导读:本文包含了人脸特征论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:特征,卷积,神经网络,表情,算法,局部,疲劳。
人脸特征论文文献综述
许爱东,黄文琦,明哲,陈伟亮,胡浩基[1]（2019）在《基于级联网络和残差特征的人脸特征点定位》一文中研究指出为进一步提高人脸特征点定位精度,探究当前广泛用于人脸关键点定位的全卷积神经网络(FCN)架构的原理和缺陷,讨论FCN核函数在特征点定位中引入的副作用,即训练和测试时评判准则不一致的问题.理论分析该问题存在的可能性和普遍性,设计实验验证在实际场景下此问题存在的广泛性.提出结合残差特征的沙漏网络结构并将其应用于人脸特征点检测;提出多级沙漏网络的级联结构,并将其与经典的栈式沙漏网络进行对比分析.实验结果表明:二级级联结构获得了与四级栈式结构相当的特征点定位精度,大幅降低了模型参数量和时间复杂度.所提方法在300-W数据库的困难子集上的平均归一化误差为6.84%,优于已有最好方法.(本文来源于《浙江大学学报(工学版)》期刊2019年12期）
高理想,高磊[2]（2019）在《基于特征融合的人脸表情识别研究》一文中研究指出针对现有的人脸表情识别方法易受到光照、噪声等因素的影响导致识别率较低的问题,本文提出了一种基于特征融合的人脸表情识别方法。从两方面对表情信息进行描述,通过局部二值模式(LocalBinaryPattern,LBP)和词袋模型(BagOfWords,BOW)分别对表情图像进行纹理特征和语义特征提取,然后将两种特征进行线性融合,最后使用支持向量机(Support Vector Machine,SVM)进行表情分类识别。本文方法在JAFFE和CK+表情数据集上分别取得了98.76%和97.58%的识别率,验证了所提出方法的有效性。(本文来源于《软件工程》期刊2019年12期）
王思明,梁运华[3]（2019）在《基于改进LBP的人脸面部表情特征提取方法（英文）》一文中研究指出面部表情识别中,局部二值模式(Local binary pattern, LBP)是一种重要的纹理特征提取方法,但其在特征提取时维度较高、提取速度慢、不能得到有效的局部或者全局特征,因而提出了一种基于改进LBP的人脸面部表情特征提取方法。该将LBP转化为双局部二值模式(Double local binary pattern, DLBP),融合泰勒展开式(Taylor expansiion, TE),生成DLBP-TE算法,此算法结合极限学习机(Extreme learning machine, ELM)分类算法应用于七种表情分类中,在日本成年女性面部表情(JAFFE)数据库中进行实验。结果表明,此方法能显着提高面部表情识别率。(本文来源于《Journal of Measurement Science and Instrumentation》期刊2019年04期）
赵淑欢,万品哲,郭昌隆[4]（2019）在《深度稀疏自编码网络融合多LBP特征用于单样本人脸识别》一文中研究指出单样本人脸识别的关键在于充分挖掘单样本判别性信息,采用深度稀疏自编码网络与空频域多LBP特征融合进行特征提取。首先利用部分样本训练深度稀疏自编码网络,利用训练好的网络分别提取训练及测试集的特征;其次,利用二维离散小波变换将时域样本变换到频域,实现样本扩展,增加单样本信息并分别提取各域上的多LBP特征;最后利用协同表示对深度自编码网络及多LBP特征进行分类识别,融合识别结果获取最终分类结果。在AR及PIE数据库上的实验结果表明,该融合算法能提高样本判别性信息的提取,提高单样本人脸识别性能。(本文来源于《物联网技术》期刊2019年11期）
黄倩露,王强[5]（2019）在《结构化特征融合的人脸表情识别》一文中研究指出考虑中心像素值对梯度幅值计算的影响,提出绝对尺度不变特征变换(ASIFT)描述子,结合主动形状模型(ASM)定位人脸特征点,提出ASM-ASIFT特征提取方法。将该方法所提特征与通过划分人脸表情区域并赋予权值的局部二值模式(LBP)特征进行结构化融合。实验结果表明,结构化融合后的正脸和侧脸表情识别的准确率分别为83.44%和71.19%,较ASM-ASIFT以及区域LBP方法,分别提高了4.77%、4.78%和6.98%、8.45%,表明融合后的特征能更加完整、精确地描述面部表情的细节信息,具有更强的表征能力。(本文来源于《计算机工程与设计》期刊2019年11期）
贺瑜飞[6]（2019）在《基于Haar特征和改进的AdaBoost算法的人脸图像识别》一文中研究指出针对在复杂背景的情况下,AdaBoost算法主要存在识别率较低,速度慢的问题,提出了一种基于改进的AdaBoost算法和Haar特征的方法。首先进行的是用扩展的Haar特征进行特征值的计算,然后描述了boosted分类器,并指出其存在的问题,接着描绘了改进的AdaBoost算法。多分辨率搜索进行了算法优化,试验结果表明,改进的AdaBoost算法和Haar特征提高了人脸检测的实效性,漏检率降低,并且识别率有很大的提高。(本文来源于《榆林学院学报》期刊2019年06期）
