Automatic local Gabor Features extraction for face recognition
National Engineering School of Sfax(斯法克斯国立工程学院)
本文提出了一种彩色图像中人脸检测与识别的生物特征系统。人脸检测技术是基于肤色信息和模糊分类。提出了一种新的人脸特征(眼、嘴、鼻)的自动检测和几何点提取算法。这些基准点被描述为用于识别的小波分量的集合。为了实现人脸识别,我们使用了神经网络,并研究了它在不同输入下的性能。我们比较了两种类型的特征用于识别:几何距离和Gabor系数,可以单独使用或联合使用。这种比较表明,Gabor系数比几何距离更强大。我们的实验结果表明,如何识别率的重要性,使我们的系统自动人脸检测和识别的有效工具。
2009-07-28 cs.CV
L2GSCI: Local to Global Seam Cutting and Integrating for Accurate Face Contour Extraction
Kitware, Inc.(Kitware公司);The Education University of Hong Kong(香港教育大学)
现有的人脸配准算法能够鲁棒地沿着人脸轮廓找到一组特征点。然而,标志稀疏,缺乏曲线细节,特别是在下巴和脸颊区域,存在大量的凹凸弯曲信息。本文提出了一种从局部到全局的缝切割和融合算法(L2GSCI),用于提取连续、精确的人脸轮廓。我们的方法在粗略的初始曲线的帮助下分三步工作。首先,我们沿着初始曲线对小的和重叠的正方形进行采样。其次,L2GSCI的接缝切割部分在每个正方形区域中提取局部接缝。最后,L2GSCI的接缝集成部分将所有冗余接缝连接在一起,形成连续完整的面曲线。总体而言,该方法比现有的人脸对齐算法更直接,但可以实现像素级连续的人脸曲线,而不是离散和稀疏的地标。此外,在两个人脸基准数据集(即,LFPW和HELEN)的实验结果表明,该方法能够精确地显示人脸轮廓的凹凸弯曲细节,与现有的人脸对齐方法相比,其性能有了显著的提高。
2017-03-05 cs.CV
Face Mask Extraction in Video Sequence
Imperial College London(帝国理工学院)
受基于深度网络的方法在语义图像分割中的最新发展的启发,我们引入了一种用于视频序列中人脸面具提取的端到端可训练模型。与基于特征点的稀疏人脸形状表示方法相比,该方法可以生成单个人脸部分的分割模板,更好地反映其细节形状变化。通过将卷积LSTM(ConvLSTM)算法与全卷积网络(FCN)集成,我们的新ConvLSTM-FCN模型基于每个序列工作,并利用视频片段中的时间相关性。此外,我们还提出了一种新的损失函数,称为分割损失,直接优化交并(IoU)性能。在实践中,为了进一步提高分割精度,一个主要模型和两个额外的模型被训练成分别关注面部、眼睛和嘴巴区域。我们的实验表明,在300个视频(300 VW)数据集上,该方法比基线FCN模型实现了16.99%的相对改进(从54.50%到63.76%的平均IoU)。
2021-02-27 cs.CV
Automated Thermal Face recognition based on Minutiae Extraction
Jadavpur University(贾达普大学)
本文提出了一种利用热像中的细节点进行人脸识别的有效方法。利用红外热像仪获取人脸的热像图。利用图像处理方法对采集到的热像图进行预处理,从中提取基于血液灌注数据的不同生理特征。血流灌注数据与面部皮肤下的血管分布有关。本文采用位平面切片和中轴变换、形态学腐蚀和中轴变换、Sobel边缘算子三种不同的方法来获取血流灌注图像。血管的分布对于每个人是唯一的,并且从人脸的血液灌注数据中提取的细节点的集合对于该人脸应该是唯一的。讨论了两种不同的方法从血液灌注数据中提取细节点。在特征提取方面,将整幅人脸图像划分为大小相等的块,并计算每个块中的细节点总数来构造最终的特征向量。因此,发现特征向量的大小与所考虑的块的总数相同。一个五层前馈反向传播神经网络被用作分类工具。进行了一些实验,以评估所提出的人脸识别方法的性能与不同的块大小的数据库创建在我们自己的实验室。已经发现,第一种方法优于其他两种方法,对于位平面4,在块大小为16 × 16的情况下产生97.62%的准确度。
2013-09-04 cs.CV
Face2PPG: An unsupervised pipeline for blood volume pulse extraction from faces
University of Oulu(奥卢大学);VTT Technical Research Centre of Finland Ltd(芬兰VTT技术研究中心有限公司)
本研究提出无监督人脸rPPG提取流程Face2PPG,通过刚性网格归一化稳脸、动态选最优人脸区域、基于QR分解的OMIT变换三项创新,在六数据集上取得优于现有无监督方法的结果,部分接近有监督方法。
2023-05-04 cs.CV
Face Synthesis (FASY) System for Determining the Characteristics of a Face Image
GNIT(加尔各答 GNIT 学院);Jadavpur University(贾达普大学)
本文旨在通过提取人脸图像的成分来确定人脸图像的特征。FASY(FAce Synthesis)系统是一个正在开发中的人脸数据库检索和新的人脸生成系统。它的主要功能之一是当在现有数据库中找不到所请求的面时生成所请求的面,这也允许数据库的持续增长。为了生成新的人脸图像,我们需要将人脸组件存储在数据库中。因此,我们设计了一种新的技术来提取人脸组件的一个复杂的方法。提取面部特征点后,我们分析了组件以确定其特征。在提取和分析之后,我们将组件及其特征存储到人脸数据库中,以供以后在人脸构建过程中使用。
2010-07-05 cs.CV
Face Image Classification by Pooling Raw Features
University of Electronic Science and Technology of China(电子科技大学);The University of Adelaide(阿德莱德大学);The Australian Center for Visual Technologies(澳大利亚视觉技术中心);The University of Queensland(昆士兰大学)
