推荐6篇关于活体检测的计算机专业论文

今天分享的是关于活体检测的6篇计算机毕业论文范文, 如果你的论文涉及到活体检测等主题,本文能够帮助到你

基于活体检测的村医系统研制

这是一篇关于图像识别,机器学习,活体检测,人证比对,村医系统的论文, 主要内容为随着计算机技术、多媒体技术、人工智能技术等的迅速发展,图像识别技术的应用近年来发展尤为迅速,其中人脸识别最受人们的关注。在人脸识别应用中,活体检测通过人脸关键点定位、人脸追踪、微纹理和面部图像信息解析等技术,验证用户是否为真实活体本人操作。可有效抵御照片、换脸、面具、遮挡以及屏幕翻拍等常见的攻击手段,从而帮助用户甄别欺诈行为,保障用户的利益。其在诸多领域得到了广泛的使用,但在医疗领域相关方面的应用还有待开发和提高。本文在分析学习人脸活体检测和人证比对等算法及其相关知识的基础上,设计实现了一个基于活体检测的村医系统:村医系统使用手机采集现场的视频、图像信息,利用机器学习自动判别村医的工作过程是否符合预定的工作计划,准确确定诊疗现场病员是否为活体本人,并结合村医的现场诊疗记录,对村医和其负责的病员进行统一管理。为了配合医生更加深入地了解病员的情况,获取更多的病员相关信息,还专门设计实现了一个可用于多场景的病员数据采集子系统,包括问卷调查、视频图像数据的采集、分析等功能,可以完善病员医疗信息,提供更好的医疗服务。该系统使用SpringBoot架构构建服务器端,使用Vue.js实现PC端管理平台,移动端为安卓移动设备,使用MySQL数据库以及图片服务器进行数据存储,所传视频文件存储于本地服务器。测试结果显示,整个村医系统的运行效果良好。

嵌入式人脸活体检测技术研究与实现

这是一篇关于嵌入式,人脸识别,活体检测,模型优化的论文, 主要内容为嵌入式人脸识别系统由于具有非接触、安装便捷、识别准确等特性,使得其广泛运用于通勤打卡、刷脸支付。但同时,人脸识别系统也存在安全性问题。用户可能使用打印照片、电子屏幕、3D面具等攻击手段通过人脸识别系统,从而冒用他人身份,由此造成安防系统失效和用户信息泄漏等问题。因此,嵌入式人脸识别系统需要添加人脸活体检测模块,来保障系统的安全性。在对国内外现有人脸活体检测技术进行充分研究后,选用基于深度学习的方法来实现人脸活体检测的功能。为了保证算法能够在嵌入式设备中实时运行,选择专为移动端设计的轻量级神经网络Mobile Face Net。首先,在Mobile Face Net的基础上对模型的图像尺寸和通道进行压缩,通道压缩时,普通卷积基于权重剪枝,逐层卷积基于相似性剪枝。压缩后模型参数量下降为原来的56.5%。然后,使用傅里叶辅助分支在模型训练中进行监督,同时引入注意力模块,修改卷积算子为中心差分卷积对模型进行优化。最后,采用对人脸框放大4.0倍的方式提取图像的背景信息。原始人脸框与放大人脸框图像分别各自进行模型的训练,然后进行两个模型的融合。实验结果表明优化后模型相较于原始Mobile Face Net模型,精度有了较大的提升。将优化后的融合模型部署到rv1126嵌入式设备中,实现人脸识别系统中的活体检测模块。活体检测模块使用三层架构的方式进行开发。模型部署前需要先将模型转化为rv1126嵌入式设备支持的格式,在模型层中,加载转化格式成功的模型,并输入图像完成其神经网络的前向推理。业务逻辑层对应用层传入视频帧照片及人脸框进行处理,调用模型层接口来实现人脸活体检测功能。应用层主要实现图像格式转换、活体检测阈值设置以及检测结果的显示。完成模型部署后,系统测试结果表明人脸活体检测模块能在人脸识别系统中正确运行,且模块实时性和精度都满足人脸活体检测的需求。

