导读:本文包含了人脸图像检索论文开题报告文献综述及选题提纲参考文献，主要关键词:图像检索,人脸检索,卷积神经网络,特征向量
人脸图像检索论文文献综述
李振东,钟勇,曹冬平[1]（2018）在《深度卷积特征向量用于快速人脸图像检索》一文中研究指出针对计算机视觉领域的人脸图像检索计算复杂和检索时长问题,提出一种基于深度卷积特征的快速人脸图像检索算法.首先使用人脸图像训练集对深度卷积神经网络模型进行人脸分类训练;然后采用叁元组损失方法对已训练好的人脸分类网络模型进行微调,更新网络的参数,使得网络能够更加有效地提取不同人的人脸图像特征,构建高效的卷积特征向量进行人脸检索初步过滤;为了进一步提高系统的检索性能,提出一阶段查询扩展方法对待检索人脸图像的卷积特征向量进行均值融合加强,再次执行检索任务,得到最终的检索结果.在Celebrities Face Set和Labeled Faces in the Wild dataset这2个人脸检索数据集上进行实验的结果表明,该算法不仅能够显着地提高检索结果的准确率,而且简单可靠,能够快速地实现人脸检索任务.(本文来源于《计算机辅助设计与图形学学报》期刊2018年12期）
付念[2]（2018）在《基于LBP的人脸图像识别检索算法》一文中研究指出提出了基于LBP的图像检索算法,根据图像的特征抽取、特征分析、特征匹配的过程进行设计的算法。主要流程是从计算机视觉处理入手,采用Python编程语言,通过使用OpenCV的视觉处理模块处理图像特征,通过NumPy矩阵处理框架进行设计相关处理模型,处理提取的特征值,建构特征处理模型,进而设计训练集来分析和执行识别步骤,最后分析数据结果并进行人脸表情识别的工作。1.引言随着现代化进程的不断推进,信息技术也随着不断发展。科(本文来源于《电子世界》期刊2018年23期）
周纲,孙梦雪,高岩[3]（2018）在《基于OpenCV的人脸特征图像检索系统设计》一文中研究指出利用VS2010集成开发环境做平台搭建了一个人脸图像特征检索系统。系统设计中首先基于AdaBoost算法的思想,以OpenCV视觉库的Haartraining函数结构为基础,利用OpenCV自带的分类器与libfacedetection库进行人脸检测程序的编写,程序具有读入待检测图片,待检测图片进行预处理,加载分类器,利用分类器检测人脸,输出检测结果,并进一步实现对检测后的图片按照人脸数量进(本文来源于《电子世界》期刊2018年23期）
李振东,钟勇,张博言,曹冬平[4]（2018）在《基于深度特征聚类的海量人脸图像检索》一文中研究指出针对海量人脸图像数据库检索时长的问题,提出了一种基于深度特征聚类的海量人脸图像检索算法.该算法首先使用人脸图像训练集对深度卷积神经网络模型进行人脸图像分类训练,在此基础上采用叁元组损失方法对已训练好的人脸图像分类网络模型进行微调,使得网络能够更加有效地提取人脸图像的高层语义特征,构建更具有表征性的人脸图像深度特征.其次采用K-means聚类算法对提取的人脸图像深度特征进行聚类,使得同一个人的人脸图像能够划分到同一簇中,然后在相应的簇中进行人脸图像的深度特征相似度匹配执行人脸图像检索任务.为了进一步提高系统的检索性能,提出人脸图像深度特征融合的查询扩展方法,对待检索的人脸图像深度特征进行融合再次执行检索任务得到最终的检索结果.通过在两个人脸检索数据集(Celebrities Face Set和Labeled Faces in the Wild dataset)上进行详尽实验验证,结果表明,该算法能极大地缩小海量人脸图像数据库的检索范围,在保证一定准确率的前提下有效地提高了人脸图像检索的速度.(本文来源于《哈尔滨工业大学学报》期刊2018年11期）
李振东,钟勇,陈蔓,曹冬平[5]（2018）在《基于深度特征的快速人脸图像检索方法》一文中研究指出针对计算机视觉领域的人脸图像检索问题,提出了一种基于深度特征的快速人脸图像检索方法。该方法首先使用人脸图像训练集对深度卷积神经网络模型进行人脸分类训练;在此基础上采用叁元组损失方法对已训练好的人脸分类网络模型进行微调,使得网络能够更加有效地提取人脸特征构建高效的特征向量进行人脸检索初步过滤;最后,为了进一步提高系统检索性能,提出一阶段查询扩展方法对待检索人脸图像特征向量进行融合加强。在两个公用人脸数据集(CASIA-3DFaceV1和Labeled Faces in the Wild dataset)上进行详尽的实验验证,结果表明,基于深度特征的人脸图像检索方法不仅能够显着提高检索结果的准确率,而且该方法简单可靠,能够快速地实现人脸检索任务。(本文来源于《光学学报》期刊2018年10期）
