研究文章 特殊问题

图像处理对深部人脸识别系统的影响

  • 收到:2020年9月9日 认可的:2021年1月3日 出版:2021年1月13日
  • 人脸识别技术已经成为人体图像法医学鉴定领域中一种重要的定量检测方法。然而,人脸图像质量影响人脸识别系统的识别性能。现有关于人脸图像去噪和增强方法对人脸识别性能影响的研究,通常是基于带有人工合成噪声的人脸图像,而不是基于自然环境下的噪声,他们研究的人脸识别技术局限于传统的人脸识别算法,而不是最先进的基于卷积神经网络的人脸识别方法。在这项工作中,收集了33个真实案例的人脸图像材料,用于定量分析人脸图像去噪和增强方法对基于MXNet系统架构的人脸识别系统的深度人脸识别性能的影响。结果表明,人脸图像质量对人脸识别系统的识别性能有显著影响,图像处理技术可以提高人脸图像的质量,进而提高人脸识别系统的识别精度。此外,高斯滤波的效果优于基于自蛇模型的图像增强方法,这表明在实际应用中,图像去噪方法更适合于深层人脸识别系统的性能改进,而不是图像增强技术。

    引用:曾金华、邱秀莲、史少培。图像处理对深部人脸识别系统的影响[J]。数学生物科学与工程,2021,18(2):1187-1200。doi:10.3934/mbe.2021064

    相关论文:

  • 人脸识别技术已经成为人体图像法医学鉴定领域中一种重要的定量检测方法。然而,人脸图像质量影响人脸识别系统的识别性能。现有关于人脸图像去噪和增强方法对人脸识别性能影响的研究,通常是基于带有人工合成噪声的人脸图像,而不是基于自然环境下的噪声,他们所研究的人脸识别技术局限于传统的人脸识别算法,而不是最先进的基于卷积神经网络的人脸识别方法。在本工作中,收集了33个人体图像法医鉴定中的真实案例的人脸图像材料,定量分析了人脸图像去噪和增强方法对基于MXNet系统架构的人脸识别系统深层人脸识别性能的影响。结果表明,人脸图像质量对人脸识别系统的识别性能有着显著的影响,而图像处理技术可以提高人脸图像的质量,进而提高人脸识别系统中的识别精度。此外,高斯滤波的效果优于基于自蛇模型的图像增强方法,这表明在实际应用中,图像去噪方法更适合于深层人脸识别系统的性能改进,而不是图像增强技术。


