一、自适应主元提取算法在人脸图像特征提取中的应用(论文文献综述)
张道义[1](2020)在《基于HOG差分权重的人脸表情识别算法研究》文中研究说明本文首先对表情识别研究的意义以及国内外现状做了详细的介绍;再对表情图像进行预处理;其次针对HOG(Histogram of Oriented Gradient)算法只提取单一角度梯度而忽略对角梯度问题,提出多角度HOG(Multiangle HOG,Ma-HOG)特征提取算法;为获取图像的局部细节以及全局信息,提出多尺度Ma-HOG(Multi angle and scale HOG,Mas-HOG);针对面部各区域对表情识别的贡献度问题,提出基于差分权重的Mas-HOG算法;最后在不同分类算法上进行对比实验,选取本文算法最适用的分类器。本文主要的研究内容如下:(1)获取ENM(Eye Nose Mouth)感兴趣区域,降低特征维数。根据面部表情的主要表现特征对人脸进行划分,获取人脸面部的眼睛(Eye)、鼻子(Nose)、嘴巴(Mouth)三个感兴趣子区域,本文表示为ENM区域。通过构建ENM区域,可以降低输入的数据量,提升算法效率。(2)提出Ma-HOG表情特征提取方法,获取多角度梯度信息。针对HOG算法只考虑水平和垂直方向的梯度计算,本文通过计算图像斜对角梯度信息,与原始HOG算法梯度信息共同构成一幅图像的Ma-HOG特征。(3)提出Mas-HOG特征提取方法,提取多尺度Ma-HOG特征。针对人脸面部表情区域的信息在单一尺度下不够全面的问题,通过构建多尺度空间金字塔,获取多尺度下面部表情信息;并结合Ma-HOG特征形成Mas-HOG表情特征。在多组实验的结果下,表明了本文提出算法的合理性,有效提高了表情识别率。(4)提出差分权重计算方式,对面部各区域加权,并提取差分权重Mas-HOG特征。针对面部各区域对表情的贡献度不同,通过获取原图像的差值图像,统计差值图像像素的变化,获得ENM区域的差分权重;与Mas-HOG算法结合,形成差分权重Mas-HOG算法。通过多组对比实验,取得了比其他HOG改进算法更高的识别准确度,从而验证了所提出算法的优越性。(5)基于不同分类器下的实验对比。介绍了常用分类算法,并把本文算法分别在 KNN(K-Nearest Neighbor,K 最近邻分类)、BP(Error Back Propagation Training)神经网络以及支持向量机(Support Vector Machine,SVM)分类器下进行对比实验。实验结果表明,本文提出的特征提取方法更适合在SVM下进行分类识别。图37表12参考文献59
张劲[2](2007)在《安全驾驶中的人脸表情识别技术研究》文中指出本文分析研究了计算机人脸表情识别技术在驾驶员疲劳程度检测中的应用。首先介绍国内外在该领域的研究情况,然后介绍利用计算机来完成人脸表情图像的预处理、表情特征提取和表情分类,从而对人脸表情进行识别。详细介绍了主元分析方法、其存在的缺点及相应的改善方法。探讨了基于像素层、特征层和决策层融合的人脸表情识别。通过结合当前人脸表情识别技术的最新成果,提出了基于二维主元分析的人脸表情识别算法,它比主元分析更适合用来提取表情特征;给出了基于Fisher准则的特征选择方法,提出了基于模糊积分的多分类器融合的表情识别方法并实现了基于粒子群模糊密度自适应赋值算法。对基本表情识别,得到了比较满意的结果。
石勤,尹宝才,孙艳丰,王成章[3](2006)在《基于改进的自适应主元提取算法的人脸识别》文中认为论文提出了一种基于改进的自适应主元提取算法的人脸识别方法。采用改进的自适应主元提取算法将人脸图像由高维观测空间投影到低维特征空间,通过改进前馈网络权值更新方程,降低算法的复杂度和计算量。基于三维人脸形变模型,采用区域填充和曲面消隐算法根据一幅人脸图像生成多个虚拟样本,克服人脸识别中的小样本问题。在ORL和UMIST数据库上的实验结果表明,该文提出的算法在识别性能上明显高于传统的Eigenface和Fisherface方法。
