一、复杂背景下人脸检测算法的研究（论文文献综述）
李典[1]（2021）在《复杂场景下基于YOLOv3的人脸检测研究》文中研究指明人脸检测一直是计算机视觉领域重要的研究方向之一,其主要通过机器学习和图像处理等技术提取人脸特征建立有效的分类器,从而获取人脸信息。近些年来,随着人脸检测技术的不断进步,其应用行业逐渐扩大,如银行、大型商业中心、铁路交通安全等领域。然而,目前应用较多的算法是以VJ（Viola-Jones）为基础的传统人脸检测算法,其算法主要针对背景简单,场景单一,人脸尺寸相似,正面人脸为主的,约束条件较强的人脸图像。但在实际应用场景中,约束条件较弱,检测精度会受尺度变化、光照条件及人脸角度的变化、遮挡、模糊等多方面因素的影响,使得传统的人脸检测算法的准确率急剧下降,无法满足实际情况的需要。近年来深度学习发展迅速,对人脸检测算法的研究也逐步转向了深度学习,借助神经网络的强大特征提取功能,复杂场景下的人脸检测得取得了一定突破。本文以提高复杂场景下人脸检测的效果为目标,研究了目标检测中表现优异的算法YOLOv3,通过对网络的改进和参数的优化,使其在复杂场景下能够对图像中的人脸特征进行充分提取,同时提高检测精度。本文工作主要如下:（1）将YOLOv3算法应用于复杂背景下进行人脸检测。根据复杂人脸数据集WIDER FACE的聚类结果调整先验框个数和维度、优化锚点参数,提高了YOLOv3网络对人脸检测的有效性;并对置信度阈值进行调整,找到在复杂场景下合适的阈值。实验表明,优化后的算法性能有较大的提升;较之VJ、DMP等算法,其性能有显着提升,平均精度较ACF、Tow-stage CNN和Multiscale Cascade CNN高出10%以上。（2）为了进一步提高检测器模型对小尺度人脸特征的敏感性,针对YOLOv3中采用的FPN结构进行改进。改进后的FPN进一步利用主干结构中不同尺度的高级语义特征构建新的特征图。实验表明,FPN网络结构的改进对模型在复杂场景下的小尺度人脸检测精度有一定的提升。（3）针对YOLOv3的主干网络,在对输入的图像进行卷积操作和特征提取时出现的中间残差模块由于通道较少限制了学习能力,及特征信息无法更好的在各个层中更好的流通问题。本文引入了改进残差神经模块（Improved Residual Networks,IRes Net）模块,重新构建了整个模型网络的空间结构。实验表明,将Darknet-53与IRes Net融合后对YOLOv3网络模型整体性能的提升有较大的提升;尤其是在针对小目标检测问题上提升非常显着。
杨睿[2]（2021）在《复杂背景下的小尺度人脸检测算法研究》文中进行了进一步梳理人脸检测是一种通过计算机算法对输入图像进行人脸目标查找的技术,人脸检测技术在智能安防、人流统计和刑侦破案等场景具有广泛应用。近年来人脸检测借助卷积神经网络技术使得检测精度取得了巨大提升。在实际运用场景中,由于图像背景物体复杂,人脸特征与背景高度融合和人脸目标尺度过小,使得人脸检测精度降低,因此需要对复杂背景下的小尺度人脸检测进一步的研究。论文基于YOLOv3和YOLOv4目标检测模型,研究复杂背景下的小尺度人脸检测算法,具体研究如下:第一,设计了复杂背景下的人脸检测模型SE-Im YOLOv3。采用基于遗传算法的K-means预测框聚类算法,通过遗传算法生成初始点全局最优解,避免K-means聚类陷入局部最优解并降低聚类点随机初始化对聚类结果的影响,使生成的预测框尺寸更加符合人脸目标的大小;其次在YOLOv3模型中引入Se Net通道注意力机制,提高人脸特征的通道权重,抑制背景信息的通道权重;最后对置信度损失函数进行改进,通过对预测值的约束,提高模型收敛速度,防止梯度消失或梯度爆炸。与原始YOLOv3模型相比,所设计的SE-Im YOLOv3模型在Wider Face数据集上的平均检测精度提高约5个百分点,证明该模型在复杂背景条件下进行运用具有较高可行性。第二,设计了复杂背景下的小尺度人脸检测模型SK-En YOLOv4。提出一种将不同的图像遮挡技术分别与马赛克多图组合技术结合使用的数据增强方法,使小尺度人脸数据在Wider Face数据集中的占比从约百分之二十提高到约百分之四十,从而对小尺度人脸特征进行充分的学习;其次在YOLOv4模型嵌入Sk Net卷积核注意力机制,使不同大小的特征图通过同样的卷积核能获得自适应的感受野,更好地利用图像语义信息;最后采用递归网络特征金字塔结构的多尺度特征融合,充分利用网络上层像素信息和网络下层细节特征,提高人脸的检测精度。与原始YOLOv4模型相比,所设计的SK-En YOLOv4模型在Wider Face数据集上的平均检测精度提高约3.5个百分点,所设计的模型对于复杂背景条件下的小尺度人脸检测有较好的效果。本文研究复杂背景下的小尺度人脸检测算法,扩大人脸检测算法的实际使用场景,提高人脸检测算法在背景复杂和人脸目标尺度较小场景对人脸特征的检测精度。
肖健[3]（2021）在《基于深度学习的口罩遮挡条件下人脸识别关键技术研究》文中指出2019年12月新冠肺炎病毒爆发,随后疫情席卷全球,持续蔓延。在如今疫情防控常态化的形势下,人们出行时普遍戴上了口罩,这给传统的人脸识别技术带来了严峻的挑战。在此背景下,本文研究了基于深度学习的戴口罩的人脸识别技术,提出了相应的改进算法。实验证明,本文改进的算法与传统算法相比有着更优秀的性能。具体研究内容如下:（1）改进了一种基于深度学习的戴口罩人脸检测技术。主要对MTCNN中的R-Net和O-Net进行分析,将其中的NMS算法进行改进,引入soft-NMS算法和Io U-aware技术,将NMS中的置信度定义为选择分类概率分数与Io U的积。优化后的算法不直接取消候选框,也不取消目标已经超过阈值的候选回归框,而是降低该候选回归框的置信度。实验结果表明,优化的算法最低漏检率下降了0.79%,应用在人脸识别模型上的识别准确率提升了2.07%。（2）改进了一种基于深度学习的戴口罩人脸图像质量评估技术。利用数据增强构建了高、低质量的戴口罩人脸图像数据集分别为10866和14565张。设计了一个8层卷积神经网络模型,输出为高质量戴口罩人脸图像的置信度并将其作为图像质量分数。训练实验结果得出高、低质量的戴口罩人脸图像分类的准确率分别为97.93%和97.67%,平均准确率为97.78%。（3）改进了一种基于深度学习的戴口罩人脸识别技术。研究了VGG-16 Net的结构和各个卷积层的感受野区域,并改进了一种基于感受野区域权值的算法,根据二维高斯核函数的滤波特性设计了一种截断二维高斯核函数,设置参数(d=7,σ=3,可使得感受野中遮挡区域权值减小,人脸有效特征信息的权值增大。实验结果表明,优化的算法应用在人脸识别模型上,识别准确率提高了5.81%。
