一、复杂背景下基于肤色的人脸检测（论文文献综述）
周安琪[1]（2020）在《非限制场景下的人脸检测研究》文中认为近几年来,模式识别受到了许多人的关注,尤其是人脸检测,人脸检测是对象检测中的一个大类,作为人脸识别中的重要步骤,也是人机交互的重要部分之一,在各个领域都有广泛应用,如街道监控、门禁等。考虑到非限制场景下光照变化、姿态表情、人脸偏转、遮挡等情况,如何从一张图像中精准地检测出人脸成为当今研究的一大热点。本论文的研究方向是非限制场景下的人脸检测算法,主要从传统Ada Boost算法和卷积神经网络两个方面进行研究,以下是本文的主要研究内容:在一些比较复杂的场景下,比如人脸姿态表情较多、光线干扰、背景复杂等,只通过Ada Boost算法进行人脸检测可能存在漏检。肤色信息的聚类性较好,通过肤色分割可以排除大量十分复杂的背景,所以提出了一种将肤色分割与Ada Boost算法结合的人脸检测算法。首先,提出了一种全新的融合HSV-YCb Cr色彩空间,在此色彩空间上做肤色检测,采用形态学处理生成最后属于肤色的候选区域,筛掉大量不属于人脸的区域。接着,在原有Haar-like特征的基础上做扩充,再利用Ada Boost算法在上一步得到的肤色候选区域中检测人脸区域。实验表明,把肤色分割与Ada Boost算法联合起来进行检测人脸,可以从一定程度上降低人脸检测在复杂场景下受到的影响,与其他方法相比提高了人脸检测的性能。另外,针对传统方法在非限制的场景下对人脸检测存在一定的局限性,如人脸偏转角度过大,背景十分复杂等等,检测效果往往不太理想,而深度学习中这些局限性较少,单级神经网络需要深层复杂的结构来保证系统的性能,而级联结构往往比较简单并且保证效率,所以设计了一个全新的两阶段卷积神经网络对人脸进行检测。对图像做预处理后,将图像转为图像金字塔形式之后输入到神经网络中,网络的第一阶段旨在搜索人脸窗口及其边界框的回归向量。第二阶段采用Soft-NMS合并了被高度覆盖的人脸候选区域。在AFW和FDDB数据集上与其他算法进行对比证实了算法的有效性。
李天昊[2]（2020）在《基于OpenCV的实时人脸识别系统的设计与实现》文中研究指明随着物联网技术和人工智能的发展,以嵌入式系统为平台的人脸识别系统得到了广泛应用。尽管人脸识别系统在可控条件下可以得到很高的识别结果,然而,在街道、商场等复杂场景,采集的人脸图片容易受到姿态、表情、遮挡和光照等原因的影响,可以提取的特征很少甚至难以提取特征,为人脸识别带来了一定的阻力。本文利用全局特征与局部特征融合的方法研究了复杂环境下人脸识别系统的设计和实现,实现在非限制条件下快速准确识别人脸身份的目的。人脸识别主要包括人脸定位检测、特征提取和特征比对三个关键环节。本文针对复杂环境下人脸定位检测,选择了MTCNN人脸检测算法,不仅能快速的定位人脸,而且能在遮挡和光照条件下检测到人脸;针对特征提取,为了解决光照和遮挡环境无法准确提取整体特征这一关键问题,采用以全局特征为主、局部特征为辅的综合分析方法,本文优化的基于Squeeze Net网络提取全局特征级联融合基于图像分块提取的LBP与梯度局部特征方法,可以提高人脸特征提取的准确度。针对特征比对,采用欧式距离计算视频中人脸与人脸库中特征的相似度,通过设定阈值,判断识别结果。本文以X210目标机为硬件系统,搭建了一个稳定的人脸识别嵌入式系统平台,从不同的现实环境对特征相似度进行了测试。实验结果表明:全局特征级联融合LBP特征在光照环境下识别率最高,全局特征级联融合梯度特征在遮挡环境下识别率最高,相比于为不融合局部特征的方法分别高7%和25%,且在亮暗环境相比于以PCA算法为代表的嵌入式人脸识别算法高12%和8%。本文设计的人脸识别系统可以在不同光照环境和轻微遮挡环境识别人脸身份,有效的改善了复杂背景情况下人脸识别技术,系统运行稳定,满足设计需求。
刘云梦[3]（2020）在《基于PCA+SVM的视频人脸识别技术》文中指出随着时代以及科学的发展,现代社会视频监控技术发展迅速,无论是居民日常生活还是社会治安,或者是公安系统刑事案件的侦破都离不开视频监控。而通过视频监控中进行案件侦破的核心是人脸识别,所以它也理所应当的也越来越受人们的重视。在不断更新的识别技术中,相比于眼球的虹膜识别以及指纹识别等技术来说,人脸识别更容易获取样本,并且直观性也要好得多,民众也更容易接受。但是人脸识别仍然准确度低,耗时时间久的缺点。由于各种因素的影响,监控视频中的人像与静态的人像识别差别很大,很大程度上的视频监控中的人脸特征不能代表原始信息。但是用户的安全系数又受识别的准确程度的直接影响,所以人脸识别面临着很大的挑战,对采集信息的场所有一定的要求,人面部的改变,人表情的多变等,都需要进行更深入的探索。本文主要分析了基于视频监控的人脸识别算法,首先检测视频序列中的人脸,采用是基于肤色的图像似然度的检测方法,然后基于MEANSHIFT算法提出更有效的跟踪算法,最后研究基于主成分分析改进的分块PCA算法+SVM算法,提出更有效的人脸识别方式。主要内容有:1.对视频中的人脸图像进行检测采集并且对其进行预处理。对人脸进行检测是人脸识别最先要做的也是整个研究过程的基石。使用YCbCr的模型来进行分析,采用肤色特征的图像似然度的检测方法。有些视频背景是接近肤色的,不太容易识别,进一步对图像进行二值化操作,并且采用人脸长宽比来提高这种情况下识别的鲁棒性。2.人脸图像的跟踪。提出分块MeanShift,可以基于目标特征的变化进行自适应更新。并且由于类肤色区域的干扰,所以提出LBP纹理特征结合颜色直方图来改进MeanShift算法。3.人脸图像的识别。传统人脸识别的方式是在基于PCA的基础上,通过距离函数来实现的,相对来说,准确率低。因此,在这个基础上提出了基于分块PCA算法,并且加上了 SVM分类器,即支持向量机。相比于传统方式来说,准确率得到了较大的提升,由原来的70%左右提升到90%左右,也就是说改进后的方法要更加方便使用。
