一、姿态相关的人脸自动识别研究（论文文献综述）
李珊[1]（2021）在《基于深度学习的真实世界人脸表情识别研究》文中进行了进一步梳理人脸表情识别旨在从面部特征识别人类情绪。理解不同类别的面部表情有助于辅助机器模型分析人类情感感知状态并做出相应判断和回应。自动面部表情识别由于其在社交媒体分析和人机交互中的众多潜在应用而成为了情感计算和计算机视觉领域的热点研究话题。经典原型表情理论认为各地区和种族的人类都具有七类一致的基本表情。早期表情识别研究遵从该经典理论,基于实验室控制条件下的摆拍表情数据库进行单一场景内的七类基本表情分类。然而,随着互联网的普及以及深度学习技术的发展,面向实际应用的工作逐渐从实验室统一环境下的摆拍表情转移到了更具挑战性的现实生活自然表情中。真实世界包含多种场景和动态变化,光照、姿态、遮挡等环境因素和民族地区、社交潮流等文化因素耦合在一起,给表情识别带来了极大挑战。在理想条件下表情识别性能良好的系统其在更复杂场景中的识别率可能会大幅降低。在单一数据库场景内进行的实验也无法保证表情识别系统的泛化能力。此外,传统原型表情理论也无法涵盖人们日常生活中所流露的复杂细微情绪。当前情感计算领域缺乏识别真实世界表情的精准数据和相应算法。面向真实世界表情识别,本文首先将基本表情类扩展到复合和混合表情,并构建了相应数据集,建立了面向复杂情感的表情流形分析理论,提出了跨场景表情迁移学习新方法,形成了从基础数据定义、精准识别到跨场景适应的系列工作。本论文的主要创新和贡献如下:（1）精准标注的大型真实世界表情数据库。针对表情图像标注主观性强的问题,本研究采用众包方式对从社交网络收集而来的数万图像进行了每张约40次的独立标注,并提出了基于期望最大化的可靠性估计算法,对标注者置信度和标签分布进行了联合优化和噪声过滤,获得了精准的标签分布,并从中挖掘出了双标签复合和多标签混合表情。最终构建了包含七类基本表情和十二类复合表情的真实世界情感面部数据库RAF-DB以及包含三十多类混合表情的真实世界情感面部多标签数据库RAF-ML,拓宽了经典表情描述模型的表达能力,为识别真实世界人脸表情提供了数据基础。（2）基于深度局部保持的原型表情识别方法。针对真实世界环境中与表情无关的复杂干扰因素,本研究提出了一种新的深度局部保持卷积网络DLP-CNN。该方法旨在通过提高类间距的同时保留局部样本的接近程度,从而增强深度特征的判别能力。通过将局部近邻的开创性思想与深度特征学习方法相结合,在网络的不断优化过程中,使得特征空间中不同类的表情样本足够分离的同时保持了同类表情样本内的局部紧凑性。在包括RAF-DB在内的四个不同数据库上的实验结果表明,所提出的DLP-CNN性能优于传统的手工设计特征以及其他深度学习方法,适用于真实世界场景下的表情识别。（3）基于深度双流形对齐的混合表情识别方法。针对真实世界中大量复杂且细微的混合表情,本研究基于流形学习提出了一种新的深度双流形卷积网络DBM-CNN。该方法假设标签分布为众包标注中人类对表情的感知向量,通过对齐特征流形空间和标签流形空间的局部近邻结构,将人类对表情的感知信息传递到深度特征中。该方法不仅建模了表情之间的共现关系,还通过驱使带有相似表情强度的样本分布更加连贯,使得特征空间中的样本具有连续平滑的情感强度过渡分布,从而成功捕捉到了混合表情中的细微变化。在包括RAF-ML在内的五个多样化数据库上的实验结果表明,该网络可作为高效的特征提取器并有效地应用到不同类型的表情识别任务之中。（4）基于迁移学习的跨场景表情识别方法。不同表情数据库由于其构建偏差和标注者情感感知偏差而形成了各异的表情识别场景。为了进一步提高跨场景表情识别能力,本研究提出了一种新的深度情感条件迁移网络ECAN。该方法在最小化跨场景的边缘分布差异的同时,通过充分挖掘目标场景上的潜在标签信息,使得属于同类但不同场景的数据在特征空间中也可以相互对齐并享有相近的分布结构,从而降低了跨场景的条件分布偏倚。此外,考虑到表情类别分布偏差问题,ECAN进一步引入了 一个可学习的类别加权参数,使得重采样的源数据可以与目标数据共享相似的类别分布。在九个不同数据库上的跨场景实验结果表明,ECAN具有良好的跨场景泛化能力,在特征自适应的同时抵消了表情类分布不平衡的影响。综上所述,本文针对真实世界人脸表情识别研究中的图像精准标注、复杂表情识别和跨场景情感适应系列问题展开了深入的研究。首先拓宽了真实世界表情类别的范围,在此数据基础上针对表情复杂且细微的特性,将鉴别性流形学习和迁移学习的思想融入到深度学习框架之中。大量实验结果表明,本文提出的方法可以有效提高人脸表情识别的判别能力和泛化能力。
牛芳华[2]（2021）在《基于多维度模式识别的会议照片自动筛选策略研究》文中研究指明随着社会的逐渐发展以及科学技术的不断进步,现代会议的组织与召开变得更加地科学和完善。作为会议中一项必不可少的环节——会议拍照,可以起到总结、留念以及宣传等作用,对于会议的组织者来说其重要性不言而喻。然而,会议照片的筛选往往要消耗较大的人力与物力。在计算机技术飞速发展的今天,研究如何通过计算机技术以更小的代价来实现会议照片的自动筛选变得十分有必要。本文针对不同类型会议下的复杂环境,提出了基于人脸、表情、人体姿态、物体以及文字五个维度模式识别算法的会议照片自动筛选策略,并根据所提策略在会议室场景下进行了实验。本文主要的研究工作包括以下三个方面。（1）会议场景及相关异常行为的定义。按照所包含的异常行为数量的不同,将会议分为三大类:严肃类会议、相对自由类会议、自由类会议,分别研究这三类会议中的典型会议:讲座、学术研讨会、联欢会,为这些会议所定义的异常行为逐渐减少。联欢会场景中的异常行为包含睡觉和玩手机,学术研讨会在联欢会的基础上增加了吃东西,讲座在学术研讨会的基础上增加了用电脑和看书。（2）多维度模式识别算法的设计。针对会议室内需要拍摄的不同对象,分别设计了五个维度的模式识别算法。需要拍摄的对象和所涉及到的模式识别算法如下:（1）结合人脸、文字和人体姿态识别来识别领导以及领导讲话时的肢体动作,对领导进行特写;（2）结合表情、人体姿态和物体识别来识别其他参会人员认真聆听时的表情以及在参加会议时展现的异常行为,对其他参会人员进行特写;（3）结合物体和文字识别来识别横幅、PPT等能表现会议主题的物品,通过人脸检测尽可能多地拍摄下参会人员,这两者构成了会场整体的拍摄。（3）会议照片自动筛选策略的设计。首先,对于所有的照片依据通用图像质量评价指标进行筛选,并在对图片进行命名时标记好当前的会议阶段和图片的类型;其次,对于横幅和PPT这两类能表现出会议主题的物品,通过文字识别算法来判断当前的会议类型;接着,结合五个维度的模式识别算法,在会议特定阶段筛选出当前阶段需要拍摄的对象;最后,依照本文所提出的会议图片特定评价标准,进行进一步的筛选,得到最终符合要求的会议图片。在模拟的会议室场景下进行实验得到的结果验证了本文所设计策略的有效性。
