导读:本文包含了关键点定位论文开题报告文献综述及选题提纲参考文献，主要关键词:服装图像,属性标签识别,残差神经网络,堆迭沙漏网络
关键点定位论文文献综述
张萌岩[1]（2019）在《基于深度学习的服装图像属性标签识别与关键点定位研究》一文中研究指出时尚产业的巨额利润潜力和服装电商的迅猛发展驱动面向服装的智能时尚分析在多媒体、计算机视觉和模式识别等领域获得广泛关注。服装图像的属性标签识别和关键点定位作为智能时尚分析中的基础性问题,具有重要的研究意义。服装种类繁多且许多类别之间的差异很小,给高效准确的图像属性标签识别和关键点定位带来了挑战。深度学习算法在图像处理领域中已经收获了较多成果,但其识别和定位方法存在模型单一、数据量过大、实时性较差、未考虑领域特殊性等一系列问题,结果准确性仍需不断改进,尤其在面向服装图像时,其属性标签识别和关键点定位尚有较大的提高余地。因此,本文主要利用深度学习算法对服装图像属性标签识别和关键点定位进行了研究。(1)针对服装图像的属性标签识别,设计了一个基于残差神经网络ResNet50的新的深度学习模型,即Res-FashionAINet。该模型主要使用卷积模板,并穿插恒等模板,在模型尾部增加Dropout层以避免过拟合,同时增加全连接层来增强输出特征的表达能力。模型从网络的最低层开始学习,然后对图像特征的分布情况进行逐层学习,并且在网络的全连接层(Dense Layer)将其特征图抽象为更多维度的特征向量,最后将抽象后的特征向量输入到分类器中,以此预测标签对应各属性类别的概率,概率最高的即被判断为该图像最终的属性标签识别结果。通过数据预处理、模型训练和属性预测叁个方面进行实验,在FashionAI_attributes数据集上,Res-FashionAINet模型在服装图像属性标签识别上的准确率和处理速度均有一定提升。(2)针对服装关键点定位,设计了一个基于堆迭沙漏网络的新模型,即Hg-FashionAINet,在所有尺度上处理特征以捕获与服装相关的各种空间关系,对服装关键点进行预测、定位,该模型基于池化和上采样的连续步骤,用于生成最终的预测集,并将重复的自下而上,自上而下的处理与中间监督结合使用,同时采用了跨阶段特征融合和由粗到精的监督两种设计思路来提升性能。实验在大规模高质量时尚数据集FashionAI_key_point上取得了较高的定位准确率。本文设计的两种深度学习模型,在服装图像数据集上具有良好的特征提取能力,识别定位准确率高,训练速度快,将有利于智能时尚分析的进一步发展。(本文来源于《武汉纺织大学》期刊2019-06-01）
崔慧灵[2]（2019）在《鲁棒微表情关键点定位及特征提取算法研究》一文中研究指出微表情是一种特殊的面部微小动作,通常是人们在某些环境下试图隐藏而不由自主发生的一种短暂情感,可以作为判断情绪的重要依据。相关研究是情感计算领域的重要研究方向,且具有广泛的应用前景。持续时间短、变化强度低、局部不对称以及环境因素等影响,使得微表情的检测和识别变得非常困难。为此,本文提出了鲁棒微表情关键点定位及特征提取算法,并应用于人脸微表情识别。论文工作如下:(1)研究分析了叁种基于深度学习的人脸关键点定位网络模型,即精细化卷积神经网络(Coarse to Fine CNN)、多任务卷积神经网络(Multi-Task CNN)以及风格聚合网络(Style Aggregated Network,SAN)。在300W数据集和真实环境下的对比实验表明,与其它两种网络模型相比,SAN模型对环境及姿态变化具有更强的鲁棒性。因此本文选定基于SAN的人脸关键点定位算法用于本文所提的微表情特征提取与识别算法。(2)提出了一种样本分布均衡约束的微表情特征提取与识别算法。微表情很难被捕捉和模仿,因此现有相关数据集均存在样本分布不均衡的问题并影响模型训练的效果。为解决这一问题,本文设计了一种样本分布均衡损失,并以VGG-16-V作为骨架网络,提出了样本分布均衡约束的微表情特征提取与识别算法。在CASME Ⅱ数据集的实验表明,与VGG-16-V网络相比,采用原始样本作为输入时,所提算法的识别率可提高0.10%,若采用人脸关键点对样本进行数据级增强,识别率可提高10.10%。