非受限条件下的深度人脸年龄分类

针对非受限条件下人脸图像年龄分类准确度较低的问题,提出了一种基于深度残差网络（ResNets）和大数据集微调的非受限条件下人脸年龄分类方法。首先,选用深度残差网络作为基础卷积神经网络模型处理人脸年龄分类问题;其次,在ImageNet数据集上对深度残差网络预训练,学习基本图像特征的表达;然后,对大规模人脸年龄图像数据集IMDB-WIKI清洗,并建立了IMDB-WIKI-8数据集用于微调深度残差网络,实现一般物体图像到人脸年龄图像的迁移学习,使模型适应于年龄段的分布并提高网络学习能力;最后,在非受限人脸数据集Adience上对微调后的网络模型进行训练和测试,并采用交叉验证方法获取年龄分类准确度。通过34/50/101/152层残差网络对比可知,随着网络层数越深年龄分类准确度越高,并利用152层残差网络获得了Adience数据集上人脸图像年龄分类的最高准确度65.01%。实验结果表明,结合更深层残差网络和大数据集微调,能有效提高人脸图像年龄分类准确度。     

基于ResNet50网络的年龄估计

人脸图像年龄估计在社交媒体、零售业务和学术研究等各个领域都具有重要的研究意义。ResNet网络是解决深度网络结构退化问题的一种成熟算法,本文使用ResNet50网络对人脸图像的年龄估计模型进行训练。首先,使用ResNet50网络在大型数据集ImageNet上进行模型预训练;其次,在数据集morph2上训练模型;最后,在数据集morph1上进行模型测试。实验结果表明,ResNet50网络在数据集morph1和morph2上获得较高的估计精度。     

应用于课堂场景人脸验证的卷积网络方法研究

对于人脸验证应用于课堂场景的问题,通过教室内的摄像头采集学生图像数据集,然而受光照、姿势和环境因素的影响,采集到的图像质量较低,一般的深度学习模型学习难度很大。针对这些问题,对采集到的图像进行了图像预处理,建立卷积图像分类模型与残差网络图像分类模型,并且修改损失函数,提高学习复杂度,训练出紧凑的人脸特征表达。设置了人脸验证阈值,实现人脸验证。通过实验分析在不同数据集上两个模型的精度,并验证修改的损失函数可改善模型性能,最后结果表明在采集到的图像数据集上正确率最高可以达到99. 97%,通过理论分析和实验证实了设计方法的有效性。     

深度卷积特征向量用于快速人脸图像检索

针对计算机视觉领域的人脸图像检索计算复杂和检索时长问题,提出一种基于深度卷积特征的快速人脸图像检索算法.首先使用人脸图像训练集对深度卷积神经网络模型进行人脸分类训练;然后采用三元组损失方法对已训练好的人脸分类网络模型进行微调,更新网络的参数,使得网络能够更加有效地提取不同人的人脸图像特征,构建高效的卷积特征向量进行人脸检索初步过滤;为了进一步提高系统的检索性能,提出一阶段查询扩展方法对待检索人脸图像的卷积特征向量进行均值融合加强,再次执行检索任务,得到最终的检索结果.在Celebrities Face Set和Labeled Faces in the Wild dataset这2个人脸检索数据集上进行实验的结果表明,该算法不仅能够显著地提高检索结果的准确率,而且简单可靠,能够快速地实现人脸检索任务.     

基于残差网络的非限定条件人脸识别研究

针对非限制人脸识别中人脸图像的尺寸和角度影响识别精度的问题,本文根据渐进校准的思想,设计出一种以具有渐进校准功能的卷积神经网络为分析算法的人脸识别方法。首先在非限制环境下对人脸图像进行几何归一化处理,并且利用主成分分析法进行降维;然后基于仿射变换和局部人脸分割理论,提出基于细节变换与特征融合的方法对人脸进行矫正;最后利用残差卷积神经网络构建人脸识别模型,在LFW数据集上对模型参数进行训练,并对训练后的模型进行仿真和检验。实测表明,通过矫正得到的正面人脸图像虽然存在轻微的扭曲现象,但其提取的特征信息能够有效提高非限制条件下多姿态人脸的识别准确率。     