    加载中


    [1] U.Scherhag、C.Rathgeb、J.Merkle、R.Breithaupt、C.Busch,变形攻击下的人脸识别系统:一项调查,IEEE接入,7(2019), 23012–23026. doi(操作界面):10.1109/通道2019.2899367
    [2] A.Fydanaki,Z.Geradts,《评估OpenFace:一种用于取证的开源自动面部比较算法》,法医学。物件。,(2018), 202–209. doi(操作界面):10.1080/20961790.2018.1523703
    [3] M.P.Evison,R.W.V.Bruegge,《大型数据库:用于人类识别和识别研究的三维人脸图像数据库》,法医学。Commun公司。,10(2008), 1–11.
    [4] 曾俊华,石松生,陆启超,李彦,邱晓霞,人脸识别技术在人体图像法医学鉴定中的应用,国际数字内容技术杂志。其应用。,11(2017), 34–43.
    [5] J.Han,B.Bhanu,使用步态能量图像进行个人识别,IEEE传输。模式分析。机器。智力。,28(2006), 316–322. doi(操作界面):10.1109/TPAMI.2006.38
    [6] S.Bharadwaj,H.Bhatt,M.Vatsa,R.Singh,A.Noore,基于质量评估的去噪以提高人脸识别性能,CVPR 2011研讨会,科罗拉多州科罗拉多斯普林斯,2011年140–145。
    [7] A.A.Dawood,M.F.Saleh,图像去噪不同技术综述,国际期刊《创新研究计算》。Commun公司。工程师。,6(2018),2498–2505。
    [8] L.Fan,F.Zhang,H.Fan,C.Zhang,图像去噪技术综述,可视化计算。Ind.生物识别。艺术,2(2019),7。doi(操作界面):10.1186/s42492-019-0016-7号
    [9] P.Janani,J.Premaladha,K.S.Ravichandran,《图像增强技术:一项研究》,印度科学杂志。Technol公司。,8(2015), 125–145. doi(操作界面):10.17485/ijst/2015/v8iS6/71216
    [10] G.Deng,L.W.Cahill,用于降噪和边缘检测的自适应高斯滤波,核科学研讨会和医学成像会议,(1993), 1615–1619.
    [11] X.Jia,S.Liu,X.Feng,,L.Zhang,FOCNet:图像去噪的分数次最优控制网络,2019 IEEE/CVF计算机视觉和模式识别会议(CVPR), 2019. 可从以下位置获得:https://ieeexplore.ieee.org/document/8954104.
    [12] C.Tian,Y.Xu,L.Fei,K.Yan,图像去噪的深度学习:一项调查,遗传和进化计算国际会议,384(2019), 563–572.
    [13] C.Knaus,M.Zwicker,渐进式图像去噪,IEEE传输。图像处理。,23(2014), 3114–3125. doi(操作界面):10.1109/TIP.2014.2326771
    [14] S.Cha,T.Moon,全卷积像素自适应图像去噪器,2019 IEEE/CVF国际计算机视觉会议(ICCV), 2019, 4160–4169.
    [15] J.Xu、L.Zhang、D.Zhang,一种用于实际图像去噪的三边加权稀疏编码方案,欧洲计算机视觉会议, 2018, 20–36.
    [16] R.Wang,X.X.Xiao,B.Guo,Q.Qin,R.Chen,一种基于改进生成对抗网络的无人机图像去噪方法,传感器,18(2018), 1985.
    [17] M.Diwakar,M.Kumar,CT图像噪声及其去噪综述,生物识别。信号处理。控制,42(2018), 73–88. doi(操作界面):10.1016/j.bspc.2018.01.010
    [18] J.Benesty,J.D.Chen,Y.T.Huang,宽线性维纳滤波器降噪研究,IEEE声学、语音和信号处理国际会议美国德克萨斯州达拉斯,2010205-208。
    [19] S.G.Mallat,多分辨率信号分解理论:小波表示,IEEE传输。图案。分析。机器。智力。,11(1989), 674–693. doi(操作界面):10.1109/34.192463
    [20] W.Zhang,R.Li,K.He,J.Zhou,基于3DDCT的图像去噪和增强方法,J.电子大学。科学。Technol公司。中国,40(2011年),742–746。
    [21] T.Yan,M.Qu,C.Zhou,BEMD和边缘保持自蛇模型的图像去噪,智能计算国际会议,8588(2014), 435–442.
    [22] K.Nguyen、C.Fookes、S.Sridharan、M.Tistarelli、M.Nixon,《生物特征超分辨率:综合调查》,模式识别器。,78(2018), 23–42. doi(操作界面):10.1016/j.patcog.2018.01.002
