一、基于特征的弹性图匹配人脸识别算法（论文文献综述）
王韬[1]（2021）在《复杂光照下非对齐人脸特征融合的识别算法研究》文中进行了进一步梳理人脸识别技术是计算机视觉领域的一个重要研究方向,有着无接触性、信息采集成本低、自动化程度高等优势,在越来越多的实际场景中都得到了应用。目前为止对于限制场景下的人脸识别技术已经较为成熟,但是对于非限制场景下的人脸识别仍然是一项挑战。其中,复杂的光照条件使得人脸图像出现大范围阴影,图像质量变差;图像中的人脸存在平面旋转、位置偏移、小幅度姿态变化引起识别精度降低;如何全面地利用人脸图像的信息将多种特征进行结合。上述三个问题会影响人脸识别系统的性能,所以在充分研究了对应问题主流解决方案的基础上,分别提出了改进方案,本文的主要内容和创新点包括以下几个方面:1、基于面部硬阴影边缘消除的光照预处理算法。基于Lambertian模型的光照预处理算法的韦伯脸、Retinex方法建立在“局部光照变化缓慢”的假设前提下,非均匀光照使人脸产生阴影块,阴影块的边缘处光照变化剧烈,会在处理结果中产生明显的响应,影响后续基于边缘信息的眼部定位。针对这一问题,本文提出了一种硬阴影边缘检测和消除的预处理算法,通过LTV分解得到人脸图像的大尺度分量,定义一种H算子用于检测硬阴影边缘,最后使用迭代的高斯模糊算法使硬阴影边缘平滑过渡,再结合韦伯脸和Retinex方法,通过实验说明了本文方法较原始算法得到改进。2、基于面部特征点提取的人脸位置对齐。图像中人脸的平面旋转、位置偏移以及小角度的姿态偏转都将对人脸识别产生影响,为了将图像中的人脸对齐到中心位置,本文提出了一套自动人脸对齐的方案。提出多角度的梯度积分投影法完成人脸的平面旋转矫正,之后对梯度积分投影曲线使用EM方法拟合完成对人脸的面部区域划分,然后基于边缘信息完成对眼部区域、嘴部区域的特征点定位,最后通过标准对齐的人脸模板,利用单应变换将非对齐人脸矫正到对齐位置。在多个数据集验证了本文算法对非对齐人脸的识别率有提升效果。3、基于全局和局部特征加权融合的人脸识别。为了充分利用人脸图像的信息,将多种人脸特征结合取长补短,使融合特征的人脸识别系统比单一特征识别精度更高,本文提出了一种线性加权的全局特征和局部特征相结合的方法,将人脸图像的2DPCA特征和LBP特征结合,设计了联合判别法和直接判别法,分别讨论了二者的优劣和适用场景,并通过实验说明了融合特征方法的有效性。
陶柯竹[2]（2020）在《基于图像复原与生成式对抗网络的模糊人脸识别研究》文中认为利用图像复原技术和生成式对抗网络来解决模糊情况下的人脸识别是一个值得研究的课题。本文介绍了人脸识别领域的背景知识和人脸识别领域的研究现状,同时概括了模糊情况下人脸识别研究的现状。本文的主要工作如下:首先,本文设计了一个人脸识别系统,共分为人脸检测、人脸数据库建立和人脸识别三个模块。人脸检测模块应用了Haarcascade算法,人脸数据库结合了公开数据库和自建数据库,人脸识别模块集成了经典人脸识别算法和现代深度学习模型,其中经典人脸识别算法基于PCA算法,深度学习模型选用Face Net模型,本人脸识别系统可根据不同应用场景选择不同模块,并能够在人脸数据集或实时视频流上完成人脸识别工作,具有一定的实用价值。其次,本文针对系统开发中发现的人脸图像因运动模糊造成的识别率降低的问题,基于图像复原技术和生成式对抗网络技术对模糊人脸图像的识别展开了研究。首先介绍了图像模糊和复原的原理,对经典的图像复原技术进行了总结,重点介绍了其中的维纳滤波和最小二乘方滤波,并通过实验比较了两种滤波的复原效果,根据实验结果得出最小二乘法滤波法要优于维纳滤波的效果。然后介绍了生成式对抗网络的原理,最后提出了一种基于最小二乘方滤波的SRGAN方法,具体介绍了其中的网络结构和模型的训练过程,用该方法复原模糊人脸图像并与维纳滤波、最小二乘方滤波和SRGAN法进行对比实验,同时将这四种方法放入基于Face Net的人脸识别模块中进行测试,本文所提方法处理后的识别率可由模糊时的80.37%提升到97.02%,接近原识别率97.75%,证明本文所提出的基于最小二乘方滤波的SRGAN方法具有一定的有效性,同时证明本文的基于图像复原与生成式对抗网络的模糊人脸识别研究具有一定的实用价值。
