多尺度YOLO人脸年龄估计方法研究

通过观察人脸估计年龄较为常见，但如何准确预测年龄则是一个难题。为提高人脸图像年龄估计的准确率，提出一种基于YOLO（You Only Look Once）模型的目标检测方法。将多尺度回归思想应用于卷积神经网络（Convolutional Neural Network，CNN），通过多尺度卷积改善模型对小尺寸目标的提取能力，结合特征通道分权重思想，改善特征提取操作中特征信息丢失的问题，构造决策树回归得到年龄估计。这种方法在人脸年龄图像库FG-NET上获得平均绝对误差（MAE）3.43，在GROUP数据集获得区间匹配度（AEM）62.4%。实验结果表明，通过多尺度特征回归以及通道权重分配，可以较为准确地进行人脸信息检测，并由此建立鲁棒性更强的人脸年龄估计模型。     

类别均衡与局部中值损失联合监督的自然场景人脸表情识别

近年来,卷积神经网络在实验室控制环境下的人脸表情识别任务中取得了很大进步,但是在自然场景中人脸表情识别方面仍然存在一些挑战.针对自然场景中人脸表情数据分布不平衡,以及由姿势、光照和性别等因素引起的类内差异大的问题,提出类别均衡与局部中值(class-balancedandlocalmedian,CALM)损失函数.CALM损失函数包含类别均衡Softmax损失函数和局部中值损失函数2个部分.其中,类别均衡Softmax损失函数将数据量较少且容易错分的害怕和厌恶2种表情标记为难样本,将其余5种表情标记为易样本;在网络训练过程中对难样本自适应地增大权重,以提高难样本的识别准确率,进而提高表情识别的平均准确率.此外,在每个类别中会有一些离类别内大多数样本较远的样本,它们的存在会导致用均值方法计算出的类别中心偏离类内大多数样本.在局部中值损失函数中,采用与每个样本属于同类别的若干近邻的中值作为类别中心,在一定程度上减弱离群样本对类别中心选择的影响.在RAF(real-worldaffectivefaces)数据集上进行实验,与局部子类方法相比,该方法的平均识别准确率提升了1.32%,证明了该方法的有效性.     

基于树型稀疏模型的重构算法在人脸图像中的研究

人脸图像的识别率一直以来都是研究的热点。提出一种基于树状稀疏模型的算法。首先通过在小波域稀疏特性基础上构建一种图像数据的树状稀疏模型,进而针对此模型设计一种新的人脸图像重构算法。在人脸图像中使用消除人脸部的冗余信息,通过与传统重构算法的比较以及采用3个标准人脸数据集对该算法进行测试。仿真实验表明,该算法相对于参比算法,提高了人脸图像识别精度,具有很好的鲁棒性。     

一种改进的Condensation人脸特征点跟踪算法

Condensation跟踪算法只能完成一些简单的目标跟踪。由于人脸容易出现被遮挡,姿态和表情也经常发生变化,导致人脸特征点极易跟踪失败。针对这些复杂变化,提出一种改进的Condensation人脸特征点跟踪算法。该算法对跟踪的特征点利用增量PCA方法实现特征基和均值的在线更新,同时,加入一个遗忘因子,使得在新样本的更新过程中,考虑了旧样本的存在,更新了均值。实验证明,该算法可以有效地克服复杂变化带来的影响,实现了人脸特征点的准确跟踪。     

基于卷积神经网络的跨年龄人脸识别系统研究

对年龄跨度具有鲁棒性的人脸识别系统在实际中具有广泛的应用,年龄的变化对人脸面部特征具有显著的影响,会导致人脸识别的准确率下降。提出一种基于卷积神经网络的跨年龄人脸识别系统,包含人脸检测、人脸预处理、卷积神经网络提取特征、期望最大化(EM)算法和余弦距离等部分。采用EM算法计算出身份特征,使得人脸识别系统对年龄变化具有鲁棒性。在MORPH-II和FG-NET跨年龄数据库中进行仿真实验,验证了人脸识别系统的有效性。