一、基于模板匹配與支持矢量機(jī)的人臉檢測(cè)（論文文獻(xiàn)綜述）
徐晶晶[1]（2021）在《基于圖像分析的在線學(xué)習(xí)裝態(tài)識(shí)別研究》文中認(rèn)為“互聯(lián)網(wǎng)+教育”背景下教育與信息技術(shù)的不斷融合,為在線教育的迅速發(fā)展奠定了基礎(chǔ)。在線教育也因其跨越時(shí)間、空間的優(yōu)勢(shì)受到越來(lái)越多人的關(guān)注,新冠疫情的爆發(fā)更是加速推動(dòng)了在線教育的發(fā)展。與傳統(tǒng)教育相比,在線教育的教師無(wú)法實(shí)時(shí)監(jiān)督學(xué)生的學(xué)習(xí)狀態(tài),師生之間缺少必要的交互與情感交流,導(dǎo)致學(xué)習(xí)效果無(wú)法得到保證。因此,開(kāi)展在線學(xué)習(xí)狀態(tài)識(shí)別研究對(duì)于完善在線教學(xué)系統(tǒng)的監(jiān)督手段、提高教學(xué)質(zhì)量具有積極的社會(huì)價(jià)值。論文提出了一種基于圖像分析的在線學(xué)習(xí)狀態(tài)識(shí)別方法,從人臉檢測(cè)、人臉識(shí)別、頭部姿態(tài)估計(jì)、疲勞檢測(cè)等方面對(duì)在線學(xué)習(xí)狀態(tài)進(jìn)行研究。主要工作如下:（1）提出了基于改進(jìn)的MTCNN人臉檢測(cè)算法。通過(guò)分析MTCNN的結(jié)構(gòu)與工作原理,利用深度可分離卷積優(yōu)化網(wǎng)絡(luò)卷積層,以減少模型參數(shù);利用Focal Loss損失函數(shù)代替面部分類(lèi)的交叉熵?fù)p失函數(shù),以改善正負(fù)樣本類(lèi)別不平衡而導(dǎo)致的模型性能退化問(wèn)題;分析在線學(xué)習(xí)狀態(tài)檢測(cè)的應(yīng)用場(chǎng)景,增加中值濾波以降低噪聲影響,微調(diào)模型參數(shù)以提高檢測(cè)準(zhǔn)確率。（2）基于ResNet模型提取人臉特征向量,通過(guò)歐氏距離匹配實(shí)現(xiàn)人臉識(shí)別。為提高人臉識(shí)別效率,設(shè)計(jì)了一種基于質(zhì)心跟蹤的人臉跟蹤算法,利用相同人臉在相鄰幀中質(zhì)心位移最小的原則,獲取目標(biāo)人臉在連續(xù)幀中的變化軌跡,對(duì)于同一個(gè)目標(biāo)只對(duì)初始幀進(jìn)行特征描述算子提取,后續(xù)幀只進(jìn)行人臉檢測(cè)工作,仿真分析了該方法的可行性。（3）基于二維與三維人臉特征點(diǎn)的提取實(shí)現(xiàn)學(xué)習(xí)者頭部姿態(tài)估計(jì)。首先利用ERT算法定位人臉二維特征點(diǎn),而后使用深度相機(jī)采集學(xué)習(xí)者人臉彩色圖與深度圖,將其對(duì)齊融合以獲取人臉三維特征點(diǎn),將獲取的二維與三維特征點(diǎn)作為EPNP算法的輸入以獲取學(xué)習(xí)者頭部姿態(tài)。最后提出了一種基于學(xué)習(xí)者頭部姿態(tài)估計(jì)的學(xué)習(xí)者分心狀態(tài)判別方法,實(shí)驗(yàn)驗(yàn)證了方法可行。（4）基于眼部與嘴部疲勞特征參數(shù)的提取實(shí)現(xiàn)學(xué)習(xí)者疲勞狀態(tài)的判別與預(yù)警。通過(guò)計(jì)算眼睛與嘴巴的縱橫比值,判定眼睛與嘴巴狀態(tài),進(jìn)而提取眼部與嘴部疲勞參數(shù)PERCLOS值、眨眼頻率、哈欠次數(shù)。最終通過(guò)特征融合的方式判定學(xué)習(xí)者是否疲勞。（5）構(gòu)建了在線學(xué)習(xí)狀態(tài)監(jiān)測(cè)系統(tǒng)。系統(tǒng)由面向?qū)W生的學(xué)習(xí)端與面向教師的云端兩部分組成,將學(xué)習(xí)者狀態(tài)分為正常、用戶未授權(quán)、脫離學(xué)習(xí)座位、多人、分心、疲勞6種情況。學(xué)習(xí)端實(shí)現(xiàn)待測(cè)視頻的獲取、異常狀態(tài)的檢測(cè)、預(yù)警與異常狀態(tài)信息的上傳等功能,云端同步學(xué)習(xí)端異常狀態(tài)數(shù)據(jù)并顯示。在實(shí)驗(yàn)室范圍內(nèi)采集在線學(xué)習(xí)場(chǎng)景的實(shí)時(shí)視頻,進(jìn)行了系統(tǒng)功能測(cè)試與分析,測(cè)試結(jié)果表明系統(tǒng)可行?；趫D像分析的在線學(xué)習(xí)狀態(tài)識(shí)別,可有效監(jiān)測(cè)學(xué)生學(xué)習(xí)過(guò)程中的異常狀態(tài),提高學(xué)生在線學(xué)習(xí)效率,同時(shí)為教師提供必要的學(xué)生狀態(tài)信息支持,彌補(bǔ)在線學(xué)習(xí)環(huán)境存在的缺陷,促進(jìn)在線教學(xué)質(zhì)量的提高。
陳力[2]（2020）在《基于改進(jìn)型SSD網(wǎng)絡(luò)的人臉檢測(cè)》文中指出隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展,人臉檢測(cè)技術(shù)取得很大的進(jìn)展,成為近年來(lái)計(jì)算機(jī)視覺(jué)領(lǐng)域中的一個(gè)研究熱點(diǎn)。然而,人臉檢測(cè)易受到尺度變化、光照變化、遮擋方面等因素的影響,使得人臉檢測(cè)精度降低。與傳統(tǒng)檢測(cè)方法相比,SSD（Single Shot MultiBox Detector）網(wǎng)絡(luò)檢測(cè)方法具有高效的檢測(cè)速度和較好的檢測(cè)效果,但是也存在一些不足之處。因此本文提出基于改進(jìn)的SSD網(wǎng)絡(luò)的人臉檢測(cè)方法,在檢測(cè)精度和檢測(cè)速度方面都取得了良好的效果。本文主要研究工作有如下兩個(gè)方面:（1）針對(duì)在多尺度等環(huán)境下的人臉檢測(cè),傳統(tǒng)的SSD網(wǎng)絡(luò)的檢測(cè)效果存在漏檢和誤檢問(wèn)題,提出基于深度殘差網(wǎng)絡(luò)（ResNeXt）的SSD網(wǎng)絡(luò),基礎(chǔ)網(wǎng)絡(luò)用ResNeXt-50網(wǎng)絡(luò)替換原來(lái)的VGG16網(wǎng)絡(luò),使用ResNeXt-50網(wǎng)絡(luò)結(jié)構(gòu)不僅可以降低網(wǎng)絡(luò)訓(xùn)練難度還可以減少特征提取的冗余度,不斷增強(qiáng)人臉特征表達(dá)能力,進(jìn)一步提高人臉檢測(cè)精度。最后在WiderFace驗(yàn)證集上的實(shí)驗(yàn)結(jié)果,表明了基于ResNeXt網(wǎng)絡(luò)的SSD網(wǎng)絡(luò)能提高檢測(cè)精度。（2）為了解決SSD網(wǎng)絡(luò)的小人臉檢測(cè)精度問(wèn)題,提出一種基于特征融合方法的SSD網(wǎng)絡(luò)。首先對(duì)高層的特征圖使用反卷積學(xué)習(xí)高層特征的豐富語(yǔ)義信息,對(duì)低層的特征圖使用空洞卷積學(xué)習(xí)低層特征的良好位置信息,對(duì)中間層的特征圖使用卷積減少特征的通道數(shù),然后將高層特征圖、中間層特征圖和低層特征圖使用連接融合得到新的特征圖,最后在該網(wǎng)絡(luò)的預(yù)測(cè)層中使用殘差塊組成,損失函數(shù)層使用廣泛交并比（Generalized Intersection over Union,GIoU）損失函數(shù)替換原來(lái)的平滑L1損失函數(shù)。在WiderFace驗(yàn)證集和Pascal Face數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果,表明基于特征融合方法的SSD網(wǎng)絡(luò)在小人臉檢測(cè)精度和檢測(cè)速度方面有較好的性能。
王瑩瑩[3]（2020）在《基于卷積神經(jīng)網(wǎng)絡(luò)的人臉表情識(shí)別問(wèn)題的研究》文中研究說(shuō)明計(jì)算機(jī)技術(shù)的快速發(fā)展促進(jìn)了人工智能和模式識(shí)別技術(shù)的發(fā)展,使其逐漸被生活化,因此,人們對(duì)機(jī)器的智能化需求也越來(lái)越高。人們不僅期望機(jī)器人可以幫助人類(lèi)完成體力上的工作,還期望機(jī)器人可以判斷人的心理活動(dòng)和真實(shí)意圖,實(shí)現(xiàn)人與計(jì)算機(jī)有感情交流為目標(biāo)的人機(jī)交互過(guò)程,從而更好地服務(wù)于人類(lèi)。人們?cè)谇楦袀鬟_(dá)時(shí),面部是人們交流的核心部位,在面部區(qū)域中包含了人類(lèi)大部分的感覺(jué)器官（眼睛、耳朵、鼻子和嘴巴等）。通過(guò)面部傳達(dá)的信息,可以通過(guò)最直接、最自然的方式明白他人的意圖,感受他人的情緒。同時(shí)可以通過(guò)辨識(shí)出對(duì)方的面部表情,判斷其心理活動(dòng)和真實(shí)的意圖。因此,如何讓機(jī)器人快速準(zhǔn)確地識(shí)別人的面部表情,從而獲取人類(lèi)的真實(shí)意圖,已經(jīng)成為智能人機(jī)交互技術(shù)研究任務(wù)中的一大重點(diǎn)。