郭达[4]（2021）在《基于深度学习的人脸检测与分析》文中研究表明人脸分析系统在视频监控等安防场景下具有重要意义。目前在光照正常的情况下,基于可见光的人脸分析系统在人脸的各个任务上都已经实现了不错的效果,但是分析效率还有待进一步提升。此外,在一些具有挑战性的监控场景下,例如在黑暗环境下,由于可见光相机无法采集到清晰的人脸图像,基于可见光的人脸分析系统受到限制。在这种情况下,只有红外相机可以采集到清晰的人脸图像,因此基于红外-可见光的跨模态人脸识别对于监控安防场景具有重要的弥补作用和战略意义。针对以上问题,本文首先提出了一种基于可见光的多任务异构级联卷积神经网络,来提高监控场景下人脸分析系统的分析效率。其次,针对光照受限的弱光或者黑暗环境下,本文提出了一种用于跨模态人脸识别的全局-局部约束的人脸生成对抗网络GCF-GAN,有效改善了近红外人脸到可见光的生成结果,并提高了跨模态人脸的识别精度。在正常光照的监控场景下,基于可见光的人脸分析系统不仅需要做到精度高,还要尽可能高效。为了提高监控场景下人脸分析系统的分析效率,本文提出了一种人脸多任务的通用框架,称为多任务级联异构卷积神经网络（MHCNN）,同时实现人脸检测、人脸关键点定位、人脸图像质量评估和人脸属性分析。MHCNN由一个高精度单步检测器（SSD）和一个高效的微型卷积神经网络（T-CNN）组成,其中,单步人脸检测器负责高精度地检测人脸,T-CNN用于精炼上一级的检测结果,并同时实现人脸关键点定位和人脸属性分析等任务。尽管基于SSD的人脸检测器取得了出色的结果,但我们发现在检测中应用T-CNN可以进一步提高检测到的人脸分数。通过多任务训练,T-CNN能够同时实现人脸关键点定位、人脸属性分析和人脸图像质量评估这几个任务。由于公开的人脸相关数据集中没有我们需要的人脸图像质量评分数据和包含墨镜及口罩的人脸属性识别数据,因此我们贡献了两个从互联网上收集的数据集Face Q和Face A。实验表明,我们的MHCNN在FDDB上明显降低了单步人脸检测器在高召回率下的误检,并在Face Q和Face A上达到了出色的结果。尽管基于可见光的人脸识别技术发展迅速且应用丰富,但是在光照受限的弱光或者黑暗环境下,由于红外人脸采集成本高、数据量稀少,基于红外-可见光的跨模态人脸识面临着极大的挑战。针对这一问题,本文提出了一种用于跨模态人脸识别的全局-局部约束的人脸生成对抗网络GCF-GAN,有效改善了近红外人脸到可见光人脸的生成效果,并在CASIA NIR-VIS 2.0数据集上有效提升了跨模态人脸的识别精度。由于人脸的鉴别性主要体现在眼睛、鼻子和嘴巴等核心区域的差别,因此,GCF-GAN在生成人脸的过程中,通过对这些五官核心区域进行额外的局部约束,加强这些局部区域的细节生成,从而生成出更加真实的可见光人脸,提升了跨模态人脸的识别精度。此外,由于当前市面上并没有足够大的热红外-可见光人脸数据集。本文贡献了一个基于偏振成像的大规模多属性多姿态的热红外-可见光人脸数据集SIAT IR-VIS 1.0,此数据集具有重要的实际应用价值和战略研究意义。
刘洁[5]（2021）在《遮挡人脸修复与识别技术的研究及应用》文中认为随着信息技术的高速发展、硬件算力不断增强、深度学习理论的不断成熟,人脸识别技术得到了蓬勃发展,已广泛应用到生产、生活的各个领域,但在实际使用中也存在一定的问题,当人脸被眼镜、帽子、口罩等干扰时,人脸特征会部分丢失导致人脸识别的准确度大幅下降,这严重影响了人脸识别的应用范围。虽然,研究人员针对人脸遮挡问题也提出了很多方法来降低其带来的负面影响,也取得了一定的成效,但都未能从根本上完全解决遮挡人脸识别的问题。因此,如何完全消除遮挡区域对人脸识别的影响,在人脸识别领域仍具有极大的研究空间和研究价值。针对日常生活中经常遇到的帽子、眼镜、口罩等遮挡情况,本文提出了一种改进的遮挡人脸识别方法,从遮挡区域修复和识别方法优化两方面消除了遮挡对于人脸识别的负面影响,保障了遮挡人脸识别的准确率。同时,设计开发了1套遮挡人脸识别原型系统,实现了人脸修复及动态视频的人脸识别、检索、筛选功能。本文的主要工作内容如下:（1）本文对比分析了GAN、WGAN、WGAN-GP算法的优缺点,选取WAGNGP算法为基础,在算法框架上采用全局判别器、局部判别器,在损失函数上引入对抗损失、重构损失、内容损失,并结合U-Net模型及VGG16模型的优点提出了一种改进的遮挡人脸修复算法,保证了修复人脸图像的完整性与连贯性,从而为后续人脸识别奠定了基础。（2）针对常用的基于卷积神经网络人脸识别方法在遮挡区域较大的情况下存在人脸识别效果不理想的问题,首先,结合SENet模块及Arc Face损失函数的优点,对VGG16模型进行了改进;其次,在改进的遮挡人脸修复算法基础上,结合改进的卷积神经网络VGG16的优点,提出了一种新的遮挡人脸识别算法模型;最后,通过多组对比实验,验证了本文遮挡人脸识别算法的有效性,在不同遮挡比例的情况下,均具有更好的人脸识别准确率。（3）以提出的改进遮挡人脸识别算法为基础,设计开发了1套遮挡人脸识别原型系统,不仅实现了人脸修复功能,而且具有视频人脸识别及检索功能,初步达到了在实用环境下对动态视频中人脸进行高效识别、实时检索、准确筛选的目的,通过系统整体性能测试,表明该系统对于遮挡人脸的修复和识别均有较好的较果,具有较强的实用性。本文研究成果不仅解决了遮挡人脸由于特征丢失而导致的识别准确率下降问题,而且针对日常生活中的动态视频实现了人脸的高效识别、实时检索及准确筛选,进一步拓宽了人脸识别技术的应用场景,具有较强的实用性。