徐艳[4](2006)在《基于肤色的人脸检测方法及眼睛定位算法研究》文中指出人脸检测(face detection)问题最初来源于人脸识别(face recognition),是自动人脸识别系统中的一个关键环节。近几年随着电子商务等应用的发展,使得人脸检测开始作为一个独立的课题受到研究者的重视。今天,人脸检测的应用背景已经远远超出了人脸识别系统的范畴,在基于内容的检索、数字视频处理、视觉监测等方面有着重要的应用价值。 针对当前人脸检测的研究现状与难题,本文做了如下工作: (1)探讨了采用肤色分割缩小人脸搜索区域的方法。 肤色是人脸区别于其他景物的一个重要特征,基于肤色的人脸分割首先需要解决的问题就是选择颜色空间。本文就近期人脸检测中常用的颜色空间中的肤色提取模型进行了介绍与分析,相比而言,Anil K·Jain的Cb、Cr椭圆聚类法肤色分割效果较好。但是对于亮度较低的区域容易误判为肤色,对于亮度较高的肤色区域误判为非肤色区域。本文针对Anil K·Jain的Cb、Cr椭圆聚类法进行肤色分割的缺点,在进行肤色提取前,首先对亮度区域进行划分,在不同的亮度区域运用不同的公式来检测肤色点,这样可以减少在高亮度区域和亮度较低区域中的肤色点的误判问题。实验证明,本文的方法效果好,在人的眼睛、嘴巴等部分有更好更细致的检测效果。 (2)提出了基于肤色、几何特征和灰度信息的人眼定位算法。 眼睛是一个在人脸检测中极为重要的人脸特征,一种快速可靠的精确定位眼睛的算法对许多实际的应用是十分重要的。本文提出的基于肤色信息、几何特征和灰度信息的算法是一种快速、高效、稳定的人眼检测算法。算法采用由粗到细的检测策略,先进行肤色提取,经过肤色区域的分析,对人脸区域进行预检测,然后结合人眼几何特征进行初步定位,再利用人眼的灰度信息进行精确定位。该算法定位效率高,并对背景、尺寸等细节具有很好的适应性,在人脸实时检测系统中具有很好的应用价值。 (3)提出了基于差分图像和PCA主元分析的人脸检测算法。 本文提出了一种基于差分图像和PCA主元分析的人脸检测算法,并对特征脸技术进行了改进。基本思想是由肤色检测出人脸存在的可能区域,然后在这些可能的区域中进行细致的匹配,找出人脸的准确位置,并利用马赛克模板排除虚假人脸。考虑到图像像素间的相关性,人脸特征提取的同时,对原始图像和其水平方向及垂直方向的差分图像进行PCA分析,从而提高了人脸检测的稳定性。
朱夏君[5](2003)在《人脸识别的研究及眼睛定位算法》文中进行了进一步梳理人脸识别技术有着广泛的应用前景和迫切的现实需要,是当前模式识别领域最热门的研究方向之一。一般的人脸识别系统主要包括预处理、特征提取、样本学习和识别过程四个部分,其中特征提取的好坏将直接影响到识别效果,而在大部分特征提取方法中非常关键的一步就是眼睛定位。 对此,本文提出了一种新的眼睛定位算法,新的算法是基于眼睛在整幅人脸图片中具有更大的图像复杂度这一特征而提出的。 本文首先简要介绍了对人脸数字图象进行预处理的一些常用方法;接着讨论了几种在人脸识别研究中经常被采用且效果较好的特征提取方法,例如几何特征提取法、主元分析法(PCA)以及神经网络特征提取法等;然后,详细介绍了目前比较常用的几种眼睛定位算法,例如霍夫变换法、变形模板法以及边缘特征分析法等;最后,介绍了作者在研究过程中提出的一种新的眼睛定位算法,此算法是基于眼睛在整幅图片中具有更大的图像复杂度,并给出了详细的实验数据。 实验表明,新的眼睛定位算法,在现有的实验数据下具有100%的正确定位率,而且新的眼睛定位算法计算速度快,容易实现,完全能满足实时性的要求。
甘俊英,张有为,毛士艺[6](2001)在《自适应主元提取算法在人脸图像特征提取中的应用》文中研究说明以统计主元分析为理论依据,研究了自适应主元提取(APEX)算法,并揭示了该算法的网络模型与统计模式识别之间的密切联系. 最后,将APEX算法运用于ORL人脸数据库的特征提取中. 仿真结果表明,APEX算法在人脸识别中是一种有效的特征提取方法.