人臉表情識(shí)別是一種智能的人機(jī)交互技術(shù),在情感計(jì)算中占據(jù)著重要的地位,在國(guó)內(nèi)外受到了許多學(xué)者的密切關(guān)注與研究。目前,圖像分類(lèi)器的性能有很大程度取決于提取的特征是否有效。卷積神經(jīng)網(wǎng)絡(luò)模型在當(dāng)前計(jì)算機(jī)視覺(jué)和人工智能領(lǐng)域具有顯著的優(yōu)勢(shì),實(shí)現(xiàn)了圖像特征信息的深層提取以及特征提取和分類(lèi)的同步進(jìn)行。通過(guò)卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)人臉表情識(shí)別進(jìn)行研究,不僅具有重要的理論意義,同時(shí)還具有很大的實(shí)際價(jià)值。本論文以人臉表情識(shí)別技術(shù)的需求為牽引,致力于提高采用卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)人臉表情識(shí)別的準(zhǔn)確性并兼顧計(jì)算效率,首先基于獲取的實(shí)驗(yàn)數(shù)據(jù)集,提出一種減少誤判率的人臉檢測(cè)方法;進(jìn)而提出了一種獲取優(yōu)質(zhì)圖像的數(shù)據(jù)樣本擴(kuò)充方法,用于卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練,基于表情圖像自身的特點(diǎn)設(shè)計(jì)了相應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)器,提升人臉表情的識(shí)別率。論文的主要內(nèi)容及創(chuàng)新點(diǎn)如下:1、提出一種實(shí)現(xiàn)復(fù)雜背景下獲取表情區(qū)域的人臉檢測(cè)方法。由于人臉表情圖像大部分都存在復(fù)雜的背景信息,影響了表情特征信息的有效提取,不利于最終的表情識(shí)別,提出了一種有效的人臉檢測(cè)算法,將有用的圖像信息提取出來(lái)。該算法由兩種檢測(cè)方法聯(lián)合構(gòu)成。首先采用傳統(tǒng)的膚色模型對(duì)臉部表情進(jìn)行初次檢測(cè),然后基于人眼定位的方法輔助調(diào)節(jié)初次誤檢的人臉圖像,減少誤檢率,有效地減少了表情識(shí)別任務(wù)中的很多干擾因素。同時(shí),為了加快人眼定位的快速性,采用圖像區(qū)域分割的方法較少人眼搜索的時(shí)間,加快系統(tǒng)的運(yùn)行速度。2、構(gòu)造出一種減少表情崩塌圖像的生成式對(duì)抗網(wǎng)絡(luò)模型。由于卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練離不開(kāi)大規(guī)模數(shù)據(jù)集樣本的支持,而現(xiàn)有的大部分人臉表情數(shù)據(jù)集的規(guī)模普遍不大,提出了用于數(shù)據(jù)增強(qiáng)的生成式對(duì)抗網(wǎng)絡(luò)模型。該模型由基于神經(jīng)網(wǎng)絡(luò)架構(gòu)的生成器和判別器組成。對(duì)模型的架構(gòu)和目標(biāo)函數(shù)進(jìn)行了優(yōu)化設(shè)計(jì)。此模型的優(yōu)點(diǎn)是可以通過(guò)增大重構(gòu)誤差減少表情崩塌圖像的生成,提升圖像的生成質(zhì)量,為后續(xù)模型的訓(xùn)練做好準(zhǔn)備工作。3、針對(duì)較為夸張明顯的表情圖像數(shù)據(jù)集,提出一種基于關(guān)鍵區(qū)域輔助模型的卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)器。由于現(xiàn)有的大部分方法只采用人臉的全部圖像作為模型的輸入信息,往往抓不住有利于分類(lèi)的重點(diǎn)特征信息,提出了輔助模型的方法。首先使用原始臉部圖像獲取第一層的特征信息,然后將關(guān)鍵區(qū)域的特征信息提取出來(lái)與第一層的特征信息進(jìn)行融合,得到有利于表情分類(lèi)的深層特征,進(jìn)一步提升表情識(shí)別的準(zhǔn)確率。此外,為了減少模型在訓(xùn)練過(guò)程中震蕩的缺點(diǎn),提出了新的分段激活函數(shù)。同時(shí)針對(duì)卷積神經(jīng)網(wǎng)絡(luò)在模型訓(xùn)練過(guò)程中比較耗時(shí)的問(wèn)題,提出一種采用CNN與隨機(jī)森林連接的方式對(duì)表情進(jìn)行分類(lèi)識(shí)別,為了提升隨機(jī)森林分類(lèi)器的效率,對(duì)信息增益率的公式進(jìn)行了簡(jiǎn)化,并對(duì)隨機(jī)森林分類(lèi)器的決策算法進(jìn)行了優(yōu)化,實(shí)現(xiàn)了表情的快速準(zhǔn)確識(shí)別。4、針對(duì)表情容易混淆的樣本數(shù)據(jù)集,提出一種基于級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型,實(shí)現(xiàn)了部分易混淆表情的準(zhǔn)確識(shí)別,此外,在獲取的低維特征信息的融合環(huán)節(jié),采用貪心算法將多種特征信息進(jìn)行融合,降低了維數(shù)災(zāi)難的影響。同時(shí)針對(duì)表情混淆程度較大且很難人為區(qū)分的表情數(shù)據(jù)集,提出一種基于聚類(lèi)和卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)合的識(shí)別模型,在聚類(lèi)的過(guò)程中,為了盡最大可能拉大聚類(lèi)中心的距離,提出了基于固定初始值的角力算法,提升了表情的整體識(shí)別率和每個(gè)類(lèi)別下表情的識(shí)別率。5、針對(duì)自定義卷積神經(jīng)網(wǎng)絡(luò)模型在構(gòu)建過(guò)程中參數(shù)的調(diào)整耗時(shí)問(wèn)題和傳統(tǒng)遷移算法中存在的內(nèi)容差異問(wèn)題,提出將卷積受限玻爾茲曼機(jī)和卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行融合的方法,得到了一種新的混合遷移算法。因?yàn)椴捎脭?shù)據(jù)增強(qiáng)方法雖然有利于卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練,但是對(duì)于一些規(guī)模較大的數(shù)據(jù)集,數(shù)據(jù)增強(qiáng)處理過(guò)程也較為復(fù)雜,模型的訓(xùn)練時(shí)間較長(zhǎng),因此本章提出的遷移方法可以更好地應(yīng)用到較大規(guī)模的數(shù)據(jù)集中。該算法利用卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)模型對(duì)源域的初次特征提取,繼而采用目標(biāo)域在初次學(xué)習(xí)特征的基礎(chǔ)上繼續(xù)學(xué)習(xí)更多有利的特征信息,然后采用卷積受限玻爾茲曼機(jī)對(duì)目標(biāo)域?qū)W到的特征進(jìn)行深層挖掘,減小遷移過(guò)程中數(shù)據(jù)集的內(nèi)容差異帶來(lái)的影響,提升目標(biāo)域圖像樣本集的識(shí)別準(zhǔn)確率。此外,為了使卷積受限玻爾茲曼機(jī)在可見(jiàn)層的卷積操作中獲取更加全面的邊緣特征信息,對(duì)其進(jìn)行補(bǔ)零操作的方式。
劉小雙[4]（2018）在《基于CNN的多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)在汽車(chē)輔助駕駛系統(tǒng)中的應(yīng)用》文中研究表明隨著道路交通的飛速發(fā)展,人們的出行越來(lái)越便利,交通安全也越來(lái)越被重視,車(chē)載輔助駕駛系統(tǒng)給車(chē)輛的出行帶來(lái)了極大的安全保障。輔助駕駛系統(tǒng)是智能交通的一個(gè)重要組成部分,對(duì)交通安全及發(fā)展有著重要的意義,而機(jī)器視覺(jué)技術(shù)憑借其成本低和對(duì)駕駛員契合度高等優(yōu)勢(shì),已經(jīng)被廣泛的應(yīng)用于輔助駕駛系統(tǒng)中。疲勞檢測(cè)是輔助駕駛系統(tǒng)中研究的重點(diǎn)和難點(diǎn),因此本文以輔助駕駛系統(tǒng)中的疲勞檢測(cè)方法作為研究對(duì)象并展開(kāi)深入研究,提出了一種實(shí)時(shí)準(zhǔn)確的疲勞檢測(cè)方法,主要研究?jī)?nèi)容及成果包括:1.采用普通單攝像頭傳感器,在常見(jiàn)光下實(shí)現(xiàn)了一種輕量級(jí)的輔助駕駛系統(tǒng)疲勞檢測(cè)方法,與傳統(tǒng)的紅外光下的檢測(cè)方法相比對(duì)駕駛員更安全,與侵入式的檢測(cè)方法相比對(duì)駕駛員的影響最小,方便且高效,測(cè)試效果完全可以滿足實(shí)際使用的要求,具有很好的實(shí)時(shí)性。2.提出了一種新的輔助駕駛系統(tǒng)中的疲勞檢測(cè)方法,通過(guò)引入基于CNN的多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)快速準(zhǔn)確的對(duì)駕駛員人臉進(jìn)行檢測(cè)和眼睛嘴巴等主要特征點(diǎn)進(jìn)行定位,確定最佳的人臉框的位置,和最佳人眼及嘴巴的位置,與輔助駕駛系統(tǒng)中傳統(tǒng)的檢測(cè)定位方法相比,多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)能夠同時(shí)完成檢測(cè)和定位任務(wù),速度更快,更加適合實(shí)時(shí)疲勞檢測(cè)方法,準(zhǔn)確率和實(shí)時(shí)性都能滿足實(shí)際要求。3.疲勞檢測(cè)方法中識(shí)別人眼或嘴巴狀態(tài)非常重要,識(shí)別的準(zhǔn)確率將直接影響整個(gè)系統(tǒng)的性能。本文分析現(xiàn)有方法的不足,并設(shè)計(jì)了一個(gè)簡(jiǎn)單快速的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別人眼和嘴巴狀態(tài),最后通過(guò)計(jì)算PERCLOS（Percentage of Eyelid Closure）和駕駛員的嘴部哈欠頻率這兩個(gè)參數(shù)判斷駕駛員的疲勞狀態(tài),相比于僅使用PERCLOS單個(gè)參數(shù)判斷駕駛疲勞狀態(tài)的方法,雙參數(shù)的方法更可靠,更能準(zhǔn)確的判斷駕駛員的疲勞狀態(tài)。
