苏静静[1]2017年在《基于面部行为分析的驾驶员疲劳检测方法研究》文中指出近年来交通事故频发,给国家和个人带来了严重的财产损失。研究表明,疲劳驾驶是目前引发交通事故的主要原因之一,已经引起许多国家和政府的重视,因此准确快速的驾驶员疲劳检测的研究具有重要的意义。基于机器视觉的检测方法以其非接触性、实时性等优点,成为驾驶员疲劳检测的一个重要方法。眼睛和嘴部等状态的检测是疲劳检测方法中的重要步骤,但是墨镜遮挡及光照变化会对其产生影响。针对以上问题,本文使用红外采集设备对驾驶员面部图像进行采集,提出一种基于面部行为分析的驾驶员疲劳检测方法,其中主要研究内容包含人脸检测及跟踪、眼睛和嘴部区域检测、面部状态识别及疲劳检测等。首先,通过基于AdaBoost的检测检测算法进行驾驶员面部检测,为了提高检测速度及准确率,本文结合基于KCF(Kernelized Correlation Filter)的跟踪算法,对检测到的人脸区域进行快速跟踪;其次,通过级联回归的方法定位面部关键点,根据关键点位置提取眼睛和嘴部区域;最后,采用CNN(Convolution Neural Network)网络模型对提取出的眼睛和嘴部区域进行状态识别,得到眼睛和嘴部状态后,计算 PERCLOS(Percentage of Eyelid Closure Over the Pupil Over Time)、眨眼频率及打哈欠参数等,通过结合多个疲劳参数对驾驶员的疲劳状态进行检测。实验结果表明,该方法在佩戴墨镜情况下能够更准确的检测眼睛和嘴部状态,进而得到更准确的疲劳参数。与仅采用PERCLOS参数的方法相比,通过结合多个疲劳参数能够得到更为准确的结果。
汤德俊[2]2013年在《人脸识别中图像特征提取与匹配技术研究》文中认为伴随信息技术、人工智能、模式识别、计算机视觉等新技术的快速发展,人脸识别已被广泛应用在公共安全、信息安全、金融等领域,近几年已成为图像处理等领域的研究热点课题之一。对于一个人脸识别系统,图像匹配的目的是把通过不同传感器、不同时间拍摄、不同视觉的人脸图像统一到一个框架下,便于后续的特征提取和识别。人脸面部的特征提取是实现人脸识别技术的前提和基础,因此研究高效且鲁棒性更好的特征提取方法具有十分重要的现实意义。本论文以特征提取方法和图像匹配技术为研究目标,以人脸识别为应用背景,针对不同的特征提取方法进行深入探讨和研究,所提出的一些改进算法能有效地提高人脸识别率。主要研究内容和成果包括：(1)图像匹配的目的是把两幅或多幅图像在空间上进行对准,以确定它们之间存在某种变换关系的过程,这些图像是在不同时间、不同传感器和不同视角下拍摄得到的。针对图像匹配技术,本文阐述了它的基本定义、流程以及相关的匹配方法,在详细研究基础上提出了一种基于投影熵的图像匹配技术。(2)针对直接采用奇异值分解(Singular Value Decomposition, SVD)中的奇异值向量进行人脸识别的识别率较低问题,本文采用基于类估计基空间的改进SVD计算人脸图像的奇异值特征向量,为了降低光照、表情、噪声、姿态等多因素的影响,提出了一种融合多尺度全局特征和局部特征的人脸特征表示方法。在得到多尺度融合人脸特征基础上采用粗糙集约简算法进行特征选择,最后把选择的特征作为SVM分类器的输入从而进行人脸识别。实验结果表明,多尺度下融合全局特征和局部特征的识别方法是一种更有效的特征提取方法。(3)针对人脸识别中的光照问题,分析一些传统光照处理方法,深入研究和分析基于全变分模型(Total variation model, TV)的光照处理算法。本文在研究全变分模型的基础上,采用L1范数优化技术并结合Bregman迭代算法求解反射系数。为了提高模型的处理速度,采用基于多分辨率的处理方法从粗糙到精细的逐步迭代求解过程,最后结合分块PCA方法提取人脸面部的局部特征,使得局部特征更能充分表征和描述图像间的差异性和相似性。实验结果表明,该方法能更有效地提取人脸图像的局部特征,更准确地表征人脸面部的结构特征和纹理信息。