薛新根[3]（2020）在《基于深度学习算法的人脸识别研究》文中认为人脸识别是图像领域的经典问题,为解决目前人脸识别中普遍存在的识别精度不高、特征点估计较为粗糙等问题,采用一种基于R-CNN（Res Nets-Convolutional Neural Network）算法的人脸识别方法。该方法用人脸特征探测器有效的提取了人脸特征,同时将R-CNN卷积神经网络结合特征脸算法用于2D人脸识别。采集了400张目标脸,和人脸库中的1000张样本脸混合,形成人脸数据集。本文的主要工作如下:1.针对CNN网络过拟合问题,本文提出了网络优化方法,改进全连接层设计,对原Droupout随机稀疏进行改进,使其在训练阶段的输出值从大到小划分成两个等级（前1/2、后1/2）,两个等级的稀疏度设定也有所不同（输出值小稀疏率高,输出值大稀疏率低）,从而对全连接层进行稀疏化处理,对改进后的CNN网络在人脸数据集中进行实现,给出网络的准确率与损失。2.针对R-CNN网络的不足,提出了通过固定尺寸分割取代滑动窗口的策略,由于滑动窗口大小固定不变,且会造成窗口冗余,而固定尺寸分割会产生尺寸多样的目标估计,即使人脸图像是在极端情况下采集得到的,检测结果也较好。同时对Res Nets网络中引入网络注意力模块,这样可以加强网络的特征提取能力,网络更具鲁棒性,并将改进的Dropout技术也加入改进后的R-CNN网络中。3.设计并实现了一套基于改进的R-CNN网络的人脸检测与识别软件,结果表明在非限制性的人脸数据集中表现良好,识别率较高,鲁棒性较强。该论文有图37幅,表3个,参考文献68篇。
李杨[4]（2020）在《多姿态的人脸识别算法研究》文中研究说明随着人脸识别技术在我们的日常生活中的越来越普及,基于具体使用场景的人脸图像处理技术涌现出来。而在具体的人脸识别场景中,由姿态变化导致的人脸识别困难是现在亟待解决的一个难点。当人脸产生较大角度偏转时,人脸的特征信息会由于角度偏转而丢失,从而影响人脸识别过程。因此,通过各种方法实现姿态变化下人脸的高精度识别是现在一个比较重要的研究方向。为了解决这一问题,可以先利用人脸矫正算法对非正面人脸进行矫正,使用矫正后的正面图片作为人脸识别的输入。除此之外,由于图像分辨率造成的人脸识别问题也很严峻,复原高质量人脸图像也成为了一个研究热点。人脸矫正的算法主要包括传统映射方法、基于3D建模的矫正方法和深度学习方法。本文首先介绍了人脸识别的基本流程、深度学习的背景技术知识,然后对基于深度学习的人脸矫正算法进行介绍,讲解了基于深度学习方法的人脸矫正算法SPAE、TP-GAN以及DR-GAN。提出了一个基于姿态残差的对抗生成人脸矫正网络FCM,该网络以对抗生成网络为基础结构,包含利用姿态残差的生成器以及双判别器（姿态信息判别器PID、身份信息判别器IID）。姿态残差信息以及先验的人脸身份、姿态信息可以指导正面人脸的生成,提高生成器对身份、姿态的拟合。并且设计了人脸转换模型FTM,生成人脸的二维关键点信息。生成器的解码器结构中加入密集连接（Dense Connection）有助于减少训练参数,避免梯度消失,并且有正则化的作用,有效避免了过拟合。并且针对低分辨率的人脸图像,提出了一个高质量人脸生成网络HFG,并将该模型的训练过程中加入上面提到的人脸矫正特征图作为引导,训练出一个兼具人脸矫正和人脸复原的生成网络结构。最后在实验阶段,利用CMU Multi-Pie数据集训练人脸矫正模型,并且在CMU Multi-Pie、LFW数据集上进行测试,与当今优秀的人脸矫正算法进行了对比,分析生成的图像的效果;并且为了分析模型中各个结构的作用,分别进行了对比试验。利用CASIA-Webface数据集训练HFG,并且在LFW和IJB-C数据集上进行测试。比较了提出的高质量人脸生成模型HFG、HFCM和现在存在的最优秀的人脸复原方法,在Resnet-50识别网络上进行识别,分析了修复之后的人脸识别率。
梁博[5]（2019）在《计算机视觉在人脸识别领域中的应用研究》文中提出随着人工智能的发展,需要自动人脸识别的场景会越来越多,采用计算机视觉快速准确地检测并识别出目标人脸成为必然趋势。使用摄像头采集到的人脸图像,通过灰度化的方法进行预处理,经过预处理后的图像更容易进行特征提取。该方法能够快速检测到人脸,有效提取人脸面目特征,并且准确识别出相应的人脸,主要应用在静态图像的人脸识别中,基本上满足了人脸检测和识别的实时性要求,应用前景广阔。
王书涛[6]（2019）在《多特征融合的素描人脸识别研究》文中进行了进一步梳理二十一世纪人工智能和互联网行业在飞速发展,而机器视觉是人工智能正在飞速发展的一个分支,其应用遍布各个领域,如:工业、农业、医药、军事、航天等,机器视觉就是用机器代替人眼来做测量和判断。近年来,人脸识别一直是机器视觉、模式识别和图像处理领域的研究热点之一,是基于人脸的特征信息进行身份识别的一种生物识别技术,在身份鉴定、监控系统、企业及住宅安全和管理、公安司法搜捕逃犯、自助服务等领域进行广泛应用。素描人脸识别是根据素描人脸进行识别的人脸识别。素描人脸识别主要在公安司法案件侦破中进行应用,在案件没有犯罪嫌疑人的确定照片时,通过对素描图片与人脸照片的比对,可以帮助调查者锁定或缩小犯罪嫌疑人的范围。目前,素描人脸识别的研究备受关注。早期的单特征素描人脸识别方法,采用的是单个全局特征或者单个局部特征,对特征信息使用存在明显不足。近年来,多特征素描人脸识别方法成为热门研究方向,在识别效果上取得了很大的进展,但依然存在很多问题,比如识别准确率仍有提升空间等。