張珍[5]（2017）在《基于RVM和SVM相結(jié)合的人臉檢測(cè)算法研究》文中研究表明復(fù)雜背景中的人臉檢測(cè)被廣泛的應(yīng)用于人臉識(shí)別、視頻檢索及人機(jī)交互等領(lǐng)域,是計(jì)算機(jī)視覺(jué)與模式識(shí)別研究的熱點(diǎn)之一。由于姿態(tài)、光照、噪聲以及遮擋物等因素的存在,給工程設(shè)計(jì)中的人臉檢測(cè)造成了極大困難。如何能快速而準(zhǔn)確的檢測(cè)到人臉,非常的具有挑戰(zhàn)性。支持向量機(jī)（Support Vector Machine,SVM）基于統(tǒng)計(jì)學(xué)習(xí)理論,能夠有效的解決小樣本學(xué)習(xí)問(wèn)題。但在實(shí)際計(jì)算中,SVM存在很多缺點(diǎn),如計(jì)算復(fù)雜度高、支持向量多、訓(xùn)練速度慢等。這些缺點(diǎn)也導(dǎo)致單純SVM人臉檢測(cè)系統(tǒng)的檢測(cè)時(shí)間特別漫長(zhǎng)。而基于貝葉斯框架下的相關(guān)向量機(jī)（Relevance Vector Machine,RVM）,可以彌補(bǔ)這些不足。本文的主要工作是對(duì)人臉檢測(cè)算法進(jìn)行研究,在對(duì)基于SVM的人臉檢測(cè)算法進(jìn)行分析總結(jié)之后,發(fā)現(xiàn)此類(lèi)算法的檢測(cè)率高,但檢測(cè)速度較慢。針對(duì)此問(wèn)題,本文提出了一種基于RVM和SVM相結(jié)合的人臉檢測(cè)算法。該人臉檢系統(tǒng)由三層分類(lèi)器構(gòu)成,最簡(jiǎn)單的平均臉模板匹配作為第一層分類(lèi)器,可以快速過(guò)濾掉大量簡(jiǎn)單的背景窗口,極大的加快檢測(cè)速度。而精度較高的RVM作為第二層分類(lèi)器,在保證人臉窗口全部通過(guò)的前提下,過(guò)濾掉幾乎所有的背景窗口,而精度最高的非線性SVM只要確認(rèn)這些少量的窗口即可。這種由粗到精的設(shè)計(jì),可以充分利用平均臉模板匹配的高速度,SVM的高精度,以及RVM較高的速度和精度。MATLAB仿真實(shí)驗(yàn)表明,前兩級(jí)分類(lèi)器過(guò)濾掉近99%的背景窗口,只有約1%的窗口需要SVM確認(rèn),該算法不僅可以極大的提高檢測(cè)速度,還能降低錯(cuò)誤報(bào)警數(shù),提高檢測(cè)率。
范桂香[6]（2013）在《人臉檢測(cè)與跟蹤的若干方法研究》文中指出本文研究了結(jié)合AdaBoost和Camshift的視頻人臉檢測(cè)與跟蹤算法,針對(duì)AdaBoost和Camshift算法的缺點(diǎn)提出了相應(yīng)的改進(jìn)算法。首先,研究了基于隱馬爾可夫的模型的AdaBoost人臉檢測(cè)算法。針對(duì)AdaBoost算法對(duì)側(cè)面人臉和旋轉(zhuǎn)人臉的檢測(cè)正確率不高的缺點(diǎn),提出了結(jié)合旋轉(zhuǎn)人臉定位的改進(jìn)AdaBoost算法。重點(diǎn)研究了旋轉(zhuǎn)人臉定位的方法以及與之想配合使用的圖像邊緣檢測(cè)方法,如Robert算子、Sobel算子、Prewitt算子、LOG算子、Krisch算子和Laplacian方向性邊緣檢測(cè)算子等。然后,研究了以顏色直方圖為目標(biāo)特征的Camshift人臉跟蹤算法。Camshift算法可以有效的避免光照明暗對(duì)顏色信息的干擾,在跟蹤過(guò)程中有很好的抗干擾能力。缺點(diǎn)是遇到有目標(biāo)快速位移,發(fā)生嚴(yán)重遮擋情況下會(huì)出現(xiàn)丟失目標(biāo)的情況。因此本文提出了結(jié)合Kalman濾波的增強(qiáng)型Camshift算法。Kalman濾波器是一個(gè)線性遞歸運(yùn)算的過(guò)程,它利用系統(tǒng)前一時(shí)刻的狀態(tài)對(duì)下一時(shí)刻的狀態(tài)做最優(yōu)估計(jì),并且在預(yù)測(cè)與更新修正中不斷的使估計(jì)結(jié)果達(dá)到最優(yōu)。最后,借鑒Kalman濾波器的思想,提出了對(duì)Camshift窗口大小預(yù)測(cè),根據(jù)預(yù)測(cè)結(jié)果修正Camshift的跟蹤窗口的大小,在跟蹤下一幀時(shí)只需要搜索經(jīng)預(yù)測(cè)后確定的矩形框區(qū)域即可,大大減少了由于初始化搜索窗口和搜素不必要的區(qū)域而花費(fèi)的迭代時(shí)間,保證了跟蹤的實(shí)時(shí)性。
朱中強(qiáng)[7]（2012）在《基于單幅圖像的人臉檢測(cè)算法研究》文中進(jìn)行了進(jìn)一步梳理人臉檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域中一個(gè)重要的研究方向。它已經(jīng)在社會(huì)生產(chǎn)和日常生活中占據(jù)了重要地位，并具有廣泛應(yīng)用價(jià)值。本文在近年來(lái)國(guó)內(nèi)外對(duì)人臉檢測(cè)的相關(guān)研究成果的基礎(chǔ)上，針對(duì)目前人臉檢測(cè)技術(shù)的幾個(gè)關(guān)鍵問(wèn)題進(jìn)行了研究，設(shè)計(jì)一種基于YCbCr色彩空間的膚色相似度與動(dòng)態(tài)閾值相結(jié)合的膚色分割、幾何規(guī)則和模板匹配的眼睛定位的人臉檢測(cè)方法。本論文所做工作主要包括以下三個(gè)方面:（1）膚色分割通過(guò)對(duì)幾種常用的色彩空間進(jìn)行比較，依據(jù)YCbCr色彩空間應(yīng)用廣泛，膚色類(lèi)聚性好的特點(diǎn)，選擇YCbCr色彩空間建立膚色模型。為了提高人臉檢測(cè)的準(zhǔn)確率和檢測(cè)速度，設(shè)計(jì)了膚色相似度和動(dòng)態(tài)閾值相結(jié)合的人臉膚色分割方法。首先計(jì)算被檢測(cè)圖像在YCbCr色彩空間的膚色相似度，結(jié)合類(lèi)間方差和類(lèi)內(nèi)離散度來(lái)求取動(dòng)態(tài)閾值，再通過(guò)得到的閾值進(jìn)行膚色分割。這種方法對(duì)膚色分割的性能有所改善，對(duì)復(fù)雜背景下的照片也能夠?qū)崿F(xiàn)人臉膚色分割。（2）人臉檢測(cè)本文綜合利用歐拉數(shù)和眼睛定位的方法進(jìn)行人臉檢測(cè)。先對(duì)膚色分割得到的二值圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)濾波處理，消除圖像中存在的噪聲。利用人臉的區(qū)域面積、中心點(diǎn)、高寬比等幾何特性對(duì)處理后二值圖像進(jìn)行篩選，用歐拉數(shù)再次進(jìn)行篩選確定人臉區(qū)域。最后用幾何規(guī)則和模板匹配的方法進(jìn)行眼睛定位，從而對(duì)得到的人臉區(qū)域進(jìn)行篩選和驗(yàn)證。這種方法結(jié)合幾種人臉檢測(cè)算法，經(jīng)過(guò)由粗到細(xì)多層篩選，克服一種方法存在的缺陷，有效地減小了人臉區(qū)域的誤檢率。（3）人臉三維重建用基于明暗變化恢復(fù)物體形狀的三維重建算法對(duì)人臉檢測(cè)得到的人臉區(qū)域進(jìn)行三維重建。
