共查询到20条相似文献，搜索用时 859 毫秒
1.
人脸检测主要运用于机场、火车站等人口密集场所。目前常用的人脸检测算法有MTCNN、YOLOV3、faster-RCNN、SSD等,但已有算法难以兼顾检测速度和检测准确性。 通过改进多任务级联卷积神经网络（MTCNN）人脸检测算法,将MTCNN、YOLOV3、faster-RCNN等3个模型进行整合,减少内存与显存之间的数据搬运;然后动态修改Minsize值,减少图像金字塔中图片生成数量,并根据图像相似度对输入图片进行不同处理以提高效率。改进后的MTCNN算法比传统MTCNN算法识别速度提高将近40%,且正确率达到97%,可更好满足现代社会对于人脸检测的应用需求。 相似文献
2.
随着人机交互技术和机器学习技术的发展,人脸表情识别技术逐渐成为研究热点。针对传统人脸表情识别算法鲁棒性差、表情特征提取能力不足的问题,提出一种改进的基于卷积神经网络的人脸表情识别算法。首先对人脸图像进行预处理,检测并分割出人脸关键点的部分图像,然后输入到包含卷积神经网络通道和卷积稀疏自编码(CSAE)预训练通道的双通道模型中。其中卷积神经网络通道部分使用了批量正则化(Batch Normalization)和ReLU激活函数,加快了模型训练速度,解决了梯度消失问题,同时增加了模型的非线性表达能力。通过引入Dropout技术,解决了网络的过拟合问题。在另一个通道,对输入的人脸表情图像增加了卷积稀疏自编码进行无监督预处理。实验结果表明,该算法在JAFFE、CK+人脸表情数据集上均获得了较好的识别效果。 相似文献
3.
为了改善复杂环境下的人脸识别精度,特别是在当前疫情防控转入常态化的形势下,提升戴口罩场景下的人脸识别精度及红外测温精度至关重要。基于对场景数据的统计和分析,通过对识别参数的动态优化,提升人脸算法识别精度;基于人脸检测的戴口罩检测算法,自动识别是否戴口罩,并针对戴口罩场景采用专用的人脸识别模型,提升人脸识别性能;基于人脸检测的红外测温技术,自动识别测温区域和距离,并对测温结果进行校正,提高测温精度。结果表明,开放场景下识别准确率超过98%;人证核验场景下识别准确率超过93%,戴口罩场景下识别准确率超过92%,红外测温误差小于0.3℃。基于场景适配的参数优化策略,能够在不依赖核心算法性能提升的条件下,使得人脸算法识别性能提升7%;基于人脸检测的红外测温技术,通过温度补偿策略,使得测温误差小于0.3℃。 相似文献
4.
近年来,随着深度学习的迅猛发展,人脸检测算法准确度已有很大提升。模型越复杂,检测速度越慢,设计一种准确度与速度兼顾的人脸检测模型尤为必要。基于FaceBoxes人脸检测算法框架,提出一种基于深层卷积主干网络的改进方法,并在人脸检测基准数据集中进行测试实验。其在FDDB数据集上的实验结果显示,检测正确率达95%,比传统方法提高1.67%。该算法在保证实时性的同时提升了检测准确率,可应用于追求更高准确率的人脸检测系统。 相似文献
5.
使用Adaboost算法实现人脸检测会出现一定的误检率。针对这一问题,设计了一种在误检情况下的识别系统,对待识别图像先使用 grabcut前景检测算法进行前背景分割,在一定程度上消除环境因素的影响,然后对分割结果进行人脸检测和识别。该系统检测部分使用haar级联分类器,识别部分使用特征脸算法。实验结果表明,结合grabcut和Adaboost算法系统在识别率和检测率方面均有一定提高,且识别速度较快。 相似文献
6.
为了解决关键点检测精度不均和整体关键点检测精度不高等问题,基于级联特征网络,通过构建主体网络多分支、多阶段、多分辨率的方式从输入图像中提取丰富特征,并通过微调网络中的级联和在线关键点挖掘以提高整体关键点检测精度.采用自顶向下的方法在MPII数据集上与目前先进方法进行对比实验,分别使用20000张图像进行训练,5000张... 相似文献
7.
为解决表情识别任务中表情特征提取困难和单一的问题,提出一种结合深度残差网络与几何特征的表情识别分法.该方法对深度残差网络进行改进,使用连续小卷积代替大卷积,在各残差块中加入注意力机制,将相同的两个改进残差网络分别作为分支网络,各自提取表情特征,再通过加和平均进行聚合实现特征互补,得到全局特征.采用人脸关键点构建并计算人... 相似文献
8.
传统的人脸识别多采用浅层结构提取人脸特征,这类方法提取人脸图像能力有限,效果相对较差。针对上述缺陷,提出基于卷积神经网络的高效识别人脸方法。该方法所设计的模型,结合了VGGNet模型的层次结构优势并融合跨层次结构的上采样特征,大大提高了人脸识别的准确性及识别精度。该模型在Caffe下训练出样本集后在MATLAB上得到了验证。 相似文献
9.
神经网络具有自学习、记忆、计算以及智能处理等能力,本文应用前向型神经网络做分类器,并阐明了神经网络的分类方法和人脸检测过程,以及结合人体肤色模型实现了在不同环境、不同姿态、不同肤色、不同表情等复杂环境下的人脸检测,同时通过对静态检测的扩展实现了实时的人脸检测.实验表明,该方法具有快速,有效等特点. 相似文献
10.
