导读:本文包含了人脸检测和识别论文开题报告文献综述及选题提纲参考文献，主要关键词:计算机应用,人脸检测,人脸识别,卷积神经网络
人脸检测和识别论文文献综述
周柚,杨森,李大琳,吴春国,王岩[1]（2019）在《基于现场可编程门电路的人脸检测识别加速平台》一文中研究指出采用现场可编程门电路(FPGA)和中央处理器相结合的异构计算技术,解决人脸检测和识别计算加速问题。基于并发和流水线的方法加速Viola-Jones人脸检测算法,提高了数据吞吐量,增加了级联分类器的并行度;通过并发卷积操作和流水线特征图加速了卷积神经网络计算过程。实验结果表明,硬件平台较软件平台实现了2.9倍的加速比。(本文来源于《吉林大学学报(工学版)》期刊2019年06期）
鲁磊纪,周丽媛,赵小帆[2]（2019）在《基于Opencv的人脸检测及识别课堂点名系统设计与实现》一文中研究指出人脸识别已经成为当今社会应用最普遍的生物特征识别技术之一,在众多场景中得到应用,例如安防、门禁、监控、追踪等领域~([1])。人脸检测与识别技术应用于大学课堂学员点名中,将具有较高的应用价值。通过高清摄像头采集照片,借助Opencv的级联分析器对采集的图片中人脸进行检测,也可考虑通过摄像头动态抓拍识别。但opencv自带的级联分析器只能对正面人脸进行识别,对侧脸及后脑无法抓取检测,另外对背景要求较高,所以系统应该具备图像或对摄像头捕获的人脸进行训练和学习,以此提高检测和识别效率。(本文来源于《电子制作》期刊2019年12期）
缪顺云[3]（2019）在《基于人脸检测和识别的学生考勤系统研究》一文中研究指出随着信息时代的发展,机器学习得到了广泛研究,其中以深度学习算法和卷积神经网络(简称CNN)为基础的人脸检测和识别技术得到了快速发展。传统的人脸检测和识别算法在提取人脸特征向量时,易受到外界环境和其它变化因素的影响,以致不能更好地获取人脸信息,完成人脸的匹配和识别。现有的人脸检测和识别算法中,针对于人脸检测中光照强度、姿态旋转及部分遮挡等变化因素的研究相对较少,以至于在上述变化因素出现时,实时人脸检测和识别的准确性会被降低。因此,在考虑变化因素的前提下,如何有效地提升人脸检测能力和提高人脸识别的准确性,是一项重大的研究课题。本文在卷积神经网络模型的基础上,首先,针对于人脸姿态旋转、光照强度及部分遮挡等变化因素的影响,提出了多级联CNN模型用于人脸检测,设计了改进的CNN模型并进行了训练,与Facenet模型的训练结果进行了比较,进而选择效果较优的网络模型用于设计人脸识别模块;最后,在所设计的算法基础上,完成了学生考勤系统的设计和测试。本文的主要具体工作如下:1.根据检测过程中存在的变化因素,提出了一种多级联CNN模型。该模型针对于实时画面中的人脸进行检测,通过多组卷积神经网络逐层对图像进行人脸预测。此方法一方面可以减小光照强度、人脸姿态旋转等变化因素对人脸检测准确性的影响,另一方面,通过计算多组卷积神经网络对人脸图像预测结果的平均值作为最终人脸检测结果,能够在很大程度上提升人脸区域检测的正确性;通过与基于Haar特征的AdaBoost方法实际检测效果相比较,结果表明:多级联CNN模型具有更优的实际检测效果。2.在Facenet深度CNN的基础上,本文采用Inception-resnet-V1网络结构,选择Triplet loss叁元目标损失函数,使用CASIA-FaceV5人脸图像数据集,进行了Facenet深度CNN模型训练实验。实验发现:Facenet深度CNN模型面对小样本人脸数据库的训练效果不错,能够全部有效地识别出人脸信息。3.