(3)提出了一种时空联合描述的双流微表情特征提取与识别算法。针对其中的时序关系描述流,本文设计了一种二维关键点特征提取模型(Two-dimensional landmark feature,TDLF),用于提取每帧(除峰值帧之外)人脸的关键点与峰值帧人脸关键点间距离的变化;而空间特征描述流则选取本文所提的样本分布均衡约束的网络结构。时序关系及空间特征描述流预测输出,最后通过全连接层进行决策融合,所提算法可采用端到端的方式进行训练。在CASME II数据集的实验表明,所提算法的正确识别率可达到85.00%。(本文来源于《北京交通大学》期刊2019-05-31）
陈雨薇[3]（2019）在《基于改进MTCNN模型的人脸检测与面部关键点定位》一文中研究指出随着计算机视觉领域的飞速发展,人脸识别技术成为人工智能的一大热点。而人脸识别系统是指通过分析比对人脸的视觉特征进行人员身份鉴别的技术。该技术可被用于诸多领域,例如公安侦破系统、门禁管理系统、上班打卡系统与视频监控系统等。人脸识别系统通常由图像获取、图像预处理、人脸检测、面部关键点定位与人脸识别五个部分组成。人脸检测与面部关键点定位的表现效果直接影响人脸识别的准确性与时效性。因此,本文主要对人脸检测与面部关键点定位进行研究。人脸检测是指根据算法与网络结构,判断输入的图像中是否存在人脸,并将人脸区域框定。而面部关键点定位,则是选用左右眼、鼻尖以及左右嘴角五个关键点对待检测的人脸图像进行定位。将检测出的人脸区域裁剪并缩放成人脸识别系统所适用的尺度以便后续人脸识别环节的进行。由于存在光线、遮挡、非正脸和图像像素过低等诸多因素的影响,给人脸检测与面部关键点定位的准确率带来困难与挑战。为增强人脸检测与面部关键点定位的准确性与鲁棒性,本论文以MTCNN模型为研究基础,对人脸检测与面部关键点定位进行了深入的研究。本文的主要研究内容包括叁个部分:基于多尺度多模板图像金字塔数据预处理方法的MTCNN模型;基于脑平行交互机制的面部关键点定位方法的研究;将MTCNN模型与ERT模型结合,构建了新的组合人脸检测系统。论文的主要工作如下。1)针对MTCNN模型中单一模板多尺度图像金字塔预处理环节进行改进,将多模板多尺度的数据预处理引入MTCNN模型。从而使得网络模型可以适用于更多人脸尺度的情形,并且实现数据集扩充。实验结果表明,所提出的多模板多尺度图像金字塔数据预处理方法可以提高密集多人脸的检测精度。2)将脑平行交互机制的思想引入MTCNN,针对面部五个关键点定位的O-Net子网络提出了O-Net-1和O-Net-2的两个新网络。ONet-1在其平行交互的结构中让面部关键点定位的任务单独工作,从而提高网络对于该任务的针对性。而O-Net-2则仅针对面部关键点定位任务引入平行交互的结构,与原网络的二分类任务及回归框检测任务之间独立工作。实验结果表明基于脑平行交互机制的MTCNN模型能够提高面部关键点定位的准确率。3)提出了一种基于MTCNN模型与ERT模型的混合人脸检测模型,该模型是以ERT辅助MTCNN的检测模型。将MTCNN没有检测到的图像送入ERT模型进行二次检测,解决单个网络的漏检问题。根据实际需求制作了一个由摄像头采集的复杂环境下的人脸数据集。通过在该数据集上进行对比实验,证明了所提出的混合人脸检测模型的有效性。(本文来源于《东华大学》期刊2019-05-01）
李俊[4]（2019）在《复杂环境下人脸检测和关键点定位方法的研究和实现》一文中研究指出人脸检测和人脸关键点定位是计算机视觉领域备受关注的两个任务,它们在现实生活中有着重要的应用。智能手机利用人脸检测来优化人物拍摄效果,人脸关键点定位可以辅助安全驾驶。除此之外,人脸检测和人脸关键点定位在人脸识别和表情识别中扮演重要的角色。正脸无遮挡的人脸检测和定位已经取得了很好的效果,但是在现实环境下,受到姿态、光照、遮挡等因素的影响,人脸呈现不同的表观,检测和定位变得极具挑战性。本文提出了叁种方法,提升了无约束环境下人脸检测和人脸关键点定位的准确率。第一,本文借助多任务学习,针对人脸检测和关键点定位任务设计了新的网络结构。