劉喜榮[8]（2010）在《基于膚色模型和模板匹配的人臉檢測(cè)研究》文中研究指明人臉包含豐富的信息,是一種典型的生物特征,在個(gè)人身份鑒別、智能視頻監(jiān)控和人機(jī)交互中具有廣闊的應(yīng)用前景。隨著人工智能、機(jī)器視覺(jué)和模式識(shí)別的發(fā)展,人臉檢測(cè)在基于人臉特征的一些應(yīng)用中越來(lái)越重要,已經(jīng)引起了廣大科研人員的關(guān)注,并逐漸發(fā)展成為一個(gè)相對(duì)獨(dú)立的研究方向,人臉檢測(cè)的快速性和準(zhǔn)確性是人臉檢測(cè)算法追求的目標(biāo)。人臉檢測(cè)就是指在輸入的彩色圖像中確定所有人臉（如果存在）的數(shù)目、位置、尺度等信息。由于大多數(shù)的圖像設(shè)備能夠獲得彩色圖像,基于彩色圖像的人臉檢測(cè)成為研究的熱點(diǎn)。膚色是人臉的重要特征,它不依賴于人臉面部和姿態(tài),具有相對(duì)的穩(wěn)定性,而模板匹配能夠精確定位匹配位置。因此,本文從這兩方面研究人臉檢測(cè)算法,具體工作如下:（1）針對(duì)人臉圖像中存在人臉傾斜、光照等造成人臉檢測(cè)困難的問(wèn)題,采用膚色聚類(lèi)特性較好的YCbCr色彩空間,提出了基于膚色高斯模型的人臉檢測(cè)的算法,通過(guò)膚色模型計(jì)算圖像中各個(gè)像素點(diǎn)屬于膚色的程度大小,獲得膚色似然圖像,從而降低了光照等干擾對(duì)顏色的影響和消除了人頭旋轉(zhuǎn)對(duì)人臉檢測(cè)的影響;（2）提出了一種根據(jù)Fisher判別準(zhǔn)則對(duì)圖像中膚色和非膚色自適應(yīng)選擇分類(lèi)閾值的方法,依此閾值對(duì)膚色似然圖像進(jìn)行檢測(cè)和分割,提高了膚色區(qū)域檢測(cè)的有效性。在此基礎(chǔ)上,根據(jù)人臉面部的幾何特征,采用一些規(guī)則去篩選人臉區(qū)域,初步獲得人臉區(qū)域的粗定位;（3）為了精確定位人臉位置,提出了基于模板匹配的人臉定位算法,首先建立人臉平均模板,通過(guò)掩膜去掉無(wú)關(guān)信息的干擾,然后利用該模板的伸縮、旋轉(zhuǎn)等變化模板在人臉圖像中進(jìn)行相關(guān)性計(jì)算,提高了人臉定位的精度。最后,通過(guò)了MATLAB7.7編程實(shí)現(xiàn)了文中的全部算法,并通過(guò)大量圖像進(jìn)行了算法測(cè)試。從仿真實(shí)驗(yàn)結(jié)果可以看出:論文提出的膚色高斯模型能夠提取到有效的膚色區(qū)域,在膚色區(qū)域中根據(jù)人臉幾何特征對(duì)候選區(qū)域進(jìn)行篩選效果好,起到了粗定位的作用,最后采用人臉平均模板獲得了精確的人臉位置。仿真結(jié)果表明提出的算法是有效的。
張永新[9]（2009）在《基于SVM的人臉檢測(cè)算法研究》文中指出人臉檢測(cè)作為人臉信息處理中的一項(xiàng)關(guān)鍵技術(shù),近年來(lái)受到模式識(shí)別與計(jì)算機(jī)視覺(jué)領(lǐng)域內(nèi)研究者的普遍關(guān)注。支持向量機(jī)（Support Vector Machines,SVM）是在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起來(lái)的一種新的學(xué)習(xí)機(jī)器,能夠較好地解決人臉檢測(cè)中的小樣本、非線性、高維數(shù)、局部極小點(diǎn)等實(shí)際問(wèn)題,將其與常用的人臉檢測(cè)算法相結(jié)合,對(duì)于人臉檢測(cè)技術(shù)的研究具有重要意義。論文的工作主要集中在以下幾個(gè)方面:對(duì)SVM分類(lèi)器與平均臉模板匹配、PCA的分類(lèi)器進(jìn)行人臉通過(guò)率和非人臉過(guò)濾率實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果分析表明通過(guò)正反樣本訓(xùn)練的SVM分類(lèi)濾波器比只通過(guò)正樣本訓(xùn)練的平均臉模板和PCA具有更好的分類(lèi)能力;在人臉檢測(cè)過(guò)程中,采用由粗到細(xì)的策略,提出一種基于SVM的灰度圖像人臉檢測(cè)算法,算法采用三層分類(lèi)器結(jié)構(gòu),將平均臉模板匹配作為第一層分類(lèi)器,將線性SVM作為第二層分類(lèi)器,前兩層為粗分類(lèi)器,第三層將非線性SVM作為核心分類(lèi)器。用訓(xùn)練好的分類(lèi)器對(duì)本文提的人臉檢測(cè)算法和現(xiàn)有的兩層分類(lèi)濾波器的人臉檢測(cè)算法進(jìn)行了比較實(shí)驗(yàn),結(jié)果驗(yàn)證了采用模板匹配加線性SVM加非線性SVM三層濾波器的人臉檢測(cè)算法,檢測(cè)率和檢測(cè)速度有明顯提高,錯(cuò)誤報(bào)警數(shù)明顯降低,證明了該算法的有效性和魯棒性。
楊宏梅[10]（2009）在《人臉檢測(cè)算法的研究與實(shí)現(xiàn)》文中指出生物識(shí)別技術(shù)就是通過(guò)計(jì)算機(jī)與光學(xué)、聲學(xué)、生物傳感器和生物統(tǒng)計(jì)學(xué)原理等高科技手段密切結(jié)合,利用人體固有的生理特性（如指紋、臉象、虹膜等）和行為特征（如筆跡、聲音、步態(tài)等）來(lái)進(jìn)行個(gè)人身份的鑒定。人臉檢測(cè)和識(shí)別是目前生物特征識(shí)別中最受人們關(guān)注的一個(gè)分支,是當(dāng)前圖像處理、模式識(shí)別和計(jì)算機(jī)視覺(jué)領(lǐng)域內(nèi)的一個(gè)熱門(mén)研究課題,在公安部門(mén)罪犯搜索、安全部門(mén)動(dòng)態(tài)監(jiān)視識(shí)別、銀行密碼系統(tǒng)等許多領(lǐng)域有廣泛的應(yīng)用。人臉檢測(cè)是進(jìn)行識(shí)別的前期工作,同時(shí)人臉檢測(cè)的理論和實(shí)現(xiàn)方法可以應(yīng)用到其它的一些目標(biāo)檢測(cè)問(wèn)題上,如車(chē)輛檢測(cè)、行人檢測(cè)等。本文對(duì)人臉檢測(cè)進(jìn)行了較為深入的研究,論文的主要工作和成果有以下幾個(gè)方面:1、全面概述了生物特征識(shí)別技術(shù)及其發(fā)展方向,重點(diǎn)描述了人臉識(shí)別和檢測(cè)技術(shù)的應(yīng)用背景、研究意義、國(guó)內(nèi)外研究現(xiàn)狀、以及人臉檢測(cè)的難點(diǎn)。2、概述了目前人臉檢測(cè)的分類(lèi)方法、幾種經(jīng)典的人臉檢測(cè)算法以及檢測(cè)用到的數(shù)據(jù)庫(kù)。3、在2DPCA（Two-Dimension Principal Component Analysis）算法基礎(chǔ)上,提出了一種改進(jìn)的2DPCA算法用于人臉檢測(cè)。4、提出了一種基于模板匹配和改進(jìn)的2DPCA算法的人臉檢測(cè)方法。該方法先通過(guò)構(gòu)造的雙眼--人臉模板進(jìn)行粗分類(lèi),這樣可以丟棄大量的非人臉區(qū)域,提升了之后進(jìn)一步的檢測(cè)速度,再用改進(jìn)的2DPCA方法進(jìn)行細(xì)分類(lèi),最后將檢測(cè)到的人臉區(qū)域合并,得到最終的人臉區(qū)域。5、通過(guò)編程實(shí)現(xiàn)了粗分類(lèi)和細(xì)分類(lèi)的兩層檢測(cè)人臉的分類(lèi)方法,分別對(duì)單個(gè)人臉和多個(gè)人臉的圖像將行檢測(cè),并對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了比較分析。
二、基于模板匹配與支持矢量機(jī)的人臉檢測(cè)（論文開(kāi)題報(bào)告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡(jiǎn)單簡(jiǎn)介論文所研究問(wèn)題的基本概念和背景，再而簡(jiǎn)單明了地指出論文所要研究解決的具體問(wèn)題，并提出你的論文準(zhǔn)備的觀點(diǎn)或解決方法。
寫(xiě)法范例：
本文主要提出一款精簡(jiǎn)64位RISC處理器存儲(chǔ)管理單元結(jié)構(gòu)并詳細(xì)分析其設(shè)計(jì)過(guò)程。在該MMU結(jié)構(gòu)中,TLB采用叁個(gè)分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲(chǔ)器并行查找,支持粗粒度為64KB和細(xì)粒度為4KB兩種頁(yè)面大小,采用多級(jí)分層頁(yè)表結(jié)構(gòu)映射地址空間,并詳細(xì)論述了四級(jí)頁(yè)表轉(zhuǎn)換過(guò)程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲(chǔ)系統(tǒng)實(shí)現(xiàn)的一個(gè)重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對(duì)象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對(duì)象從而得到有關(guān)信息。
實(shí)驗(yàn)法：通過(guò)主支變革、控制研究對(duì)象來(lái)發(fā)現(xiàn)與確認(rèn)事物間的因果關(guān)系。
文獻(xiàn)研究法：通過(guò)調(diào)查文獻(xiàn)來(lái)獲得資料，從而全面的、正確的了解掌握研究方法。
實(shí)證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實(shí)踐的需要提出設(shè)計(jì)。
定性分析法：對(duì)研究對(duì)象進(jìn)行“質(zhì)”的方面的研究，這個(gè)方法需要計(jì)算的數(shù)據(jù)較少。
定量分析法：通過(guò)具體的數(shù)字，使人們對(duì)研究對(duì)象的認(rèn)識(shí)進(jìn)一步精確化。
