一种基于多特征融合的二维人脸欺诈检测方法

针对当前人脸识别系统易受欺诈攻击的问题,提出一种基于图像分析的人脸欺诈检测方法。该方法融合了LBP、Gabor小波及像素特征,通过非线性SVM分类器区分人脸和欺诈图像。相较于现有人脸欺诈检测方法,该方法无需用户配合,具有很强的实用性。此外,提出的融合纹理特征也适用于人脸识别,为处理人脸欺诈检测和人脸识别提供了一个独特的特征空间。实验结果表明,该方法优于现有的人脸欺诈检测方法,具有更高的识别准确率。     

基于改进的MobileNet的移动端人脸反欺诈

文章研究提出基于改进的MobileNet开展人脸反欺诈的方法，能够有效区分真实人脸和虚假人脸，发现人脸识别中的展示攻击现象。在人脸反欺诈公开数据集中验证可知，在本研究所实现的深度学习模型其所需要的判断时间不显著增加的情况下，指标明显提升，更加适合部署在硬件性能有限的移动端设备中。     

基于C＋＋和OpenCV的人脸识别系统的设计与实现

人脸识别是通过对人的脸部特征信息进行身份识别的一种生物识别技术.研究现实基于人脸识别的身份验证系统具有重要意义.提出一种基于C＋＋和OpenCV的人脸识别系统的设计与实现方法.系统实现的功能模块包括人脸图像采集、图像预处理、人脸检测与定位、人脸特征提取与识别、人脸数据库管理等.系统中人脸检测采用基于Haar-like特征的Haar 分类器,人脸识别采用Eigenfacae算法.系统经过运行测试,结果表明该系统能够满足一般的基于人脸识别的身份验证需求.     

基于DCNN算法的非均匀光照图像人脸识别系统研究

人脸识别系统的人脸图像特征识别失误较高,因此文章设计了基于DCNN算法的非均匀光照图像人脸识别系统。硬件方面设计,采用ARM720T处理器与S3C2440芯片。软件方面建立非均匀光照图像人脸识别功能模块,设计软件整体架构。利用动态卷积神经网络（Dynamic Convolution Neural Network,DCNN）算法,设计人脸光照图像特征的识别程序,在非均匀光照条件下仍能有效地识别出人脸特征。测试结果表明,该能够准确识别出人脸特征,人脸系统识别得更加清晰,能够应用于实际生活中。     

基于深度学习的人脸识别课堂考勤系统设计

课堂考勤是课堂教学中的重要环节,随着信息技术的发展,以人脸识别为代表的生物特征识别技术应用于课堂考勤管理,但传统人脸识别技术存在识别速度慢、准确率低等问题。根据课堂考勤管理业务需求,设计了基于深度学习的人脸识别课堂考勤系统。该系统采用Dlib库的深度学习模型对摄像头捕获的学生图像信息进行人脸特征提取与人脸对比,可以自动进行人脸识别与数据统计。测试结果表明,该系统能够满足省时、高效、准确性高的设计要求。     

人脸识别反欺诈研究进展

当前,人脸识别理论和技术取得了巨大的成功,被广泛应用于政府、金融和军事等关键领域.与其他信息系统类似,人脸识别系统也面临着各类安全问题,其中,人脸欺诈(facespoofing,FS)是最主要的安全问题之一.所谓的人脸欺诈,是指攻击者采用打印照片、视频回放和3D面具等攻击方式,诱骗人脸识别系统做出错误判断,因而是人脸识别系统所必须解决的关键问题.对人脸反欺诈(faceanti-spoofing,FAS)的最新进展进行研究:首先,概述了FAS的基本概念;其次,介绍了当前FAS所面临的主要科学问题以及主要的解决方法及其优缺点;在此基础上,将已有的FAS工作分为传统方法和深度学习方法两大类,并分别进行详细论述;接着,针对基于深度学习的FAS域泛化和可解释性问题,从理论和实践的角度进行说明;然后,介绍了FAS研究所使用的典型数据集及其特点,并给出了FAS算法的评估标准和实验对比结果;最后,总结了FAS未来的研究方向并对发展趋势进行展望.     

