导读:本文包含了人脸匹配论文开题报告文献综述及选题提纲参考文献，主要关键词:人脸识别,特征提取,匹配算法
人脸匹配论文文献综述
李天向,丁潇潇[1]（2019）在《人脸识别中特征提取和匹配算法研究》一文中研究指出人脸识别技术在经历了半个多世纪的探索研究中,已经取得了非常显着的成绩。将人脸识别技术应用到不同行业领域中,不仅能够带动不同行业领域的高速发展,还带动了人脸识别技术的高速发展。因此在今后的发展中,就要做好人脸识别中的特征提取与匹配算法研究,进而将其应用到更多的领域行业中,促使人工识别行业的良性发展。(本文来源于《数码世界》期刊2019年04期）
谢宜江,傅可人,冯子亮,杨红雨[2]（2019）在《基于散斑立体匹配的快速叁维人脸重建》一文中研究指出本文提出一种高效的人脸叁维重建方法。该方法将散斑投影至人脸表面以增加其特征信息,并采用一种由粗到精的时空立体匹配算法来提高叁维人脸重建的精度。进一步,该算法利用时空积分图对立体匹配的代价函数进行加速计算,进而提高了重建效率。此外,所提出方法通过人脸检测去除无关背景,使后续的叁维重建算法能够高效地作用在人脸区域上。实验表明,所提出方法对3D打印人脸(精度为0.01 mm)模型的重建平均误差为0.32 mm,对哑铃规球心测距和直径测距(精度皆为0.01 mm)其误差皆低于1个百分点,以上结果优于同类产品。与现有立体匹配算法相比,本文方法所得视差图面部无空洞且视差变化均匀,更真实地反映出被测人脸的叁维形状。(本文来源于《光电子·激光》期刊2019年01期）
李铁,付媛媛,张弛,刘洋[3]（2018）在《基于不变矩理论的灰度人脸图像匹配算法研究》一文中研究指出图像匹配已成为图像信息处理领域中一项非常重要的技术,被广泛用于人脸识别、全景图像生成等领域。该文深入研究了不变矩方法,通过改进不变矩算法且应用到灰度人脸图像做匹配,实验表明,改进的不变矩算法对人脸图像匹配取得很好效果,对目标图像缩放、旋转后,并与原图像的不变矩进行比较,分析匹配的相似度并总结了不变矩方法的特点,实现了灰度图像的匹配。(本文来源于《电脑知识与技术》期刊2018年28期）
王玮,闵卫东,樊梦丹,韩清[4]（2018）在《基于择优检测和多尺度匹配的实时人脸识别》一文中研究指出针对侧脸的识别问题,择优检测算法被提出。将人脸图像进行二值化处理,分割肤色区域,采用LoG(Laplace of Gaussian)算子进行卷积得到人脸边缘,计算肤色区域和非肤色区域比值并进行堆排序,在固定时间间隔内选择一帧最优人脸与数据库进行匹配。针对人脸距摄像头较远时尺度不一的问题,多尺度匹配算法被提出。采用基于二分法的尺度选择机制选出与捕捉到的人脸最相近的尺度,用LDA算法将人脸图像与相近尺度的人脸库进行匹配。多组实验结果表明,该算法提高了识别率,在较为复杂的环境下可以稳定地识别人脸,可以准确识别侧脸,是一种鲁棒的实时人脸识别算法。(本文来源于《计算机工程与设计》期刊2018年09期）
王艺蒙[5]（2018）在《人脸检测与匹配识别算法研究》一文中研究指出人脸识别是一种重要的生物识别技术,近年来获得迅速发展,引入深度学习方法解决人脸识别问题,可以获得比传统方法更高得准确度和稳定性。因此,人脸识别技术已在安防系统、公安系统、支付系统等多个领域中获得广泛应用。但考虑到场景的复杂性、实时性和精准度等方面的需求,现阶段,人脸识别系统仍有较大的提升空间。针对人脸检测与识别问题,本文设计了一个完整的人脸识别系统。由图像预处理,人脸特征提取算法,人脸检测算法,人脸识别算法四部分构成,论文对每一步骤进行了深入研究。首先,由于实际样本采集过程中可能存在色彩信息混乱,图像尺寸不一等问题,本文首先对图像预处理进行了研究,对图像的灰度处理,平滑处理与几何归一化进行了理论研究与实现,以便后续人脸检测与识别使用。其次,在人脸检测模块中,本文对于传统方法中SIFT算法,LBP算法进行了分析,并对LBP做出一定改进,将其与SVM结合,设计了基于传统算法的人脸检测模块。对于深度学习方法,本文基于改进级联卷积神经网络作为人脸检测算法,通过多任务学习叁层级联CNN来实现人脸检测。最后,本文设计了基于叁元组改进的深度卷积网络优化算法作为人脸识别算法,主要通过将特征向量映射到欧式空间上,并基于叁元损失算法,判断两张图像的特征在欧式空间上的距离,直接反应图像的相似度,从而完成人脸匹配识别。在实验验证中,基于Tensorflow深度学习平台,分别对基于传统算法和深度学习算法的人脸检测和人脸识别进行了实验,并基于LFW人脸数据集和自制人脸数据集进行测试,对人脸识别系统的识别准确性进行了验证,结果验证了设计方法的有效性。(本文来源于《哈尔滨工业大学》期刊2018-06-01）
