一、基于模板匹配与支持矢量机的人脸检测（论文文献综述）
徐晶晶[1]（2021）在《基于图像分析的在线学习装态识别研究》文中认为“互联网+教育”背景下教育与信息技术的不断融合,为在线教育的迅速发展奠定了基础。在线教育也因其跨越时间、空间的优势受到越来越多人的关注,新冠疫情的爆发更是加速推动了在线教育的发展。与传统教育相比,在线教育的教师无法实时监督学生的学习状态,师生之间缺少必要的交互与情感交流,导致学习效果无法得到保证。因此,开展在线学习状态识别研究对于完善在线教学系统的监督手段、提高教学质量具有积极的社会价值。论文提出了一种基于图像分析的在线学习状态识别方法,从人脸检测、人脸识别、头部姿态估计、疲劳检测等方面对在线学习状态进行研究。主要工作如下:（1）提出了基于改进的MTCNN人脸检测算法。通过分析MTCNN的结构与工作原理,利用深度可分离卷积优化网络卷积层,以减少模型参数;利用Focal Loss损失函数代替面部分类的交叉熵损失函数,以改善正负样本类别不平衡而导致的模型性能退化问题;分析在线学习状态检测的应用场景,增加中值滤波以降低噪声影响,微调模型参数以提高检测准确率。（2）基于ResNet模型提取人脸特征向量,通过欧氏距离匹配实现人脸识别。为提高人脸识别效率,设计了一种基于质心跟踪的人脸跟踪算法,利用相同人脸在相邻帧中质心位移最小的原则,获取目标人脸在连续帧中的变化轨迹,对于同一个目标只对初始帧进行特征描述算子提取,后续帧只进行人脸检测工作,仿真分析了该方法的可行性。（3）基于二维与三维人脸特征点的提取实现学习者头部姿态估计。首先利用ERT算法定位人脸二维特征点,而后使用深度相机采集学习者人脸彩色图与深度图,将其对齐融合以获取人脸三维特征点,将获取的二维与三维特征点作为EPNP算法的输入以获取学习者头部姿态。最后提出了一种基于学习者头部姿态估计的学习者分心状态判别方法,实验验证了方法可行。（4）基于眼部与嘴部疲劳特征参数的提取实现学习者疲劳状态的判别与预警。通过计算眼睛与嘴巴的纵横比值,判定眼睛与嘴巴状态,进而提取眼部与嘴部疲劳参数PERCLOS值、眨眼频率、哈欠次数。最终通过特征融合的方式判定学习者是否疲劳。（5）构建了在线学习状态监测系统。系统由面向学生的学习端与面向教师的云端两部分组成,将学习者状态分为正常、用户未授权、脱离学习座位、多人、分心、疲劳6种情况。学习端实现待测视频的获取、异常状态的检测、预警与异常状态信息的上传等功能,云端同步学习端异常状态数据并显示。在实验室范围内采集在线学习场景的实时视频,进行了系统功能测试与分析,测试结果表明系统可行。基于图像分析的在线学习状态识别,可有效监测学生学习过程中的异常状态,提高学生在线学习效率,同时为教师提供必要的学生状态信息支持,弥补在线学习环境存在的缺陷,促进在线教学质量的提高。
陈力[2]（2020）在《基于改进型SSD网络的人脸检测》文中指出随着深度学习技术的快速发展,人脸检测技术取得很大的进展,成为近年来计算机视觉领域中的一个研究热点。然而,人脸检测易受到尺度变化、光照变化、遮挡方面等因素的影响,使得人脸检测精度降低。与传统检测方法相比,SSD（Single Shot MultiBox Detector）网络检测方法具有高效的检测速度和较好的检测效果,但是也存在一些不足之处。因此本文提出基于改进的SSD网络的人脸检测方法,在检测精度和检测速度方面都取得了良好的效果。本文主要研究工作有如下两个方面:（1）针对在多尺度等环境下的人脸检测,传统的SSD网络的检测效果存在漏检和误检问题,提出基于深度残差网络（ResNeXt）的SSD网络,基础网络用ResNeXt-50网络替换原来的VGG16网络,使用ResNeXt-50网络结构不仅可以降低网络训练难度还可以减少特征提取的冗余度,不断增强人脸特征表达能力,进一步提高人脸检测精度。最后在WiderFace验证集上的实验结果,表明了基于ResNeXt网络的SSD网络能提高检测精度。