纹理特征和两级分类器相结合的人脸识别

为了提高人脸识别率和识别效率,提出一种纹理特征和两级分类器相结合的人脸识别方法。采用灰度共生矩阵表示人脸图像的纹理特征,计算待识别人脸图像与模板间欧式距离,采用拒识阈值进行评判,如果人脸图像归属类别清楚,则采用欧式距离分类器进行识别,否则将待识人脸图像送入SVM分类器进行识别,采用ORL人脸数据库和Yale人脸数据库进行仿真实验。仿真结果表明,相对于单一人脸识别器,两级分类器不仅提高了人脸识别效率,而且提高了人脸识别率,具有更好的人脸识别性能。     

基于立体视觉的三维人脸识别

1.引言 近年来生物特征在安全领域的应用越来越受到重视,人脸识别即为其中一个重要分支.迄今为止,人们已经提出了多种人脸识别的算法[1,2],大多数算法是针对二维图像设计的,具有识别速度快、方法直观的特点.存在的问题是很难克服光照、背景及表情等因素的干扰.本文尝试通过人脸的三维数据匹配进行人脸识别,以提高识别的可靠性.由于实验设备、速度及特征提取等多方面因素的影响,关于人脸三维识别的研究工作相对较少.Gordon[3]利用人脸深度图计算出人脸表面曲线的曲率分布并进行分析,得到人脸各个器官的位置及相关几何特征;Beumier和Acheroy[4]通过对人脸投影结构光提取人脸的三维信息,将人脸侧面轮廓曲线与人脸中线附近区域的灰度分布相结合作为识别特征.我们利用人脸的三维稠密数据同人脸三维模型进行匹配来实现人脸的识别,取得了满意的效果.     

基于Gabor小波和SVD的热红外人脸识别研究

由于热红外人脸图像具有防伪装、防欺诈以及独立于环境光照的特点,所以近年来热红外人脸识别问题备受关注。提出一种基于Gabor小波和SVD的热红外人脸识别新方法。对归一化后的热红外人脸图像进行多方向多尺度Gabor变换,得到多个Gabor特征矩阵;对每个矩阵进行奇异值分解,并把每个矩阵最大的奇异值组合起来作为最终的热红外人脸特征向量;使用径向基神经网络进行分类识别。在自建热红外人脸数据库上的实验结果表明,相比于传统的识别方法,该方法具有较好的识别效果。     

基于人工智能技术的高光谱人脸自动化识别系统设计

为有效识别人脸区域,提升其在多种领域应用效果,设计基于人工智能技术的高光谱人脸自动化识别系统。以模块化思想设计嵌入式系统架构,采集与预处理高光谱人脸图像,并将预处理后的图像数据放入RAM存储器;人脸检测模块调用RAM存储器存储数据,并加载Haar人脸分类器,完成人脸区域检测提取工作;之后由人脸特征提取与识别模块经人脸区域LBP特征提取、LeNet-5卷积神经网络人脸识别模型构建与训练等操作,输出人脸识别结果。实验结果表明,该系统能够在较短时间内完成LeNet-5卷积神经网络人脸识别模型训练。     

基于人脸识别的考勤系统的设计与研究

通过研究人脸识别,设计出一套用于考勤的系统。基于人脸识别的考勤系统中最主要的就是人脸识别;首先对通过摄像头拍摄获取的原始人脸图片进行图像预处理;然后通过对人脸的眼睛、鼻子和嘴巴的定位实现人脸定位;在定位后的人脸图片中将眼睛、鼻子、嘴巴的特征值提取出来;最后通过图片中提取的特征值和后台人脸特征数据库中的值进行比较来完成人脸的识别功能。     

基于PCA和LDA的人脸识别系统设计

在现代社会当中,身份认证与识别问题变得尤为重要。其中,基于人脸面部特征的识别技术因其具有的突出优点脱颖而出,得到了广泛研究与应用。考虑到当前人脸识别技术遇到的相关难点,寻求了一种主成分分析(PCA)和线性判别分析(LDA)相结合的方法对人脸进行识别,并且基于LabVIEW/Matlab和摄像采集系统等软硬件设备,设计了人脸识别系统。该系统以人脸识别算法为基础,利用PC机为操作平台,通过将即时采集的人脸图像与所建立的人脸特征库比对,从而快速有效地查出已登记人员的身份信息。     

