基于人脸姿态识别的课堂学习状态反馈系统的设计与实现

人脸识别技术是目前计算机视觉中的热门研究方向之一,已经被应用于很多领域。“抬头率”已成为判断学生的专注程度、检验课堂教学效果的重要因素之一。设计开发了基于人脸姿态识别的学生课堂学习状态反馈系统,完成了人脸数据集的采集、制作与训练,并增加了YOLOv5s训练模型的深度和宽度,在保证其速度的前提下提升了识别的准确度。在此基础上,将识别参数Conf与IOU的阈值调整到适当值,使识别结果更加清晰。实验结果表明：改进之后的识别系统在不影响速度的同时提高了识别的准确度;较暗环境下的人脸识别准确度可以达到0.887,能快速识别出学生课堂的学习状态,符合课堂教学实时监测要求;对于有遮挡的人脸识别,其准确度也可以达到0.5以上,满足特殊情况下的人脸识别需求。     

基于VPU加速的嵌入式实时人脸检测系统设计与实现

智能设备高昂的设计费用和庞大的计算资源需求成为在便携式、低功耗设备上实现深度学习算法及其应用的主要障碍.文中基于树莓派平台,借助Intel的视频处理器(V PU)低功耗加速模块,设计并实现了基于残差特征提取模块CNN模型的实时人脸检测系统.结果表明,相较于单纯使用树莓派CPU进行计算,文中方法在视频流中检测人脸和人脸关键点提取的实验中分别实现了18.62倍和17.46倍的加速,在便携式设备中实现快速、实时、在线的人脸检测和特征点提取成为现实,同时为使用便携式、低功耗设备运行深度学习算法提供了一种确实可行的方案.     

基于扩散模型的伪造人脸检测分析

深度学习图像生成技术已取得显著进展,其中扩散模型是一种高效的生成模型,它被广泛用于图像生成。然而,由扩散模型生成的图像存在潜在的隐私和数据安全风险,尤其是伪造人脸图像可能被恶意用于伪造身份和欺骗人脸识别系统。通过对主流伪造人脸图像检测器的评估,揭示了扩散模型与生成对抗网络在频域上存在差异的特征,验证了基于频域分析的有效检测方法,为保护隐私和数据安全提供了强有力的支持。     

基于轻量化网络的遮挡人脸检测

为了解决人脸检测中由于目标遮挡、背景复杂导致性能下降以及神经网络模型过大导致难以在低性能设备部署问题,在YOLOv4-Tiny的基础上引入SD(Self-DeConvolution)模块,提出了YOLO-SD-Tiny网络模型.在特征金字塔网络引入拥有更大感受野和更轻量级的SD模块,在部分网络层中采用Mish激活函数,...     

深度人脸伪造与检测技术综述

由于现有深度人脸伪造软件通常是开源的或者被封装为APP免费分发,导致了虚假视频的泛滥。因此开展针对深度人脸伪造检测技术的研究就显得尤为重要。目前,深度人脸伪造及检测技术正处在快速发展时期,各种相应的算法也在不断更新迭代。本文首先介绍了深度人脸伪造和其检测技术的代表性算法并给出简要分析,其中深度人脸伪造技术包括身份替换、面部重演、属性编辑、人脸生成等,检测技术包括图像级伪造检测技术和视频级伪造检测技术。然后归纳总结了常用的深度人脸伪造与检测数据集及不同算法的评估结果,最后讨论了伪造技术及其检测技术目前面临的主要问题及发展方向。     

基于神经网络的人脸检测算法研究

针对复杂场景图像中的人脸,提出了一种基于BP神经网络的人脸检测算法,由网络训练和人脸定位两部分组成．可以有效地运用于多人脸、不同尺寸、不同姿态、不同面部表情、不同肤色、不同光照条件和复杂背景的情况。实验结果表明该算法快速有效。     

基于OpenCV的人脸检测算法研究

介绍了一种开放源代码的计算机视觉类库OpenCv,阐述了该软件的特点及结构,并对其在Visual C++2005开发环境下的配置作了详细的说明.然后提出了一个基于OpenCv的人脸检测算法.实验结果表明,该算法具有识别效果、实时性好,检测速度快的特点.     

基于改进的RetinaFace人脸检测方法

针对RetinaFace在人脸检测任务中不能够兼顾检测精度与实时性的问题,提出一种基于改进RetinaFace的轻量化网络方法。首先使用MobileNetV3网络替代RetinaFace中的特征提取网络,大幅度降低参数和计算量;其次将高效通道注意力机制(efficient channel attention,ECA)与RetinaFace中的特征金字塔(feature pyramid networks,FPN)机制相融合,提高人脸检测精度;最后使用Soft-NMS非极大值抑制代替原始的非极大值抑制(non-maximum suppression,NMS)在2个候选框重合面积很大时也给1个权重,避免直接误删的情况,在人脸重合时也能更好地检测出来。实验结果表明：相较原算法,在widerface人脸数据集的easy、medium、hard分类情况下的准确率分别是93.79%、91.92%、72.18%,检测速度达到了72f/s,满足人脸测任务中的准确率和实时性要求。本文分析结果可为人脸检测领域提供参考。     

基于Hausdorff距离的快速人脸检测

 提出了一种实用的基于Hausdorff距离的人脸检测方法.该方法将单一的Hausdorff距离定义进行巧妙的变换应用,使其达到了可以在复杂背景下进行人脸检测的实用水平.实验证明,该方法运算快捷、定位准确.     