（2）为了解决SSD网络的小人脸检测精度问题,提出一种基于特征融合方法的SSD网络。首先对高层的特征图使用反卷积学习高层特征的丰富语义信息,对低层的特征图使用空洞卷积学习低层特征的良好位置信息,对中间层的特征图使用卷积减少特征的通道数,然后将高层特征图、中间层特征图和低层特征图使用连接融合得到新的特征图,最后在该网络的预测层中使用残差块组成,损失函数层使用广泛交并比（Generalized Intersection over Union,GIoU）损失函数替换原来的平滑L1损失函数。在WiderFace验证集和Pascal Face数据集上的实验结果,表明基于特征融合方法的SSD网络在小人脸检测精度和检测速度方面有较好的性能。
王莹莹[3]（2020）在《基于卷积神经网络的人脸表情识别问题的研究》文中研究说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。
刘小双[4]（2018）在《基于CNN的多任务学习网络在汽车辅助驾驶系统中的应用》文中研究表明随着道路交通的飞速发展,人们的出行越来越便利,交通安全也越来越被重视,车载辅助驾驶系统给车辆的出行带来了极大的安全保障。辅助驾驶系统是智能交通的一个重要组成部分,对交通安全及发展有着重要的意义,而机器视觉技术凭借其成本低和对驾驶员契合度高等优势,已经被广泛的应用于辅助驾驶系统中。疲劳检测是辅助驾驶系统中研究的重点和难点,因此本文以辅助驾驶系统中的疲劳检测方法作为研究对象并展开深入研究,提出了一种实时准确的疲劳检测方法,主要研究内容及成果包括:1.采用普通单摄像头传感器,在常见光下实现了一种轻量级的辅助驾驶系统疲劳检测方法,与传统的红外光下的检测方法相比对驾驶员更安全,与侵入式的检测方法相比对驾驶员的影响最小,方便且高效,测试效果完全可以满足实际使用的要求,具有很好的实时性。2.提出了一种新的辅助驾驶系统中的疲劳检测方法,通过引入基于CNN的多任务学习网络快速准确的对驾驶员人脸进行检测和眼睛嘴巴等主要特征点进行定位,确定最佳的人脸框的位置,和最佳人眼及嘴巴的位置,与辅助驾驶系统中传统的检测定位方法相比,多任务学习网络能够同时完成检测和定位任务,速度更快,更加适合实时疲劳检测方法,准确率和实时性都能满足实际要求。3.疲劳检测方法中识别人眼或嘴巴状态非常重要,识别的准确率将直接影响整个系统的性能。本文分析现有方法的不足,并设计了一个简单快速的卷积神经网络识别人眼和嘴巴状态,最后通过计算PERCLOS（Percentage of Eyelid Closure）和驾驶员的嘴部哈欠频率这两个参数判断驾驶员的疲劳状态,相比于仅使用PERCLOS单个参数判断驾驶疲劳状态的方法,双参数的方法更可靠,更能准确的判断驾驶员的疲劳状态。
张珍[5]（2017）在《基于RVM和SVM相结合的人脸检测算法研究》文中研究表明复杂背景中的人脸检测被广泛的应用于人脸识别、视频检索及人机交互等领域,是计算机视觉与模式识别研究的热点之一。由于姿态、光照、噪声以及遮挡物等因素的存在,给工程设计中的人脸检测造成了极大困难。如何能快速而准确的检测到人脸,非常的具有挑战性。支持向量机（Support Vector Machine,SVM）基于统计学习理论,能够有效的解决小样本学习问题。但在实际计算中,SVM存在很多缺点,如计算复杂度高、支持向量多、训练速度慢等。这些缺点也导致单纯SVM人脸检测系统的检测时间特别漫长。而基于贝叶斯框架下的相关向量机（Relevance Vector Machine,RVM）,可以弥补这些不足。本文的主要工作是对人脸检测算法进行研究,在对基于SVM的人脸检测算法进行分析总结之后,发现此类算法的检测率高,但检测速度较慢。针对此问题,本文提出了一种基于RVM和SVM相结合的人脸检测算法。该人脸检系统由三层分类器构成,最简单的平均脸模板匹配作为第一层分类器,可以快速过滤掉大量简单的背景窗口,极大的加快检测速度。而精度较高的RVM作为第二层分类器,在保证人脸窗口全部通过的前提下,过滤掉几乎所有的背景窗口,而精度最高的非线性SVM只要确认这些少量的窗口即可。这种由粗到精的设计,可以充分利用平均脸模板匹配的高速度,SVM的高精度,以及RVM较高的速度和精度。MATLAB仿真实验表明,前两级分类器过滤掉近99%的背景窗口,只有约1%的窗口需要SVM确认,该算法不仅可以极大的提高检测速度,还能降低错误报警数,提高检测率。