甄雨寒[6]（2021）在《面向智能监控的单样本人脸识别方法研究》文中研究指明随着计算机视觉技术的迅速发展,以人脸识别为代表的身份认证在智能安检等领域发挥着越来越重要的作用。监控作为城市的基础设施建设,拥有丰富的人脸图像资源,在非配合人脸识别方向有着广泛的应用前景。在面向智能监控的应用场景中,通常只能获得待识别对象的一张正脸样本,但是在监控相机中采集的人脸图像受姿态变化、口罩遮挡等真实复杂因素的影响较大,给非配合人脸识别应用带来了巨大的挑战。本文面向智能监控的应用场景,针对非配合人脸识别场景中的斜上方视角人脸和口罩遮挡人脸两种影响较大的因素展开研究,主要工作如下:首先,本文对监控视角下人脸图像的表现特征进行研究,分析了造成人脸图像信息丢失的影响因素。针对训练样本数量和识别率的影响关系进行了实验验证,分析了单样本人脸识别的难点,并对本文涉及的人脸检测和人脸关键点检测算法进行介绍。然后,针对监控相机采集的斜上方视角的人脸图像,本文提出了一种多姿态样本扩充算法,该方法将正脸图像和三维人脸模型的关键点进行对应映射,将三维模型在世界坐标系中旋转后投影到二维平面获得Yaw和Pitch两个维度变化的多姿态人脸。设计了基于特征域距离的动态阈值约束对多姿态样本进行约束。并通过多姿态增强数据集训练了姿态鲁棒深度神经网络提取特征,并通过实验验证了本文算法在单样本条件下对姿态变化的识别鲁棒性。最后,针对监控相机采集的口罩遮挡的人脸图像,本文提出了将全局人脸深度高语义特征和较浅层高分辨的眼部局部特征进行融合,采用特征融合的策略充分利用遮挡人脸图像的可见部分。并通过对softmax损失函数进行改进,通过加入惩罚因子使得深度网络可以提取具有类内聚集类间发散的人脸特征,并在真实监控视角场景中验证了本文的有效性。
屈金山[7]（2021）在《非约束环境下的人脸定位及正脸提取算法研究》文中研究表明非约束环境下的人脸检测易受到环境遮挡、模糊、光线、角度等因素影响,因此多年来一直是一个具有挑战性的课题。近年来随着深度学习的快速发展,凭借目标检测网络强大的特征提取能力以及端到端的学习能力,非约束环境下的人脸检测得到了长足的发展。然而,当前目标检测网络针对密集场景下的小人脸检测仍存在很多困难。此外,当前非约束环境下的人脸检测算法还存在模型复杂,运算量大,难以应用于实时性要求强的应用场合的问题。针对以上问题,本文将YOLOv3算法与分块融合策略相结合,并通过扩展YOLOv3的输出提升其检测范畴实现了同时兼具准确性与运行效率的人脸检测及正脸提取算法,主要研究内容包括:（1）针对当前目标检测算法在小人脸检测中存在的检测难度大的问题,提出了一种YOLOv3和分块-融合策略结合的人脸检测算法;该人脸检测算法将待检测图片通过分块后输入到网络中进行检测,通过分块的方式降低图片的下采样率,从而保留更多的信息,使得小人脸的特征更加清晰,从而提高小人脸的检测精度。（2）针对经典NMS算法在分块-融合策略中的大尺度人脸融合时存在的冗余检测和错误检测,提出了一种改进NMS算法。改进NMS算法将IOU修改为两个检测框重合区域除以待检测框区域,同时设计以检测框面积和得分两个条件来选择最佳检测框。最终改进的NMS算法在有效减少冗余检测以及错误检测的同时提高了算法的整体精度。（3）改进YOLOv3算法,扩展YOLOv3算法的输出,使YOLOv3同时输出人脸边界框和关键点。该算法以目标检测算法YOLOv3预测框左上角的顶点作为基准点,同时预测人脸的五个关键点与该基准点的偏移量,根据模型输出的偏移量得到人脸五个关键点的坐标,实现人脸边界框和关键点的同时输出。（4）为了能够提取非约束环境下的正面人脸区域,提出一种通过人脸关键点分析人脸姿态并获取正脸的算法。该算法通过提取的人脸关键点在预测框中的相对位置分析该人脸是否为正脸,若为正脸则输出,方便后续进行人脸识别。实验表明,本论文提出的分块融合策略算法以及改进NMS算法有效提高了人脸检测精度,扩展的YOLOv3模型能够实现YOLOv3同时预测输出人脸矩形边界框和人脸关键点,所设计的基于关键点的正脸提取算法能够有效捕捉非约束环境下的正脸目标,具有较好的应用价值。
周小洁[8]（2020）在《复杂背景下的人脸检测及跟踪算法研究》文中认为人脸检测和跟踪作为人脸识别系统中不可或缺的环节,其广泛的应用前景引起了学术界的高度关注。人脸检测和人脸跟踪在单一环境下的研究已经取得了突破性进展,但其在复杂环境中的表现仍欠佳,这是因为复杂环境包含的很多不确定性因素,例如光照变化、遮挡、面部角度变化以及图像分辨率等,会不同程度制约人脸检测和人脸跟踪的性能。本文对复杂背景下的人脸检测和人脸跟踪算法进行了研究,具体工作如下:（1）研究了一种由粗到精的人脸检测算法。对现有的通用目标检测模型Faster R-CNN和YOLOv3进行研究,并改进使其适用于人脸检测任务。分析两种模型的特点后提出了一种由粗到精的面部检测算法,该算法通过构建包括特征提取、面部边框粗定位和面部边框精定位三个模块的深度卷积神经网络,完成对面部候选区域的两次分类任务和级联的两次位置回归任务。在WIDER FACE数据集上的实验结果表明,该算法对复杂背景下的人脸检测率达76%,与Faster R-CNN准确率相当,但检测速度快了10倍。（2）建立了新生儿面部数据库。对获取的新生儿面部图像或视频进行预处理并制作样本标签,建立了一个背景复杂、面部存在遮挡、面部角度多变及面部状态变化的图像样本库。使用该数据库对所研究的检测算法进行仿真实验,获得适用于新生儿面部特征的检测器。实验表明改进后的YOLOv3检测效果最佳,其采用K-Means聚类获得更符合新生儿面部尺寸的先验框使检测准确率达99.43%。（3）研究了多任务实现人脸关键点检测。提出的一种由粗到精的面部检测算法采用多任务学习同时实现面部五个关键点（左眼中心、右眼中心、鼻尖、左嘴角、右嘴角）位置预测。利用面部检测结果和关键点检测结果对人脸进行校正。一方面,校正后的人脸可降低识别系统后续步骤的操作难度;另一方面,实验结果显示加入关键点检测使新生儿面部检测率提高0.5%,关键点检测起到了一定的监督作用,提升了面部检测质量。（4）研究了结合孪生网络和候选区域推荐网络的跟踪算法,并将其应用在新生儿面部跟踪中。跟踪器中跟踪框的初始化信息来自YOLOv3对新生儿视频序列的第一帧图像进行面部检测的结果。通过对比由不同训练集获得的跟踪器跟踪效果发现,人为添加更具语义信息的难分样本可以提高跟踪器的判别能力和鲁棒性。