跨學(xué)科研究法：運(yùn)用多學(xué)科的理論、方法和成果從整體上對(duì)某一課題進(jìn)行研究。
功能分析法：這是社會(huì)科學(xué)用來(lái)分析社會(huì)現(xiàn)象的一種方法，從某一功能出發(fā)研究多個(gè)方面的影響。
模擬法：通過(guò)創(chuàng)設(shè)一個(gè)與原型相似的模型來(lái)間接研究原型某種特性的一種形容方法。
三、基于模板匹配與支持矢量機(jī)的人臉檢測(cè)（論文提綱范文）
（1）基于圖像分析的在線學(xué)習(xí)裝態(tài)識(shí)別研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.2.1 人臉檢測(cè)技術(shù)研究現(xiàn)狀 |
| 1.2.2 人臉識(shí)別技術(shù)研究現(xiàn)狀 |
| 1.2.3 頭部姿態(tài)估計(jì)研究現(xiàn)狀 |
| 1.2.4 疲勞檢測(cè)技術(shù)研究現(xiàn)狀 |
| 1.3 論文工作與結(jié)構(gòu)安排 |
| 第二章 基于改進(jìn)MTCNN的人臉檢測(cè)算法 |
| 2.1 MTCNN簡(jiǎn)介 |
| 2.2 基于深度可分離卷積的MTCNN優(yōu)化 |
| 2.2.1 深度可分離卷積的原理 |
| 2.2.2 深度可分離卷積對(duì)MTCNN的改進(jìn) |
| 2.3 基于Focal Loss改進(jìn)損失函數(shù) |
| 2.3.1 MTCNN人臉檢測(cè)算法損失函數(shù) |
| 2.3.2 基于Focal Loss改善類(lèi)別不平衡 |
| 2.4 在線學(xué)習(xí)場(chǎng)景下的MTCNN算法改進(jìn) |
| 2.4.1 圖像中值濾波 |
| 2.4.2 模型參數(shù)調(diào)整 |
| 2.5 改進(jìn)MTCNN人臉檢測(cè)模型訓(xùn)練與測(cè)試 |
| 2.5.1 訓(xùn)練數(shù)據(jù)準(zhǔn)備 |
| 2.5.2 模型訓(xùn)練 |
| 2.5.3 模型仿真 |
| 2.6 本章小結(jié) |
| 第三章 基于ResNet模型的在線學(xué)習(xí)者身份識(shí)別 |
| 3.1 常見(jiàn)卷積神經(jīng)網(wǎng)絡(luò)模型 |
| 3.1.1 AlexNet |
| 3.1.2 VGGNet |
| 3.1.3 Inception |
| 3.1.4 ResNet |
| 3.2 基于ResNet模型的人臉識(shí)別 |
| 3.2.1 仿射變換人臉對(duì)齊 |
| 3.2.2 人臉特征提取與匹配 |
| 3.2.3 仿真實(shí)驗(yàn) |
| 3.3 基于質(zhì)心跟蹤的人臉跟蹤算法設(shè)計(jì) |
| 3.3.1 質(zhì)心跟蹤算法原理 |
| 3.3.2 人臉跟蹤算法設(shè)計(jì) |
| 3.3.3 仿真實(shí)驗(yàn) |
| 3.4 本章小結(jié) |
| 第四章 基于圖像特征提取的頭部姿態(tài)估計(jì) |
| 4.1 相機(jī)成像模型與參數(shù)標(biāo)定 |
| 4.1.1 針孔相機(jī)透視成像模型 |
| 4.1.2 畸變模型 |
| 4.1.3 相機(jī)參數(shù)標(biāo)定 |
| 4.2 人臉特征點(diǎn)提取 |
| 4.2.1 ERT人臉二維特征點(diǎn)定位算法 |
| 4.2.2 基于RGB-D圖像的人臉三維特征點(diǎn)提取 |
| 4.2.3 深度圖與彩色圖對(duì)齊及特征點(diǎn)獲取實(shí)驗(yàn) |
| 4.3 基于EPNP算法的頭部姿態(tài)估計(jì) |
| 4.3.1 EPNP算法原理 |
| 4.3.2 EPNP算法有效性實(shí)驗(yàn) |
| 4.4 基于頭部姿態(tài)估計(jì)的學(xué)習(xí)者分心狀態(tài)判定 |
| 4.4.1 頭部偏轉(zhuǎn)閾值設(shè)定 |
| 4.4.2 學(xué)習(xí)者分心狀態(tài)檢測(cè)實(shí)驗(yàn) |
| 4.5 本章小結(jié) |
| 第五章 視頻圖像中的在線學(xué)習(xí)者疲勞檢測(cè) |
| 5.1 學(xué)習(xí)者眼部疲勞特征提取 |
| 5.1.1 基于眼睛縱橫比值的人眼狀態(tài)提取 |
| 5.1.2 PERCLOS測(cè)量原理 |
| 5.1.3 眨眼頻率 |
| 5.2 學(xué)習(xí)者嘴部疲勞特征提取 |
| 5.2.1 嘴巴縱橫比值計(jì)算 |
| 5.2.2 哈欠檢測(cè) |
| 5.3 基于眼部與嘴部疲勞特征的疲勞檢測(cè)仿真實(shí)驗(yàn) |
| 5.3.1 基于眼部與嘴部疲勞特征的疲勞檢測(cè)算法思路 |
| 5.3.2 測(cè)試分析 |
| 5.4 本章小結(jié) |
| 第六章 在線學(xué)習(xí)狀態(tài)監(jiān)測(cè)系統(tǒng)設(shè)計(jì) |
| 6.1 系統(tǒng)開(kāi)發(fā)環(huán)境與功能分析 |
| 6.1.1 系統(tǒng)開(kāi)發(fā)軟硬件環(huán)境 |
| 6.1.2 系統(tǒng)功能分析 |
| 6.2 系統(tǒng)設(shè)計(jì) |
| 6.2.1 學(xué)習(xí)端設(shè)計(jì) |
| 6.2.2 云端設(shè)計(jì) |
| 6.3 系統(tǒng)測(cè)試 |
| 6.3.1 數(shù)據(jù)錄入模塊測(cè)試 |
| 6.3.2 基于在線學(xué)習(xí)視頻的人臉檢測(cè)測(cè)試分析 |
| 6.3.3 基于在線學(xué)習(xí)視頻的身份識(shí)別測(cè)試分析 |
| 6.3.4 基于在線學(xué)習(xí)視頻的分心狀態(tài)檢測(cè)測(cè)試分析 |
| 6.3.5 基于在線學(xué)習(xí)視頻的疲勞預(yù)警測(cè)試分析 |
| 6.3.6 云端查詢學(xué)生異常狀態(tài)信息功能測(cè)試 |
| 6.4 本章小結(jié) |
| 第七章 總結(jié)與展望 |
| 7.1 本文總結(jié) |
| 7.2 未來(lái)工作展望 |
| 參考文獻(xiàn) |
| 攻讀碩士期間獲得的成果 |
| 致謝 |
（2）基于改進(jìn)型SSD網(wǎng)絡(luò)的人臉檢測(cè)（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第1章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 本文主要研究?jī)?nèi)容和貢獻(xiàn) |
| 1.4 本文組織結(jié)構(gòu) |
| 第2章 基于深度學(xué)習(xí)的人臉檢測(cè)概述 |
| 2.1 深度學(xué)習(xí)簡(jiǎn)述 |
| 2.2 卷積神經(jīng)網(wǎng)絡(luò) |
| 2.3 深度神經(jīng)網(wǎng)絡(luò)模型 |
| 2.4 深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練 |
| 2.5 神經(jīng)網(wǎng)絡(luò)優(yōu)化算法 |
| 2.6 深度學(xué)習(xí)框架 |
| 2.7 人臉檢測(cè)評(píng)價(jià)指標(biāo) |
| 2.8 本章小結(jié) |
| 第3章 基于深度殘差網(wǎng)絡(luò)的SSD網(wǎng)絡(luò) |
| 3.1 引言 |
| 3.2 ResNeXt網(wǎng)絡(luò) |
| 3.3 基于ResNeXt網(wǎng)絡(luò)的SSD網(wǎng)絡(luò) |
| 3.3.1 基礎(chǔ)網(wǎng)絡(luò)改進(jìn) |
| 3.3.2 損失函數(shù)設(shè)計(jì) |
| 3.3.3 非極大值抑制 |
| 3.4 實(shí)驗(yàn)及分析 |
| 3.4.1 實(shí)驗(yàn)數(shù)據(jù)與環(huán)境 |
| 3.4.2 實(shí)驗(yàn)方法 |
| 3.4.3 實(shí)驗(yàn)結(jié)果分析 |
| 3.5 本章小結(jié) |
| 第4章 基于特征融合方法的SSD網(wǎng)絡(luò) |
| 4.1 引言 |
| 4.2 特征金字塔 |
| 4.3 特征融合網(wǎng)絡(luò)結(jié)構(gòu) |
| 4.3.1 反卷積和批歸一化層 |
| 4.3.2 網(wǎng)絡(luò)設(shè)計(jì) |
| 4.4 Anchor匹配規(guī)則 |
| 4.5 數(shù)據(jù)增強(qiáng) |
| 4.6 實(shí)驗(yàn)結(jié)果分析 |
| 4.7 本章小結(jié) |
| 第5章 總結(jié)與展望 |
| 5.1 總結(jié) |
| 5.2 展望 |
| 致謝 |
| 參考文獻(xiàn) |
（3）基于卷積神經(jīng)網(wǎng)絡(luò)的人臉表情識(shí)別問(wèn)題的研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 縮略詞注釋表 |
| 第一章 緒論 |
| 1.1 論文選題背景及意義 |
| 1.2 人臉檢測(cè)的研究現(xiàn)狀 |
| 1.2.1 基于顯式特征的方法 |
| 1.2.2 基于隱式特征的方法 |
| 1.3 數(shù)據(jù)增強(qiáng)的研究現(xiàn)狀 |
