改进人脸特征矫正网络的遮挡人脸识别方法

现有人脸识别模型受口罩等遮挡因素影响导致准确率无法提升。当前主流研究方法将有无遮挡场景分开训练后,整合应用于多场景。针对遮挡人脸识别模型的局限性,提出一种改进人脸特征矫正网络（FFR-Net）模型。该模型可同时用于有无遮挡人脸识别并应用于口罩与眼镜遮挡两种识别场景中。人脸特征矫正网络模型提出了一种人脸特征矫正模块,为保证充分利用无遮挡区域特征信息,在该模块中的空间分支引入involution算子扩大图像信息交互区域,增强在空间范围内面部特征信息;在通道分支引入坐标注意力机制,捕获跨通道信息以增强特征表示,利于模型准确地定位识别目标区域;将Meta-ACON作为该模块新的动态激活函数,通过动态调整线性或非线性程度以提高模型泛化能力和计算准确度。最后,利用改进的人脸特征矫正网络模型在CASIA-Webface经处理的有无口罩遮挡人脸数据集上进行训练,其在LFW经处理的有无口罩遮挡数据集、Meglass数据集上的测试结果准确率分别达到了82.50%和89.75%,优于现有算法,验证了所提方法的有效性。     

基于对比学习的多特征融合戴口罩人脸识别

随着计算机视觉技术应用的发展和智能终端的普及,口罩遮挡人脸识别已成为人物身份信息识别的重要部分。口罩的大面积遮挡对人脸特征的学习带来极大挑战。针对戴口罩人脸特征学习困难这一问题,提出了一种基于对比学习的多特征融合口罩遮挡人脸识别算法,该算法改进了传统的基于三元组关系的人脸特征向量学习损失函数,提出了基于多实例关系的损失函数,充分挖掘戴口罩人脸和完整人脸多个正负样本之间的同模态内和跨模态间的关联关系,学习人脸中具有高区分度的能力的特征,同时结合人脸的眉眼等局部特征和轮廓等全局特征,学习口罩遮挡人脸的有效特征向量表示。在真实的戴口罩人脸数据集和生成的戴口罩人脸数据上与基准算法进行了比较,实验结果表明所提算法相比传统的基于三元组损失函数和特征融合算法具有更高的识别准确率。     

基于低秩约束的极限学习机高效人脸识别算法

复杂应用场景中,光照变化、遮挡和噪声等干扰使得将像素特征作为相似性度量的识别算法的图像类内差大于类间差,降低了人脸识别性能。针对这一问题,提出了一种低秩约束的极限学习机鲁棒性人脸识别算法,提升了复杂场景下的识别性能。首先,利用人脸图像分布的子空间线性假设,将待识别图像聚类到相对应的样本子空间;其次,将像素域分解为低秩特征子空间和稀疏误差子空间,依据图像子空间的低秩性对噪声鲁棒的原理,提取人脸图像的低秩结构特征训练极限学习机的前向网络;最后,实现对噪声干扰鲁棒的极限学习机人脸识别算法。实验结果表明,相比前沿的人脸识别算法,所提方法不仅识别精度高、算法时间复杂度低,且具有较好的实用性。     

基于深度学习的多模态融合三维人脸识别

二维人脸识别受光照、遮挡和姿态的影响较大.为了克服二维人脸识别的缺点,本文提出了一种基于深度学习的多模态融合三维人脸识别算法.该方法首先使用卷积自编码器将彩色图像和深度图进行融合,将融合后的图像作为网络的输入进行预训练,并且设计了一种新的损失函数cluster loss,结合Softmax损失,预训练了一个精度非常高的模型.之后使用迁移学习将预训练的模型进行微调,得到了一个轻量级神经网络模型.将原始数据集进行一系列处理,使用处理之后的数据集作为测试集,测试的识别准确率为96.37%.实验证明,该方法弥补了二维人脸识别的一些缺点,受光照和遮挡的影响非常小,并且相对于使用高精度三维人脸图像的三维人脸识别,本文提出的算法速度快,并且鲁棒性高.     