基于多级子网络和排序性Dropout机制的人脸属性识别

如何提高自然环境下或非受限环境下人脸属性识别的准确率是应用人脸属性的一个重要问题。在日常生活中,人脸姿势和光照等不可控制的因素对识别人脸属性产生了较大影响,如何在上述因素影响下提高识别的精度是我们研究人脸属性识别的关键问题。目前卷积神经网络（Convolutional neural network,CNN）在图像分类中已经取得显著性成果,本文通过采用多级子网络和排序性Dropout机制算法重新构建一个网络结构,该结构对处理人脸姿势变化等具有较强的鲁棒性,在CelebA数据集和LFWA数据集中取得较好的效果,且大大降低了网络体积。     

融合通道位置注意力机制和并行空洞卷积的人脸年龄合成

目的 人脸年龄合成旨在合成指定年龄人脸图像的同时保持高可信度的人脸,是计算机视觉领域的热门研究方向之一。然而目前主流人脸年龄合成模型过于关注纹理信息,忽视了与人脸相关的多尺度特征,此外网络存在对身份信息筛选不佳的问题。针对以上问题,提出一种融合通道位置注意力机制和并行空洞卷积的人脸年龄合成网络（generative adversarial network（GAN）composed of the parallel dilated convolution and channel-coordinate attention mechanism,PDA-GAN）。方法 PDA-GAN基于生成对抗网络提出了并行三通道空洞卷积残差块和通道—位置注意力机制。并行三通道空洞卷积残差块将3种膨胀系数空洞卷积提取的不同尺度人脸特征融合,提升了特征尺度上的多样性和总量上的丰富度;通道—位置注意力机制通过对人脸特征的长度、宽度和深度显著性计算,定位图像中与年龄高度相关的通道和空间位置区域,增强了网络对通道和空间位置上敏感特征的表达能力,解决了特征冗余问题。结果 实验在Flickr高清人脸数据集（Flickr-faces-high-quality,FFHQ）上训练,在名人人脸属性高清数据集（large-scale celebfaces attributes dataset-high quality,Celeba-HQ）上测试,将本文提出的PDA-GAN与最新的3种人脸年龄图像合成网络进行定性和定量比较,以验证本文方法的有效性。实验结果表明,PDA-GAN显著提升了人脸年龄合成的身份置信度和年龄估计准确度,具有良好的身份信息保留和年龄操控能力。结论 本文方法能够合成具有较高真实度和准确性的目标年龄人脸图像。     

结合图像块比较与残差图估计的人脸伪造检测

目的 由于不同伪造类型样本的数据分布差距较大,现有人脸伪造检测方法的准确度不够高,而且泛化性能差。为此,本文引入“图像块归属纯净性”和“残差图估计可靠性”的概念,提出了基于图像块比较和残差图估计的人脸伪造检测方法。方法 除了骨干网络,本文的人脸伪造检测神经网络主要由纯净图像块比较模块和可靠残差图估计模块两部分组成。为了避免在同时包含人脸和背景像素的图像块上提取的混杂特征对于图像块比较的干扰,纯净图像块比较模块中选择只包含人脸像素的纯净人脸图像块和只包含背景像素的纯净背景图像块,通过比较两种图像块纯净特征之间的差异来检测伪造图像,图像块的纯净性保障了特征提取的纯净性,从而提高了特征比较的鲁棒性。考虑到靠近伪造边缘的像素比远离伪造边缘的像素具有较高的残差估计准确度,本文在可靠残差图估计模块中根据像素到伪造边缘的距离设计了一个距离场加权的残差损失来引导网络的训练过程,使网络重点关注输入图像与对应真实图像在伪造边缘附近的差异,对于可靠信息的关注进一步增强了伪造检测的鲁棒性。结果 在FF++(FaceForensics++)数据集上的测试结果显示:与对比算法中性能最好的F2Trans-B相比,本文方法的准确率和AUC(area under the ROC curve)指标分别提高了2.49%和3.31%,在FS(FaceSwap)与F2F(Face2Face)两种伪造数据上的准确率指标分别提高了6.01%和3.99%。在泛化性能方面,与11种已有方法在交叉数据集上的测试结果显示:本文方法与其中性能最好的方法相比,在CDF(Celeb-DF)数据集上的视频AUC指标和图像AUC指标分别提高了1.85%和1.03%。结论 与对比方法相比,由于提高了特征信息的纯净性和可靠性,本文提出的人脸图像伪造检测模型的泛化能力和准确率优于对比方法。     

基于改进残差网络的人脸识别算法

针对传统的人脸识别技术对于人脸特征提取的能力有限的问题,提出了一种改进的残差神经网络人脸识别算法.通过对原有残差神经网络模型结构的调整,适当增加卷积输出,减少残差单元的方法来提高网络性能,从而提高残差神经网络提取人脸特征的能力.实验结果表明:提出的算法在自建数据集OurFace和CASIA-WebFace数据集上取得了优于现有残差网络的人脸识别性能.     