康艺泓[7](2020)在《公共安全行业的动态人脸识别软件开发与实现》文中进行了进一步梳理随着社会发展进程的加快,人民的基本生活要求已经被较大程度上满足,而现在人们对安全的意识越来越强烈,提到安全就离不开验证方式,比较传统的验证方式包括一些身份证和密码等,但是这些方式都存在不同程度的弊端和不足,比如容易遗忘或者丢失,容易被盗等,但是人脸识别具有容易采集、友好性等多个优点,是当今十分流行的生物特征识别的一种,其具有巨大的发展潜力和强大的优势。同时在我们生活中的实际应用中,动态人脸识别相对于静态人脸识别更接近于实际应用场景。现如今,人脸识别技术被广泛应用于社会治安管理,比如在一些疑犯比对、失踪儿童找回、跨年龄段人脸信息检索等有着重要应用。对于辅助公安机关断案和维护社会治安平稳起到了很强的的推动作用。但是在公安系统中的应用会更加要求实时性和黑名单库会更庞大,这时候对识别率的考验会更加严格。本课题主要以动态人脸识别技术在公共安全行业中的应用及发展趋势为研究课题,重点研究了静态人脸比对识别和动态人脸监控识别中的动态人脸监控识别,该系统可应用于车站、机场、地铁等重点场所和人群密集公共场所以及学校、医院等企事业单位出入口等多种治安、安保、安防、反伪等领域。本文主要研究了人脸识别技术在安全保卫工作中的应用及发展趋势,主要从技术和应用两个角度分别分析了动态人脸识别。主要研究内容分为五部分。第一部分是系统的研究背景以及意义;第二部分主要讲了动态人脸识别与静态人脸识别技术的主要区别对比,同时分析了人脸识别稀疏表示、子空间表示、神经网络人脸识别、PCA主成分分析等主要技术研究水平和研究方向的技术实现;第三部分讲了系统实际的设计与实现和效果之间的对比;最后第四部分主要讲了动态人脸识别更加适用于公安行业的系统实现过程,以及动态人脸识别在公共安全行业中的应用及发展趋势;
赵晋东[8](2020)在《复杂光照条件下的人脸识别方法研究》文中认为随着计算机视觉领域的快速发展,人脸识别技术已经在各大领域得到了广泛的应用。但在实际场景中,各种外界因素的干扰极大的降低了人脸的识别率,其中,复杂的光照条件是影响人脸识别系统性能的关键因素之一。本文以复杂光照条件下的人脸识别问题为研究对象,对光照归一化算法和光照不变特征提取算法进行了研究,并提出了基于HSV空间的RetinexNet低光增强算法和基于中心对称局部二值模式和方向梯度直方图特征融合的人脸识别算法。本文的具体研究工作如下:针对在复杂光照条件下如何对人脸图像进行光照补偿的问题,在RetinexNet算法的基础上提出一种改进算法。首先从视觉特性出发,将图像转入HSV颜色空间,利用各通道相对独立的特性对亮度分量进行增强;同时为了调节图像的整体色感,采用相关系数对图像的饱和度分量进行自适应调整;最后使用锐化算法对图像的边缘细节进行增强,提高图像的特征表达。最后对改进算法进行了实验验证,结果表明改进算法可有效提高图像的质量。在复杂光照条件下,基于人脸特征表达不足的问题,本文提出了基于中心对称局部二值模式和方向梯度直方图的多特征融合的人脸识别算法。该算法首先提取人脸的纹理特征和方向梯度直方图,然后进行融合得到最终的人脸图像特征向量。通过该方法得到的融合特征充分结合了人脸的局部特征和全局特征,增强了对人脸图像的描述能力,有效提高了复杂光照条件下的人脸识别率。最后的实验结果验证了融合特征算法的有效性和鲁棒性。最后,本文设计了一种基于改进RetinexNet算法的多特征融合人脸识别算法。首先采用本文提出的光照增强算法进行预处理,然后用提出的多特征融合算子进行特征提取,最后使用最邻近分类进行分类识别。最后在人脸数据集上进行实验验证,证明了算法的有效性。
杨泽衡[9](2020)在《基于迁移学习的领域适配机制研究与应用》文中研究说明近年来,深度学习框架在诸多计算机视觉任务中取得了突破性的进展。然而,在实际应用过程中,也出现了一些困难与挑战,如对训练数据数量有较大要求,以及网络训练样本与实际样本之间存在分布差异等。目前,迁移学习技术的研究和应用一定程度上缓解了深度网络训练过程中大规模数据的需求矛盾。但是,由于深度网络及迁移学习方法均存在可解释性相对较差的问题,对于在实际应用中如何使用迁移方法以及最大程度发挥迁移学习的效用,目前尚欠缺深入研究,也没有较为统一的结论。深入开展深度网络知识迁移机制研究,一方面是为了拓展知识迁移方法的潜在价值,并探索发现规律性的结论与方法。另一方面,能有效指导模型方法在现实场景中的应用,包括具体的策略选择、参数调节、性能优化等,从而大幅度节约各环节投入的资源。本文对基于迁移学习的领域适配机制进行深入研究,提出了一个动态域适应过程中的迁移层选择策略,并提出了两个动态域适应参数更新算法。