本文结合全局特征和局部特征,采用多特征融合的方式进行素描人脸识别。主要工作如下:（1）现有的采用基于多全局特征提取的素描人脸识别,对图像的人脸表情和姿态的变化不具有鲁棒性,过高的维数增加训练过程中发生过拟合的几率,在人脸识别过程中缺少局部信息;现有的基于多局部特征提取的素描人脸识别,在人脸识别过程中缺少对全局特征信息的使用,针对这些问题,提出多特征融合的素描人脸识别方法（Multi-feature fusion sketch face recognition method,MFSR）。对图像依次提取方向梯度直方图特征,局部二值模式特征和分块局部二值模式特征,对三个特征采用加权的方式进行融合。通过计算素描图像与人脸图像的欧式距离匹配出与素描图像最相近的人脸图。实验结果表明,此方法在正确识别率上有一定提升。（2）针对现有的分块局部二值模式对所有的子块采用相同的权值,并不能突出子块的突出特征的问题,采用不同权值的分块局部二值模式特征进行素描人脸识别提出加权多特征融合的素描人脸识别方法一（Weighted multi-feature fusion sketch face recognition method,WMFSR1）。根据人脸识别认知理论,人类在人脸识别认知过程中主要依靠人脸的结构信息和特征信息,结构信息即全局特征,特征信息即局部特征,局部特征越明显,就越容易对人脸进行辨识。不同权值的分块局部二值模式,通过把图像分割为若干块,对于大多数都是背景图的块赋予相对较低的权值,对应大多数都是人脸的块则赋予相对较高的权值,通过对不同块分配不同的权值,使得不同图像之间更容易辨识。实验结果表明,此方法在正确识别率上较优。方法一是对整张图片提取方向梯度直方图特征,得到整张图片的结构信息,并没有突出人脸部分的结构信息,所以本文在方法一的基础上提出多特征融合的素描人脸识别方法二（Weighted multi-feature fusion sketch face recognition method,WMFSR2）,对人脸图片与素描图片依次提取方向梯度直方图特征、局部方向梯度直方图特征和分块局部二值模式特征,然后对三种特征计算距离,最后根据距离得到匹配图片。实验结果表明,此方法在识别率上优于其他方法。
韩军[7]（2012）在《基于弹性束图匹配与隐马尔科夫模型的人脸识别算法研究》文中研究表明随着现代科学技术的发展，生物特征识别技术在近些年的研究中逐渐成为一个热点，随之产生的众多的研究成果和产品，被广泛应用在各类信息安全、金融交易、社会安防、出入境管理、行政、交通、医疗等领域，在社会生活的各个方面都起到了显着地作用。到目前为止，生物特征识别技术中较为成熟的技术有人脸、虹膜、指纹、掌纹、人耳、手形等识别方法，其中人脸识别因其所具有的非接触式、简单快捷等优势，成为目前生物特征识别领域中研究的主流对象，但是由于人脸图像易受光照、角度、年龄、环境变化的影响，且人脸图像之间又具有高度的相似性，因此如何快速准确的进行人脸识别，就成了研究人脸识别技术时必须要考虑和解决的问题。本文即针对上述问题，对人脸识别技术中较为常用的弹性束图匹配方法和隐马尔科夫模型方法进行了较为深入的研究，主要的工作和成果有以下几个方面：1.全面概述了目前人脸识别领域中使用较为广泛的几种识别方法，对其所采用的理论依据、具体实现方法进行了分析比较，总结和归纳了这些方法在处理人脸识别问题时分别所具有的优势和缺陷。单一方法在处理人脸识别问题时总是具有一定的局限性，提取的单一的人脸特征也易受到环境因素的影响，因此多种方法或特征的融合，可以避免使用单一方法的缺陷，扩大算法的适用范围，提高抗干扰性。2.针对基于弹性束图匹配的正面人脸识别方法中不同频率的特征值对于人脸图像识别率影响的差异性问题，提出了一种利用权值分配对小波系数进行优化的方法，由于变换后得到的小波系数对于人脸图像识别率的影响大小不一，因此对其进行分类并赋予相应的权值，使得可以提高识别率的小波系数所占的权重更大，从而显着增强不同人脸弹性图结构之间的差异性，通过算法验证系统的检验，改进后的方法可以有效提高识别率。3.通过对基于隐马尔科夫模型的人脸识别系统的研究和分析，采用奇异值作为特征向量构建隐马尔科夫模型进行人脸识别，由于奇异值向量具有稳定性、位移不变性、转置不变性、与对应图像亮度成比例变化等特性，因此对于人脸图像易受到的光照、角度、环境等因素的影响具有一定的鲁棒性，相对于直接采用图像灰度值和二维离散余弦变换值所做的识别结果，采用奇异值分解的隐马尔科夫模型人脸识别方法可以得到更高的识别率。
俞燕,李正明[8]（2011）在《基于特征的弹性图匹配人脸识别算法改进》文中研究说明针对传统人脸识别弹性图匹配算法空间复杂度高、实时性较差的问题,提出一种弹性图匹配改进算法,将人脸图片特征点经Gabor小波预处理后,结合主成分分析（PCA）和Fisher线性判别方法（FLD）对生成的特征矢量进行处理,降低维数,减少计算量,同时在不降低识别率的前提下,提高识别速度。与传统的PCA算法、FLD算法、EGM算法进行仿真比较,证明该改进算法识别率高、实时性好。