    [23] 蒋军,马军,陈建中,江军,王军,基于平滑稀疏表示的抗噪人脸图像超分辨率,IEEE传输。控制论,47(2016), 3991–4002.
    [24] R.Tkachenko,P.Tkaschenko,I.Izonin,Y.Tsymbal,使用几何变换范式的神经样结构进行基于学习的图像缩放图像处理中的软计算和机器学习研究进展, (2018), 537–565.
    [25] I.Izonin,R.Tkachenko,D.Peleshko,T.Rak,D.Batyuk,使用突触连接权重系数的基于学习的图像超分辨率,2015年第X届国际科学技术大会“计算机科学与信息技术”(CSIT), 2015, 25–29.
    [26] Y.Rashkevych,D.Peleshko,O.Vynokurova,I.Izonin,N.Lotoshynska,基于奇异平方矩阵算子的单帧图像超分辨率,2017年IEEE首次乌克兰电气与计算机工程会议, 2017,944–948.
    [27] M.Emambakhsh,J.Gao,A.N.Evans,3D人脸识别去噪算法评估,第五届犯罪侦测和预防成像国际会议,伦敦,2013年。
    [28] L.Zhang,L.Zang,L.Li,《人脸图像的照明质量评估:基于基准和卷积神经网络的模型》神经信息处理国际会议,查姆斯普林格,2017583–593。
    [29] N.Zhuang,Q.Zhang,C.Pan,B.Ni,Y.Xu,X.Yang,W.Zhang.基于深度卷积神经网络的面向识别的人脸图像质量评估,神经计算,358(2019), 109–118. doi(操作界面):10.1016/j.neucom.2019.04.057
    [30] J.Yu,K.Sun,F.Gao,S.Zhu,通过有线电视新闻网进行面部生物特征质量评估,模式记录。莱特。,107(2018), 25–32. doi(操作界面):2016年10月10日/j.patrec.2017.07.015
    [31] V.V.Starovoitov、D.I.Samal、D.V.Briliuk,人脸识别图像增强,国际图标学会议俄罗斯圣彼得堡,2003年。
    [32] T.Ojala,M.Pietikainen,T.Maenpaa,具有局部二值模式的多分辨率灰度和旋转不变纹理分类,IEEE传输。模式分析。机器。智力。,24(2002), 971–987. doi(操作界面):10.1109/巴基斯坦.2002.1017623
    [33] S.Chang,B.Yu,M.Vetterli,用于图像去噪和压缩的自适应小波阈值,IEEE传输。图像处理。,9(2000年),1532-1546年。doi(操作界面):10.1109/83.862633
    [34] D.Andrews,C.Mallows,正态分布的比例混合,J.皇家统计学会。,36(1974), 99–102.
    [35] A.Martinez,R.Benevento,AR人脸数据库,CVC技术报告#24, 1998.
    [36] P.J.Phillips、P.J.Flynn、T.Scruggs、K.W.Bowyer、J.Chang、K.Hoffman等人,《人脸识别重大挑战概述》,2005年IEEE计算机学会计算机视觉和模式识别会议(CVPR'05),1(2005), 947–954. doi(操作界面):10.1109/CVPR.2005.268
    [37] S.Mittal,S.Agarwal,M.J.Nigam,《实时多人脸识别:深度学习方法》,2018年数字医学与图像处理国际会议论文集, 2018, 70–76.
    [38] I.Masi,Y.Wu,T.Hassner,P.Natarajan,深度面部识别:一项调查,2018年第31届SIBGRAPI图形、图案和图像会议, 2018. 可从以下位置获得:https://ieeexplore.ieee.org/document/8614364.
    [39] G.Gilboa,N.Sochen,Y.Y.Zeevi,通过复杂扩散过程进行图像增强和去噪,IEEE传输。帕特。分析。机器。智力。,26(2004), 1020–1036. doi(操作界面):10.1109/TPAMI.2004.47
    [40] P.Perona,J.Malik,使用各向异性扩散的尺度空间和边缘检测,IEEE传输。模式分析。机器。智力。,12(1990), 629–639. doi(操作界面):10.1109/34.56205
  • 读者评论
  • ©2021作者,持牌人AIMS出版社。这是一篇开放存取的文章根据知识共享署名许可证的条款(http://creativecommons.org/licenses/by/4.0)
通讯作者:陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. 中国知网搜索

韵律学

文章观点(4164) PDF下载(594) 引用人(8)

文章大纲

图和表

数字(4)/表格(6)

作者撰写的其他文章

/

返回
返回

目录