基于多任务CNN的人脸活体多属性检测

人脸的活体检测是人脸识别系统的安全性保证,传统交互式活体状态识别中通常先进行关键点检测,再进行人脸活体状态判断,无法利用活体属性之间关联性同时进行多种活体属性检测。基于多任务卷积神经网络(convolutional neural network,CNN),提出了一种直接从输入人脸中同时判断人脸的眼睛睁闭状态、嘴巴的张闭状态、头部点头状态和摇头中左右侧脸状态四个任务的活体检测方法。该方法利用多层CNN强大的特征提取能力、多任务的并行能力和四个任务中的关联性,直接提取人脸照片中的特征信息,判断人脸多个活体属性。实际应用结果表明,这种基于多任务CNN方法的准确率在四个任务中均可达95%以上,甚至达到98%以上,无论检测的准确率还是同时检测多个任务的能力均明显优于传统的人脸活体属性检测方法。     

人脸识别系统中活体检测技术

人脸识别技术是生物识别技术领域内的一个分支,是继指纹识别之后最受关注的一项生物技术,但是目前也出现伪装人脸行为进行欺诈,这种对合法用户人脸的假冒行为已经成为人脸识别与认证系统的重要威胁。当前活体人脸检测技术主要集中在人脸细微动作、3D人脸重建、红外人脸检测三领域的研究上,该文主要浅析这三类检测技术的原理,并总结分析了各技术的特点及优劣。     

基于AdaBoost分类器和特征脸的人脸检测与识别

本文在人脸检测与识别技术理论研究的基础上,提出了一种有效的人脸检测与识别机器学习方法.该方法采用了海尔特征级联的AdaBoost分类器进行人脸检测,使用了特征脸的主分量分析法进行人脸识别.实验结果表明该方法能较快地定位并跟踪人的脸部,然后通过比较人脸数据库能较好地识别出待检人物的身份.     

基于FS-LBP特征的人脸活体检测方法

针对人脸识别系统无法识别人脸图像是否来自真人的问题,首先改进了傅里叶频谱(Fourier spectrum,FS)特征的人脸活体检测方法,并验证了局部二值模式(local binary pattern,LBP)特征和灰度共生矩阵(gray-level co-occurrence matrix,GLCM)特征人脸活体检测性能。在此基础上,提出了融合LBP特征的FS-LBP特征人脸活体检测算法。实验结果表明,提出的FS-LBP特征在多数据库的混合数据的准确率高达83.17%,更优于多尺度局部二值模式(multiscale local binary pattern,MSLBP)特征。     

人脸检测技术现状与发展研究

人脸检测是人脸自动检测和识别系统的一个关键环节,人脸检测技术已经成为图像处理与模式识别领域研究的热点问题。文章首先介绍了人脸检测的研究背景与主要工作,其次分析了国内外的研究领域现状及检测的研究难点,然后对人脸检测的研究内容及其主要方法进行简要讨论,最后提出了该领域存在的问题以及对研究前景的展望。     

基于Gabor纹理增强的人脸活体检测算法

针对人脸信息认证系统中存在的欺骗攻击问题,利用色彩空间转换信息丢失的特性,提出一种人脸活体检测算法。通过Gabor滤波器组多尺度、多方向地增强关键人脸图像纹理特征,抑制人脸图像的一般特征。高斯径向基函数分类器分类SURF(speeded up robust features)算子提取特征描述子,区分人脸活体与非法用户的欺骗攻击。利用类间方差衡量特征改进前后的可分性,计算图像原始特征与纹理增强后特征的类间方差、类内方差大小以及可分性判据J。在公开数据集Replay-Attack,CASIA-FASD数据库进行测试,彩色纹理图像增强后,人脸关键特征被增强而一般特征被抑制,背景与目标的类间方差增大,类内方差减小,特征可分性增强从而更具鲁棒性,使得纹理细节能被有效利用。实验结果表明,该算法能有效、实时地判断人脸活体与欺骗攻击。     

基于人脸轮廓的人脸归一化方法

人脸识别作为生物识别技术的一种,具有无接触、安全和方便的特点.人脸识别技术广泛应用于人机交互、交易认证及安防等领域,一直是生物识别技术研究的热点.人脸检测、特征定位、人脸归一化和特征提取是人脸识别研究的重点,决定着人脸识别系统的最终性能.设计了基于人脸轮廓的人脸归一化方法,根据归一化中出现的问题,进一步提出了人眼位置与人脸轮廓结合的人脸归一化方法.实验结果表明在Yale人脸图像库上人眼位置与人脸轮廓结合的人脸归一化方法具有更高的正确率.     