(4)针对经典主动形状模型(Active shape model, ASM)直接采用灰度值信息构建局部轮廓模型,灰度值对光照、噪声等因素是十分敏感的,本文采用每个像素点的边缘结构方向代替灰度值构建局部轮廓模型,提出了一种改进的局部轮廓模型建立方法。该方法在法线方向的两侧采样灰度点,在每个灰度点的邻域内再采样若干点,能充分有效地利用每个采样点以及它所在邻域内点的灰度分布信息。实验结果表明,改进ASM方法取得了较好的特征点定位结果,基于改进ASM特征提取的人脸识别率也有较大提高。(5)针对经典ASM采用PCA变换获得形状主成分向量并结合形状参数建立一个线性统计形状模型,传统PCA方法不能实时有效地更新模型中的协方差矩阵和平均纹理轮廓。本文提出一种改进的ASM方法,该方法采用增量子空间学习方法更新图像训练集的特征空间,不断更新的特征空间能很好地描述图像之间特征结构信息。实验结果表明,改进的方法可以有效提高人脸特征点的定位精度,提高人脸识别的识别率。本论文通过对人脸识别中特征提取方法和图像匹配技术的研究,提出了一些改进的特征提取和识别方法。深入分析基于奇异值的人脸识别方法,提出了一种融合多尺度全局特征和局部特征的人脸识别方法。针对人脸识别中的光照问题,构造一种基于全变分模型且鲁棒性更好的特征提取方法。在研究经典统计模型的基础上,提出了更加精准的基于ASM的特征定位方法,改进的两种ASM方法能有效提高定位精度。通过理论研究和实验仿真相结合的方法,为人脸识别技术中的特征提取方法及其相关领域的深入研究进行了有益的探索。
闫胜业[3]2003年在《基于学习的人脸面部图像快速检测算法研究》文中进行了进一步梳理人脸检测是指在一幅指定图像中，在不考虑人脸的叁维姿态、光照条件等条件下，发现人脸大小、位置信息的过程。人脸检测是一项艰巨的工作，主要原因是人脸特征在人脸模式中的提取是一项非常艰巨的工作。人脸特征随着人脸在不同姿态、不同光照和其它如遮挡、不同成像条件下，会产生许多不同的情况，增加了特征提取的难度。 本文对基于学习的快速人脸检测方法进行了讨论。基于学习的快速人脸检测方法是人脸检测技术发展的趋势之一，它是一种基于后验学习的方法。 本文认为，在基于学习的快速人脸检测方法中，有叁个需要研究的要素，分别是学习算法、特征的定义及基于此特征形式构造分类器的方法和特征的有效组合方式。基于学习的人脸检测方法框架依据此叁要素而搭建起来。这种方法首先定义一种特征形式并基于此特征形式使用构造分类器的方法构造出可以进行初步人脸检测的多个弱分类器，这些弱分类器经过学习算法的挑选和组合，作为学习算法的输入生成强分类器，进行人脸检测。快速的人脸检测还有一个重要任务就是将这些弱分类器有效地组合起来，提高人脸检测的速度。本文对基于学习的检测算法中的叁个要素分别展开了讨论，重点研究了由特征构建分类器的方法和构建快速人脸检测系统所必需的弱分类器的组合，关于特征构建分类器，提出了一种新的基于人脸对称性的由特征构造分类器的方法。 最后本文运用基于Adaboost学习算法和Harr-like特征及本文提出的由特征构造分类器方法，采用一种分级分类器的结构，搭建了一个快速的人脸检测系统。此人脸检测系统在大小为320~*240的图像上，检测速度可达到10帧以上，同时检测率在90％以上。
丰慧芳[4]2017年在《基于卡口监控视频的人脸特征点定位关键技术研究》文中研究指明人脸识别技术是当前计算机视觉、机器学习等领域的研究热点,在安防、信息安全等领域有十分重要的应用背景。其中,人脸特征点定位算法作为人脸识别与验证的关键步骤,与人脸识别准确率息息相关。为此,本文以火车站、公交等监控卡口为研究对象,针对人脸视角、分辨率变化等特点开展了特征点定位方法的研究。主要工作包括:(1)建立了卡口监控人脸数据库。火车站、机场等监控卡口人脸识别是安防领域的难点,其图像通常具有俯视角、分辨率低、人脸姿态多变、光照条件复杂等特点,导致现有的主流算法难以高效地定位卡口监控人脸面部特征点。目前的公开人脸数据库一般是通过爬虫在互联网上采集,与卡口监控系统中人脸图像特点差异较大。