我们提出了一个非常简单,高效,但令人惊讶的有效的人脸识别的特征提取方法(约20行Matlab代码),这主要是受一般图像分类的空间金字塔池。我们表明,通过简单地将局部补丁汇集在多级金字塔上,再加上线性分类器,可以显着优于最近的人脸识别方法。我们的特征提取过程的简单性是由不涉及学习的事实证明的(除了PCA白化)。我们发现,多层次的空间池和密集提取的多尺度补丁在人脸图像分类中起着至关重要的作用。所提取的人脸特征能够在不使用标签信息的情况下捕获个体人脸的强结构信息。我们还发现,对局部图像块的预处理,如对比度归一化,可以对分类精度产生重要影响。特别是,在具有挑战性的FERET和LFW-a人脸识别数据集上,我们的方法分别将之前的最佳结果提高了10%和20%以上。
2014-09-17 cs.CV
Image Feature Information Extraction for Interest Point Detection: A Review
Xi’an Polytechnic University(西安工程大学);Griffith University(格里菲斯大学);CSIRO Data61(澳大利亚联邦科学与工业研究组织数据61所)
兴趣点检测是计算机视觉和图像处理中最基本、最关键的问题之一。本文对用于兴趣点检测的图像特征信息提取技术进行了全面的综述。为了系统地介绍现有的兴趣点检测方法如何从输入图像中提取IFI,我们提出了一个分类的IFI提取技术的兴趣点检测。根据这种分类,我们讨论了不同类型的IFI提取技术的兴趣点检测。此外,我们确定了主要的未解决的问题,现有的IFI提取技术的兴趣点检测和任何兴趣点检测方法,以前没有讨论过。提供了现有的流行数据集和评价标准,并对18种最先进的方法的性能进行了评价和讨论。最后,对兴趣点提取技术的未来研究方向进行了展望。
2022-09-08 cs.CV
Hamiltonian Streamline Guided Feature Extraction with Applications to Face Detection
State University of New York at Buffalo(纽约州立大学布法罗分校)
提出了一种新的特征提取方法,该方法基于亮度景观诱导的两个动力学系统:负梯度系统和Hamilton系统。我们建立功能的基础上的哈密尔顿流线。这些特征包含关于强度景观的良好的全局拓扑信息,并且可以用于目标检测。我们表明,对于相同大小的训练图像,我们的特征空间比Haar特征生成的特征空间小得多。训练时间非常短,检测速度和准确性与基于Haar特征的分类器相似。
2011-08-17 cs.CV math.DS
Deep Face Feature for Face Alignment
University of Science and Technology of China(中国科学技术大学);Cardiff University(卡迪夫大学)
在本文中,我们提出了一种基于深度学习的图像特征提取方法,专门针对人脸图像设计。为了训练特征提取模型,我们构建了一个大规模的照片级真实感人脸图像数据集,该数据集具有多视角人脸图像之间的真实对应关系,这些图像是通过逆绘制过程从真实照片合成的。使用从不同视图渲染的面部图像之间的对应关系来训练深度面部特征(DFF)。使用经过训练的DFF模型,我们可以为人脸图像的每个像素提取一个特征向量,该特征向量可以区分不同的面部区域,并且在匹配和对齐等面部相关任务中比通用特征描述符更有效。基于DFF,我们开发了一种鲁棒的人脸对齐方法,该方法迭代更新地标,姿态和3D形状。大量的实验表明,我们的方法可以实现国家的最先进的结果,在高度无约束的人脸图像的人脸对齐。
2018-03-12 cs.CV
Advancing Wound Filling Extraction on 3D Faces: Auto-Segmentation and Wound Face Regeneration Approach
Quy Nhon University(归仁大学);CIRTECH Institute(CIRTECH研究院);HUTECH University(胡志明市技术大学);Applied Research Institute for Science and Technology(科学技术应用研究院)
本文提出基于双流图卷积网络的3D面部伤口自动分割方法,并改进伤口填充物提取,在Cir3D-FaIR上以0.9999986%准确率超越既往方法,结合3D打印辅助术前规划。
2023-07-13 cs.CV
Face Image Analysis using AAM, Gabor, LBP and WD features for Gender, Age, Expression and Ethnicity Classification
电子交易和人机交互的增长依赖于人脸图像提供的性别、年龄、表情和种族等信息。为了获得这些信息,特征提取起着主要作用。在本文中,检索年龄,性别,表情和种族信息的个人人脸图像进行了分析,使用不同的特征提取方法。从准确率(识别率)、特征提取时间、神经网络训练和图像测试时间等方面分析了主动外观模型(AAM)、Gabor小波、局部二值模式(LBP)和小波分解(WD)等四种主要特征提取方法在性别识别、年龄估计、表情识别和种族识别中的性能。每个识别系统与同一数据集(训练集和验证集)上的四个特征提取器进行比较,以更好地了解其性能。在FG-NET、Cohn-Kanade、PAL人脸库上的实验表明,每种方法都有其优缺点。因此,实际上不可能定义一种在所有情况下都是最佳的、具有较小计算复杂性的方法。此外,提供了年龄估计和使用性别信息的年龄估计的详细比较,以及在性别识别的情况下克服老化效应的解决方案。已经尝试从测试图像中一次性获得所有(即性别、年龄范围、表情和种族)信息。
2016-03-29 cs.CV
Verification of Very Low-Resolution Faces Using An Identity-Preserving Deep Face Super-Resolution Network
Mitsubishi Electric Research Labs (MERL)(三菱电机研究实验室)
