一种基于改进肤色分割算法的人脸检测

一、引言 近几年随着安全防范,电子商务等领域的应用发展,人脸识别成为最有潜力的生物身份确认手段,这种应用背景要求自动人脸识别系统能够对一般环境图像具有一定的适应能力,由此所面临的一系列问题使得人脸检测开始作为一个独立的课题受到研究者的重视.今天,人脸检测的应用背景己经远远超出了人脸识别系统的范畴,在数字视频处理、视觉监控等方面有着重要的应用价值.在实际应用中,由于客观因素的影响,人脸检测问题的难易程度以及处理方法有很大差异.     

复杂背景彩色静止图像的人脸检测方法

随着视频监控应用的不断加深,当前的人为识别目标的监控模式已经越来越不能适应现实的需求,而随着数字技术应用和发展,图像自动识别技术将会起到重要的作用。人脸作为最重要的生物特征之一,在现实生活中无疑有着重要的作用,实现人脸的检查对于图像的自动识别将起到辅助作用,本文重点讨论并提出了一种人脸的检测方法可以从复杂背景彩色静止图像中将人脸提取出来,满足应用需要。     

人脸识别技术在安防行业的具体应用

正人脸识别(Face Recognition),是基于人的脸部特征信息进行身份识别的一种生物识别技术,用摄像机采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部的一系列相关技术,通常也叫做人像识别、面部识别。早在1964年就开始有这项技术,但属于初级阶段,算法模型不够成熟,1991年以后人脸识别发展迅速。1998年,汉王最早把人脸识别带入门禁和考勤应用,但是人脸识别在这个阶段没有完全     

基于人脸检测的云台智能控制系统设计

针对安防监控系统中云台手动控制和自动控制不能准确有效地监控入侵目标的缺陷,设计出基于人脸检测的云台智能控制系统。首先介绍了系统的原理及软硬件结构,然后详细介绍了软件部分的人脸检测的Adaboost学习算法原理及使用opencv的人脸检测函数实现人脸检测的过程及结果。接着在云台的智能控制部分讲述中,详细地推导了监控画面的像素距与云台转角的数学映射关系,计算出云台水平与垂直运动的时间过程。最后,通过智能控制的算法流程实现云台的智能控制。实验结果表明:程序实现云台智能控制系统且对于低速的运动的人脸,云台有较好的智能控制效果。     

基于卷积神经网络的级联人脸检测

<正>人脸检测是人脸识别的必经步骤,但是由于光照、姿态、遮挡等因素的存在,人脸检测仍然是一个具有挑战性的工作。近年来,深度学习在物体检测领域有了长足的发展,以Faster-rcnn~([1])yolo~([2])、ssd~([3])为代表的多任务物体检测网络在PascalVoc和Coco的物体检测挑战中都取得了优异成绩。多任务物体检测网络同时输出了物体的类别和物体的回归框。Faster-rcnn也可以用于人脸检测~([4]),但是算法复杂度较高,运行效率比较低。     

安全技术中图像质量的主客观评估

本文讨论图像压缩算法对安全图像数据的影响。文中比较了客观标准、主观标准和可辨认性等三种有本质不同的评估技术。我们选择了两幅初始质量不同的典型安全图像数据(一块车牌和一张人脸)，采用包括两种专业技术(JPEG和LuRaWave—LWF)和一种应用技术(Karhunen—Loeve变换—KLT)在内的三种不同的压缩技术，从原始图像中依照不同的压缩率得到一系列压缩图像。最后，评估和比较了作为客观标准的MSE(均方差)、依照I—TU—RRec．500的主观图像质量和图像的可辨认性。     

人脸识别技术打造平安社会

在"2008北京奥运会"上,事先对入场券持有者提交的人脸身份照片进行扫描,提取人脸特征,并录入人脸识别系统信息数据库.当观众进入现场时,摄像头对入场券持有者进行人脸图像采集,并与数据库中的数据进行对比,从而实现人脸身份识别.     

