基于深度学习的人脸活体检测算法

身份认证技术有了很大的发展,随之不断出现的是各种伪造合法用户信息的欺诈手段。针对这一问题,提出一种基于深度学习人脸活体检测算法,分析了真实人脸和欺诈人脸之间的区别,将真实人脸和照片进行数据去中心化、zca白化去噪声、随机旋转等处理;同时,利用卷积神经网络对照片的面部特征进行提取,提取出来的特征送入神经网络训练、分类。算法在公开的数据库NUAA上进行了验证,实验结果表明该方法降低了计算的复杂度,提高了识别准确率。     

基于深度学习混合模型的人脸检测算法

基于"单一深度模型"的人脸检测算法在人脸图像存在部分遮挡情况时可能会导致学习效率低、错误检测率高,因此笔者提出了一种基于深度学习的混合模型算法解决人脸检测中存在的问题,称为CPDBN模型(卷积池化深度置信网络)。首先,将卷积神经网络的池化层和卷积层添加到受限玻尔兹曼机的隐含层中,作为基本单元深度学习的主要内容。其次,结合深度模型的深度结构应用特点构建多层基本单元结构,分析描述人脸特征的不同。最后,当分析过程受到阻碍,如人脸被遮挡等情况时,则以完整人脸特征作为检测参考进行特征分析。根据本实验结果,该算法加快了收敛速度,提高了局部遮挡时人脸检测的精度,提高了多姿态的鲁棒性。     

基于深度学习和部分模型的相关性人脸检测

针对人脸检测中的部分遮挡和多姿态问题,提出一种基于深度学习的人脸检测算法。首先利用部件检测器检测人脸局部区域,然后将人脸局部区域检测结果输入到深度模型中,学习各局部区域之间的相关性,完成人脸检测。该算法将深度学习理论与基于部分模型的思想相结合,实现人脸检测。实验结果表明,该算法在遮挡、多姿态等情况下具有良好的鲁棒性。     

基于肤色的人脸检测研究

对于有背景的彩色图像,肤色是人体表面最显著的特征之一,所以肤色特征是人脸检测中一个重要的特征[1～2]。肤色特征主要由肤色模型描述,检测方法可以分为颜色选择,肤色区域分割和人脸检测三个步骤。文章提出的肤色模型可以较好的适应光照变化,采用肤色分割的方法,可以快速检测不同大小,不同平面以及一定侧面旋转角度的人脸。对简单背景下的人脸检测的检测率达到95.65%,复杂背景下的人脸检测的检测率达到85.22%。     

基于彩色人脸模板的人脸检测算法

针对目前基于色彩的人脸检测只能用于人脸区域的粗检这一不足,提出一种利用人脸的五官位置及色彩信息建立彩色人脸模板的算法。采用光照补偿对图像进行预处理,利用YCbCr空间中的肤色模型进行粗检,确定出人脸候选区域,利用建构好的模板进行搜索比对定位出人脸。实验结果表明该方法对不同光照环境和复杂背景的图片均有较好的适应性,检测精度也得到了提高。     

基于增量学习的深度人脸伪造检测

【目的】随着计算机视觉、计算机图形学以及深度学习技术的发展,深度人脸伪造（DeepFake）技术取得了以假乱真的效果,若被非法利用,将给个人、社会和国家带来严重的安全隐患。已有的人脸伪造检测方法大多通过一次训练来推断或预测伪造人脸存在的某种特定“指纹”进行真伪检测,当面对新的伪造类型时,这些方法使用全部数据重新训练网络以保持其检测能力,否则检测效果将急剧下降。然而,重新训练网络需要相对大的代价,并且阻碍了模型实时学习新知识的能力。鉴于此,本文提出一种检测伪造人脸的增量学习方法。【方法】引入动态可扩展的增量学习框架,以保证模型在吸收新知识的同时能保留对旧知识的记忆;使用多分类指导二分类的方式来提高模型的分类能力,最终实现对人脸图像的精确分类。【结果】在两个公开数据集上进行实验。在实验定义的FF++扩充集和ForgeryNet扩充集上,本文方法能同时保持在新旧任务上的人脸伪造检测性能;在实验定义的ForgeryNet扩充集上,现有的人脸伪造检测方法达到了近98.33%的平均ACC(accuracy),本文方法达到了96.16%的平均ACC,但前者使用了超出后者接近3倍的存储和计算资源;将实...     

基于深度学习的人脸图像加密算法研究

图像作为视觉传达的重要信息载体,以一种直观、形象的方式向受众传递信息。但是,图像会在不知不觉中带来个人隐私信息泄露等安全隐患。本文从保护图像中隐私安全角度出发,深度融合人脸检测、人脸对齐方法以及混合混沌序列的图像加解密算法,提出了一种基于深度学习算法的人脸图像信息加密算法,即FIIE（Face Image Information Encryption ）算法,用于保护图片中的面部核心部位隐私信息。FIIE算法的具体描述如下：首先,采用WLDER FACE数据集中的人脸图像对MTCNN模型展开训练,并利用训练好的模型根据人脸特征点获取图像中人脸所在的矩形框坐标;然后,通过上述人脸区域坐标生成掩膜,运用生成的掩膜使原图与Logistic混沌序列做位运算,最后,对图像中人脸特定区域的加密。通过实验表明,本算法可以准确识别图像中人脸信息特定区域,实现对图像中面部信息的有效加密,保障用户的隐私安全。     

基于肤色的复杂背景条件下的人脸检测

提出一种肤色与Adaboost方法相结合的人脸检测方法。首先把图像转换为YCbCr颜色空间,然后利用肤色在CbCr上的聚类性对图像进行预处理,最后,使用Adaboost算法对候选人脸集进行细化,最终得到人脸集合。实验证明该方法的有效性。     

基于深度学习的人脸表情识别方法研究

伴随着计算机网络体系的全面升级和进步,浅层网络和深层网络研究受到了社会各界的广泛关注,一定程度上推动了机器学习的发展进程.从人工神经网络方向传递算法到目前机械深度学习理念,真正实现了学术和工业的同步改革.本文对深度学习原理进行了分析,并集中阐释了基于深度学习的人脸表情识别方法,以供参考.     