不同于之前的方法联合学习人脸/非人脸分类、人脸框回归和关键点定位任务,本文额外引入了判断两张图片是否属于同一类的判别任务(如果两张图片同为人脸或者非人脸,标签为1,否则为0),并把网络改成二输入多输出结构,还为不同任务选择了不同的特征,提高了人脸检测和关键点定位的准确率。该方法在FDDB和WIDER FACE数据集上取得了很好的效果,同时在人脸关键点定位数据集AFLW上也展现了不错的性能。第二,人脸周围环境信息有助于检测小尺度、模糊、部分遮挡以及头部偏转的人脸。因此本文借助语义分割方法来挖掘人脸周围环境信息。在语义分割任务中,每个像素都被标注了类别,借助这种强监督方式,可以有效提升困难人脸的检出率。考虑到语义分割模型速度慢,为了适应人脸检测,本文设计了新的语义分割网络并使用LIP服装解析数据集进行训练。对比其他人脸检测方法在FDDB数据集上的正确率,语义分割模型显示出很大的优越性。第叁,本文通过忽略大姿态下不存在的关键点和被遮挡的关键点,实现了能同时处理大姿态和部分遮挡的人脸关键点定位。该方法先借助本文提出的多任务学习得到人脸关键点,再利用轮廓、角点信息提取关键点部件框,最后针对部件分别训练回归模型得到关键点坐标。由于只处理了真正存在的关键点,并引入了部件框的分别定位,因而提高了人脸关键点定位的准确性,且弥补了人脸框形状差异和人脸框偏移对定位精度的不良影响。该方法在AFLW和COFW数据集上超过了以前一些最优方法,同时,在LFPW数据集上准确率也很有竞争力。综上所述,本文首先通过联合学习和新的网络结构,提升人脸检测和关键点定位的准确率,然后再分别利用语义分割和基于人脸部件的回归来进一步解决如遮挡、大姿态等困难情况下的人脸检出和关键点定位问题。实验证明,本文方法能准确并快速处理绝大多数人脸,并同时完成检测和定位,应用范围更广。(本文来源于《南京大学》期刊2019-04-15）
黄杨子,顾泳[5]（2019）在《正规“小护”上门服务，“两大门槛”怎么迈过》一文中研究指出国家卫健委近日发布《关于开展“互联网+护理服务”试点工作的通知》及试点方案，确定今年2月至12月在北京、天津、上海、江苏、浙江、广东试点“互联网+护理服务”。获悉，“互联网+护理”在上海部分医疗机构已开始试点。早在2016年底，长宁区天山路街道社区卫(本文来源于《解放日报》期刊2019-02-26）
吴思[6]（2019）在《遮挡和姿态鲁棒的人脸关键点定位技术研究》一文中研究指出人脸关键点定位可用于人脸叁维重建、人脸动画、人脸识别、表情分析、虚拟化妆、颅面外科手术、疲劳监测等方面,具有广泛的应用背景和巨大的研究价值。目前的算法在遮挡和大姿态下的关键点定位精度还有较大的提升空间。基于上述问题,本文提出了一种遮挡鲁棒的人脸关键点定位算法和一种姿态鲁棒的人脸关键点定位算法,最后利用普通单目摄像头,实现了一个人脸驱动动画系统。主要创新点和贡献总结如下:1.提出了一种遮挡鲁棒的人脸关键点定位算法,针对遮挡问题提出了叁阶段的网络结构设计,主要包含特征提取部分,第一阶段粗定位模块,第二阶段精定位模块和第叁阶段二元坐标回归模块,每一部分设计了独特的损失函数用于处理遮挡情况下的人脸关键点定位。公开数据集的测试结果表明,该算法相对于基于二元坐标回归的传统人脸关键点定位算法,能更好地对遮挡区域进行关键点定位。2.提出了一种姿态鲁棒的人脸关键点定位算法,采用深度可分卷积网络从二维人脸图像中快速获得对应的3DMM[1]参数和人脸叁维关键点位置,对不同的人脸姿态具有鲁棒性。而且针对级联回归中误差累计的问题,提出了一种新的参数初始化策略。3.实现了一个人脸驱动动画系统,由人脸检测、3DMM参数回归、Unity3D合成叁个模块组成。实验表明,本文提出的系统可以准确捕捉人脸表情并生成栩栩如生的动画形象。基于本文实现的快速人脸检测算法和姿态鲁棒的叁维人脸关键点定位算法的动画驱动系统,运行速度大约为20～30fps,可以达到实时驱动的要求。(本文来源于《浙江大学》期刊2019-01-01）