范桂香[6]（2013）在《人脸检测与跟踪的若干方法研究》文中指出本文研究了结合AdaBoost和Camshift的视频人脸检测与跟踪算法,针对AdaBoost和Camshift算法的缺点提出了相应的改进算法。首先,研究了基于隐马尔可夫的模型的AdaBoost人脸检测算法。针对AdaBoost算法对侧面人脸和旋转人脸的检测正确率不高的缺点,提出了结合旋转人脸定位的改进AdaBoost算法。重点研究了旋转人脸定位的方法以及与之想配合使用的图像边缘检测方法,如Robert算子、Sobel算子、Prewitt算子、LOG算子、Krisch算子和Laplacian方向性边缘检测算子等。然后,研究了以颜色直方图为目标特征的Camshift人脸跟踪算法。Camshift算法可以有效的避免光照明暗对颜色信息的干扰,在跟踪过程中有很好的抗干扰能力。缺点是遇到有目标快速位移,发生严重遮挡情况下会出现丢失目标的情况。因此本文提出了结合Kalman滤波的增强型Camshift算法。Kalman滤波器是一个线性递归运算的过程,它利用系统前一时刻的状态对下一时刻的状态做最优估计,并且在预测与更新修正中不断的使估计结果达到最优。最后,借鉴Kalman滤波器的思想,提出了对Camshift窗口大小预测,根据预测结果修正Camshift的跟踪窗口的大小,在跟踪下一帧时只需要搜索经预测后确定的矩形框区域即可,大大减少了由于初始化搜索窗口和搜素不必要的区域而花费的迭代时间,保证了跟踪的实时性。
朱中强[7]（2012）在《基于单幅图像的人脸检测算法研究》文中进行了进一步梳理人脸检测是计算机视觉领域中一个重要的研究方向。它已经在社会生产和日常生活中占据了重要地位，并具有广泛应用价值。本文在近年来国内外对人脸检测的相关研究成果的基础上，针对目前人脸检测技术的几个关键问题进行了研究，设计一种基于YCbCr色彩空间的肤色相似度与动态阈值相结合的肤色分割、几何规则和模板匹配的眼睛定位的人脸检测方法。本论文所做工作主要包括以下三个方面:（1）肤色分割通过对几种常用的色彩空间进行比较，依据YCbCr色彩空间应用广泛，肤色类聚性好的特点，选择YCbCr色彩空间建立肤色模型。为了提高人脸检测的准确率和检测速度，设计了肤色相似度和动态阈值相结合的人脸肤色分割方法。首先计算被检测图像在YCbCr色彩空间的肤色相似度，结合类间方差和类内离散度来求取动态阈值，再通过得到的阈值进行肤色分割。这种方法对肤色分割的性能有所改善，对复杂背景下的照片也能够实现人脸肤色分割。（2）人脸检测本文综合利用欧拉数和眼睛定位的方法进行人脸检测。先对肤色分割得到的二值图像进行数学形态学滤波处理，消除图像中存在的噪声。利用人脸的区域面积、中心点、高宽比等几何特性对处理后二值图像进行筛选，用欧拉数再次进行筛选确定人脸区域。最后用几何规则和模板匹配的方法进行眼睛定位，从而对得到的人脸区域进行筛选和验证。这种方法结合几种人脸检测算法，经过由粗到细多层筛选，克服一种方法存在的缺陷，有效地减小了人脸区域的误检率。（3）人脸三维重建用基于明暗变化恢复物体形状的三维重建算法对人脸检测得到的人脸区域进行三维重建。