张俞晴,何宁,魏润辰[7]（2019）在《基于卷积神经网络融合SIFT特征的人脸表情识别》一文中研究指出表情识别技术是计算机从静态表情图像或动态表情图像中识别出特定的表情,是实现人机交互的基础。提出一种融合卷积神经网络(CNN)与SIFT特征的人脸表情识别方法。通过图像预处理得到规范化的表情图像;采用视觉词袋模型将图像提取的SIFT特征作进一步处理,将得到的图像特征向量作为局部特征,CNN提取的特征作为全局特征,全局特征用以描述表情的整体差异,局部特征用以描述表情的局部差异;将提取出的两组特征融合后采用Softmax分类。与流形稀疏表示(Manifold Sparse Representation,MSR)及3DCNN等方法在CK+及FER2013数据集上的实验表明,该方法是一种有效的表情识别方法。(本文来源于《计算机应用与软件》期刊2019年11期）
刘婷[8]（2019）在《基于局部特征分析的人脸识别方法》一文中研究指出对于人脸识别,人们在日常生活中并不陌生,在日常考勤、信用卡申请、信贷验证、房屋交易等场景都需要人脸识别的应用。而其他领域,比如罪犯识别、档案管理、信用验证等,人脸识别更是必不可少的辅助手段。但是人脸识别会受到很多因素影响如环境因素、相貌变化、技术差异等的影响,从而导致人脸识别结果的不同。所以如何区分不同面部差异、提取面部特征是人脸识别精确度的重要环节。(本文来源于《信息与电脑(理论版)》期刊2019年21期）
曹洁,唐瑞萍,李伟[9]（2019）在《基于扩展的Haar-Like特征和LBP特征的人脸压缩跟踪算法》一文中研究指出针对传统的压缩跟踪算法采用简单的Haar-Like特征而在遮挡、光照变化、物体形变及背景干扰等情况下易产生目标漂移而导致跟踪失败的问题,提出了一种基于扩展的Haar-Like特征和局部二值模式(LBP)特征相结合的改进压缩跟踪算法,并运用于特定目标即人脸的跟踪。利用扩展的Haar-Like特征搜索目标的粗略位置,应用LBP特征充分表征人脸并进行精确跟踪来定位人脸目标的最佳位置。与简单的Haar-Like特征相比,LBP可以构建更稳定的目标表观模型,并扩展原有的Haar-Like特征,使算法在不同环境干扰下更鲁棒,同时也提高了跟踪算法的精度。实验证明:改进后的人脸压缩跟踪算法比传统的算法性能更优越。(本文来源于《传感器与微系统》期刊2019年11期）
徐慧,朱振洋,肖颖健,王海雷[10]（2019）在《基于人脸多特征点的疲劳驾驶检测与应用》一文中研究指出针对疲劳驾驶的监测问题,文中提出了一种基于人脸检测和人脸多特征点提取的疲劳程度评估算法。该算法对人脸眨眼、打哈欠,瞌睡点头等疲劳行为识别,并根据疲劳行为发生的频率进行综合疲劳评估,从而在移动终端实现对疲劳驾驶行为的实时监测和语音提醒。(本文来源于《中国计算机用户协会网络应用分会2019年第二十叁届网络新技术与应用年会论文集》期刊2019-11-07）
人脸特征论文开题报告
（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：
针对现有的人脸表情识别方法易受到光照、噪声等因素的影响导致识别率较低的问题,本文提出了一种基于特征融合的人脸表情识别方法。从两方面对表情信息进行描述,通过局部二值模式(LocalBinaryPattern,LBP)和词袋模型(BagOfWords,BOW)分别对表情图像进行纹理特征和语义特征提取,然后将两种特征进行线性融合,最后使用支持向量机(Support Vector Machine,SVM)进行表情分类识别。本文方法在JAFFE和CK+表情数据集上分别取得了98.76%和97.58%的识别率,验证了所提出方法的有效性。
（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。
人脸特征论文参考文献
[1].许爱东,黄文琦,明哲,陈伟亮,胡浩基.基于级联网络和残差特征的人脸特征点定位[J].浙江大学学报(工学版).2019
[2].高理想,高磊.基于特征融合的人脸表情识别研究[J].软件工程.2019
[3].王思明,梁运华.基于改进LBP的人脸面部表情特征提取方法（英文）[J].JournalofMeasurementScienceandInstrumentation.2019
[4].赵淑欢,万品哲,郭昌隆.深度稀疏自编码网络融合多LBP特征用于单样本人脸识别[J].物联网技术.2019
[5].黄倩露,王强.结构化特征融合的人脸表情识别[J].计算机工程与设计.2019
[6].贺瑜飞.基于Haar特征和改进的AdaBoost算法的人脸图像识别[J].榆林学院学报.2019
[7].张俞晴,何宁,魏润辰.基于卷积神经网络融合SIFT特征的人脸表情识别[J].计算机应用与软件.2019
[8].刘婷.基于局部特征分析的人脸识别方法[J].信息与电脑(理论版).2019
[9].曹洁,唐瑞萍,李伟.基于扩展的Haar-Like特征和LBP特征的人脸压缩跟踪算法[J].传感器与微系统.2019
[10].徐慧,朱振洋,肖颖健,王海雷.基于人脸多特征点的疲劳驾驶检测与应用[C].中国计算机用户协会网络应用分会2019年第二十叁届网络新技术与应用年会论文集.2019
论文知识图