涂晓光[9]（2020）在《面向非限制条件的人脸识别研究》文中进行了进一步梳理人脸识别技术已经广泛地应用于当前社会中,如安保系统、高科技IT产品、个人电脑和智能手机等。这些智能产品已经使当今社会的各项服务更安全、快捷和方便,人脸识别也早已经成为了当前人类活动中不可或缺的技术。在过去的几十年里,已经有各种各样的相关算法被提出来解决人脸识别中的各种问题并取得了重大的进展,在理想条件下这些算法可以使得计算机的人脸识别率超过人眼。然而,对于非限制条件（自然条件）下的人脸识别,当前的人脸识别技术仍然存在着许多挑战。非限制条件的人脸识别需要对真实自然场景中的人脸图像进行特征提取,因此容易受到诸多因素的影响,如面部姿态差异以及由光照、模糊、噪声、低分辨率等因素引起的人脸图像内容丢失。这些因素极大地影响了非限制条件下的人脸识别性能,需要进行进一步的研究。除此之外,随着对认证安全性的不断重视,人脸识别系统不仅需要具有较高的识别精度还需要能鉴别该人脸是真实的人脸还是来自图片或视频中的人脸（伪造攻击人脸）。因此,人脸防伪技术也是当前非限制条件下人脸识别系统中的重要组成部分。为了提高当前人脸识别系统的准确性、鲁棒性、以及安全性,本论文主要集中研究人脸图像增强,人脸关键点检测,人脸姿态归一化,以及人脸防伪特征学习等课题。主要研究贡献如下:1.针对于自然场景中受光照影响的人脸图像,第三章提出了一种基于尺度分解和能量模型最小化的人脸图像去光照方法。该方法首先利用对数全变分对受光照影响的人脸图像进行尺度分解,从而得到只包含人脸本质特征的小尺度成分和主要包含光照特征的大尺度成分。随后,通过最小化全变分能量函数估计出人脸图像中的光照场并将其移除。不同于以往的方法通过提取人脸图像的光照不敏感特征用于人脸识别,该方法首次提出估计光照场的方法来去除光照的影响。论文在CMU-PIE,Extended Yale B和CAS-PEAL-R1这三个主流的人脸光照数据库上进行了充分的实验,实验结果表明,所提出的方法显着地提高了人脸去光照的可视化效果和受光照影响图像的人脸识别率。2.针对于大姿态和受遮挡影响的人脸图像,第四章提出了一种自监督辅助学习的人脸三维关键点检测方法。该方法构建了基于关键点自映射的强监督和基于生成对抗学习的弱监督模型,利用自然场景中无三维标注的二维人脸图像对三维人脸重建进行辅助监督。不同于二维人脸关键点检测算法,该算法能重建出单张二维人脸图像所对应的三维人脸模型,并用来还原密集三维人脸关键点。重建出的密集关键点包含丰富的三维人脸信息,可以对大角度偏转和受遮挡影响的人脸图像进行更精确的对齐。论文在AFLW2000-3D,AFLW-LFPA和Florence这三个主流的三维人脸验证数据集上进行了充分的实验,实验结果表明,所提出的方法在三维人脸重建和三维关键点检测方面均取得了很好的结果。3.第五章提出一种基于生成对抗学习的跨姿态低质量人脸复原方法和过渡训练方法,旨在同时解决人脸图像大姿态偏转和低质量因素（如模糊、噪声、光照影响及低分辨率）影响的问题。给定一张任意角度和任意低质量因素影响的人脸图像,论文提出的任意人脸复原模型首先对该人脸进行三维重建,并在标准的三维空间中自动对其进行姿态归一化,从而得到标准的正脸姿态。得到的正脸姿态将引导高质量人脸还原对抗网络的学习,从而可以从任意给定的人脸图像生成其对应的高质量正脸图像。值得注意的是,所提出的任意人脸复原模型可以端到端一次性从给定的人脸图像中还原其高质量正脸图像,并显着提高人脸图像的识别率。论文在CMU Multi-PIE、LFW和IJB-C这三个数据库上进行了充分的实验,实验结果表明,所提出的方法不论是在人脸转正还是在人脸增强上均取得了很好的结果。4.第六章提出了一种基于深度迁移学习的人脸防伪方法。该方法属于半监督学习,实验结果表明,只需要利用少量目标域的无标签人脸进行半监督训练,所提出方法即可极大的提高人脸防伪的跨域识别率。此外,论文还提出了深度多任务学习的人脸防伪方法,将人脸识别和活体人脸检测算法融合到一个深度学习的网络框架中进行相互增强训练,同时提出全混淆损失函数和快速域迁移算法来提高活体人脸检测的普适性。论文在CASIA-FASD,Replay-Attack,MSU-MFSD,Oulu-NPU和Si W这五个主流的人脸防伪数据集上进行了充分的实验,实验结果表明,该方法能在得到高精度人脸识别性能的同时对人脸进行活体检测,显着的提高活体人脸检测的鲁棒性并降低安全人脸认证的反应时间。
李天昊[10]（2020）在《基于OpenCV的实时人脸识别系统的设计与实现》文中研究指明随着物联网技术和人工智能的发展,以嵌入式系统为平台的人脸识别系统得到了广泛应用。尽管人脸识别系统在可控条件下可以得到很高的识别结果,然而,在街道、商场等复杂场景,采集的人脸图片容易受到姿态、表情、遮挡和光照等原因的影响,可以提取的特征很少甚至难以提取特征,为人脸识别带来了一定的阻力。本文利用全局特征与局部特征融合的方法研究了复杂环境下人脸识别系统的设计和实现,实现在非限制条件下快速准确识别人脸身份的目的。人脸识别主要包括人脸定位检测、特征提取和特征比对三个关键环节。本文针对复杂环境下人脸定位检测,选择了MTCNN人脸检测算法,不仅能快速的定位人脸,而且能在遮挡和光照条件下检测到人脸;针对特征提取,为了解决光照和遮挡环境无法准确提取整体特征这一关键问题,采用以全局特征为主、局部特征为辅的综合分析方法,本文优化的基于Squeeze Net网络提取全局特征级联融合基于图像分块提取的LBP与梯度局部特征方法,可以提高人脸特征提取的准确度。针对特征比对,采用欧式距离计算视频中人脸与人脸库中特征的相似度,通过设定阈值,判断识别结果。本文以X210目标机为硬件系统,搭建了一个稳定的人脸识别嵌入式系统平台,从不同的现实环境对特征相似度进行了测试。实验结果表明:全局特征级联融合LBP特征在光照环境下识别率最高,全局特征级联融合梯度特征在遮挡环境下识别率最高,相比于为不融合局部特征的方法分别高7%和25%,且在亮暗环境相比于以PCA算法为代表的嵌入式人脸识别算法高12%和8%。本文设计的人脸识别系统可以在不同光照环境和轻微遮挡环境识别人脸身份,有效的改善了复杂背景情况下人脸识别技术,系统运行稳定,满足设计需求。
二、复杂背景下人脸检测算法的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、复杂背景下人脸检测算法的研究（论文提纲范文）
（1）复杂场景下基于YOLOv3的人脸检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统的人脸检测研究 |
| 1.2.2 基于深度学习的人脸检测研究 |
| 1.3 主要研究内容 |
| 1.4 文章组织结构 |
| 2 相关基础理论 |
| 2.1 神经网络模型 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积层 |
| 2.2.2 参数共享与稀疏性连接 |
| 2.2.3 激活函数 |
| 2.2.4 池化层 |
| 2.2.5 全连接层 |
| 2.3 卷积神经网络的训练 |
| 2.3.1 前向传播 |
| 2.3.2 反向传播 |
| 2.4 自适应矩估计算法 |
| 2.5 经典目标检测算法 |
| 2.6 本章小结 |
| 3 优化后YOLOv3 在复杂场景下的人脸检测 |
| 3.1 网络整体结构 |
| 3.1.1 网络输出特征图 |
| 3.1.2 边界框(Bounding box) |
