基于融合深度神经网络的迁移学习在遮挡人脸分类与行人重识别中的应用
计算机视觉与模式识别
2022-05-17 v1
摘要
近期疫情使得即便面对遮挡人脸图像的人员识别因口罩使用增多而极为重要。本文旨在识别人脸图像中四类遮挡之一。测试了多种迁移学习方法，结果表明 MobileNet V2 结合门控循环单元（GRU）优于其他任何迁移学习方法，在分类图像是否有遮挡以及若有遮挡则遮挡类型上取得了 99% 的完美准确率。同时，从设备采集图像中识别感兴趣区域。该提取的感兴趣区域用于人脸识别。此类人脸识别过程使用 ResNet 模型及其 Caffe 实现完成。为减少执行时间，在识别人脸遮挡类型后搜索该人员以确认其在注册数据库中的人脸图像。从两个同步过程获得的人员人脸标签被验证匹配分数。若匹配分数高于 90，则将识别出的人员标签连同其姓名、口罩类型、识别日期与时间记录至文件。MobileNetV2 是轻量框架，也可用于嵌入式或 IoT 设备，借助 CCTV footage 在可疑调查区域进行实时检测与识别。当 MobileNetV2 与 GRU 结合时，获得了可靠准确率。本文数据分两类：或从 Google Images 收集用于遮挡分类、人脸识别与面部关键点，或来自实地采集。本研究动机为识别并记录人员细节，以服务于社会型电子治理中的监控活动。
引用
@article{arxiv.2205.07203,
title = {Fused Deep Neural Network based Transfer Learning in Occluded Face Classification and Person re-Identification},
author = {Mohamed Mohana and Prasanalakshmi B and Salem Alelyani and Mohammed Saleh Alsaqer},
journal= {arXiv preprint arXiv:2205.07203},
year = {2022}
}
备注
15 pages, 9 figures