杨善敏[3]（2021）在《面向异质人脸识别的域不变特征学习方法研究》文中研究指明人脸识别作为人工智能的典型应用之一,具有重要的实用价值和研究意义。近年来,基于深度卷积神经网络的人脸识别技术取得了突飞猛进的发展,但主要集中于二维可见光人脸识别的研究,在真实无约束场景中仍然面临许多挑战和难题。随着人脸识别应用的推广和传感器技术的发展,异质人脸识别需求应势而生且日益增大。但异质人脸图像间显着的外观变化,使现有人脸识别系统面临识别精度大幅下降的问题。本文对异质人脸识别问题及其解决方案进行了分析,并从基于特征表示学习、基于子空间学习和基于混合学习三个方向出发,对异质人脸图像的域不变本质特征学习方法进行了深入研究。此外,还构建了一个室外无约束场景的3D-2D人脸识别数据库。本文主要工作和贡献包括:1.针对缺乏方法研究框架模型的问题,提出了一种异质人脸识别框架模型。缺乏明确的异质人脸识别方法研究框架模型,容易导致对各方法的研究动机、不同方法之间的关联以及对不同方法的归类总结不够直观,甚至出现混淆的问题。针对该问题,本文进行初步探索并建立了一种异质人脸识别框架模型。该模型有助于对现有异质人脸识别方法的理解和归类总结,还为后续方法研究提供了理论支撑和研究思路,具有一定的指导性意义和作用。2.针对跨域差异的度量和消除难题,提出了一种基于对抗的域不变特征学习方法DIDF。显着的跨域差异是异质人脸识别研究需要重点攻克的问题。对此,本文从基于特征表示学习的研究方向出发,对异质人脸识别框架模型中的特征提取过程进行重点研究,提出了一种基于对抗的域不变特征学习方法。在一个端到端的网络中同时优化基于对抗学习的域自适应对齐和基于四元组度量学习的类对齐,以消除分布差异、减小类内变化且增大类间可分离性。在CASIA NIR-VIS 2.0、Oulu-CASIA NIR&VIS、BUAA-Vis Nir和IIIT-D Viewed Sketch四个异质人脸识别基准数据库上的实验表明,该方法不仅有助于解决分布差异的度量和消除问题,还提高了人脸特征的域不变性和类（即身份）鉴别性。3.针对跨域差异等所有身份无关因素对人脸识别造成影响的问题,提出了一种注意力引导的特征解耦方法AgFD。除跨域差异外,其他外界因素,如姿态、年龄等变化,也会对人脸识别的结果造成影响。针对该问题,本文从基于子空间学习的研究方向出发,对异质人脸识别框架模型中的特征匹配过程进行重点研究,提出了一种注意力引导的特征解耦方法。采用分层互补的方式自适应地将人脸面部表征解耦为身份特征和身份无关特征（具体包括模态信息以及其他所有身份无关信息）,同时还通过基于互信息的对抗去相关学习和基于总体相关信息的对抗去相关学习,提高身份特征对模态等所有身份无关因素变化的鲁棒性以及对身份特征自身局部维度变化的鲁棒性。实验结果表明,提出的方法在多个异质人脸识别基准数据库上的识别性能都表现出一定的优势。4.实现了基于DIDF和AgFD的3D-2D人脸识别方法,在公开库上的识别性能都超过了现有方法。同时,针对真实室外无约束场景3D-2D数据缺乏和识别难题,构建了一个人脸识别数据库WS3D-2D,还提出了一种改进的基于特征解耦的方法FD-3D2D。首先,本文从基于混合学习的研究方向出发,对异质人脸识别框架模型中的多个处理过程进行研究,分别实现了基于DIDF和AgFD的3D-2D人脸识别方法,在公开数据库FRGC V2.0上的识别性能都超过了现有方法。其次,针对目前3D-2D人脸识别数据缺乏且大多采集于实验室受控环境的问题,构建了一个真实室外无约束场景下的3D-2D人脸识别数据库WS3D-2D。该数据库包含受试者对象的高精度全脸三维模型和室外无约束场景下的二维监控图像,与实际应用中的数据非常逼近,因此具有重要的研究意义和实用价值。此外,针对室外无约束场景下的3D-2D人脸识别难题,通过对AgFD方法中的四元组采样策略进行改进以及引入明确的姿态解耦约束,提出了一种改进的3D-2D人脸识别方法FD-3D2D。实验结果表明,该方法有助于减小训练数据噪声带来的影响以及克服二维监控图像的大姿态变化等人脸识别难题。基于本研究工作开发的3D-2D人脸识别系统在多个实际现场取得的成功示范应用,证明了本研究工作的意义和价值。上述工作虽然是针对异质人脸识别的研究和探索,但其理论和研究方法具有一定的通用性和可扩展性,对其他领域,如跨年龄人脸识别、跨姿态人脸识别、行人重识别等,依然具有一定的参考意义和指导作用。
张梦雪[4]（2021）在《基于深度学习的多姿态人脸识别的研究》文中研究指明伴随互联网技术的更新换代、不断发展,人脸识别技术被应用于生活的各个角落,依托于人脸识别技术的产生带来了诸多的便利,相应的推动了研究学者对于依托新兴产业的识别技术的深入研究。如今,人脸识别技术已经由传统的模板匹配、几何特征等识别方法过渡为基于神经网络的人脸识别方法,在基于实验环境下的识别效果甚至已经达到精准识别的水平。但是,在基于非理想状况的现实生活中,人脸识别的效果受到很多因素的影响,包括光照、遮挡以及多姿态等。在这些干扰因素中,多姿态问题仍然是研究的难点和重点,现实场景下由于人脸角度的偏转会导致人脸特征信息的缺失,造成识别效果低下。因此如何在多姿态角度偏转的情况下提高识别率是研究的重点。本文针对非配合条件下的干扰人脸识别最重要的因素进行研究,主要研究基于深度学习下的多姿态人脸识别。首先介绍了人脸识别的主要流程、多姿态识别的主要方法以及常用的多姿态人脸数据集。由于特征等变换能够将非正面特征映射到正面特征,而基于深度学习的人脸识别能够用神经网络来提取丰富的人脸特征信息,本文基于这两个方面的优点,将特征等变换在深度空间进行非正面特征的矫正,在深层次的空间下引入对于识别非正面特征所带来的误差。本文基于深度学习利用开源框架pytorch、tensorflow等对识别模型进行构建,利用公开数据集VGGFace2进行训练网络,最后利用CFP、IJB-A、LFW公开数据集进行测试。通过测试数据集最终的识别结果证明本文的多姿态识别模型对于具有挑战性的数据集识别效果较好,在人脸识别上能够达到96.83%的准确率,较一般的多姿态识别模型效果好。考虑到如今神经网络的层数不断加深,越来越多的神经网络被提出用于训练更新参数,本文基于三个神经网络进行比对,采用了两个经典的残差神经网络Res Net18和Res Net50以及2019年Google提出的轻量级神经网络模型Mobile Net V3对人脸数据集进行训练,从训练结果上来看Res Net50和Mobile Net V3效果较好,但是由于Mobile Net V3采用的深层可分离卷积的思想,网络的计算参数相比Res Net18少,训练和参数的迭代更新也会较快。对于最后的识别结果测试,Mobil Net V3效果准确度92.9%较Res Net50的92.5%好并且网络中的参数减少了3倍多。对于多姿态中的姿态角估计,本文在采用了基于dlib模型的68个关键点检测得到人脸特征后,利用非线性最小二乘法的思想采用Open CV的solve Pn P函数得到对应的旋转向量,从而得到人脸数据集在三维空间中的偏转角度。由于多姿态的人脸主要受到偏航角的影响,本文使用EPn P算法来拟合姿态估计模型,最终实现通过非线性优化来得到偏航系数的方程表达式。实验结果表明,对于该模型方法的设计,极端姿态下的识别效果也有较为优秀的表现,在LFW数据集上的平均识别结果可以达到97%,在更为复杂的数据集IJB-A上甚至达到95%左右的效果。说明本文采用的在深度空间进行姿态角度的偏转从而实现提高识别效果具有一定的意义。
