导读:本文包含了人脸表示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,群稀疏,低秩恢复,低秩映射矩阵
人脸表示论文文献综述
胡静,陶洋,郭坦,孙雨浩,胡昊[1]（2019）在《基于低秩矩阵恢复的群稀疏表示人脸识别方法》一文中研究指出针对训练集和测试集均存在光照、遮挡、噪声污染等情况下的人脸识别问题,提出一种基于低秩矩阵恢复的群稀疏表示人脸识别方法。将人脸图像由空域变换到对数域,通过低秩矩阵恢复算法恢复每子类训练样本,增强恢复数据的鉴别力;学习恢复低秩成分与原始训练数据之间的低秩映射关系矩阵,利用该矩阵将测试样本映射到其潜在的子空间下,移除测试样本中存在的误差;计算恢复的测试样本在恢复的训练集上的群稀疏表示,结合重构残差与类关联系数进行识别。在CMU PIE、Extended Yale B和AR数据库上的实验结果表明,该方法具有较高的识别率和较强的鲁棒性。(本文来源于《计算机工程与设计》期刊2019年12期）
崔娟娟,张蕾,侯谢炼,陈才扣,张海燕[2]（2019）在《基于鉴别性低秩表示的2阶段人脸识别算法》一文中研究指出针对图像训练样本中存在噪声等情况,提出一种基于鉴别性低秩表示的2阶段人脸识别算法。该算法第1阶段是对所有训练样本进行低秩处理,筛选出M类与测试样本最相近的样本用于粗分类;第2阶段使用第1阶段筛选出来的样本做鉴别性低秩表示处理,并使用稀疏线性表示进行精细分类,决定测试样本最适合的类标签。本算法结合了低秩算法与稀疏算法的优点,在标准人脸库上的实验表明本算法表现优越。(本文来源于《计算机与现代化》期刊2019年12期）
王海[3]（2019）在《基于分块稀疏表示的部分遮挡人脸识别》一文中研究指出人脸识别利用已有的人脸数据库对给定的人脸图像进行识别,不同光照、不同姿态、部分遮挡情况下的识别问题是其中的热门研究课题。笔者针对人脸图像中的部分遮挡问题,通过AR人脸库对处理过的人脸图像采用分块稀疏表示的方法,在不同训练样本下进行多次实验。实验结果表明,分块稀疏表示对部分遮挡人脸的识别率有较大提升。(本文来源于《信息与电脑(理论版)》期刊2019年22期）
沈利迪[4]（2019）在《融合深度学习和稀疏表示的人脸表情识别方法研究》一文中研究指出随着人机交互和机器学习技术的迅速发展,人脸表情的识别技术受到越来越多研究者的关注。为提高人脸表情的识别率,本文提出了将深度学习和稀疏表示分类方法相结合的图像识别算法。本算法先是利用深度卷积神经网络构建提取人脸表情特征的网络模型,然后利用该网络模型提取样本的特征向量,并建立表情的超完备字典,最后利用稀疏表示分类算法进行人脸表情识别。实验在LFW和AR两个数据集上进行测试,结果证明本文提出的算法有较好的识别效果。(本文来源于《自动化技术与应用》期刊2019年10期）
李垒,任越美[5]（2019）在《基于多任务联合判别稀疏表示的人脸识别》一文中研究指出针对人脸识别中由于姿态、光照及噪声等影响造成的识别率不高的问题,提出一种基于多任务联合判别稀疏表示的人脸识别方法。首先提取人脸的局部二值特征,并基于多个特征建立一个联合分类误差与表示误差的过完备字典学习目标函数。然后,使用一种多任务联合判别字典学习方法,将多任务联合判别字典与最优线性分类器参数联合学习,得到具有良好表征和鉴别能力的字典及相应的分类器,进而提高人脸识别效果。实验结果表明,所提方法相比其他稀疏人脸识别方法具有更好的识别性能。(本文来源于《计算机与现代化》期刊2019年10期）
申杨[6]（2019）在《基于多特征联合稀疏表示的人脸识别方法》一文中研究指出针对人脸识别问题,提出一种基于多特征联合稀疏表示的方法。首先,分别采用主成分分析(PCA)、核主成分分析(KPCA)和非负矩阵分解(NMF)提取人脸图像的特征矢量。叁种特征从线性、非线性以及非负表示叁种层面描述了人脸图像的特征。在分类阶段,采用联合稀疏表示对叁种特征进行综合决策,考察它们的内在关联。最后,基于叁种特征的整体重构误差判定测试样本的类别。实验中,基于AR和Yale-B人脸数据库对提出方法进行性能测试。结果表明文中方法的有效性。(本文来源于《信息技术》期刊2019年09期）