王莹莹[4]（2020）在《基于卷积神经网络的人脸表情识别问题的研究》文中研究指明计算机技术的快速发展促进了人工智能和模式识别技术的发展,使其逐渐被生活化,因此,人们对机器的智能化需求也越来越高。人们不仅期望机器人可以帮助人类完成体力上的工作,还期望机器人可以判断人的心理活动和真实意图,实现人与计算机有感情交流为目标的人机交互过程,从而更好地服务于人类。人们在情感传达时,面部是人们交流的核心部位,在面部区域中包含了人类大部分的感觉器官（眼睛、耳朵、鼻子和嘴巴等）。通过面部传达的信息,可以通过最直接、最自然的方式明白他人的意图,感受他人的情绪。同时可以通过辨识出对方的面部表情,判断其心理活动和真实的意图。因此,如何让机器人快速准确地识别人的面部表情,从而获取人类的真实意图,已经成为智能人机交互技术研究任务中的一大重点。人脸表情识别是一种智能的人机交互技术,在情感计算中占据着重要的地位,在国内外受到了许多学者的密切关注与研究。目前,图像分类器的性能有很大程度取决于提取的特征是否有效。卷积神经网络模型在当前计算机视觉和人工智能领域具有显着的优势,实现了图像特征信息的深层提取以及特征提取和分类的同步进行。通过卷积神经网络模型对人脸表情识别进行研究,不仅具有重要的理论意义,同时还具有很大的实际价值。本论文以人脸表情识别技术的需求为牵引,致力于提高采用卷积神经网络模型对人脸表情识别的准确性并兼顾计算效率,首先基于获取的实验数据集,提出一种减少误判率的人脸检测方法;进而提出了一种获取优质图像的数据样本扩充方法,用于卷积神经网络模型的训练,基于表情图像自身的特点设计了相应的卷积神经网络分类器,提升人脸表情的识别率。论文的主要内容及创新点如下:1、提出一种实现复杂背景下获取表情区域的人脸检测方法。由于人脸表情图像大部分都存在复杂的背景信息,影响了表情特征信息的有效提取,不利于最终的表情识别,提出了一种有效的人脸检测算法,将有用的图像信息提取出来。该算法由两种检测方法联合构成。首先采用传统的肤色模型对脸部表情进行初次检测,然后基于人眼定位的方法辅助调节初次误检的人脸图像,减少误检率,有效地减少了表情识别任务中的很多干扰因素。同时,为了加快人眼定位的快速性,采用图像区域分割的方法较少人眼搜索的时间,加快系统的运行速度。2、构造出一种减少表情崩塌图像的生成式对抗网络模型。由于卷积神经网络模型的训练离不开大规模数据集样本的支持,而现有的大部分人脸表情数据集的规模普遍不大,提出了用于数据增强的生成式对抗网络模型。该模型由基于神经网络架构的生成器和判别器组成。对模型的架构和目标函数进行了优化设计。此模型的优点是可以通过增大重构误差减少表情崩塌图像的生成,提升图像的生成质量,为后续模型的训练做好准备工作。3、针对较为夸张明显的表情图像数据集,提出一种基于关键区域辅助模型的卷积神经网络分类器。由于现有的大部分方法只采用人脸的全部图像作为模型的输入信息,往往抓不住有利于分类的重点特征信息,提出了辅助模型的方法。首先使用原始脸部图像获取第一层的特征信息,然后将关键区域的特征信息提取出来与第一层的特征信息进行融合,得到有利于表情分类的深层特征,进一步提升表情识别的准确率。此外,为了减少模型在训练过程中震荡的缺点,提出了新的分段激活函数。同时针对卷积神经网络在模型训练过程中比较耗时的问题,提出一种采用CNN与随机森林连接的方式对表情进行分类识别,为了提升随机森林分类器的效率,对信息增益率的公式进行了简化,并对随机森林分类器的决策算法进行了优化,实现了表情的快速准确识别。4、针对表情容易混淆的样本数据集,提出一种基于级联卷积神经网络识别模型,实现了部分易混淆表情的准确识别,此外,在获取的低维特征信息的融合环节,采用贪心算法将多种特征信息进行融合,降低了维数灾难的影响。同时针对表情混淆程度较大且很难人为区分的表情数据集,提出一种基于聚类和卷积神经网络模型结合的识别模型,在聚类的过程中,为了尽最大可能拉大聚类中心的距离,提出了基于固定初始值的角力算法,提升了表情的整体识别率和每个类别下表情的识别率。5、针对自定义卷积神经网络模型在构建过程中参数的调整耗时问题和传统迁移算法中存在的内容差异问题,提出将卷积受限玻尔兹曼机和卷积神经网络模型进行融合的方法,得到了一种新的混合迁移算法。因为采用数据增强方法虽然有利于卷积神经网络模型的训练,但是对于一些规模较大的数据集,数据增强处理过程也较为复杂,模型的训练时间较长,因此本章提出的迁移方法可以更好地应用到较大规模的数据集中。该算法利用卷积神经网络模型实现模型对源域的初次特征提取,继而采用目标域在初次学习特征的基础上继续学习更多有利的特征信息,然后采用卷积受限玻尔兹曼机对目标域学到的特征进行深层挖掘,减小迁移过程中数据集的内容差异带来的影响,提升目标域图像样本集的识别准确率。此外,为了使卷积受限玻尔兹曼机在可见层的卷积操作中获取更加全面的边缘特征信息,对其进行补零操作的方式。
张伟[5]（2020）在《基于FPGA的人脸检测系统研究与设计》文中指出本文将FPGA技术与视频图像技术相结合,设计了基于FPGA的实时图像采集和人脸检测系统。视频图像采集技术是进行图像分析的前提,主要涉及到视频清晰度和流畅度的问题,以及系统集成度,考虑系统成本与体积。人脸检测技术是自动人脸识别系统中的一个关键环节,为人脸生物识别技术、目标追踪技术等打下坚实的基础,也可以应用在特定安防环境中,例如门禁和交通等,对于出现的人群进行人脸检测并标记区域信息,本文的主要工作如下:1.研究基于FPGA的实时视频图像采集系统,选用Cyclone IV E系列芯片作为主控平台,结合DDR2存储器、VGA控制芯片和外部晶振搭建高效便捷的实时图像采集系统。设计各模块驱动电路和驱动程序,获取高清晰度、高帧数的实时视频图像。2.研究图像预处理技术在FPGA技术上的实现,包括色彩空间转换和图像滤波等。其中涉及彩色图像灰度化,结合常见滤波技术提出本文视频滤波技术,使得图像更佳平滑和真实,且轮廓信息明显。对采集的实时视频图像数据进行预处理工作,不仅使显示视觉更加真实,同时也为进一步的开发提供良好的像素基础。3.研究并提出新型人脸检测技术以及在FPGA技术上的实现,主要从背景干扰和人脸判定几个方面进行研究。其中主要涉及色彩空间转换,使得亮度和色彩分离,利用色彩分量进行肤色识别并进行二值化处理,背景差分算法、二值化图像与运算,膨胀和腐蚀进行闭运算,减小背景干扰。利用特定条件进行人脸限定判断,提升检测率,最后遍历视频图像确定人脸区域并进行框选。这是人脸识别和目标追踪技术的关键技术所在。4.进行系统调试和实验分析,结合实验效果可以看出,视频采集系统帧率为30帧,分辨率为1280*720,并能够很好的检测运动中的人脸并进行框选,完全符合本系统设计要求,具有广泛的应用前景和发展空间。最后进行系统设计总结和技术改进可能性展望。