基于OpenCV的智能校园人脸门禁系统的设计与实现

随着科技的发展，使用智能化设备的人会越来越多。由于2020年突发的新冠疫情，导致各大场所都实行人员出入管理制度。为了更好和更方便管理，主要针对校园进出管理设计了一款具有高度安全、方便、高效的智能校园人脸门禁系统。系统基于Open CV+Qt的软件环境，主要有人脸识别端口和人脸采集端口两个端口，人脸采集端口实现对人脸图像的采集，人脸识别端口实现对人脸图像的信息识别。     

基于ARM的人脸识别门禁系统设计

针对现有门禁系统因采用IC卡、射频卡等考勤方法存在"认卡不认人",采用指纹虹膜等生物识别技术存在指纹容易损伤等问题,设计了一套基于ARM的人脸识别门禁系统。该系统采用S3C2440B芯片为处理器、USB摄像头作为视频采集设备,自动搜索人脸进行拍照;采用基于PCA的人脸识别算法对采集的人脸图像进行识别,若为非法入侵人员则发出报警声,并通过GPRS技术发短信通告系统管理员采取安全防范措施。测试结果表明,该系统在严格的测试环境下能够准确高效地识别出人脸,平均识别率达95%以上。     

基于MobileNetV2与树莓派的人脸识别系统

人脸识别技术在安防,商业,金融等领域都有广泛的应用.针对目前人脸识别系统成本高,易用性低等现象,提出了基于树莓派(Raspberry Pi)实现人脸识别的方案.首先利用OpenCV计算机视觉库中的Harr级联方法,对图像中的人脸进行定位;然后利用改进的MobileNetV2网络模型对人脸进行特征提取和分类,得到一个优化的人脸识别模型;最后将模型移植到Raspberry Pi进行人脸识别.该模型对图库中的人识别准确率为95％,对陌生人识别准确率为80％.实验结果表明该系统进行人脸识别工作稳定,识别速度快,应用场景广.     

复用特征组合的单幅人脸图像识别

单幅图像的人脸识别问题目前研究较少,而许多识别算法一旦应用到单幅训练图像的人脸库时,识别率会急剧下降。通过研究人脸的各个局部特征对识别人脸的影响,筛选出几个最能表达人脸信息的局部特征,然后利用Boosting思想,为从单个图像样本中挖掘更多的信息,重复使用人脸特征,将人脸的整体特征和局部特征结合起来构造了两个人脸识别系统——多特征投票法和复用特征法。     

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。     

计算机视觉在人脸识别领域中的应用研究

随着人工智能的发展,需要自动人脸识别的场景会越来越多,采用计算机视觉快速准确地检测并识别出目标人脸成为必然趋势。使用摄像头采集到的人脸图像,通过灰度化的方法进行预处理,经过预处理后的图像更容易进行特征提取。该方法能够快速检测到人脸,有效提取人脸面目特征,并且准确识别出相应的人脸,主要应用在静态图像的人脸识别中,基本上满足了人脸检测和识别的实时性要求,应用前景广阔。     

基于视频的多分类器融合的实时人脸检测与识别

动态人脸识别具有更大的难度,如视频输出的图象质量较差、背景更复杂等,而现有的动态人脸识别算法还存在着识别速度慢,鲁棒性差等缺点。课题就是在研究现有的识别方法和识别系统的基础上,构建一个基于视频的多分类器融合的实时人脸检测与识别的实验系统,重点研究检测技术的改进及多种识别方法的有效融合,以保证系统能在视频下快速识别出人脸,提高人脸识别的效率和鲁棒性,降低拒识率和误识率。     

计算机进行人脸识别方法探究

人脸识别系统包括人脸特征检测与分割、人脸特征规范化、人脸袁征和人脸识别4部分。根据表征方式的不同，人脸识别方法有：基于层次聚类的几何特征矢量模式识别法、基于代数特征矢量的特征矢量识别法、基于神经网络的人脸特征提取法和支持向量机分类法。