CFAT 2023人脸活体检测挑战赛榜单发布及经验分享

<正>一、CFAT 2023挑战赛概述及榜单发布1.CFAT 2023挑战赛简介人脸活体检测是通过识别活体上的生理信息判断人脸是否为活体,是保障人脸识别系统安全的重要环节,广泛应用于各类需要进行人脸识别的场合,目的是识别冒名顶替、人证不符等问题。为进一步提升防欺诈的人脸活体检测技术在实际应用中的安全性、可靠性,促进产学研深度融合发展,为各类复杂场景下算法的部署应用和性能优化提供科学指导依据,视频图像信息智能分析与共享应用技术国家工程实验室（以下简称：视频国家工程实验室）与中国图象图形学学会、     

动态人脸识别监控系统研究

一、研发背景随着国际安全形势的日益严重,视频监控正在快速普及,众多的视频监控应用迫切需要一种远距离、用户非配合状态下的快速身份识别技术,以求快速确认人员身份、实现智能预警。人脸识别技术无疑是最佳选择,采用快速人脸检测技术可以从监控视频图像中实时查找人脸,并与人脸数据库进行实时比对,从而实现快速身份识别。面向视频监控的远距离人脸识别技术在强劲的需求带动下应运而生。人脸识别技术作为一种新兴的生物特征技术,在公共安全、人机交互     

人脸识别技术的研究现状与展望

本文主要介绍了人脸识别技术(FRT)的常用方法,讨论和分析了人脸检测与定位、人脸特征提取、人脸识别方法等方面的研究成果,总结了人脸识别的未来发展方向和应用前景,提出了人脸识别技术存在的问题和未来发展的要求。     

针对特定驾驶员的疲劳驾驶检测方法

疲劳驾驶是导致交通事故的重大诱因，而降低交通事故发生概率是交通系统的重要研究方向之一，结合当下的车辆驾驶实际情况，提出了针对特定司机的疲劳检测方法。该检测方法首先存储该车司机正常状态下的面部信息，然后利用多任务卷积神经网络(Multi-Task Convolutional Neural Network, MTCNN)检测摄像头所读取画面中的人脸，返回人脸的位置信息，其次通过全梯度下降树算法根据人脸位置信息得到驾驶人面部特征点，利用特征点中存储的信息判断眼部与嘴部的状态，最终与被检测司机的正常状态对比，根据设定的条件阈值来判断其是否疲劳。与其他检测方法相比，该方法只针对车辆的常驻司机，符合大部分车辆极少更换驾驶人的情况，并且成功消除了个体差异，提高了准确率。     

基于sapera的图像分析算法设计

人脸识别是近年来计算机视觉、模式识别领域的一大研究热点,在刑侦破案、证件验证、门禁系统、视频监视等领域中都具有广泛的应用前景.本文结合Sapera机器视觉产品进行人脸图像采集,建立人脸库,并与标准的ORL人脸库进行比较,采用经典的PCA(Principle Component Analysis,主成分分析)算法对人脸进行识别.针对传统特征脸方法中特征向量的选择问题,做了一定的实验分析,得到了一些有意义的结论.     

浅谈人脸识别技术应用及发展趋势

本文主要阐述了人脸识别技术的现状、应用情况、存在问题及发展方向,并重点从人脸的检测、查询、身份认证、比对方面进行了介绍和图表说明。     

基于深度学习算法的叉车危险操作行为检测

随着物流仓储行业快速发展及叉车数量的不断增多,针对叉车作业过程中存在的人员碰撞、挤压、坠落等潜在风险,迫切需要对危险行为进行及时检测和预警。为解决人员值守易漏报误报及传统方法检测精度低的问题,建立基于图像特征识别的叉车检测深度学习模型和算法。通过采集、处理现场视频图像素材,完成模型的训练及性能评价,建立相应的报警规则和报警阈值,搭建测试环境并进行仿真测试,开发相应的软件系统。结果表明:模型检测速率为130 ms/帧,人员靠近叉车准确率为85.6%,叉车举升人员准确率为83.7%,达到良好的实践效果。     