何伟[6]（2020）在《基于表观特征的危险驾驶行为检测方法研究》文中研究指明随着社会经济的发展,目前道路交通安全已成为重大安全问题之一,驾驶员的危险驾驶行为是引发安全事故的重要原因,威胁到人民群众的生命财产安全。为解决上述问题,利用图像处理技术对驾驶员危险驾驶行为进行识别已成为最具潜力的技术手段。为了研究驾驶员危险驾驶行为,本文从提高检测算法的准确性和实时性出发,重点从人脸检测和人脸特征点定位两个方面展开研究,结合危险驾驶行为检测任务的特点对算法进行改进,提出了多特征的危险驾驶行为检测方法。主要研究内容如下:（1）针对传统基于肤色和Adaboost的人脸检测算法实时性差的问题,增加缓存机制来存储人脸大小和位置,缩小人脸检测范围来提高检测速度。针对人脸检测算法在有遮挡或偏转较大情况下检测失败的问题,将粒子滤波算法与人脸检测算法进行结合,在人脸检测算法检测人脸失败时进行人脸定位,提高人脸定位的准确率。（2）对基于表观模型（Active Appearance Model,AAM）的人脸特征点定位算法进行优化,采用方向梯度直方图（Histogram of Oriented Gradients,HOG）结合支持向量机（Support Vector Machine,SVM）对驾驶员头部姿态做初始分类,使不同的人脸姿态匹配不同的人脸初始化模型,减少特征点提取过程的拟合次数。利用人脸特征点完成头部姿态的计算,通过对不同驾驶状态下的头部姿态进行分析,建立了分心驾驶行为评估模型。（3）提出了基于人脸掩模的手部定位方法,对驾驶员手部进行定位,将手部位置作为打电话行为判断的一个因子。采集了驾驶员打电话行车姿势数据集,针对单一HOG特征在描述目标方面的缺陷,将降维后的HOG特征和局部二值模式（Local Binary Pattern,LBP）特征进行融合,对驾驶员行车姿势进行分类。针对基于视觉特征的驾驶员打电话行为检测方法鲁棒性较差的问题,提出一种基于多特征的驾驶员打电话行为检测方法,利用行车姿势、嘴部动作和手部位置对打电话行为进行综合判断,以此减少生理动作的干扰。最后基于MFC和Open CV开源库设计并搭建面向视频的驾驶员危险驾驶行为检测系统。通过实验整合各模块并全面评估系统性能,实验结果表明,本系统不仅能够有效的检测驾驶员危险驾驶行为,而且具有良好的实时性。
周品[7]（2020）在《基于机器学习的人脸识别算法研究与考勤系统设计》文中研究表明近年来,随着我国经济的快速发展,许多的中小企业涌现出来,随着企业单位人数的增长,考勤已经成为公司人事管理的一个重要组成部分,目前市面上采用都是基于生物特征的考勤系统,其中,基于人脸识别的考勤系统因其采集速度快、可靠性高以及耗费成本低的优特点被广泛使用。人脸检测作为人脸识别中的第一步同时也是最关键的一步,本文针对Ada Boost算法需要遍历整张图片造成了检测效率低的问题,提出了一种基于肤色分割的Ada Boost人脸检测算法。该方法先利用了人脸肤色的聚类性能对图片进行检测分割,然后使用Ada Boost对分割区域进行检测,避免了传统的Ada Boost需要遍历整张图片造成了检测效率低的问题。经实验表明,该算法完全可以在不影响检测准确率的情况下提高检测速度。对于人脸识别,将深度学习中的卷积神经网络应用到人脸识别中来,采取facenet深度网络中的googlenet网络架构,对该网络架构进行微调,设计并选取合适的优化损失函数triplt loss。最后以tensorflow为深度学习框架成功实现了人脸识别,对设计的卷积网络重新进行训练生成网络模型,将每一张人脸转换为128维的特征向量,利用该网络模型来对人脸图片进行分类。最后搭建了一套人脸识别为基础的人脸考勤打卡系统。本系统以VS2015作为开发平台,利用opencv3.4作为人脸信息识别模块的基本函数库,实现了管理员登录、用户注册、用户管理、考勤模块以及报告预警等功能模块。
李芸[8]（2020）在《基于特定样本的人脸检测识别算法研究》文中研究指明人脸识别是一种方便友好、不易伪造、隐蔽性好的生物特征识别技术,不仅具有广阔的应用前景和丰厚的市场经济效益,而且具有极高的学术研究意义。但由于人脸图像的分类、识别易受外界环境因素的影响,识别效果仍有待提高。针对家庭智能安防系统或公司门禁系统等使用背景,本文主要研究基于特定样本的人脸检测、特征提取与人脸识别算法,有效地提高了检测率和降低了误检率,缩短了检测时间,增强了算法的鲁棒性。主要的研究内容如下:1)提出了一种自适应相关加权LDA/QR算法,巧妙的解决了多分类情况下,投影空间出现类与类重叠从而影响分类效果的问题。引入自适应的权重参数改进类间散度、类内散度和判别准则的定义,避免出现散布矩阵奇异的情况,直接快速有效地实现类间距均匀分布;通过迭代优化方法来更新概率参数和转换矩阵,并利用QR分解矩阵分析快速求解转换矩阵,提高了识别率,缩短了算法的执行时间。2)提出一种改进多分类情况下的一对一投票SVM分类方法。当投票数获得多个最大值时,通过计算测试样本与多个最大投票数的距离,判定最终分类结果,实现了具有较强鲁棒性的人脸识别算法,算法的识别率也得到了提高。基于特定样本数不足的情况,进行核空间分析,研究有限样本的经验质心的置信度。理论上分析SVM核矩阵的经验质心与基于样本数无穷大得到的真实质心在概率论上一致的可能性。3)提出了将多类别人脸样本进行混叠的人脸识别。实验证明,与基于单一类别样本的识别率相比,多类别混叠后,改进的基于RBF核函数的支持向量机的性能略有退化,但是仍保持了较高的识别正确率。
聂继生[9]（2020）在《基于视频监控的目标人员跟踪系统研究与实现》文中研究表明随着人类文明的发展,视频监控作为社会公共安全防护中的重要一环,越来越被研究者们重视,尤其是近年来人工智能技术的不断突破,当今社会对于智能视频监控也提出了更高的要求。人脸分析技术在计算机视觉与模式识别领域的研究与应用已经非常成功,例如目前已经普遍使用的人脸打卡系统,手机人脸解锁以及智能门禁系统等。然而,人脸分析技术在视频监控中的应用依然还不够成熟,鉴于其对于公安部门的刑侦、社会公共秩序的维护具有重大意义,再结合自身工作,本文对人脸分析技术及其在视频监控中的应用展开研究,主要工作如下:基于AdaBoost的人脸检测算法,本文研究和设计了一种融合肤色分割技术的改进AdaBoost人脸检测算法,该算法提高了人脸检测的精确度和速度。AdaBoost算法在训练分类器时可能会出现噪声样本权重过大导致样本权重分布扭曲,从而使得集成的强分类器的整体性能降低的退化现象,针对这个问题本文对AdaBoost算法的权重更新方式进行了改进。同时针对训练好的AdaBoost分类器检测速度较慢的问题,本文提出将肤色分割技术与改进的AdaBoost算法相结合,利用肤色分割技术进行人脸区域预选,然后再利用改进的AdaBoost分类器进行人脸检测。基于CamShift人脸跟踪算法,本文研究和设计了一种改进的CamShift人脸跟踪算法,该算法提高了人脸跟踪的精确度。CamShift人脸跟踪算法在跟踪时容易受背景颜色影响发生跟踪漂移,而且当目标被严重遮挡时,CamShift算法也无法对其进行处理最终导致跟踪失败。针对以上问题,本文引入跟踪漂移系数对CamShift算法跟踪时的搜索窗口进行评估,当出现上述问题时,结合肤色分割技术和LBP特征直方图对人脸进行重定位,实现了对人脸持续稳定的跟踪。最后,基于改进的人脸检测和人脸跟踪算法,再结合人脸识别技术,将其应用到实际的视频监控中,设计和实现了一个基于视频监控的目标人员跟踪系统,该系统具备人脸检测、人脸识别以及人脸跟踪功能,能够对视频监控中出现的人脸进行检测识别,并能够对识别出的目标人脸进行持续稳定的跟踪。
