导读:本文包含了多姿态人脸检测论文开题报告文献综述及选题提纲参考文献，主要关键词:平面内多姿态人脸检测,RIN,Facenet,人脸识别身份验证系统
多姿态人脸检测论文文献综述
黄波[1]（2019）在《基于深度学习的平面内多姿态人脸检测算法研究及其应用》一文中研究指出人脸检测作为计算机视觉的一个重要分支正受到越来越多的关注。当头部姿态的幅度变化较大时,人脸的外观、轮廓等特征差异较大,从而导致人脸检测的准确率下降。因此,本文致力于研究平面内多姿态条件下的人脸检测算法,并将其应用在多姿态人脸识别身份验证系统中。本文主要研究内容如下:(1)平面内多姿态人脸检测算法。针对在平面内多姿态条件下人脸检测准确率下降的问题,本文设计了一个对平面内人脸旋转鲁棒的RIN(Rotation Invariant Network)算法。该算法以叁级卷积神经网络级联为基础架构,为了使网络整体对平面内人脸旋转具有鲁棒性,本文在前两级网络中加入朝向估计任务并用全局平均池化层取代相应全连接层,同时为了解决浅层网络无法充分利用目标特征的问题,本文将密集连接引入特征提取层,充分融合低层眼睛、鼻子等轮廓信息和高层人脸空间结构及朝向等语义信息,提升网络在平面内多姿态人脸条件下的检测准确率。(2)多姿态人脸识别身份验证系统的设计与实现。为了实现在叁维空间中具有较好识别效果的人脸识别身份验证系统,本文将RIN算法应用于该系统的人脸检测模块,以FaceNet作为人脸特征提取模块。利用RIN算法得出的人脸矩形框和关键点信息,进行人脸对齐得到竖直方向人脸,消除平面内变化的人脸对人脸验证的影响。针对竖直方向人脸在转动角和平动角变化的情形,本文用实验论证了FaceNet在这两种情形下进行人脸验证的有效性,并得出了多姿态人脸识别身份验证系统的合适阈值。本文针对该系统设计了相应的界面,可将人脸检测及其验证的结果进行可视化显示。为验证本文提出的RIN算法,本文先将FDDB数据集扩充成四类朝向的数据集,分别为原始数据集(FDDB-up)、FDDB-right数据集(将FDDB-up顺时针旋转90°)、FDDB-down数据集(将FDDB-up顺时针旋转180°)、FDDB-left数据集(将FDDB-up顺时针旋转270°)。实验表明,出现100个误检时,RIN算法在FDDB-up数据集的召回率为88.0%,在FDDB-right数据集的召回率为87.3%,在FDDB-down数据集的召回率为87.6%,在FDDB-left数据集的召回率为87.4%。CPU上检测速度为25FPS,GPU上检测速度为41FPS。将本文提出的RIN算法应用到人脸识别身份验证系统中进行测试,可以很明显地发现当人脸在平面内旋转角度较大时,系统能够进行很好的识别。(本文来源于《华南理工大学》期刊2019-04-12）
吴秋岚[2]（2017）在《多姿态人脸检测研究》一文中研究指出人脸检测是计算机视觉领域一个重要的研究方向,是许多与人脸图像分析相关的应用的基础。在现实生活中,人脸的姿态变化多样,单一姿态的检测器难以满足需求。本文主要对多姿态人脸检测进行深入研究,首先从单一姿态检测器入手,随后研究多姿态检测器的结构,并通过实验分析各种结构多姿态检测器的性能优劣。本文的主要研究内容如下:单视角检测器的构造。首先分析了时下比较常用的几种人脸特征描述子的优缺点,并介绍了扩展Haar-like特征的快速计算方法;随后详细描述了利用Gentle Adaboost算法训练分类器的过程,并分析了 Gentle Adaboost算法的优点;而后介绍了如何训练级联分类器以完成单一姿态人脸检测的任务;最后通过实验验证了单视角检测器的性能及不足之处,体现出多姿态检测的必要性。多姿态检测器设计。本文首先依据面部拓扑距离的大小关系,将平面外[-90°,90°]旋转的姿态空间划分为5类;随后深入分析了较为常见的4种结构的多姿态人脸检测器的特点,并根据姿态划分的结果设计了 4种结构的多姿态检测器。多姿态检测器对比实验。本文使用前文中设计的4种结构的多姿态人脸检测器,在同一测试集上进行实验对比,分析各种检测器在检测速度、检测率、虚警等多项指标上的性能差异,并验证姿态划分的合理性。最后,得出各种结构检测器的适用情形。(本文来源于《东南大学》期刊2017-03-01）