李佳妮,张宝华[6]（2018）在《特征匹配融合结合改进卷积神经网络的人脸识别》一文中研究指出提出一种特征匹配融合结合改进卷积神经网络(CNN)的图像识别方法。针对局部二值模式(LBP)算子提取的特征信息局限以及不能准确描述图像轮廓信息的问题,使用梯度方向直方图(HOG)和LBP分层特征融合的方法在卷积神经网络中对训练集进行特征提取,再将匹配提取的特征图像输入改进的卷积神经网络进行训练、识别。以ReLU为激活函数,输出层用Softmax分类器,并通过TensorFlow框架进行训练,在ORL、YALE和CASPEAL人脸库上进行人脸识别仿真,该方法识别率分别达到了99.2%、98.7%、97.2%,高于其他对比算法。(本文来源于《激光与光电子学进展》期刊2018年10期）
耿超[7]（2018）在《基于多模板匹配的SDM人脸对齐算法及其应用》一文中研究指出人脸对齐指的是在一幅人脸图像上标出特征点准确位置的过程。通常来说,一套人脸对齐流程可大致分为两个步骤:人脸检测和特征点标定。人脸对齐可以给出特征点的准确位置,增加了特征提取的可靠性。人脸对齐是很多人脸相关任务的必要环节,一直是人脸信息处理领域的研究热点。诸如头部姿态估计、人脸识别、情感分析等工作都需要在人脸对齐工作的基础上进行。现实生活中,人脸对齐技术已广泛应用于公共安全,视频监控,智慧城市,电子支付等众多领域。人脸对齐技术近年来已取得飞速发展,但开发出一套高效且稳定的人脸对齐系统仍旧面临着很多困难。有些问题尤为突出,如人脸检测的稳定性与效率,对光照、遮挡等不利因素的抗干扰能力。Viola-Jones人脸检测算法是本文人脸对齐所采用的人脸检测方法,其主要包含以下几个重要的部分:1.利用Haar特征对人脸进行描述;2.利用基于积分图像快速获取几种不同的矩形特征;3.利用Adaboost算法训练分类器;4.将特征分组,建立层级分类器。监督下降法(SDM)是一种高效、准确的人脸特征点定位和人脸对齐方法。在训练阶段,学习一系列下降方向,最小化特征空间中估计形状和真实形状之间的差异。然后在测试阶段,利用这些下降方向迭代预测形状增量。然而,当人脸表情或方向变化过大时,初始形状和真实形状之间差异过大,会导致传统的SDM并不能取得很好的效果。在本文中,我们提出了一个多模板SDM(MtSDM)能在训练集上保持高精度的同时,提高测试集的精度。在训练阶段与传统的SDM只建立一个初始形状和模型不同,MtSDM有针对性的建立不同的初始形状和模型。在测试阶段,计算特定特征点的距离,选择一个合适的模型来更新特征点的位置。实验结果表明,我们提出的方法一定程度上改善了传统SDM的性能并且优于现有的几种优秀算法。我们将MtSDM成功应用于疲劳驾驶检测并取得了不错的成果。(本文来源于《合肥工业大学》期刊2018-04-01）
向世涛,文畅,谢凯,贺建飚,刘从浩[8]（2018）在《旋转纹理不变模型下的快速人脸匹配方法》一文中研究指出为解决传统SIFT模型在人脸匹配时存在的相似区域误匹配问题并满足实时要求,提出一种RISIFTTF(rotation invariant SIFT with texture feature)模型下的快速人脸匹配方法。将RITF(rotation invariant texture feature)与SIFT融合,形成RISIFTTF模型,通过GPU对构建高斯差分金字塔和检测定位极值点等步骤并行加速。选取来自FERET和自采集的人脸库,对比优化前后的结果,对比结果表明,对于FERET库,配准率提高了8.23%-12.76%,加速比提高了5倍-6倍;对于自采集库,配准率提高了11.53%-14.21%,加速比提高了4倍-5倍,实现了对传统模型的优化与加速。(本文来源于《计算机工程与设计》期刊2018年03期）