司倍敏[10]（2020）在《大场景中的人脸检测研究》文中研究说明现今许多领域都将人脸识别作为身份验证、人员查找以及人流量统计等的重要手段,在车站、机场、售票窗口和繁华街道等诸多场景中都会安装摄像头来监控和识别人脸。而实现智能化辨认出人脸需要先从人脸众多的视频图像中检测出人脸,才能进一步进行人脸识别,因而进行人脸识别的前提是要先进行人脸检测。目前的人脸检测方法有很多,大致可以分为传统的人脸检测方法和基于深度学习的人脸检测算法,由于在大场景中人员数量众多且位置不一,人脸姿态和表情不受控制,同时存在光线等环境条件的差异,因此选择一种准确高效的人脸检测算法面临着挑战。本文主要对人脸检测的相关技术进行研究并将教室学生的上课场景作为实验场景,首先介绍了基于肤色和Adaboost的人脸检测方法,其次对基于深度学习的MTCNN（Multi-task Cascaded Convolutional Networks,多任务级联卷积神经网络）算法、YOLO算法以及Faster RCNN算法进行了分析研究,通过对不同算法的比较,最终将效果相对较好的MTCNN算法、YOLO算法以及Adaboost算法应用于教室学生的人脸检测,并且针对Adaboost算法、YOLO算法以及效果显着的MTCNN算法分别进行了改进。对于Adaboost算法,本文使用了一种新的权重更新策略,对要提取的特征数量进行了缩减,同时对要检测的图像首先进行肤色区域预提取,经过改进的算法有效缩短了检测时间,提升了准确率;对于YOLO算法,主要针对YOLOv2进行了改进,调整网络结构增加中低层与高层特征图的融合,采用新的损失函数,提高了对小尺寸人脸的检测率;针对MTCNN算法,本文采用新的激活函数和非极大值抑制方法,增加卷积层和全局平均池化层,改善了对被遮挡人脸的检测效果,同时加速了训练。上述改进有效提升了各个算法的性能。在训练样本上,本文把真实的教室学生图片放入训练样本集加以训练,将改进前后的Adaboost方法、YOLO算法以及MTCNN算法分别进行教室场景及毕业合照场景学生的人脸检测实验并对实验结果进行对比分析,最后还提出了学生人脸定时检测策略。实验的测试结果表明,基于MTCNN的人脸检测方法在检测正确率上取得最佳效果,能很好的应用于高校课堂的人脸检测,为其他大场景中人脸检测方案的选用提供了重要的参考价值。
二、复杂背景下基于肤色的人脸检测（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、复杂背景下基于肤色的人脸检测（论文提纲范文）
（1）非限制场景下的人脸检测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 Viola-Jones人脸检测方法 |
| 1.2.2 深度学习的发展 |
| 1.3 本论文主要研究内容 |
| 1.4 本论文的组织结构 |
| 第二章 人脸检测技术 |
| 2.1 Adaboost算法 |
| 2.2 卷积神经网络 |
| 2.2.1 神经元 |
| 2.2.2 神经网络 |
| 2.2.3 Dropout方法 |
| 2.3 人脸数据库及人脸检测算法的评估指标 |
| 2.3.1 常用人脸数据库 |
| 2.3.2 人脸检测评估指标 |
| 第三章 基于肤色区分的Adaboost算法的人脸检测算法 |
| 3.1 引言 |
| 3.2 Adaboost算法 |
| 3.2.1 Haar-like特征 |
| 3.2.2 Haar-like积分图 |
| 3.3 色彩空间 |
| 3.3.1 RGB色彩空间 |
| 3.3.2 YCbCr色彩空间 |
| 3.3.3 HSV色彩空间 |
| 3.4 算法设计 |
| 3.4.1 肤色分割 |
| 3.4.2 Ada Boost人脸检测 |
| 3.5 实验及结果分析 |
| 3.5.1 肤色分割实验与分析 |
| 3.5.2 人脸检测实验与分析 |
| 3.6 本章小结 |
| 第四章 基于两阶段级联卷积神经网络的人脸检测算法 |
| 4.1 引言 |
| 4.2 卷积神经网络 |
| 4.2.1 卷积神经网络 |
| 4.2.2 基于卷积神经网络的检测相关算法 |
| 4.3 基于两阶段级联卷积神经网络的人脸检测算法设计 |
| 4.3.1 图像预处理 |
| 4.3.2 图像金字塔 |
| 4.3.3 网络结构 |
| 4.3.4 训练过程 |
| 4.3.5 非极大值抑制算法 |
| 4.4 实验及结果分析 |
| 4.4.1 实验数据 |
| 4.4.2 偏转角度 |
| 4.4.3 检测准确性 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 致谢 |
（2）基于OpenCV的实时人脸识别系统的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 人脸识别技术研究现状及发展趋势 |
| 1.2.1 经典人脸识别算法的演进 |
| 1.2.2 深度学习人脸识别算法研究现状 |
| 1.2.3 人脸识别技术发展趋势 |
| 1.3 主要研究内容 |
| 1.4 论文结构安排 |
| 第二章 基于卷积神经网络人脸识别理论基础 |
| 2.1 神经网络理论基础 |
| 2.1.1 前馈神经网络 |
| 2.1.2 误差反向传播算法 |
| 2.2 卷积神经网络基本结构和作用 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 全连接层 |
| 2.2.4 Softmax分类层 |
| 2.3 深度学习框架 |
| 2.3.1 Tensor Flow框架 |
| 2.3.2 Theano框架 |
| 2.3.3 Caffe框架 |
| 2.4 本章小结 |
| 第三章 复杂环境下基于特征融合的人脸识别算法研究 |
| 3.1 复杂环境下人脸检测算法比对分析及选择 |
| 3.1.1 经典人脸检测算法演进 |