同时,论文将研究成果用于两个现实应用场景中,实验证明了成果的有效性。本文的主要工作如下:(1)研究并提出了迁移层选择方法及迁移参数调整算法。得到了在知识迁移过程中,如何选择可迁移层、如何选择迁移损失函数、如何选择迁移平衡方法的一系列规律性结论。同时,提出了两个动态域适应更新算法,优化了知识迁移的参数更新过程,大幅度减少了需要投入在参数调整上的时间及人力成本。(2)结合实际应用设计了两个动态迁移框架,将领域适配机制应用于烟草激光码识别与现实人脸识别中。人脸识别和烟草激光码识别是两个有重要应用背景的识别场景,本文研究并设计了现实场景中的动态迁移方法,展示了在实际应用过程中,如何使用上述规律性结论及相关算法,指导知识迁移方法的选择和应用过程。实验结果证明,本文提出的方法不仅可以减少在方法选择、参数调节等过程中投入的不必要资源,并且可以有效提升视觉相关任务的识别准确率等性能。
李焕[10](2020)在《面向汽车销售的潜在顾客计算机视觉分析方法研究》文中研究指明在汽车销售行业中,顾客资源是销售业绩中重要的组成部分。而如何去甄别潜在顾客,如何收集潜在目标客户的基本资料是汽车销售的关键所在。随着计算机视觉技术的高速发展,人脸检测、人脸跟踪、人脸识别技术被广泛应用于门禁、监控、智慧门店等各个领域。在无需人工干扰的前提下,如何利用计算机视觉方法,获取客户来店频次、停留时间、停留区域等购买意向信息,从而对顾客进行精准的产品介绍与服务,达到潜在客户的识别和分析,这对建立潜在客户消费信息、实现精准营销具有显着的意义。本文是以长安汽车4s店实际项目为研究背景,利用计算机视觉分析方法甄别潜在客户的基本信息为需求导向,主要包括以下几个方面的内容:(1)人脸检测:提出基于肤色模型与改进的AdaBoost算法相结合的人脸检测方法。该方法通过判断采集的人脸图像是否需要光照补偿,将图像由RGB色彩空间转换为肤色聚类特性和分布规律较好的YCbCr色彩空间,并建立高斯模型并对图像进行形态学处理与形状筛选,从而得到含有人脸的候选区域。再将得到的人脸候选区域由改进后的AdaBoost算法进行人脸检测,得到最终的人脸检测结果。实验结果表明,该方法能有效降低人脸误检率、提高人脸检测准确率;(2)人脸跟踪:提出基于LBP特征的TLD算法与kalman滤波器相结合的人脸目标跟踪算法。该算法通过提取人脸的灰度不变性LBP特性,以增强后续TLD目标跟踪算法适应光照变化场景下人脸跟踪的准确性和鲁棒性,并针对实际应用中存在的人脸局部、短时全遮挡易导致人脸跟踪失败的问题,提出基于kalman滤波的局部、短时全遮挡场景下人脸目标预测跟踪方法。对比的实验结果表明,基于LBP特征的TLD算法与kalman滤波器相结合的人脸目标跟踪算法能较好实现4S店内顾客人脸的准确跟踪,并在光照变化、人脸局部或短时全遮挡场景下,该算法均具有较好的鲁棒性。依据建立的人脸跟踪算法,能实现顾客进店后其人脸图像的多帧提取,并记录其进店、离店时间以及感兴趣区域的停留时间,为后续潜在客户的甄别建立了维度信息;(3)无标签身份识别:提出基于PCA+LDA的无标签身份识别方法。首先对人脸图像进行直方图均衡化和人脸几何归一化处理,消除光照、姿态和背景的干扰,使得图像标准化。其次,采用PCA+LDA算法对人脸图像进行特征提取,最后使用SVM算法进行分类识别。实验结果表明,所提出的无标身份识别算法具有较好的准确性;(4)开发了潜在客户身份识别系统。在人脸检测、人脸跟踪、无标签身份识别算法研究的基础上,针对潜在客户来店频次、停留时间、感兴趣区域等销售维度信息,应用QT平台,开发了面向汽车销售的潜在客户甄别系统。该系统能较好提取进店顾客的一系列人脸图像,自动记载当次入店的时间、停留时间和活动区域等维度信息,并依据历史无标签人脸图像库,判断是新客户还是老客户,从而为面向汽车销售的潜在客户甄别提供了一种有效的计算机视觉分析方法。
二、自适应主元提取算法在人脸图像特征提取中的应用(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、自适应主元提取算法在人脸图像特征提取中的应用(论文提纲范文)
(1)基于HOG差分权重的人脸表情识别算法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 表情识别研究的内容 |
1.4 表情数据库 |
1.5 本文组织框架及章节安排 |
1.6 本章小结 |
2 表情图像预处理 |
2.1 基于Adaboost算法的人脸检测 |
2.1.1 级联策略 |