杨永[9]（2008）在《基于小波变换的人脸分割与识别算法研究》文中提出人脸识别是一项极具有发展潜力的生物特征识别技术,研究人脸识别技术具有十分重要的理论和应用价值。基于二维小波变换的人脸识别技术取得了前所未有的发展。本文深入研究了利用二维小波变换进行人脸识别的理论方法和技术。人脸识别之前要对人脸图像进行预处理。人脸图像的预处理就是将由图像采集设备采集到的人脸图像调整成规范化的图像,主要包括三个环节：人脸分割和眼睛定位、几何规范化、灰度规范化。论文重点研究了基于AdaBoost统计学习的人脸分割方法。研究了二维小波变换及其在识别应用中的响应特性。二维小波变换是通过计算一组二维滤波器与图像上给定位置附近区域像素灰度值的卷积来实现的。本文通过计算结果验证了可以通过选择小波滤波器的参数来表示人脸图像的局部特征。基于二维小波变换进行的识别处理优于直接按原图像灰度的识别处理。在经典的弹性束图匹配算法基础上,提出了基于模板束的弹性束图匹配人脸识别算法。弹性束图匹配算法采用标号图来表示人脸图像,标号图的节点用一组描述人脸局部特征的二维小波变换系数表示,这些节点位于人脸图像上对识别有意义的特征点位置上；标号图的边用描述相邻两个节点相对位置的度量信息来表示,由各边组成的网格图结构描述了整个人脸的几何特征。由于经典弹性束图匹配算法的计算量较大,识别速度慢,本文通过对大量训练集的人脸标号图网格结构的聚类得到7个有代表性的网格结构组成人脸束图的模板束。在进行匹配时,将弹性束图匹配算法与AdaBoost学习算法相结合,首先,采用AdaBoost学习算法确定眼睛的位置,以眼睛坐标为基准点对输入图像进行几何规范化;然后,从模板束中挑选出最合适的网格结构来确定人脸的几何特征,并在此基础上进一步进行精确匹配。实验表明,基于模板束的弹性束图匹配人脸识别算法,不仅在运算量上要比弹性束图匹配算法大幅度减少,在识别速度与识别的准确度上都大大的提高,是一个可行的、较好的人脸识别方法。
张海龙[10]（2008）在《人脸识别的弹性束图匹配算法的研究》文中研究说明人脸识别在基于生物特征识别技术的身份认证中是最主要的方法之一。基于人脸识别的自动身份认证具有重要的理论意义和应用价值,对人脸自动识别方法的研究已成为当前模式识别和人工智能领域的一个研究热点。在本文的人脸识别系统中,人脸被表示成一系列的特征点,每个特征点都被描述为一个由40个复Gabor滤波器组与该点响应的结果,称为Jet。这样一个Jet就描述了该特征点邻域的局部灰度信息,滤波器集采用了5个不同的频率和8个不同的方向。在训练集的图像中,用手工标注相关特征点的坐标并求取Jets;对于样本人脸图像,对应的特征点被自动搜索出。特征点粗略定位由训练集人脸的结构作先验知识,然后利用弹性束图进行精确定位。本文深入研究了利用二维Gabor小波变换进行人脸识别的理论方法和技术,论文的主要工作如下：1、本文对当前常用的人脸识别理论方法做了扼要的概括总结,对当前人脸识别技术的研究现状、存在的问题和技术发展进行了论述。2、讨论了人脸图像的预处理。人脸图像的预处理就是将由图像采集设备采集到的人脸图像调整成规范化的图像。3、研究了二维Gabor小波变换及其在识别应用中的响应特性。二维Gabor小波变换是通过计算一组二维Gabor滤波器与图像上给定位置附近区域像素灰度值的卷积来实现的。4、分析了人脸识别的特征点定位以及弹性束图匹配的基本过程,对其中的相似度以及匹配函数进行了分析。
二、基于特征的弹性图匹配人脸识别算法（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、基于特征的弹性图匹配人脸识别算法（论文提纲范文）
（1）复杂光照下非对齐人脸特征融合的识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景与研究意义 |
| 1.1.1 人脸识别的应用和困难 |
| 1.1.2 传统方法的研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人脸识别的主要方法 |
| 1.2.2 光照问题研究现状 |
| 1.2.3 人脸对齐问题研究现状 |
| 1.3 实验人脸数据集简介 |
| 1.3.1 Extended Yale B数据集 |
| 1.3.2 ORL数据集 |
| 1.3.3 CAS-PEAL-R1 数据集 |
| 1.3.4 非对齐人脸数据集 |
| 1.4 本文的主要研究内容 |
| 1.5 本文的组织结构 |
| 第2章 基于面部硬阴影边界消除的光照处理 |
| 2.1 投影和本影 |