| 3.1.2 常用的人脸检测算法 |
| 3.1.3 复杂环境下人脸检测算法的选择 |
| 3.2 复杂环境人脸特征提取算法优化 |
| 3.2.1 基于Squeeze Net网络的全局特征提取 |
| 3.2.2 基于图像分块方法的人脸局部特征提取 |
| 3.2.3 基于Squeeze Net全局与局部特征融合算法优化 |
| 3.3 基于PCA算法的人脸识别 |
| 3.3.1 基于PCA算法的样本训练过程 |
| 3.3.2 基于PCA算法的测试集识别过程 |
| 3.4 本章小结 |
| 第四章 基于X210复杂环境下人脸识别嵌入式系统设计 |
| 4.1 基于X210嵌入式人脸识别硬件系统设计 |
| 4.1.1 X210硬件组成原理 |
| 4.1.2 人脸识别嵌入式最小硬件系统设计 |
| 4.2 基于X210嵌入式人脸识别软件系统设计 |
| 4.2.1 开发环境搭建 |
| 4.2.2 基于X210 嵌入式Linux系统搭建 |
| 4.2.3 驱动文件移植 |
| 4.2.4 第三方库移植 |
| 4.3 复杂环境人脸识别算法应用程序设计 |
| 4.3.1 基于MTCNN算法的人脸检测应用程序设计 |
| 4.3.2 全局与局部特征融合相似度对比程序设计 |
| 4.3.3 人脸识别系统其他功能应用程序设计 |
| 4.3.4 人脸识别系统应用程序整体流程设计 |
| 4.4 本章小结 |
| 第五章 基于X210人脸识别嵌入式系统的测试 |
| 5.1 人脸识别数据库采集与存储 |
| 5.1.1 ORL人脸库 |
| 5.1.2 LFW数据库 |
| 5.1.3 本地人脸库 |
| 5.2 人脸检测算法测试 |
| 5.3 基于全局与局部特征融合的人脸识别算法测试 |
| 5.3.1 不同数据集人脸识别率比对 |
| 5.3.2 人脸局部特征鲁棒性测试 |
| 5.3.3 多种特征融合方式算法对比 |
| 5.4 系统整体测试 |
| 5.4.1 人脸识别功能测试 |
| 5.4.2 人脸识别辅助功能测试 |
| 5.4.3 系统稳定性和实时性测试 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
（3）基于PCA+SVM的视频人脸识别技术（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3主要研究内容 |
| 1.4 本文的结构安排 |
| 2 人脸检测算法 |
| 2.1 人脸检测算法 |
| 2.2 人脸检测算法分类 |
| 2.3 基于肤色的人脸检测 |
| 2.4 本章小结 |
| 3 人脸跟踪算法 |
| 3.1 常见的人脸跟踪算法 |
| 3.2 基于MeanShit的人脸跟踪算法 |
| 3.3 改进MeanShift人脸跟踪算法 |
| 3.4 本章小结 |
| 4 人脸识别算法 |
| 4.1 人脸特征提取 |
| 4.2 基于PCA的人脸识别 |
| 4.3 基于分块PCA+SVM的人脸识别 |
| 4.4 基于改进的分块PCA+SVM的人脸识别 |
| 4.5 本章小结 |
| 5 实验结果与分析 |
| 5.1 系统简述 |
| 5.2 算法流程 |
| 5.3 实验结果 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（4）基于卷积神经网络的人脸表情识别问题的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词注释表 |
| 第一章 绪论 |
| 1.1 论文选题背景及意义 |
| 1.2 人脸检测的研究现状 |
| 1.2.1 基于显式特征的方法 |
| 1.2.2 基于隐式特征的方法 |
| 1.3 数据增强的研究现状 |
| 1.4 卷积神经网络模型的研究现状 |
| 1.5 人脸表情识别的研究现状 |
| 1.6 论文主要研究内容及创新点 |
| 1.7 论文章节安排 |
| 第二章 基于人眼定位和肤色模型的快速人脸检测方法 |
| 2.1 引言 |
| 2.2 光照补偿 |
| 2.3 基于YCbCr色彩空间的肤色模型 |
| 2.3.1 色彩空间 |
| 2.3.2 肤色模型 |
| 2.4 形态学处理 |
| 2.4.1 腐蚀 |
| 2.4.2 膨胀 |
| 2.5 人眼定位的模板匹配算法 |
| 2.5.1 一般的人眼定位模板匹配算法 |
| 2.5.2 提高模板匹配的处理速度 |
| 2.6 实验分析 |
| 2.6.1 实验数据集和实验效果 |
| 2.6.2 实验结果分析 |
| 2.7 本章小结 |
| 第三章 基于滑动模块的人脸表情图像生成模型 |
| 3.1 引言 |
| 3.2 生成式对抗网络的任务 |
| 3.3 人脸表情图像生成模型结构 |
| 3.4 人脸表情图像生成模型稳定训练的策略 |
| 3.5 AR-droupout的提出 |
| 3.6 人脸表情图像生成模型目标函数的设计 |
| 3.7 仿真与实验 |
| 3.7.1 原始数据集 |
| 3.7.2 图像生成 |
| 3.8 本章小结 |
| 第四章 基于关键区域辅助卷积神经网络模型的人脸表情识别 |
| 4.1 引言 |
| 4.2 卷积神经网络模型 |
| 4.2.1 卷积神经网络的基本原理 |
| 4.2.2 卷积神经网络的结构 |
| 4.2.3 卷积神经网络的学习方法 |
| 4.3 基于关键区域辅助的卷积神经网络模型 |
| 4.3.1 表情子区域卷积模型的建立 |
| 4.3.2 分段激活函数的设计 |
| 4.3.3 辅助加权特征提取模型的建立 |
| 4.3.4 基于辅助任务的深度卷积神经网络模型的训练 |
| 4.4 基于卷积特征和随机森林分类器结合的识别模型 |
| 4.4.1 决策树的介绍 |
| 4.4.2 随机森林分类器 |
| 4.4.3 基于随机森林的表情分类器 |
| 4.4.4 CNN-随机森林人脸表情识别算法设计 |
| 4.5 实验分析 |
| 4.5.1 基于辅助模型的实验结果分析和对比 |
| 4.5.2 基于卷积特征和随机森林的实验结果分析和对比 |
| 4.6 本章小结 |
| 第五章 基于级联卷积神经网络模型的人脸表情识别 |
| 5.1 引言 |
| 5.2 级联卷积神经网络模型 |
| 5.2.1 易混淆表情的分类 |
| 5.2.2 级联卷积神经网络模型的构建 |
| 5.2.3 低维特征信息的提取 |
| 5.2.4 高维混合特征信息的提取 |