2.1.2 矩形特征 |
2.1.3 积分图像 |
2.1.4 人脸检测 |
2.2 有效表情区域裁剪 |
2.3 人脸ROI区域划分及预处理 |
2.4 本章小结 |
3 基于空间金字塔下多角度HOG表情特征提取 |
3.1 HOG算法介绍 |
3.1.1 细胞与块的概念 |
3.1.2 Gamma标准化 |
3.1.3 图像的方向梯度计算 |
3.1.4 图像的方向梯度直方图 |
3.2 多尺度空间金字塔模型 |
3.3 基于空间金字塔多角度HOG特征 |
3.4 实验与分析 |
3.4.1 不同层级金字塔对比实验 |
3.4.2 基于HOG改进算法下的识别率对比 |
3.5 本章小结 |
4 基于差分权重的Mas-HOG表情特征提取 |
4.1 差值图像 |
4.2 差分权重计算方法 |
4.3 关于阈值T的分析 |
4.4 基于差分权重的Mas-HOG表情特征提取 |
4.5 实验结果与分析 |
4.5.1 基于不同阈值下的实验分析 |
4.5.2 不同算法的实验结果与分析 |
4.6 本章小结 |
5 基于差分权重Mas-HOG算法的表情分类识别 |
5.1 常用分类算法 |
5.1.1 K-最近邻算法 |
5.1.2 人工神经网络法 |
5.1.3 Adaboost方法 |
5.2 统计学习理论 |
5.2.1 统计学习的数学推导 |
5.2.2 PAC学习 |
5.2.3 函数VC维 |
5.3 SVM |
5.3.1 线性可分最优分类面 |
5.3.2 线性不可分最优分类面 |
5.3.3 核函数 |
5.3.4 多分类策略 |
5.4 实验结果与分析 |
5.4.1 基于JAFFE数据集的实验与分析 |
5.4.2 基于CK+数据集的实验与分析 |
5.5 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
作者简介及读研期间主要科研成果 |
(2)安全驾驶中的人脸表情识别技术研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 课题的研究意义 |
1.2 驾驶疲劳检测技术研究现状 |
1.2.1 国外研究状况 |
1.2.2 国内研究状况 |
1.3 本文的主要工作 |
1.4 本文的内容安排 |
2 人脸表情识别 |
2.1 人脸表情识别的研究内容 |
2.2 人脸表情识别研究现状 |
2.3 人脸表情识别的难点 |
3 信息融合与人脸表情识别 |
3.1 信息融合的定义及优点 |
3.2 信息融合的层次 |
3.3 基于信息融合不同层次的人脸表情识别模型 |
3.3.1 基于像素层融合的人脸表情识别 |
3.3.2 基于特征层融合的人脸表情识别 |
3.3.3 基于决策层融合的人脸表情识别 |
3.4 决策层信息融合常用的方法 |
3.5 本章小结 |
4 人脸表情图像预处理 |
4.1 人脸检测 |
4.1.1 简单背景下人脸图像 |
4.1.2 复杂背景下人脸图像 |
4.1.3 几种人脸检测的方法 |
4.2 人脸表情图像的几何归一化 |
4.3 人脸表情图像的直方图修整 |
4.3.1 直方图 |
4.3.2 对比度扩展 |
4.3.3 直方图均衡化 |
4.3.4 直方图规定化 |
4.4 实验数据预处理 |
5 基于主元分析的人脸表情识别 |
5.1 引言 |
5.2 主元分析(PCA)在特征提取中应用研究 |
5.2.1 PCA算法介绍 |
5.2.2 基于PCA算法人脸表情特征提取 |
5.2.3 实验过程及结果 |
5.2.4 PCA算法缺点及改进方法 |
5.3 基于2DPCA人脸表情识别 |
5.3.1 基于2DPCA人脸表情特征提取 |
5.3.2 实验过程及结果 |
5.4 基于Fisher准则的二维主元分析表情识别方法 |
5.4.1 基于Fisher准则的特征选择 |
5.4.2 基于Fisher准则的PCA和2DPCA表情特征提取 |
5.4.3 基于Fisher准则的PCA和2DPCA表情识别 |
5.5 本章小结 |
6 基于模糊积分多分类器融合的人脸表情识别 |
6.1 引言 |
6.2 基于模糊积分多分类器融合的表情识别 |
6.2.1 离散余弦变换(DCT) |
6.2.2 DCT法表情特征提取 |
6.2.3 模糊测度与模糊积分 |
6.2.4 基于模糊积分的表情识别 |
6.2.5 实验结果及分析 |
6.3 基于粒子群算法的模糊密度自适应赋值 |
6.3.1 引言 |
6.3.2 混淆矩阵 |
6.3.3 粒子群算法(PSO) |