张凯丽[7]（2019）在《基于深度学习的服装属性识别与关键点定位算法的研究》一文中研究指出随着计算机性能的不断提升以及视觉领域的快速发展,视觉时尚分析也引起了越来越多的人的关注。目前,在视觉时尚分析领域主要围绕服装识别、检索、时尚趋势预测及服装推荐等进行。但是,该研究领域内仍存在以下问题:(1)视觉时尚领域的基础问题,服装属性的获取主要还是依赖于手工标注和维护。(2)难以消除拍摄的距离与角度、服饰摆放方式、模特姿势等尺度的形变影响识别性能的问题。通过研究发现当前视觉时尚领域中缺乏一个专业且实用的数据集,本文引入一个经专业人员抽象整理且符合机器学习要求的数据集,并基于该数据集围绕服装属性的识别和服装关键点的定位任务展开研究。本文在现有的工作的基础上做了如下研究:(1)针对服装属性的获取还是依赖于手工标注和维护的问题,构建了一个基于深度迁移学习和特征增强卷积神经网络(Feature Enhance convolutional neural networks,FE-CNN)模型。在特征增强部分,本文创新的提出一种基于弱监督学习的APN网络提取候选区域。首先分别基于原始图像和注意力区域完成原始分支和增强分支的训练,然后联合原始分支和增强分支完成网络的多尺度训练,使得网络更加鲁棒;此外,在网络训练上,加入一种基于权重衰减的激活函数和分离的多任务联合训练的优化策略,提高了服装属性识别的准确性。(2)对与服装形变以及模特复杂姿势影响识别准确率的问题,提出一种基于改进的级联金字塔网络的服装关键点定位模型。级联金字塔网络通过级联2个类似金字塔模型的结构,结合底层特征高分辨率和高层特征的高语义信息,融合不同层的特征实现更加精确的预测。为了降低服装关键点定位的归一化误差,以空洞卷积代替模型中的下采样操作,提高特征图的分辨率,增大模型的感受野。然后,引入一种有效的后处理操作,进一步提高模型的性能。最后,通过实验证明了本文算法的有效性以及相关应用说明了服装关键点定位研究的重要意义,探索了文中研究目标在视觉时尚领域的发展的可能性。本文希望通过对服装基本属性的识别和服装的关键点定位技术展开研究,能够推进相关研究领域的发展,如:时尚对齐,服装局部属性识别,服装图像自动编辑,服装图像检索,标签导航,服饰搭配等应用场景。(本文来源于《浙江工商大学》期刊2019-01-01）
成翔昊,达飞鹏,邓星[8]（2018）在《基于关键点的由粗到精叁维人脸特征点定位》一文中研究指出提出了一个基于关键点由粗到精的叁维人脸特征点定位算法,该算法将人脸特征点定位分为关键点检测和标记两个独立的子问题。为了更好地在叁维人脸上提取关键点,该算法提出了一个关键点检测方法:1)使用深度图和监督下降算法得到叁维人脸特征点的粗略位置,提取特征点粗略位置的邻域作为关键点区域;2)提出了一种结合多个局部描述子的方法,对关键点区域内人脸点集的子集进行筛选,提取出关键点。在特征点标记阶段,使用关键点集生成候选特征点组合,选择与特征点模型匹配程度最高的组合,将组合中的候选点标记为特征点。基于FRGC v2.0和Bosphorus数据集对算法进行了实验评估,并与一些经典方法的结果进行了对比分析。FRGC v2.0库上的特征点的平均误差为2.85～3.81 mm,总体检测成功率为96.5%,其中中性、温和以及极端表情下检测成功率分别为97.5%、97.0%和93.3%。Bosphorus库上3种姿态下的检测成功率分别是92%、95%和88%。实验结果表明,该算法具有较好的精度和效率,对表情和小幅度的姿态变化具有较好的鲁棒性。(本文来源于《仪器仪表学报》期刊2018年10期）
白利敏,贾明兴[9]（2018）在《基于多姿态人脸的关键点定位算法及识别算法》一文中研究指出人脸识别作为一种非接触高安全性生物特征识别方法,受到越来越对的关注,然而,姿态影响至今没有得到很好的解决,其成为人脸识别中最具挑战因素。众所周知,在人脸旋转时局部特征并不受旋转影响,为了得到人脸准确关键点,该文首先提出一种可适应多姿态人脸的特征点定位算法,实验证明该算法在人脸多姿态的情况下仍能够定位得到准确的特征点。在此基础上,充分利用人脸局部特征,提出基于多关键点特征最优匹配的多姿态人脸识别方法,在LFW人脸库进行实验,实验结果表明该方法对多姿态人脸识别具有良好的识别较好,能够很好适应人脸的多种姿态变化。(本文来源于《计算机与数字工程》期刊2018年07期）