身份保持约束下的人脸图像补全

人脸图像补全作为图像补全技术的一种特殊应用,在被遮挡人脸的识别、人脸修复等问题上有不可替代的作用。现有的人脸补全算法只针对补全图像的真实性,而未考虑其补全后的身份一致性。针对这一问题,设计了一种基于改进的生成式对抗网络的人脸补全算法,通过引入SN-GAN算法,提高了模型训练的稳定性,同时利用人脸识别模型对生成图像加入了身份一致性约束,经过实验证明,所提方法能够在生成高真实性图像时有效保持补全图像的身份一致。     

基于分块的有遮挡人脸识别算法

随着深度学习技术的发展,人脸识别在受控环境下的准确率已经达到了非常理想的效果。然而,真实环境下获取的人脸图像往往因为遮挡而难以识别。针对遮挡条件下的人脸识别准确率不高、稳定性差的问题,结合传统的人脸分块和深度卷积神经网络,提出一种基于分块的有遮挡人脸识别算法。基于人脸特征点定位的结果进行人脸分块,使用一种改进的轻量级卷积神经网络进行各个人脸区块的特征提取;利用多分类网络结合输入区块的额外信息进行人脸区块的遮挡判别;结合人脸块特征与遮挡二分类判别结果获取表征遮挡人脸的特征。实验结果表明,经过以上步骤提取出的特征对遮挡具有较强的鲁棒性,并且在满足一定的条件下,即使人脸由大面积遮挡也能在实验数据集上保持94%的准确率。     

面向安防监控场景的低分辨率人脸识别算法研究

针对安防监控场景中获取的人脸图像质量不佳、细节信息丢失导致的人脸识别准确率低下的问题,提出一种基于超分辨率重建的低分辨率人脸识别算法。该算法包括超分辨率重建和人脸识别两个子网络,分别实现低分辨率人脸图像的超分辨率重建和人脸特征的提取。首先通过增加超分辨率重建子网络激活函数前的特征图数量实现广泛激活,保证信息流的有效传递,重建出包含更多细节信息的高分辨率人脸图像;然后在训练时结合图像内容损失和身份损失,在重建图像的同时保留更多身份信息,使得提取到的人脸特征具有更强的辨别性。实验结果表明,该算法提升了低分辨率人脸识别的准确率,在监控人脸数据集QMUL-SurFace上的性能优于传统算法。     

基于深度残差网络和注意力机制的人脸检测算法

人脸检测技术作为一种人员身份识别的主流技术被广泛应用于人们的日常生活中。然而在特定应用场景中,当人脸被遮挡或人脸目标非常密集时,人脸识别的检测性能急剧下降。提出一种基于深度残差网络和注意力机制的高精度人脸检测算法。使用残差网络ResNet-50并结合IoU损失函数提高人脸检测精度,并利用注意力机制优化突出脸部区域特征,在此基础上采用非极大值抑制方法增强算法鲁棒性。在公开FDDB数据集上的实验结果表明,该算法的准确率达到96.1%相比传统卷积网络VGG-16算法提高1.6个百分点。     

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。     

基于深度学习的轻量级和多姿态人脸识别方法

目前基于深度学习的人脸识别方法存在识别模型参数量大、特征提取速度慢的问题,而且现有人脸数据集姿态单一,在实际人脸识别任务中无法取得好的识别效果。针对这一问题建立了一种多姿态人脸数据集,并提出了一种轻量级的多姿态人脸识别方法。首先,使用多任务级联卷积神经网络（MTCNN）算法进行人脸检测,并且使用MTCNN最后包含的高层特征做人脸跟踪;然后,根据检测到的人脸关键点位置来判断人脸姿态,通过损失函数为ArcFace的神经网络提取当前人脸特征,并将当前人脸特征与相应姿态的人脸数据库中的人脸特征比对得到人脸识别结果。实验结果表明,提出方法在多姿态人脸数据集上准确率为96.25%,相较于单一姿态的人脸数据集,准确率提升了2.67%,所提方法能够有效提高识别准确率。     

基于Shearlet变换和均匀局部二值模式特征的协作表示人脸识别算法

为了获得人脸图像中更丰富的纹理特征以提高人脸识别率,提出了一种基于Shearlet变换和均匀局部二值模式(ULBP)算子提取特征(Shearlet_ULBP特征)的协作表示方法--Shearlet_ULBP CRC用于人脸识别。首先,人脸图像通过Shearlet变换分解,得到多尺度多方向的幅值域图谱,再经过简单的平均融合,获得融合后的幅值域图谱;然后,通过ULBP算子结合分块的方法获得该Shearlet变换后融合图像的直方图特征;最后,结合协作表示的方法来分类所提取到的特征。该方法可以提取到图像更丰富的边缘以及纹理信息,在ORL、Extended Yale B和AR人脸数据库上进行测试,在图像无遮挡的情况下识别率都达到了99%以上,在有遮挡情况下也都达到了91%以上的识别率。实验结果表明,所提方法不仅对于光照、姿态和表情变化具备较强的鲁棒性,同时能在一定程度上处理人脸图像中存在遮挡的情形。     