6.3.4 粒子群算法(PSO)的参数设置 |
6.3.5 基于粒子群算法的模糊密度赋值 |
6.3.6 实验结果 |
6.4 本章小结 |
结束语 |
致谢 |
参考文献 |
(4)基于肤色的人脸检测方法及眼睛定位算法研究(论文提纲范文)
摘要 |
ABSTRACT |
目录 |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 人脸图像库 |
1.4 人脸检测的主要方法 |
1.4.1 基于知识的方法 |
1.4.2 基于统计的方法 |
1.5 本文的研究内容 |
第二章 人脸检测中的肤色提取 |
2.1 常用的色彩空间 |
2.2 肤色模型的获取方法 |
2.3 各种肤色模型的实验 |
2.4 基于YCBCR色彩空间的肤色区域分割 |
2.5 本章实验结果分析 |
2.6 小结 |
第三章 特征提取中眼睛定位算法的研究 |
3.1 常用的几种眼睛定位算法 |
3.2 基于肤色、几何特征和灰度信息的人眼定位 |
3.3 实验结果分析 |
3.4 小结 |
第四章 基于主成分分析(PCA)的人脸检测 |
4.1 PCA的基本概念及问题描述 |
4.1.1 PCA的一个典型例子 |
4.1.2 PCA的基本概念 |
4.1.3 PCA的基本原理 |
4.1.4 主成分的求解步骤 |
4.1.5 主成分的求解方法 |
4.2 利用 PCA进行特征提取的经典算法-EIGENEACE算法 |
4.2.1 计算特征脸 |
4.2.2 基于特征脸的人脸识别 |
4.3 基于差分图像和 PCA主元分析的人脸检测算法 |
4.4 算法具体实现及实验结果 |
4.4.1 特征的提取 |
4.4.2 人脸图像的归一化 |
4.4.3 基于马赛克模板的虚假人脸的排除 |
4.4.4 本章实验结果分析 |
4.5 小结 |
第五章 总结与展望 |
5.1 小结 |
5.2 对进一步研究工作的展望 |
参考文献 |
致谢 |
攻读硕士期间发表论文 |
原创性声明 |
’使用授权的声明 |
(5)人脸识别的研究及眼睛定位算法(论文提纲范文)
第一章 绪论 |
1.1 概述 |
1.2 人脸识别研究领域中的国内外研究现状 |
1.2.1 人脸识别的研究范围 |
1.2.2 人脸识别的理论研究 |
1.3 人脸识别中一些典型的方法及其效果分析 |
1.3.1 基于几何特征的正面人脸自动识别方法 |
1.3.2 基于代数特征的正面人脸自动识别方法 |
1.3.3 基于连接机制的正面人脸自动识别方法 |
1.3.4 其它方法 |
1.4 本文的主要内容 |
第二章 预处理 |
2.1 概述 |
2.2 灰度预处理 |
2.3 角度预处理 |
2.4 大小尺度预处理 |
2.5 其它处理 |
第三章 特征提取与人脸识别 |
3.1 概述 |
3.2 基于几何特征的人脸识别方法 |
3.3 基于代数特征的人脸识别方法 |
3.3.1 主元分析法 |
3.3.2 独立元分析法 |
3.3.3 人脸识别中的主元分析和独立元分析法 |
3.4 基于神经网络的人脸识别方法 |
3.4.1 神经网络模式识别的特点 |
3.4.2 神经网络应用于人脸识别 |
3.4.3 基于仿生模式识别的人脸识别系统 |
3.5 其它的人脸识别方法 |
第四章 特征提取中眼睛定位算法的研究 |
4.1 眼睛定位在特征提取中的重要性 |
4.2 霍夫变换法 |
4.3 变形模板法 |
4.4 边缘特征分析法 |
4.5 对称变换法 |
4.6 一种新的眼睛定位算法 |
4.7 本章小结 |
第五章 一种新的目艮睛定位算法 |
5.1 概述 |
5.2 准备工作 |
5.2.1 BMP文件格式简介 |
5.2.2 彩色图像灰度化 |
5.2.3 几个定义 |
5.3 基于局部搜索的眼睛定位 |
5.3.1 实验数据 |
5.3.2 灰度预处理 |
5.3.3 眼睛搜索区域的确定 |
5.3.4 眼睛的检测 |
5.3.5 眼睛的定位 |
5.3.6 实验结果和小结 |
5.4 改进后的算法 |
5.4.1 寻找复杂度最大的小块 |
5.4.2 小块的合并 |
5.4.3 小块的居中 |
5.4.4 眼睛的定位 |
5.4.5 人脸转正 |
5.4.6 实验结果 |
第六章 结束与展望 |
参考文献 |
致谢 |
发表论文清单 |
(7)公共安全行业的动态人脸识别软件开发与实现(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.2 人脸识别技术的国内外研究历史与现状 |
1.3 国内外研究方向 |