| 3.1.3 非极大值抑制 |
| 3.2 YOLOv3 的参数优化 |
| 3.2.1 先验框的多聚类调整 |
| 3.2.2 动态阈值法 |
| 3.3 FPN网络的改进 |
| 3.4 实验分析 |
| 3.4.1 实验数据及环境 |
| 3.4.2 实验方法 |
| 3.4.3 实验评价指标 |
| 3.4.4 先验框调整实验 |
| 3.4.5 动态阈值实验 |
| 3.4.6 WIDER FACE基准上的性能比较 |
| 3.5 本章小结 |
| 4 基于Darknet-53 的改进残差网络人脸检测 |
| 4.1 Darknet-53 结构 |
| 4.1.1 Darknet-53 基础模块 |
| 4.1.2 Darknet-53 网络配置 |
| 4.2 改进残差网络 |
| 4.2.1 基于阶段性的残差神经网络 |
| 4.2.2 构建群模块(Grouped building block) |
| 4.2.3 对YOLOv3 主干网络Darknet-53 的改进 |
| 4.3 实验分析 |
| 4.3.1 实验方法 |
| 4.3.2 实验评价指标 |
| 4.3.3 实验对比分析 |
| 4.3.4 算法实际应用 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 内容总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
| 学位论文数据集 |
（2）复杂背景下的小尺度人脸检测算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| §1.1 研究背景及意义 |
| §1.2 国内外研究现状 |
| §1.2.1 复杂背景下的目标检测国内外研究现状 |
| §1.2.2 小尺度目标检测国内外研究现状 |
| §1.2.3 人脸检测国内外研究现状 |
| §1.3 主要研究内容 |
| §1.4 论文组织结构 |
| 第二章 相关理论与技术概述 |
| §2.1 人脸检测技术概述 |
| §2.2 卷积神经网络理论基础 |
| §2.2.1 卷积层 |
| §2.2.2 池化层 |
| §2.2.3 全连接层 |
| §2.2.4 激活函数 |
| §2.2.5 损失函数 |
| §2.3 相关网络结构分析 |
| §2.3.1 YOLO网络结构 |
| §2.3.2 YOLOv2网络结构 |
| §2.4 人脸检测面临的问题与挑战 |
| §2.5 本章小结 |
| 第三章 复杂背景下的人脸检测模型SE-ImYOLOv3 |
| §3.1 问题分析 |
| §3.2 YOLOv3模型简介 |
| §3.3 SE-ImYOLOv3检测模型的设计 |
| §3.3.1基于遗传算法的K-means聚类 |
| §3.3.2 融合通道注意力机制 |
| §3.3.3 改进的置信度损失函数 |
| §3.4 实验结果与分析 |
| §3.4.1 数据集与评价指标 |
| §3.4.2 模型分析 |
| §3.4.3 不同改进策略实验结果 |
| §3.4.4 其他检测模型对比结果 |
| §3.4.5 检测结果分析 |
| §3.5 本章小结 |
| 第四章 复杂背景下的小尺度人脸检测模型SK-EnYOLOv4 |
| §4.1 问题分析 |
| §4.2 YOLOv4模型简介 |
| §4.3 SK-EnYOLOv4模型设计 |
| §4.3.1 组合技术的数据增强方法 |
| §4.3.2 融合卷积核注意力机制 |
| §4.3.3 基于Recursive-FPN的多尺度特征融合 |
| §4.4 实验结果与分析 |
| §4.4.1 数据集与评价指标 |
| §4.4.2 模型分析 |
| §4.4.3 不同改进策略实验结果 |
| §4.4.4 其他检测模型对比结果 |
| §4.4.5 检测结果分析 |
| §4.4 本章小结 |
| 第五章 总结与展望 |
| §5.1 研究总结 |
| §5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（3）基于深度学习的口罩遮挡条件下人脸识别关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 人脸识别的研究内容及难点 |
| 1.2.1 人脸识别的研究内容 |
| 1.2.2 人脸识别的难点 |
| 1.3 遮挡条件下人脸识别的研究现状 |
| 1.4 论文主要研究内容与章节安排 |
| 1.4.1 论文主要研究内容 |
| 1.4.2 论文章节安排 |
| 2 相关理论基础 |
| 2.1 深度学习概述 |
| 2.2 MTCNN的简介 |
| 2.2.1 MTCNN的结构 |
| 2.2.2 MTCNN的工作原理 |
| 2.3 VGG-16 Net |
| 2.4 本章小结 |
| 3 戴口罩人脸图像质量评估技术 |
| 3.1 人脸图像质量评估概述 |
| 3.2 人脸图像质量评估的意义 |
| 3.3 数据集的构建 |
| 3.4 搭建m FIQA的网络 |
| 3.5 实验结果讨论 |
| 3.6 本章小结 |
| 4 戴口罩人脸检测与识别技术 |
| 4.1 MTCNN的训练 |
| 4.2 非极大值抑制算法 |
| 4.2.1 NMS算法的工作原理 |
| 4.2.2 NMS算法的局限性 |
| 4.3 改进的mMTCNN算法 |
| 4.4 高斯核函数的分析 |
| 4.4.1 一维高斯核函数 |
| 4.4.2 二维高斯核函数 |
| 4.5 改进的gVGG-16 Net算法 |
| 4.5.1 感受野理论分析 |
| 4.5.2 gVGG-16 Net的设计 |
| 4.5.3 参数σ与d的确定 |
| 4.6 本章小结 |
| 5 综合对比实验 |
| 5.1 建立数据集 |
| 5.2 确立评价指标 |
| 5.3 人脸检测改进模型mMTCNN的对比实验 |
| 5.4 人脸识别改进模型gVGG-16 Net的对比实验 |
| 5.5 综合改进对比实验 |
| 5.5.1 mMTCNN+gVGG-16 Net的相应对比实验 |
| 5.5.2 mMTCNN+ mFIQA+gVGG-16 Net的相应对比实验 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者攻读学位期间取得的研究成果 |