黄飞虎[5]（2021）在《高精度三维人脸识别技术及其门禁应用研究》文中研究表明得利于深度学习的发展与大规模训练数据的积累,最近几年人脸识别技术取得了巨大的成功。其中,传统的二维人脸识别技术通过对人脸的纹理数据进行特征表达,并通过判断特征间的相似度对人脸进行身份确认。人脸姿态、妆容,特别是环境光照对获取到的二维纹理信息有着较大的影响,进而影响二维人脸识别算法的识别性能,也限制了二维人脸识别系统的应用场景。三维人脸识别技术使用人脸的三维深度信息对人脸身份进行鉴别。这使得三维人脸识别的方法可以很好地规避二维人脸识别的上述缺点。如何快速准确地对人脸数据进行三维重建,同时完成对三维人脸识别算法模型进行有效约束优化是三维人脸识别技术及其应用亟待解决的问题。本文面向人脸的三维重建,针对门禁类应用场景构建高精度高防伪三维人脸识别算法进行了系统的研究。本文的主要工作和创新点包括:1.设计实现了基于条纹结构光的三维人脸重建算法以及与之对应的三维人脸照相机系统。在人脸识别系统的应用过程中二维人脸技术极易受到环境光照、人脸姿态等客观因素的影响,导致识别性能下降。仅使用人脸深度信息的三维人脸识别技术可以很好地规避二维人脸识别的这些劣势。快速准确地获取三维人脸数据是三维人脸识别的前提。高速高精度三维人脸照相机能够为三维人脸识别技术与应用提供数据基础;2.人脸识别应用中,人脸误识问题就是样本特征的类内距离大于类间距离的问题。为了最大限度地减小类内距离,降低人脸识别误识概率,提出了Improve-Center人脸识别监督方法。该方法基于每个身份的人脸样本形成的特征子空间,通过增加子空间外层样本对模型优化的贡献,最小化类内样本之间的特征距离,提升算法的识别性能。3.传统的人脸识别算法通过样本对的方式组织训练数据。这样,模型的优化过程中仅仅利用很小部分的相关信息对模型进行优化。这种过于局部化的监督信息可能导致类内特征分布不均衡,类内样本中不同特征之间的相似度差异较大。基于所有类内样本特征组成的特征子空间形成的空间中心,提出的Cosmos-Loss损失函数在对模型进行优化的过程中,使用样本特征与特征中心之间的监督信息完成该样本的类内以及类间监督,提升了人脸识别性能与类内特征数据分布均衡性。4.针对门禁应用,基于Improve-Center与Cosmos-Loss两种监督函数提出了高精度高防伪三维人脸识别算法,实现了高识别率的人脸识别方法。通过对训练数据进行双向数据增广的方式提升了算法对3D打印面具的防伪能力。此外,提出了基于双目人脸防伪以及多光谱人脸防伪方法,以增强人脸识别系统的防伪能力。最后,针对佩戴口罩的特殊应用场景设计实现了口罩版人脸识别算法。
涂晓光[6]（2020）在《面向非限制条件的人脸识别研究》文中认为人脸识别技术已经广泛地应用于当前社会中,如安保系统、高科技IT产品、个人电脑和智能手机等。这些智能产品已经使当今社会的各项服务更安全、快捷和方便,人脸识别也早已经成为了当前人类活动中不可或缺的技术。在过去的几十年里,已经有各种各样的相关算法被提出来解决人脸识别中的各种问题并取得了重大的进展,在理想条件下这些算法可以使得计算机的人脸识别率超过人眼。然而,对于非限制条件（自然条件）下的人脸识别,当前的人脸识别技术仍然存在着许多挑战。非限制条件的人脸识别需要对真实自然场景中的人脸图像进行特征提取,因此容易受到诸多因素的影响,如面部姿态差异以及由光照、模糊、噪声、低分辨率等因素引起的人脸图像内容丢失。这些因素极大地影响了非限制条件下的人脸识别性能,需要进行进一步的研究。除此之外,随着对认证安全性的不断重视,人脸识别系统不仅需要具有较高的识别精度还需要能鉴别该人脸是真实的人脸还是来自图片或视频中的人脸（伪造攻击人脸）。因此,人脸防伪技术也是当前非限制条件下人脸识别系统中的重要组成部分。为了提高当前人脸识别系统的准确性、鲁棒性、以及安全性,本论文主要集中研究人脸图像增强,人脸关键点检测,人脸姿态归一化,以及人脸防伪特征学习等课题。主要研究贡献如下:1.针对于自然场景中受光照影响的人脸图像,第三章提出了一种基于尺度分解和能量模型最小化的人脸图像去光照方法。该方法首先利用对数全变分对受光照影响的人脸图像进行尺度分解,从而得到只包含人脸本质特征的小尺度成分和主要包含光照特征的大尺度成分。随后,通过最小化全变分能量函数估计出人脸图像中的光照场并将其移除。不同于以往的方法通过提取人脸图像的光照不敏感特征用于人脸识别,该方法首次提出估计光照场的方法来去除光照的影响。论文在CMU-PIE,Extended Yale B和CAS-PEAL-R1这三个主流的人脸光照数据库上进行了充分的实验,实验结果表明,所提出的方法显着地提高了人脸去光照的可视化效果和受光照影响图像的人脸识别率。2.针对于大姿态和受遮挡影响的人脸图像,第四章提出了一种自监督辅助学习的人脸三维关键点检测方法。该方法构建了基于关键点自映射的强监督和基于生成对抗学习的弱监督模型,利用自然场景中无三维标注的二维人脸图像对三维人脸重建进行辅助监督。不同于二维人脸关键点检测算法,该算法能重建出单张二维人脸图像所对应的三维人脸模型,并用来还原密集三维人脸关键点。重建出的密集关键点包含丰富的三维人脸信息,可以对大角度偏转和受遮挡影响的人脸图像进行更精确的对齐。论文在AFLW2000-3D,AFLW-LFPA和Florence这三个主流的三维人脸验证数据集上进行了充分的实验,实验结果表明,所提出的方法在三维人脸重建和三维关键点检测方面均取得了很好的结果。3.第五章提出一种基于生成对抗学习的跨姿态低质量人脸复原方法和过渡训练方法,旨在同时解决人脸图像大姿态偏转和低质量因素（如模糊、噪声、光照影响及低分辨率）影响的问题。给定一张任意角度和任意低质量因素影响的人脸图像,论文提出的任意人脸复原模型首先对该人脸进行三维重建,并在标准的三维空间中自动对其进行姿态归一化,从而得到标准的正脸姿态。得到的正脸姿态将引导高质量人脸还原对抗网络的学习,从而可以从任意给定的人脸图像生成其对应的高质量正脸图像。值得注意的是,所提出的任意人脸复原模型可以端到端一次性从给定的人脸图像中还原其高质量正脸图像,并显着提高人脸图像的识别率。论文在CMU Multi-PIE、LFW和IJB-C这三个数据库上进行了充分的实验,实验结果表明,所提出的方法不论是在人脸转正还是在人脸增强上均取得了很好的结果。4.第六章提出了一种基于深度迁移学习的人脸防伪方法。该方法属于半监督学习,实验结果表明,只需要利用少量目标域的无标签人脸进行半监督训练,所提出方法即可极大的提高人脸防伪的跨域识别率。此外,论文还提出了深度多任务学习的人脸防伪方法,将人脸识别和活体人脸检测算法融合到一个深度学习的网络框架中进行相互增强训练,同时提出全混淆损失函数和快速域迁移算法来提高活体人脸检测的普适性。论文在CASIA-FASD,Replay-Attack,MSU-MFSD,Oulu-NPU和Si W这五个主流的人脸防伪数据集上进行了充分的实验,实验结果表明,该方法能在得到高精度人脸识别性能的同时对人脸进行活体检测,显着的提高活体人脸检测的鲁棒性并降低安全人脸认证的反应时间。
李金羽[7]（2020）在《多姿态人脸识别算法研究》文中认为近年来随着科学技术的发展,人脸识别已经走进了人们的日常生活中,其在如刷脸支付、身份验证、智能考勤等很多方面得到了广泛的应用。并且,随着软件算法与硬件能力的进步,人脸识别技术也越来越接近成熟。不过,在现实生活的应用中,人脸识别技术仍然受到诸如光照、表情、衣物遮挡和姿态变换等因素的干扰。其中,人脸的多姿态性是目前人脸识别技术研究的重点与难点之一。本文针对多姿态人脸识别技术进行探讨和研究,主要包括基于聚类的多姿态人脸识别算法和基于深度学习的多姿态人脸识别算法两个方面。本文的研究工作如下:（1）从基于人眼定位的方法出发,对常用的ASEF（Average of Synthetic Exact Filters）算法进行研究分析与改进,通过加权后的ASEF算法定位人眼位置得到相应的人眼标定数据。依据人眼标定数据,再通过聚类算法对人脸的不同姿态进行分类估计,然后通过PCA+Adaboost与ICA+Adaboost算法进行身份识别。（2）针对目前多姿态人脸数据库样本不足的情况,使用生成对抗网络进行样本扩充。本文基于DCGAN（Deep Convolution Generative Adversarial Networks）网络进行算法改进,并进行了虚拟样本生成实验。本文的网络在不影响实验效果的前提下,每一层的卷积核与传统DCGAN网络相比数量减半,其目的在于加快其运算速度。同时引进SeLU激活函数,对其生成器进行自动归一化改进,最后生成所需要的不同姿态的虚拟人脸图像。（3）基于上述生成对抗网络得到的真实-虚拟人脸数据库,对人脸的姿态进行检测判断后再对人脸身份进行识别。本文使用改进后的VGG-16卷积神经网络模型进行识别实验,之后针对算法的实用性进行分析。结合生成的虚拟图像在训练数据库中所占的比例,本文进行了多次的实验和对比,给出了虚拟图像在真实-虚拟人脸数据库中较好的所占比例的建议。上述多姿态人脸识别算法均在MultiPIE数据库上进行了实验和验证,其中基于聚类的多姿态人脸识别算法可以达到95.1%的识别率,基于深度学习的多姿态人脸识别算法能够达到98.5%的准确率。另外,基于扩充后的真实-虚拟人脸数据库的实验分析得出,虚拟图像所占比例不超过30%的情况下实验可以达到较好的效果。