许芸玉[3]（2016）在《非限制条件下的多姿态人脸检测算法研究》一文中研究指出人脸检测作为智能人机交互技术中的一个重要组成部分,是当前模式识别、人工智能、计算机视觉等领域的研究热点,近年来受到研究者的广泛关注。多姿态变化是人脸检测中一个突出的难题,其将非线性因素引入到人脸检测中,增加了检测的难度,降低了检测系统的性能。因此,本文通过学习一种深层非线性网络结构实现复杂函数逼近,自动地提取人脸的本质特征,使得特征表达不依赖人工选择,提高了整个系统的速度。此外,本文利用金字塔型的检测器细腻地划分了人脸姿态变化范围,有效地降低了检测过程中人脸的漏检数量。本文的主要工作如下:1.针对传统深度信念网络模型在构建神经元输出时的梯度消失问题,本文提出一种使用PRe LU函数改善的深度信念网络模型,在不增加计算量和过拟合风险较低的情况下,缓解了梯度消失的问题,加速了网络的收敛速度,改善了深度信念网络在参数训练过程中的效率。仿真实验从收敛性和分类误差百分比这两个角度出发,分析了本文改进的深度信念网络模型与传统使用sigmoid/Re LU进行激活的深度信念网络模型在性能上的差异。实验结果表明,使用PRe LU函数优化的深度信念网络在性能上表现比其他深度信念网络模型好。2.为了改善人脸检测系统受姿态变化、遮挡等因素造成的漏检、误检等问题,本文提出了一种融合上述深度信念网络和Float Boost算法的方法。该方法首先利用深度学习模型DBNs,根据人脸各部分之间的相关性进行人脸特征的提取,然后使用Float Boost算法学习不同姿态范围的检测器,将这些检测器由粗到细、由简单到复杂组成一种金字塔结构的检测器,将深度模型训练得到的特征作为弱分类器输入到该金字塔结构中,进行人脸/非人脸的分类。为了验证该方法的有效性,进行叁组实验分析了本文方法以及其对比方法在不同召回率和误检率下的准确率。对比方法包括传统使用softmax算法进行分类的深度信念网络、当前性能较好的基于级联的方法、基于DPM的方法以及基于深度卷积神经网络的方法。实验结果表明,本文方法能够较好地检测出不同姿态范围的人脸,同时由于人脸特征的相关性,本文方法对部分遮挡的人脸也可以准确地检测。与上面这些比较优秀的人脸检测方法相比,本文方法受非限制环境的影响较小,可以获得与它们相似甚至更好的检测结果,具有较好的鲁棒性。(本文来源于《兰州理工大学》期刊2016-12-09）
刘昕冉[4]（2016）在《多姿态人脸检测及人脸特征点定位》一文中研究指出随着计算机视觉技术的发展,人脸识别技术逐渐成为一种可以实用的技术。人脸识别系统一般由人脸检测,人脸对齐和人脸特征匹配叁部分组成。本文主要对人脸识别系统中的人脸检测和人脸对齐进行了研究,根据目前人脸系统遇到的实际问题,对现有多姿态人脸检测算法进行了改进,并提出了一种简单、快速的人脸姿态估计算法和多姿态人脸特征点定位算法。具体工作如下:1.提出了一种重迭人脸区域合并的算法,使用人脸区域取加权平均的方式合并Real Adaboost+Cascade算法进行人脸检测后产生的多个人脸框,优化了人脸检测的结果。在Multi-PIE和FDDB两个数据集上的实验验证了算法的有效性。2.提出了一种分级的人脸姿态估计算法,使用LBP特征和随机森林分类器相结合,将人脸姿态估计看作一个多分类问题来解决。不同姿态处于不同的类别,根据姿态估计在实际应用中进行粗、细分级估计。粗估计是将人脸姿态分为左右侧面,左右半侧面和正面共5类;细估计是将人脸姿态按照水平方向上每15°划分为1类,共13类。在Multi-PIE数据集上进行了实验测试,结果表明本文算法具有较好的效果。3.针对人脸姿态变化剧烈的情况,提出了一种Multi-ESR多姿态人脸特征点定位算法,并对算法进行了优化。通过在不同的人脸姿态下单独训练ESR(Explicit Shape Regression)模型,根据不同的姿态下使用相对应的ESR模型进行人脸特征点定位。另外,本文提出了一种改进Multi-ESR算法占用内存空间较大的方法,可以在基本保证不损失特征点定位精度的情况下,减少内存空间消耗。4.针对一些特定场景下的人脸应用的需求,设计、实现了基于图片、视频的实时人脸检测系统和基于人脸识别的智能门禁系统。前者主要是在海量图片和视频文件中检测存在人脸的图片或者视频片段,减少人工筛选的工作量;后者主要是在一些需要门禁系统的场所,利用人脸识别技术进行智能解锁等功能。(本文来源于《北京邮电大学》期刊2016-01-10）