人脸超分辨率方法通常旨在产生视觉上吸引人的结果,而不是为了进一步的人脸识别而保留显著特征。在这项工作中,我们提出了一种深度学习方法,用于在非常低分辨率的人脸图像上进行人脸验证,该方法涉及身份保留人脸超分辨率。我们的框架包括一个超分辨率网络和一个特征提取网络。我们训练了一个基于VGG的深度人脸识别网络(Parkhi et al. 2015),将其用作特征提取器。我们的超分辨率网络经过训练,以最小化高分辨率地面实况图像和超分辨率图像之间的特征距离,其中使用我们预先训练的特征提取网络提取特征。我们在FRGC,Multi-PIE,LFW-a和MegaFace数据集上进行了实验,以评估我们在受控和非受控环境中的方法。实验结果表明,该方法在低分辨率人脸验证中的性能优于传统的超分辨率方法。
2019-03-26 cs.CV
Weighted Attribute Fusion Model for Face Recognition
Sona college of Technology(索纳理工学院);St.Peter’s Engineering College(圣彼得工程学院);Olivetti Research Laboratory(奥利维蒂研究实验室)
基于其属性识别人脸是人类执行的一项简单任务,因为它是一个认知过程。近年来,人脸识别是利用各种人脸特征单独或组合使用来实现的。目前,特征融合方法和并行方法是通过在不同层次上集成多个特征集来使用和执行的面部特征。然而,这种集成和组合方法并不能保证更好的结果。因此,为了达到更好的效果,选择了多个加权的面部属性集的特征融合模型。对于该特征模型,从Olivetti研究实验室(ORL)获取来自预定义数据集的人脸图像,并应用于不同的方法,如基于主成分分析(PCA)的特征特征提取技术、基于离散余弦变换(DCT)的特征提取技术、基于直方图的特征提取技术和基于简单强度的特征。从这些方法中提取的特征集进行了比较和测试的准确性。在这项工作中,我们开发了一个模型,它将使用上述一套特征提取技术与不同级别的权重,以达到更好的准确性。结果表明,选择最佳的权重为特定的功能将导致识别率的提高。
2010-09-28 cs.CV
ENTED: Enhanced Neural Texture Extraction and Distribution for Reference-based Blind Face Restoration
HKUST(香港科技大学)
ENTED 提出基于参考图像的盲脸复原框架,通过纹理提取与分布、向量量化替换损坏语义特征以及参考流形隐空间风格码生成,在合成与真实数据上取得优于现有方法的逼真复原效果。
2024-01-13 cs.CV
Extraction of Facial Feature Points Using Cumulative Histogram
Jahangirnagar University(贾汉吉尔纳加尔大学);University Claude Bernard Lyon1(里昂第一大学(克洛德·贝尔纳))
提出了一种新的基于累积直方图的自适应算法,通过改变阈值,自动提取正视图中的眉角、眼角、鼻孔、鼻尖和嘴角等面部特征点。该方法首先采用Viola-Jones人脸检测器检测出人脸的位置,并在图像中裁剪出人脸区域。从人脸结构的概念出发,在人脸图像中裁剪出诸如右眉、左眉、右眼、左眼、鼻子和嘴区域的六个相关区域。然后计算每个裁剪后的相关区域的直方图,并通过改变不同的阈值来使用其累积直方图值,以自适应的方式创建新的滤波图像。每个相关滤波图像的感兴趣区域的连通分量表示我们各自的特征区域。对眉、眼、嘴滤波图像采用简单的线性搜索算法,对鼻子滤波图像采用轮廓线算法,自动提取出所需的角点。该方法在不同光照、表情和光照条件下对大型BioID正面人脸数据库进行了测试,实验结果平均成功率达到95.27%。
2012-03-15 cs.CV
Comparative analysis of common edge detection techniques in context of object extraction
MA National Institute of Technology(MA国立理工学院)
边缘特征的边界,因此是一个具有实际意义的问题,在遥感,本文提出了一种比较研究的各种边缘检测技术和波段分析这些算法的背景下,对象提取方面的遥感卫星图像从印度遥感卫星(IRS)传感器LISS 3,LISS 4和Cartosat 1以及谷歌地球。
2014-02-05 cs.CV
Face Detection and Face Recognition In the Wild Using Off-the-Shelf Freely Available Components
Information Technology University(信息技术大学)
本文提出了一种简单有效的人脸检测和人脸识别方法,使用免费的软件组件从互联网上。人脸检测和人脸识别问题在家庭和办公室安全中有着广泛的应用。因此,这项工作将有助于那些寻找一个自由的脸现成的人脸检测系统。使用该系统,可以在不受控制的环境中检测人脸。在检测阶段,检测到每个人的脸,在识别阶段,检测到的脸与给定数据集中的脸进行比较并识别。
2019-01-19 cs.CV
SecurePose: Automated Face Blurring and Human Movement Kinematics Extraction from Videos Recorded in Clinical Settings
SecurePose是一个开源软件,利用OpenPose姿态估计在临床视频中自动识别患者并模糊面部,同时提取全身运动学信息,在116名脑瘫儿童步态视频上验证其去标识化准确性优于六种现有方法且速度提升91.08%。
2025-07-18 cs.AI cs.CV
Towards Large-Scale Pose-Invariant Face Recognition Using Face Defrontalization
University of Zagreb Faculty of Electrical Engineering and Computing(Zagreb大学电子工程与计算学院)
本文提出人脸去正面化方法以扩充训练数据,结合改进的对齐流程和ArcFace损失训练ResNet-50,在多个大规模数据集上优于现有正面化方法,并揭示部分方法存在小数据集过拟合问题。
2025-06-04 cs.CV