| 2.2 光照处理常用方法简介 |
| 2.2.1 基于灰度变换方法 |
| 2.2.2 韦伯脸 |
| 2.2.3 Retinex方法 |
| 2.3 硬阴影边界检测 |
| 2.3.1 LTV变分模型提取光照分量 |
| 2.3.2 变分模型求解 |
| 2.3.3 硬阴影边界检测 |
| 2.4 硬阴影边界消除 |
| 2.5 实验与分析 |
| 2.5.1 主观视觉效果对比 |
| 2.5.2 平面旋转矫正准确率 |
| 2.5.3 眼部定位准确率 |
| 2.6 本章小结 |
| 第3章 基于面部特征点提取的人脸位置对齐 |
| 3.1 非对齐人脸的相关讨论 |
| 3.1.1 非对齐人脸对识别的影响 |
| 3.1.3 主流方法面部特征点定位 |
| 3.2 平面旋转矫正 |
| 3.2.1 梯度积分投影的眼部区域粗检测 |
| 3.2.2 多方向梯度积分投影 |
| 3.3 面部特征点提取 |
| 3.3.1 EM法面部区域分割 |
| 3.3.2 眼部区域定位和特征点提取 |
| 3.3.3 嘴部区域定位和特征点提取 |
| 3.4 基于单应变换的人脸对齐 |
| 3.4.1 单应变换基本原理 |
| 3.4.2 基于最小二乘的单应变换 |
| 3.4.3 基于单应变换的人脸对齐 |
| 3.5 实验与分析 |
| 3.5.1 平面旋转矫正准确率 |
| 3.5.2 眼部定位准确率 |
| 3.5.3 自动对齐人脸识别率 |
| 3.6 本章小结 |
| 第4章 基于全局和局部特征加权融合的人脸识别 |
| 4.1 全局特征提取原理 |
| 4.1.1 一维PCA原理 |
| 4.1.2 二维PCA原理 |
| 4.2 局部特征提取原理 |
| 4.2.1 LBP算法原理 |
| 4.2.2 LBP特征应用于人脸识别 |
| 4.3 特征融合的人脸识别 |
| 4.3.1 特征融合的关键问题讨论 |
| 4.3.2 线性加权的特征融合原理 |
| 4.3.3 特征融合的人脸识别系统设计 |
| 4.4 实验与分析 |
| 4.4.1 Yale B数据集人脸识别实验 |
| 4.4.2 ORL数据集人脸识别实验 |
| 4.4.3 CAS-PEAL-R1 数据集人脸识别实验 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（2）基于图像复原与生成式对抗网络的模糊人脸识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容与结构安排 |
| 第2章 人脸识别系统设计 |
| 2.1 人脸识别系统介绍 |
| 2.2 人脸检测模块 |
| 2.2.1 Haarcascade原理 |
| 2.2.2 人脸检测实现 |
| 2.3 人脸数据库建立 |
| 2.4 基于PCA的人脸识别模块 |
| 2.4.1 PCA算法 |
| 2.4.2 实验测试 |
| 2.5 基于Face Net的人脸识别模块 |
| 2.5.1 Face Net原理 |
| 2.5.2 Face Net网络结构 |
| 2.5.3 人脸数据集实验测试 |
| 2.5.4 实时视频流实验测试 |
| 2.6 本章小结 |
| 第3章 基于滤波算法的模糊人脸图像复原 |
| 3.1 模糊图像相关理论 |
| 3.1.1 图像模糊类型 |
| 3.2 经典图像复原算法 |
| 3.2.1 维纳滤波算法 |
| 3.2.2 最小二乘方滤波算法 |
| 3.2.3 实验分析 |
| 3.3 本章小结 |
| 第4章 基于最小二乘方滤波的SRGAN方法 |
| 4.1 生成式对抗网络 |
| 4.2 基于最小二乘方滤波的SRGAN方法 |
| 4.2.1 网络结构 |
| 4.2.2 模型训练 |
| 4.2.3 对比实验 |
| 4.2.4 人脸识别测试 |
| 4.3 本章总结 |
| 第5章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（3）基于深度学习算法的人脸识别研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 人脸识别的发展与现状 |
| 1.3 神经网络的发展和现状 |
| 1.4 本文研究内容与结构安排 |
| 2 人脸识别和深度学习网络 |
| 2.1 人脸识别的基本概论 |
| 2.2 人脸检测与人脸识别方法 |
| 2.3 深度学习网络 |
| 2.4 深度学习网络的运用 |
| 2.5 Tensor Flow深度学习框架 |
| 2.6 本章小结 |
| 3 卷积神经网络及其改进 |
| 3.1 卷积神经网络的基本原理 |
| 3.2 卷积神经网络的组成单元 |
| 3.3 激活函数 |
| 3.4 卷积神经网络的理论推导 |