刘喜荣[8]（2010）在《基于肤色模型和模板匹配的人脸检测研究》文中研究指明人脸包含丰富的信息,是一种典型的生物特征,在个人身份鉴别、智能视频监控和人机交互中具有广阔的应用前景。随着人工智能、机器视觉和模式识别的发展,人脸检测在基于人脸特征的一些应用中越来越重要,已经引起了广大科研人员的关注,并逐渐发展成为一个相对独立的研究方向,人脸检测的快速性和准确性是人脸检测算法追求的目标。人脸检测就是指在输入的彩色图像中确定所有人脸（如果存在）的数目、位置、尺度等信息。由于大多数的图像设备能够获得彩色图像,基于彩色图像的人脸检测成为研究的热点。肤色是人脸的重要特征,它不依赖于人脸面部和姿态,具有相对的稳定性,而模板匹配能够精确定位匹配位置。因此,本文从这两方面研究人脸检测算法,具体工作如下:（1）针对人脸图像中存在人脸倾斜、光照等造成人脸检测困难的问题,采用肤色聚类特性较好的YCbCr色彩空间,提出了基于肤色高斯模型的人脸检测的算法,通过肤色模型计算图像中各个像素点属于肤色的程度大小,获得肤色似然图像,从而降低了光照等干扰对颜色的影响和消除了人头旋转对人脸检测的影响;（2）提出了一种根据Fisher判别准则对图像中肤色和非肤色自适应选择分类阈值的方法,依此阈值对肤色似然图像进行检测和分割,提高了肤色区域检测的有效性。在此基础上,根据人脸面部的几何特征,采用一些规则去筛选人脸区域,初步获得人脸区域的粗定位;（3）为了精确定位人脸位置,提出了基于模板匹配的人脸定位算法,首先建立人脸平均模板,通过掩膜去掉无关信息的干扰,然后利用该模板的伸缩、旋转等变化模板在人脸图像中进行相关性计算,提高了人脸定位的精度。最后,通过了MATLAB7.7编程实现了文中的全部算法,并通过大量图像进行了算法测试。从仿真实验结果可以看出:论文提出的肤色高斯模型能够提取到有效的肤色区域,在肤色区域中根据人脸几何特征对候选区域进行筛选效果好,起到了粗定位的作用,最后采用人脸平均模板获得了精确的人脸位置。仿真结果表明提出的算法是有效的。
张永新[9]（2009）在《基于SVM的人脸检测算法研究》文中指出人脸检测作为人脸信息处理中的一项关键技术,近年来受到模式识别与计算机视觉领域内研究者的普遍关注。支持向量机（Support Vector Machines,SVM）是在统计学习理论的基础上发展起来的一种新的学习机器,能够较好地解决人脸检测中的小样本、非线性、高维数、局部极小点等实际问题,将其与常用的人脸检测算法相结合,对于人脸检测技术的研究具有重要意义。论文的工作主要集中在以下几个方面:对SVM分类器与平均脸模板匹配、PCA的分类器进行人脸通过率和非人脸过滤率实验,实验结果分析表明通过正反样本训练的SVM分类滤波器比只通过正样本训练的平均脸模板和PCA具有更好的分类能力;在人脸检测过程中,采用由粗到细的策略,提出一种基于SVM的灰度图像人脸检测算法,算法采用三层分类器结构,将平均脸模板匹配作为第一层分类器,将线性SVM作为第二层分类器,前两层为粗分类器,第三层将非线性SVM作为核心分类器。用训练好的分类器对本文提的人脸检测算法和现有的两层分类滤波器的人脸检测算法进行了比较实验,结果验证了采用模板匹配加线性SVM加非线性SVM三层滤波器的人脸检测算法,检测率和检测速度有明显提高,错误报警数明显降低,证明了该算法的有效性和鲁棒性。
杨宏梅[10]（2009）在《人脸检测算法的研究与实现》文中指出生物识别技术就是通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段密切结合,利用人体固有的生理特性（如指纹、脸象、虹膜等）和行为特征（如笔迹、声音、步态等）来进行个人身份的鉴定。人脸检测和识别是目前生物特征识别中最受人们关注的一个分支,是当前图像处理、模式识别和计算机视觉领域内的一个热门研究课题,在公安部门罪犯搜索、安全部门动态监视识别、银行密码系统等许多领域有广泛的应用。人脸检测是进行识别的前期工作,同时人脸检测的理论和实现方法可以应用到其它的一些目标检测问题上,如车辆检测、行人检测等。