一、基于模糊HSCC的人脸检测（论文文献综述）
李红艳,曾浩,魏艺杉[1]（2021）在《基于人脸超分的网络视频人脸检测》文中研究指明针对网络视频质量低导致人脸检测准确率低的问题,提出一种基于人脸超分辨率重建的SR Face Detection模型。使用去掉自监督分支且以Resnet50为基础网络的RetinaFace进行帧图片人脸的粗提取;在人脸检测器后增加一个人脸超分辨率重建网络,剔除粗提取人脸中的非人脸。该超分网络的生成网络使用残差密集块进行特征提取,加入注意力损失和热图,更好地还原面部细节;根据实际需求设计一个多判别功能的判别网络。实验结果表明,SR Face Detection模型在WIDER FACE数据集上取得了令人信服的结果,提高了人脸检测准确率,且人脸检测场景越复杂,效果提升越明显。
熊烨[2]（2021）在《基于面部多特征融合的列车司机疲劳检测方法研究》文中提出随着我国铁路技术的提高,列车司机持续实时地监控列车运行信息这种工作方式替代了原有的列车操控方式。结合列车运行时间长且路况复杂的特点,列车司机的工作量日益加大,疲劳驾驶的可能性也日益增大。故实时地检测出列车司机疲劳程度并预警,对保证列车的安全运营有着重大的意义。为了提高列车司机疲劳检测系统的可靠性与准确性,采用图像亮度调整方法减少光照变化对疲劳检测系统的影响。针对不同司机面部差异导致固定阈值无法适用于每位司机的问题,根据每位司机的面部特征制定其自适应阈值,通过模糊推理将各个面部特征相融合实现列车司机疲劳驾驶在线检测。主要研究内容包括:（1）选用了基于分块处理的图像亮度调整方法,根据不同的图像亮度情况使用不同的图像处理方法以改善因光照不均或过暗过亮对疲劳检测系统的影响。（2）综合考虑疲劳检测准确性与实时性的要求,通过基于HOG的人脸检测方法检测出人脸,利用基于ERT法的特征点定位法计算出眼睛以及嘴巴的开合度;实现瞳孔定位,将得到的像素点与人脸特征点定位相结合计算出眼动速率。（3）为使疲劳特征参数阈值适用于每一位司机,应用了基于k-means++的人眼自适应阈值算法,通过k-means++法将疲劳周期内每一位司机的眼睛开合度进行聚类为两类,判断眼睛状态,使阈值的选取具有自适应能力;为进一步区别列车司机打哈欠与其他张嘴行为,使用公用数据集自行检测了在嘴巴自然状态、说话以及打哈欠状态下的嘴巴开合度数据,通过k-means聚类将其分3类,确定出打哈欠情况下的阈值。（4）通过模糊推理系统将眼睛开合度、嘴巴开合度和眼动速率三个指标融合提高了疲劳检测的准确率,实现了疲劳分级,满足实时性要求,该方法准确率达95%。
许国安[3]（2021）在《基于卷积神经网络的人脸识别研究》文中认为近年来,随着科学技术的不断发展,人脸识别技术日渐成熟,使得人脸识别技术的使用率不断增大。例如:门禁、ATM机、公安系统以及新兴起的人机交互等领域,都应用到了人脸识别系统。在人脸识别研究领域中,深度学习扮演着重要的角色。由于深度学习的人脸识别技术凭借其识别率高、识别快等特点,逐渐成为整个领域的主流技术。在众多深度学习算法中,以卷积神经网络为代表的人脸识别系统得到了广泛应用,主要研究内容如下:首先,通过对经典损失函数进行研究,对比每种损失函数的特点,然后根据A-Softmax函数进行改进,借助Margin的方法来改进函数角度,并在函数中添加归一化操作。采用Sphere Face论文中使用的36层模型训练改进的Ds-loss损失函数,验证了改进的损失函数性能,并确定函数参数m的取值。其次,针对卷积神经网络的结构问题,提出一种将残差模块与稠密链接模块混合使用的新型网络结构。在设计网络模型的时候,考虑到过拟合问题,提出了将BN层添加到网络模型中,并在模型的全连接层中使用Dropout函数。在针对特征层设置的问题上,采用内积层提取图像特征,保证了网络模型的迁移能力。再次,针对整个模型的优化算法的问题,提出将动量思想融入到Adam算法中,对改进的优化算法进行设计,更新My Ad算法框架。通过训练改进后的算法,验证了My Ad算法的稳定性。针对第三章设计的网络模型,采用对比试验,比较了DsCNN与ResNet两种网络模型的loss值,并添加了补充实验,验证了DsCNN的识别率在95.8%。最后,在进行人脸识别系统的测试环节上,采用Ada Boost算法的多角度人脸检测技术,对双目摄像头采集到的人脸图像进行检测。在添加数据集的问题上,提出了用Laplacian算法对样本集进行去模糊操作,并成功采集30名同学的图像来完成系统的测试。
肖健[4]（2021）在《基于深度学习的口罩遮挡条件下人脸识别关键技术研究》文中研究说明2019年12月新冠肺炎病毒爆发,随后疫情席卷全球,持续蔓延。在如今疫情防控常态化的形势下,人们出行时普遍戴上了口罩,这给传统的人脸识别技术带来了严峻的挑战。在此背景下,本文研究了基于深度学习的戴口罩的人脸识别技术,提出了相应的改进算法。实验证明,本文改进的算法与传统算法相比有着更优秀的性能。具体研究内容如下:（1）改进了一种基于深度学习的戴口罩人脸检测技术。主要对MTCNN中的R-Net和O-Net进行分析,将其中的NMS算法进行改进,引入soft-NMS算法和Io U-aware技术,将NMS中的置信度定义为选择分类概率分数与Io U的积。优化后的算法不直接取消候选框,也不取消目标已经超过阈值的候选回归框,而是降低该候选回归框的置信度。