人脸检测方法研究

人脸检测是人脸识别的前提,同时在安全访问控制、视频监控、基于内容的检索等领域也有着广泛的应用。人脸相关的应用和研究受到越来越多的重视,本文通过对人脸检测方法的研究,证明各种方法的融合是今后人脸检测的主要方向。     

基于人脸检测的教室信息智能采集系统

为实现对教室信息的提取、分析和识别,设计了一种基于Harr小波的教室数据智能采集系统。对采集的数字图像进行图像变换,通过教室格局对图像进行区域划分后再分割,通过标识状态建立训练数据集。对训练数据集的Harr小波提取子图像特征,建立数据向量。利用Adaboost分类算法对数据进行机器学习并抽取分类规则集。对各种教室信息进行识别后统计数据,通过网络传输给服务器。该系统实施便捷,可广泛用于各个教学系统。     

基于图像处理的人脸检测研究

针对人脸识别的预处理,采用图像处理技术解决了人脸检测问题。首先建立输入图像的肤色模型,然后进行开运算处理,以消除图像噪声利于后面的眼睛定位。再对二值图像做灰度投影实现人脸粗分割,定位双眼。最后对细化分割出来的人脸区域进行标准化操作,包括灰度的均衡处理和Mallat算法二维小波分解。灰度均衡把原始图像的直方图变换为均匀分布的形式,增加像素灰度值的范围。小波分解可以压缩图像,以降低算法的复杂度。每个步骤通过处理前后人脸图像的对比彰显所做步骤的意义。人脸检测的最终结果是获得64×64大小的人脸图像。此图像包含了人脸的有效信息,在此图像的基础上才能进行后续的提取特征、设计支持向量机,进而做人脸识别。     

基于二阶LBP的人脸识别研究

文章将局部二值模式(LBP)引入到图像预处理中,以期利用LBP的性质,克服光照变化对人脸识别的影响.为进一步利用LBP模型的性质,提出一种称之为二阶LBP的新型算子并应用于人脸识别.实验结果表明,二阶LBP模型在克服光照变化上性能优于LBP模型.     

基于体质现状的大学体育课堂教学改革研究

为了解大学生体质现状的薄弱项,有效推动体育课堂教学改革,从而提高大学生体质健康水平,对2015年大学生的体测数据进行了整体分析;通过调查了解到目前大学体育教学在教学内容设计、教学方法、成绩评价、教师理念等方面存在不足,这些因素无疑最终会影响大学生的体育锻炼兴趣和体质水平;针对大学体育教学内容设计,进行力量素质训练的课堂干预性实验研究,结果发现上肢力量训练除了能提高力量素质外,对其他身体素质包括速度和耐力也有较好的协同提升作用;基于以上研究,提出了高度重视高年级大学生体育锻炼监管,改进体育课堂教学内容设计与评价方法,改革教师教学理念等建议。     

一种改进的Adaboost算法的人脸检测分类器

针对人脸检测中单一分类器检测非常耗时,而且没有考虑到检测后提取标准人脸对后续工作(如识别)等问题,提出了运用Adaboost算法,采用正面人脸和人眼两个特征作为分类器,首先用Cascade算法筛选出输入图像中最有可能是人脸的区域,然后根据以正面人脸和人眼为特征的分类器检测人脸区域,并根据检测出来的人眼距离和角度对人脸进行精确的定位.同时针对实际的图像中人脸常常存在一定倾斜,从而影响后续的人脸的识别率这一问题,采取了根据人眼的位置对倾斜图像进行修正.实验结果表明改进的算法能够在保持一定运算速度的基础上取得准确的人脸,具有较好的实用性.     

一种基于Adaboost算法的人脸检测

针对经典Adaboost算法存在训练速度缓慢、检测结果过分依赖训练样本集的现象,提出一种改进的人脸检测算法.该算法在原有Adaboost算法的基础上,利用特征约简来提高训练速度,引入样本扩张、多分辨率搜索等策略来提高检测效率.算法还在一定程度上解决了遮挡、旋转、光照对人脸检测带来的影响等问题.实验结果表明:该方法具有较快的训练速度和良好的检测性能.     

一种改进的AdaBoost的人脸检测算法

针对AdaBoost人脸检测算法使分类器的检测时间过于冗长而阻碍实际应用的情况,文中利用肤色检测排除大部分非人脸区域后再进行检测以缩短检测时间,并且设定权值调整门限避免了AdaBoost算法中可能出现的过拟合现象,以改善检测率.仿真实验结果表明,改进后的算法缩短了47%的检测时间,提高了2.3%的检测准确率.     

基于Adaboost人脸检测算法

针对因图像背景复杂、 光照变化及面部旋转等因素的影响, 使复杂背景下人脸检测难度大、 速度慢和准确率低的问题, 使用Adaboost算法进行人脸检测, 并在OpenCV上实现其检测过程。分别对具有面部旋转和复杂背景的图像进行了人脸检测实验, 其检测准确率分别为85%和99%, 平均检测时间分别是16.67 ms/张和76 ms/张。实验结果表明, 该算法能在复杂背景下准确、 快速地实现人脸检测, 且能满足人脸识别系统实时性的要求。     

基于改进Adaboost人脸检测算法的研究及DSP实现

在Adaboost人脸检测算法的基础上,通过将所有的特征值排序并构建一个次序表,并使用改进Adaboost权值更新算法和分类误差计算方法,训练分类器并检测样本图像,达到了减少训练分类器耗时、提高检测率和降低误检率的效果.最后在DSP上实现了人脸检测系统,验证了改进系统在实时性能上得到较大的改善.