本文对人脸检测进行了较为深入的研究,论文的主要工作和成果有以下几个方面:1、全面概述了生物特征识别技术及其发展方向,重点描述了人脸识别和检测技术的应用背景、研究意义、国内外研究现状、以及人脸检测的难点。2、概述了目前人脸检测的分类方法、几种经典的人脸检测算法以及检测用到的数据库。3、在2DPCA（Two-Dimension Principal Component Analysis）算法基础上,提出了一种改进的2DPCA算法用于人脸检测。4、提出了一种基于模板匹配和改进的2DPCA算法的人脸检测方法。该方法先通过构造的双眼--人脸模板进行粗分类,这样可以丢弃大量的非人脸区域,提升了之后进一步的检测速度,再用改进的2DPCA方法进行细分类,最后将检测到的人脸区域合并,得到最终的人脸区域。5、通过编程实现了粗分类和细分类的两层检测人脸的分类方法,分别对单个人脸和多个人脸的图像将行检测,并对实验数据进行了比较分析。
二、基于模板匹配与支持矢量机的人脸检测（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、基于模板匹配与支持矢量机的人脸检测（论文提纲范文）
（1）基于图像分析的在线学习装态识别研究（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 人脸检测技术研究现状 |
| 1.2.2 人脸识别技术研究现状 |
| 1.2.3 头部姿态估计研究现状 |
| 1.2.4 疲劳检测技术研究现状 |
| 1.3 论文工作与结构安排 |
| 第二章 基于改进MTCNN的人脸检测算法 |
| 2.1 MTCNN简介 |
| 2.2 基于深度可分离卷积的MTCNN优化 |
| 2.2.1 深度可分离卷积的原理 |
| 2.2.2 深度可分离卷积对MTCNN的改进 |
| 2.3 基于Focal Loss改进损失函数 |
| 2.3.1 MTCNN人脸检测算法损失函数 |
| 2.3.2 基于Focal Loss改善类别不平衡 |
| 2.4 在线学习场景下的MTCNN算法改进 |
| 2.4.1 图像中值滤波 |
| 2.4.2 模型参数调整 |
| 2.5 改进MTCNN人脸检测模型训练与测试 |
| 2.5.1 训练数据准备 |
| 2.5.2 模型训练 |
| 2.5.3 模型仿真 |
| 2.6 本章小结 |
| 第三章 基于ResNet模型的在线学习者身份识别 |
| 3.1 常见卷积神经网络模型 |
| 3.1.1 AlexNet |
| 3.1.2 VGGNet |
| 3.1.3 Inception |
| 3.1.4 ResNet |
| 3.2 基于ResNet模型的人脸识别 |
| 3.2.1 仿射变换人脸对齐 |
| 3.2.2 人脸特征提取与匹配 |
| 3.2.3 仿真实验 |
| 3.3 基于质心跟踪的人脸跟踪算法设计 |
| 3.3.1 质心跟踪算法原理 |
| 3.3.2 人脸跟踪算法设计 |
| 3.3.3 仿真实验 |
| 3.4 本章小结 |
| 第四章 基于图像特征提取的头部姿态估计 |
| 4.1 相机成像模型与参数标定 |
| 4.1.1 针孔相机透视成像模型 |
| 4.1.2 畸变模型 |
| 4.1.3 相机参数标定 |
| 4.2 人脸特征点提取 |
| 4.2.1 ERT人脸二维特征点定位算法 |
| 4.2.2 基于RGB-D图像的人脸三维特征点提取 |
| 4.2.3 深度图与彩色图对齐及特征点获取实验 |
| 4.3 基于EPNP算法的头部姿态估计 |
| 4.3.1 EPNP算法原理 |
| 4.3.2 EPNP算法有效性实验 |
| 4.4 基于头部姿态估计的学习者分心状态判定 |
| 4.4.1 头部偏转阈值设定 |
| 4.4.2 学习者分心状态检测实验 |
| 4.5 本章小结 |
| 第五章 视频图像中的在线学习者疲劳检测 |
| 5.1 学习者眼部疲劳特征提取 |