孔博[5]（2014）在《基于DSP的多姿态人脸检测算法研究与实现》一文中研究指出人脸检测是指确定人脸的位置和大小并对检测的人脸进行图像处理的过程。它是人脸自动分析处理系统的首要步骤,其速度和准确度直接影响着系统的整体性能,因此在人脸信息处理、机器视觉和模式识别研究领域中是一个重要的研究课题。随着社会的发展,人们对人脸检测技术的要求越来越高,能够在姿态多样、光照条件变化、图像背景复杂的情况下实现高性能的人脸检测成为研究的方向。本文首先介绍了人脸检测技术研究背景和意义,归纳和分析了目前常用的一些人脸检测算法。在广泛调研国内关于人脸检测的算法后。首先利用在YCbCr颜色空间对人脸肤色的聚类性,采用肤色分割法完成人脸候选区的检测,初步确定候选人脸区域。针对采用肤色检测法造成误检率较高的问题,本文采用改进的算法进行人脸检测。针对AdaBoost算法具有检测人脸正面效果较好的特点,为了能够利用两种算法各自优点,最后将肤色分割和AdaBoost算法的两种人脸检测方法相结合,即首先通过肤色模型对待检测图像进行初检,分割出图像中的人脸区域和类肤色区域,再将其作为AdaBoost级联分类器的输入图像,进一步用AdaBoost检测分类去除候选区域中包括的非人脸区域,实现准确人脸检测定位。这样既利用肤色信息可以加快检测的速度,又可以优化检测效果,提高了检测效率、降低误检率。本文先在MATLAB软件平台上完成了对改进算法的研究和仿真测试,经过检验测试该算法的性能有了较好的提高,能够满足实验需求。之后,将该算法移植到DSP硬件平台上进行仿真实现,本文采用的硬件平台为ICETEK-DM6437-B评估模块,其中TMS320DM6437为硬件平台核心处理器,在CCS 3.3 DSP集成开发环境下编程实现系统功能,并利用其集成的实时操作系统DSP/BIOS进行了实时调试。对检测算法进行结合优化,最终实现人脸检测定位。经过检测实验结果表明,本文设计的人脸检测系统其人脸正确检测率可达90%以上,具有较好稳定性和很强的实用性,达到了基本的实时性要求,实现了预期目标。(本文来源于《东北大学》期刊2014-12-01）
熊英[6]（2013）在《视频图像中的多姿态人脸检测》一文中研究指出近年来,人脸检测(Face Detection)成为计算机视觉和模式识别领域的一个非常活跃的课题。随着智能监控、人机交互技术的发展,人们对于具有视频分析处理能力、运动目标自动检测和跟踪的智能化视频监控系统的要求日益迫切。智能化系统需要克服多姿态人脸检测这一技术难题来实现多视角人脸检测与跟踪。目前人脸检测的研究主要集中在简单或复杂背景环境下的前视图人脸检测,对于多姿态人脸检测方法还存在很多问题,有效的方法并不多。本文研究了彩色视频图像的多姿态人脸检测基本理论和关键技术,重点分析了基于视频图像的运动目标提取和肤色模型的肤色区域分割模块和基于灰度分布直方图与金字塔形检测器模块相结合的多姿态人脸检测方法。论文的主要工作如下:(1)运动特征是视频序列图像的重要特征之一,根据运动目标检测的常用方法,提出了背景差分法和帧间差分法相结合的运动目标分割方法。(2)肤色是人脸的重要特征之一,它不依赖于人脸面部姿态,具有相对的稳定性,提出了基于肤色特征与运动特征相结合的人脸检测方法。算法先检测出肤色区域,利用人脸几何特征,剔除手臂、腿、近肤色服装等非人脸区域,然后采用运动特征剔除背景区域,得到完整的前景肤色区域。(3)灰度分布直方图对人脸姿态粗划分是个很好的方法,而Adaboost分类器对人脸检测速度较快,提出了基于直方图和金字塔检测器的多姿态人脸检测方法。该技术先使用直方图对多视图训练样本进行分类,然后用基于姿态划分的层次模型进行不同角度姿态的人脸识别,得到最终的人脸识别结果。实验结果表明本文的方法与经典算法相比,既提高了检测率,又减少了计算时间。(本文来源于《湖南大学》期刊2013-12-10）
