期刊文献+
共找到10篇文章
< 1 >
每页显示 20 50 100
基于深度学习的司机疲劳驾驶检测方法研究 被引量:17
1
作者 李小平 白超 《铁道学报》 EI CAS CSCD 北大核心 2021年第6期78-87,共10页
针对传统基于机器视觉的司机疲劳检测模型对硬件系统要求较高、检测准确率和效率较低等问题,提出一种基于MTCNN-PFLD-LSTM深度学习模型的疲劳驾驶检测算法。通过多任务卷积神经网络MTCNN进行人脸区域检测;利用PFLD模型检测人脸眼部、嘴... 针对传统基于机器视觉的司机疲劳检测模型对硬件系统要求较高、检测准确率和效率较低等问题,提出一种基于MTCNN-PFLD-LSTM深度学习模型的疲劳驾驶检测算法。通过多任务卷积神经网络MTCNN进行人脸区域检测;利用PFLD模型检测人脸眼部、嘴部和头部的关键点及空间姿态角;计算出基于时间序列的人脸疲劳特征参数矩阵并输入长短期记忆网络LSTM进行疲劳驾驶检测,通过优化设计不同阶段损失函数及其权重,进一步提高检测能力。在未采用GPU加速的情况下,通过YawDD数据集与自采数据集进行试验并与最新的8种方法进行比较,准确率和检测帧率分别达到99.22%和46,准确率比未采用GPU加速试验中性能第2的模型增加了0.26%,检测帧率比未采用GPU加速试验中性能第2的模型增加了1.3倍。试验结果表明,提出的方法可以提高疲劳检测的准确度和效率,并可在移动设备等低算力设备上应用。 展开更多
关键词 多任务卷积神经网络MTCNN 长短期记忆人工神经网络LSTM 深度学习 疲劳驾驶检测
下载PDF
复杂背景下小尺寸多角度人脸检测方法研究
2
作者 黄杰 刘芬 《网络安全与数据治理》 2024年第4期46-52,共7页
为了提升复杂背景下小尺寸人脸检测精度,提出了一种人脸检测方法GhostNet-MTCNN。在多任务级联卷积神经网络(MTCNN)主干网络上,将占用计算资源的普通卷积进行舍弃,利用GhostNet网络中计算量更低的Ghost bottleneck模组替代卷积的作用,... 为了提升复杂背景下小尺寸人脸检测精度,提出了一种人脸检测方法GhostNet-MTCNN。在多任务级联卷积神经网络(MTCNN)主干网络上,将占用计算资源的普通卷积进行舍弃,利用GhostNet网络中计算量更低的Ghost bottleneck模组替代卷积的作用,重新构建网络特征提取功能,从而搭建一个新的模型。实验结果表明,该方法可以有效平衡参数量和精度。在Easy、Medium、Hard三种验证集上,与MTCNN相比在参数量仅增加0.62M的前提下精度分别提升了5.6%、6.6%、7.8%,与MobileNetV3-MTCNN相比在参数量减少1.27M的同时精度又分别提升了1.6%、0.8%、0.5%。该研究能够在复杂场景下提高模型对小尺寸、多角度人脸检测精度,同时也能够有效平衡参数量和检测精度使其成为在边缘设备部署中更优的选择。 展开更多
关键词 人脸检测 多任务级联卷积神经网络 轻量化网络 边缘设备
下载PDF
MTCNN的优化及其在道路车辆检测中的应用 被引量:4
3
作者 刘云霄 王敬东 +1 位作者 黄雨秋 赵若辰 《光电子技术》 CAS 北大核心 2019年第3期196-204,224,共10页
采用一种运算速度较快的MTCNN(multi-task cascaded convolutional networks,多任务卷积神经网络)的目标检测方法。针对道路车辆的属性,引入内部级联结构,通过在网络内部添加小型分类器从而更高效处理车辆负样本;引入双流卷积神经网络,... 采用一种运算速度较快的MTCNN(multi-task cascaded convolutional networks,多任务卷积神经网络)的目标检测方法。针对道路车辆的属性,引入内部级联结构,通过在网络内部添加小型分类器从而更高效处理车辆负样本;引入双流卷积神经网络,联合车脸与车身特征进行训练,提升模型在复杂条件下的适用性。在保证实时性的同时,提高了模型在城市道路、雨天、道路拥堵等复杂场景下对于道路车辆的检测精度;并解决MTCNN对于图像中小目标的检测精度不高以及在整段视频中对于车辆的检测与跟踪不稳定问题。 展开更多
关键词 多任务卷积神经网络 车辆检测 深度学习
下载PDF
基于多面部特征融合的驾驶员疲劳检测算法 被引量:10
4
作者 刘炜煌 钱锦浩 +2 位作者 姚增伟 焦新涛 潘家辉 《计算机系统应用》 2018年第10期177-182,共6页