杨瀚霆[8]（2020）在《基于轻量化卷积神经网络的人脸表情识别方法》文中研究指明面部表情识别是生物信息识别、模式识别、人机交互与人工智能等领域的重要研究课题,深度神经网络的兴起为高精度面部表情识别的研究提供了新的契机。以纹理信息挖掘及关联为牵引,以视觉信息智能处理策略为基础,构建轻量化卷积神经网络面部表情识别模型,探索复杂环境下高精度二维目标识别机理,对于揭示复杂环境条件下的特征提取等关键基础问题,丰富和发展现有目标识别理论,拓宽深度神经网络的应用范畴,并建立面部表情识别机理与实施算法的本征关系具有重要的科学意义;通过引入轻量化技术,高效地获得高精度的识别结果对新一代人工智能的研发具有重要的科学价值。自然环境下的面部表情具有姿态变化大和光照情况复杂等特点,由于目标并不是处于实验室环境中,面部可能存在装饰品和周围环境的遮挡,所以自然环境下的面部表情识别比实验室环境更加困难。面部表情识别的传统框架为“人脸检测—人脸校正—面部特征提取—表情识别”,但从公开发表的文献来看,该框架在面部表情识别,尤其是自发面部表情识别性能方面的提升非常有限。近年,在深度学习领域的发展推动下,自发面部表情识别研究又取得了一些突破性进展。深度学习方法试图模拟生物视觉的神经传导系统,设计数层互相连接的网络层,通过递进的非线性映射,获得高维的表征形式。因此,深度学习的区分和泛化能力要强于传统的手工设计特征方法,同时还具备对周围环境影响的鲁棒性。但是,深度模型对非线性函数的可表示能力并不代表其可学习能力,深度学习的样本复杂度及构造仍然是一个悬而未决的问题。此外,深度学习模型表征能力的提升需要搭建足够深的框架和设计足够复杂的网络结构,这意味着冗长的模型训练周期。因此构建面向任务的网络模型、加快模型的收敛速度、探寻有效的轻量化优化技术也是一个值得深入研究的问题。针对面部表情识别中的特征挖掘和识别分类器设计等关键和难点问题,本文以面部表情图像为对象,开展轻量化卷积神经网络的面部表情识别研究。本文拟在构建自然环境下自发表情特性视图的基础上,引入自动数据增广和多频道复制手段,获得面向深度卷积神经网络的丰富样本信息;以面部表情的纹理信息提取和识别机理为牵引,建立人脸表情识别深度学习模型;以深度卷积神经网络的快速实现为目的,提出分组卷积和深度可分离卷积结合的深度学习轻量化方案。本文提出方法的有效性在FER2013、FERplus、CK+、SFEW和RAF-DB数据集上均进行了验证,取得了很好的结果。
孙航[9]（2020）在《人脸识别的侦查应用研究》文中进行了进一步梳理随着现代科技的不断发展与完善,以人脸识别为典型代表的人工智能技术融入到社会生活的各个领域。与此同时,公安工作大数据时代的到来也为人脸识别技术应用于侦查工作提供了有利契机。尽管人脸识别技术在侦查领域得到了广泛应用,但受其技术本身固有缺陷以及其他主客观因素影响,实际侦查工作中的人脸识别应用暴露出了诸多问题,直接导致其只能作为侦查工作的辅助手段。为进一步发挥人脸识别技术助力侦查工作的效能,需针对应用障碍进行深入分析并以此提出优化路径,更好地将现代科技转换为刑侦战斗力。本文共分为五大部分:第一部分对人脸识别技术以及侦查中的人脸识别进行综述研究,提炼出人脸识别技术以及人脸识别应用于侦查工作的相关理论成果,梳理出目前人脸识别应用于侦查工作所存在的弊端与空白,最终明确人脸识别应用于侦查工作的必要性与可行性。第二部分是人脸识别及其侦查应用的概述。首先对相关概念进行厘清与辨析,再对人脸识别应用侦查工作中的适用条件、依据以及相关应用领域进行归纳总结与详细阐述。分析了人脸识别应用于侦查工作的价值体现,如今人脸识别被广泛应用于侦查工作的各个领域必然有其独有的优势与价值,对人脸识别应用于侦查工作的价值进行归纳研究,是更好的发挥其自身优势,服务于侦查破案的前提。第三部分致力于建立侦查工作中人脸识别应用的方法体系。目前侦查人员运用人脸识别大多将其与视频侦查结合,笔者基于以上应用实际,结合人脸识别的特点,建立出不同犯罪阶段中人脸识别的应用体系以及不同侦查技战法中人脸识别的应用方法,以实现人脸识别与侦查方法的联动融合。第四部分阐述了人脸识别应用于侦查工作所存在的障碍和主要弊端。从复杂环境、数据整合、侦查主体三个方面出发,全面分析人脸识别在三个环节的应用障碍,发现问题,并以此作为后续优化路径的切入点。第五部分针对目前侦查工作中人脸识别所存在的问题,从数据分享、技术操作、规范化应用等方面提出人脸识别应用的优化路径,以期最大程度地发挥人脸识别优势,实现其应用于侦查工作的最优效果。
安占福[10]（2020）在《无约束人脸识别中若干关键问题研究》文中提出人脸识别技术作为计算机视觉和人工智能领域中极具应用前景的关键技术之一,多年来一直受到学术界和工业界的广泛关注。目前,受限环境下的人脸识别技术基本已经趋于成熟,且有很多人脸识别技术的产品步入市场。但是,非限制环境下的人脸识别仍然具有极大的挑战,尤其是姿态变化、光照、表情、遮挡等因素的影响以及数据本身信息损失的问题导致人脸识别性能不佳。本文利用人脸三维模型和深度学习技术对无约束人脸识别中的若干关键问题进行深入研究。本文通过在大量的非限制人脸数据集上进行实验,验证了所提出算法的有效性。本文主要的创新点和贡献如下:（1）针对基于深度学习的无约束人脸识别中训练数据不足的问题,提出了一种基于三维形变模型的人脸增广方法,从人脸姿态、表情正则化、光照等三方面对人脸数据进行增广。把增广之后的数据用于深度人脸网络的训练,不仅解决了数据收集难的问题,而且增强了数据类内之间的多样性。进一步,为了缓解增广后数据和原始数据之间的偏差问题,本文提出了一种基于数据增广的自适应人脸识别方法。通过设计了一个深度迁移网络,让网络自适应的把增广数据和原始数据投影到一个新的空间,在这个空间所有数据将被极大的融合在一起以至于网络不能区分出一个数据到底来自于哪个域,从而有效的缓解数据分布不一致的问题。（2）针对小样本人脸识别中标签数据少的问题,提出了一种协同域自适应网络的方法,该网络结合了人脸分类、域自适应、伪标签数据学习等三个模块共同学习一个共享的编码表示。网络训练过程中,首先使用标签数据和无标签数据一起训练人脸分类和域自适应模块,充分使用这两部分数据学习人脸特征,同时域自适应模块又能辨别出哪些数据是标签数据。其次,网络自主的标定一些伪标签数据,这些数据又再次充当标签数据对模型进行训练。在整个训练过程中,三个模块交替协同训练,让整个模型学习到更加具有判别性的人脸特征,从而有效的解决了小样本人脸识别的问题。（3）针对无约束人脸识别中人脸姿态鲁棒性问题,提出了一种自适应姿态对齐的方法。代替对齐所有的人脸到统一的模板上,本文自适应的学习最优的对齐模板,根据人脸姿态自适应的对齐人脸到最匹配的模板上,这样不仅降低了人脸类内之间的差异,而且能够有效缓解由于对齐过程给人脸图像带来的损失,特别是在非限制环境下有极大的改善效果。进一步,本文提出了基于自适应姿态对齐网络,该方法不需要进行人脸特征点检测,模型的输入是一张没有对齐的人脸图像,输出是一张对齐的人脸图像。实验证明,该方法和自适应姿态对齐方法可以达到相当的效果。文章最后分析比较了论文中提出的各种算法的优缺点,并给出了可扩展性的研究方向。