李全彬,刘锦高,黄智[7]（2013）在《基于肤色模型和FloatBoost的多姿态人脸检测》一文中研究指出多姿态人脸检测是人脸识别系统必须解决的关键问题之一。利用光照鲁棒的肤色模型来搜索待检图像的可能人脸区域并进行肤色分割,结合分割区域的几何信息确定最终的候选人脸区域,然后对人脸的关键特征进行定位,按规则计算重要特征块的中心,将这些中心点确定的符合条件的候选区域利用FloatBoost进行分类,最终实现了快速准确的多姿态人脸检测。(本文来源于《计算机工程与应用》期刊2013年23期）
滕少华,陈海涛,张巍[8]（2013）在《基于超球支持向量机的多姿态协同人脸检测》一文中研究指出针对多姿态的人脸检测准确度差的问题,提出了一种多姿态的协同人脸检测模型。该模型由一组超球支持向量机组成,它们被分成叁层:第一层1个、第二层3个、第叁层9个,共13个支持向量机(SVM)。这些SVM按逐层精细化检测设计,协同完成人脸检测任务。因为一幅图像的大部分区域是非人脸,采用叁层模型的设计一方面能提高人脸检测速度,另一方面也增强了检测的针对性,使得能逐层履行更精细的局部区域检测。另外,改进了k近邻(kNN)算法,使其能用于超球重迭样本的检测,并提高了人脸检测的准确度。实验结果表明,相对于传统基于SVM的人脸检测,所提算法在人脸检测的准确率上有5%左右的提升,通过逐层过滤,保证了人脸检测的速度。(本文来源于《计算机应用》期刊2013年07期）
冯蓉蓉[9]（2013）在《融合AP与不变性特征的多姿态仿生人脸检测研究》一文中研究指出人脸检测研究中，仿生算法的兴起使得多种方法的组合成为人脸检测的一种趋势。针对使用哪些方法组合这一关键问题，本文结合对多种人脸检测算法优缺点的分析，取长补短，对人脸检测过程中如何提高多姿态多人脸的正确检测率问题进行了深入研究，具体内容如下：1.针对一般SVM (Support Vector Machine)神经网络随机选取训练样本集对分类器精度造成的影响以及原始特征存在多重相关时，PCA (Principal Component Analysis)进行数据分析存在局限性，提出将Affinity Propagation(简称AP)聚类算法应用于训练样本集的选取上，除去样本集中冗余信息的同时，克服了PCA在变量多重相关性中的局限作用。实验结果表明，基于PCA和AP聚类的SVM分类器在训练和测试时间上有明显的优势。且与传统方法相比，人脸通过率高，非人脸拒识能力有所加强。2.实现了一种多方法组合的多姿态人脸检测算法。对于一幅待检测的人脸图像，预处理后，进行基于模板匹配与进化Agent的人脸窗口搜索，初步获得待检测的人脸候选区域；由基于AP与PCA设计并训练好的SVM分类器分类，最终标记图像中的人脸区域。实验结果表明，基于本文多方法组合的人脸检测算法在多姿态人脸检测时检测率高，误检率低。(本文来源于《中国石油大学（华东）》期刊2013-05-01）
陈海涛[10]（2013）在《基于SVM的多姿态人脸检测方法研究》一文中研究指出多姿态人脸检测对于人脸检测走向实际应用具有重大的意义,也受到了模式识别领域的普遍关注,但是多姿态人脸检测准确度差是近年来一个比较难以突破的技术难题。支持向量机是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳的策略,以求获得最好的推广能力,能较好解决人脸检测中的非线性、小样本、局部极小点等复杂问题。将支持向量机应用在人脸检测问题上,对于人脸检测技术的研究具有重要意义。本文针对多姿态人脸检测算法进行深入研究,结合超球支持向量机分类技术,介绍了基于超球支持向量机的多姿态人脸检测,并对国内外有关人脸检测方法的研究与应用给出详细分析,给出了协同人脸检测模型,同时介绍了数据预处理方法,可以提高检测的整体性能,最后详细介绍了基于超球的人脸检测算法模型。本文的主要研究工作包括：(1)分析了当前国内外多姿态人脸检测的研究背景及研究现状,介绍了基于支持向量机方法的多姿态人脸检测的研究状况,对常见多姿态人脸检测相关技术的应用范围以及其优劣进行了分析。(2)针对一幅图像的大部分区域是非人脸,本文提出了一种多姿态的协同人脸检测模型。