本文将卷积神经网络(Convolutional Neural Network, CNN)应用到视频理解中,提出一种基于多面部特征融合的驾驶员疲劳检测算法.本文使用多任务级联卷积网络(Multi-Task Cascaded Convolutional Networks,MTCNN)定位驾驶员的嘴部、左眼,... 本文将卷积神经网络(Convolutional Neural Network, CNN)应用到视频理解中,提出一种基于多面部特征融合的驾驶员疲劳检测算法.本文使用多任务级联卷积网络(Multi-Task Cascaded Convolutional Networks,MTCNN)定位驾驶员的嘴部、左眼,使用CNN从驾驶员嘴部、左眼图像中提取静态特征,结合CNN从嘴部、左眼光流图中提取动态特征进行训练分类.实验结果表明,该算法比只使用静态图像进行驾驶员疲劳检测效果更好,准确率达到87.4%,而且可以很好地区别在静态图像中很相似的打哈欠和讲话动作. 展开更多
关键词 疲劳检测 多任务级联卷积网络 光流 特征融合 计算机视觉
下载PDF
一种改进的MTCNN人脸检测算法 被引量:10
5
作者 吴纪芸 陈时钦 《软件导刊》 2019年第12期78-81,共4页
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... 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。 展开更多
关键词 多任务级联卷积神经网络 最小人脸大小 图像金字塔 自适应 人脸检测
下载PDF
基于多注意力机制级联LSTM模型的猪脸表情识别 被引量:8
6
作者 温长吉 张笑然 +4 位作者 吴建双 杨策 李卓识 石磊 于合龙 《农业工程学报》 EI CAS CSCD 北大核心 2021年第12期181-190,共10页
面部表情是传递情感的重要信息,是家畜生理、心理和行为的综合反映,可以用于评估家畜福利。由于家畜面部肌群结构简单,因此家畜面部不同区域的细微变化对于表情的反映较难识别。该研究提出一种基于多注意力机制级联LSTM框架模型(Multi-a... 面部表情是传递情感的重要信息,是家畜生理、心理和行为的综合反映,可以用于评估家畜福利。由于家畜面部肌群结构简单,因此家畜面部不同区域的细微变化对于表情的反映较难识别。该研究提出一种基于多注意力机制级联LSTM框架模型(Multi-attention Cascaded Long Short Term Memory,MA-LSTM)对家猪时序面部表情进行分类识别。首先通过简化的多任务级联卷积结构实现帧图像中猪脸的快速检测与定位,去除非猪脸区域对于识别性能的影响。其次提出一种多注意力机制模块,利用不同特征通道视觉信息不同相应峰值响应区域也不同这一特性,通过对峰值响应相近区域进行聚类捕获表情变化引起的面部显著性区域,实现对面部细微变化的关注。在自标注构建的家猪表情数据集上的试验结果表明,该研究提出的多注意力机制级联LSTM模型在4类表情的平均识别准确率为91.826%,对比关闭多注意力机制模块平均识别准确率平均提升6.3个百分点,同时误分率也有较为明显的降低。对比其他常用面部表情识别算法LBP-TOP、HOG-TOP、ELRCN、STC-NLSTM,MA-LSTM模型平均识别精度分别提升约32.6、18.0、5.9和4.4个百分点。试验结果验证了该研究提出的多注意力机制级联LSTM模型在猪脸表情识别的有效性。 展开更多
关键词 模型 表情识别 多注意力机制 多任务级联卷积网络 长短时记忆网络 家畜福利
下载PDF
基于车内外视觉信息的行人碰撞预警方法 被引量:5
7
作者 杨会成 朱文博 童英 《智能系统学报》 CSCD 北大核心 2019年第4期752-760,共9页
行人碰撞预警系统通常依据行人检测与碰撞时间判断的方式为驾驶员提供预警信息。为了提供更加可靠的危险判断依据,本文提出一种同时分析道路状况与驾驶员头部姿态的行人碰撞预警方法,用两个单目相机分别获取车辆内外环境图像。通道特征... 行人碰撞预警系统通常依据行人检测与碰撞时间判断的方式为驾驶员提供预警信息。为了提供更加可靠的危险判断依据,本文提出一种同时分析道路状况与驾驶员头部姿态的行人碰撞预警方法,用两个单目相机分别获取车辆内外环境图像。通道特征检测器用于定位行人,根据单目视觉距离测量方法估计出行人与自车间的纵向与横向距离。多任务级联卷积网络用于定位驾驶员面部特征点,通过求解多点透视问题获取头部方向角以反映驾驶员注意状态。结合行人位置信息与驾驶员状态信息,本文构建模糊推理系统判断碰撞风险等级。在实际路况下的实验结果表明,根据模糊系统输出的风险等级可以为预防碰撞提供有效的指导。 展开更多