基于CNN结构,本文设计了一种改进的CNN模型,通过进一步增加网络层数,调整、优化网络结构,更好地获取人脸信息,提高人脸识别的准确性。为了验证该方法的有效性,本文选择CASIAFaceV5图像数据集,对改进的CNN模型进行训练,实验结果表明:该模型在人脸识别准确率上相比于已有算法有了一定的提升,在面对样本规模不大的人脸数据库时,具有较好的应用效果。4.在以上所设计的算法基础上,结合摄像头和MySQL数据库,完成了学生考勤系统的设计和测试。采用MySQL数据库保存图片信息,包含学号、姓名、性别、专业和人脸特征等。实验结果表明:基于人脸检测和识别的学生考勤系统具有较好的实时性和可行性。(本文来源于《东华大学》期刊2019-05-27）
张珂[4]（2019）在《基于卷积神经网络的人脸检测和人脸属性识别研究》一文中研究指出人脸检测和人脸属性识别是指检测出图片中的所有人脸并分析每个人脸的面部特征,如辨别人脸的年龄、性别、种族、姿态、表情等属性。其中,人脸检测是人脸属性识别的基础,而人脸属性识别可以帮助计算机更好地理解人脸图像,在视频监控、图像检索、广告投放、人机交互等方面有巨大的应用场景。本文主要研究人脸检测问题以及头部姿态估计、性别识别和年龄估计叁个属性识别问题。在人脸检测和头部姿态估计方面,由于卷积神经网络在图像分类领域表现出的优异性能,越来越多的学者运用它解决人脸检测和头部姿态估计等问题。目前基于卷积神经网络的人脸检测和头部姿态估计联合框架主要可以分为两类:一类是首先使用人脸检测网络对输入图片进行人脸检测,然后把检测到的人脸框送入头部姿态估计网络估计每个人脸的姿态;另一类是采用一种基于图像特征描述子的区域提取算法对输入图片进行分析并产生大量候选区域,然后依次把每个候选区域送入一个基于多任务学习的人脸分类和头部姿态估计网络,根据分类阈值判断每个区域是否包含一个人脸,并估计每个人脸的姿态。第一类方法由于两个网络相互独立,两者对人脸区域的定义往往不同,如果人脸检测输出结果不能很好地匹配姿态估计网络需要的人脸区域,姿态估计的准确率会受到很大影响;第二类方法由于区域提取算法产生大量的候选区域,使后面的多任务网络需要进行大量的计算,并且仅仅依赖一个卷积神经网络进行人脸分类的可靠性不高,造成人脸检测的误检率很高,极大地影响了人脸检测的检测率。针对以上两类方法各自存在的问题,本文提出了基于级联多任务卷积神经网络的人脸检测和头部姿态估计联合框架。该框架由叁个不同深度的卷积神经网络级联而成,每个卷积神经网络都是一个多任务网络,可以同时解决人脸分类、边框区域回归和头部姿态估计叁个子任务。由于把人脸检测和头部姿态估计结合到一起,解决了第一类方法中出现的人脸区域不匹配问题。叁个卷积神经网络以层层递进的方式共同工作,解决了第二类方法仅仅依靠一个网络进行决策而造成的误检率高的问题,并且达到很强的实时性。使用两个公开人脸数据集Wider Face和AFLW生成百万数量级的训练样本训练叁个网络,在人脸检测数据集FDDB验证人脸检测的性能,在头部姿态估计数据集AFW验证头部姿态估计的性能,所提出的框架在这两个数据集中均取得了很好的测试结果。在性别识别和年龄估计方面,和其他人脸属性识别问题类似,大多数研究工作只关注某个单一属性的识别,缺乏能同时解决性别识别和年龄估计的框架。针对这个问题,本文提出基于多任务学习的性别识别和年龄估计网络,主要通过改进在图像分类领域取得优异表现的分类模型,使用这些模型的卷积特征提取层进行初步的特征提取,然后加入多任务学习层,通过反向传播算法指导网络的权重更新,最终网络适用于性别识别和年龄估计任务。使用同时包含年龄和性别标注的公开数据集Audience训练和测试了所设计的网络,在性别识别和年龄估计两个任务中均取得良好的结果。本文结合所设计的人脸检测和头部姿态估计联合框架以及性别识别和年龄估计联合框架,形成了一个端到端的人脸检测和人脸属性识别系统,在实际场景中进行测试,实验结果证明所提出方法在多种极端场景下的良好性能。(本文来源于《山东大学》期刊2019-05-20）