有遮挡人脸识别方法综述

现实人脸识别系统的图像采集过程中往往存在光照、姿态、遮挡等不确定性因素,传统的人脸识别方法识别效果不佳,有效地处理这些问题提高识别效率仍是人脸识别系统中的难点。回顾了传统的人脸识别的相关方法,重点针对人脸遮挡的处理方法,从遮挡区域如何重构地生成模型,如何检测遮挡位置的判别模型及鲁棒特征提取三个方面进行了详细的综述,比较了各自的优缺点及应用场合,总结分析了目前有遮挡人脸识别存在的问题和未来研究方向。     

基于谱域特征提取与线性回归分类的智能人脸识别算法

针对人脸识别中由于光线、表情变化和遮挡导致人脸图像变化的问题,提出了一种谱域特征提取与线性回归分类算法相结合的智能人脸识别方法。为了实现特征提取的目的,首先使用Viola-Jones算法从原始图像中提取初始人脸部分,并将其转换为120×120像素大小的灰度图像;然后提出了一种计算极坐标傅里叶变换（FFT）以获得预处理人脸图像主要幅度谱特征的新框架,进一步在预处理的图像上执行2D-DFT,并表示为1D P-FFT。特征值是1D P-FFT幅值中的最大值,提取的特征值用于构造表示人脸图像的符号对象。最后利用快速有效的线性回归分类算法实现分类。在AR和GT数据库上进行了各种实验,分别取得了97.51％和98.02％的准确率,与最近报道的一些人脸识别技术相比,提出的方法识别准确率更高。     

生成对抗网络进行感知遮挡人脸还原的算法研究

有遮挡人脸图像还原是指通过对遮挡区域的图像进行估计,尽可能使用语义上合理的内容来填补.现有的人脸图像还原算法大多使用预先定义的掩模来模拟遮挡,并未考虑真实场景下的遮挡(如眼镜、口罩等)大小和位置对图像还原的影响.提出了一种基于深度卷积生成对抗网络的遮挡感知人脸还原方法,通过学习最接近遮挡图像的编码,来推断缺失的内容,并在生成的过程中自动检测出遮挡的区域,此外,为了减少面部信息丢失,保证恢复后的人脸的真实性,引入语义感知网络,以此进一步优化所提模型.对所选数据集的实验表明,所提出的模型效果较好.     

基于部分遮挡人脸识别算法的研究

研究人脸识别问题。针对当人脸采集的图像出现面部关键区域遮挡时,传统算法往往需要依靠面部主要关键特征进行识别,遮挡人脸的大部分特征消失,造成的误识别、漏识别问题。为解决上述问题,提出了基于遮挡人脸图片的识别方法。方法首先对遮挡人脸图像进行小波变换,然后建立特征粗糙集,根据特征加权融合算法将细节特征向量进行有效联系,进而根据联系性进行识别。实验结果表明,方法的能够对遮挡的人脸图像进行有效的识别,提高了身份识别的安全性和准确度。     

基于掩膜生成网络的遮挡人脸检测方法

针对复杂遮挡条件下人脸检测精度低的问题,提出一种基于掩膜生成网络（MGN）的遮挡人脸检测方法。对人脸训练集进行预处理,将训练人脸划分为25个子区域,并为每个子区域分别添加遮挡。将一系列添加遮挡的人脸图像和原始人脸图像作为图像对依次输入MGN进行训练,以生成对应各个遮挡子区域的遮挡掩膜字典。通过组合相关字典项生成与检测人脸遮挡区域相对应的组合特征掩膜,并将该组合特征掩膜与检测人脸深层特征图相点乘,以屏蔽由局部遮挡引起的人脸特征元素损坏。在AR和MAFA数据集上进行实验,结果表明,该方法的检测精度高于MaskNet、RPSM等方法,且检测速度较快。     

一种端到端的人脸对齐方法

现有的人脸对齐方法多数是非端到端的,中间过程需要大量的人工干预,导致人脸关键点检测的稳定性较差。为此,提出一种端到端的基于深度学习的人脸对齐方法。基于MobileNets系列网络的子模块,使用类VGG结构的方式进行搭建,将整张图片作为输入,采用基于深度可分离卷积模块进行特征提取,并运用改进的倒残差结构避免网络训练过程的梯度消失,减少特征损失。在此基础上将眼间距离作为正规化方法,在300W人脸数据集上进行测试,结果表明,与CDM、DRMF等方法相比,该方法在保证较优精度的同时,具有良好的实时性。