结合对比学习与空间上下文的人脸活体检测

人脸活体检测是面部识别应用的先决条件.现有方法利用多种特征提升检测精度,针对特征优化的研究较少,一些能起有效区分作用的特征未被提取,提出结合空间上下文特征与对比学习的人脸活体检测(SAC),分两个阶段:① 对比学习得到高级语义特征,扩大活脸和攻击脸之间的特征差距.此外,提出两种定义样本的策略以增强特征的可辨性.② 上下文判别器:自我注意学习输入的极端贡献性空间上下文.两阶段用跳跃连接保持特征表示一致性,分别用特征相似度和交叉熵损失训练.在公开数据集SiW、CAISA FASD和Replay Attack上测试,SAC在SiW的3种测试协议下均取得了与先进算法可比较的结果,在CAISA FASD和Replay Attack的跨数据集测试结果分别提升4％、11％,表明SAC能够有效准确判别欺骗人脸.     

多颜色空间中三正交平面的WLDLBP活体人脸检测算法

基于动态纹理分析是活体人脸检测中一个重要的研究方法,然而这些算法主要从灰度视频进行研究,丢失了颜色纹理特征重要信息,导致检测识别率偏低.为了利用颜色特征信息来提高检测准确率,本文提出一种多颜色空间中三正交平面的动态局部纹理特征算法WLDLBPTOP,并分析了视频帧数不同对活体人脸检测的准确率的影响.算法在公开数据库CASIA-FASD和REPLAY-ATTACK中进行验证,实验结果表明,本文所提算法在CASIA-FASD中获得EER(Equal Error Rate)为2.69%;在REPLAY-ATTACK中,当验证集EER为2.10%时,在测试集中的HTER(Half Total Error Rate)为3.24%,比现有动态纹理特征算法拥有更高的识别率.     

基于形态学小波理论和SVM神经网络的人脸识别

主要研究了快速识别人脸的基本算法,它包括人脸检测和人脸识别两部分.人脸检测部分利用肤色电平的聚类特性和形态学处理检测出准人脸图像,再利用小波特征提取出特征进行人脸认证.人脸识别部分采用支持向量机(SVM)神经网络进行人脸识别.支持向量机神经网络对二类判别具有很强的识别能力.对于N类判别需连续使用N次.该方法识别速度快,且不受发型、头饰、眼镜等的影响.仿真证明了该方法的有效性.     

基于黄金分割的人脸检测算法

人脸识别技术是生物特征识别的一个重要分支,但在人脸识别过程中往往存在稳定性差、不易识别等问题,这些问题大多发生在识别的检测环节.基于黄金分割对人脸的眉、眼、耳、鼻、口五官进行划分,抓取主要特征,提出基于黄金分割的人脸检测算法,并通过Biometrics Ideal Test人脸数据库和FDDB人脸数据库进行对比试验.结果表明:基于该算法构建的检测框架稳定性好,对不同角度或in the wilds的人脸有较好的检测性能和较快的检测速率.     

人脸检测与识别技术综述

人脸的检测与识别技术因其巨大的应用价值及市场潜力,引起各方面的关注,已经成为图像工程和模式识别领域的研究热点。文章在回顾人脸检测与识别技术发展历程的基础上,对人脸检测与识别的多种相关技术作了介绍与评论,并讨论了该技术的最新发展方向及其国内的发展情况。     

视频中多信息融合的人脸检测方法

针对目前人脸检测存在实时性差和对环境适应能力差的问题,提出了一种利用多信息融合技术的视频人脸检测方法.实验结果表明,该算法具有良好的稳定性和实时性.     

