1 内蒙古科技大学 机械工程学院, 内蒙古 包头 014010
2 内蒙古科技大学 信息工程学院, 内蒙古 包头 014010
3 内蒙古工业大学, 内蒙古 呼和浩特 010051
目前, 公安机关刑侦部门大量的离线视频存储在监控网络的服务器中, 为了在这些海量视频帧中提取嫌疑人目标人脸, 设计了人脸检索系统。通过改变CNN网络的RELU结构, 训练新的四分支孪生网络来获取深度特征, 构造了一个新的四分支孪生网络。结合网上发布的逃犯人脸图片发起通缉, 借助深度特征对比展开基于内容的图像检索(CBIR)。新的四分支孪生网络比熟悉的网络, 如Alexnet、Googlenet、VGGNet和ResNet等收敛得更快, 系统鲁棒性好。网络的共享权重设计使得检索具有较高的模型训练精度和检索精度。图像深度特征可以在摄像机之间快速在线共享。实验结果表明, 该方法的平均检索精度(ARP)为98.74%, 模型训练精度为99.51%, 帧率为28 FPS。
四孪生网络 人脸检索 跨摄像机 基于内容的图片检索 quadruplet network face retrieval cross camera content-based image retrieval
大规模人脸数据集上的快速检索是人脸识别应用的关键问题。较短长度人脸哈希方法可降低人脸特征比对的计算量, 有助于大规模人脸识别的应用。为此提出了一种基于三元组损失函数的深度人脸哈希方法, 通过优化三元组损失函数训练深度卷积神经网络以提取图像深层特征, 使得由该特征表征的同类图像在欧式空间中的距离尽可能小, 不同类图像在欧式空间中的距离尽可能大; 通过在深度网络后添加随机映射层, 进一步将高维特征映射到低维空间, 并通过阈值化将低维空间映射到汉明空间。在多个标准的数据集上的实验结果表明本文方法相比于现有其他方法的优越性。
三元组损失 深度神经网络 人脸检索 图像哈希 loss function of ternary-group deep neural network face retrieval image Hashing 太赫兹科学与电子信息学报
2021, 19(2): 313
1 中国科学院成都计算机应用研究所, 四川 成都 610041
2 中国科学院大学, 北京 100049
针对计算机视觉领域的人脸图像检索问题,提出了一种基于深度特征的快速人脸图像检索方法。该方法首先使用人脸图像训练集对深度卷积神经网络模型进行人脸分类训练;在此基础上采用三元组损失方法对已训练好的人脸分类网络模型进行微调,使得网络能够更加有效地提取人脸特征构建高效的特征向量进行人脸检索初步过滤;最后,为了进一步提高系统检索性能,提出一阶段查询扩展方法对待检索人脸图像特征向量进行融合加强。在两个公用人脸数据集(CASIA-3D FaceV1和Labeled Faces in the Wild dataset)上进行详尽的实验验证,结果表明,基于深度特征的人脸图像检索方法不仅能够显著提高检索结果的准确率,而且该方法简单可靠,能够快速地实现人脸检索任务。
图像处理 图像检索 人脸检索 卷积神经网络 特征向量 光学学报
2018, 38(10): 1010004