谭春强[6]（2018）在《基于深度哈希的大规模人脸图像检索研究》一文中研究指出人们在享受着互联网技术快速发展带来的便利的同时,也在互联网中产生并累积了大量的图像。如何有效组织、挖掘图像深层次的有用信息是我们所遭遇的难题,基于内容的图像检索技术因此得到迅速发展,并在社交、安全、民生等领域得到广泛应用。但是随着图像规模的指数级增长,该技术在检索精度、检索时延方面面临着巨大挑战。哈希方法以其低内存占用、高检索效率而备受青睐。同时,得益于深度学习技术在计算机视觉领域的优异成绩,基于深度学习的哈希方法逐渐进入研究者的视野。已有的深度哈希方法通常存在着分离特征提取与量化过程、只关注图片对之间的相似性关系而忽略图片本身的语义信息、忽略量化特征比特位之间的冗余信息等问题。本文针对这些,对现有的哈希方法进行改进,提出了一种结合图片对相似性与图片本身语义信息的深度哈希方法,设计并实现了一种基于GPU的多层次并行检索方案,在提升检索精度的同时,加快了大规模数据集上的检索速度。本文的具体工作如下:(1)提出了一种深度哈希方法。在现有的基于图片对的哈希方法基础上,采用多任务深度学习机制,将分类损失函数与对比损失函数相结合,量化过程中,在保留图片对之间的相似性的同时,尽可能地保留图片本身的语义信息,分类任务与量化任务互相指导学习。最终,得到了一个端到端的特征提取与量化网络,在CIFAR-10与ms-celeb数据集上的大量实验证明了该方法的有效性。(2)采用局部连接模块取代量化网络的全连接层,每个量化比特位仅与部分输入相关,减少特征之间的冗余信息。最终在两个数据集上均提升了2-3个m AP指标。(3)借鉴Res Net,设计并实现了更深层次的网络。深层次网络通常能够得到良好的特征表达,而高检索精度通常取决于良好的特征表达。实验结果表明了该网络的有效性。(4)在汉明排序的基础上,设计并实现了基于GPU的多层次并行检索方法,该方法将多个检索任务集成到一个任务中,利用GPU天然的并行性完成检索。最终得到在百万规模的图像库中完成单张检索延时0.8ms的效果。(本文来源于《电子科技大学》期刊2018-03-22）
赵轩[7]（2018）在《大规模人脸属性图像深度描述子的提取和检索》一文中研究指出随着网络社交平台、安防视频监控的普及,如何在大规模人脸数据库中根据需求高效、准确查询并检索到相关的人脸图像成为计算机视觉中的热点问题。本文针对大规模人脸属性图像深度描述子的提取和检索问题展开研究,具体工作和创新点如下:(1)详细介绍分析了卷积神经网络基本理论与基于哈希方法的近似最近邻检索问题,并介绍了深度哈希方法的经典模型,为深度哈希模型的设计提供参考。(2)针对传统的哈希方法大多适用于单标记问题的情况,提出多标记收缩哈希方法。在使用叁元组损失训练模型时,为解决传统叁元组选择算法对样本点敏感的问题,提出改进的叁元组选择算法提高叁元组质量,并加速模型的训练过程;为进一步加快模型收敛,采用逐步学习策略,将训练集按对自身属性的展示能力分组,采用不同的学习率训练模型,提升模型性能;同时引入收缩约束项收缩局部编码空间,提升编码过程的抗干扰性,并增加编码的饱和度。(3)通过在公开数据集上与多个经典哈希方法进行对比,证明了MLCH方法的优越性。(4)针对MLCH方法并不研究人脸图像特征提取的问题,提出DMLCH模型实现从人脸属性图像直接到哈希编码的整个流程。通过详细分析基于深度卷积神经网络的经典人脸特征提取模型,并结合实际实验条件,完善了DMLCH模型的结构设计和参数设置;最终通过实验证明了DMLCH模型较MLCH方法更具优越性。(本文来源于《南京航空航天大学》期刊2018-03-01）
陈新荃,陈晓东,蒋林华[8]（2018）在《基于Spark平台的人脸图像检索系统》一文中研究指出传统人脸图像检索技术处理大规模图像数据时检索效率较低。为此,基于视觉词袋模型与Spark分布式计算平台构建人脸图像检索系统。根据人脸图像空间分布特点提出局部区块划分方法,减少视觉特征数并提高流程并行度,同时结合SURF局部特征和HOG区块特征设计候选图像相似得分算法,提高检索准确率。实验结果表明,与基于Hadoop的检索系统相比,该系统索引构建和检索的效率较高,并且在海量图像数据场景下具有良好的可扩展性和并发性。(本文来源于《计算机工程》期刊2018年02期）