| 5.2.5 级联卷积神经网络模型的训练和识别 |
| 5.3 基于聚类和卷积神经网络模型融合的表情识别 |
| 5.3.1 聚类算法 |
| 5.3.2 基于初始值固定的聚类算法 |
| 5.3.3 基于聚类和卷积融合的模型架构 |
| 5.4 仿真实验和数据分析 |
| 5.4.1 基于级联卷积神经网络模型的表情识别结果验证和分析 |
| 5.4.2 基于聚类卷积神经网络模型的表情识别结果验证和分析 |
| 5.5 本章小结 |
| 第六章 基于卷积受限玻尔兹曼机的混合迁移卷积神经网络模型的人脸表情识别 |
| 6.1 引言 |
| 6.2 新迁移学习算法的提出 |
| 6.2.1 迁移学习的四种情况 |
| 6.2.2 基于多次微调的迁移学习新方法 |
| 6.3 基于混合迁移的卷积神经网络模型 |
| 6.3.1 受限玻尔兹曼机模型 |
| 6.3.2 卷积受限玻尔兹曼机模型 |
| 6.3.3 CNN模型的预训练 |
| 6.3.4 混合迁移模型的构建 |
| 6.3.5 混合迁移模型的训练 |
| 6.4 实验验证 |
| 6.4.1 数据集描述 |
| 6.4.2 实验比较 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文 |
| 攻读博士学位期间参加的科研项目 |
| 学位论文评阅及答辩情况表 |
（5）基于FPGA的人脸检测系统研究与设计（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 相关技术发展与国内外研究现状 |
| 1.3 主要内容及章节安排 |
| 1.3.1 本文主要研究内容 |
| 1.3.2 本文的章节安排 |
| 第2章 系统运用的视觉算法技术研究 |
| 2.1 视频流预处理 |
| 2.1.1 常见色彩空间 |
| 2.1.2 RGB图像转灰度图算法选择 |
| 2.1.3 视频滤波 |
| 2.2 人脸检测算法研究 |
| 2.2.1 人脸检测算法分析与选择 |
| 2.2.2 改进的人脸检测算法 |
| 2.2.3 人脸检测算法色彩空间选择 |
| 2.2.4 RGB图像转YCbCr图像 |
| 2.2.5 肤色识别 |
| 2.2.6 背景差分算法 |
| 2.2.7 二值化图像与运算 |
| 2.2.8 腐蚀 |
| 2.2.9 膨胀 |
| 2.2.10 人脸判定 |
| 2.2.11 人脸框选 |
| 2.3 本章小结 |
| 第3章 系统研究及器件选型 |
| 3.1 系统总体设计 |
| 3.2 硬件结构设计 |
| 3.3 软件算法流程设计 |
| 3.4 器件选型介绍 |
| 3.4.1 FPGA芯片介绍 |
| 3.4.2 摄像头模组介绍 |
| 3.4.3 存储器芯片介绍 |
| 3.4.4 VGA控制模块 |
| 3.5 本章小结 |
| 第4章 硬件电路与驱动设计 |
| 4.1 FPGA电源管理与接口技术 |
| 4.2 摄像头模组电路与驱动设计 |
| 4.3 存储器驱动设计 |
| 4.4 VGA控制电路设计与驱动设计 |
| 4.5 本章小结 |
| 第5章 视觉算法的FPGA实现 |
| 5.1 视频流预处理的Verilog实现 |
| 5.1.1 RGB图像转Gray图像 |
| 5.1.2 中值滤波 |
| 5.1.3 高斯滤波 |
| 5.1.4 视频滤波的设计 |
| 5.2 人脸检测算法Verilog实现 |
| 5.2.1 RGB图像转YCbCr图像 |
| 5.2.2 肤色识别 |
| 5.2.3 背景差分算法 |
| 5.2.4 二值化图像与运算 |
| 5.2.5 腐蚀 |
| 5.2.6 膨胀 |
| 5.2.7 人脸判定与框选 |
| 5.3 本章小结 |
| 第6章 实验与分析 |
| 6.1 系统实验成果展示 |
| 6.2 性能分析 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的项目与成果 |
| 致谢 |
（6）基于表观特征的危险驾驶行为检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 驾驶员危险驾驶行为检测的重难点及研究目标 |
| 1.4 论文的主要工作及章节安排 |
| 第2章 危险驾驶行为检测相关技术及论文总体方案 |
| 2.1 图像预处理 |
| 2.1.1 彩色图像灰度化 |
| 2.1.2 图像滤波 |
| 2.1.3 图像增强 |
| 2.2 颜色空间的选择与相互转换 |
| 2.2.1 颜色空间的选择 |
| 2.2.2 颜色空间的相互转换 |
| 2.3 相机标定 |
| 2.3.1 相机标定方法分析与选取 |
| 2.3.2 相机内外参数的计算 |
| 2.4 论文总体设计方案 |
| 2.5 本章小结 |
| 第3章 驾驶员分心驾驶行为检测 |
| 3.1 肤色分割技术研究 |
| 3.1.1 肤色模型的建立 |
| 3.1.2 肤色分割实现 |
| 3.2 人脸定位算法研究与改进 |
| 3.2.1 基于Adaboost的人脸检测分析 |
| 3.2.2 人脸检测算法改进 |
| 3.2.3 结合粒子滤波的人脸定位算法的提出 |
| 3.2.4 算法实现与结果分析 |
| 3.3 基于AAM的人脸特征点提取算法研究及改进 |
| 3.3.1 AAM的人脸特征点研究 |
| 3.3.2 初始化模型优化 |
| 3.3.3 基于AAM的特征点提取实验与分析 |
| 3.4 基于PnP的头部姿态解算方法研究 |
| 3.4.1 坐标系分析 |
| 3.4.2 透视投影成像研究 |
| 3.4.3 头部姿态解算算法实现 |
| 3.5 基于头部姿态的分心驾驶行为决策设计 |
| 3.6 本章小结 |
| 第4章 驾驶员使用手机行为检测 |
| 4.1 驾驶员打电话检测算法设计思路 |
| 4.2 检测区域定位 |
| 4.2.1 驾驶员手部定位算法提出 |
| 4.2.2 行车姿势检测区域定位 |
| 4.3 驾驶员行车姿势分析 |
| 4.3.1 数据集采集 |
| 4.3.2 检测区域LBP特征提取 |
| 4.3.3 基于PCA降维的HOG特征提取 |
| 4.3.4 基于PCA-HOG+LBP特征融合的识别算法提出与实现 |
| 4.4 驾驶员打电话行为判断 |
| 4.4.1 驾驶员手部位置分析 |
| 4.4.2 驾驶员嘴部动作获取 |
| 4.4.3 打电话行为决策设计 |
| 4.5 本章小结 |
| 第5章 仿真实验与系统设计 |