希琳·加福瑞,拉尼·莫利亚,孟佳惠[7]（2019）在《人脸识别应用日广 利弊之争甚嚣尘上》一文中研究指出一份新的地图显示了人脸识别技术的广泛应用。据乔治城大学法律隐私与技术中心的一份调查数据显示，每两个美国成年人中就有一个人使用过人脸识别技术来搜索自己的照片。近年来，美国政府对人脸识别技术的应用呈上升趋势。批评人士表示，这种技术对美国公民的(本文来源于《中国改革报》期刊2019-08-16）
陈斌,东一舟,朱晋宁[8]（2019）在《非控场景下主成分稀疏表示与低秩分解的人脸识别》一文中研究指出针对非受控场景下人脸识别率低的问题,提出一种非控场景下基于主成分稀疏表示与低秩分解的人脸识别算法。首先通过核心基础信息平台收集的数据自构建基础人脸库,然后采集课堂照片并对采样照片通过主成分稀疏表示和低秩分解算法进行分割,最后以基础人脸库为样本进行匹配识别,并将未进行低秩分解的情况与低秩分解后的结果进行比较。实验结果表明,在非受控场景下通过主成分稀疏表示迭加低秩分解的识别效果对光照变化影响的鲁棒性较强,对遮挡情况受到的影响相对明显,总体识别正确率最高达到92.4%,达到较好非控场景下人脸识别效果。该算法对开放型非受控场景下的人脸识别及由此衍生出的表情识别、行为识别等研究都有积极助益。(本文来源于《液晶与显示》期刊2019年08期）
王国权,巩燕[9]（2019）在《小波分析和稀疏表示的人脸图像识别方法》一文中研究指出为提高人脸图像识别率,提出一种小波分析和稀疏表示相结合的人脸图像识别方法。首先采用小波分析方法将图像分层,得到一副低频分量和水平、垂直、对角线分量,然后对人脸图像进行主成分特征提取和降维,稀疏表示各个图像,再根据分类器性能不同,判断多个分类结果,实现不同复杂干扰情况下的图像识别。利用ORL数据库和Yale数据库图像开展仿真实验,结果表明,文中算法较传统的稀疏表示具有更好的识别效果。该研究为人脸图像识别提供了新方法。(本文来源于《黑龙江科技大学学报》期刊2019年04期）
郑秋梅,马茂东,王风华,孙燕翔,李波[10]（2019）在《基于稀疏表示的人脸人耳融合识别算法》一文中研究指出单一生物特征在识别过程中具有一定的局限性,基于人脸和人耳在位置上具有一定的关联性,提出了人脸人耳特征级融合的识别算法。采用主成分分析法(PCA)对人脸及人耳进行特征提取,然后运用稀疏表示对所提取的特征进行分类表达。而基于稀疏表示的人脸人耳识别方法,在遮掩、含噪声的情况下取得了不错的识别效果。实验证明,基于稀疏表示的人脸人耳融合的识别算法,具有较好的识别准确度。(本文来源于《计算机与数字工程》期刊2019年07期）
人脸表示论文开题报告
（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：
针对图像训练样本中存在噪声等情况,提出一种基于鉴别性低秩表示的2阶段人脸识别算法。该算法第1阶段是对所有训练样本进行低秩处理,筛选出M类与测试样本最相近的样本用于粗分类;第2阶段使用第1阶段筛选出来的样本做鉴别性低秩表示处理,并使用稀疏线性表示进行精细分类,决定测试样本最适合的类标签。本算法结合了低秩算法与稀疏算法的优点,在标准人脸库上的实验表明本算法表现优越。
（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。
人脸表示论文参考文献
[1].胡静,陶洋,郭坦,孙雨浩,胡昊.基于低秩矩阵恢复的群稀疏表示人脸识别方法[J].计算机工程与设计.2019
[2].崔娟娟,张蕾,侯谢炼,陈才扣,张海燕.基于鉴别性低秩表示的2阶段人脸识别算法[J].计算机与现代化.2019
[3].王海.基于分块稀疏表示的部分遮挡人脸识别[J].信息与电脑(理论版).2019
[4].沈利迪.融合深度学习和稀疏表示的人脸表情识别方法研究[J].自动化技术与应用.2019
[5].李垒,任越美.基于多任务联合判别稀疏表示的人脸识别[J].计算机与现代化.2019
[6].申杨.基于多特征联合稀疏表示的人脸识别方法[J].信息技术.2019
[7].希琳·加福瑞,拉尼·莫利亚,孟佳惠.人脸识别应用日广利弊之争甚嚣尘上[N].中国改革报.2019
[8].陈斌,东一舟,朱晋宁.非控场景下主成分稀疏表示与低秩分解的人脸识别[J].液晶与显示.2019
[9].王国权,巩燕.小波分析和稀疏表示的人脸图像识别方法[J].黑龙江科技大学学报.2019
[10].郑秋梅,马茂东,王风华,孙燕翔,李波.基于稀疏表示的人脸人耳融合识别算法[J].计算机与数字工程.2019