卢宗光,刘青山,孙玉宝[9]（2018）在《基于深度学习的大规模人脸图像检索》一文中研究指出针对传统人工设计特征鲁棒性差、检索计算复杂等缺点,提出以深度特征表示人脸图像并采取由粗到细的人脸图像检索方法。首先,使用拥有近四百万张人脸图片的数据库训练卷积神经网络得到人脸特征提取模型;然后进行人脸特征提取、存储和聚类分析;最后,采用由粗到细地检索方式进行人脸检索。在LFW数据库上进行验证,基于深度学习的人脸特征的人脸检索准确率为99.1%,人脸检索时间约0.5s.实验结果表明,基于深度学习的人脸特征鲁棒性强、检索计算复杂度低。由粗到细的检索方法效率高,结果准确率高。(本文来源于《太原理工大学学报》期刊2018年01期）
张安申[10]（2017）在《Spark框架下的人脸图像检索系统的设计与实现》一文中研究指出大数据时代数据呈爆炸式增长,海量数据的处理显得愈发重要,因此多种大数据处理框架应运而生,如Hadoop,Strom,Spark等。在图像处理领域,人脸识别技术经过几十年的研究日渐成熟,正在逐步走向市场。基于大数据的图像检索作为一个新的热门课题,已经是高校、科研机构和公司的研究重点。海量图像数据检索面临两个技术难点:一是怎样利用算法降低整体计算量;二是如何基于分布式架构合理利用硬件资源提高计算效率。针对第一个难点,本文首先利用PCA算法将128维的SIFT特征降至32维,其次将Canopy算法与K-Means算法相结合对降维后特征矩阵中的行向量进行聚类,并统计聚类后各特征矩阵的词频向量,再将所有图像的词频向量输入到Spark MLlib的LDA模型中,接着将图像特征矩阵聚为K类。最终,用户图像的特征矩阵只需与同类别图像的特征矩阵进行相似度计算。针对第二难点,本文利用集群分布式计算的特性来提高计算效率。本系统基于分布式架构的HBase数据库和Spark框架,实现了分布式的并行运算。同时,系统的核心算法Canopy、K-Means、LDA、欧式距离等都是基于Spark框架实现的并行化算法,能高效的运行在Spark框架上。本文针对大数据环境下人脸图像的检索问题,设计并实现了基于Spark框架的人脸图像检索系统。本文完成的主要工作如下:1.改进了 Canopy和K-Means算法,并基于Spark框架实现了改进的算法。将改进的两种算法分别与Hadoop机器学习库Mahout或Spark机器学习库MLlib的同类算法进行对比。实验显示改进的算法在Spark框架上取得更高的计算效率。2.检索系统的特征匹配子系统分别用Spark和Hadoop机器学习库中的算法进行了实现,并对两种实现方案的检索性能进行了实验对比。实验显示在人脸图像快速检索方面Spark框架比Hadoop框架具有更优秀的计算性能。3.设计并实现了基于Spark框架的人脸图像检索系统。该系统由叁个子系统组成:数据库子系统、用户交互子系统、特征匹配子系统。(本文来源于《西北大学》期刊2017-06-01）
人脸图像检索论文开题报告
（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：
提出了基于LBP的图像检索算法,根据图像的特征抽取、特征分析、特征匹配的过程进行设计的算法。主要流程是从计算机视觉处理入手,采用Python编程语言,通过使用OpenCV的视觉处理模块处理图像特征,通过NumPy矩阵处理框架进行设计相关处理模型,处理提取的特征值,建构特征处理模型,进而设计训练集来分析和执行识别步骤,最后分析数据结果并进行人脸表情识别的工作。1.引言随着现代化进程的不断推进,信息技术也随着不断发展。科
（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。
人脸图像检索论文参考文献
[1].李振东,钟勇,曹冬平.深度卷积特征向量用于快速人脸图像检索[J].计算机辅助设计与图形学学报.2018
[2].付念.基于LBP的人脸图像识别检索算法[J].电子世界.2018
[3].周纲,孙梦雪,高岩.基于OpenCV的人脸特征图像检索系统设计[J].电子世界.2018
[4].李振东,钟勇,张博言,曹冬平.基于深度特征聚类的海量人脸图像检索[J].哈尔滨工业大学学报.2018
[5].李振东,钟勇,陈蔓,曹冬平.基于深度特征的快速人脸图像检索方法[J].光学学报.2018
[6].谭春强.基于深度哈希的大规模人脸图像检索研究[D].电子科技大学.2018
[7].赵轩.大规模人脸属性图像深度描述子的提取和检索[D].南京航空航天大学.2018
[8].陈新荃,陈晓东,蒋林华.基于Spark平台的人脸图像检索系统[J].计算机工程.2018
[9].卢宗光,刘青山,孙玉宝.基于深度学习的大规模人脸图像检索[J].太原理工大学学报.2018
[10].张安申.Spark框架下的人脸图像检索系统的设计与实现[D].西北大学.2017