二、姿态相关的人脸自动识别研究（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、姿态相关的人脸自动识别研究（论文提纲范文）
（1）基于深度学习的真实世界人脸表情识别研究（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 |
| 1.2 人脸表情描述形式 |
| 1.3 人脸表情识别系统 |
| 1.4 人脸表情数据集和评估指标 |
| 1.4.1 人脸表情识别相关数据库 |
| 1.4.2 可靠性测量和量化指标 |
| 1.5 国内外近期研究现状 |
| 1.5.1 真实世界表情识别面临的挑战 |
| 1.5.2 基于深度学习的表情识别方法 |
| 1.6 论文主要研究内容和创新点 |
| 1.7 论文组织结构 |
| 第二章 真实世界表情数据集及标签可靠性估计 |
| 2.1 引言 |
| 2.2 复合表情和混合表情的定义 |
| 2.3 真实世界表情数据库构建 |
| 2.3.1 面部表情图像收集 |
| 2.3.2 表情标签众包标注 |
| 2.3.3 表情标签可靠性估计算法 |
| 2.3.4 复合表情和混合表情挖掘 |
| 2.3.5 不同基本表情间相互关系 |
| 2.4 真实世界基本和复合表情数据库RAF-DB |
| 2.5 真实世界混合表情数据库RAF-ML |
| 2.6 本章小结 |
| 第三章 面向真实世界原型表情的局部分析与识别 |
| 3.1 引言 |
| 3.2 CK+和RAF-DB的跨库研究 |
| 3.3 基于深度局部保持的表情特征学习方法 |
| 3.4 实验与分析 |
| 3.4.1 基准实验结果 |
| 3.4.2 实验设置和实验结果 |
| 3.4.3 方法分析对比 |
| 3.4.4 方法普适性检测 |
| 3.5 本章小结 |
| 第四章 面向真实世界混合表情的双流形对齐与识别 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 单标签分类实验 |
| 4.4 基于深度双流形对齐的表情特征学习方法 |
| 4.5 实验与分析 |
| 4.5.1 实验设置 |
| 4.5.2 混合表情识别实验 |
| 4.5.3 方法性能分析 |
| 4.5.4 方法普适性检测 |
| 4.6 本章小结 |
| 第五章 跨场景表情偏差分析与深度自适应识别 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 人脸表情数据库偏差评估 |
| 5.3.1 数据库识别测试 |
| 5.3.2 跨数据库泛化测试 |
| 5.4 基于条件迁移的跨场景表情识别 |
| 5.4.1 问题定义 |
| 5.4.2 最大均值差异 |
| 5.4.3 深度情感条件迁移网络 |
| 5.4.4 网络优化 |
| 5.5 实验与分析 |
| 5.5.1 实验设置 |
| 5.5.2 实验结果 |
| 5.5.3 方法性能分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 发展趋势 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（2）基于多维度模式识别的会议照片自动筛选策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第2章 相关技术概述 |
| 2.1 模式识别 |
| 2.2 深度学习 |
| 2.3 Alpha Pose |
| 2.4 YOLOV3 |
| 2.5 Finding Tiny Faces |
| 2.6 本章小结 |
| 第3章 多维度模式识别算法的设计 |
| 3.1 引言 |
| 3.2 会议室场景及包含异常行为定义 |
| 3.3 人脸识别算法设计 |
| 3.3.1 人物特写照中人脸的识别 |
| 3.3.2 会场整体照中人脸的识别 |
| 3.4 人脸表情识别算法设计 |
| 3.5 人体姿态识别算法设计 |
| 3.5.1 肢体动作的识别 |
| 3.5.2 异常行为的识别 |
| 3.6 文字识别算法设计 |
| 3.7 物体识别算法设计 |
| 3.7.1 初步的物体识别算法 |
| 3.7.2 改进的物体识别算法 |
| 3.8 实验设计与结果分析 |
| 3.8.1 实验数据集 |
| 3.8.2 实验设置 |
| 3.8.3 评价指标 |
| 3.8.4 实验结果分析 |
| 3.9 本章小结 |
| 第4章 会议照片自动筛选策略的设计 |
| 4.1 引言 |
| 4.2 会议照片质量评价指标的制定 |
| 4.2.1 通用图像质量评价指标 |
| 4.2.2 会议照片特定质量评价指标 |
| 4.3 会议照片自动筛选策略的设计 |
| 4.3.1 会议照片自动筛选流程 |
| 4.3.2 会议照片自动筛选策略 |
| 4.4 实验设计与结果分析 |
| 4.4.1 实验环境 |
| 4.4.2 实验设置 |
| 4.4.3 实验数据集 |
| 4.4.4 实验结果分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间研究成果 |
| 致谢 |
（3）面向异质人脸识别的域不变特征学习方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 常用缩略词表 |
| 第1章 绪论 |
| 1.1 异质人脸识别问题描述 |
| 1.2 异质人脸识别的研究意义及典型应用 |
| 1.2.1 近红外-可见光人脸识别 |
| 1.2.2 3D-2D人脸识别 |
| 1.2.3 素描-照片人脸识别 |
| 1.3 异质人脸识别研究现状及挑战 |
| 1.4 本文主要研究内容与贡献 |
| 1.5 本文结构 |
| 第2章 异质人脸识别简述 |
| 2.1 引言 |
| 2.2 异质人脸识别问题分析及建模 |
| 2.3 异质人脸识别与多模态人脸识别的区别 |
| 2.4 异质人脸识别方法简述 |
| 2.4.1 基于图像合成的方法 |
| 2.4.2 基于特征表示的方法 |
| 2.4.3 基于子空间学习的方法 |
| 2.4.4 基于混合学习的方法 |
| 2.5 异质人脸识别评价体系 |
| 2.5.1 常用异质人脸识别数据库 |
| 2.5.2 常用异质人脸识别性能指标 |
| 2.6 本章小结 |
| 第3章 基于对抗特征学习的异质人脸识别 |
| 3.1 引言 |
| 3.2 相关研究基础介绍 |
| 3.2.1 域自适应 |
| 3.2.2 深度度量学习 |
| 3.3 提出的方法 |
| 3.3.1 问题描述 |
| 3.3.2 域对齐 |
| 3.3.3 基于四元组的类对齐 |
| 3.3.4 总体损失函数 |
| 3.3.5 网络架构 |
| 3.4 实验结果与分析 |
| 3.4.1 实验设置 |
| 3.4.2 数据库和相关协议 |
| 3.4.3 CASIA NIR-VIS2.0数据库上的实验结果 |
| 3.4.4 Oulu-CASIA NIR&VIS数据库上的实验结果 |