Multi-Subregion Based Correlation Filter Bank for Robust Face Recognition
Xiamen University(厦门大学);The University of Adelaide(阿德莱德大学)
在本文中,我们提出了一种有效的特征提取算法,称为基于多子区域的相关滤波器组(MS-CFB),用于鲁棒的人脸识别。MS-CFB结合了基于全局和基于局部的特征提取算法的优点,其中对应于不同面部子区域的多个相关滤波器被联合设计以优化总体相关输出。此外,通过在空域设计相关滤波器组,降低了MS-CFB的计算复杂度,并在滤波器组设计过程中利用无约束形式,提高了其泛化能力。MS-CFB算法不仅考虑了人脸子区域间的差异性,而且有效地利用了人脸子区域的判别信息。在多个公开人脸数据库上的实验结果表明,该算法具有更好的分类特征表示能力,与现有算法相比,识别率更高。
2016-03-24 cs.CV
Analysis of face detection, face landmarking, and face recognition performance with masked face images
University of Ljubljana(卢布尔雅那大学);Faculty of Computer and Information Science(计算机与信息科学学院)
人脸识别已经成为我们生活中必不可少的任务。然而,当前COVID-19疫情导致口罩的广泛使用。戴口罩的影响目前是一个研究不足的问题。本文的目的是分析人脸检测,人脸地标,人脸识别性能与蒙面的人脸图像。HOG和CNN人脸检测器与5点和68点人脸界标预测器相结合用于人脸检测,VGG 16人脸识别模型用于掩蔽和未掩蔽图像上的人脸识别。我们发现,人脸检测,人脸地标和人脸识别的性能受到面具的负面影响
2022-06-03 cs.CV
Comparing Face Detection and Recognition Techniques
Christ University Faculty of Engineering(基督大学工程学院)
本文实现并比较了不同的人脸检测和识别技术。一个是寻找人脸在图像中的位置,即人脸检测,第二个是人脸识别,即识别人。本文研究了三种人脸识别技术:基于自组织映射的人脸检测、基于投影和最近邻的人脸识别以及基于支持向量机的人脸识别。
2016-04-19 cs.CV
FACE: Faithful Automatic Concept Extraction
Rochester Institute of Technology(罗切斯特理工大学);Toyota InfoTech Labs(丰田信息科技实验室);University of Florida(佛罗里达大学)
提出FACE框架,通过结合KL散度正则化的非负矩阵分解与分类器监督,确保概念与模型决策对齐,提升深度神经网络解释的忠实度。
2025-10-13 cs.AI cs.CV
Face Liveness Detection Based on Client Identity Using Siamese Network
Beijing Institute of Technology(北京理工大学)
人脸活体检测是人脸识别应用的必要前提。以往的人脸活体检测方法通常在人脸识别之前训练一个二元分类器来区分假人脸和真人脸。在以前的人脸活性检测方法中没有利用客户端身份信息。然而,在实际人脸识别应用中,人脸欺骗攻击往往针对特定的客户端,而客户端的身份信息可以为人脸活性检测提供有用的线索。本文提出了一种基于客户身份的人脸活性检测方法。我们在人脸识别之后检测人脸活性,而不是在人脸识别之前,也就是说,我们检测人脸活性与客户端的身份信息。我们用图像对训练一个暹罗网络。每个图像对由两个真实人脸图像或一个真实人脸图像和一个假人脸图像组成。每对中的面部图像来自同一客户端。给定一张测试人脸图像,首先通过人脸识别系统对人脸图像进行识别,然后检索出被识别客户的真实人脸图像,以帮助人脸活性检测。实验结果证明了该方法的有效性。
2019-03-13 cs.CV
Stylized Face Sketch Extraction via Generative Prior with Limited Data
KAIST(韩国科学技术院);Technical University of Munich(慕尼黑工业大学)
提出StyleSketch方法,利用StyleGAN先验和少量数据(16对样本)提取高分辨率风格化人脸素描,优于现有方法,并支持跨域扩展与语义编辑。
2024-03-17 cs.CV cs.GR
Sequential Clustering based Facial Feature Extraction Method for Automatic Creation of Facial Models from Orthogonal Views
多视点三维人脸建模技术近年来受到越来越多的关注,并已成为未来视频系统的潜在途径之一。我们的目标是使更可靠和强大的自动特征提取和自然的三维特征建设从一对正面和侧面视图人脸图像上检测到的二维特征。我们提出了几种启发式算法,以尽量减少可能的错误引入普遍的非完美正交条件和非相干亮度。在我们的方法中,我们首先提取在两个视图中对两个相机可见的2D特征。然后,我们估计的基础上,在两个正交视图中提取的可见特征的隐藏的轮廓视图中的特征的坐标。最后,基于提取的特征的坐标,我们变形的3D通用模型执行所需的3D克隆建模。目前的研究证明了范围的实际应用,如人脸识别和面部动画的面部模型。
2009-12-03 cs.CV
Context-Constrained Accurate Contour Extraction for Occlusion Edge Detection
Beijing University of Posts and Telecommunications(北京邮电大学);Huazhong University of Science and Technology(华中科技大学)
遮挡边缘检测需要轮廓的精确位置和上下文约束。现有的基于CNN的流水线没有利用自适应方法来过滤由低级特征引入的噪声。为了解决这个难题,我们提出了一种新的上下文约束精确轮廓提取网络(CCENet)。分别通过两个提取块保留空间细节并增强轮廓敏感上下文。然后,一个精心设计的融合模块,可用于集成功能,它起到补充作用,恢复细节和去除杂波。最后利用注意力机制的权值响应来增强被遮挡的轮廓并抑制噪声。所提出的CCENet显着超越了PIOD和BSDS所有权数据集的对象边缘检测和遮挡方向检测的最先进的方法。