该模型由一组超球支持向量机组成,他们被分成叁层：第一层1个、第二层3个、第叁层9个,共13个SVM。这些SVM按逐层精细化检测设计,协同完成人脸检测任务。采用叁层模型的设计具有两点优势：一方面能加快人脸检测速度,另一方面又提高了检测的针对性,使得逐层能履行更精细的局部区域检测。(3)改进了k近邻(KNN)算法,比较了普通的KNN算法和改进的KNN算法的优缺点,将改进的KNN算法用于超球重迭样本的检测,提高了人脸检测的准确度。(4)设计并实现了基于超球的多姿态人脸检测的算法,构建了基于超球的多姿态人脸检测器,分析了超球支持向量机用于多姿态人脸检测的优缺点。(5)对提出的基于超球的多姿态人脸检测技术进行了相关实验,并且对实验结果进行了详细分析,相对于传统基于SVM的人脸检测,所提算法在人脸检测的准确率上有所提升；通过逐层过滤方法,提高了人脸检测的检测速度,这对人脸检测走向实际应用具有积极作用。本文依据多层检测模型,给出了基于超球支持向量机的多姿态人脸检测方法,其中结合KNN算法来处理超球重迭区域的样本,提高了超球重迭内样本的准确率。针对该协同模型进行了相关的性能实验,实验结果表明该方法具有很好的检测效果,整体性能比较高。最后,本文对研究和设计工作进行了总结,指出了支持向量机以及多姿态人脸检测算法的进一步工作方向。(本文来源于《广东工业大学》期刊2013-05-01）
多姿态人脸检测论文开题报告
（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：
人脸检测是计算机视觉领域一个重要的研究方向,是许多与人脸图像分析相关的应用的基础。在现实生活中,人脸的姿态变化多样,单一姿态的检测器难以满足需求。本文主要对多姿态人脸检测进行深入研究,首先从单一姿态检测器入手,随后研究多姿态检测器的结构,并通过实验分析各种结构多姿态检测器的性能优劣。本文的主要研究内容如下:单视角检测器的构造。首先分析了时下比较常用的几种人脸特征描述子的优缺点,并介绍了扩展Haar-like特征的快速计算方法;随后详细描述了利用Gentle Adaboost算法训练分类器的过程,并分析了 Gentle Adaboost算法的优点;而后介绍了如何训练级联分类器以完成单一姿态人脸检测的任务;最后通过实验验证了单视角检测器的性能及不足之处,体现出多姿态检测的必要性。多姿态检测器设计。本文首先依据面部拓扑距离的大小关系,将平面外[-90°,90°]旋转的姿态空间划分为5类;随后深入分析了较为常见的4种结构的多姿态人脸检测器的特点,并根据姿态划分的结果设计了 4种结构的多姿态检测器。多姿态检测器对比实验。本文使用前文中设计的4种结构的多姿态人脸检测器,在同一测试集上进行实验对比,分析各种检测器在检测速度、检测率、虚警等多项指标上的性能差异,并验证姿态划分的合理性。最后,得出各种结构检测器的适用情形。
（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。
多姿态人脸检测论文参考文献
[1].黄波.基于深度学习的平面内多姿态人脸检测算法研究及其应用[D].华南理工大学.2019
[2].吴秋岚.多姿态人脸检测研究[D].东南大学.2017
[3].许芸玉.非限制条件下的多姿态人脸检测算法研究[D].兰州理工大学.2016
[4].刘昕冉.多姿态人脸检测及人脸特征点定位[D].北京邮电大学.2016
[5].孔博.基于DSP的多姿态人脸检测算法研究与实现[D].东北大学.2014
[6].熊英.视频图像中的多姿态人脸检测[D].湖南大学.2013
[7].李全彬,刘锦高,黄智.基于肤色模型和FloatBoost的多姿态人脸检测[J].计算机工程与应用.2013
[8].滕少华,陈海涛,张巍.基于超球支持向量机的多姿态协同人脸检测[J].计算机应用.2013
[9].冯蓉蓉.融合AP与不变性特征的多姿态仿生人脸检测研究[D].中国石油大学（华东）.2013
[10].陈海涛.基于SVM的多姿态人脸检测方法研究[D].广东工业大学.2013
标签：平面内多姿态人脸检测; RIN; Facenet; 人脸识别身份验证系统;