| 3.4.5 BUAA-Vis Nir数据库上的实验结果 |
| 3.4.6 IIIT-D Viewed Sketch数据库上的实验结果 |
| 3.4.7 消融实验 |
| 3.5 本章小结 |
| 第4章 基于特征解耦的异质人脸识别 |
| 4.1 引言 |
| 4.2 相关理论基础介绍 |
| 4.2.1 解耦表示 |
| 4.2.2 深度互信息 |
| 4.3 提出的方法 |
| 4.3.1 问题描述 |
| 4.3.2 基于注意力的残差分解 |
| 4.3.3 对抗去相关 |
| 4.3.4 多任务学习 |
| 4.4 实验结果与分析 |
| 4.4.1 实验设置 |
| 4.4.2 数据库和相关协议 |
| 4.4.3 CASIA NIR-VIS2.0数据库上的实验结果 |
| 4.4.4 Oulu-CASIA NIR&VIS数据库上的实验结果 |
| 4.4.5 BUAA-Vis Nir数据库上的实验结果 |
| 4.4.6 IIIT-D Viewed Sketch数据库上的实验结果 |
| 4.4.7 消融实验 |
| 4.5 本章小结 |
| 第5章 室外无约束场景的3D-2D人脸识别 |
| 5.1 引言 |
| 5.2 三维人脸模型与二维人脸图像转换方法 |
| 5.2.1 二维图像生成三维人脸模型的方法 |
| 5.2.2 三维人脸模型生成二维图像的方法 |
| 5.3 算法验证 |
| 5.3.1 数据集和相关协议 |
| 5.3.2 实验结果 |
| 5.4 室外无约束场景下的3D-2D数据库构建 |
| 5.4.1 WS3D-2D数据采集 |
| 5.4.2 WS3D-2D数据库详情 |
| 5.5 改进的方法 |
| 5.5.1 问题描述 |
| 5.5.2 姿态解耦 |
| 5.5.3 四元组样本选择 |
| 5.5.4 总体损失函数 |
| 5.5.5 网络结构 |
| 5.6 实验结果与分析 |
| 5.6.1 实验设置 |
| 5.6.2 数据集和相关协议 |
| 5.6.3 三维注册人脸模型投影方案分析 |
| 5.6.4 不同比对方案分析 |
| 5.6.5 不同模型性能比对分析 |
| 5.6.6 消融实验 |
| 5.7 3D-2D人脸识别应用 |
| 5.8 本章小节 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（4）基于深度学习的多姿态人脸识别的研究（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 |
| 1.3 本文研究内容与意义 |
| 1.4 本文的结构安排 |
| 第二章 多姿态人脸识别相关理论 |
| 2.1 多姿态人脸识别算法 |
| 2.1.1 基于姿态矫正的人脸识别 |
| 2.1.2 基于虚拟人脸多姿态视图的人脸识别 |
| 2.2 神经网络基本理论 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 激活函数 |
| 2.2.4 交叉熵损失函数 |
| 2.3 卷积神经网络结构 |
| 2.3.1 Shortcut connection结构 |
| 2.3.2 Inception结构 |
| 2.4 本章小结 |
| 第三章 基于深度学习的多姿态人脸识别 |
| 3.1 传统的基于神经网络的人脸识别 |
| 3.2 本文多姿态识别技术框架 |
| 3.2.1 设计思路 |
| 3.2.2 本文网络结构 |
| 3.2.3 技术流程 |
| 3.3 本章小结 |
| 第四章 多姿态人脸特征的提取 |
| 4.1 设计思路 |
| 4.2 姿态估计 |
| 4.3 基于神经网络的特征提取 |
| 4.3.0 基础的神经网络模型 |
| 4.3.1 基于ResNet的多姿态网络模型 |
| 4.3.2 基于MobileNetV3 的多姿态网络模型 |
| 4.4 算法伪代码 |
| 4.5 本章小结 |
| 第五章 姿态矫正模块设计 |
| 5.1 设计思路 |
| 5.2 本文设计的理论依据 |
| 5.3 姿态矫正框架 |
| 5.4 图像效果评价 |
| 5.5 本章小结 |
| 第六章 实验结果及分析 |
| 6.1 训练过程 |
| 6.1.1 人脸数据集 |
| 6.1.2 评价准则 |
| 6.1.3 训练机器及结果 |
| 6.2 实验环境 |
| 6.3 CFP数据集测试 |
| 6.4 IJB-A数据集测试 |
| 6.5 LFW数据集测试 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读学位期间的研究成果目录 |
| 致谢 |
（5）高精度三维人脸识别技术及其门禁应用研究（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 研究现状及发展趋势 |
| 1.2.1 人脸识别研究现状 |
| 1.2.2 人脸防伪研究现状 |
| 1.3 本文的主要工作和贡献 |
| 1.4 本文结构 |
| 第2章 基于条纹结构光的高速高精度三维人脸照相机 |
| 2.1 问题概述 |
| 2.2 算法实现 |
| 2.2.1 三维人脸重建方法 |
| 2.2.2 算法优化 |
| 2.3 系统实现 |
| 2.4 本章小结 |
| 第3章 基于特征中心改进的损失函数 |
| 3.1 问题概述 |
| 3.2 基于特征中心改进的损失函数 |
| 3.3 实验与分析 |
| 3.3.1 在二维人脸识别数据上的测试 |
| 3.3.2 在三维人脸识别与二维人脸识别的实验对比 |
| 3.4 本章小结 |
| 第4章 基于特征中心的独立监督损失函数 |
| 4.1 问题概述 |
| 4.2 基于特征中心的独立监督损失函数 |
| 4.3 实验与分析 |
| 4.3.1 二维人脸识别算法实验 |
| 4.3.2 三维与二维人脸识别对比实验 |
| 4.4 本章小结 |
| 第5章 高精度高防伪三维人脸识别算法 |
| 5.1 问题概述 |
| 5.2 高精度高防伪三维人脸识别方法 |
| 5.3 人脸识别防伪任务辅助方法 |
| 5.3.1 双目人脸防伪 |
| 5.3.2 多光谱人脸防伪 |
| 5.4 基于三维人脸识别的门禁应用 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文研究内容与主要贡献 |
| 6.1.1 实现基于条纹结构光的三维人脸重建算法以及硬件设计 |
| 6.1.2 提出Improve-Center与Cosmos-Loss两种人脸识别特征学习方法 |
| 6.1.3 提出高精度高防伪人脸识别方法 |
| 6.1.4 应用示范 |
| 6.2 工作展望 |
| 6.2.1 人脸识别算法目标函数下一步工作 |
| 6.2.2 三维人脸识别方法的下一步工作 |
| 6.2.3 人脸防伪下一步工作 |
| 参考文献 |
| 作者在读期间科研成果简介 |
| 致谢 |
（6）面向非限制条件的人脸识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容和主要创新点 |
| 1.4 论文的结构安排 |
| 第二章 人脸识别各阶段算法概述 |
| 2.1 人脸图像预处理 |
| 2.1.1 人脸去光照 |
| 2.1.2 人脸超分辨 |
| 2.1.3 人脸去模糊 |
| 2.2 人脸关键点检测 |
| 2.2.1 二维人脸关键点检测 |
| 2.2.2 三维人脸关键点检测 |
