基于特征混合聚类和关键点检测的智能人脸搜索

在信息产业急剧膨胀的时代背景下,主流数字媒体产生了由文字到图片再到视频的演化,如何快速有效地获取视频中人物的关键信息,成为各大互联网娱乐和大数据分析领域争相研究的话题。然而,现有的人物信息获取方法还有极大的局限性,无法在视频界面直接获取信息。为了解决这一问题,该文提出了一种新的“由粗到细”的基于特征混合聚类和关键点检测的智能人脸搜索框架,实现了对互联网视频数据的实时检测与高鲁棒的视频人脸数据智能搜索。该文将大数据下人脸数据实时搜索工作细分,首先,通过基于多尺度深度特征混合聚类的人脸检测算法,使用 Softmax 函数实现数据分类,并运用中心损失函数 center loss 形成聚类中心,随后通过对中心点的回归矫正,达成人脸的粗筛选;然后,通过基于脸部关键点检测算法,提取 68 个人脸关键特征点,生成易于计算处理的标准化 特征码。此外,该文还构造了两个影视类人脸数据集,为后续相关互联网行业、娱乐多媒体提供大数据分析。基于该文章整体实验结果表明,在人脸快速检测方面,与现有的主流方法相比,该文方法在 识别精度和效率上,都具有一定的提升,其中,基于多尺度深度特征混合聚类算法实验的识别效率提升 31.2%,假阳性样本辨别力提升 3 倍,整体运行效率达标,具有一定的实用价值。     

基于直方图统计学习的人脸检测方法

提出一种基于直方图统计学习的人脸检测方法,对人脸样本和非人脸样本进行小波变换,运用一组小波系数来表征各种人脸特征信息。统计每个训练样本的直方图分布,用于描述人脸和非人脸外观特征的概率分布,每个直方图表示一组小波系数与它们在人脸中位置的联合概率密度。该方法可以准确检测自然场景中的多幅人脸,对侧面人脸有很好的检测效果。     

基于支持向量机的人脸检测算法

人脸检测是建立自动人脸识别系统的基础，该文提出了一种新的基于支持向量机的人脸检测算法，支持向量机是在统计学习理论的基础上发展起来的一种通用机器学习算法，采用支持向量机可以建立类似于神经网络的分类器，但是克服了神经网络中可能遇到的局部极小值和过学习问题，试验结果表明该算法鲁棒性好，检测精度高，具有很强的实用价值。     

一种基于中心对称性的聚类算法

提出了一种新型的聚类算法。这个新型的聚类算法是基于中心对称的概念之上的。使用这种基于中心对称性的聚类算法，在一个指定的数据集中的超球面形状的聚类能够被侦测出来。在对超球面性状的目标的侦测方面，这种聚类算法大大优于传统的算法。这个算法可以用于数据聚类和人脸识别方面，实验结果也证明了该算法的效果。     

基于新的聚类算法的入侵检测

根据目前应用于入侵监测的算法中普遍存在的对输入顺序敏感,无法自适应地确定参数以及需要大量的训练数据等问题,该文应用一种新颖的聚类算法进行入侵行为的监测。该方法的优点是对输入数据顺序不敏感以及能够自适应地确定算法参数。实验中采用了KDD99的测试数据,结果表明该方法可以比较有效地检测真实网络数据中的已知和未知的入侵行为。     

一种新的中心对称聚类算法

Data clustering is an important reserch field in data mining.The key of the clustering algorithm is the distance measure.In this paper,we put forward a new distance measure based on central symmetry,Then we apply it to data clustering.The experimental studies prove the feasibility of this algorithm and get a satisfied result in face detection.     

基于人脸检测的人数统计系统

提出一种基于人脸检测的人数统计方法。运用AdaBoost算法进行人脸检测,根据人脸在图像中出现的位置及大小等几何信息统计进入教室的人数。在系统实现中,通过人眼及肤色特征检测提高人脸检测精度,同时利用跳帧检测方法,排除由人员的不同行走速度造成的误差统计。实验结果证明,该方法具有较快的检测及统计速度。     

基于半监督聚类的人脸检测方法

将肤色与连续AdaBoost算法相结合进行人脸检测,并引入半监督策略指导肤色聚类从而建立肤色模型。在肤色聚类过程中,提出一种基于半监督的SKDK算法引导肤色聚类,依据各个像素簇的概率统计分布特性得到肤色模型。在此基础上利用数学形态学等知识对图像进行处理,得到人脸候选区域,将其作为连续AdaBoost分类器的输入进行人脸检测。实验结果表明,在多人脸的场景下,该方法的检测效果优于直接使用连续AdaBoost方法进行人脸检测的检测效果。     