为此,本文通过处理大量的火车站和快速公交站监控视频数据,利用半自动的方法对卡口监控人脸图像进行检测、标定、筛选处理,最终得到了卡口监控人脸数据库。该数据库包括火车站卡口监控人脸图像6647张,快速公交车站卡口监控中人脸图像1287张。本文中涉及到的人脸特征点定位实验大多利用该卡口监控人脸数据库中数据进行训练、测试和评估。(2)针对局部二值特征算法(Local Binary Features,LBF)的在卡口监控中人脸特征点定位存在的问题,提出了基于LBF增量学习的卡口人脸特征点定位算法。该方法的主要的思想是在LBF算法级联回归训练的最后一级,利用增量学习的方法,向已经回归得到的模型中导入一部分卡口监控人脸数据库中的人脸图像,对新数据回归得到新的形状增量,从而对现有模型进行修正以达到预期效果。本文所选取的新加入人脸图像的数量是原训练集人脸图像数量的十分之一。实验结果表明,该方法在卡口监控人脸图像特征点定位上更优于时下主流的监督梯度下降法(Supervised Descent Method,SDM)、回归树集合算法(Ensemble of Regression Trees,ERT)和LBF算法。(3)针对卡口监控人脸的俯视视角、分辨率低和运动模糊等特点,提出了基于权重自学习的多任务级联卷积神经网络(Multi-task Cascaded Convolutional Networks,MTCNN)算法。该算法首先调整MTCNN中多任务的权重分布,使MTCNN的网络结构侧重解决人脸特征点定位问题。然后在MTCNN网络结构中加入权重自学习模块,使其能自动学习得到多任务协调计算的最佳权重分布,从而进一步提高对卡口监控中人脸图像特征点定位的精度。实验结果表明,该方法在卡口监控中人脸图像特征点定位的准确率高于SDM、ERT、LBF、MTCNN和基于LBF增量学习卡口人脸特征点定位算法。最后对本文工作进行了总结,并对本文后续工作进行了展望。
蔡友谊[5]2018年在《基于深度学习的面部跟踪与表情识别》文中进行了进一步梳理面部表情是人体语言的重要组成部分,是人类生理和心理活动的窗口,可以传递人类的内心情感状态。当前,面部表情分析已经成为了计算机视觉、模式识别、人工智能等领域的一个热点研究课题。另一方面,近年来深度学习技术发展迅猛,已经广泛地应用于计算机视觉的研究中,取得了非常好的效果。本文旨在利用深度学习的技术,研究面部表情分析所涉及的两项关键技术:人脸面部跟踪和人脸表情识别。人脸面部跟踪作为面部表情分析研究中一项非常重要的前端技术,是开发真正实用的实时面部表情分析系统的先决条件。而人脸表情识别又是面部表情分析中的一个重要目标,成熟的人脸表情识别技术具有非常大的应用价值。本文的贡献总结如下:(1)深入研究了真实场景下的人脸面部跟踪问题。为了提高面部跟踪的准确性,本文利用图的旋转不变性和平移不变性性质,提出了一种基于谱滤波的面部跟踪算法。该算法简单有效,易于实现,能够很好地解决面部跟踪过程中目标经常发生的形变和旋转问题。本文的算法在自建的儿童面部跟踪数据库和标准目标跟踪数据集上进行了评测,取得了非常好的结果。(2)研究了基于视频的真实场景下的动态表情识别。本文提出了一种基于卷积神经网络与循环神经网络相融合的动态表情识别算法。该方法充分利用深度卷积神经网络能有效提取空间特征、循环神经网络能够充分发掘时间上下文信息的能力对动态表情序列进行建模,能够提取到视频中人脸表情的鲁棒时空特征,从而能够进行有效地表情分类。(3)研究了儿童微笑检测的问题并提出了一种基于卷积神经网络的微笑检测模型—Smile-Net。Smile-Net是一个简单的网络,与传统的网络相比,其层数和参数量少,但却能够取得比传统的方法和经典的深层神经网络方法更好的结果。本文还开发了一个儿童面部跟踪与微笑检测系统,该系统可以对参加亲子互动实验中儿童的视频数据进行准确的微笑检测,生成的微笑分析结果可以作为儿童社会情绪调节能力评测的辅助分析手段。
