基于BP网络的人脸朝向识别方法

为了使仿人机器人的视觉系统能够识别出人脸,利用BP神经网络的理论知识,研究人脸识别技术,对图像中人脸朝向判别进行实验研究。实验采用Matlab工具箱进行BP网络设计,实现对人脸角度方向的判别。讨论了输入和目标向量设计BP神经网络结构的设计,以及网络参数和训练参数的设定等问题。实验结果表明,BP神经网络可以根据输入图像的二值化信息,以一定的准确率判别该图像的人脸朝向。     

基于卡尔曼滤波的人脸跟踪算法

针对实时视频监控领域中传统的Camshift算法不能自动跟踪人脸和容易受到肤色相近遮挡等问题,采用Ad-aboost算法实现了人脸的自动检测,同时对于跟踪丢失等情形,通过卡尔曼预测对跟踪偏差进行实时改进。实验表明跟踪的准确性有较大提高,具有较好的实时性;在相近肤色遮挡时仍能实现正确跟踪,并对侧脸也有较好的效果;算法具有较好的鲁棒性。     

复杂背景的人脸检测方法

由于原始的Adaboost方法在复杂图片上检测人脸效果不够理想,所以提出了一种能够处理复杂背景图片的人脸检测方法,即基于肤色的Adaboost检测方法。该方法具有肤色分割的检测率高、适应性强和AdaBoost算法检测速度快等优点。首先,通过人脸肤色的统计特征对图像进行肤色分割,得到候选人脸区域;然后使用经过训练的AdaBoost算法级联分类器对候选人脸区域进行检测,最终得到精确定位的人脸。经过实丐令证明,基于肤色分割的Adaboost人脸检测方法比原始的Adaboost方法在鲁棒性上有了很大提高。     

动态人脸识别系统的设计与实现

介绍了动态人脸图像的识别问题,包括模块结构设计、系统结构设计和系统的实现等方面.首先,设计了图像采集模块,通过摄像头在VC++环境下实现动态图像的采集、捕捉、存储等功能.其次,对人脸检测与识别的实现过程和算法进行了详细的阐述.设计出的动态人脸识别系统时间复杂度比较低,占用较少的系统空间资源,实验结果具有很高的准确率.     

自动人脸跟踪方法研究

针对实时视频监控领域中传统的Camshift算法不能自动跟踪人脸和容易受到肤色相近遮挡等问题,首先采用Adaboost算法实现了人脸的自动检测,同时对于跟踪丢失等情形,通过贪心预测和卡尔曼预测对跟踪偏差进行实时改进,并比较两种算法的优缺点。实验表明前者对跟踪的准确性有较大提高,后者具有较好的实时性,在相近肤色遮挡时仍能实现正确跟踪,并对侧脸也有较好的效果,算法具有较好的鲁棒性。     

基于流形学习的整体正交稀疏保留鉴别分析

稀疏保留投影是一种有效的特征提取方法,但是其主要关注样本间的全局稀疏重构关系,并且得到的投影变换通常不是正交的。在实际应用中,图像数据往往处于高维空间中的一种低维流形中,正交性一直被认为有利于提高鉴别能力。文中以有监督学习的方式在稀疏保留投影中引入了流形结构保留,并使得投影空间正交,从而提出了一种新的特征提取方法,即基于流形学习的整体正交稀疏保留鉴别分析（MLHOSDA）。在人脸和掌纹图像数据库的实验结果表明此方法具有较好的识别效果。     

基于CNN的人脸反欺诈的框架研究与实现

随着5G的发展和信息技术的推广,人脸识别和反欺诈越来越受到重视,但市面上现有的人脸识别系统在技术上存在采集数据不完整、识别风险管理存在漏洞等问题,同时人为的欺诈行为也越来越常见。为防止人脸识别系统将假人识别为真实人脸用户,本文提出基于卷积神经网络的人脸反欺诈算法框架,最终实现自动化的人脸反欺诈识别技术。实验结果表明,该方法的准确率达到73.23%。     

TP-FER：基于优化卷积神经网络的三通道人脸表情识别方法

针对人脸五官在表达不同情绪时所起的作用不同,利用单一的卷积神经网络对人脸面部特征进行特征提取和表情识别可能会导致提取表情关键特征信息时聚焦性不够,而仅对眼部或者嘴部等重点部位进行特征提取,又有可能造成特征提取不够充分的问题,提出了一种基于优化卷积神经网络的三通道人脸表情识别方法TP-FER(tri-path networks for facial expression recognition).该方法基于构建的卷积神经网络训练,采用三个输入渠道,分别聚焦面部、眼部和嘴部区域进行特征提取和表情判别,最后采用基于决策层的融合技术将三个渠道的识别结果进行相对多数投票决策,获取整体最优识别率.将此方法应用于JCK+数据集和自建数据集上进行了实验判别分析,结果表明该方法在两个数据集上均提高了整体表情识别率.该方法既考虑了脸部整体特征的提取,又兼顾了某些表情主要聚焦在眼部、嘴部表达的特性,相互辅助,整体提高了表情的识别率;该方法也能对神经心理学研究提供数据支持.     

基于深度特征增广的跨域小样本人脸欺诈检测算法

随着人脸识别技术的发展,人脸欺诈攻击已经成为一项实际的安全问题,人脸欺诈检测算法用于及早发现该类攻击,保护系统安全.文中将一种经典域自适应算法扩展到深度神经网络中,首先定义了基于深度特征增广的域自适应层,提出了一种基于深度特征增广的跨域小样本人脸欺诈检测算法.该算法在已有的基于全卷积神经网络的人脸欺诈检测深度神经网络的中部嵌入域自适应层将卷积特征图增广,来适配源域和目标域的差异,随后根据增广后的特征图进行像素级分类,最后将像素级概率图从空间上融合为帧级决策.文中在CASIA-FASD,Replay-Attack和OULU-NPU 3个数据集和6个常见测评协议(2个CASIA-FASD与Replay-Attack跨库协议和4个OULU-NPU标准协议)下进行实验,验证了算法在不同背景、不同攻击设备、不同相机等跨域情况下的性能.实验表明,基准FCN人脸欺诈检测算法已经能够达到较好的性能,在此基础上,借助小样本目标域数据学习域自适应模型,可进一步显著提升性能,将错误率减半(CASIA-FASD训练+Replay-Attack测试的HTER指标从27.31％降至11.23％,Replay-Attack训练+CASIA-FASD测试的HTER指标从37.33％降至21.83％,OULU-NPU标准协议IV的ACER指标从9.45％降至5.56％),实验结果验证了基于深度特征增广的跨域小样本人脸欺诈检测算法的有效性.