2019-03-21 cs.CV
Is human face processing a feature- or pattern-based task? Evidence using a unified computational method driven by eye movements
Centro Universitario FEI(FEI 大学中心);Laboratorio Nacional de Computacao Cientifica(国家科学计算实验室);Imperial College London(伦敦帝国理工学院)
利用眼动对人脸进行处理的研究已经证明,我们成功地识别了人脸图像,将我们的视觉注意力集中在几个内部面部区域,主要是眼睛,鼻子和嘴巴。要了解我们如何完成这一过程中的编码高维面孔如此有效,本文提出并实现了一种多元提取方法,结合人脸图像方差与人类空间注意力图建模为特征和模式为基础的信息源。它是基于一个统一的多维表示著名的脸空间的概念。空间注意力图是一些参与者的眼动追踪注视的汇总统计数据,以及在单独的性别和面部表情识别任务期间对正面和框架良好的面部图像的试验。我们的实验结果进行公开可用的人脸数据库表明,我们可能会模仿人类提取系统作为一个基于模式的计算方法,而不是一个基于特征的正确解释人类系统在识别视觉人脸信息的熟练程度。
2017-09-04 cs.CV
WIDER FACE: A Face Detection Benchmark
The Chinese University of Hong Kong(香港中文大学)
人脸检测是计算机视觉领域研究最多的课题之一。人脸检测基准数据集的可用性已经取得了很大的进展。我们表明,目前的人脸检测性能和现实世界的要求之间存在差距。为了方便未来的人脸检测研究,我们引入了WIDER FACE数据集,它是现有数据集的10倍。该数据集包含丰富的注释,包括遮挡、姿势、事件类别和面部边界框。如图1所示,由于尺度、姿态和遮挡的变化很大,所提出的数据集中的人脸极具挑战性。此外,我们还证明了WIDER FACE数据集是人脸检测的有效训练源。我们对几个有代表性的检测系统进行了基准测试,概述了最先进的性能,并提出了一个解决方案来处理大规模的变化。最后,我们讨论了值得进一步研究的常见故障情况。数据集可从以下网址下载:mmlab.ie.cuhk.edu.hk/projects/WIDERFace
2015-11-20 cs.CV
WDR FACE: The First Database for Studying Face Detection in Wide Dynamic Range
University of Calgary(卡尔加里大学);Westlake University(西湖大学)
目前,人脸检测方法通过改变特定参数(包括姿势、遮挡、光照、背景、种族和性别)来关注人脸信息。这些研究只利用了低动态范围图像的信息,然而,在宽动态范围(WDR)场景中的人脸检测得到的关注很少。据我们所知,目前还没有公开的WDR数据库用于人脸检测研究。为了促进和支持未来的人脸检测研究在宽动态范围内的领域,我们提出了第一个宽动态范围内的人脸检测数据库,称为宽动态范围内的人脸检测,它包含了398个16位灰度级宽动态范围的图像从29个主题。这些WDR图像(WDRIs)是在八个特定的WDR场景中拍摄的。90%的图像动态范围超过60,000:1,70%的图像动态范围超过65,000:1。此外,我们在我们的数据库中的WDRIs不同的人脸检测程序的效果。这是用25种不同的色调映射算子和5种不同的人脸检测器完成的。我们提供了这个独特的宽动态范围数据库上的人脸检测的初步实验结果。
2021-01-11 cs.CV
A Fast Face Detection Method via Convolutional Neural Network
Xiamen University(厦门大学);Beihang University(北京航空航天大学)
当前通过卷积神经网络(例如OverFeat、R-CNN和DenseNet)的人脸或目标检测方法基于图像金字塔显式地提取多尺度特征。然而,这样的策略增加了人脸检测的计算负担。本文提出了一种快速的人脸检测方法,该方法基于一个精心设计的卷积神经网络提取的鉴别性完整特征(DCF),直接在完整的特征图上进行人脸检测。DCF具有尺度不变性的特点,有利于人脸检测的快速性和良好的检测性能。因此,在传统的方法中,提取图像金字塔上的多尺度特征是不需要在所提出的方法,这可以大大提高其效率的人脸检测。在几个流行的人脸检测数据集上的实验结果表明了该方法的有效性。
2018-03-27 cs.CV
Automatic facial feature extraction and expression recognition based on neural network
本文提出了一种从静止的正面图像中自动提取人脸特征提取,并对人脸表情进行分类和识别的方法。前馈反向传播神经网络被用作分类器,用于将所提供的面部表情分类为七个基本类别,如惊讶、中性、悲伤、厌恶、恐惧、高兴和愤怒。对于面部分割和定位,使用形态学图像处理操作。利用SUSAN边缘检测算子、人脸几何学、边缘投影分析提取眉毛、眼睛、嘴巴和鼻子等永久性人脸特征。在JAFFE人脸表情数据库上进行了实验,训练集的准确率为100%,测试集的准确率为95.26%。
2012-04-10 cs.CV
End-To-End Face Detection and Recognition
Zhejiang University(浙江大学)
几十年来,人们提出了许多人脸检测和识别的方法,并取得了令人满意的结果。常见的人脸识别流程包括:1)人脸检测,2)人脸对齐,3)特征提取,4)相似度计算,这些流程是相互分离和独立的。人脸分析阶段的分离导致了模型的冗余计算,难以进行端到端的训练。在本文中,我们提出了一种新的端到端的可训练卷积网络框架,用于人脸检测和识别,其中直接学习几何变换矩阵来对齐人脸,而不是预测人脸标志。在训练阶段,我们的单个CNN模型仅由面部边界框和个人身份进行监督,这些边界框和个人身份可从WIDER FACE \cite{Yang2016}数据集和CASIA-WebFace \cite{Yi2014}数据集公开获得。在人脸检测数据集和基准数据集(FDDB)\cite{Jain2010}数据集和野生标记人脸(LFW)\cite{Huang2007}数据集上进行测试,人脸检测任务的召回率达到89.24%,人脸识别任务的验证准确率达到98.63%,与最新的人脸检测和人脸识别结果相当。