| 5.1 测试环境搭建 |
| 5.2 驾驶员分心驾驶行为判断实验 |
| 5.3 驾驶员使用手机行为判断实验 |
| 5.4 危险驾驶行为检测系统设计 |
| 5.4.1 人机交互UI设计 |
| 5.4.2 危险驾驶行为检测模块设计 |
| 5.4.3 危险驾驶行为检测系统运行试验 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（7）基于机器学习的人脸识别算法研究与考勤系统设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题意义及背景 |
| 1.2 研究现状及发展历程 |
| 1.2.1 人脸检测研究现状 |
| 1.2.2 人脸识别的研究现状 |
| 1.3 本文的主要内容和章节安排 |
| 1.3.1 本文的主要研究内容 |
| 1.3.2 本文的章节安排 |
| 第二章 人脸图像预处理 |
| 2.1 图像的预处理过程 |
| 2.1.1 图像灰度预处理 |
| 2.1.2 图像归一化预处理 |
| 2.1.3 直方图均衡和图像去噪预处理 |
| 2.2 人脸图像库 |
| 2.3 本章小结 |
| 第三章 基于肤色分割的AdaBoost算法的人脸检测 |
| 3.1 基于肤色检测算法的人脸检测 |
| 3.1.1 色彩空间的选取 |
| 3.1.2 肤色模型的选取 |
| 3.1.3 肤色人脸检测算法详解 |
| 3.2 基于AdaBoost算法的人脸检测 |
| 3.2.1 Harr-like特征与其数量计算 |
| 3.2.2 积分图 |
| 3.2.3 AdaBoost人脸检测的算法原理 |
| 3.2.4 AdaBoost算法的训练过程 |
| 3.3 双阈值权重更新以及最佳人脸窗口(Bounding Box)的选取 |
| 3.3.1 双阈值权重更新 |
| 3.3.2 Bounding Box的选取 |
| 3.4 基于改进的AdaBoost算法的人脸检测 |
| 3.4.1 AdaBoost人脸检测算法的不足 |
| 3.4.2 基于肤色模型的人脸检测算法的不足 |
| 3.4.3 肤色模型与AdaBoost算法结合的人脸检测 |
| 3.5 实验仿真结果分析 |
| 3.5.1 仿真环境和人脸样本库介绍 |
| 3.5.2 检测结果和仿真数据分析 |
| 3.6 本章小结 |
| 第四章 基于深度学习的人脸识别算法研究 |
| 4.1 神经网络的理论基础 |
| 4.1.1 前馈神经网络结构 |
| 4.1.2 梯度下降法 |
| 4.1.3 反向BP神经网络算法 |
| 4.2 深度卷积神经网络 |
| 4.2.1 卷积神经网络的特点 |
| 4.2.2 卷积神经网络的结构设计 |
| 4.2.3 损失函数最优化选取 |
| 4.3 基于tensorflow深度学习框架下的人脸识别 |
| 4.3.1 facenet网络的简单介绍 |
| 4.3.2 基于Googlenet卷积网络模型的人脸识别的实现 |
| 4.4 本章小结 |
| 第五章 基于opencv的人脸识别考勤系统的实现与测试 |
| 5.1 系统需求分析 |
| 5.1.1 产品特点和业务性需求 |
| 5.1.2 功能性需求 |
| 5.2 系统概述和设计目标 |
| 5.2.1 系统设计开发环境 |
| 5.2.2 系统总体功能架构 |
| 5.2.3 系统平台数据库设计 |
| 5.3 人脸识别系统的实现与测试 |
| 5.3.1 软件系统功能模块的实现 |
| 5.3.2 系统功能测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他成果 |
（8）基于特定样本的人脸检测识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 人脸检测识别的研究背景及意义 |
| 1.2 人脸检测识别的主要研究算法 |
| 1.2.1 人脸检测 |
| 1.2.2 人脸特征提取算法 |
| 1.2.3 人脸识别方法 |
| 1.2.4 云边结合的人脸识别系统 |
| 1.3 本文的研究内容和研究方法 |
| 1.4 本文的章节安排 |
| 第二章 基于肤色及Ada Boost的人脸检测算法 |
| 2.1 基于肤色模型的肤色分割 |
| 2.1.1 图像光照补偿 |
| 2.1.2 颜色空间的选择 |
| 2.1.3 建立肤色高斯模型 |
| 2.2 基于Ada Boost的人脸检测 |
| 2.2.1 Haar特征与积分图 |
| 2.2.2 训练级联结构的Ada Boost分类器 |
| 2.3 基于肤色与Ada Boost结合的人脸检测 |
| 2.4 实验结果及分析 |
| 2.5 本章小结 |
| 第三章 自适应相关加权LDA/QR算法 |
| 3.1 经典的LDA算法 |
| 3.1.1 LDA算法原理 |
| 3.1.2 小样本问题的解决方法 |
| 3.2 相关加权LDA算法 |
| 3.3 自适应的相关加权LDA/QR算法 |
| 3.4 实验结果 |
| 3.5 本章小结 |
| 第四章 基于SVM的人脸识别算法 |
| 4.1 支持向量机的理论基础 |
| 4.1.1 支持向量机的原理 |
| 4.1.2 经验质心置信度的分析研究 |
| 4.1.3 改进的一对一投票SVM分类方法 |
| 4.2 RBF支持向量机在多类混叠人脸识别上的应用 |
| 4.3 人脸识别系统的搭建 |
| 4.3.1 人脸图像的矫正 |
| 4.3.2 系统的搭建 |
| 4.3.3 SVM的参数优化 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 图表目录 |
| 致谢 |
| 作者简历 |
（9）基于视频监控的目标人员跟踪系统研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 视频监控系统研究现状 |
| 1.2.2 人脸检测算法研究现状 |
| 1.2.3 人脸跟踪算法研究现状 |
| 1.3 本文主要内容 |
| 1.4 论文组织结构 |
| 第2章 人脸检测及识别相关技术研究 |
| 2.1 图像预处理技术 |
| 2.1.1 色彩空间转换 |
| 2.1.2 光照补偿 |
| 2.1.3 形态学操作 |
| 2.2 基于肤色分割的人脸检测算法 |
| 2.2.1 建立肤色模型 |
| 2.2.2 人脸区域筛选 |
| 2.3 LBP人脸识别算法 |