张静[6]2013年在《基于面部图像分块处理和PCA算法的表情识别研究》文中指出表情传递着一个人的情感信息，人们可以通过表情来表达自己的内心世界，也可以通过表情来识别和理解对方的心理情感状态，并做出相应的回应。随着计算机技术、人工智能技术和自动识别技术的快速发展，表情识别已成为人工智能研究领域的热点课题之一，它涉及计算机视觉、情感计算等多门学科，主要应用于人机交互、机器人制造、国家安全、海关、出入境、医疗、远程教育和汽车等领域。现有的表情识别研究表明，生气、厌恶、恐惧、高兴、惊奇、悲伤和中性这七种基本情感与种族和文化相独立，而且具有全人类性，在此基础上提出了很多不同的识别方法，但是总体而言表情识别的准确率不高，现有算法推广性较差。针对这些问题，本文提出了一种基于面部图像分块处理和PCA算法的表情自动识别方法，该方法适用于静态图像，包括叁个步骤：首先通过图像预处理，将人脸图像分成眼睛眉毛区域、鼻子区域和嘴巴区域；然后分别对每块区域采用PCA算法进行降维及特征提取，得到图像的“特征空间”；最后根据眼睛眉毛、鼻子和嘴巴各部位的变化对表情的影响不同，设置不同的影响因子，分别计算出各个部位的测试区域“特征空间”与训练区域“特征空间”的欧几里德距离，每个部位的欧几里德距离乘以对应的影响因子，得到最后的距离长度，根据最小距离原则，将表情分类。论文使用JAFFE表情库和CMU表情库中的部分图像、网上随机下载图像和志愿者实际图像进行测试，将所提方法与现有主流方法进行比较，通过分析测试结果，表明该方法提高了表情的识别率，而且具有较好的推广性。
胡文静[7]2006年在《自动人脸识别技术研究及其在人员身份认证系统中的实现》文中认为自动人脸识别技术(AFR)是一项极具挑战性的前沿研究课题。它试图通过计算机分析人脸图像并从中提取有效识别信息，达到辨认人员身份的目的。对AFR技术的研究不仅具有重大的理论和学术研究意义，而且具有潜在的巨大应用价值。 经过近几十年特别是近几年来的研究，自动人脸识别技术已经取得了长足发展，用于人脸识别商业系统已经面市，但对应用条件的限制相当严格；在非理想可控情况下的自动人脸识别技术还远未达到实用化的程度，有很多研究工作要做。 本文作为上海市应用材料科技国际合作共同计划(上海市科委AM基金)项目(《基于ARM和RFID芯片的自组织安全监控系统的研制》编号：0512)的主要研究内容之一，从构建自动人脸识别系统需要解决的若干关键问题入手，重点探讨了实时人脸检测与跟踪、面部关键特征定位、高效的人脸特征描述、鲁棒的人脸识别分类器及自动人脸识别系统设计等问题。 1、提出了结合肤色校验的Haar特征级联分类器实时人脸检测算法(SCC-HCC)和基于人脸约束的人脸实时跟踪算法(AM-CamShift) 人脸检测是自动人脸识别系统首先需要解决的关键问题。Viola于2001年提出的基于Haar特征级联强分类器的人脸检测算法，通过抽取人脸的Haar特征训练分类器，达到人脸检测的目的，但由于其仅仅利用了人脸的灰度信息，没有考虑人脸的肤色分布，因而对复杂背景中类人脸结构的物体对象区分的鲁棒性较差。鉴于此，论文第叁章提出了基于肤色模型校验和Haar特征级联强分类器的快速人脸检测算法(SCC-HCC)。 人脸跟踪是基于视频的人脸识别、视频监控等典型应用中必不可少的环节，CamShift算法对于目标物体的跟踪具有较强的鲁棒性，但其存在跟踪窗口(Tracking Window)必须通过手工标定的缺陷，而且对背景中类肤色区域的鲁棒性欠佳。我们在CamShift算法的基础上提出了基于人脸约束的实时跟踪算法(AM-CamShift)，实现了跟踪窗口自动标定及多目标的快速自动跟踪，有效提高了对背景中类肤色区域的鲁棒性。 2、针对传统线性判别分析法存在的小样本问题(SSS)，通过调整Fisher判别准则，实现了自适应线性判别分析(A-LDA)算法，提出了基于A-LDA算法的分类判决准则及相应的人脸识别方法