| 1.4 卷積神經(jīng)網(wǎng)絡(luò)模型的研究現(xiàn)狀 |
| 1.5 人臉表情識(shí)別的研究現(xiàn)狀 |
| 1.6 論文主要研究?jī)?nèi)容及創(chuàng)新點(diǎn) |
| 1.7 論文章節(jié)安排 |
| 第二章 基于人眼定位和膚色模型的快速人臉檢測(cè)方法 |
| 2.1 引言 |
| 2.2 光照補(bǔ)償 |
| 2.3 基于YCbCr色彩空間的膚色模型 |
| 2.3.1 色彩空間 |
| 2.3.2 膚色模型 |
| 2.4 形態(tài)學(xué)處理 |
| 2.4.1 腐蝕 |
| 2.4.2 膨脹 |
| 2.5 人眼定位的模板匹配算法 |
| 2.5.1 一般的人眼定位模板匹配算法 |
| 2.5.2 提高模板匹配的處理速度 |
| 2.6 實(shí)驗(yàn)分析 |
| 2.6.1 實(shí)驗(yàn)數(shù)據(jù)集和實(shí)驗(yàn)效果 |
| 2.6.2 實(shí)驗(yàn)結(jié)果分析 |
| 2.7 本章小結(jié) |
| 第三章 基于滑動(dòng)模塊的人臉表情圖像生成模型 |
| 3.1 引言 |
| 3.2 生成式對(duì)抗網(wǎng)絡(luò)的任務(wù) |
| 3.3 人臉表情圖像生成模型結(jié)構(gòu) |
| 3.4 人臉表情圖像生成模型穩(wěn)定訓(xùn)練的策略 |
| 3.5 AR-droupout的提出 |
| 3.6 人臉表情圖像生成模型目標(biāo)函數(shù)的設(shè)計(jì) |
| 3.7 仿真與實(shí)驗(yàn) |
| 3.7.1 原始數(shù)據(jù)集 |
| 3.7.2 圖像生成 |
| 3.8 本章小結(jié) |
| 第四章 基于關(guān)鍵區(qū)域輔助卷積神經(jīng)網(wǎng)絡(luò)模型的人臉表情識(shí)別 |
| 4.1 引言 |
| 4.2 卷積神經(jīng)網(wǎng)絡(luò)模型 |
| 4.2.1 卷積神經(jīng)網(wǎng)絡(luò)的基本原理 |
| 4.2.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) |
| 4.2.3 卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法 |
| 4.3 基于關(guān)鍵區(qū)域輔助的卷積神經(jīng)網(wǎng)絡(luò)模型 |
| 4.3.1 表情子區(qū)域卷積模型的建立 |
| 4.3.2 分段激活函數(shù)的設(shè)計(jì) |
| 4.3.3 輔助加權(quán)特征提取模型的建立 |
| 4.3.4 基于輔助任務(wù)的深度卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練 |
| 4.4 基于卷積特征和隨機(jī)森林分類(lèi)器結(jié)合的識(shí)別模型 |
| 4.4.1 決策樹(shù)的介紹 |
| 4.4.2 隨機(jī)森林分類(lèi)器 |
| 4.4.3 基于隨機(jī)森林的表情分類(lèi)器 |
| 4.4.4 CNN-隨機(jī)森林人臉表情識(shí)別算法設(shè)計(jì) |
| 4.5 實(shí)驗(yàn)分析 |
| 4.5.1 基于輔助模型的實(shí)驗(yàn)結(jié)果分析和對(duì)比 |
| 4.5.2 基于卷積特征和隨機(jī)森林的實(shí)驗(yàn)結(jié)果分析和對(duì)比 |
| 4.6 本章小結(jié) |
| 第五章 基于級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)模型的人臉表情識(shí)別 |
| 5.1 引言 |
| 5.2 級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)模型 |
| 5.2.1 易混淆表情的分類(lèi) |
| 5.2.2 級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建 |
| 5.2.3 低維特征信息的提取 |
| 5.2.4 高維混合特征信息的提取 |
| 5.2.5 級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練和識(shí)別 |
| 5.3 基于聚類(lèi)和卷積神經(jīng)網(wǎng)絡(luò)模型融合的表情識(shí)別 |
| 5.3.1 聚類(lèi)算法 |
| 5.3.2 基于初始值固定的聚類(lèi)算法 |
| 5.3.3 基于聚類(lèi)和卷積融合的模型架構(gòu) |
| 5.4 仿真實(shí)驗(yàn)和數(shù)據(jù)分析 |
| 5.4.1 基于級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)模型的表情識(shí)別結(jié)果驗(yàn)證和分析 |
| 5.4.2 基于聚類(lèi)卷積神經(jīng)網(wǎng)絡(luò)模型的表情識(shí)別結(jié)果驗(yàn)證和分析 |
| 5.5 本章小結(jié) |
| 第六章 基于卷積受限玻爾茲曼機(jī)的混合遷移卷積神經(jīng)網(wǎng)絡(luò)模型的人臉表情識(shí)別 |
| 6.1 引言 |
| 6.2 新遷移學(xué)習(xí)算法的提出 |
| 6.2.1 遷移學(xué)習(xí)的四種情況 |
| 6.2.2 基于多次微調(diào)的遷移學(xué)習(xí)新方法 |
| 6.3 基于混合遷移的卷積神經(jīng)網(wǎng)絡(luò)模型 |
| 6.3.1 受限玻爾茲曼機(jī)模型 |
| 6.3.2 卷積受限玻爾茲曼機(jī)模型 |
| 6.3.3 CNN模型的預(yù)訓(xùn)練 |
| 6.3.4 混合遷移模型的構(gòu)建 |
| 6.3.5 混合遷移模型的訓(xùn)練 |
| 6.4 實(shí)驗(yàn)驗(yàn)證 |
| 6.4.1 數(shù)據(jù)集描述 |
| 6.4.2 實(shí)驗(yàn)比較 |
| 6.5 本章小結(jié) |
| 第七章 總結(jié)與展望 |
| 7.1 總結(jié) |
| 7.2 展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 攻讀博士學(xué)位期間發(fā)表的學(xué)術(shù)論文 |
| 攻讀博士學(xué)位期間參加的科研項(xiàng)目 |
| 學(xué)位論文評(píng)閱及答辯情況表 |
（4）基于CNN的多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)在汽車(chē)輔助駕駛系統(tǒng)中的應(yīng)用（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.2.1 國(guó)內(nèi)研究現(xiàn)狀 |
| 1.2.2 國(guó)外研究現(xiàn)狀 |
| 1.3 論文的主要工作和結(jié)構(gòu)安排 |
| 第二章 輔助駕駛系統(tǒng)中疲勞檢測(cè)相關(guān)算法綜述 |
| 2.1 引言 |
| 2.2 人臉檢測(cè)方法概述 |
| 2.2.1 基于知識(shí)的人臉檢測(cè)方法 |
| 2.2.2 基于統(tǒng)計(jì)的人臉檢測(cè)方法 |
| 2.3 圖像預(yù)處理方法綜述 |
| 2.3.1 光照補(bǔ)償 |
| 2.3.2 圖像去噪 |
| 2.4 輔助駕駛系統(tǒng)中常用的人眼與嘴巴的檢測(cè)方法概述 |
| 2.5 本章小結(jié) |
| 第三章 基于多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)的人臉檢測(cè)與特征點(diǎn)定位 |
| 3.1 引言 |
| 3.2 神經(jīng)網(wǎng)絡(luò) |
| 3.2.1 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) |
| 3.2.2 卷積神經(jīng)網(wǎng)絡(luò) |
| 3.3 多任務(wù)學(xué)習(xí)網(wǎng)絡(luò) |
| 3.3.1 多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)中的損失函數(shù) |
| 3.3.2 MTCNN多任務(wù)網(wǎng)絡(luò)的特點(diǎn) |
| 3.4 實(shí)驗(yàn)及結(jié)果分析 |
| 3.4.1 實(shí)驗(yàn)平臺(tái) |
| 3.4.2 訓(xùn)練使用的數(shù)據(jù) |
| 3.5 本章小結(jié) |
| 第四章 駕駛員眼部與嘴部的提取及狀態(tài)識(shí)別 |
| 4.1 引言 |
| 4.2 人眼與嘴巴區(qū)域的提取 |
| 4.2.1 人臉歸一化 |
| 4.2.2 人眼與嘴巴區(qū)域的提取 |
| 4.3 卷積神經(jīng)網(wǎng)絡(luò)的人眼與嘴部識(shí)別方法 |
| 4.4 人眼及嘴巴狀態(tài)識(shí)別的實(shí)驗(yàn)及結(jié)果分析 |
| 4.4.1 實(shí)驗(yàn)平臺(tái) |
| 4.4.2 訓(xùn)練使用的數(shù)據(jù) |
| 4.4.3 實(shí)驗(yàn)結(jié)果 |
| 4.5 本章小結(jié) |