| 3.5 Dropout技术的改进 |
| 3.6 本章小结 |
| 4 基于R-CNN和特征脸算法的人脸检测与识别 |
| 4.1 R-CNN神经网络 |
| 4.2 R-CNN神经网络改进 |
| 4.3 各层作用 |
| 4.4 人脸识别过程 |
| 4.5 软件系统设计 |
| 4.6 本章小结 |
| 5 实验以及结果分析 |
| 5.1 样本采集 |
| 5.2 模型训练与参数选择 |
| 5.3 实验结果分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）多姿态的人脸识别算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 人脸识别技术背景 |
| 2.1 人脸识别基本流程 |
| 2.1.1 人脸检测 |
| 2.1.2 人脸图像预处理 |
| 2.1.3 人脸特征处理方法 |
| 2.1.3.1 人脸特征提取 |
| 2.1.3.2 人脸特征匹配 |
| 2.2 深度学习基础技术 |
| 2.2.1 深度学习概述 |
| 2.2.2 卷积神经网络 |
| 2.3 本章小结 |
| 第三章 基于深度学习的人脸姿态不变性算法 |
| 3.1 生成模型简介 |
| 3.1.1 自编码器网络 |
| 3.1.2 对抗生成网络 |
| 3.2 深度学习人脸矫正算法 |
| 3.2.1 SPAE |
| 3.2.2 TP-GAN |
| 3.2.3 DR-GAN |
| 3.3 姿态不变特征人脸识别 |
| 3.3.1 基于弹性束图的人脸识别 |
| 3.3.2 基于学习描述符的人脸识别 |
| 3.4 本章小结 |
| 第四章 基于姿态残差的人脸矫正算法 |
| 4.1 人脸矫正算法技术背景 |
| 4.1.1 对抗生成网络 |
| 4.1.2 人脸转换模型FTM |
| 4.1.2.1 3DMM的算法原理 |
| 4.1.2.2 3DMM映射二维人脸 |
| 4.1.3 Dense Connection密集连接 |
| 4.2 人脸矫正算法网络结构 |
| 4.2.1 人脸矫正模型FCM |
| 4.2.2 双判别器PID、IID |
| 4.3 人脸矫正算法训练原理 |
| 4.4 高分辨率人脸生成器HFG |
| 4.4.1 HFG网络结构 |
| 4.4.2 HFG网络训练原理 |
| 4.5 身份保持损失 |
| 4.6 本章小结 |
| 第五章 实验结果及其分析 |
| 5.1 数据集 |
| 5.2 测评指标 |
| 5.3 实验设计 |
| 5.3.1 FCM、HFG算法变体 |
| 5.3.2 算法识别率比较 |
| 5.3.2.1 人脸识别网络ResNet-50 |
| 5.3.2.2 人脸识别率介绍 |
| 5.3.2.3 人脸矫正算法简介 |
| 5.3.2.4 矫正识别率实验结果 |
| 5.3.2.5 高质量人脸图像识别率实验结果 |
| 5.4 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（5）计算机视觉在人脸识别领域中的应用研究（论文提纲范文）
| 0 引言 |
| 1 人脸识别算法与实验结果 |
| 1.1 人脸采集 |
| 1.2 图像预处理 |
| 1.3 人脸检测 |
| 1.4 人脸匹配与识别 |
| 2 结语 |
（6）多特征融合的素描人脸识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要工作 |
| 1.4 论文结构 |
| 第2章 相关理论及技术 |
| 2.1 预处理 |
| 2.1.1 图片像素值修改 |
| 2.1.2 灰度化处理 |
| 2.1.3 Gamma校正 |
| 2.2 特征提取 |
| 2.2.1 HOG(方向梯度直方图)特征提取 |
| 2.2.2 LBP(局部二值模式)特征提取 |
| 2.2.3 分块LBP特征提取 |
| 2.3 常用数据库及评价指标 |
| 2.3.1 常用数据库 |
| 2.3.2 评价指标 |
| 2.4 小结 |
| 第3章 多特征融合的素描人脸识别方法 |
| 3.1 识别框架 |
| 3.2 图像预处理 |
| 3.2.1 图片像素修改 |
| 3.2.2 灰度化处理 |
| 3.2.3 Gamma校正 |
| 3.3 特征提取 |
| 3.3.1 提取方向梯度直方图特征 |
| 3.3.2 提取局部二值模式特征 |
| 3.3.3 提取分块局部二值模式特征 |
| 3.4 得到最终匹配图片 |
| 3.5 算法流程 |
| 3.6 实验 |
| 3.6.1 实验环境与实验数据 |
| 3.6.2 实验内容 |
| 3.6.3 实验结果与分析 |
| 3.7 小结 |
| 第4章 加权多特征融合的素描人脸识别方法 |