实验结果表明,优化的算法最低漏检率下降了0.79%,应用在人脸识别模型上的识别准确率提升了2.07%。（2）改进了一种基于深度学习的戴口罩人脸图像质量评估技术。利用数据增强构建了高、低质量的戴口罩人脸图像数据集分别为10866和14565张。设计了一个8层卷积神经网络模型,输出为高质量戴口罩人脸图像的置信度并将其作为图像质量分数。训练实验结果得出高、低质量的戴口罩人脸图像分类的准确率分别为97.93%和97.67%,平均准确率为97.78%。（3）改进了一种基于深度学习的戴口罩人脸识别技术。研究了VGG-16 Net的结构和各个卷积层的感受野区域,并改进了一种基于感受野区域权值的算法,根据二维高斯核函数的滤波特性设计了一种截断二维高斯核函数,设置参数(d=7,σ=3,可使得感受野中遮挡区域权值减小,人脸有效特征信息的权值增大。实验结果表明,优化的算法应用在人脸识别模型上,识别准确率提高了5.81%。
王晓媛[5]（2021）在《基于互联网图像的人脸唇色与发色分析研究》文中指出时尚分析在时装产业、精准营销、社会行为分析等领域具有巨大的潜力,近几年越来越受到人们的关注。目前的时尚分析工作大多集中于分析服装的流行风格与流行趋势,而很少有学者关注人脸妆容的流行元素。人体的软生物特征提供人体中级描述,可以根据属性划分出具有某个特质的人群,如人脸具有多种属性,包括性别、年龄、种族、发型、发色等。本文主要致力于通过对人脸软生物特征的分析来获取唇色和发色的流行色。对于此任务,本文主要解决三大问题:数据收集、遮挡检测、色彩分析。（1）互联网上每天有数以万计的图片发布,这是分析社会群体流行元素非常好的数据来源。本文从互联网收集了两个数据集用于获取流行色,分别是Fashion-Internet:包含20982张图片,全是中国人;Fashion-Show:包含55203张图片,是近几年时装秀的模特走秀图片。两个流行色分析数据集中的每张图片经人脸检测、遮挡检测、人脸解析三大步骤,提取出嘴唇区域和头发区域。此外,对于Fashion-Show数据集,还额外进行属性分析,将其中数据按照性别和种族进行划分,便于之后分析不同人群的流行色。由于网络图片含有各种各样的遮挡,本文还收集了两个遮挡人脸数据集,分别包含15366张嘴部遮挡图片和14580张头发遮挡图片,同时对公开人脸遮挡数据集MAFA进行相应标注,用来训练嘴部和头发遮挡检测器。（2）为去除流行色分析数据集中的遮挡人脸,提出新的激活函数MMFM并将其与深度可分离卷积结合,在此基础上设计出新的网络框架,该网络具有参数量少、计算速度较快的特点。将网络在本文构建的遮挡人脸数据集上训练,提升人脸嘴部及头发遮挡检测准确率。（3）获取嘴唇区域和头发区域后,利用高斯加权来更加准确地提取颜色特征,并将密度聚类与模糊C均值聚类算法结合以去除离群点对结果的影响,以此来量化分析流行色。本文在两个流行色分析数据集上进行实验,得到中国人的流行唇色和发色,以及时装秀上不同时间段、不同性别、不同人种的流行色。本文获取不同人群的人脸流行唇色和发色,针对其中涉及的数据收集、遮挡检测和色彩分析等问题进行了研究,为流行色分析提供了新的视角,构建了人脸属性的一种新的实际应用场景。本文方法无需唇色和发色的具体分类标签,自动提取色彩特征用于聚类分析流行色,具有一定的实际应用价值,对相关产品的营销及推荐有一定意义。
郭达[6]（2021）在《基于深度学习的人脸检测与分析》文中研究表明人脸分析系统在视频监控等安防场景下具有重要意义。目前在光照正常的情况下,基于可见光的人脸分析系统在人脸的各个任务上都已经实现了不错的效果,但是分析效率还有待进一步提升。此外,在一些具有挑战性的监控场景下,例如在黑暗环境下,由于可见光相机无法采集到清晰的人脸图像,基于可见光的人脸分析系统受到限制。在这种情况下,只有红外相机可以采集到清晰的人脸图像,因此基于红外-可见光的跨模态人脸识别对于监控安防场景具有重要的弥补作用和战略意义。针对以上问题,本文首先提出了一种基于可见光的多任务异构级联卷积神经网络,来提高监控场景下人脸分析系统的分析效率。其次,针对光照受限的弱光或者黑暗环境下,本文提出了一种用于跨模态人脸识别的全局-局部约束的人脸生成对抗网络GCF-GAN,有效改善了近红外人脸到可见光的生成结果,并提高了跨模态人脸的识别精度。在正常光照的监控场景下,基于可见光的人脸分析系统不仅需要做到精度高,还要尽可能高效。为了提高监控场景下人脸分析系统的分析效率,本文提出了一种人脸多任务的通用框架,称为多任务级联异构卷积神经网络（MHCNN）,同时实现人脸检测、人脸关键点定位、人脸图像质量评估和人脸属性分析。MHCNN由一个高精度单步检测器（SSD）和一个高效的微型卷积神经网络（T-CNN）组成,其中,单步人脸检测器负责高精度地检测人脸,T-CNN用于精炼上一级的检测结果,并同时实现人脸关键点定位和人脸属性分析等任务。尽管基于SSD的人脸检测器取得了出色的结果,但我们发现在检测中应用T-CNN可以进一步提高检测到的人脸分数。通过多任务训练,T-CNN能够同时实现人脸关键点定位、人脸属性分析和人脸图像质量评估这几个任务。由于公开的人脸相关数据集中没有我们需要的人脸图像质量评分数据和包含墨镜及口罩的人脸属性识别数据,因此我们贡献了两个从互联网上收集的数据集Face Q和Face A。