杜坤[8]2017年在《人脸识别系统的研究与实现》文中认为随着当前社会的电子技术与生物信息技术的快速发展,基于生物特征的模式识别技术得到广泛的应用,例如蚂蚁金服的刷脸支付。生物特征识别技术中人脸识别技术是当下发展迅速应用较广泛的识别技术。人脸识别技术是一个具有挑战性、跨多学科的研究课题,其包含的学科有:图像处理与分析、模式识别和机器学习、人工神经网络、数学与机器视觉与人工智能等学科。人脸识别过程主要包括人脸检测、图像的预处理、特征的提取和模式分类识别等。本文主要研究基于BP神经网络的人脸识别技术,对人脸识别过程当中涉及到的理论和技术进行了研究与讨论。主要研究内容如下:首先是人脸检测与定位以及图像的预处理。在人脸检测与定位当中采用基于肤色的人脸检测算法,由于人脸的肤色的稳定性和持久性,对人脸图像先进行YCbCr色彩空间的转换,再进行肤色的分割,然后将肤色分割的图像中存在的噪声去除,最后选出人脸区域。图像预处理采用小波图像去噪、直方图均衡化对图像进行增强以及人脸图像的尺寸归一化处理。其次是人脸图像的特征提取和BP神经网络的训练。在人脸图像的特征提取,首先实验进行对人脸的边缘检测,检测出人脸的边缘特征;通过边缘检测,把图像分为边缘区域和非边缘区域,在边缘区域内进行边缘定位,提取出人脸的特征;同时也采用PCA利用统计学的方法对人脸特征进行统计。通过提取的特征,进行BP神经网络的训练,分别训练人脸姿态和人脸特征。在此基础上,确定影响识别率的参数,选择最适合的训练参数,提高识别率。最后是使用C#语言实现人脸识别系统。利用前期训练的数据共同完成人脸识别系统,使识别率提高至90%以上,完成了预期的测试目标。
孙鹤[9]2008年在《基于人脸面部特征的性别分类研究》文中研究表明本文的研究重点是多角度人脸性别分类问题。基于图像的性别分类是计算机视觉和模式识别领域中的热门研究课题之一,是一个大规模的两类分类问题。基于图像的性别分类主要包含叁个部分:1)对原始图像进行人脸检测;2)对人脸面部图像进行特征提取;3)利用提取的人脸面部特征向量和模式分类器对性别进行分类。本文集中研究了人脸检测算法和人脸面部特征提取方法这两部分内容,并重点分析了我们提出的新的特征提取方法在人脸性别分类问题上的分类性能。本论文的创新成果包括:1.动态瀑布结构的人脸检测算法本文提出了一种动态瀑布模型算法用来训练有效的人脸检测器。此算法可以在超大规模的样本集上训练检测器,而且只需要很少的训练参数。同时,动态瀑布模型算法可以采用并行分布式计算,因此在100亿的样本集上训练一个人脸检测器,只需30台个人台式计算机和不超过8个小时的训练时间。2.一种新的弱分类器—贝叶斯弱分类器我们提出了一种新的弱分类器—贝叶斯弱分类器,来训练boost分类器。利用这种分类器,我们可以使用较少的特征来获得更加稳定的boost分类器。贝叶斯弱分类器通过将传统的二值断言型弱分类器扩展为多路划分的决策树型弱分类器来达到最小化贝叶斯错误率的目标。3.使用多个特征集合的人脸检测器训练方方法法如何减少运行时的计算消耗和增加检测的准确率是人脸检测领域的两个最具挑战性的问题。为了解决这两个问题,我们通过在动态瀑布模型中使用多种特征集合,同时优先使用计算复杂度低的特征集合。在本文中,我们一共使用了叁种特征集合:Haar-like特征,Gabor小波特征以及局部边方向直方图特征。4.基于局部Gabor二值映射模式的特征提取方方法法我们提出了一种新的特征提取方法—局部Gabor二值映射模式特征,并将它应用于人脸性别分类问题。这个方法首先采用多方向、多尺度的Gabor滤波器对人脸图像进行卷积,得到一系列Gabor幅值图谱。其次使用局部二值模式算子编码每个Gabor幅值图谱,形成局部Gabor二值模式图像。然后将每个局部Gabor二值模式图像划分为互不重迭的矩形区域,统计区域直方图,形成局部Gabor二值模式特征。为了对此特征进一步降维,我们提出了两种局部区域投影方法,将每个区域直方图映射成一个数值。通过使用这两种投影方法,最终得到的局部Gabor二值映射模式特征向量的维数比传统的局部二值模式特征向量的维数还要低。