基于双模态卷积神经网络的半遮挡人脸活体检测研究

这是一篇关于人脸遮挡,活体检测,双模态,残差网络,损失函数的论文, 主要内容为人脸活体检测是人脸识别中重要的一环,现有研究在人脸活体检测方面不考虑面部有遮挡的场景问题,本文针对面部遮挡时,可检测的人脸部分面积减少,影响检测准确率问题提出了双模态特征融合的检测方案。具体来说,本文主要工作如下:1、搭建适用于人脸遮挡场景下的双模态人脸活体检测模型。为了使遮挡下的人脸活体检测可以获取到更多图像信息,利用残差网络作为基础搭建双模态卷积神经网络,使用自然光人脸灰度图像和近红外人脸灰度图像作为双模态进行人脸活体检测。设计了单、双模态人脸活体检测实验进行对比,实验结果表明在遮挡程度为10%-20%下,双模态检测方案准确率提升较高,两组实验结果最高分别可以达到96.0%-97.4%和97.0%-97.93%,验证了双模态人脸活体检测模型在面部遮挡场景下的优越性。2、提出了适用于遮挡面积较大的人脸活体检测模型,改进了模型损失函数和特征提取融合方式。为了将模型网络结构和图像描述算法融合,针对本文实验所用攻击图像翻拍技术较好,活体与非活体图像相似度较高的特点,使用结构相似性算法改进损失函数,让模型的训练在减小预测值与标签值误差的同时,拉开人脸真假图像特征的距离。随后,为了提高单模态人脸活体检测模型的提取特征质量,改进了单模态特征提取和融合方式。分别设计了损失函数改进前后的单模态人脸活体检测对比实验,以及改进特征提取和融合方案前后的双模态人脸活体检测实验,实验分别验证改进损失函数和特征提取方式对模型检测的准确率有一定提升。最终,在人脸遮挡程度为40%的情况下活体检测准确率可以达到97.6%。3、搭建了人脸活体检测平台,平台将本文设计的人脸活体检测模型嵌入系统,为用户提供了人脸活体检测的图形化界面接口。该平台是Web系统,可以通过浏览器访问。平台有用户、管理员和人脸活体检测三个模块,用户根据提示上传图像,进行人脸活体检测管理员可以查看、查询后台检测记录。可视化人脸活体检测平台提升了用户体验,同时也方便管理员进行数据管理。

基于目标检测的实验室安防系统设计与实现

这是一篇关于实验室安全,活体检测,安全行为规范检测,YOLOv5,安防系统的论文, 主要内容为随着生活水平的提高,企业和个人的安防意识越来越强,安防监控系统已经应用到多个贴近生活的实际场景中,如工厂车间、写字楼和重要场所。近年来,国家对高校科研场所加大投入资金,实验室发展也成为高校建设的重要一环,伴随着高校实验室频频发生安全事故,与实验室安全相关问题也日益凸显。为降低实验人员在事故中受伤的可能性以及实验室的损失,需要对实验室区域人员全方位实时监控。对当前实验室存在的安全问题进行分析,设计一套智能化的实验室安防系统是有重大意义的。安防系统是一个复杂的系统工程,本文研究主要包括:基于人脸识别的身份验证和实验人员安全行为规范检测,以口罩佩戴、抽烟与限定区域入侵检测为例。该研究为实验室安防提供一种新的思路、方法和实践范例。本文主要工作及创新总结如下:(1)在不规范行为的检测过程中,提出一种基于YOLOv5s模型的改进方法,以解决多类别目标检测精度不高的问题。首先,本文对数据集进行小目标图像增强,以解决检测任务中目标尺寸较小而导致漏检率过高和检测精度低的问题,增强后小目标召回率提升16%;其次对锚框策略比较分析,选择更加适应本数据集的锚框策略;在YOLOv5网络结构中添加CBAM注意力机制模块,提高网络模型对小目标的关注度,m AP提高2%;最后采用麻雀搜索算法,对网络模型初始参数寻最优解,其m AP提高4.4%。经过实验验证,新模型的检测精度明显提升,同时漏检率有所降低,检测效果显著的提高。这表明,改进后的模型具有更好地鲁棒性和稳定性,能够适应各种复杂场景的检测需求。(2)提出一种基于活体检测的人脸识别检测方法用于人员身份验证,以解决现阶段人脸识别过程中存在使用虚假脸欺骗的问题。本文基于YOLOv5s算法实现复杂背景下的面部区域检测,网络模型采用公开的人脸检测数据集训练,结合Arc Face算法计算余弦相似度值来匹配人脸信息,引入活体检测机制,并通过在自制的人脸数据库上的测试得到的人脸识别准确率达到89.3%,基于活体检测的人脸识别准确率为69.3%。(3)将基于人脸识别的实验人员身份验证功能和基于YOLOv5s的人员行为规范检测功能集成到系统中,构建基于目标检测的实验室安防系统。同时设计安防系统的可视化界面,更方便直观地观察各个模块的检测效果。最后经过测试,系统能够稳定运行。本文深入研究深度学习相关算法,在实验过程中针对算法m AP、召回率和准确率等指标进行了多方面的分析和比较。通过对实验结果综合分析,YOLOv5目标检测算法在上述三个功能测试过程中表现效果良好,该算法用于构建实验室安防系统具有可行性。