实验表明,我们的MHCNN在FDDB上明显降低了单步人脸检测器在高召回率下的误检,并在Face Q和Face A上达到了出色的结果。尽管基于可见光的人脸识别技术发展迅速且应用丰富,但是在光照受限的弱光或者黑暗环境下,由于红外人脸采集成本高、数据量稀少,基于红外-可见光的跨模态人脸识面临着极大的挑战。针对这一问题,本文提出了一种用于跨模态人脸识别的全局-局部约束的人脸生成对抗网络GCF-GAN,有效改善了近红外人脸到可见光人脸的生成效果,并在CASIA NIR-VIS 2.0数据集上有效提升了跨模态人脸的识别精度。由于人脸的鉴别性主要体现在眼睛、鼻子和嘴巴等核心区域的差别,因此,GCF-GAN在生成人脸的过程中,通过对这些五官核心区域进行额外的局部约束,加强这些局部区域的细节生成,从而生成出更加真实的可见光人脸,提升了跨模态人脸的识别精度。此外,由于当前市面上并没有足够大的热红外-可见光人脸数据集。本文贡献了一个基于偏振成像的大规模多属性多姿态的热红外-可见光人脸数据集SIAT IR-VIS 1.0,此数据集具有重要的实际应用价值和战略研究意义。
陆文晋[7]（2021）在《中小企业金融风险预警模型构建与研究》文中提出中小企业贷款难问题的关键在于建立银行或者金融机构与中小企业的信任机制,而银行或者金融机构缺失了对中小企业的末端数据抓手,无法完全打破与中小企业的信息不对称。而5G低延迟、高带宽的传输特性增强了物联网设备在末端数据的采集和预处理能力,使得其能够成为持续可信的数据纽带。因此,本研究着手物联网数据,以新视角构建企业信用风险评价指标。基于指标构建的科学性和易获得性的原则,本研究选取了企业用量率均值、企业员工到岗率、第三方综合评分均值作为中小企业信用风险评价的三个指标。科学性在于:该评价指标既考虑了第三方平台对企业公开信息的综合判断,又考虑了企业可能存在的停工或停产的风险点,能够有效的反映企业生产经营活动状况的波动。易获得性在于:综合运用图像处理技术、物联网技术、OCR模型,可统计企业每日的用量信息以及员工实际到岗人数。借助固定架设的物联网设备拍摄对应计量设备的照片并采用Paddle OCR内置模型识别从照片中截取出的待识别区域图片,得到传统电表、水表、燃气表当日的用量数据;利用Pyramid Box人脸检测模型对公司前台（进出位置）架设的配备开放接口的高清摄像头拍摄的视频数据的进行人流量统计分析,推算出当日实际到岗人数。最后,基于所构建的企业信用风险评价指标,建立了模糊逻辑金融风险预警模型。依据模糊逻辑相关理论及所构建的评价指标,设计模糊逻辑模型所需的模糊子集、隶属函数和控制规则,构造用于评价中小企业信用风险的经典模糊逻辑模型。针对经典模糊逻辑模型中,单一隶属函数无法准确地表达输入变量对某一概念的隶属程度的问题,借鉴组合赋权的思想及引入R2拟合优度评价指标,对多种隶属函数进行组合赋权,实现对经典模糊逻辑模型的优化。实证分析表明:经典模糊逻辑模型与组合隶属函数调优的模糊逻辑模型均能够有效反映企业的金融风险值并预警;组合隶属函数调优的模糊逻辑模型相对于经典模糊逻辑模型准确率及稳定性更好。
李心达[8]（2021）在《基于深度学习的人脸识别算法研究》文中研究表明人脸识别是计算机视觉和模式识别中最活跃的研究领域之一,具有许多实际应用,广泛应用于军事、金融、公共安全和日常生活等领域,精准识别一个人变得极其重要。近年来,已经提出了许多优秀算法、结构和数据库来解决人脸识别。但针对亚洲人脸在小样本的数据集情况下,更精准的识别人脸仍然是一项重大的挑战。对于一个完整的人脸识别系统拥有图像预处理,人脸检测与人脸识别三个步骤。本文从这三方面做出提高,扩充数据集,改进现有算法,提出新模型,获得良好的测试效果:1)针对小样本数据集使得网络模型训练不充分的问题,采用数据增强与网络生成技术,扩充样本数据集。本文从扩充现有人脸照片样本的丰富性的角度入手,实现对数据样本的扩充,达到样本不足的情况下也能实现训练人脸识别模型。对数据样本扩充的不仅采用数据增强技术,如镜像,裁剪及加噪等技术手段。而且利用生成对抗网生成的方式,通过对抗生成网络模型产生丰富的样本数据,增添更多包含人脸信息的样本数据,以期网络模型能从样本图像中学到更多特征。2)针对重叠半遮挡人脸检测精度不准确的问题,改进多任务卷积网络算法模型,提高了对人脸位置的精确定位。首先,分析经典的多任务卷积网络模型,然后对其添加多层感知模块,使得网络获得更丰富的细节信息与边缘信息,同时改进其损失函数,进行类间距与类内间距的多平衡,最后利用非极大抑制技术,对多重叠区域进行合并与省略,提高了检测人脸检测区域的精度和完整度。使用改进后的人脸检测算法,进行人脸检测和对齐,得到适合人脸识别网络的图片尺寸,为后续识别做好准备。3)针对人脸识别模型在数据不充足时不能获得良好训练效果的问题,设计由残差网络做特征提取的孪生网络模型,提高人脸识别准确率。首先对残差网络结构进行分析研究,更改其网络模型;使改进后的结构组成孪生网络,设计一种全新的卷积神经网络。使用丰富生成扩展后的人脸样本集进行学习训练,训练出较优秀的网络模型。对该模型进行多组实验进行分析,对比已有的算法,获得较好的性能提升,实现了针对亚洲人脸拥有优秀的识别准确率。