| 2.3 人脸特征提取 |
| 2.3.1 基于局部特征的人脸特征提取 |
| 2.3.2 基于特征编码的人脸特征提取 |
| 2.3.3 基于深度学习的人脸特征学习 |
| 2.4 安全人脸认证 |
| 2.4.1 基于传统特征的活体人脸检测方法 |
| 2.4.2 基于深度学习的活体人脸检测方法 |
| 2.5 常用的人脸数据库 |
| 2.5.1 二维人脸数据库 |
| 2.5.2 三维人脸数据库 |
| 2.5.3 人脸防伪检测数据库 |
| 2.6 本章小结 |
| 第三章 基于尺度分解及能量模型最小化的人脸去光照方法 |
| 3.1 相关工作 |
| 3.2 能量模型定义 |
| 3.3 能量模型求解 |
| 3.4 实验与分析 |
| 3.4.1 实验数据及模型参数 |
| 3.4.2 可视化实验结果分析 |
| 3.4.3 消融实验分析 |
| 3.4.4 人脸识别结果分析 |
| 3.5 本章小结 |
| 第四章 基于二维辅助学习的人脸三维关键点检测方法 |
| 4.1 相关工作 |
| 4.1.1 三维人脸重建 |
| 4.1.2 三维人脸对齐 |
| 4.2 三维形变模型 |
| 4.3 网络结构 |
| 4.3.1 3DMM系数加权监督 |
| 4.3.2 二维辅助自监督 |
| 4.3.3 生成对抗弱监督 |
| 4.3.4 模型整体训练 |
| 4.4 实验与分析 |
| 4.4.1 实验数据及网络参数 |
| 4.4.2 人脸关键点检测结果分析 |
| 4.4.3 三维人脸重建结果分析 |
| 4.4.4 消融实验分析 |
| 4.5 本章小结 |
| 第五章 基于生成对抗学习的跨姿态低质量人脸复原方法 |
| 5.1 相关工作 |
| 5.1.1 人脸转正 |
| 5.1.2 人脸增强 |
| 5.2 网络结构 |
| 5.2.1 双代理生成网络 |
| 5.2.2 姿态归一化模型 |
| 5.2.3 双代理-先验引导判别网络 |
| 5.2.4 过渡训练 |
| 5.3 实验与分析 |
| 5.3.1 实验数据及网络参数 |
| 5.3.2 消融实验分析 |
| 5.3.3 人脸转正效果分析 |
| 5.3.4 人脸增强效果分析 |
| 5.3.5 人脸识别结果分析 |
| 5.4 本章小结 |
| 第六章 基于深度迁移及多任务学习的人脸防伪方法 |
| 6.1 相关工作 |
| 6.2 基于深度迁移学习的人脸防伪方法 |
| 6.2.1 网络结构 |
| 6.2.2 实验数据及网络参数 |
| 6.2.3 域内测试结果 |
| 6.2.4 域间测试结果 |
| 6.2.5 消融实验分析 |
| 6.3 深度多任务学习人脸防伪方法 |
| 6.3.1 网络结构 |
| 6.3.2 全成对混淆损失 |
| 6.3.3 快速域适应模块 |
| 6.3.4 实验数据及网络参数 |
| 6.3.5 消融实验分析 |
| 6.3.6 域内测试结果 |
| 6.3.7 域间测试结果 |
| 6.3.8 人脸识别结果 |
| 6.4 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（7）多姿态人脸识别算法研究（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 本文主要内容 |
| 1.4 论文组织结构 |
| 第2章 人脸识别简介 |
| 2.1 人脸识别系统的基本流程 |
| 2.1.1 人脸识别相关技术 |
| 2.1.2 人脸识别系统流程 |
| 2.2 多姿态人脸识别算法 |
| 2.3 人脸数据集 |
| 2.4 本章小结 |
| 第3章 基于聚类的多姿态人脸识别算法 |
| 3.1 ASEF算法的原理与改进 |
| 3.2 基于聚类的姿态数据集建立及人脸识别 |
| 3.3 实验对比与分析 |
| 第4章 基于DCGAN的多姿态虚拟人脸生成算法 |
| 4.1 生成对抗网络概述 |
| 4.2 DCGAN的基本理论 |
| 4.3 多姿态虚拟图像的生成 |
| 4.4 实验对比与分析 |
| 第5章 基于卷积神经网络的多姿态人脸识别算法 |
| 5.1 卷积神经网络的原理与结构改进 |
| 5.2 基于虚拟人脸数据集的人脸识别算法 |
| 5.3 实验对比与分析 |
| 5.3.1 实验所需资料数据及网络参数调试 |
| 5.3.2 基于真实-虚拟图像的姿态分类实验 |
| 5.3.3 综合人脸识别效果分析 |
| 结论 |
| 参考文献 |
| 研究生阶段论文发表情况 |
| 致谢 |
（8）基于轻量化卷积神经网络的人脸表情识别方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 历史演变 |
| 1.3 国内外研究现状 |
| 1.4 面部表情识别理论 |
| 1.4.1 理论框架 |
| 1.4.2 现有方法 |
| 1.5 存在的主要难点 |
| 1.6 文章组织结构 |
| 第2章 人脸表情识别的相关技术 |
| 2.1 人脸检测方法 |
| 2.2 人脸校正方法 |
| 2.3 人脸表情特征提取方法综述 |
| 2.4 人脸表情识别方法 |
| 2.4.1 统计模型 |
| 2.4.2 学习模型 |
| 2.5 人脸表情预处理 |
| 2.5.1 数据增广 |
| 2.5.2 数据归一化 |
| 2.6 轻量化卷积神经网络 |
| 2.6.1 轻量化模型 |
| 2.6.2 轻量化方法 |
| 2.7 本章小结 |
| 第3章 基于稠密卷积神经网络的多通道人脸表情识别研究 |
| 3.1 研究背景 |
| 3.2 基于稠密卷积神经网络的多通道人脸表情识别方法 |
| 3.2.1 实验数据集 |
| 3.2.2 人脸检测和面部校正 |
| 3.2.3 稠密卷积神经网络 |
| 3.2.4 三种稠密卷积神经网络模型 |
| 3.3 实验 |
| 3.3.1 实验平台 |
| 3.3.2 实验结果 |
| 3.3.3 与前沿方法比较 |
| 3.3.4 结果分析 |
| 3.4 本章小结 |
| 第4章 基于轻量化卷积神经网络的自发人脸表情识别 |
| 4.1 问题描述 |
| 4.2 基于渐进式稠密网络的人脸表情识别 |
| 4.2.1 稠密卷积神经网络优劣分析 |
| 4.2.2 渐进式分组卷积 |
| 4.2.3 渐进式稠密网络 |
| 4.3 实验结果 |
| 4.3.1 实验数据集 |
| 4.3.2 具体实施方法 |
| 4.3.3 RAF-DB数据集的对照实验 |
| 4.3.4 与前沿方法比较 |
| 4.4 本章小结 |
| 第5章 结论 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 攻读硕士期间取得的研究成果 |
| 致谢 |
（9）人脸识别的侦查应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 实践意义 |
| 1.3 人脸识别研究综述 |
| 1.3.1 人脸识别方法研究综述 |
| 1.3.1.1 基于几何特征的人脸识别 |
| 1.3.1.2 基于模板匹配的人脸识别 |
| 1.3.1.3 基于模型的人脸识别 |
| 1.3.1.4 基于神经网络的人脸识别 |
| 1.3.2 人脸数据库研究综述 |
| 1.3.3 侦查工作中人脸识别应用研究综述 |
| 1.4 研究方法 |
| 1.4.1 文献研究法 |
| 1.4.2 交叉学科研究法 |
| 1.4.3 案例研究法 |
| 1.4.4 实证研究法 |