基于肤色的复杂背景条件下的人脸检测

提出一种肤色与Adaboost方法相结合的人脸检测方法。首先把图像转换为YCbCr颜色空间，然后利用肤色在CbCr上的聚类性对图像进行预处理，最后，使用Adaboost算法对候选人脸集进行细化，最终得到人脸集合。实验证明该方法的有效性。     

基于深度学习的实时场景小脸检测方法

实时场景下的小脸检测存在检出率低而且回归精度差的问题。通过融合更底层特征进行多尺度级联预测。根据实时场景下的人脸特点生成不同大小和比例的预测框以更好地适应人脸形状。在预测阶段提出了基于IOU判别的soft and hard nms算法，对冗余预测框进行抑制，设置两个阈值将网络生成的预测框划分为低中高三段，对不同段的预测框采取不同的处理以达到精准筛选的目的。最优架构可在两张NVIDIA GTX 1080显卡下的实时视频检测和摄像头检测中获得45 f/s的速度，并且在Wider Face总体验证集上取得82.6%的平均精度。     

一种基于深度学习的改进人脸识别算法

针对当前许多算法在非约束条件下特征判别能力不强、人脸识别性能不佳等问题,提出一种基于深度学习的改进人脸识别算法,通过训练多任务级联卷积神经网络,完成非约束图像的人脸检测和人脸归一化,提高训练图像的人脸信息,减少对模型的干扰。同时使用Softmax损失与中心损失联合监督训练模型,优化类内聚合、类间分散。实验结果表明,该算法提高了模型的特征判别能力,在LFW标准测试集上达到了较高的识别率。     

基于深度学习的证件照人脸识别方法

为解决安防业务中对人脸识别技术的迫切需求,进行了基于深度学习的证件照人脸识别方法的研究与实现.对人脸识别各关键技术环节进行了实现并进行了算法对比,同时提出了使用Siamese网络进行特征重映射的方法进一步提升人脸识别精度.实验结果表明,使用证件照构建的人脸库,通过基于深度学习的算法实现了高效精确的人脸识别.     

基于颜色的皮肤区域探测

提出了一种新的色系坐标系r'g'b',在这种坐标系下,无须对色度信息进行经验公式修正;并推导说明了在无法估计非肤色条件样本的概率分布情况下,用肤色分布先验概率来表征肤色点后验概率的原理。     

基于肤色检测和人眼定位的人脸检测方法

提出了一种基于肤色检测和人眼定位的人脸检测方法。使用基于“基准白色”的色彩平衡方法归一化彩色图像,将图像在HSV空间进行肤色分割,确定候选人脸,采用形态学滤波器对其降噪。在获得虹膜位置的基础上,使用Susan算子定位两个眼角点,从而实现眼睛的精确定位。实验证明提出的方法能够很好的检测人脸、定位人眼,尤其对存在人脸旋转和光照异常的人脸图像有很高的精确度和鲁棒性.     

基于肤色和区域双重匹配的人脸检测

提出了一种在复杂背景的图像中自动检测彩色人脸的方法。这种方法将肤色信息与人脸区域信息相结合。先在YCbCr颜色空间中求出图像中每个像素点属于肤色的隶属度,然后求出每个像素点对于质心的区域隶属度,最后把这两个隶属度进行结合得到属于人脸的隶属度。试验结果证明这种方法能较好地在复杂背景中检测出人脸。     

基于自适应光线补偿的人脸检测算法

人脸检测是计算机视觉、模式识别、人机交互中一个很受关注的研究热点。一般的肤色检测算法假定待测图像是在均匀光照下获得的,环境光照变化、光照不均必会影响图像的柔和度,进而影响人脸的正确检测。针对这一问题,提出一种自适应光线补偿的人脸检测算法,应用不同光照情况下拍摄的69幅彩色图像进行对比实验研究。实验结果表明：该方法有效可行,检测率达96．64％,比单纯应用肤色模型法提高检测率7个百分点,降低误检率5个百分点。     

基于聚类算法的统计学习侧面人脸检测

提出了一种新型的基于聚类算法的统计学习侧面人脸检测算法。通过对侧面人脸的各个视角建立分类器,使用新的AdaBoost训练策略,然后应用该聚类算法进行检测结果融合,从而有效检测出人脸。并使用该算法成功解决耳朵检测问题,取得了较好的实验结果。实验表明,该检测算法可以有效地检测出侧面人脸和耳朵,是一种普遍有效的目标检测算法;对282幅侧面人脸图像进行人脸检测,检测率在漏检19个时为93.26%,;对1000包含耳朵的图像进行检测,耳朵检测率在误检个数为61时为91.9%。