赵军艳[9]（2021）在《复杂场景中基于YOLOv3的鲁棒人脸检测研究》文中提出近年来人脸检测被广泛应用在校园门禁、刷脸支付、视频监控和目标追踪等各个方面。同时,人们在实时性、安全性和可靠性上,对基于人脸的特征点定位、检测和识别等相关应用提出了更高的要求。此外,在人脸密集、尺度不一、与背景高度相似以及高度遮挡等复杂场景中,人脸检测经常达不到预期效果,人脸检测技术上的挑战依然存在,复杂场景中的鲁棒人脸检测仍然是国内外的热点研究。为了提高人脸检测在复杂场景中的应用性,针对检测中遇到的问题和挑战,论文设计实现了一种基于YOLOv3的鲁棒人脸检测模型,具体工作如下:（1）复杂场景中,人脸目标与图像背景在形状、颜色相似时,容易出现误检现象,本文提出了一种基于注意力机制的人脸检测方法YOLOv3-attention。首先设计了基于混合域的注意力模块,通过生成特征权重的方式,获取图像中所需重点关注的人脸区域信息,抑制无关的背景区域信息。此外,网络中使用的anchor也是一个重要的部分,本文采用K-means++算法对人脸真实框的尺寸进行聚类分析,设置更小尺寸的anchor box来捕获小人脸目标。通过WIDERFACE人脸数据集上的实验,验证YOLOv3-attention方法与YOLOv3相比在人脸上的召回率有明显提高,网络检测精确度也进一步提升。（2）图像中人脸尺度不一,模型在大中尺寸的人脸上可以获得较高的检测精度,但是对于小人脸的检测效果不好。为了解决场景中小人脸的漏检问题,设计了一个提高低分辨率小人脸检测性能的检测模型SR-YOLOv3-attention。网络采用Dark Net53作为骨干网络,首先使用混合域注意力模块对模糊和小的人脸的输出特征进行处理,然后融入超分辨率重建模块对低分辨率的人脸进行数据增强,以此弥补浅层特征中不具有的高级语义信息,增强深层特征丢失的目标纹理信息。在WIDERFACE数据集上进行测试,SR-YOLOv3-attention在easy、medium和hard三个测试子集上的检测精确度分别为0.946、0.937、0.872,与其他人脸检测算法MTCNN、CMS-RCNN、HR和S3FD相比,在测试子集hard上测精度分别提高了0.243、0.229、0.053、0.013。实验结果验证了SR-YOLOv3-attention可以很好地利用人脸信息,有效地检测出图像中的难检测人脸,具有很好的鲁棒性。
毛雅棋[10]（2021）在《基于深度学习的低分辨率图像人脸识别技术研究》文中研究表明随着计算机视觉产业的逐渐普及,人脸识别技术在日常生活中得到广泛应用,尤其在今年的防疫工作中人脸识别测温一体机发挥重要作用。尽管现有的人脸识别算法能够准确识别限制条件下的高分辨率图像,实际场景中环境和人为因素影响图像质量,导致识别准确率降低。本文研究基于深度学习的低分辨率图像人脸识别技术,解决低分辨率场景下人脸检测、图像重构、特征提取等问题,提升识别精度,主要工作如下:（1）人脸检测作为人脸识别系统的重要模块,需要从待测图像中识别出人脸边框,为后续识别算法定位人脸区域。人脸角度、光照条件等因素会影响检测准确率,本文在MTCNN模型上进行改进,包括应用最先进的非极大值抑制算法Soft-NMS、提出合成困难样本填充训练集以及人脸检测误判算法。实验证明,该算法能够准确定位低分辨率图像中的人脸区域,检测耗时较低。（2）提出基于深度学习的人脸识别算法,首先应用SRCNN重构低分辨率人脸图像,再通过VGG模型提取人脸特征,应用主成分分析（PCA）对特征进行筛选,最后由分类器完成人脸特征匹配。通过优化损失函数提升模型性能,在经过下采样的两个公开数据集FERET和LFW上评估提出的算法,识别准确率得到提高。（3）对上述提出的算法进行整合,模块化实现低分辨率人脸识别系统,收集外接摄像头拍摄真实场景下的低分辨率人脸图像来评估该系统。应用改进的MTCNN模型完成人脸检测、SRCNN模型重构低分辨率人脸图像、Res Net模型完成特征提取、分类器完成特征匹配。实验结果表明本文提出的方法能够在低分辨率真实应用场景下完成人脸识别,在准确率和效率上均有保障,具有实际应用价值。
二、基于模糊HSCC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、基于模糊HSCC的人脸检测（论文提纲范文）
（1）基于人脸超分的网络视频人脸检测（论文提纲范文）
| 0 引言 |
| 1 相关工作 |
| 2 SRFace Detection人脸检测模型 |
| 2.1 人脸检测模型的整体网络结构 |
| 2.2 人脸超分辨率网络的设计 |
| 2.3 人脸检测Retina Fcea算法框架的改良优化 |
| 2.4 损失函数 |
| 3 实验结果 |
| 3.1 数据集 |
| 3.2 训练细节 |
| 3.3 评估验证 |
| 3.4 实验结果分析 |
| 4 结束语 |
（2）基于面部多特征融合的列车司机疲劳检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于司机生理特征的检测方法 |
| 1.2.2 基于司机行车数据的检测方法 |
| 1.2.3 基于司机面部特征的检测方法 |
| 1.3 主要研究内容 |
| 1.4 技术路线 |
| 2 基于分块处理的图像亮度调整 |
| 2.1 概述 |
| 2.2 基于分块处理的图像亮度调整算法 |
| 2.3 分块图像亮度调整实验结果分析 |