王荣生[5]（2019）在《基于深度学习的人脸检测和识别关键技术研究与实现》一文中研究指出人脸作为稳定、个体差异明显的生物特征,广泛应用于身份鉴定。得益于卷积神经网络(Convolutional Neural Networks,CNN)的发展,人脸检测和人脸识别(Face Recognition,FR)的性能获得了极大的提升。目前,人脸识别技术已经实用于铁路自动验票进站闸机系统,移动端登录以及金融系统的支付认证等。但是在实际项目开发中发现,复杂背景下的多任务人脸检测算法存在误检率较高、低分辨率人脸的识别准确率低等问题,且CNN网络可以通过结构优化来进一步提高准确性和鲁棒性。本文分析了上述问题的原因,改进了人脸检测和识别算法的性能,并设计和实现了“人-证”身份审核系统。本文的主要研究工作如下:(1)人脸检测:本文针对多任务卷积神经网络(Multi-Task Convolutional Neural Network,MTCNN)人脸检测算法在复杂背景下误检率较高的问题,改进MTCNN网络结构,并引入着重于挖掘难分类样本的损失函数Focal Loss,本文称之为Focal MTCNN。实验结果表明本文提出的Focal MTCNN的性能好于MTCNN。(2)人脸识别:本文针对人脸识别性能进行优化,采用DropBlock改进的ResNet-34,并使用基于Margin的损失函数来提高人脸识别性能。实验结果表明,在自然场景标注面部(Labeled Faces in the Wild,LFW)数据集上,相比于原始ResNet-34错误率降低8.8%,相比于ResNet-50,在准确率降低0.11%的情况下,速度上提升21.62%。(3)人脸筛除:本文针对Focal MTCNN误检类似人脸的硬负样本问题,采用基于AdaBoost+Haar-like分类器进行误检人脸筛除。实验结果表明,经过人脸筛除流程后,硬负样本基本上被删除完。(4)超分辨率:本文针对项目中证件照人脸图像的分辨率低导致的识别率低的问题,制作了人脸超分辨率(Super-Resolution,SR)数据集,训练了基于增强超分辨率生成对抗网络(Enhanced Super-Resolution Generative Adversarial Networks,,ESRGAN)的人脸 SR 模型来增强面部。实验结果表明经过SR增强的低分辨率(Low Resolution,LR)面部人脸识别率好于基于预测的方法。(5)系统设计和实现:本文设计并实现了“人-证”审核系统,已在携程旅行网发布调用接口,自动进行当地导游审核。(本文来源于《山东大学》期刊2019-05-18）
唐康[6]（2019）在《人脸检测和表情识别研究及其在课堂教学评价中的应用》一文中研究指出课堂一直是在校师生学习、交流的最重要的场合,因而受到学校和社会的广泛关注和重视。但是传统的课堂教学往往缺乏沟通交流,只重视教师教学内容而忽视了学生的反馈信息。另外,学生在课堂上的情绪也能在一定程度上反映学生对于课堂的接受度,从而反映课堂教学质量。人脸检测是人脸识别的前提和组成部分,表情识别是人脸识别的分支和发展,它们都是计算机视觉技术的重要分支。基于深度学习的人脸检测和表情识别技术具有精度高、鲁棒性强等特点,在教室等较大场景中也能表现出优秀的准确性和时效性。