（4）基于深度学习的人脸检测与分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人脸检测 |
| 1.2.2 人脸关键点定位 |
| 1.2.3 跨模态人脸识别 |
| 1.3 研究内容及章节安排 |
| 第2章 基于深度学习的人脸相关技术介绍 |
| 2.1 人脸相关数据集 |
| 2.1.1 人脸检测数据集 |
| 2.1.2 人脸关键点及属性识别数据集 |
| 2.1.3 跨模态人脸识别数据集 |
| 2.2 人脸分析系统视觉方法 |
| 2.2.1 人脸分析系统整体框架 |
| 2.2.2 人脸检测方法介绍 |
| 2.3 跨模态人脸识别方法介绍 |
| 2.3.1 基于特征提取的跨模态人脸识别方法介绍 |
| 2.3.2 基于图像生成的跨模态人脸识别方法介绍 |
| 第3章 监控场景下人脸检测与分析的一体化算法 |
| 3.1 前言 |
| 3.2 多任务异构级联卷积神经网络 (MHCNN) |
| 3.2.1 概述 |
| 3.2.2 基于SSD的人脸检测器 |
| 3.2.3 多任务小型CNN |
| 3.3 FaceA和FaceQ数据集 |
| 3.4 实验细节与结果分析 |
| 3.4.1 实现细节 |
| 3.4.2 人脸检测任务评估 |
| 3.4.3 人脸属性识别分析 |
| 3.4.4 人脸质量评估分析 |
| 3.5 算法性能分析 |
| 3.6 本章小结 |
| 第4章 基于图像生成的人脸跨模态识别 |
| 4.1 前言 |
| 4.2 人脸局部监督生成对抗网络 (GCF-GAN) |
| 4.2.1 概述 |
| 4.2.2 GCF-GAN基于Mask的全局-局部约束 |
| 4.3 热红外-可见光数据集SIAT IR-VIS 1.0 |
| 4.4 实验与结果分析 |
| 4.4.1 实现细节 |
| 4.4.2 在CASIA NIR-VIS 2.0 数据集上的实验结果 |
| 4.4.3 在SIAT IR-VIS 1.0 数据集上的实验结果 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
| 致谢 |
（5）遮挡人脸修复与识别技术的研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 本文主要工作 |
| 1.5 论文组织结构 |
| 第2章 相关基础理论 |
| 2.1 图像增强 |
| 2.1.1 图像灰度变换 |
| 2.1.2 对比度受限的自适应直方图均衡 |
| 2.2 图像去噪 |
| 2.2.1 中值滤波 |
| 2.2.2 均值滤波 |
| 2.2.3 高斯滤波 |
| 2.3 遮挡人脸识别相关技术 |
| 2.3.1 MTCNN算法 |
| 2.3.2 传统遮挡人脸识别方法 |
| 2.4 本章小结 |
| 第3章 基于卷积神经网络的人脸识别算法 |
| 3.1 卷积神经网络的基本原理与结构 |
| 3.1.1 卷积神经网络的基本原理 |
| 3.1.2 卷积神经网络的网络结构 |
| 3.2 基于VGG-Net网络的人脸识别算法 |
| 3.2.1 VGG-Net的网络结构 |
| 3.2.2 VGG-Net的损失函数 |
| 3.2.3 VGG-Net模型的训练 |
| 3.3 本章小结 |
| 第4章 基于WGAN-GP的遮挡人脸修复研究 |
| 4.1 GAN的理论及其相关算法研究 |
| 4.1.1 生成对抗网络(GAN) |
| 4.1.2 Wasserstein生成对抗网络(WGAN) |
| 4.1.3 带梯度惩罚的Wasserstein生成对抗网络(WGAN-GP) |
| 4.1.4 实验结果及分析 |
| 4.2 改进遮挡人脸图像修复算法 |
| 4.2.1 改进人脸图像修复算法框架 |
| 4.2.2 改进算法设计 |
| 4.2.3 实验结果与分析 |
| 4.3 本章小结 |
| 第5章 遮挡人脸图像识别算法研究 |
| 5.1 基于VGG16 的人脸识别方法 |
| 5.2 改进遮挡人脸识别算法 |
| 5.2.1 算法框架 |
| 5.2.2 算法设计与改进 |
| 5.2.3 实验与结果分析 |
| 5.3 本章小结 |
| 第6章 遮挡人脸识别原型系统设计与实现 |
| 6.1 系统总体设计 |
| 6.2 系统开发环境 |
| 6.3 系统设计 |
| 6.3.1 系统功能模块设计 |
| 6.3.2 数据库设计 |
| 6.4 系统实现与演示 |
| 6.4.1 遮挡人脸识别原型系统的实现 |
| 6.4.2 实验结果与分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文和研究成果 |
| 致谢 |
（6）面向智能监控的单样本人脸识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 人脸识别基本框架 |
| 1.3 发展历史与研究现状 |
| 1.4 本文研究内容和章节安排 |
| 第二章 人脸识别相关方法研究与分析 |
| 2.1 引言 |
| 2.2 监控场景下人脸识别分析 |
| 2.2.1 监控视角人脸图像分析 |
| 2.2.2 单样本人脸识别难点分析 |
| 2.3 深度学习相关方法 |
| 2.3.1 全连接神经网络 |
| 2.3.2 卷积神经网络 |
| 2.4 人脸及关键点检测算法 |
| 2.4.1 基于级联卷积神经网络的人脸检测算法 |
| 2.4.2 人脸关键点检测算法 |
| 2.5 本章小结 |
| 第三章 基于多姿态生成的单样本人脸识别算法 |
| 3.1 引言 |
| 3.2 基于3D模型的多姿态人脸样本生成方法 |
| 3.2.1 人脸的多姿态表示 |
| 3.2.2 图像和3D模型的对应关系 |
| 3.2.3 基于3DMM模型的多姿态生成 |
| 3.3 多姿态鲁棒的人脸识别网络 |
| 3.3.1 多姿态鲁棒的人脸识别增强 |
| 3.3.2 深度卷积神经网络设计与训练 |
| 3.4 基于特征空间域的阈值约束 |
| 3.5 实验结果分析 |
| 3.5.1 数据集测试 |
| 3.5.2 真实场景测试 |
| 3.6 本章小结 |
| 第四章 基于局部特征融合的单样本遮挡识别算法 |
| 4.1 引言 |
| 4.2 口罩佩戴识别研究 |
| 4.2.1 基于CNN的口罩遮挡检测 |
| 4.2.2 基于肤色模型的口罩佩戴识别增强 |
| 4.3 全局高语义特征和局部高分辨特征融合算法 |