1.4 人脸识别技术及研究内容 |
1.5 静态人脸识别监控系统 |
1.6 动态人脸识别监控系统 |
1.7 本文的主要贡献与创新 |
1.8 本论文的结构安排 |
第二章 动态人脸识别算法 |
2.1 主要研究现状 |
2.2 主要研究技术方向 |
2.2.1 神经网络方法 |
2.2.2 稀疏表示方法 |
2.2.3 子空间方法 |
2.2.4 人脸识别其他分析方法 |
2.3 人脸识别算法实现 |
2.3.1 神经网络 |
2.3.2 稀疏表示方法 |
2.3.3 基于PCA的人脸识别 |
2.3.4 人脸识别算法实验结果分析 |
2.4 本章小结 |
第三章 公安领域动态人脸识别系统 |
3.1 公共安全领域的应用场景 |
3.2 公共安全动态人脸识别系统实现 |
3.2.1 系统需求分析 |
3.2.2 系统实现算法部分设计 |
3.2.3 系统识别部分软件代码展示 |
3.2.4 识别系统测试结果 |
3.3 动态人脸识别技术在公安系统中的应用场景 |
3.4 人脸识别应用中存在的问题 |
3.5 安保应用中人脸识别技术的发展态势 |
3.6 本章小结 |
第四章 全文总结与展望 |
4.1 全文总结 |
4.2 后续工作展望 |
致谢 |
参考文献 |
(8)复杂光照条件下的人脸识别方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究的背景和意义 |
1.2 国内外研究现状 |
1.2.1 人脸识别的国内外研究现状 |
1.2.2 复杂光照对人脸的影响 |
1.3 本文的主要研究内容 |
1.4 章节安排 |
第二章 复杂光照人脸识别算法的相关理论 |
2.1 传统的图像增强算法 |
2.1.1 基于空域的图像增强算法 |
2.1.2 基于频域的图像增强算法 |
2.2 纹理特征LBP算子及演化 |
2.2.1 原始LBP算子 |
2.2.2 旋转不变LBP算子 |
2.2.3 均匀LBP算子 |
2.3 本章小结 |
第三章 基于改进的Retinex Net光照处理算法 |
3.1 Retinex Net光照处理算法 |
3.2 基于HSV颜色空间的Retinex Net算法 |
3.2.1 Retinex Net算法的不足 |
3.2.2 改进的Retinex Net算法 |
3.3 实验结果及分析 |
3.3.1 主观评价结果 |
3.3.2 客观评价结果 |
3.4 本章小结 |
第四章 基于CSLBP和 HOG多特征融合的人脸识别算法 |
4.1 CSLBP模式简介 |
4.2 HOG特征简介 |
4.3 多特征融合的人脸识别算法 |
4.3.1 基于CSLBP特征和HOG特征融合算法 |
4.3.2 最邻近分类 |
4.4 实验结果及分析 |
4.5 本章小结 |
第五章 结合光照归一化和特征提取的人脸识别算法 |
5.1 基于改进Retinex Net的特征融合人脸识别算法 |
5.2 实验结果及分析 |
5.3 本章小结 |
第六章 总结与展望 |
致谢 |
参考文献 |
学术成果 |
(9)基于迁移学习的领域适配机制研究与应用(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景 |
1.2 国内外研究现状 |
1.3 课题研究意义 |
1.4 论文主要工作 |
第二章 相关理论与技术 |
2.1 深度学习与模式识别方法 |
2.1.1 深度学习背景 |
2.1.2 深度神经网络基本构成情况 |
2.1.3 神经网络计算过程 |
2.1.4 主成分分析 |
2.2 迁移学习与领域适配方法 |
2.2.1 迁移学习方法 |
2.2.2 TrAdaBoost算法 |
2.2.3 Deep Domain Confusion |
2.2.4 Deep Adaptation Network |
2.3 本章小结 |
第三章 深度迁移网络的领域适配机制研究 |
3.1 一种新的迁移层选择策略 |
3.1.1 深度网络领域适配方法 |
3.1.2 深度网络可迁移层选择分析 |
3.2 两个新的动态域适应参数更新算法 |
3.2.1 动态域适应机制分析 |
3.2.2 算法1:基于网络训练阶段的参数更新算法 |
3.2.3 算法2:基于进化算法的动态域适应更新算法 |
3.3 本章小结 |
第四章 基于深度迁移网络的应用研究 |
4.1 烟草激光码识别应用 |
4.1.1 整体框架设计 |
4.1.2 基于CNN的深度迁移网络模块 |
4.2 人脸识别应用 |
4.2.1 整体框架设计 |
4.2.2 基于AlexNet的深度迁移模块 |