| 2.4 小结 |
| 3 人脸检测与人脸特征点定位 |
| 3.1 概述 |
| 3.2 HOG特征 |
| 3.2.1 HOG特征的提取 |
| 3.2.2 HOG积分图 |
| 3.3 SVM算法 |
| 3.3.1 SVM算法概述 |
| 3.3.2 训练SVM向量机 |
| 3.4 人脸特征点定位 |
| 3.4.1 人脸特征点定位方法概述 |
| 3.4.2 基于ERT法的人脸特征点定位 |
| 3.5 小结 |
| 4 司机疲劳特征提取 |
| 4.1 概述 |
| 4.2 瞳孔定位及眼动速率 |
| 4.2.1 瞳孔定位概述 |
| 4.2.2 人眼瞳孔定位 |
| 4.2.3 眼动速率 |
| 4.3 疲劳特征提取 |
| 4.4 疲劳特征阈值选取 |
| 4.4.1 k-means算法概述 |
| 4.4.2 基于k-means++的人眼自适应阈值法 |
| 4.4.3 基于k-means的嘴巴开合度阈值选取 |
| 4.5 小结 |
| 5 基于模糊推理的列车司机多特征疲劳检测 |
| 5.1 概述 |
| 5.2 模糊推理过程 |
| 5.3 实验结果分析 |
| 5.3.1 列车司机在不同状态下的疲劳等级检测 |
| 5.3.2 单一参数检测方法与本文方法检测结果对比 |
| 5.3.3 疲劳检测性能测试 |
| 5.4 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（3）基于卷积神经网络的人脸识别研究（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 |
| 1.2.1 研究现状 |
| 1.2.2 传统人脸识别算法 |
| 1.2.3 基于深度学习的人脸识别算法 |
| 1.3 本文主要研究内容 |
| 1.4 论文组织结构 |
| 第2章 人脸损失函数的改进与验证 |
| 2.1 常见人脸识别数据集 |
| 2.2 人脸识别损失函数的研究 |
| 2.2.1 Softmax交叉熵损失函数 |
| 2.2.2 双约束损失函数 |
| 2.2.3 LAM损失函数 |
| 2.2.4 CosFace损失函数 |
| 2.2.5 ArcFace损失函数 |
| 2.3 损失函数的归一化 |
| 2.4 A-Softmax损失函数的改进 |
| 2.5 损失函数的验证与分析 |
| 2.5.1 参数m的取值验证 |
| 2.5.2 归一化作用验证 |
| 2.5.3 Ds-loss函数的性能验证 |
| 2.6 本章小结 |
| 第3章 卷积神经网络的设计与研究 |
| 3.1 卷积神经网络基本结构 |
| 3.2 卷积神经网络模型的研究 |
| 3.2.1 浅层卷积神经网络 |
| 3.2.2 深层卷积神经网络 |
| 3.3 卷积神经网络模型的改进 |
| 3.3.1 卷积神经网络模型分析与选择 |
| 3.3.2 卷积神经网络模型的设计 |
| 3.4 人脸识别的特征提取层 |
| 3.4.1 人脸特征提取层 |
| 3.4.2 人脸特征提取层设置 |
| 3.4.3 人脸识别网络输入输出设置 |
| 3.5 基于AdaBoost算法的多角度人脸检测 |
| 3.5.1 Haar-like与积分图 |
| 3.5.2 分类器的构造与强分类器级联 |
| 3.5.3 AdaBoost算法 |
| 3.5.4 多角度检测人脸 |
| 3.6 本章小结 |
| 第4章 优化算法的改进与改进模型的验证 |
| 4.1 优化算法的研究与对比 |
| 4.2 基于动量思想的Adam算法改进 |
| 4.2.1 MyAD算法框架 |
| 4.2.2 MyAD算法验证 |
| 4.3 DsCNN模型仿真分析 |
| 4.3.1 BN层性能验证 |
| 4.3.2 基于ResNet模型的仿真 |
| 4.3.3 基于DsCNN模型仿真 |
| 4.3.4 模型仿真结果分析 |
| 4.4 本章小结 |
| 第5章 基于CNN人脸识别实验与仿真 |
| 5.1 系统总体框架 |
| 5.2 人脸识别系统试验环境 |
| 5.2.1 硬件平台 |
| 5.2.2 双目摄像头 |
| 5.2.3 Tensorflow框架 |
| 5.3 人脸识别系统 |
| 5.3.1 添加数据集 |
| 5.3.2 数据集去模糊 |
| 5.3.3 人脸识别系统具体实现 |
| 5.3.4 系统测试及性能总结 |
| 5.4 性能分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的科研成果 |
| 致谢 |
（4）基于深度学习的口罩遮挡条件下人脸识别关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 人脸识别的研究内容及难点 |
| 1.2.1 人脸识别的研究内容 |
| 1.2.2 人脸识别的难点 |
| 1.3 遮挡条件下人脸识别的研究现状 |
| 1.4 论文主要研究内容与章节安排 |
| 1.4.1 论文主要研究内容 |
| 1.4.2 论文章节安排 |
| 2 相关理论基础 |
| 2.1 深度学习概述 |
| 2.2 MTCNN的简介 |
| 2.2.1 MTCNN的结构 |
| 2.2.2 MTCNN的工作原理 |