2017-03-31 cs.CV
Joint Face Detection and Facial Motion Retargeting for Multiple Faces
University of Washington(华盛顿大学);Microsoft Corporation(微软公司)
人脸运动重定向是计算机图形学和视觉中的一个重要问题,它涉及到捕捉人脸的表现并将其转换为另一个3D角色。使用卷积神经网络从2D人脸图像学习3D变形模型(3DMM)参数在2D人脸对准、3D人脸重建等中是常见的。然而,现有方法要么在重定向之前需要额外的人脸检测步骤,要么使用单独的网络级联来执行检测,然后按顺序重定向。在本文中,我们提出了一个单一的端到端的网络,共同预测的限界框的位置和多个面的3DMM参数。首先,我们设计了一个新的多任务学习框架,学习一个单一的脸的3DMM参数的解纠缠表示。然后,我们利用训练好的单人脸模型来生成多个人脸的地面真实3DMM参数,以训练另一个网络,该网络对具有多个人脸的图像执行联合人脸检测和运动重定向。实验结果表明,我们的联合检测和重定向网络具有较高的人脸检测精度,对极端表情和姿势具有鲁棒性,同时比最先进的方法更快。
2019-02-27 cs.CV
Small Noisy and Perspective Face Detection using Deformable Symmetric Gabor Wavelet Network
Dept. of Computer Engineering, Kyung Hee University(庆熙大学计算机工程系)
低分辨率图像中的人脸检测和跟踪是一个不平凡的任务,由于外观特征的人脸特征的限制。此外,面部表情在这个小而嘈杂的脸上产生了额外的失真。本文提出了一种可变形对称Gabor小波网络人脸模型,用于低分辨率图像中的人脸检测。我们的模型优化了旋转,平移,膨胀,透视和部分变形量的对称约束的人脸模型。对称性约束有助于我们的模型对噪声和失真更加鲁棒。在低分辨率人脸图像数据集和视频上的实验结果表明,在各种具有挑战性的条件下,人脸检测和跟踪结果都很有希望。
2020-10-30 cs.CV
Anchor Cascade for Efficient Face Detection
UBTECH Sydney AI Center, The University of Sydney(优必选悉尼人工智能中心,悉尼大学)
人脸检测是人脸分析任务中必不可少的,如人脸再现和人脸识别。级联人脸检测器和基于锚点的人脸检测器已经将闪亮的演示转化为实践,并受到社会的广泛关注。然而,级联人脸检测器通常具有较低的检测精度,而基于锚的人脸检测器严重依赖于在大规模图像分类数据集(如ImageNet [1])上预先训练的非常大的网络,这对于训练和部署都不是计算效率高的。在本文中,我们设计了一个有效的基于锚的级联框架称为锚级联。为了通过挖掘上下文信息来提高检测精度,我们进一步提出了一种上下文金字塔maxout机制。因此,锚级联可以训练非常有效的人脸检测模型,具有高的检测精度。具体来说,与流行的基于CNN的级联人脸检测器MTCNN [2]相比,我们的锚级联人脸检测器大大提高了检测精度,例如,从0.9435到0.9704,在FDDB上有1k个误报,而它仍然以相当的速度运行。在FDDB和WIDER FACE两个人脸检测基准上的实验结果证明了该框架的有效性。
2018-05-09 cs.CV
Face Feature Visualisation of Single Morphing Attack Detection
Hochschule Darmstadt(达姆施塔特应用技术大学)
针对单一人脸变形攻击检测,本文可视化比较多类人脸特征提取算法,并通过留一法实验表明 DCT 更适合合成图像、BSIF 更适合关键点特征。
2023-04-25 cs.CV
Adversarial Occlusion-aware Face Detection
National Laboratory of Pattern Recognition, CASIA(中国科学院自动化研究所模式识别国家重点实验室);Center for Research on Intelligent Perception and Computing, CASIA(中国科学院自动化研究所智能感知与计算研究中心);University of Chinese Academy of Sciences(中国科学院大学)
遮挡人脸检测是一个具有挑战性的检测任务,由于各种现实世界中的遮挡引起的外观变化大。本文介绍了一种对抗性遮挡感知人脸检测器(AOFD),通过同时检测遮挡人脸和分割遮挡区域。具体来说,我们采用对抗性训练策略来生成面部检测器难以识别的类似遮挡的面部特征。在检测被遮挡人脸的同时预测遮挡掩模,将被遮挡区域作为辅助而不是障碍。此外,来自分割分支的监督信号将间接影响特征,从而帮助检测严重遮挡的面部。因此,AOFD能够以非常高的置信度找到具有很少暴露的面部特征点的面部,并且即使对于掩蔽的面部也保持高的检测精度。大量的实验表明,AOFD不仅显着优于国家的最先进的方法上的MAFA遮挡人脸检测数据集,但也达到了竞争力的检测精度的基准数据集上的一般人脸检测,如FDDB。
2018-09-29 cs.CV
img2pose: Face Alignment and Detection via 6DoF, Face Pose Estimation
University of Notre Dame(圣母大学);Facebook AI(脸书人工智能研究院)
我们提出了实时的,六个自由度(6DoF),三维人脸姿态估计没有人脸检测或地标定位。我们观察到,估计面部的6DoF刚性变换是一个比面部地标检测更简单的问题,通常用于3D面部对齐。此外,6自由度提供了比面限界框标签更多的信息。我们利用这些观察结果做出多方面的贡献:(a)我们描述了一个易于训练,高效,基于Faster R-CNN的模型,该模型可以为照片中的所有人脸回归6DoF姿势,而无需进行初步的人脸检测。(b)我们解释了如何转换姿势,并在训练和评估模型时在输入照片和创建的任意作物之间保持一致。(c)最后,我们展示了人脸姿势如何取代检测限界框训练标签。AFLW 2000 -3D和BIWI上的测试表明,我们的方法运行在实时性和优于最先进的(SotA)的人脸姿态估计。值得注意的是,我们的方法也超过了SotA模型的类似复杂性的更广泛的人脸检测基准,尽管没有优化的限界框标签。