| 4.3.1 口罩遮挡下人脸识别增强 |
| 4.3.2 基于深度可分离卷积和全局池化的网络改进 |
| 4.4 带惩罚的损失函数优化 |
| 4.5 实验结果分析 |
| 4.5.1 数据集测试 |
| 4.5.2 真实场景测试 |
| 4.6 本章小节 |
| 第五章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（7）非约束环境下的人脸定位及正脸提取算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题依据与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第2章 相关理论知识 |
| 2.1 深度学习与卷积神经网络 |
| 2.1.1 卷积神经网络 |
| 2.1.2 基于深度学习的视觉目标检测 |
| 2.2 YOLOv3目标检测算法 |
| 2.2.1 YOLO系列算法简介 |
| 2.2.2 YOLOv3目标检测原理 |
| 2.2.3 YOLOv3模型的训练 |
| 2.2.4 YOLOv3模型实验与分析 |
| 2.3 本章小结 |
| 第3章 基于分块-融合策略的大跨度尺度下的人脸检测 |
| 3.1 YOLOv3与分块融合策略相结合的人脸检测 |
| 3.2 提升精度的NMS改进算法 |
| 3.3 实验与结果分析 |
| 3.3.1 数据准备 |
| 3.3.2 实验结果与分析 |
| 3.4 本章小结 |
| 第4章 人脸定位及关键点检测与正脸提取算法 |
| 4.1 基于YOLOv3改进算法的人脸定位与人脸关键点同步提取 |
| 4.1.1 用于面部特征点检测的YOLOv3输出扩展 |
| 4.1.2 YOLOv3模型关键点损失函数设计 |
| 4.2 基于关键特征点的人脸姿态估计算法 |
| 4.3 实验与结果分析 |
| 4.3.1 数据准备 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（8）复杂背景下的人脸检测及跟踪算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人脸检测技术研究现状 |
| 1.2.2人脸跟踪技术研究现状 |
| 1.3 人脸检测和人脸跟踪基本流程 |
| 1.4 研究内容及章节安排 |
| 1.4.1 研究内容 |
| 1.4.2 章节安排 |
| 第二章 卷积神经网络相关知识 |
| 2.1 卷积神经网络发展概述 |
| 2.2 卷积神经网络相关理论 |
| 2.2.1 基本结构 |
| 2.2.2 常用的目标函数 |
| 2.2.3 前向传播和反向传播 |
| 2.3 本章小结 |
| 第三章 复杂背景下的人脸检测研究 |
| 3.1 基于改进的Faster R-CNN算法的人脸检测 |
| 3.1.1 Faster R-CNN算法的网络结构 |
| 3.1.2 候选框的位置修正 |
| 3.1.3 非极大值抑制 |
| 3.2 基于改进的YOLOv3算法的人脸检测 |
| 3.2.1 YOLOv3算法的网络结构 |
| 3.2.2 边框预测 |
| 3.2.3 特征金子塔网络 |
| 3.3 一种由粗到精的人脸检测算法 |
| 3.3.1 一种由粗到精算法的网络结构 |
| 3.3.2 多任务协同训练 |
| 3.3.3 人脸关键点定位 |
| 3.4 本章小结 |
| 第四章 复杂背景下的人脸跟踪研究 |
| 4.1 孪生网络 |
| 4.2 基于SiamRPN的人脸跟踪算法 |
| 4.2.1 网络结构和原理 |
| 4.2.2 候选区域推荐策略 |
| 4.2.3 数据增强 |
| 4.3 本章小结 |
| 第五章 实验及结果分析 |
| 5.1 实验平台简介 |
| 5.2 实验数据简介 |
| 5.2.1 新生儿面部数据集 |
| 5.2.2 WIDER FACE数据集 |
| 5.3 性能评价指标 |
| 5.4 人脸检测实验结果与分析 |
| 5.4.1 新生儿面部数据集上的实验结果与分析 |
| 5.4.2 WIDER FACE数据集上的实验结果与分析 |
| 5.5 新生儿面部跟踪实验结果与分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间申请的专利 |
| 附录2 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（9）面向非限制条件的人脸识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容和主要创新点 |
| 1.4 论文的结构安排 |
| 第二章 人脸识别各阶段算法概述 |
| 2.1 人脸图像预处理 |
| 2.1.1 人脸去光照 |
| 2.1.2 人脸超分辨 |
| 2.1.3 人脸去模糊 |
| 2.2 人脸关键点检测 |
| 2.2.1 二维人脸关键点检测 |
| 2.2.2 三维人脸关键点检测 |
| 2.3 人脸特征提取 |
| 2.3.1 基于局部特征的人脸特征提取 |
| 2.3.2 基于特征编码的人脸特征提取 |
| 2.3.3 基于深度学习的人脸特征学习 |
| 2.4 安全人脸认证 |
| 2.4.1 基于传统特征的活体人脸检测方法 |
| 2.4.2 基于深度学习的活体人脸检测方法 |
| 2.5 常用的人脸数据库 |
| 2.5.1 二维人脸数据库 |
| 2.5.2 三维人脸数据库 |
| 2.5.3 人脸防伪检测数据库 |
| 2.6 本章小结 |
| 第三章 基于尺度分解及能量模型最小化的人脸去光照方法 |
| 3.1 相关工作 |
| 3.2 能量模型定义 |
| 3.3 能量模型求解 |
| 3.4 实验与分析 |
| 3.4.1 实验数据及模型参数 |
| 3.4.2 可视化实验结果分析 |
| 3.4.3 消融实验分析 |
| 3.4.4 人脸识别结果分析 |
| 3.5 本章小结 |
| 第四章 基于二维辅助学习的人脸三维关键点检测方法 |
| 4.1 相关工作 |
| 4.1.1 三维人脸重建 |
| 4.1.2 三维人脸对齐 |
| 4.2 三维形变模型 |
| 4.3 网络结构 |
| 4.3.1 3DMM系数加权监督 |
| 4.3.2 二维辅助自监督 |
| 4.3.3 生成对抗弱监督 |
| 4.3.4 模型整体训练 |
| 4.4 实验与分析 |