| 2.3 VGG-16 Net |
| 2.4 本章小结 |
| 3 戴口罩人脸图像质量评估技术 |
| 3.1 人脸图像质量评估概述 |
| 3.2 人脸图像质量评估的意义 |
| 3.3 数据集的构建 |
| 3.4 搭建m FIQA的网络 |
| 3.5 实验结果讨论 |
| 3.6 本章小结 |
| 4 戴口罩人脸检测与识别技术 |
| 4.1 MTCNN的训练 |
| 4.2 非极大值抑制算法 |
| 4.2.1 NMS算法的工作原理 |
| 4.2.2 NMS算法的局限性 |
| 4.3 改进的mMTCNN算法 |
| 4.4 高斯核函数的分析 |
| 4.4.1 一维高斯核函数 |
| 4.4.2 二维高斯核函数 |
| 4.5 改进的gVGG-16 Net算法 |
| 4.5.1 感受野理论分析 |
| 4.5.2 gVGG-16 Net的设计 |
| 4.5.3 参数σ与d的确定 |
| 4.6 本章小结 |
| 5 综合对比实验 |
| 5.1 建立数据集 |
| 5.2 确立评价指标 |
| 5.3 人脸检测改进模型mMTCNN的对比实验 |
| 5.4 人脸识别改进模型gVGG-16 Net的对比实验 |
| 5.5 综合改进对比实验 |
| 5.5.1 mMTCNN+gVGG-16 Net的相应对比实验 |
| 5.5.2 mMTCNN+ mFIQA+gVGG-16 Net的相应对比实验 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者攻读学位期间取得的研究成果 |
（5）基于互联网图像的人脸唇色与发色分析研究（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 |
| 1.2.1 流行分析 |
| 1.2.2 人脸妆容 |
| 1.2.3 属性分析 |
| 1.3 论文主要工作 |
| 1.4 论文组织结构 |
| 第2章 相关知识与技术 |
| 2.1 深度学习 |
| 2.2 人脸检测 |
| 2.3 遮挡检测 |
| 2.4 语义分割 |
| 2.5 聚类算法 |
| 2.6 本章小结 |
| 第3章 数据集 |
| 3.1 遮挡人脸数据集 |
| 3.1.1 嘴部遮挡数据 |
| 3.1.2 头发遮挡数据 |
| 3.2 流行色分析数据集 |
| 3.2.1 Fashion-Internet |
| 3.2.2 Fashion-Show |
| 3.2.3 数据处理流程 |
| 3.3 本章小结 |
| 第4章 人脸遮挡检测 |
| 4.1 网络结构 |
| 4.1.1 MMFM结构 |
| 4.1.2 GROUP结构 |
| 4.1.3 人脸遮挡检测网络结构 |
| 4.2 实现细节 |
| 4.3 结果与分析 |
| 4.4 本章小结 |
| 第5章 流行色统计分析 |
| 5.1 分析方法 |
| 5.2 色彩特征提取 |
| 5.3 基于直方图的聚类统计 |
| 5.4 基于单一色彩的聚类统计 |
| 5.4.1 Fashion-Internet分析结果 |
| 5.4.2 Fashion-Show分析结果 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 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 |
（6）基于深度学习的人脸检测与分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人脸检测 |
| 1.2.2 人脸关键点定位 |
| 1.2.3 跨模态人脸识别 |
| 1.3 研究内容及章节安排 |
| 第2章 基于深度学习的人脸相关技术介绍 |
| 2.1 人脸相关数据集 |
| 2.1.1 人脸检测数据集 |
| 2.1.2 人脸关键点及属性识别数据集 |
| 2.1.3 跨模态人脸识别数据集 |
| 2.2 人脸分析系统视觉方法 |
| 2.2.1 人脸分析系统整体框架 |
| 2.2.2 人脸检测方法介绍 |
| 2.3 跨模态人脸识别方法介绍 |
| 2.3.1 基于特征提取的跨模态人脸识别方法介绍 |
| 2.3.2 基于图像生成的跨模态人脸识别方法介绍 |
| 第3章 监控场景下人脸检测与分析的一体化算法 |
| 3.1 前言 |
| 3.2 多任务异构级联卷积神经网络 (MHCNN) |
| 3.2.1 概述 |
| 3.2.2 基于SSD的人脸检测器 |
| 3.2.3 多任务小型CNN |
| 3.3 FaceA和FaceQ数据集 |
| 3.4 实验细节与结果分析 |
| 3.4.1 实现细节 |
| 3.4.2 人脸检测任务评估 |
| 3.4.3 人脸属性识别分析 |
| 3.4.4 人脸质量评估分析 |
| 3.5 算法性能分析 |
| 3.6 本章小结 |
| 第4章 基于图像生成的人脸跨模态识别 |
| 4.1 前言 |
| 4.2 人脸局部监督生成对抗网络 (GCF-GAN) |
| 4.2.1 概述 |
| 4.2.2 GCF-GAN基于Mask的全局-局部约束 |
| 4.3 热红外-可见光数据集SIAT IR-VIS 1.0 |
| 4.4 实验与结果分析 |