| 5.1.1 基于眼睛纵横比值的人眼状态提取 |
| 5.1.2 PERCLOS测量原理 |
| 5.1.3 眨眼频率 |
| 5.2 学习者嘴部疲劳特征提取 |
| 5.2.1 嘴巴纵横比值计算 |
| 5.2.2 哈欠检测 |
| 5.3 基于眼部与嘴部疲劳特征的疲劳检测仿真实验 |
| 5.3.1 基于眼部与嘴部疲劳特征的疲劳检测算法思路 |
| 5.3.2 测试分析 |
| 5.4 本章小结 |
| 第六章 在线学习状态监测系统设计 |
| 6.1 系统开发环境与功能分析 |
| 6.1.1 系统开发软硬件环境 |
| 6.1.2 系统功能分析 |
| 6.2 系统设计 |
| 6.2.1 学习端设计 |
| 6.2.2 云端设计 |
| 6.3 系统测试 |
| 6.3.1 数据录入模块测试 |
| 6.3.2 基于在线学习视频的人脸检测测试分析 |
| 6.3.3 基于在线学习视频的身份识别测试分析 |
| 6.3.4 基于在线学习视频的分心状态检测测试分析 |
| 6.3.5 基于在线学习视频的疲劳预警测试分析 |
| 6.3.6 云端查询学生异常状态信息功能测试 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 攻读硕士期间获得的成果 |
| 致谢 |
（2）基于改进型SSD网络的人脸检测（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 本文主要研究内容和贡献 |
| 1.4 本文组织结构 |
| 第2章 基于深度学习的人脸检测概述 |
| 2.1 深度学习简述 |
| 2.2 卷积神经网络 |
| 2.3 深度神经网络模型 |
| 2.4 深度神经网络训练 |
| 2.5 神经网络优化算法 |
| 2.6 深度学习框架 |
| 2.7 人脸检测评价指标 |
| 2.8 本章小结 |
| 第3章 基于深度残差网络的SSD网络 |
| 3.1 引言 |
| 3.2 ResNeXt网络 |
| 3.3 基于ResNeXt网络的SSD网络 |
| 3.3.1 基础网络改进 |
| 3.3.2 损失函数设计 |
| 3.3.3 非极大值抑制 |
| 3.4 实验及分析 |
| 3.4.1 实验数据与环境 |
| 3.4.2 实验方法 |
| 3.4.3 实验结果分析 |
| 3.5 本章小结 |
| 第4章 基于特征融合方法的SSD网络 |
| 4.1 引言 |
| 4.2 特征金字塔 |
| 4.3 特征融合网络结构 |
| 4.3.1 反卷积和批归一化层 |
| 4.3.2 网络设计 |
| 4.4 Anchor匹配规则 |
| 4.5 数据增强 |
| 4.6 实验结果分析 |
| 4.7 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
（3）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 |
（4）基于CNN的多任务学习网络在汽车辅助驾驶系统中的应用（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 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 论文的主要工作和结构安排 |
| 第二章 辅助驾驶系统中疲劳检测相关算法综述 |
| 2.1 引言 |
| 2.2 人脸检测方法概述 |
| 2.2.1 基于知识的人脸检测方法 |
| 2.2.2 基于统计的人脸检测方法 |
| 2.3 图像预处理方法综述 |
| 2.3.1 光照补偿 |
| 2.3.2 图像去噪 |
| 2.4 辅助驾驶系统中常用的人眼与嘴巴的检测方法概述 |
| 2.5 本章小结 |
| 第三章 基于多任务学习网络的人脸检测与特征点定位 |