基于集成卷积神经网络的人脸年龄分类算法研究

人脸年龄估计由于在人机交互和安全控制等领域有潜在应用,因此得到了广泛关注。文中主要进行人脸年龄分组的研究,针对人脸年龄分类问题提出了一种基于集成卷积神经网络的年龄分类算法。首先,训练两个以人脸图像为输入的卷积神经网络,当用卷积神经网络直接提取人脸图像的特征时,主要对 深度的全局特征 进行提取。为了补充人脸图像的局部特征,尤其是纹理信息,将提取的LBP(Local Binary Pattern)特征作为另一个网络的输入。最后,为了结合人脸的全局特征和局部特征,将这3个网络进行集成。该算法在广泛使用的年龄分类数据集Group上取得了不错的效果。     

基于加权字典对学习的人脸年龄估计方法

针对现有人脸年龄估计方法多数将人脸各部分同等对待或忽视部分特征的问题,提出一种基于加权字典对学习(DPL)的人脸年龄估计方法。将人脸进行分块,使用局部二值模式算法对人脸的主要特征区域和次要特征区域分别进行特征提取,得到人脸的主要特征和次要特征,再利用这2种特征分别训练DPL模型,并赋予不同的权重,使用训练好的加权DPL模型对目标人脸图像进行年龄分类。在MORPH和FG-NET数据集上的实验结果表明,该方法具有较高的分类准确率。     

深度残差学习下的光源颜色估计

目的 颜色恒常性通常指人类在任意光源条件下正确感知物体颜色的自适应能力,是实现识别、分割、3维视觉等高层任务的重要前提。对图像进行光源颜色估计是实现颜色恒常性计算的主要途径之一,现有光源颜色估计方法往往因局部场景的歧义颜色导致估计误差较大。为此,提出一种基于深度残差学习的光源颜色估计方法。方法 将输入图像均匀分块,根据局部图像块的光源颜色估计整幅图像的全局光源颜色。算法包括光源颜色估计和图像块选择两个残差网络：光源颜色估计网络通过较深的网络层次和残差结构提高光源颜色估计的准确性;图像块选择网络按照光源颜色估计误差对图像块进行分类,根据分类结果去除图像中误差较大的图像块,进一步提高全局光源颜色估计精度。此外,对输入图像进行对数色度预处理,可以降低图像亮度对光源颜色估计的影响,提高计算效率。结果 在NUS-8和重处理的ColorChecker数据集上的实验结果表明,本文方法的估计精度和稳健性较好;此外,在相同条件下,对数色度图像比原始图像的估计误差低10% 15%,图像块选择网络能够进一步使光源颜色估计网络的误差降低约5%。结论 在两组单光源数据集上的实验表明,本文方法的总体设计合理有效,算法精度和稳健性好,可应用于需要进行色彩校正的图像处理和计算机视觉等领域。     

基于人脸识别的人脸图像质量评估

无约束场景下,低质量的人脸图像不仅浪费计算资源而且降低系统识别率.针对此问题,提出一种基于人脸识别的人脸质量评估方法对人脸图像进行预评估.以人脸识别系统特征提取网络为基础网络在COX数据集上进行微调,并使用微调后网络对COX数据集进行质量分数标定.最后,结合基础网络及质量预测网络并以相应损失函数在标定数据上进行回归学习以获取质量评估模型.实验结果表明,该方法能够有效区分不同质量的人脸图像并提升人脸识别系统性能.     

基于人脸超分的网络视频人脸检测

针对网络视频质量低导致人脸检测准确率低的问题,提出一种基于人脸超分辨率重建的SR Face Detection模型.使用去掉自监督分支且以Resnet50为基础网络的RetinaFace进行帧图片人脸的粗提取;在人脸检测器后增加一个人脸超分辨率重建网络,剔除粗提取人脸中的非人脸.该超分网络的生成网络使用残差密集块进行特征提取,加入注意力损失和热图,更好地还原面部细节;根据实际需求设计一个多判别功能的判别网络.实验结果表明,SR Face Detection模型在WID-ER FACE数据集上取得了令人信服的结果,提高了人脸检测准确率,且人脸检测场景越复杂,效果提升越明显.     