| 第五章 輔助駕駛系統(tǒng)中的疲勞狀態(tài)識(shí)別 |
| 5.1 引言 |
| 5.2 基于PERCLOS的疲勞狀態(tài)判斷 |
| 5.3 嘴部哈欠頻率計(jì)算 |
| 5.4 雙參數(shù)疲勞狀態(tài)檢測(cè) |
| 5.5 實(shí)驗(yàn)結(jié)果與分析 |
| 5.5.1 實(shí)驗(yàn)平臺(tái) |
| 5.5.2 實(shí)驗(yàn)結(jié)果 |
| 5.6 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 全文總結(jié) |
| 6.2 未來(lái)工作展望 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文及取得的相關(guān)科研成果 |
| 致謝 |
（5）基于RVM和SVM相結(jié)合的人臉檢測(cè)算法研究（論文提綱范文）
| 致謝 |
| 摘要 |
| abstract |
| 變量注釋表 |
| 1 緒論 |
| 1.1 研究的背景和意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 本文主要研究?jī)?nèi)容 |
| 2 支持向量機(jī)和相關(guān)向量機(jī)理論基礎(chǔ) |
| 2.1 機(jī)器學(xué)習(xí)及其傳統(tǒng)算法 |
| 2.2 統(tǒng)計(jì)學(xué)習(xí)理論 |
| 2.3 支持向量機(jī)理論 |
| 2.4 相關(guān)向量機(jī)理論 |
| 2.5 小結(jié) |
| 3 基于SVM的人臉檢測(cè)算法 |
| 3.1 基于SVM的人臉檢測(cè)流程 |
| 3.2 圖像預(yù)處理 |
| 3.3 金字塔圖像的生成 |
| 3.4 人臉樣本的收集 |
| 3.5 特征提取 |
| 3.6 非線性SVM分類(lèi)器的構(gòu)造 |
| 3.7 重疊窗口的合并 |
| 3.8 小結(jié) |
| 4 基于SVM和RVM相結(jié)合的人臉檢測(cè)算法 |
| 4.1 三種分類(lèi)器的性能對(duì)比 |
| 4.2 人臉檢測(cè)系統(tǒng)的基本流程 |
| 4.3 平均臉模板匹配 |
| 4.4 RVM分類(lèi)器的構(gòu)造 |
| 4.5 非線性SVM分類(lèi)器的構(gòu)造 |
| 4.6 實(shí)驗(yàn)結(jié)果 |
| 4.7 小結(jié) |
| 5 結(jié)論 |
| 參考文獻(xiàn) |
| 作者簡(jiǎn)介 |
| 學(xué)位論文數(shù)據(jù)集 |
（6）人臉檢測(cè)與跟蹤的若干方法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 引言 |
| 1.2 研究背景及意義 |
| 1.3 人臉檢測(cè)與跟蹤算法研究現(xiàn)狀 |
| 1.4 論文的章節(jié)安排 |
| 2 結(jié)合旋轉(zhuǎn)人臉檢測(cè)的改進(jìn)AdaBoost人臉檢測(cè)算法 |
| 2.1 常用的人臉檢測(cè)方法 |
| 2.1.1 模板匹配 |
| 2.1.2 基于器官特征方法 |
| 2.1.3 基于膚色紋理的檢測(cè) |
| 2.1.4 神經(jīng)網(wǎng)絡(luò) |
| 2.1.5 基于隱馬爾可夫的模型的方法 |
| 2.2 基于AdaBoost的人臉檢測(cè)算法 |
| 2.2.1 使用Haar2like特征構(gòu)造分類(lèi)器 |
| 2.2.2 AdaBoost訓(xùn)練過(guò)程 |
| 2.2.3 級(jí)聯(lián)分類(lèi)器 |
| 2.2.4 實(shí)驗(yàn)結(jié)果與分析 |
| 2.3 常用旋轉(zhuǎn)人臉檢測(cè)算法 |
| 2.3.1 輻射模板法 |
| 2.3.2 基于人臉幾何特征的檢測(cè)方法 |
| 2.3.3 人眼位置推算法 |
| 2.4 結(jié)合旋轉(zhuǎn)人臉檢測(cè)的改進(jìn)AdaBoost人臉檢測(cè)系統(tǒng) |
| 2.4.1 膚色模型 |
| 2.4.2 邊緣檢測(cè) |
| 2.4.3 各邊緣檢測(cè)算子的效果比較 |
| 2.4.4 旋轉(zhuǎn)人臉檢測(cè)的實(shí)現(xiàn) |
| 2.4.5 實(shí)驗(yàn)效果圖與結(jié)果分析 |
| 2.5 本章小結(jié) |
| 3 結(jié)合Kalman濾波的增強(qiáng)型Camshift人臉跟蹤算法 |
| 3.1 常用的人臉跟蹤方法 |
| 3.1.1 基于特征匹配的跟蹤 |
| 3.1.2 基于運(yùn)動(dòng)信息的跟蹤 |
| 3.1.3 基于模版匹配的跟蹤 |
| 3.1.4 基于人工神經(jīng)網(wǎng)絡(luò)的跟蹤 |
| 3.2 Camshift算法 |
| 3.2.1 顏色概率分布圖的計(jì)算 |
| 3.2.2 運(yùn)動(dòng)目標(biāo)的搜素過(guò)程 |
| 3.3 Kalman濾波 |
| 3.3.1 Kalman濾波線性離散過(guò)程 |
| 3.3.2 Kalman濾波原理 |
| 3.3.3 Kalman濾波預(yù)測(cè)方程 |
| 3.3.4 Kalman濾波器參數(shù)的選取 |
| 3.3.5 Kalman濾波器建模 |
| 3.4 結(jié)合Kalman濾波的增強(qiáng)型Camshift算法 |
| 3.4.1 結(jié)合Kalman濾波的人臉跟蹤系統(tǒng)的實(shí)現(xiàn) |
| 3.4.2 實(shí)驗(yàn)結(jié)果與分析 |
| 3.5 本章小結(jié) |
| 4 基于窗口預(yù)測(cè)的改進(jìn)Camshift算法 |
| 4.1 窗口預(yù)測(cè)問(wèn)題 |
| 4.2 常用的曲線擬合算法 |
| 4.2.1 Lagrange插值法 |
| 4.2.2 牛頓插值法 |
| 4.2.3 最小二乘法 |
| 4.2.4 三次樣條插值法 |
| 4.3 各種曲線擬合算法的效果比較 |
| 4.4 結(jié)合窗口預(yù)測(cè)的人臉跟蹤系統(tǒng)的實(shí)現(xiàn) |
| 4.5 本章小結(jié) |
| 5 總結(jié)與展望 |
| 5.1 總結(jié) |
| 5.2 展望 |
| 致謝 |
| 參考文獻(xiàn) |
（7）基于單幅圖像的人臉檢測(cè)算法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 目錄 |
| 第1章 緒論 |
| 1.1 研究背景和意義 |
| 1.2 國(guó)內(nèi)外的研究現(xiàn)狀 |
| 1.3 人臉檢測(cè)技術(shù)的研究難點(diǎn) |
| 1.4 本文的研究?jī)?nèi)容 |
| 1.5 本文章節(jié)安排 |
| 第2章 圖像預(yù)處理 |
| 2.1 圖像直方圖均衡化 |
| 2.2 圖像中值濾波 |
| 2.3 基于有重疊局部歸一化光照處理分析 |
| 2.4 基于數(shù)學(xué)形態(tài)學(xué)濾波分析 |
| 2.5 本章小結(jié) |
| 第3章 人臉檢測(cè)和眼睛定位方法分析 |
| 3.1 人臉檢測(cè)方法分析 |
| 3.2 眼睛定位方法分析 |
| 3.3 本章小結(jié) |
| 第4章 基于膚色的人臉檢測(cè)算法設(shè)計(jì) |
| 4.1 色彩空間的選取 |
| 4.1.1 色彩空間分析 |
| 4.1.2 本文色彩空間的選取 |
| 4.2 整體方案設(shè)計(jì) |
| 4.3 基于 YCbCr 色彩空間的膚色分割 |
| 4.3.1 膚色模型的建立 |
| 4.3.2 膚色相似度計(jì)算 |
| 4.3.3 動(dòng)態(tài)閾值的確定 |
| 4.3.4 基于動(dòng)態(tài)閾值的圖像分割 |
| 4.4 人臉候選區(qū)域分析 |
| 4.4.1 二值圖像預(yù)處理 |
| 4.4.2 連通體分析 |
| 4.4.3 候選人臉區(qū)域的篩選 |
| 4.5 人臉候選區(qū)域篩選 |
| 4.5.1 歐拉數(shù)篩選 |
| 4.5.2 基于眼睛定位篩選人臉區(qū)域 |
| 4.5.2.1 基于幾何規(guī)則人眼粗定位 |
| 4.5.2.2 基于模板匹配的人眼精確定位 |
| 4.6 實(shí)驗(yàn)結(jié)果分析 |
| 4.7 本章小結(jié) |
| 第5章 人臉三維重建 |
| 5.1 三維重建流程分析 |
| 5.2 三維重建效果分析 |
| 5.3 本章小結(jié) |
| 第6章 結(jié)論與展望 |
| 6.1 研究回顧與總結(jié) |
| 6.2 未來(lái)工作展望 |
| 參考文獻(xiàn) |
| 致謝 |
（8）基于膚色模型和模板匹配的人臉檢測(cè)研究（論文提綱范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 人臉檢測(cè)的研究背景 |
| 1.2 人臉檢測(cè)的研究方法 |
| 1.2.1 基于知識(shí)規(guī)則的方法 |
| 1.2.2 基于可視特征的方法 |
| 1.2.3 基于模板匹配的方法 |
| 1.2.4 基于神經(jīng)網(wǎng)絡(luò)的方法 |
| 1.2.5 基于隱馬爾可夫模型的方法 |
| 1.3 國(guó)內(nèi)外人臉檢測(cè)技術(shù)的研究現(xiàn)狀 |