关键词 碰撞预警 内外信息 行人定位 驾驶员状态 单目视觉 通道特征 多任务级联卷积网络 模糊推理系统
下载PDF
基于多任务卷积神经网络的实时人眼检测方法 被引量:1
8
作者 张成 陈杰春 +1 位作者 吴猛 陈旭 《信息与电脑》 2022年第17期83-85,共3页
针对戴眼镜、人脸姿态变化以及眯眼睛等复杂场景,提出了一种基于多任务卷积神经网络(MultiTask CascadedConvolutionalNetworks,MTCNN)的人眼检测算法。针对性地调整与优化网络,删除landmark部分以简化网络结构,进而调整网络的输入尺寸... 针对戴眼镜、人脸姿态变化以及眯眼睛等复杂场景,提出了一种基于多任务卷积神经网络(MultiTask CascadedConvolutionalNetworks,MTCNN)的人眼检测算法。针对性地调整与优化网络,删除landmark部分以简化网络结构,进而调整网络的输入尺寸,使模型更适用于人眼检测。实验结果表明,基于MTCNN的人眼检测算法在数据集上准确率达92.1%,图形处理器(GraphicsProcessingUnit,GPU)检测速度达112frames/s,可以有效兼顾实时性与准确性。 展开更多
关键词 人眼检测 多任务卷积神经网络(MTCNN) 图形处理器(GPU)
下载PDF
基于深度学习的轻量级和多姿态人脸识别方法 被引量:26
9
作者 龚锐 丁胜 +1 位作者 章超华 苏浩 《计算机应用》 CSCD 北大核心 2020年第3期704-709,共6页
目前基于深度学习的人脸识别方法存在识别模型参数量大、特征提取速度慢的问题,而且现有人脸数据集姿态单一,在实际人脸识别任务中无法取得好的识别效果。针对这一问题建立了一种多姿态人脸数据集,并提出了一种轻量级的多姿态人脸识别... 目前基于深度学习的人脸识别方法存在识别模型参数量大、特征提取速度慢的问题,而且现有人脸数据集姿态单一,在实际人脸识别任务中无法取得好的识别效果。针对这一问题建立了一种多姿态人脸数据集,并提出了一种轻量级的多姿态人脸识别方法。首先,使用多任务级联卷积神经网络(MTCNN)算法进行人脸检测,并且使用MTCNN最后包含的高层特征做人脸跟踪;然后,根据检测到的人脸关键点位置来判断人脸姿态,通过损失函数为ArcFace的神经网络提取当前人脸特征,并将当前人脸特征与相应姿态的人脸数据库中的人脸特征比对得到人脸识别结果。实验结果表明,提出方法在多姿态人脸数据集上准确率为96.25%,相较于单一姿态的人脸数据集,准确率提升了2.67%,所提方法能够有效提高识别准确率。 展开更多
关键词 深度学习 人脸识别 多姿态 轻量级 多任务级联卷积神经网络 ArcFace
下载PDF
facenet皮尔森判别网络的人脸识别方法 被引量:10
10
作者 谷凤伟 陆军 夏桂华 《智能系统学报》 CSCD 北大核心 2022年第1期107-115,共9页
非限制场景下存在光照、遮挡和姿态变化等问题,这严重影响了人脸识别模型的性能和准确度。针对该问题,本文对facenet进行改进,提出了一种基于facenet皮尔森判别网络的人脸识别方法facenetPDN。首先,构建facenetPDN深度卷积神经网络,在fa... 非限制场景下存在光照、遮挡和姿态变化等问题,这严重影响了人脸识别模型的性能和准确度。针对该问题,本文对facenet进行改进,提出了一种基于facenet皮尔森判别网络的人脸识别方法facenetPDN。首先,构建facenetPDN深度卷积神经网络,在facenet前端融合多任务级联卷积神经网络进行人脸检测提取目标人脸。然后,通过深度神经网络提取人脸深度特征信息,采用皮尔森相关系数判别模块替换facenet中的欧氏距离判别模块实现人脸深度特征判别。最后,使用CASIA-WebFace和CASIA-FaceV5人脸数据集训练网络。为了证明本文方法的有效性,训练后的模型在LFW和celeA人脸数据集进行测试和评估,并进行对比分析。实验结果表明,改进后的facenetPDN方法的准确度比原来整体提高了1.34%,在融合训练集下提高了0.78%,该算法鲁棒性和泛化能力优良,可实现多人种的人脸识别,对非限制场景下人脸目标具有良好的识别效果。 展开更多
关键词 非限制场景 人脸识别 facenet 多任务级联卷积神经网络 人脸检测 皮尔森相关系数 欧氏距离 人脸数据集
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部