本文研究了基于深度学习的人脸检测和表情识别技术,利用了其精确、实时的特性,并将其应用到课堂教学的评价中,解决了当前课堂教学评价滞后、不客观的问题。本文的主要工作如下:(1)回顾了计算机视觉人脸检测和人脸识别技术的发展历程,分析和吸取了先进的人脸检测和表情识别方法,结合本学校的课堂教学场景,提出了一种基于深度学习的高效、精确的人脸检测方法。该方法利用卷积神经网络CNN作为主网络,使用了最近最流行的深度学习框架之一的Pytorch作为主框架,结合了目标检测中常用的Anchor、Attention Layer等先进的方法,从而得到比传统方法更加高效、精准的结果。在人脸检测的基础上,提出了一种基于朴素贝叶斯分类的表情识别和评分方法,对人脸情绪进行正负面的分类及评分。(2)分析和总结当前课堂教育质量评价的痛点和不足,尤其是师生互动交流和学生注意力的不足。对学生在课堂上的表情进行了比较细致的调查和分析,并参考了前人的研究成果,总结出了课堂上学生常见的几种表情作为研究实验表情识别的训练标签。分析和总结出了各个表情所对应的专注度评分,并以此作为评价课堂教学质量的一个参考标准,建立了“学生抬头率——学生表情——学生专注度——课堂教学质量”的教学质量评价轴。(3)在本文的最后,利用手机摄像头在教室课堂中采集的数据,对本系统进行了实验和分析,验证了本系统的可行性和准确率,分析了本系统的优缺点和可改进的地方。(本文来源于《重庆师范大学》期刊2019-05-01）
武警贺[7]（2019）在《视频中的人脸检测与识别方法研究》一文中研究指出随着人工智能的飞速发展和人脸识别验证系统的广泛应用,相应地也衍生出各种利用系统缺陷进行伪造欺骗的不法手段。对视频中人脸进行活体检测的需求就变得越来越迫切了。传统上,在对视频中人脸进行活体判别时,需要验证人配合系统指令做出相应的动作以进一步分析判别,但是,此方法由于其不便性存在着诸多的不足,针对不使用配合指令动作的活体检测成为了新的研究方向。另一方面,随着人脸检测与识别算法的不断改进,其算法复杂度也在不断增加,如何在不降低识别精度的前提下减少运算开销提高识别效率成为人脸识别领域研究的热门方向。本文系统地总结了视频中人脸活体检测与人脸识别技术的研究基础与发展方向,分别从基于光流运动分析技术、关键帧提取技术、人脸特征识别技术叁个方面进行了研究,取得了以下技术创新和研究成果。第一、将光流运动分析检测技术引入到视频人脸的活体检测,从真假人脸视频图像中不同区域间的运动差异性不同的特点入手,对视频人脸活体检测技术进行了研究,按照人体生理特征将视频画面分割为10块区域,根据场景特点选用lucas-kanade光流矢量对视频画面中各个区域间的运动差异性进行分析和活体系数的量化提取,实验证明该方法理论依据清晰,所得出的活体系数能在特定阈值下进行有效的活体判别。第二、针对视频中人脸的定位检测技术进行了深入研究,提出基于关键帧提取的视频人脸定位检测方法,即排除大量的冗余帧和无效帧仅对人脸姿态标准的关键帧进行人脸检测。在关键帧提取环节,根据应用场景提出结合压缩感知子镜头分割和颜色直方图匹配的关键帧提取算法。之后经过训练好的yolo人脸检测模型对关键帧进行人脸定位检测并由clm算法将人脸对齐处理得出标准的人脸图像交于下一阶段进行人脸识别。实验表明,本文算法能准确高效地获取一段视频中的标准人脸图像作为关键帧,检测率良好,适应性强。相比传统的逐帧检测方法极大降低了运算开销。第叁、针对人脸特征识别进行研究,在sphereface算法基础上提出用swish激活函数替换原prelu激活函数,经过在lfw上训练测试,原始的prelu激活函数的平均识别准确率为92.15%,替换为swish激活函数后平均识别准确率为92.40%,实验证明使用该激活函数使识别准确率得到一定提高。最后,对本文工作进行了总结,并对视频中人脸检测与识别技术的发展进行了展望,指出了未来的研究方向和构想。(本文来源于《郑州大学》期刊2019-05-01）
