摘要：现有的人脸识别方法无法有效消除遮挡造成的损坏特征的影响,随着网络层数加深,损坏特征与用于身份分类的有效特征变得难以分离,影响识别结果。针对上述问题,设计了一种基于分割和多级掩膜学习策略的遮挡人脸识别方法,模型由遮挡检测分割、特征提取、掩膜学习单元三大模块构成,无需依赖额外的遮挡检测器,且无论训练还是测试都只需要一次端到端的过程即可同时学习特征掩膜和深度抗遮挡特征。掩膜学习单元以不同尺寸的遮挡分割表示和不同阶段的人脸特征为输入,为特征提取的不同阶段生成对应的掩膜,通过掩膜运算在特征提取的各阶段有效消除遮挡造成的损坏特征的影响,最终构建特征金字塔融合各阶段特征进行身份分类。实验结果表明该方法可有效提高遮挡人脸识别的准确率,在经过遮挡处理的LFW数据集以及真实的口罩遮挡数据集MFR2、Mask_whn上的准确率分别达到了98.77%、96.70%、81.53%,与现有的主流方法相比分别提升了2.04、0.48、4.44个百分点。

摘要：基于对抗样本开展对抗训练目前已成为提升模型鲁棒性、安全性的重要手段.新冠疫情使得佩戴口罩成为常态,遮挡人脸识别成为现实需要.针对当前缺乏遮挡人脸识别对抗样本生成方法的问题,提出了一种自适应对抗样本生成方法——AOA(adversarial examples against occluded faces recognition based on adaptive method).首先,根据目标模型调整对抗样本生成策略,并根据输入人脸自动调整干扰区域.其次,通过将扰动集中在对识别影响更大的区域,结合集成模型和高斯滤波,在局部特征增强的虹软、百度人脸识别上实现了黑盒攻击.最后,结合动态掩码和动态扰动乘数避免了攻击过程中的冗余计算,并保证了攻击的可持续性,生成的扰动使得人脸修复遮挡识别模型错误分割遮挡区域,进而降低模型的识别准确率.设计实现了人脸修复遮挡识别模型Arc-UFI.实验表明,AOA能够实现针对局部特征增强和人脸修复的遮挡人脸识别的有效攻击.此外,AOA可为模型安全对抗训练提供有益支撑.

摘要：提出了跨域特征融合的端-边协同遮挡人脸识别方法,设计了端-边协作的人脸识别架构,充分利用终端和边缘的计算资源进行遮挡人脸的实时识别。提出了跨域人脸特征融合的方法,通过显式域人脸特征增强与隐式域人脸特征挖掘,进行人脸特征的融合提取。进而,提出时延优化的边缘识别任务调度方法,综合考虑边缘的任务负载、计算能力、带宽及时延容忍约束,动态调度人脸识别任务,在保证识别精度的同时最小化识别时延。实验结果表明,所提方法相比基线方法,在人脸识别任务精度基本持平的同时大幅提高了识别时延方面的性能。

摘要：由于大多数采集到的人脸图像被口罩、帽子、头发遮挡,导致人脸识别效果较差.为此,设计基于循环生成对抗网络的遮挡人脸识别系统.该系统利用电源模块为存储器、人机交互、人脸识别等模块提供稳定电压.系统中的人脸识别模块使用DM6447处理器控制人脸视频图像采集和识别,处理器内置人脸图像自动采集程序,利用该程序控制视频采集前端使用CMOS传感器、可编程逻辑器件等采集人脸视频图像,并基于循环生成对抗网络的遮挡人脸识别算法识别遮挡人脸图像后,通过通信接口模块将识别结果传输到存储器模块和人机交互模块分别进行存储和展示.实验结果表明:该系统具备良好的运行稳定性、通信性能以及图像缩放功能,且可有效识别不同类型遮挡的人脸,识别精度高达98%.