| 1.4 人臉檢測(cè)的應(yīng)用 |
| 1.5 人臉檢測(cè)的難點(diǎn) |
| 1.6 膚色信息在人臉檢測(cè)中的應(yīng)用 |
| 1.7 本文研究?jī)?nèi)容和章節(jié)安排 |
| 1.7.1 本文研究?jī)?nèi)容 |
| 1.7.2 本文章節(jié)安排 |
| 第二章 色彩空間的選取和膚色模型的建立 |
| 2.1 色彩空間的類(lèi)型和選取準(zhǔn)則 |
| 2.1.1 色彩空間的類(lèi)型 |
| 2.1.2 色彩空間的選取準(zhǔn)則 |
| 2.2 YCbCr 色彩空間的確定 |
| 2.3 光照補(bǔ)償 |
| 2.4 膚色高斯模型的建立 |
| 2.4.1 膚色高斯模型的提出 |
| 2.4.2 膚色高斯模型的建立 |
| 2.4.3 膚色似然度的計(jì)算 |
| 2.4.4 仿真實(shí)驗(yàn) |
| 2.5 本章小結(jié) |
| 第三章 人臉區(qū)域粗定位 |
| 3.1 圖像分割 |
| 3.2 基于 Fisher 準(zhǔn)則的閾值動(dòng)態(tài)獲取算法 |
| 3.2.1 基于Fisher 準(zhǔn)則動(dòng)態(tài)閾值的獲取 |
| 3.2.2 膚色似然圖像的二值化 |
| 3.2.3 仿真實(shí)驗(yàn) |
| 3.3 二值圖像的去噪 |
| 3.3.1 圖像噪聲 |
| 3.3.2 基于中值濾波的圖像去噪 |
| 3.3.3 仿真實(shí)驗(yàn) |
| 3.4 人臉區(qū)域粗定位 |
| 3.4.1 膚色區(qū)域標(biāo)記和數(shù)目統(tǒng)計(jì) |
| 3.4.2 區(qū)域定向 |
| 3.4.3 基于長(zhǎng)寬比和面積占有率的人臉粗定位 |
| 3.4.4 基于歐拉數(shù)的人臉區(qū)域驗(yàn)證 |
| 3.4.5 仿真實(shí)驗(yàn) |
| 3.5 本章小結(jié) |
| 第四章 基于模板匹配的人臉精確定位 |
| 4.1 匹配的基本原理 |
| 4.1.1 匹配技術(shù)的應(yīng)用 |
| 4.1.2 圖像匹配算法的分類(lèi) |
| 4.1.3 圖像匹配的關(guān)鍵要素 |
| 4.2 基于模板匹配的人臉精確定位算法 |
| 4.2.1 人臉模板的建立 |
| 4.2.2 基于模板匹配的人臉精確定位算法 |
| 4.2.3 仿真實(shí)驗(yàn) |
| 4.3 人臉檢測(cè)算法流程 |
| 4.4 本章小結(jié) |
| 第五章 總結(jié)與展望 |
| 參考文獻(xiàn) |
| 攻讀碩士期間完成的論文 |
| 致謝 |
（9）基于SVM的人臉檢測(cè)算法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究的背景和意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 本課題的研究?jī)?nèi)容及組織 |
| 第二章 人臉檢測(cè)相關(guān)技術(shù) |
| 2.1 人臉檢測(cè)方法的分類(lèi) |
| 2.1.1 基于模板特征的人臉檢測(cè)方法 |
| 2.1.2 基于圖像的人臉檢測(cè)方法 |
| 2.2 人臉檢測(cè)過(guò)程 |
| 2.2.1 圖像預(yù)處理 |
| 2.2.2 特征提取 |
| 2.2.3 分類(lèi)器 |
| 2.3 小結(jié) |
| 第三章 粗分類(lèi)器的選擇 |
| 3.1 引言 |
| 3.2 粗分類(lèi)方法的分析與比較 |
| 3.2.1 可比性的約定 |
| 3.2.2 PCA的方法 |
| 3.2.3 平均臉模板匹配的方法 |
| 3.2.4 SVM方法 |
| 3.2.5 三種粗分類(lèi)器的性能比較 |
| 3.3 小結(jié) |
| 第四章 基于 SVM的人臉檢測(cè)算法研究 |
| 4.1 SVM處理分類(lèi)問(wèn)題的基本步驟 |
| 4.2 人臉檢測(cè)算法框架 |
| 4.2.1 訓(xùn)練部分框架 |
| 4.2.2 檢測(cè)部分框架 |
| 4.3 人臉檢測(cè)實(shí)驗(yàn) |
| 4.3.1 人臉樣本集 |
| 4.3.2 數(shù)據(jù)預(yù)處理 |
| 4.3.3 分類(lèi)器構(gòu)造 |
| 4.4 實(shí)驗(yàn)結(jié)果 |
| 4.5 小結(jié) |
| 第五章 結(jié)論與展望 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間取得的科研成果 |
| 致謝 |
（10）人臉檢測(cè)算法的研究與實(shí)現(xiàn)（論文提綱范文）
| 摘要 |
| Abstract |
| 插圖索引 |
| 附表索引 |
| 第一章 緒論 |
| 1.1 課題的背景與意義 |
| 1.2 人臉檢測(cè)概述 |
| 1.2.1 概念 |
| 1.2.2 人臉檢測(cè)的難點(diǎn) |
| 1.3 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3.1 國(guó)外研究現(xiàn)狀 |
| 1.3.2 國(guó)內(nèi)研究現(xiàn)狀 |
| 1.4 論文結(jié)構(gòu) |
| 第二章 人臉檢測(cè)方法 |
| 2.1 人臉檢測(cè)方法的性能評(píng)測(cè) |
| 2.1.1 檢測(cè)評(píng)價(jià)標(biāo)準(zhǔn) |
| 2.1.2 人臉圖像數(shù)據(jù)庫(kù) |
| 2.2 檢測(cè)方法分類(lèi) |
| 2.2.1 基于知識(shí)的方法 |
| 2.2.2 基于特征的方法 |
| 2.2.3 基于模板匹配的方法 |
| 2.2.4 基于表象的方法 |
| 2.3 經(jīng)典方法概述 |
| 2.3.1 神經(jīng)網(wǎng)絡(luò)(Neural Network) |
| 2.3.2 特征臉(Eigenface) |
| 2.3.3 支持向量機(jī)(Support Vector Machine，SVM) |
| 2.3.4 Adaboost算法(Adaptive Boosting) |
| 2.4 本章小結(jié) |
| 第三章 模板匹配和改進(jìn)的2DPCA的人臉檢測(cè)算法 |
| 3.1 引言 |
| 3.2 人臉檢測(cè)算法 |
| 3.2.1 圖象預(yù)處理 |
| 3.2.2 檢測(cè)窗口搜索 |
| 3.2.3 模板構(gòu)造 |
| 3.2.4 粗分類(lèi)器檢測(cè) |
| 3.2.5 細(xì)分類(lèi)器檢測(cè) |
| 3.2.5.1 2DPCA算法 |
| 3.2.5.2 改進(jìn)的2DPCA算法 |
| 3.2.6 合并 |
| 3.3 本章小結(jié) |
| 第四章 實(shí)驗(yàn)結(jié)果及分析 |
| 4.1 引言 |
| 4.2 人臉檢測(cè)系統(tǒng)的組成 |
| 4.2.1 人臉檢測(cè)流程圖 |
| 4.2.2 人臉檢測(cè)系統(tǒng)界面 |
| 4.3 系統(tǒng)測(cè)試結(jié)果及分析 |
| 4.4 檢測(cè)結(jié)果示例 |
| 第五章 結(jié)論 |
| 5.1 總結(jié) |
| 5.2 展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 附錄A 攻讀學(xué)位期間所發(fā)表的學(xué)術(shù)論文目錄 |
四、基于模板匹配與支持矢量機(jī)的人臉檢測(cè)（論文參考文獻(xiàn)）
- [1]基于圖像分析的在線學(xué)習(xí)裝態(tài)識(shí)別研究[D]. 徐晶晶. 華中師范大學(xué), 2021(02)
- [2]基于改進(jìn)型SSD網(wǎng)絡(luò)的人臉檢測(cè)[D]. 陳力. 南昌大學(xué), 2020(01)
- [3]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉表情識(shí)別問(wèn)題的研究[D]. 王瑩瑩. 山東大學(xué), 2020(04)
- [4]基于CNN的多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)在汽車(chē)輔助駕駛系統(tǒng)中的應(yīng)用[D]. 劉小雙. 上海工程技術(shù)大學(xué), 2018(06)
- [5]基于RVM和SVM相結(jié)合的人臉檢測(cè)算法研究[D]. 張珍. 中國(guó)礦業(yè)大學(xué), 2017(02)
- [6]人臉檢測(cè)與跟蹤的若干方法研究[D]. 范桂香. 南京理工大學(xué), 2013(07)
- [7]基于單幅圖像的人臉檢測(cè)算法研究[D]. 朱中強(qiáng). 南昌航空大學(xué), 2012(01)
- [8]基于膚色模型和模板匹配的人臉檢測(cè)研究[D]. 劉喜榮. 太原科技大學(xué), 2010(04)
- [9]基于SVM的人臉檢測(cè)算法研究[D]. 張永新. 西北大學(xué), 2009(08)
- [10]人臉檢測(cè)算法的研究與實(shí)現(xiàn)[D]. 楊宏梅. 蘭州理工大學(xué), 2009(11)
標(biāo)簽：機(jī)器學(xué)習(xí)論文; 卷積論文; 人臉檢測(cè)技術(shù)論文; 神經(jīng)網(wǎng)絡(luò)模型論文; 人臉識(shí)別算法論文;