| 4.4.1 实验数据及网络参数 |
| 4.4.2 人脸关键点检测结果分析 |
| 4.4.3 三维人脸重建结果分析 |
| 4.4.4 消融实验分析 |
| 4.5 本章小结 |
| 第五章 基于生成对抗学习的跨姿态低质量人脸复原方法 |
| 5.1 相关工作 |
| 5.1.1 人脸转正 |
| 5.1.2 人脸增强 |
| 5.2 网络结构 |
| 5.2.1 双代理生成网络 |
| 5.2.2 姿态归一化模型 |
| 5.2.3 双代理-先验引导判别网络 |
| 5.2.4 过渡训练 |
| 5.3 实验与分析 |
| 5.3.1 实验数据及网络参数 |
| 5.3.2 消融实验分析 |
| 5.3.3 人脸转正效果分析 |
| 5.3.4 人脸增强效果分析 |
| 5.3.5 人脸识别结果分析 |
| 5.4 本章小结 |
| 第六章 基于深度迁移及多任务学习的人脸防伪方法 |
| 6.1 相关工作 |
| 6.2 基于深度迁移学习的人脸防伪方法 |
| 6.2.1 网络结构 |
| 6.2.2 实验数据及网络参数 |
| 6.2.3 域内测试结果 |
| 6.2.4 域间测试结果 |
| 6.2.5 消融实验分析 |
| 6.3 深度多任务学习人脸防伪方法 |
| 6.3.1 网络结构 |
| 6.3.2 全成对混淆损失 |
| 6.3.3 快速域适应模块 |
| 6.3.4 实验数据及网络参数 |
| 6.3.5 消融实验分析 |
| 6.3.6 域内测试结果 |
| 6.3.7 域间测试结果 |
| 6.3.8 人脸识别结果 |
| 6.4 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（10）基于OpenCV的实时人脸识别系统的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 人脸识别技术研究现状及发展趋势 |
| 1.2.1 经典人脸识别算法的演进 |
| 1.2.2 深度学习人脸识别算法研究现状 |
| 1.2.3 人脸识别技术发展趋势 |
| 1.3 主要研究内容 |
| 1.4 论文结构安排 |
| 第二章 基于卷积神经网络人脸识别理论基础 |
| 2.1 神经网络理论基础 |
| 2.1.1 前馈神经网络 |
| 2.1.2 误差反向传播算法 |
| 2.2 卷积神经网络基本结构和作用 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 全连接层 |
| 2.2.4 Softmax分类层 |
| 2.3 深度学习框架 |
| 2.3.1 Tensor Flow框架 |
| 2.3.2 Theano框架 |
| 2.3.3 Caffe框架 |
| 2.4 本章小结 |
| 第三章 复杂环境下基于特征融合的人脸识别算法研究 |
| 3.1 复杂环境下人脸检测算法比对分析及选择 |
| 3.1.1 经典人脸检测算法演进 |
| 3.1.2 常用的人脸检测算法 |
| 3.1.3 复杂环境下人脸检测算法的选择 |
| 3.2 复杂环境人脸特征提取算法优化 |
| 3.2.1 基于Squeeze Net网络的全局特征提取 |
| 3.2.2 基于图像分块方法的人脸局部特征提取 |
| 3.2.3 基于Squeeze Net全局与局部特征融合算法优化 |
| 3.3 基于PCA算法的人脸识别 |
| 3.3.1 基于PCA算法的样本训练过程 |
| 3.3.2 基于PCA算法的测试集识别过程 |
| 3.4 本章小结 |
| 第四章 基于X210复杂环境下人脸识别嵌入式系统设计 |
| 4.1 基于X210嵌入式人脸识别硬件系统设计 |
| 4.1.1 X210硬件组成原理 |
| 4.1.2 人脸识别嵌入式最小硬件系统设计 |
| 4.2 基于X210嵌入式人脸识别软件系统设计 |
| 4.2.1 开发环境搭建 |
| 4.2.2 基于X210 嵌入式Linux系统搭建 |
| 4.2.3 驱动文件移植 |
| 4.2.4 第三方库移植 |
| 4.3 复杂环境人脸识别算法应用程序设计 |
| 4.3.1 基于MTCNN算法的人脸检测应用程序设计 |
| 4.3.2 全局与局部特征融合相似度对比程序设计 |
| 4.3.3 人脸识别系统其他功能应用程序设计 |
| 4.3.4 人脸识别系统应用程序整体流程设计 |
| 4.4 本章小结 |
| 第五章 基于X210人脸识别嵌入式系统的测试 |
| 5.1 人脸识别数据库采集与存储 |
| 5.1.1 ORL人脸库 |
| 5.1.2 LFW数据库 |
| 5.1.3 本地人脸库 |
| 5.2 人脸检测算法测试 |
| 5.3 基于全局与局部特征融合的人脸识别算法测试 |
| 5.3.1 不同数据集人脸识别率比对 |
| 5.3.2 人脸局部特征鲁棒性测试 |
| 5.3.3 多种特征融合方式算法对比 |
| 5.4 系统整体测试 |
| 5.4.1 人脸识别功能测试 |
| 5.4.2 人脸识别辅助功能测试 |
| 5.4.3 系统稳定性和实时性测试 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
四、复杂背景下人脸检测算法的研究（论文参考文献）
- [1]复杂场景下基于YOLOv3的人脸检测研究[D]. 李典. 广东技术师范大学, 2021(11)
- [2]复杂背景下的小尺度人脸检测算法研究[D]. 杨睿. 桂林电子科技大学, 2021
- [3]基于深度学习的口罩遮挡条件下人脸识别关键技术研究[D]. 肖健. 北京印刷学院, 2021(09)
- [4]基于深度学习的人脸检测与分析[D]. 郭达. 中国科学院大学(中国科学院深圳先进技术研究院), 2021(08)
- [5]遮挡人脸修复与识别技术的研究及应用[D]. 刘洁. 云南师范大学, 2021(08)
- [6]面向智能监控的单样本人脸识别方法研究[D]. 甄雨寒. 电子科技大学, 2021(01)
- [7]非约束环境下的人脸定位及正脸提取算法研究[D]. 屈金山. 三峡大学, 2021(01)
- [8]复杂背景下的人脸检测及跟踪算法研究[D]. 周小洁. 南京邮电大学, 2020(03)
- [9]面向非限制条件的人脸识别研究[D]. 涂晓光. 电子科技大学, 2020(03)
- [10]基于OpenCV的实时人脸识别系统的设计与实现[D]. 李天昊. 东北石油大学, 2020(03)