| 2 人脸识别及其侦查应用的概述 |
| 2.1 相关概念阐述 |
| 2.1.1 人脸识别技术概念 |
| 2.1.2 侦查工作中人脸识别概念 |
| 2.2 人脸识别应用于侦查工作的适用条件 |
| 2.2.1 清晰的人脸图像信息 |
| 2.2.2 适当的人脸识别算法 |
| 2.2.3 完善的人脸数据库 |
| 2.3 人脸识别应用于侦查工作的依据 |
| 2.3.1 同一认定 |
| 2.3.2 信息传输与反馈 |
| 2.4 人脸识别在侦查工作中的应用领域 |
| 2.4.1 应用于核对人员身份 |
| 2.4.2 应用于追逃工作 |
| 2.4.3 应用于监控系统人脸图像识别 |
| 2.4.4 应用于身份不详者及无名尸的辨认 |
| 2.5 侦查工作中人脸识别的价值体现 |
| 2.5.1 丰富犯罪现场信息，为确定侦查方向提供线索 |
| 2.5.2 识别比对人像信息，增强发现犯罪嫌疑人的能力 |
| 2.5.3 实现案件立体化分析，为串并案侦查提供依据 |
| 2.5.4 缓解侦查资源紧缺问题，提高案件分析效率 |
| 3 侦查工作中人脸识别应用的方法体系 |
| 3.1 不同犯罪阶段中人脸识别的应用 |
| 3.1.1 犯罪前的预先干预 |
| 3.1.1.1 直接盘查核实 |
| 3.1.1.2 动态跟踪监控 |
| 3.1.2 犯罪实施中的控制 |
| 3.1.3 犯罪后的由案到人 |
| 3.2 不同侦查技战法中人脸识别的应用 |
| 3.2.1 图像排查法 |
| 3.2.2 信息比对法 |
| 3.2.3 信息关联法 |
| 3.2.3.1 人员信息关联 |
| 3.2.3.2 时空信息关联 |
| 3.2.3.3 警务数据信息关联 |
| 4 侦查工作中人脸识别应用的障碍分析 |
| 4.1 复杂环境中人脸识别应用的障碍 |
| 4.1.1 非约束环境中采集图像的质量问题 |
| 4.1.1.1 遮挡与模糊变形干扰 |
| 4.1.1.2 表情与光线姿态干扰 |
| 4.1.2 动态视频中采集图像的质量问题 |
| 4.2 数据整合中人脸识别应用的障碍 |
| 4.2.1 公安内部数据整合不足 |
| 4.2.2 人脸识别数据库更新滞后 |
| 4.3 侦查主体方面人脸识别应用的障碍 |
| 4.3.1 人脸识别应用机制不健全 |
| 4.3.2 信息挖掘与综合研判不足 |
| 5 侦查工作中人脸识别应用的优化路径 |
| 5.1 共享数据，统一协作常态化 |
| 5.2 凝聚合力，案件分析立体化 |
| 5.2.1 与传统侦查方法相结合，优势互补 |
| 5.2.2 与社会信息相结合，群防群治 |
| 5.2.3 与其他技术相结合，提高准确性 |
| 5.3 规范流程，应用队伍专业化 |
| 结论 |
| 参考文献 |
| 在学研究成果 |
| 一、 在学期间取得的科研成果 |
| 二、 在学期间所获的奖励 |
| 三、 在学期间发表的论文 |
| 致谢 |
（10）无约束人脸识别中若干关键问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人脸识别整体发展史 |
| 1.2.2 深度学习在无约束人脸识别上的发展 |
| 1.2.3 国内人脸识别发展实力 |
| 1.3 无约束人脸识别面临的挑战 |
| 1.4 本文主要工作及章节安排 |
| 1.4.1 主要工作 |
| 1.4.2 论文章节安排 |
| 1.5 本章小结 |
| 第二章 无约束人脸识别相关问题概述 |
| 2.1 人脸识别问题描述 |
| 2.2 深度学习技术介绍 |
| 2.2.1 常用深度网络结构介绍 |
| 2.2.2 人脸分类损失函数 |
| 2.3 常用人脸数据集介绍 |
| 2.3.1 测试数据集 |
| 2.3.2 训练数据集 |
| 2.4 人脸识别算法评价指标 |
| 2.4.1 1:1人脸认证 |
| 2.4.2 1:N人脸辨识 |
| 2.5 本章小结 |
| 第三章 基于数据增广的人脸识别 |
| 3.1 引言 |
| 3.2 数据增广方法 |
| 3.2.1 人脸三维形变模型简介 |
| 3.2.2 基于三维形变模型的人脸增广 |
| 3.3 实验验证 |
| 3.3.1 在MS-celeb-1M数据集上的实验 |
| 3.3.2 消融性研究 |
| 3.3.3 在其他挑战数据集上的实验 |
| 3.4 本章小结 |
| 第四章 基于数据增广的自适应人脸识别 |
| 4.1 引言 |
| 4.2 问题描述和定义 |
| 4.3 深度迁移网络 |
| 4.4 深度迁移网络细节 |
| 4.5 实验验证 |
| 4.5.1 few-shot人脸识别 |
| 4.5.2 鲁棒的人脸识别 |
| 4.6 本章小结 |
| 第五章 基于协同域自适应的小样本人脸识别 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 协同域自适应网络 |
| 5.3.1 网络结构及功能 |
| 5.3.2 伪标签样本生成 |
| 5.4 协同域自适应网络的优化 |
| 5.5 实验评估 |
| 5.5.1 网络结构设置 |
| 5.5.2 网络实现细节 |
| 5.5.3 测试数据集介绍 |
| 5.5.4 在WSC-Face数据集上的测试 |
| 5.5.5 在其他数据集上的测试 |
| 5.5.6 伪标签数量与识别率关系 |
| 5.6 本章小结 |
| 第六章 基于自适应姿态对齐的姿态不变人脸识别 |
| 6.1 引言 |
| 6.2 自适应姿态对齐的姿态不变人脸识别 |
| 6.2.1 相关工作 |
| 6.2.2 自适应姿态对齐 |
| 6.2.3 特征正则化 |
| 6.2.4 姿态不变人脸识别方法 |
| 6.2.5 实验细节 |
| 6.2.6 实验结果 |
| 6.2.7 小节总结 |
| 6.3 基于自适应姿态对齐网络的人脸对齐方法 |
| 6.3.1 引言 |
| 6.3.2 自适应姿态对齐网络 |
| 6.3.3 训练数据的生成 |
| 6.3.4 本节实验 |
| 6.3.5 小节总结 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 参考文献 |
| 附录 缩略语表 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
四、姿态相关的人脸自动识别研究（论文参考文献）
- [1]基于深度学习的真实世界人脸表情识别研究[D]. 李珊. 北京邮电大学, 2021(01)
- [2]基于多维度模式识别的会议照片自动筛选策略研究[D]. 牛芳华. 江西财经大学, 2021(09)
- [3]面向异质人脸识别的域不变特征学习方法研究[D]. 杨善敏. 四川大学, 2021(01)
- [4]基于深度学习的多姿态人脸识别的研究[D]. 张梦雪. 东华大学, 2021(01)
- [5]高精度三维人脸识别技术及其门禁应用研究[D]. 黄飞虎. 四川大学, 2021(01)
- [6]面向非限制条件的人脸识别研究[D]. 涂晓光. 电子科技大学, 2020(03)
- [7]多姿态人脸识别算法研究[D]. 李金羽. 北京建筑大学, 2020(08)
- [8]基于轻量化卷积神经网络的人脸表情识别方法[D]. 杨瀚霆. 北京建筑大学, 2020(08)
- [9]人脸识别的侦查应用研究[D]. 孙航. 中国人民公安大学, 2020(09)
- [10]无约束人脸识别中若干关键问题研究[D]. 安占福. 北京邮电大学, 2020