基于宽接收域的实时人体姿态估计网络

为解决人体姿态估计任务的准确率和实时性问题，提出一个卷积宽接收域、检测实时的人体姿态估计网络。构建稠密残差步进网络(dense residual steps network, DRSN),提高模型对输入图像空间信息的提取和全局特征的把握。在激活函数上，以改进的FReLU激活函数替换原始的激活函数，通过采用二维卷积的方式改变ReLU函数中的激活条件，扩大模型的接收域，关键点分类更加准确。该网络在标准MPII数据集上进行测试，在满足较高定位精度的条件下，模型在NVIDIA RTX 2080Ti GPU上的检测速度达到38 FPS,可有效解决检测实时性问题。     

低质量渲染图像的目标物体6D姿态估计

从图像中获取目标物体的6D位姿信息在机器人操作和虚拟现实等领域有着广泛的应用,然而,基于深度学习的位姿估计方法在训练模型时通常需要大量的训练数据集来提高模型的泛化能力,一般的数据采集方法存在收集成本高同时缺乏3D空间位置信息等问题.鉴于此,提出一种低质量渲染图像的目标物体6D姿态估计网络框架.该网络中,特征提取部分以单张RGB图像作为输入,用残差网络提取输入图像特征;位姿估计部分的目标物体分类流用于预测目标物体的类别,姿态回归流在3D空间中回归目标物体的旋转角度和平移矢量.另外,采用域随机化方法以低收集成本方式构建大规模低质量渲染、带有物体3D空间位置信息的图像数据集Pose6DDR.在所建立的Pose6DDR数据集和LineMod公共数据集上的测试结果表明了所提出位姿估计方法的优越性以及大规模数据集域随机化生成数据方法的有效性.     

基于改进FaceNet算法的人脸智能识别方法

人脸识别是计算机视觉与图像处理领域的研究热点,基于Face Net网络模型的人脸智能识别系统,由于所需训练数据集大且对硬件资源条件要求较高,设计改进Facet Net的人脸智能识别算法。首先,通过MTCNN网络实现人脸图像非极大值抑制和边界框的回归问题;其次,把人脸对齐后的图像数据进行高斯归一化（Gaussian normalization）预处理后,再通过Facet Net算法网络模型进行训练。优化后的网络模型在LWF数据集上进行训练,实验验证得出改进后的人脸识别模型其平均误识率为0.06%,拒识率为5.13%和准确率为99.79%,并通过采集真实的人脸数据进行验证,均表现出了良好的识别效果。     

基于多网络学习的人脸属性分类

为解决传统人脸属性分类训练效率低、模型参数量巨大等问题,本文提出了一种多网络学习框架.该框架包含两个子网络:人脸区域定位网络和属性分类网络,从而实现动态选择不同的人脸区域进行人脸属性预测.此外,本文提出了基于提示的模型压缩技术,在不明显降低准确率的前提下大大压缩网络参数.最后,通过仿真在CelebA人脸属性分类数据集上...     

基于深度可分离卷积的人脸表情识别

为解决在复杂环境下人脸表情识别模型泛化能力不足、识别精度及效率不高的问题,提出一种基于深度可分离卷积的人脸表情识别方法.利用人脸分割网络分割出人脸图像中与表情识别最相关的感兴趣区域,减少非重要因素影响;利用深度可分离卷积构建两个基分类器,实现模型轻量化;采用联合微调方法融合基分类器,提升模型识别率.实验结果表明,在FER-2013数据集上的识别率达到75.15％,较Kaggle表情识别挑战赛冠军提高了3.95％;在CK+和JAFFE数据集上的识别率高达98.98％、97.14％,验证了其有效性.     

基于深度卷积网络的人脸年龄分析算法与实现

作为一种新兴的生物特征识别技术,基于人脸图像的年龄估计技术在目前已经成为计算机视觉、人机交互等领域的一个重要研究课题。2006年以来,深度卷积网络在图像识别、语音识别和自然语言处理等领域广泛使用,取得了很好的效果。本文基于深度卷积网络的人脸年龄分析算法,构建一个多层卷积神经网络,通过卷积神经网络获取深度卷积激活特征,作为人脸年龄估计的特征,并利用支持向量机(SVM)的方法训练年龄估计模型,得到年龄估计结果,在人脸识别权威数据集Morph上获得了91.3%的正确率,同时也对比在了不同条件下对实验结果的影响。