岳莹[8]（2019）在《基于SVM的人脸检测与识别研究》一文中研究指出人脸检测与识别作为一种重要的生物特征识别技术,经过数十年的研究已经取得很多重要的研究成果,但由于人脸检测与识别属于复杂模式,人脸图像易受外界环境因素的影响,导致识别效果仍有不尽人意之处,因此对人脸检测识别方法的进一步改进与完善仍具有巨大的应用价值。本文以提高人脸检测和识别效果为目的,重点对人脸检测与识别的算法进行了研究。首先阐述了人脸检测识别技术的研究意义及国内外现状。其次介绍了检测识别过程中所用到的相关技术,并对目前的传统算法存在的问题进行分析。最后对人脸检测、特征提取以及基于支持向量机分类器的人脸特征分类的人脸识别流程中的算法提出了一些改进方案,以取得更好的检测识别结果。具体研究内容如下:在人脸检测部分,针对Adaboost算法在提高检测率的同时也增加了误检率的问题,本文提出了基于肤色和Adaboost相结合的方法进行人脸检测。先进行人脸肤色模型分割,利用肤色检测结果设定候选窗口,减少制定窗口大小的时间,再对肤色区域进行Adaboost算法的人脸检测。结果表明,结合方法显着降低了误检率,提高了检测速度。在特征提取部分,为了解决信息冗余以及维数灾难的问题,借鉴LBP提取特征的方法,改进了Gabor算法。在同一个尺度下,依次比较不同方向上的平均值与幅值得到人脸特征,将人脸不同方向特征进行融合,降低了特征维数。结果表明,该算法降低了特征维数,有效地提高了特征提取的效果。在人脸识别部分,针对一对一SVM分类出现线性不可分的问题,对一对一投票构造SVM的分类方法做了改进,当获得多个最大投票数类别时,通过计算测试样本与各个最大投票数类别之间的距离判定最终的分类结果。结果表明,该算法解决了线性不可分的问题,提高了识别率。上述算法仿真实验采用ORL和组合人脸数据库,在Matlab2012b环境下实现。以检测率、误检率、检测时间、识别率为评价指标对仿真结果进行了对比分析,实验表明算法是可行且有效的。(本文来源于《河北科技大学》期刊2019-05-01）
赵梦梦[9]（2019）在《基于深度学习的人脸检测及性别与年龄识别》一文中研究指出人脸检测是计算机视觉中的一个首要目标,亦然一个和人们生活极其相关的研究方向,因为人脸是人最重要的外貌特征~(]1[)。利用计算机智能地检测、识别并分析人脸的特征信息,并利用这些信息进行进一步处理,可以使人们的生活更加方便化、安全化和自动化~([2])。人脸检测技术近年取得了突破性的进展。起初,人脸检测只能在无背景图片中检测出人脸的位置。现在,部分人脸检测技术可以准确地检测出自然场景下多种角度的人脸;可以判断两张人脸是否为同一个人;可以根据人脸分析人的年龄、性别和表情等。本文研究的人脸检测和年龄性别识别正是建立在神经网络的基础上,研究思路概括如下:包含人脸且具有年龄和性别标签的公开数据库并不多,优质的数据对于模型的训练非常重要,本文选择的是IMDB-WIKI数据库,这是性别和年龄识别较为权威的数据库。针对原始照片数据,我们要选取包含人脸、标签有效且每张照片只包含一张人脸的数据。使用级联卷积神经网络MTCNN去检测出人脸的切确位置,进而进行对齐。并且裁剪出171*171的人脸图片用于下面模型识别的输入。