朱怀毅[10]2008年在《人脸检测与识别的多特征分析与系统实现》文中研究说明本论文研究人脸检测和识别的多特征分析方法,设计和实现了一个具有高检测率和识别率、具有可扩展性的实时人脸检测与识别系统。我们分析和实现了最近比较流行的人脸检测和识别算法,提出了新的多特征分析方法、新的弱分类器及新的级联结构——动态级联结构学习方法来改进人脸检测算法,比较了各种不同的人脸识别算法的性能和适用情况,并在此基础上完成了人脸检测与具有在线学习功能的人脸识别系统。本论文的主要工作包括以下几个方面:(1)在人脸检测方面,我们在传统的Adaboost训练框架的基础上,提出了多特征的动态级联结构(Dynamic Cascade)训练算法,并训练了一个同时具有高检测率(Recall)和低误检率的(False Alarm)正面人脸检测器。首先,在连续的Adaboost(RealBoost)算法中,我们提出了新的弱分类器——Bayesian Stump,以此来解决传统弱分类器中存在的例如子区域(Bin)划分个数的选择、如何根据训练样本分布进行不同划分的问题。其次,我们提出了新的级联结构(Cascade)方法——Dynamic Cascade来解决使用级联结构训练中训练参数过多的问题,并充分利用了上一个级联结构分类器的信息,提高了分类效果,同时也降低了分类过程中的平均弱分类器使用数量。第叁,我们提出了多特征的方法来满足人脸检测中Cascade不同阶段对特征性质的要求,各特征间形成了互补,有利于检测精度的提高。在CMU/MIT的正面人脸数据集上的评测表明了以上改进算法的有效性。在实际应用中,这个正面人脸检测器完全达到了实时的性能。(2)在人脸识别方面,我们阐述、实现并比较了不同的人脸识别算法并针对人脸识别在线训练算法提出了一些解决方案。通过在中科院人脸数据集CAS-PEAL和FERET数据集上对这些算法采用的预处理方法和识别性能进行测试得到的分析结果表明,采用第二种结构的独立成分分析(Independent Component Analysis, ICA)算法相对于其他算法在CAS-PEAL数据集中的困难光照测试集中表现出了相当好的识别结果;对于普通的饰物、时间跨度、背景、距离、表情等测试集,局部二值模式(Local Binary Pattern, LBP)算法取得了绝对优势。对预处理方法的实验表明,采用直方图均衡化和高斯模糊,均能对不同的识别算法有显着提高。(3)采用了上述改进的人脸检测算法以及在测试集中胜出的人脸识别算法开发了快速在线人脸检测识别系统。在实现上,采用了多线程、识别结果平滑处理等技巧提高了系统性能,保证了系统检测和识别的准确性、实时性和可交互性。人脸识别在线学习算法的提供为系统的实用性提供了保证。整个系统的设计具有可扩展性,为后续的功能模块提供了相应的接口。
参考文献：
[1]. 基于面部行为分析的驾驶员疲劳检测方法研究[D]. 苏静静. 天津工业大学. 2017
[2]. 人脸识别中图像特征提取与匹配技术研究[D]. 汤德俊. 大连海事大学. 2013
[3]. 基于学习的人脸面部图像快速检测算法研究[D]. 闫胜业. 北京工业大学. 2003
[4]. 基于卡口监控视频的人脸特征点定位关键技术研究[D]. 丰慧芳. 集美大学. 2017
[5]. 基于深度学习的面部跟踪与表情识别[D]. 蔡友谊. 东南大学. 2018
[6]. 基于面部图像分块处理和PCA算法的表情识别研究[D]. 张静. 西安电子科技大学. 2013
[7]. 自动人脸识别技术研究及其在人员身份认证系统中的实现[D]. 胡文静. 华东师范大学. 2006
[8]. 人脸识别系统的研究与实现[D]. 杜坤. 河北科技大学. 2017
[9]. 基于人脸面部特征的性别分类研究[D]. 孙鹤. 上海交通大学. 2008
[10]. 人脸检测与识别的多特征分析与系统实现[D]. 朱怀毅. 上海交通大学. 2008
标签：计算机软件及计算机应用论文; 分类器论文; 人脸识别技术论文; 人脸识别算法论文; 人脸检测技术论文; 特征提取论文; adaboost人脸检测论文; 图像融合论文; 人工智能论文; 系统学习论文; 图像识别论文;