| 2.3.1 LBP特征提取 |
| 2.3.2 LBP改进版本 |
| 2.3.3 LBP特征匹配 |
| 2.4 本章小结 |
| 第3章 基于AdaBoost的人脸检测算法研究 |
| 3.1 AdaBoost人脸检测算法 |
| 3.1.1 Haar-like特征 |
| 3.1.2 积分图计算 |
| 3.1.3 分类器的训练 |
| 3.1.4 级联分类器 |
| 3.2 对AdaBoost人脸检测算法的改进 |
| 3.2.1 AdaBoost分类器训练过程中的不足 |
| 3.2.2 改进的AdaBoost算法 |
| 3.2.3 融合肤色分割 |
| 3.3 改进算法验证 |
| 3.3.1 实验环境及数据集准备 |
| 3.3.2 实验结果与分析 |
| 3.4 本章小结 |
| 第4章 基于CamShift的人脸跟踪算法研究 |
| 4.1 CamShift人脸跟踪算法 |
| 4.1.1 直方图反向投影 |
| 4.1.2 Mean Shift算法 |
| 4.1.3 CamShift跟踪算法 |
| 4.2 对CamShift人脸跟踪算法的改进 |
| 4.2.1 CamShift人脸跟踪算法的不足 |
| 4.2.2 改进的CamShift人脸跟踪算法 |
| 4.3 实验结果与分析 |
| 4.3.1 遮挡场景实验结果与分析 |
| 4.3.2 光照变化场景实验结果与分析 |
| 4.3.3 人脸交叉复杂场景实验结果与分析 |
| 4.4 本章小结 |
| 第5章 基于视频监控的目标人员跟踪系统总体设计 |
| 5.1 系统需求分析 |
| 5.1.1 系统应用场景 |
| 5.1.2 系统功能性需求 |
| 5.1.3 系统性能需求 |
| 5.2 系统架构设计 |
| 5.2.1 系统总体架构 |
| 5.2.2 系统模块架构 |
| 5.3 系统总体设计 |
| 5.4 本章小结 |
| 第6章 基于视频监控的目标人员跟踪系统详细设计及实现 |
| 6.1 系统开发环境 |
| 6.2 各功能模块设计与实现 |
| 6.2.1 人脸信息管理模块 |
| 6.2.2 人脸检测模块 |
| 6.2.3 人脸识别模块 |
| 6.2.4 人脸跟踪模块 |
| 6.3 系统界面设计 |
| 6.3.1 系统主界面 |
| 6.3.2 实时视频跟踪界面 |
| 6.3.3 本地视频跟踪界面 |
| 6.4 系统测试及性能分析 |
| 6.4.1 系统稳定性测试 |
| 6.4.2 系统性能测试及分析 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（10）大场景中的人脸检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要内容及章节安排 |
| 第二章 基于传统方法的人脸检测技术研究 |
| 2.1 肤色检测 |
| 2.1.1 光线补偿 |
| 2.1.2 RGB颜色模型 |
| 2.1.3 YCbCr颜色模型 |
| 2.1.4 肤色模型的建立 |
| 2.2 基于Adaboost的人脸检测算法 |
| 2.2.1 haar特征 |
| 2.2.2 积分图 |
| 2.2.3 强分类器的构建 |
| 2.2.4 级联分类器的构建 |
| 2.3 本章小结 |
| 第三章 基于深度学习的人脸检测算法研究 |
| 3.1 关于深度学习的基本理论 |
| 3.1.1 人工神经网络 |
| 3.1.2 卷积神经网络 |
| 3.2 YOLO系列算法 |
| 3.2.1 YOLO算法原理 |
| 3.2.2 YOLOv2算法 |
| 3.2.3 YOLOv2算法的进一步发展 |
| 3.3 基于Faster RCNN的人脸检测方法 |
| 3.3.1 RPN网络 |
| 3.3.2 损失函数 |
| 3.3.3 ROI池化 |
| 3.3.4 Faster RCNN的训练 |
| 3.4 基于MTCNN算法的人脸检测研究 |
| 3.4.1 网络结构 |
| 3.4.2 网络训练 |
| 3.4.3 损失函数 |
| 3.4.4 在线困难样本生成 |
| 3.5 本章小结 |
| 第四章 人脸检测算法的选取及改进 |
| 4.1 人脸检测算法的选取 |
| 4.2 Adaboost人脸检测算法的改进 |
| 4.2.1 权重更新策略的改进 |
| 4.2.2 特征数量的缩减 |
| 4.2.3 肤色区域预提取 |
| 4.3 YOLO算法的改进 |
| 4.3.1 YOLOv2网络模型的改进 |
| 4.3.2 损失函数的改进 |
| 4.4 MTCNN算法的改进 |
| 4.4.1 网络卷积层的改进 |
| 4.4.2 激活函数的改进 |
| 4.4.3 非极大值抑制算法的改进 |
| 4.5 本章小结 |
| 第五章 实验结果及分析 |
| 5.1 实验环境 |
| 5.2 人脸样本的制作 |
| 5.3 实验结果 |
| 5.3.1 不同人脸检测算法改进前后的实验结果对比及分析 |
| 5.3.2 改进后的检测算法对不同样本的实验结果对比及分析 |
| 5.3.3 定时人脸检测策略 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读硕士期间研究成果 |
| 致谢 |
四、复杂背景下基于肤色的人脸检测（论文参考文献）
- [1]非限制场景下的人脸检测研究[D]. 周安琪. 南京邮电大学, 2020(03)
- [2]基于OpenCV的实时人脸识别系统的设计与实现[D]. 李天昊. 东北石油大学, 2020(03)
- [3]基于PCA+SVM的视频人脸识别技术[D]. 刘云梦. 山东科技大学, 2020(06)
- [4]基于卷积神经网络的人脸表情识别问题的研究[D]. 王莹莹. 山东大学, 2020(04)
- [5]基于FPGA的人脸检测系统研究与设计[D]. 张伟. 广西师范大学, 2020(02)
- [6]基于表观特征的危险驾驶行为检测方法研究[D]. 何伟. 哈尔滨工程大学, 2020(05)
- [7]基于机器学习的人脸识别算法研究与考勤系统设计[D]. 周品. 佛山科学技术学院, 2020(01)
- [8]基于特定样本的人脸检测识别算法研究[D]. 李芸. 苏州科技大学, 2020(08)
- [9]基于视频监控的目标人员跟踪系统研究与实现[D]. 聂继生. 北京工业大学, 2020(06)
- [10]大场景中的人脸检测研究[D]. 司倍敏. 东华大学, 2020(01)