2021-05-18 cs.CV
Evaluation of Human and Machine Face Detection using a Novel Distinctive Human Appearance Dataset
Stevens Institute of Technology(斯蒂文斯理工学院)
人脸检测是计算机视觉领域的一个长期挑战,其最终目标是在无约束的环境中准确定位人脸。由于与姿势、图像分辨率、照明、遮挡和视角相关的混杂因素,使这些系统准确存在重大技术障碍[44]。话虽如此,随着机器学习的最新发展,人脸检测系统已经实现了非凡的准确性,主要建立在数据驱动的深度学习模型上[70]。虽然令人鼓舞,但限制人脸检测性能和部署系统的社会责任的一个关键方面是人类外观的固有多样性。每个人的外表都反映了一个人的独特之处,包括他们的遗产,身份,经历和自我表达的可见表现。然而,当面对不同的面部大小和形状、肤色、身体修改和身体变形时,面部检测系统的性能如何存在问题。为了实现这一目标,我们收集了独特的人类外观数据集,这是一个图像集,它代表了低频的外观,并且在人脸数据集中往往是欠采样的。然后,我们评估了当前最先进的人脸检测模型在这些图像中检测人脸的能力。评估结果表明,人脸检测算法不能很好地推广到这些不同的外观。评估和表征当前人脸检测模型的状态将加速研究和开发,以创建更公平,更准确的人脸检测系统。
2021-11-02 cs.CV
Advancing Automated Deception Detection: A Multimodal Approach to Feature Extraction and Analysis
OCTOBER UNIVERSITY FOR MODERN SCIENCES ARTS - MSA UNIVERSITY(十月现代科学艺术大学 - MSA大学)
针对视频内容增长下的精准欺骗检测需求,本研究通过提取融合视觉、音频、文本多模态特征,结合多种机器学习模型构建了鲁棒检测框架,准确率达99%,验证了多模态融合的性能优势,为自动化欺骗检测发展提供支撑。
2024-07-08 cs.CV
Face Detection with the Faster R-CNN
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
Faster R-CNN最近在各种目标检测基准测试中展示了令人印象深刻的结果。通过在大规模WIDER人脸数据集上训练Faster R-CNN模型,我们报告了两个广泛使用的人脸检测基准FDDB和最近发布的IJB-A的最新结果。
2016-06-10 cs.CV
A Novel Edge Detection Operator for Identifying Buildings in Augmented Reality Applications
Politehnica University of Timişoara(蒂米什瓦拉理工大学)
增强现实是一种环境增强技术,广泛应用于旅游、文化等领域。该领域的主要挑战之一是通过计算机视觉技术精确检测和提取建筑物信息。边缘检测是计算机视觉中许多特征提取解决方案的基本操作之一。AR系统将边缘检测用于建筑物提取或用于从建筑物提取立面细节。在本文中,我们提出了一种新的过滤算子的边缘检测,旨在更好地提取建筑物的轮廓或立面特征。建议的过滤器提供了更多的权重来寻找垂直和水平边缘,这是我们的目标的一个重要特征。
2021-06-02 cs.CV
An Overview of Face Liveness Detection
National Institute of Technology, Silchar(国家理工学院,锡尔恰尔)
人脸识别是一种广泛使用的生物识别方法。人脸识别技术近年来发展迅速,与其他方法相比,它更直接,用户友好和方便。但是人脸识别系统很容易受到非真实人脸的欺骗攻击。通过人像照片等面部图片欺骗人脸识别系统是一种简单的方法。一个安全的系统需要活性检测,以防止这种欺骗。在这项工作中,人脸活性检测方法进行分类的基础上,用于活性检测的各种类型的技术。这种分类有助于理解不同的欺骗攻击场景及其与开发的解决方案的关系。回顾了人脸活体检测的最新研究成果。其主要目的是为未来开发新的、更安全的人脸活体检测方法提供一条简单的途径。
2014-05-09 cs.CV
Improving Face Detection Performance with 3D-Rendered Synthetic Data
University of Amsterdam(阿姆斯特丹大学);DUniversum(3DUniversum)
在本文中,我们提供了一个合成数据生成器的方法,完全控制,多方面的变化的基础上,一个新的三维人脸数据集(3DU脸)。我们定制了合成数据集,以解决特定类型的变化(比例,姿态,遮挡,模糊等),并系统地研究了不同变化对人脸检测性能的影响。我们研究这些因素是否以及如何有助于更好的人脸检测性能。我们在各种人脸数据集(MAFA,UFDD和Wider Face)上验证了我们针对不同人脸检测器(Faster RCNN,SSH和HR)的合成数据增强。
2019-11-27 cs.CV
Group-wise Scaling and Orthogonal Decomposition for Domain-Invariant Feature Extraction in Face Anti-Spoofing
Chung-Ang University(Chung-Ang 大学);Naver Cloud
本文提出一种域泛化人脸反欺骗框架,通过特征正交分解和分组缩放风险最小化联合对齐权重与偏置,并引入期望校准误差评估偏置对齐效果,在基准数据集上取得最先进性能。
2025-07-05 cs.CV
A Deep Pyramid Deformable Part Model for Face Detection