改进的基于YOLOv3的人脸检测算法

针对因背景与人脸高度相似和人脸目标尺度过小而导致的人脸检测精度较低的问题,提出了一种改进的基于YOLOv3的人脸检测算法。首先使用遗传算法改进原算法中随机初始化的影响,生成更符合目标大小的预测框,其次用轻量级网络改进原特征提取网络,提高人脸检测速度,最后使用边框回归损失代替YOLOv3坐标损失函数并改进置信度损失函数以提升训练收敛速度和结果精度。所设计的算法模型在Wider Face数据集上的检测精度和速度得到了提升。     

侧面轮廓与人耳特征相结合的人耳检测与识别

为实现人耳的自动检测与识别,提出了结合侧面轮廓特征、人耳统计特征以及人耳与侧面轮廓的位置特征进行人耳检测与识别的方法。该方法分为离线的训练阶段和在线的检测与识别阶段。在离线阶段,通过训练得到一个综合特征向量,包括人脸侧面轮廓特征、人耳统计特征以及人耳相对于侧面轮廓的位置特征。在线的检测与识别过程分为两步：第1步是用侧面人脸轮廓进行粗检测,第2步是用人耳的统计特征和相对于侧面轮廓的位置特征进行精确定位和识别,即在定位的同时实现人耳的识别。实验结果表明,上述方法具有速度快、效率高和鲁棒性好的特点。     

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。     

基于深度学习的实时场景小脸检测方法

实时场景下的小脸检测存在检出率低而且回归精度差的问题。通过融合更底层特征进行多尺度级联预测。根据实时场景下的人脸特点生成不同大小和比例的预测框以更好地适应人脸形状。在预测阶段提出了基于IOU判别的soft and hard nms算法，对冗余预测框进行抑制，设置两个阈值将网络生成的预测框划分为低中高三段，对不同段的预测框采取不同的处理以达到精准筛选的目的。最优架构可在两张NVIDIA GTX 1080显卡下的实时视频检测和摄像头检测中获得45 f/s的速度，并且在Wider Face总体验证集上取得82.6%的平均精度。     

基于Adaboost算法的人脸检测实现

人脸检测是指把人脸从一幅静止的图像或者动态视频中检测出来,并且指出人脸在图像或视频中的大小和位置.目前存在着大量的人脸检测算法,其中Adaboost算法是比较实用的人脸检测算法.Adaboost算法中人脸的特征采用的是矩形特征,在大量的样本集中,提取样本的矩形特征进行训练,生成多个弱分类器,然后合并多个弱分类器形成一个...     

基于Adaboost算法的人脸检测研究

随着计算机科学的发展,人脸识别研究受到越来越多的重视。而作为人脸识别的一个重要步骤的人脸检测直接影响到识别的速度和精度。深入分析了基于扩展的Haar-Like特征和Adaboost算法构造的分类器的人脸检测算法。实验证明,以这种算法设计的检测器的准确度高,实时性好。     

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。     

基于场景模型与统计学习的鲁棒行人检测算法

提出一种基于场景模型和统计学习的行人检测算法. 针对训练行人检测器时面临的动态场景的复杂性和行人样本多样性等问题, 通过背景建模, 从场景的背景图像上提取有限的负样本用于训练, 大幅度提高了分类器的检测率, 同时降低了虚警; 提出一种快速弱分类器选择算法, 根据正、负样本特征大小的分布和期望的检测率, 直接求解特征大小的阈值范围, 能够满足在线训练和更新检测器的要求; 提出一种基于正样本错误率的训练算法, 先根据正样本加权错误率选择弱分类器, 快速提高检测率, 在训练结束后调整最终分类器的加权系数, 在保证检测率的同时尽可能降低虚警率. 实验中构建了一个试验视频数据库和行人样本库, 数据库包括雨、雪、阴影、季节变化、摄像机平移、旋转、缩放等情况, 并设计实现了一个实时行人检测系统BMAT (Background modeling and Adaboost training), 实验结果证明了算法的有效性.     

人脸检测方法研究

人脸检测与识别技术是模式识别与机器视觉领域最具挑战性的研究课题之一。近年来出现了大量的人脸检测算法,但由于光照、表情等原因的影响,从实用化角度考虑寻找一种简单快速的检测算法还是比较困难的。本文基于国内外文献,阐述了现有的人脸检测算法,分析了以上各种算法在人脸检测中的发展状况及其优缺点。