features and obtain a better face recognition performance. Experimental results show that the proposed face recognition algorithm on the LFW face database to achieve the accuracy rate of 97.02%.     

基于Gabor调制的深度多层子空间人脸识别算法

人脸识别的关键在于特征提取,过去主要从完美的低维特征子空间来刻画高维图像,但是近年来深度学习模型为特征提取提供新方向。本文提出在Gabor特征描述子调制下的深度子空间模型,在深度子空间这一新型深度学习框架基础上,使用Gabor滤波器组处理图像,并构建深度特征提取多层网络,得到Gabor调制下的深层抽象特征。首先将传统的8个方向5个尺度的40个Gabor滤波器在尺度上进行压缩得到8个基本Gabor滤波器组;然后将经过Gabor滤波的描述特征分别送入深度化改造的子空间模型,得到图像的深层特征表示;其次将这些特征进行哈希编码,直方图分块,作为描述特征。本文在FERET、ORL、CMU_PIE等数据库上讨论加入Gabor滤波器调制后的深度多层子空间特征提取模型在人脸识别问题上性能的提升,实验结果表明,该算法可以取得较好的识别率,并对光照、表情、姿态等有很好的鲁棒性,能够弥补浅层网络易受训练图像影响的缺点。      

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。     

面向人脸识别的口罩区域修复算法

遮挡下的人脸识别一直是现实场景中的一个难题。特别是新冠肺炎疫情爆发后,在机场、车站等需要鉴别入场人员身份信息的场所,口罩遮挡使得可供识别的面部特征大幅减少,原有的人脸识别算法准确率随之下降。对去除口罩遮挡进行了研究,提出了一个新的框架修复人脸,利用边缘生成网络还原遮挡区域的边缘,在此基础上再利用区域填充网络恢复被遮挡的人脸,同时保留身份信息。为提升模型的性能,提出空间加权对抗损失和身份一致性损失训练上述网络,并利用关键点信息,构建了两个戴口罩的人脸数据集。实验结果表明,恢复被口罩遮挡的人脸的图像使人脸识别算法 ArcFace 的准确率达到 98.39%,比直接采用ArcFace识别遮挡人脸提升了4.13%的准确率。     

Micro-expression recognition from local facial regions

MiE is a facial involuntary reaction that reflects the real emotion and thoughts of a human being. It is very difficult for a normal human to detect a Micro-Expression (MiE), since it is a very fast and local face reaction with low intensity. As a consequence, it is a challenging task for researchers to build an automatic system for MiE recognition. Previous works for MiE recognition have attempted to use the whole face, yet a facial MiE appears in a small region of the face, which makes the extraction of relevant features a hard task. In this paper, we propose a novel deep learning approach that leverages the locality aspect of MiEs by learning spatio-temporal features from local facial regions using a composite architecture of Convolutional Neural Network (CNN) and Long Short Term Memory (LSTM). The proposed solution succeeds to extract relevant local features for MiEs recognition. Experimental results on benchmark datasets demonstrate the highest recognition accuracy of our solution with respect to state-of-the-art methods.     

加权联合降维的深度特征提取与分类识别算法

为了降低卷积神经网络计算的复杂度,改善特征提取过程中的过拟合现象,解决经典网络模型不能有效处理大尺寸图片的问题,采用了加权联合降维的特征融合与分类识别算法,根据两特征的识别贡献率对主成分分析法（PCA）降维处理和随机投影（RP）处理结果进行加权融合,然后将结果提供给卷积神经网络进行处理,提取图像分类的高层特征,使用欧氏距离分类器对识别对象进行分类,并进行了理论分析和实验验证。结果表明,经过加权联合降维对数据进行预处理,PCA矩阵与RP降维矩阵之比重达到6:4,识别率高达96%以上。该算法有效提高了准确率,使大尺寸图片在深度学习网络中有良好的识别效果,改善了网络的适应性。     

基于栈式自编码机和模糊函数主脊的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征存在提取周期长、特征描述不完备等局限性,提出了一种基于深度学习栈式自编码机和模糊函数主脊的雷达信号识别方法.该方法根据信号模糊函数主脊包含丰富的内在调制信息的特点,从信号中提取用于分类识别的抽象特征.通过对六种雷达辐射源信号进行实验,并对比人工特征提取及其他深度学习方法,结果表明,本文所提方法在信噪比（signal-noise ratio,SNR）为2 dB以上时均能保持100%的识别准确率,SNR为-6 dB时识别准确率仍能保持82.83%以上,明显高于其他方法.即使在包含相同调制类型不同参数的信号环境中,当SNR大于0 dB时识别率均稳定在95.0%以上,SNR降低到-4 dB时识别率也能达到79.0%.证明该方法能有效提取到信号的深层特征,且具有良好的抗噪性能,基本满足实际战场的需求.     

基于改进深层网络的人脸识别算法

目前的人脸识别算法在其特征提取过程中采用手工设计（hand-crafted）特征或利用深度学习自动提取特征.本文提出一种基于改进深层网络自动提取特征的人脸识别算法,可以更准确地提取出目标的鉴别性特征.算法首先对图像进行ZCA（Zero-mean Component Analysis）白化等预处理,减小特征相关性,降低网络训练复杂度.然后,基于卷积、池化、多层稀疏自动编码器构建深层网络特征提取器.所使用的卷积核是通过单独的无监督学习获得的.此改进的深层网络通过预训练和微调,得到一个自动的深层特征提取器.最后,利用Softmax回归模型对提取的特征进行分类.本文算法在多个常用人脸库上进行了实验,表明了其在性能上比传统方法和普通深度学习方法都有所提高.