| 4.4.1 实现细节 |
| 4.4.2 在CASIA NIR-VIS 2.0 数据集上的实验结果 |
| 4.4.3 在SIAT IR-VIS 1.0 数据集上的实验结果 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
| 致谢 |
（7）中小企业金融风险预警模型构建与研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 企业金融风险评价研究热点分析 |
| 1.2.2 模糊逻辑应用领域分析 |
| 1.2.3 研究启示 |
| 1.3 研究内容及方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 研究思路及创新点 |
| 1.4.1 研究思路 |
| 1.4.2 创新点 |
| 第二章 相关理论基础 |
| 2.1 人脸检测算法 |
| 2.1.1 卷积神经网络 |
| 2.1.2 Pyramid Box人脸检测模型 |
| 2.2 OCR模型 |
| 2.2.1 SAST文字检测模型 |
| 2.2.2 CRNN文本识别模型 |
| 2.3 经典模糊理论 |
| 2.3.1 模糊化过程 |
| 2.3.2 知识库 |
| 2.3.3 推理决策 |
| 第三章 模糊逻辑风险评价模型设计 |
| 3.1 评价指标选取 |
| 3.2 经典模糊逻辑模型构造 |
| 3.2.1 模糊子集和隶属函数定义 |
| 3.2.2 控制规则生成 |
| 3.2.3 模糊推理及去模糊 |
| 3.3 模糊逻辑风险评价模型调优设计 |
| 3.3.1 组合隶属函数设计 |
| 3.3.2 组合隶属函数生成 |
| 第四章 企业金融风险预警实证分析 |
| 4.1 数据获取及预处理 |
| 4.1.1 当日用量数据获取 |
| 4.1.2 当日实际到岗人数获取 |
| 4.1.3 当日第三方综合评分获取 |
| 4.1.4 数据预处理 |
| 4.2 模糊逻辑模型评分及预警 |
| 4.3 实验结果分析及结论 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
| 附录1 |
（8）基于深度学习的人脸识别算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及研究的目的和意义 |
| 1.2 人脸识别的国内外研究现状 |
| 1.2.1 传统人脸识别技术的发展 |
| 1.2.2 基于深度学习的人脸识别技术 |
| 1.3 论文的主要内容 |
| 1.3.1 论文工作 |
| 1.3.2章节安排 |
| 第2章 深度学习人脸识别基础理论 |
| 2.1 人脸识别流程系统 |
| 2.2 深度卷积神经网络理论 |
| 2.2.1 卷积深度神经网络的基本结构 |
| 2.2.2 卷积神经网络训练 |
| 2.2.3 经典深度神经网络模型 |
| 2.3 深度学习算法流程 |
| 2.4 人脸识别中的评估协议 |
| 2.5 本章小结 |
| 第3章 样本构建与扩充 |
| 3.1 基于数据增强的样本数据扩充技术 |
| 3.2 基于对抗生成网络的样本数据扩充技术 |
| 3.3 数据集扩建的实现 |
| 3.3.1 实验数据集 |
| 3.3.2 基于数据增强扩充数据 |
| 3.3.3 基于生成对抗扩充数据 |
| 3.4 本章小结 |
| 第4章 基于改进的多任务卷积网络人脸检测 |
| 4.1 多任务的人脸检测网络 |
| 4.1.1 MTCNN算法流程 |
| 4.1.2 MTCNN网络结构 |
| 4.2 MTCNN算法分析 |
| 4.3 人脸检测网络改进与优化 |
| 4.3.1 损失层 |
| 4.3.2 NMS优化 |
| 4.4 改进后多任务人脸检测算法实验及分析 |
| 4.5 本章小结 |
| 第5章 融合残差网络与孪生网络的人脸识别算法 |
| 5.1 残差网络 |
| 5.2 孪生网络 |
| 5.2.1 孪生网络结构 |
| 5.2.2 孪生网络的优缺点 |
| 5.3 融合的孪生残差网络构建 |
| 5.3.1 构建后网络模型结构 |
| 5.3.2 分类损失函数 |
| 5.4 网络模型训练 |
| 5.5 训练结果及测试 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论及创新点 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（9）复杂场景中基于YOLOv3的鲁棒人脸检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 国内外研究进展 |
| 1.2.1 传统的人脸检测方法 |
| 1.2.2 基于Ada Boost的人脸检测方法 |
| 1.2.3 基于卷积神经网络的人脸检测方法 |
| 1.3 本文研究内容 |
| 1.4 论文组织结构 |
| 第2章 相关技术理论基础 |
| 2.1 卷积神经网络模型 |
| 2.1.1 常见的网络层 |
| 2.1.2 激活函数 |
| 2.1.3 损失函数 |
| 2.2 基于深度学习的目标检测算法 |
| 2.2.1 两步目标检测算法 |