| 4.1 加权多特征融合素描人脸识别方法一 |
| 4.1.1 加权多特征融合素描人脸识别方法一框架 |
| 4.1.2 图片预处理 |
| 4.1.3 特征提取 |
| 4.1.4 得到最终匹配图片 |
| 4.1.5 算法流程 |
| 4.2 加权多特征融合素描人脸识别方法二 |
| 4.2.1 加权多特征融合素描人脸识别方法二框架 |
| 4.2.2 图片预处理 |
| 4.2.3 特征提取 |
| 4.2.4 得到最终匹配图片 |
| 4.2.5 算法流程 |
| 4.3 实验 |
| 4.3.1 实验环境与实验数据 |
| 4.3.2 实验内容 |
| 4.3.3 实验结果与分析 |
| 4.4 小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 进一步工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间公开发表的论文 |
（7）基于弹性束图匹配与隐马尔科夫模型的人脸识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 插图索引 |
| 附表索引 |
| 第1章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 国内外研究现状与发展趋势 |
| 1.2.1 国内外研究现状 |
| 1.2.2 人脸识别的应用领域与发展前景 |
| 1.3 本文的主要研究工作和内容安排 |
| 第2章 人脸识别方法综述 |
| 2.1 引言 |
| 2.2 基于几何特征的方法 |
| 2.3 弹性图匹配法 |
| 2.4 神经网络方法 |
| 2.5 基于子空间学习的方法 |
| 2.5.1 主成分分析法（PCA） |
| 2.5.2 奇异值分解法（SVD） |
| 2.5.3 线性鉴别分析法（LDA） |
| 2.5.4 独立主元分析（ICA） |
| 2.5.5 非负矩阵因子法（NMF） |
| 2.6 隐马尔科夫模型方法 |
| 2.7 人脸识别方法的难点 |
| 2.8 本章小结 |
| 第3章 基于弹性束图匹配的人脸识别 |
| 3.1 引言 |
| 3.2 弹性束图匹配算法 |
| 3.2.1 基于EBGM的人脸识别系统 |
| 3.2.2 图像的预处理 |
| 3.2.3 Gabor小波变换 |
| 3.2.4 特征点定位 |
| 3.2.5 特征提取 |
| 3.2.6 相似度匹配 |
| 3.3 改进的弹性束图匹配算法 |
| 3.3.1 理论分析 |
| 3.3.2 算法优化 |
| 3.3.3 相似度修正 |
| 3.4 实验结果及分析 |
| 3.4.1 FERET人脸库 |
| 3.4.2 算法验证系统 |
| 3.4.3 实验结果及分析 |
| 3.4 本章小结 |
| 第4章 基于HMM模型的人脸识别 |
| 4.1 引言 |
| 4.2 隐马尔科夫模型 |
| 4.2.1 HMM模型的基本参数 |
| 4.2.2 参数计算和HMM模型的建立 |
| 4.2.3 HMM模型的训练 |
| 4.3 基于隐马尔科夫模型的人脸识别 |
| 4.3.1 人脸识别系统流程 |
| 4.3.2 奇异值向量分解 |
| 4.3.3 特征提取 |
| 4.4 实验结果及分析 |
| 4.4.1 ORL人脸数据库 |
| 4.4.2 实验参数设置 |
| 4.4.3 实验结果及分析 |
| 4.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读硕士学位期间所发表的论文 |
（9）基于小波变换的人脸分割与识别算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 前言 |
| 第一章 人脸识别相关理论 |
| 1.1 人脸识别国内外研究历史与现状 |
| 1.1.1 国外研究状况 |
| 1.1.2 国内研究状况 |
| 1.2 人脸识别理论概述 |
| 1.3 人脸识别方法 |
| 1.3.1 基于几何特征的人脸识别方法 |
| 1.3.2 基于模板匹配的人脸识别方法 |
| 1.3.3 弹性图匹配的方法 |
| 1.3.4 其他人脸识别方法 |
| 1.4 小结 |
| 第二章 人脸图像的预处理 |
| 2.1 图像预处理概述 |
| 2.2 灰度规范化 |
| 2.2.1 图像平滑 |
| 2.2.2 直方图均衡化 |
| 2.2.3 灰度归一化 |
| 2.3 小结 |
| 第三章 人脸图像的分割 |
| 3.1 人脸检测和眼睛定位 |
| 3.1.1 人脸检测 |
| 3.1.2 特征计算 |
| 3.1.3 分类器训练 |
| 3.1.4 分类器级联 |
| 3.1.5 眼睛定位 |