4.3 本章小结 |
第五章 算法性能分析与系统测试 |
5.1 PI方法性能分析 |
5.1.1 数据集 |
5.1.2 传统网络架构实验分析 |
5.1.3 对抗架构实验分析 |
5.1.4 参数C变化影响分析 |
5.2 DDA方法性能分析 |
5.2.1 算法有效性分析 |
5.2.2 算法结构泛用性分析 |
5.2.3 算法参数调整 |
5.3 烟草激光码识别系统测试 |
5.3.1 数据采集 |
5.3.2 结果展示与实验结果分析 |
5.4 人脸识别系统测试 |
5.4.1 数据集设置 |
5.4.2 结果展示与实验结果分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 未来研究方向 |
致谢 |
参考文献 |
攻读硕士期间取得的研究成果 |
(10)面向汽车销售的潜在顾客计算机视觉分析方法研究(论文提纲范文)
摘要 |
Abstract |
1.绪论 |
1.1 课题的背景、目标及意义 |
1.2 国内外研究现状 |
1.2.1 人脸检测 |
1.2.2 人脸跟踪 |
1.2.3 人脸识别 |
1.3 论文的主要工作及结构 |
1.3.1 论文主要工作 |
1.3.2 论文结构 |
2.汽车销售店进店顾客的人脸自适应检测算法研究 |
2.1 引言 |
2.2 基于肤色特征的人脸检测 |
2.2.1 颜色空间 |
2.2.2 肤色区域模型 |
2.2.3 图像预处理及肤色分隔 |
2.3 基于AdaBoost算法的人脸检测 |
2.3.1 Harr-like矩阵特征 |
2.3.2 积分图 |
2.3.3 分类器的设计 |
2.3.4 级联分类器结构 |
2.4 基于肤色特征与AdaBoost算法相结合的顾客人脸检测方法 |
2.5 实验结果分析 |
2.6 本章小结 |
3.汽车销售店进店顾客的人脸跟踪算法研究 |
3.1 引言 |
3.2 常用的人脸跟踪算法及其优缺点 |
3.3 进店顾客人脸跟踪算法 |
3.3.1 进店顾客跟踪的关键问题研究 |
3.3.2 TLD算法 |
3.4 改进的TLD算法 |
3.4.1 LBP算法 |
3.4.2 Kalman滤波器算法 |
3.4.3 改进的TLD算法实现 |
3.5 TLD自适应跟踪潜在客户维度信息提取 |
3.5.1 区域维度信息提取 |
3.6 实验结果及分析 |
3.7 本章小结 |
4.无标签身份客户信息研究 |
4.1 引言 |
4.2 无标签顾客身份识别 |
4.2.1 无标签潜在客户身份识别的关键问题研究 |
4.2.2 人脸识别算法研究 |
4.2.3 人脸图像预处理 |
4.2.4 人脸特征提取 |
4.2.5 SVM分类器 |
4.3 汽车销售店潜在顾客身份识别算法实现 |
4.4 实验结果与分析 |
4.5 本章小结 |
5.潜在客户甄别系统的实现 |
5.1 系统总体架构 |
5.2 系统实现 |
5.2.1 系统开发环境 |
5.2.2 系统详细设计 |
5.3 系统运行界面 |
5.4 本章小结 |
6.总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
个人简历、在学期间发表的学术论文及取得的研究成果 |
四、自适应主元提取算法在人脸图像特征提取中的应用(论文参考文献)
- [1]基于HOG差分权重的人脸表情识别算法研究[D]. 张道义. 安徽理工大学, 2020(04)
- [2]安全驾驶中的人脸表情识别技术研究[D]. 张劲. 南京理工大学, 2007(02)
- [3]基于改进的自适应主元提取算法的人脸识别[J]. 石勤,尹宝才,孙艳丰,王成章. 计算机工程与应用, 2006(24)
- [4]基于肤色的人脸检测方法及眼睛定位算法研究[D]. 徐艳. 贵州大学, 2006(12)
- [5]人脸识别的研究及眼睛定位算法[D]. 朱夏君. 浙江工业大学, 2003(01)
- [6]自适应主元提取算法在人脸图像特征提取中的应用[J]. 甘俊英,张有为,毛士艺. 五邑大学学报(自然科学版), 2001(04)
- [7]公共安全行业的动态人脸识别软件开发与实现[D]. 康艺泓. 电子科技大学, 2020(01)
- [8]复杂光照条件下的人脸识别方法研究[D]. 赵晋东. 中国民航大学, 2020(01)
- [9]基于迁移学习的领域适配机制研究与应用[D]. 杨泽衡. 电子科技大学, 2020(07)
- [10]面向汽车销售的潜在顾客计算机视觉分析方法研究[D]. 李焕. 重庆理工大学, 2020(08)