| 2.2.2 单步目标检测算法 |
| 2.3 非极大值抑制算法 |
| 2.4 本章小结 |
| 第3章 基于注意力机制的人脸检测 |
| 3.1 YOLOv3 网络模型 |
| 3.1.1 残差网络 |
| 3.1.2 特征金字塔网络 |
| 3.2 注意力机制 |
| 3.2.1 基于空间域的注意力机制 |
| 3.2.2 基于通道域的注意力机制 |
| 3.3 基于注意力机制的人脸检测 |
| 3.3.1 注意力模块的设计 |
| 3.3.2 人脸检测模型设计 |
| 3.3.3 感受野与anchor机制 |
| 3.4 实验及分析 |
| 3.4.1 实验数据集 |
| 3.4.2 人脸检测评价指标 |
| 3.4.3 实验方法 |
| 3.4.4 实验结果及分析 |
| 3.5 本章小结 |
| 第4章 融合超分辨率重建的小人脸检测 |
| 4.1 图像超分辨率重建技术 |
| 4.1.1 基于插值的超分辨率重建方法 |
| 4.1.2 基于重构的超分辨率重建方法 |
| 4.1.3 基于学习的超分辨率重建方法 |
| 4.1.4 SRGAN图像超分辨率重建 |
| 4.2 两级人脸检测网络模型SR-YOLOv3-attention |
| 4.2.1 网络设计 |
| 4.2.2 损失函数 |
| 4.3 实验及分析 |
| 4.3.1 实验方法 |
| 4.3.2 实验结果及分析 |
| 4.4 本章小结 |
| 第5章 总结 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（10）基于深度学习的低分辨率图像人脸识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 人脸识别国内外研究现状 |
| 1.3 低分辨率图像人脸识别国内外研究现状 |
| 1.3.1 基于超分辨率的方法 |
| 1.3.2 基于公共特征子空间的方法 |
| 1.4 论文主要研究内容及结构 |
| 1.4.1 研究内容 |
| 1.4.2 论文结构 |
| 第2章 低分辨率人脸识别相关技术研究 |
| 2.1 低分辨率人脸识别技术 |
| 2.2 超分辨率重构技术 |
| 2.2.1 基于插值的超分辨率重构方法 |
| 2.2.2 基于学习的超分辨率重构方法 |
| 2.3 卷积神经网络 |
| 2.4 本章小结 |
| 第3章 基于MTCNN的低分辨率人脸检测算法 |
| 3.1 人脸检测概述 |
| 3.2 MTCNN模型结构 |
| 3.2.1 图像金字塔 |
| 3.2.2 级联卷积神经网络 |
| 3.3 基于MTCNN的低分辨率人脸检测算法 |
| 3.3.1 图像预处理 |
| 3.3.2 改进NMS算法 |
| 3.3.3 人脸误报判定算法 |
| 3.4 实验分析 |
| 3.4.1 实验环境及指标 |
| 3.4.2 数值分析 |
| 3.5 本章小结 |
| 第4章 基于CNN的低分辨率人脸识别算法 |
| 4.1 人脸识别概述 |
| 4.2 超分辨率重构 |
| 4.3 特征提取 |
| 4.3.1 CNN模型结构 |
| 4.3.2 损失函数及优化 |
| 4.4 特征筛选 |
| 4.5 人脸匹配 |
| 4.6 实验分析 |
| 4.6.1 FERET数据集实验分析 |
| 4.6.2 LFW数据集实验分析 |
| 4.7 本章小结 |
| 第5章 低分辨率人脸识别系统设计 |
| 5.1 人脸识别系统概述 |
| 5.2 低分辨率人脸识别框架 |
| 5.2.1 视频图像处理模块 |
| 5.2.2 人脸检测模块 |
| 5.2.3 超分辨重构模块 |
| 5.2.4 人脸识别模块 |
| 5.3 实验分析 |
| 5.3.1 训练数据 |
| 5.3.2 数值分析 |
| 5.4 本章小结 |
| 第6章 结论 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
四、基于模糊HSCC的人脸检测（论文参考文献）
- [1]基于人脸超分的网络视频人脸检测[J]. 李红艳,曾浩,魏艺杉. 计算机工程与设计, 2021(11)
- [2]基于面部多特征融合的列车司机疲劳检测方法研究[D]. 熊烨. 兰州交通大学, 2021(02)
- [3]基于卷积神经网络的人脸识别研究[D]. 许国安. 哈尔滨理工大学, 2021(02)
- [4]基于深度学习的口罩遮挡条件下人脸识别关键技术研究[D]. 肖健. 北京印刷学院, 2021(09)
- [5]基于互联网图像的人脸唇色与发色分析研究[D]. 王晓媛. 四川大学, 2021(02)
- [6]基于深度学习的人脸检测与分析[D]. 郭达. 中国科学院大学(中国科学院深圳先进技术研究院), 2021(08)
- [7]中小企业金融风险预警模型构建与研究[D]. 陆文晋. 江西财经大学, 2021(09)
- [8]基于深度学习的人脸识别算法研究[D]. 李心达. 长春理工大学, 2021(02)
- [9]复杂场景中基于YOLOv3的鲁棒人脸检测研究[D]. 赵军艳. 太原理工大学, 2021(01)
- [10]基于深度学习的低分辨率图像人脸识别技术研究[D]. 毛雅棋. 长春理工大学, 2021(02)