| 3.2 几何规范化 |
| 3.2.1 仿射变换 |
| 3.2.2 灰度级插值 |
| 3.3 小结 |
| 第四章 二维小波变换及其在人脸识别应用中的响应特性 |
| 4.1 引言 |
| 4.2 二维小波变换 |
| 4.3 二维小波滤波器组的参数 |
| 4.3.1 参数的选择 |
| 4.3.2 参数的意义 |
| 4.4 二维小波滤波器在人脸识别应用中的响应特性 |
| 4.4.1 边缘 |
| 4.4.2 亮度 |
| 4.4.3 位置 |
| 4.5 实验结果 |
| 4.6 小结 |
| 第五章 基于小波表示的模板束弹性束图匹配人脸识别 |
| 5.1 弹性图匹配 |
| 5.2 基于模板束的弹性束图匹配算法 |
| 5.2.1 人脸表示 |
| 5.2.2 人脸束图 |
| 5.2.3 位移估计 |
| 5.2.4 图的相似性度量 |
| 5.2.5 匹配过程 |
| 5.2.6 人脸识别 |
| 5.3 实验结果 |
| 5.4 小结 |
| 结论 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
| 详细摘要 |
（10）人脸识别的弹性束图匹配算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 人脸识别的研究内容 |
| 1.2.1 人脸定位和检测 |
| 1.2.2 人脸识别的方法 |
| 1.3 人脸识别系统 |
| 1.4 人脸识别的应用与数据库 |
| 1.4.1 人脸识别的应用 |
| 1.4.2 主要的数据库 |
| 第二章 人脸识别的发展方向与预处理 |
| 2.1 人脸识别的发展方向 |
| 2.1.1 预处理技术 |
| 2.1.2 数据采集技术 |
| 2.1.3 多重特征和多种技术的融合 |
| 2.1.4 新一代基于认知机理理论方法的探索 |
| 2.2 人脸图像识别的预处理过程 |
| 2.3 人脸检测和眼睛定位 |
| 2.3.1 人脸的检测 |
| 2.3.2 眼睛的检测 |
| 2.4 几何规范化 |
| 2.4.1 仿射变换 |
| 2.4.2 灰度级插值 |
| 2.5 灰度规范化 |
| 2.5.1 图像平滑 |
| 2.5.2 直方图均衡化 |
| 2.5.3 灰度归一化 |
| 2.6 本章小结 |
| 第三章 Fourier变换与Gabor小波 |
| 3.1 Fourier变换 |
| 3.2 Gabor变换 |
| 3.2.1 一维Gabor小波 |
| 3.2.2 二维Gabor小波 |
| 3.3 二维Gabor小波的参数 |
| 3.3.1 参数的选择 |
| 3.3.2 参数的意义 |
| 3.3.3 人脸图像的Gabor小波表示 |
| 3.4 本章小结 |
| 第四章 基于Gabor小波表示的弹性束图匹配人脸识别 |
| 4.1 简介 |
| 4.2 弹性图匹配 |
| 4.3 弹性束图匹配 |
| 4.3.1 人脸表示 |
| 4.3.2 人脸束图 |
| 4.3.3 位移估计 |
| 4.3.4 图的相似性度量 |
| 4.3.5 匹配过程 |
| 4.4 人脸识别 |
| 4.5 实验结果与总结 |
| 4.5.1 实验结果 |
| 4.5.2 总结 |
| 第五章 结论和展望 |
| 5.1 本文工作小结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
四、基于特征的弹性图匹配人脸识别算法（论文参考文献）
- [1]复杂光照下非对齐人脸特征融合的识别算法研究[D]. 王韬. 四川大学, 2021(02)
- [2]基于图像复原与生成式对抗网络的模糊人脸识别研究[D]. 陶柯竹. 重庆邮电大学, 2020(02)
- [3]基于深度学习算法的人脸识别研究[D]. 薛新根. 辽宁工程技术大学, 2020(02)
- [4]多姿态的人脸识别算法研究[D]. 李杨. 电子科技大学, 2020(07)
- [5]计算机视觉在人脸识别领域中的应用研究[J]. 梁博. 信息与电脑(理论版), 2019(20)
- [6]多特征融合的素描人脸识别研究[D]. 王书涛. 西南大学, 2019(05)
- [7]基于弹性束图匹配与隐马尔科夫模型的人脸识别算法研究[D]. 韩军. 兰州理工大学, 2012(12)
- [8]基于特征的弹性图匹配人脸识别算法改进[J]. 俞燕,李正明. 计算机工程, 2011(05)
- [9]基于小波变换的人脸分割与识别算法研究[D]. 杨永. 大庆石油学院, 2008(03)
- [10]人脸识别的弹性束图匹配算法的研究[D]. 张海龙. 东北大学, 2008(03)
标签：人脸识别算法论文; 人脸识别技术论文; 人脸检测技术论文; adaboost人脸检测论文; 图像融合论文;