基于人脸识别的实验室上机考试身份验证

实验室上机考试在越来越多的领域得到应用,比如注册会计师考试,银行业从业资格考试等。大部分考场都采用人工身份验证的方式。但是人工识别的局限和机房电脑显示屏的遮挡给替考作弊行为的查找带来了困难。该文注意到深度学习在人脸验证领域得到了长足的发展,提出一种新的基于人脸识别的上机考试身份验证系统。该系统首先通过考生准考证号登陆进系统,再通过人脸检测方法得到人脸,然后使用深度学习方法比对得到的人脸与系统中保存的人脸,最后使用活体检测方法排除替考者使用照片验证的情况。     

基于AdaBoost和LLE的视频人脸特征提取研究

特征提取是生物特征识别的关键环节.本文提出了一种基于AdaBoost和LLE的视频人脸特征提取方法.其大致思路是用VFW技术对视频图像进行采集、接着将AdaBoost算法对采集的图像进行人脸检测,最后应用LLE算法对检测到的人脸图像进行降维并提取出特征.项目实践表明,该方法具有便捷性、实用性和有效性.     

部分遮挡人脸的检测技术分析

生物识别技术是计算机技术的一个新的应用领域,人脸识别成为生物识别中的一个热点问题,人脸检测是人脸识别的前期重要工作部分。现有的人脸检测算法多是针对简单背景下只有一个人验的图像进行的,对部分遮挡人脸的检测很少研究。文中提出局部遮挡人脸恢复的属性关系图方法．通过对较复杂背景下10幅图像实验（包括遮挡人脸和非遮挡人脸）,该算法对非遮挡人脸的正确检测率为98％,对遮挡人脸的准确检出率为62％。该算法对部分遮挡人脸的检测有一定的指导意义,但需要进一步的实验和提高准确检出率。     

基于哈尔小波分解和等价局部2值模式的人脸防欺骗算法

针对人脸识别技术在身份认证中极易受到假冒用户欺骗的问题,提出1种基于哈尔(Haar)小波分解和等价局部2值模式(Uniform Local Binary Pattern,ULBP)的算法,致力于检测假冒的照片人脸.算法对人脸图像进行4级Haar小波分解,计算1-4级的高频子图系数矩阵的均值、方差作为特征,并提取ULBP特征谱的统计直方图,形成最终的75维特征向量,训练支持向量机(SVM)以判定人脸是否来自活体.在公开的NUAA、REPLAY-ATTACK数据库上实验,最高准确率分别为99.96%和96.26%,最高受试者工作特征曲线下方面积(Area Under Curve,AUC)为1.实验结果表明算法准确度高,计算复杂度小,对不同介质的假人脸图像都能有效检测,能够用来保障人脸识别系统的可靠性.     

基于人脸识别技术的人证比对系统设计

针对复杂应用场景下人脸识别系统效率低、实时性差和证件信息运用不充分等问题,设计了基于人脸识别技术的人证比对系统.将该系统应用于多人脸视频场景中,可缩小人脸检测识别范围,提高识别速度和识别率,解决了复杂场景下人脸比对效率低的问题;采用补偿光的办法,解决了强背光对人脸图像检测及特征提取产生的影响.     

基于肤色模型与Adaboost算法的多视角人脸检测

提出了一种基于椭圆肤色模型与可控风险敏感型Adaboost(CCS-Adaboost)算法的多视角人脸检测方法.在人脸检测的离线训练部分,该方法使用Haar-like特征和CCS-Adaboost算法训练样本.CCS-Adaboost在最小化分类错误率的同时能够最小化样本的误分类风险,从而它能够提高分类准确性.在实时检测部分,首先通过使用YCbCr颜色空间的椭圆模型快速检测出可能的人脸区域,然后通过基于CCS-Adaboost的多视角人脸检测器检测人脸.多视角人脸检测器中级联分类器的前四层构成姿态预估部分,如果样本未通过级联检测器的前四层,那么该样本被确定为一个非人脸样本.实验证明该检测器可以有效和准确地检测多视角人脸.     

基于深度学习的人脸分析研究进展

近年来,基于深度学习的人脸分析取得了巨大的进步,成为计算机视觉领域最为活跃的研究方向之一.为了进一步推动深度学习和人脸分析的研究,结合近年已发表的相关文献,对基于深度学习的人脸分析技术进行综述.首先,简要概述深度学习及其发展历史,并分析深度学习有效性原因.然后,按照任务目的的不同,将人脸分析分成了人脸检测、人脸关键点检测、人脸识别、人脸属性识别等任务进行详细的介绍和讨论,重点分析各种任务现阶段存在的主要问题.接着,介绍人脸分析中常用的人脸数据库.最后,讨论深度学习和人脸分析面临的主要挑战,并给出结论.