Center for Automation Research(自动化研究中心);University of Maryland, College Park(马里兰大学帕克分校)
提出了一种基于可变形部分模型和深度金字塔特征的人脸检测算法。所提出的方法称为DP2MFD是能够检测各种大小和姿势的无约束条件下的人脸。它通过向深度卷积神经网络(CNN)添加归一化层来减少训练和测试深度特征的差距。在四个公开的无约束人脸检测数据集上的大量实验表明,我们的方法能够捕获有意义的人脸结构,并且比许多竞争性人脸检测算法表现得更好。
2015-08-18 cs.CV
SFA: Small Faces Attention Face Detector
Jilin University(吉林大学)
近年来,由于深度学习,人脸检测取得了巨大的进步。然而,大多数已发表的人脸检测器恶化显着的脸变得更小。为了更好地检测小尺度人脸,本文提出了小人脸注意(SFA)人脸检测器。首先,我们提出了一种新的尺度不变的人脸检测架构,它更关注小人脸,包括四分支检测架构和小人脸敏感锚点设计。其次,将特征映射融合策略应用于SFA中,通过将高层特征部分地融合到低层特征中,进一步提高了识别硬面的能力。第三,我们使用多尺度训练和测试策略来提高人脸检测的性能。综合实验表明,SFA显著提高了人脸检测性能,特别是对小人脸。我们的实时SFA人脸检测器可以在单个GPU上以5 FPS运行,并保持高性能。此外,我们最终的SFA人脸检测器在具有挑战性的人脸检测基准测试中实现了最先进的检测性能,包括WIDER FACE和FDDB数据集,具有竞争力的运行速度。我们的代码和模型都将提供给研究社区。
2018-12-20 cs.CV
Facial Expression Recognition using Facial Landmark Detection and Feature Extraction via Neural Networks
National Institute of Technology Karnataka(卡纳塔克国立理工学院)
本文提出的框架的主要目标是对人的面部表情进行分类。这些可分类的表情可以是六种普遍情绪中的任何一种,以及中性情绪。在执行初始面部定位之后,应用面部界标检测和特征提取,其中界标被确定为基准特征:眉毛、眼睛、鼻子和嘴唇。这主要是使用最先进的面部标志检测算法以及分别使用Sobel滤波器和Shi Tomasi角点检测方法的传统边缘和角点检测方法来完成的。这导致生成使用欧几里德距离公式化的输入特征向量,并将其训练到多层感知器(MLP)神经网络中,以便对正在显示的表情进行分类。所取得的成果进一步处理了某些情绪的高度一致性和表达的固有主观性。
2020-07-15 cs.CV
Computerized Face Detection and Recognition
该出版物介绍了人脸检测,分析和识别的方法:快速归一化互相关基于多模板之间的快速相关系数的人脸预检测方法、基于snakes和广义梯度矢量流场的精确人脸轮廓检测方法、基于累积匹配特征的组合识别算法以提高识别速度和准确度的方法、以及基于小波包分解的主成分分析的人脸识别方法,其允许使用具有大量训练图像的基于PCA的识别方法。对于所有的方法的实验结果和速度和精度与大型人脸数据库的比较。
2004-10-20 cs.CV
Detection and Analysis of Content Creator Collaborations in YouTube Videos using Face- and Speaker-Recognition
Technische Universität Darmstadt(达姆施塔特工业大学)
这项工作讨论并实现了在YouTube视频的合作检测的扬声器识别的应用。CATANA是一个现有的YouTube协作检测和分析框架,它正在利用人脸识别来检测协作者,这在没有出现人脸的视频内容上自然表现不佳。本文提出了一种扩展的CATANA使用主动说话人检测和说话人识别,以提高检测精度。
2018-07-05 cs.CV
Enhanced Facial Recognition Framework based on Skin Tone and False Alarm Rejection
University of Texas at Arlington(德克萨斯大学阿灵顿分校)
人脸检测是计算机视觉中具有挑战性的任务之一。人脸检测在人脸识别、人脸跟踪、图像数据库管理等人脸处理应用的第一阶段起着至关重要的作用。在这些应用中,人脸对象往往来自图像中包含变化的无关紧要的部分,即不同的光照、姿态和遮挡。这些变化会显著降低人脸检测率。大多数现有的人脸检测方法是不准确的,因为它们不能解决非结构化的图像,由于大的外观变化,只能检测人脸在一个特定的变化。现有的人脸检测框架需要改进,以提高检测率和减少检测时间,在规定的变化下检测人脸。在这项研究中,提出了一个增强的人脸检测框架,以提高基于肤色的检测率,并提供一个验证过程。对输入图像进行基于肤色的初步分割,可以显著减小搜索空间,加快人脸检测过程。主要的检测是基于Haar类特征和Adaboost算法。引入验证过程来拒绝非人脸对象,这可能发生在人脸检测过程中。验证过程是基于两阶段的扩展本地二进制模式。在CMU-MIT和Caltech 10000数据集上的实验结果表明,在不同颜色、位置、尺度和光照条件下,人脸的变化范围很广,人脸检测率很高。
2017-02-14 cs.CV
Exploring Depth Information for Face Manipulation Detection
Fudan University(复旦大学)
由于人脸图像的可靠性和安全性,人脸篡改检测一直受到人们的关注。最近的研究集中在使用辅助信息或先验知识来捕获鲁棒的操作轨迹,这被证明是有前途的。作为重要的人脸特征之一,人脸深度图,这已被证明是有效的,在其他领域,如人脸识别或人脸检测,不幸的是,在文献中很少关注用于检测处理后的人脸图像。在本文中,我们探讨了将人脸深度图作为辅助信息,以解决现实世界中的人脸操作检测问题的可能性。为此,我们首先提出了一个面部深度图Transformer(FDMT)来估计面部深度图补丁补丁从RGB面部图像,这是能够捕捉到的局部深度异常创建由于操纵。然后,估计的面部深度图被认为是辅助信息,使用新设计的多头深度注意(MDA)机制与骨干特征相结合。各种实验表明,我们提出的方法的人脸操纵检测的优势。
2022-12-29 cs.CV