根据基础神经网络模型Inception-Resnet-V1搭建用于预测性别和年龄的网络架构。在最后的全连接层中,我们设定性别为二分类,年龄为101分类。在整个网络的搭建过程,需要比较并选取数据增强优化数据质量、L2权重正则化、交叉熵损失函数、学习率的阶梯指数衰减法以及Adam优化器去优化模型。通过TensorBoard上的显示,我们搭建的模型在人脸性别和年龄的分类上达到了很高的准确性。损失曲线整体趋势一致下降,从开始的3.25下降到0.78;性别在验证数据集上的准确性也在最后达到了99.99%;年龄由于易受外在环境影响,所以主要计算的输出结果再加上正负1区间上的准确性,在训练过程中它的准确性也一直稳步上升,并在最后达到了99.37%。综合上述结果来看,我们搭建的模型在人脸的性别和年龄预测上面,取得了很好的效果。(本文来源于《湘潭大学》期刊2019-04-26）
刘其嘉,郭一娜,任晓文,李健宇[10]（2019）在《基于多任务级联卷积网络模型的人脸检测和识别》一文中研究指出深度学习的集成特征提取这一优点使得它广泛应用于人脸检测和识别。提出了一种多任务级联卷积网络模型(Multitask Cascaded Convolution Network,MTCNN)。基于Tensor Flow平台,基于改进的任务级联卷积网络模型检测到人脸,并且用Face Net算法对人脸进行特征提取,用KNN算法对人脸进行识别。实验结果表明,对不同光照下多人图像和遮挡图像的人脸进行检测和识别,具有良好的鲁棒性。(本文来源于《太原科技大学学报》期刊2019年02期）
人脸检测和识别论文开题报告
（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：
人脸识别已经成为当今社会应用最普遍的生物特征识别技术之一,在众多场景中得到应用,例如安防、门禁、监控、追踪等领域~([1])。人脸检测与识别技术应用于大学课堂学员点名中,将具有较高的应用价值。通过高清摄像头采集照片,借助Opencv的级联分析器对采集的图片中人脸进行检测,也可考虑通过摄像头动态抓拍识别。但opencv自带的级联分析器只能对正面人脸进行识别,对侧脸及后脑无法抓取检测,另外对背景要求较高,所以系统应该具备图像或对摄像头捕获的人脸进行训练和学习,以此提高检测和识别效率。
（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。
人脸检测和识别论文参考文献
[1].周柚,杨森,李大琳,吴春国,王岩.基于现场可编程门电路的人脸检测识别加速平台[J].吉林大学学报(工学版).2019
[2].鲁磊纪,周丽媛,赵小帆.基于Opencv的人脸检测及识别课堂点名系统设计与实现[J].电子制作.2019
[3].缪顺云.基于人脸检测和识别的学生考勤系统研究[D].东华大学.2019
[4].张珂.基于卷积神经网络的人脸检测和人脸属性识别研究[D].山东大学.2019
[5].王荣生.基于深度学习的人脸检测和识别关键技术研究与实现[D].山东大学.2019
[6].唐康.人脸检测和表情识别研究及其在课堂教学评价中的应用[D].重庆师范大学.2019
[7].武警贺.视频中的人脸检测与识别方法研究[D].郑州大学.2019
[8].岳莹.基于SVM的人脸检测与识别研究[D].河北科技大学.2019
[9].赵梦梦.基于深度学习的人脸检测及性别与年龄识别[D].湘潭大学.2019
[10].刘其嘉,郭一娜,任晓文,李健宇.基于多任务级联卷积网络模型的人脸检测和识别[J].太原科技大学学报.2019