基于机器学习方法的安全帽佩戴行为检测

施工现场作业人员是否佩戴安全帽主要依靠人工检查,存在监管效率低、时效性差等问题,为了实时自动监管作业人员是否佩戴安全帽,提出1种基于机器学习的安全帽佩戴行为检测方法。首先利用深度学习YOLOv3算法检测出现场视频中的施工人员脸部位置,根据安全帽与人脸的关系估算出安全帽潜在区域;然后对安全帽潜在区域图像进行增强处理,使用HOG（方向梯度直方图）提取样本的特征向量;再利用SVM（机器学习的支持向量机）分类器对脸部上方是否有安全帽进行判断,进而实现对施工人员安全帽佩戴行为的实时检测与预警。以某高铁站施工现场为例进行验证,研究数据表明在施工通道和塔吊作业区域,该方法可实时有效检测出工人未佩戴安全帽的行为,识别率达90%。     

云从推出火眼人脸大数据平台,有效解决人脸识别安防难点

<正>在第十六届安博会上,云从展示了"火眼人脸大数据平台"的新型AI分析产品,该平台不仅可以让大多数传统的人脸识别解决方案能够更快,更有效地搜索大量的视频录像,而且还不会受到一些场景的限制。另外该平台还可以使用于不佳条件下录制的视频,它只需要一个24x24像素的图像来检测和识别人脸。在2017年的中国国际社会公共安全产品博览会上,云从     

超声TOFD检测图谱识别(续)

<正>4 TOFD图像评定的前提——图像自身质量的控制图谱只有自身质量合格的TOFD图像,才能获取有效可靠的超声TOFD检测评定结果。TOFD检测有可能因设备调整不适当或其它问题如电哚声等导致显示图像低劣。以下所引用的图像,都是在同一试件上用同一台TOFD设备进行扫查所获得的。这里列举实际操作中可能碰到的一些典型问题,以供借鉴。先展示一张合格的TOFD扫查图像,而后展示因参数调节不当造成的9张不合格图像。要使TOFD检测结果评定正确可靠,避免错评误判,确保扫查所得图像质量十分重要。     

基于视觉图像的飞行区大型目标监视方法改进研究

机场飞行区现使用的场面监视方法存在着定位偏差较大、不稳定、易跳变、皆为点源定位等问题。针对这些问题,设计了基于视觉图像的飞行区监视方法,实现快速准确的目标检测和轮廓定位,使飞行区监视更加稳定精确。提出了一种基于MobileNetV3和YOLOv5的网络模型(以下称为MobileNetV3-YOLOv5),即在YOLOv5的主干中使用MobileNetV3,来提高对目标的检测速度和准确度;提出了一种基于优化特征点提取的改进定向快速旋转简报(Oriented FAST and Rotated BRIEF,ORB)算法,将图像分割成多个区域,分别提取每个区域的特征点,从而提高目标识别框内区域的特征点识别数量,再进行特征点聚类筛选,最后根据识别目标类型采用最小包围盒进行轮廓划分,得到目标的轮廓定位。试验结果表明：MobileNetV3-YOLOv5方法对比原始YOLOv5模型,在识别目标准确率方面提升5百分点,在效率方面提升14张/s;同时在0～60 m的范围内,轮廓估计误差仅为2.9%;体现了所提出的监视方法的有效性,可以提升飞行区监视定位准确性和运行安全性。     

人工智能开启安防新篇章 人脸识别奏响新科技号角

正近年来,随着人工智能、深度学习等技术的快速发展,人脸识别也迎来了爆发期。人脸识别技术是计算机视觉研究领域一个已经存在了很长时间的重要课题,早期主要应用于公共安全领域,随着近年来人脸考勤、人脸通过等应用的普及,人脸识别在智能交通、智慧医疗、楼宇对讲、金融教育、平安城市建设等领域被广泛应用;还可以靠人脸解锁手机、登录支付账户等。可见人脸识别已经在我们的生活中应用非常深入。     

美国启动“杰纳斯”计划以提高人脸识别技术性能

目前美国情报高级研究计划局（IARPA）的研究人员正在启动一项名为“杰纳斯”的计划,旨在向工业界寻求开发先进的面部识别技术。不仅可以使用不完整、错误、模糊的图像数据对人脸进行识别,更可以对人的年龄、姿态、服饰和表达方式加以分析。据悉。“杰纳斯”计划中的核心技术可以通过将多种不同视角拍摄的大量静止图像和视频图像进行信息融合,显著提高当前面部识别工具的性能。