沈逸[9]（2018）在《人脸五官图像分割与清晰度匹配方法研究》一文中研究指出随着机器学习理论的不断成熟和深度学习技术的迅猛发展,人脸五官图像分割任务近年来得到了相关研究人员的普遍关注。五官图像分割技术可以实现对人脸的细粒度解析,在人脸表情识别、人脸编辑和美容模拟等诸多领域有广泛的应用空间。然而在实际应用时,人脸五官图像分割技术尚存有不足之处。比如,目前主流的人脸五官分割技术采用的是深度学习多网络融合模型,虽然可以获得高精确度的分割效果,但其庞大的网络结构往往需要昂贵的设备支持和较大的时间代价,限制了方法的实际应用。此外,在后续的人脸五官图像拼接应用中,图像之间的清晰度不一致问题,也会严重影响模拟效果。针对上述问题,论文主要研究工作如下:(1)基于人脸关键点定位算法提出一种五官粗定位方法。首先对常见的人脸关键点检测方法进行对比分析,选择级联回归树算法进行实现,并用海伦人脸数据集进行训练,完成对人脸图像的194个特征点进行估计。该方法拥有较低的时间损耗和较高的鲁棒性。进一步地,根据人脸关键点的相对关系提出一种五官粗定位方法,并通过实验确定合适的参数。(2)基于U-Net全卷积网络提高五官分割精度,并通过轻量化网络结构,进一步提升网络计算性能。对于定位不够准确的眉毛和嘴巴部分,在人脸五官粗定位算法的基础上,对常见的全卷积网络进行对比分析,选择U-Net全卷积网络,针对眉毛和嘴巴部分图像分别进行训练并实现精确度更高的分割效果。进一步地,根据特征和图像的尺寸,对网络结构进行轻量化,在确保分割精度的前提下进一步提升计算性能。(3)提出了一种图像间清晰度匹配方法。首先实现4种常见的无参考图像清晰度评价方法,作为对清晰度的多角度定量评价工具,然后实现16种参数不同的模糊算法作为清晰度的多尺度调整工具。为了根据两图之间的清晰度关系选择较合适的模糊算法对图像进行调整,从而使清晰度差值最小化,引入随机森林分类模型作为清晰度匹配的核心选择器。最后,为了补全五官拼接的应用,对泊松融合算法进行了研究和实验。(本文来源于《武汉理工大学》期刊2018-03-01）
吴礼洋,熊磊,杜少毅,毕笃彦,方挺[10]（2018）在《基于快速仿射模板匹配和改进仿射迭代最近点算法的人脸稳健精确仿射配准》一文中研究指出提出了一种仅基于单个模板的人脸仿射配准方法。首先,为了克服人脸仿射变换而产生的局部形变,引入颜色特征来平衡模板人脸和目标人脸之间的颜色相似性和形状错配率,进而提出了一种基于颜色特征的人脸粗搜索算法。接着,采用人脸粗搜索算法得到的仿射变换作为初始约束,建立上步仿射约束下的人脸形状精确配准算法。在算法的每一步迭代中,利用前一步迭代得到的仿射变换,建立最近点的对应关系,并利用前步仿射约束下的目标函数求解新的仿射变换。本文算法成功解决了旋转、缩放和噪声干扰情况下人脸形状难以配准的问题。与传统人脸仿射配准算法相比,本文算法有效提高了人脸仿射配准的稳健性和精确性。(本文来源于《光学学报》期刊2018年02期）
人脸匹配论文开题报告
（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：
本文提出一种高效的人脸叁维重建方法。该方法将散斑投影至人脸表面以增加其特征信息,并采用一种由粗到精的时空立体匹配算法来提高叁维人脸重建的精度。进一步,该算法利用时空积分图对立体匹配的代价函数进行加速计算,进而提高了重建效率。此外,所提出方法通过人脸检测去除无关背景,使后续的叁维重建算法能够高效地作用在人脸区域上。实验表明,所提出方法对3D打印人脸(精度为0.01 mm)模型的重建平均误差为0.32 mm,对哑铃规球心测距和直径测距(精度皆为0.01 mm)其误差皆低于1个百分点,以上结果优于同类产品。与现有立体匹配算法相比,本文方法所得视差图面部无空洞且视差变化均匀,更真实地反映出被测人脸的叁维形状。
（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。
人脸匹配论文参考文献
[1].李天向,丁潇潇.人脸识别中特征提取和匹配算法研究[J].数码世界.2019
[2].谢宜江,傅可人,冯子亮,杨红雨.基于散斑立体匹配的快速叁维人脸重建[J].光电子·激光.2019
[3].李铁,付媛媛,张弛,刘洋.基于不变矩理论的灰度人脸图像匹配算法研究[J].电脑知识与技术.2018
[4].王玮,闵卫东,樊梦丹,韩清.基于择优检测和多尺度匹配的实时人脸识别[J].计算机工程与设计.2018
[5].王艺蒙.人脸检测与匹配识别算法研究[D].哈尔滨工业大学.2018
[6].李佳妮,张宝华.特征匹配融合结合改进卷积神经网络的人脸识别[J].激光与光电子学进展.2018
[7].耿超.基于多模板匹配的SDM人脸对齐算法及其应用[D].合肥工业大学.2018
[8].向世涛,文畅,谢凯,贺建飚,刘从浩.旋转纹理不变模型下的快速人脸匹配方法[J].计算机工程与设计.2018
[9].沈逸.人脸五官图像分割与清晰度匹配方法研究[D].武汉理工大学.2018
[10].吴礼洋,熊磊,杜少毅,毕笃彦,方挺.基于快速仿射模板匹配和改进仿射迭代最近点算法的人脸稳健精确仿射配准[J].光学学报.2018