在MATLAB环境下,取ORL人脸数据库的部分人脸样本集,基于PCA方法提取人脸特征,形成特征脸空间,然后将每个人脸样本投影到该空间得到一投影系数向量,该投影系数向量在一个低维空间表述了一个人脸样本,这样就得到了训练样本集。同时将另一部分ORL人脸数据库的人脸作同样处理得到测试样本集。然后基于最近邻算法进行分类,得到识别率,接下来使用BP神经网络算法进行人脸识别,最后通过基于神经网络算法和最近邻算法进行综合决策,对待识别的人脸进行分类。 相似文献
11.
12.
提出了一种基于多示例的Boosting级联算法,通过使用多示例、大的训练集以及对应的闽值调整方法,提高了人脸检测速度和精度。实验证明,该方法在进行人脸检测时达到了非常高的检测率,并且速度比其它算法提高了1～2倍。 相似文献
13.
基于计算机视觉类库OpenCV 实现人脸检测系统,采用级联分类器的方法对人脸进行检测。系统对不同图像有较强的适应性,能够比较精确地判断出人脸位置,尤其对有遮挡物人脸的检测效果较好,具有一定应用价值。 相似文献
14.
刘俊 《绵阳师范学院学报》2015,(2):79-83
直接使用BP神经网络拟合非线性函数,具有预测精度差、收敛速度慢等缺点.该文提出利用极强全局搜索能力的思维进化算法来优化BP神经网络.首先根据BP神经网络拓扑结构构建思维进化算法模型,然后用思维进化算法得到的最优解作为BP神经网络的初始权值和阈值,最后利用MATLAB软件对多个非线性函数进行拟合仿真实验,比较思维进化算法优化BP神经网络和单纯使用BP神经网络的预测结果 .数据表明,优化后的BP神经网络具有更高的拟合精度和更短的网络训练时间. 相似文献
15.
改进的灰色GM(1,N)模型在经济中的预测与应用 总被引：1，自引：0，他引：1
论文就修正GM(1,N)预测模型的误差,提出了新方法.使用BP神经网络对预测模型的残差进行预测,得到的残差预测值对所建模型的预测值进行残差修正,以减少因子变量预测误差对行为变量预测的影响.实践表明这些改进模型可以有效地提高GM(1,N)模型的预测精度. 相似文献
16.
随着人工智能技术的持续升级,卷积神经网络在人脸情绪识别方面得到广泛应用,研究人员据此设计出多种深度学习模型,并不断优化模型性能,提升模型识别的精准度和拟合能力.通过将Swish激活函数、S-ReLU激活函数引入模型,分别设计出Swish-FER-CNNs与S-mobile-CNNs两种人脸情绪识别深度学习模型,并借助各类实验对模型进行分析,获得大量有效数据,明确两种模型的优缺点. 相似文献
17.
《十堰职业技术学院学报》2022,(1):76-80
单样本人脸识别问题是一个比较具有挑战性的问题。针对部分遮挡单样本人脸识别困难的问题,本文提出了一种SSPO算法。首先对所有样本进行遮挡,通过MSEP算法进行分块,遮挡识别和剔除。为了对人脸姿势、光照等变化进行识别,我们抽取样本库中邻接块构造一个样本字典,通过类内变化字典预测可能的人脸变化。最小化待测人脸与样本库、变化字典的残差预测样本分类。最后,在AR人脸数据库和Multi-PIE人脸数据库上验证了本算法的有效性。 相似文献
18.
为了提高铁路货运量的预测精度,基于货运量线性和非线性的特点,选取中国铁路1980-2020年的货运量作为研究对象,提出ARIMA和BP神经网络的组合模型,基于简单加权和残差优化两种不同组合方法对铁路货运量进行建模分析,并与ARIMA、BP神经网络单一模型进行对比.实验结果表明,ARIMA-BP残差优化的组合模型结果精度... 相似文献
19.
针对卷积神经网络(Convolutional Neural Network,CNN)在人脸图像识别中面对训练规模较大的图像集数据时收敛速度慢、效率低以及在复杂情况下识别率不高的问题,提出一种优化改进的CNN图像识别方法。该方法首先利用不含标签的图像训练一个稀疏自动编码器,得到符合数据集特性、有较好初始值的滤波器集合,然后对CNN的卷积核初始化赋值,从而大大提高其整体上使用BP算法进行训练的收敛速度,其次使用多类别SVM分类器(Multiclass Support Vector Machine)代替传统的Softmax分类器,对目标图像进行识别,在ORL和FERET等人脸图像库上的实验结果显示,所提算法与采用传统PCA+SVM算法及传统CNN算法相比,在人脸图像识别中有更好的识别效果。 相似文献
20.
卷积神经网络(CNN)在脱机手写汉字识别领域取得了杰出的研究成果。采用更深层卷积神经网络可取得更高识别准确率,但是模型容量和计算复杂度也会增加,将模型部署到存储资源和计算力有限的移动设备上变得更加困难。为解决上述问题,提出一种基于深度可分离卷积的残差卷积神经网络。深度可分离卷积将标准卷积操作分离成特征提取和特征融合,逐深度卷积被用于特征提取,特征融合采用逐点卷积实现。使用深度可分离卷积改进残差网络,实现较深层的残差网络。模型使用联合的中心损失函数和softmax损失函数进行监督训练,可使模型学习具有判别性特征,提高了模型识别准确率。采用CASIA-HWDB数据集进行实验,结果表明该方法具有较低的模型容量和计算复杂度,能够达到96.50%的主流识别率。 相似文献