井长兴,章东平,杨力[10]（2018）在《级联神经网络人脸关键点定位研究》一文中研究指出人脸关键点定位是计算机视觉的一部分,在人脸识别、人脸表情识别、人脸动作捕捉等工作中有重要的作用.非约束条件下人脸关键点定位,其难点在于人脸关键点位置在复杂环境下呈现非线性变化,影响人脸关键点定位的精准性.现提出基于级联卷积神经网络的人脸关键点定位方法,分析了级联深度模型全局回归阶段多尺度特征融合对人脸关键点定位的影响;同时提出了一种具有可学习参数的人脸关键点定位损失函数.经过大量实验表明,这里提出的人脸关键点定位算法能够有效的提高针对非约束条件下人脸关键点定位精确度.(本文来源于《中国计量大学学报》期刊2018年02期）
关键点定位论文开题报告
（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：
微表情是一种特殊的面部微小动作,通常是人们在某些环境下试图隐藏而不由自主发生的一种短暂情感,可以作为判断情绪的重要依据。相关研究是情感计算领域的重要研究方向,且具有广泛的应用前景。持续时间短、变化强度低、局部不对称以及环境因素等影响,使得微表情的检测和识别变得非常困难。为此,本文提出了鲁棒微表情关键点定位及特征提取算法,并应用于人脸微表情识别。论文工作如下:(1)研究分析了叁种基于深度学习的人脸关键点定位网络模型,即精细化卷积神经网络(Coarse to Fine CNN)、多任务卷积神经网络(Multi-Task CNN)以及风格聚合网络(Style Aggregated Network,SAN)。在300W数据集和真实环境下的对比实验表明,与其它两种网络模型相比,SAN模型对环境及姿态变化具有更强的鲁棒性。因此本文选定基于SAN的人脸关键点定位算法用于本文所提的微表情特征提取与识别算法。(2)提出了一种样本分布均衡约束的微表情特征提取与识别算法。微表情很难被捕捉和模仿,因此现有相关数据集均存在样本分布不均衡的问题并影响模型训练的效果。为解决这一问题,本文设计了一种样本分布均衡损失,并以VGG-16-V作为骨架网络,提出了样本分布均衡约束的微表情特征提取与识别算法。在CASME Ⅱ数据集的实验表明,与VGG-16-V网络相比,采用原始样本作为输入时,所提算法的识别率可提高0.10%,若采用人脸关键点对样本进行数据级增强,识别率可提高10.10%。(3)提出了一种时空联合描述的双流微表情特征提取与识别算法。针对其中的时序关系描述流,本文设计了一种二维关键点特征提取模型(Two-dimensional landmark feature,TDLF),用于提取每帧(除峰值帧之外)人脸的关键点与峰值帧人脸关键点间距离的变化;而空间特征描述流则选取本文所提的样本分布均衡约束的网络结构。时序关系及空间特征描述流预测输出,最后通过全连接层进行决策融合,所提算法可采用端到端的方式进行训练。在CASME II数据集的实验表明,所提算法的正确识别率可达到85.00%。
（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。
关键点定位论文参考文献
[1].张萌岩.基于深度学习的服装图像属性标签识别与关键点定位研究[D].武汉纺织大学.2019
[2].崔慧灵.鲁棒微表情关键点定位及特征提取算法研究[D].北京交通大学.2019
[3].陈雨薇.基于改进MTCNN模型的人脸检测与面部关键点定位[D].东华大学.2019
[4].李俊.复杂环境下人脸检测和关键点定位方法的研究和实现[D].南京大学.2019
[5].黄杨子,顾泳.正规“小护”上门服务，“两大门槛”怎么迈过[N].解放日报.2019
[6].吴思.遮挡和姿态鲁棒的人脸关键点定位技术研究[D].浙江大学.2019
[7].张凯丽.基于深度学习的服装属性识别与关键点定位算法的研究[D].浙江工商大学.2019
[8].成翔昊,达飞鹏,邓星.基于关键点的由粗到精叁维人脸特征点定位[J].仪器仪表学报.2018
[9].白利敏,贾明兴.基于多姿态人脸的关键点定位算法及识别算法[J].计算机与数字工程.2018
[10].井长兴,章东平,杨力.级联神经网络人脸关键点定位研究[J].中国计量大学学报.2018