| 3.1 引言 |
| 3.2 神经网络 |
| 3.2.1 神经网络的结构 |
| 3.2.2 卷积神经网络 |
| 3.3 多任务学习网络 |
| 3.3.1 多任务学习网络中的损失函数 |
| 3.3.2 MTCNN多任务网络的特点 |
| 3.4 实验及结果分析 |
| 3.4.1 实验平台 |
| 3.4.2 训练使用的数据 |
| 3.5 本章小结 |
| 第四章 驾驶员眼部与嘴部的提取及状态识别 |
| 4.1 引言 |
| 4.2 人眼与嘴巴区域的提取 |
| 4.2.1 人脸归一化 |
| 4.2.2 人眼与嘴巴区域的提取 |
| 4.3 卷积神经网络的人眼与嘴部识别方法 |
| 4.4 人眼及嘴巴状态识别的实验及结果分析 |
| 4.4.1 实验平台 |
| 4.4.2 训练使用的数据 |
| 4.4.3 实验结果 |
| 4.5 本章小结 |
| 第五章 辅助驾驶系统中的疲劳状态识别 |
| 5.1 引言 |
| 5.2 基于PERCLOS的疲劳状态判断 |
| 5.3 嘴部哈欠频率计算 |
| 5.4 双参数疲劳状态检测 |
| 5.5 实验结果与分析 |
| 5.5.1 实验平台 |
| 5.5.2 实验结果 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
（5）基于RVM和SVM相结合的人脸检测算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 2 支持向量机和相关向量机理论基础 |
| 2.1 机器学习及其传统算法 |
| 2.2 统计学习理论 |
| 2.3 支持向量机理论 |
| 2.4 相关向量机理论 |
| 2.5 小结 |
| 3 基于SVM的人脸检测算法 |
| 3.1 基于SVM的人脸检测流程 |
| 3.2 图像预处理 |
| 3.3 金字塔图像的生成 |
| 3.4 人脸样本的收集 |
| 3.5 特征提取 |
| 3.6 非线性SVM分类器的构造 |
| 3.7 重叠窗口的合并 |
| 3.8 小结 |
| 4 基于SVM和RVM相结合的人脸检测算法 |
| 4.1 三种分类器的性能对比 |
| 4.2 人脸检测系统的基本流程 |
| 4.3 平均脸模板匹配 |
| 4.4 RVM分类器的构造 |
| 4.5 非线性SVM分类器的构造 |
| 4.6 实验结果 |
| 4.7 小结 |
| 5 结论 |
| 参考文献 |
| 作者简介 |
| 学位论文数据集 |
（6）人脸检测与跟踪的若干方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 研究背景及意义 |
| 1.3 人脸检测与跟踪算法研究现状 |
| 1.4 论文的章节安排 |
| 2 结合旋转人脸检测的改进AdaBoost人脸检测算法 |
| 2.1 常用的人脸检测方法 |
| 2.1.1 模板匹配 |
| 2.1.2 基于器官特征方法 |
| 2.1.3 基于肤色纹理的检测 |
| 2.1.4 神经网络 |
| 2.1.5 基于隐马尔可夫的模型的方法 |
| 2.2 基于AdaBoost的人脸检测算法 |
| 2.2.1 使用Haar2like特征构造分类器 |
| 2.2.2 AdaBoost训练过程 |
| 2.2.3 级联分类器 |
| 2.2.4 实验结果与分析 |
| 2.3 常用旋转人脸检测算法 |
| 2.3.1 辐射模板法 |
| 2.3.2 基于人脸几何特征的检测方法 |
| 2.3.3 人眼位置推算法 |
| 2.4 结合旋转人脸检测的改进AdaBoost人脸检测系统 |
| 2.4.1 肤色模型 |
| 2.4.2 边缘检测 |
| 2.4.3 各边缘检测算子的效果比较 |
| 2.4.4 旋转人脸检测的实现 |
| 2.4.5 实验效果图与结果分析 |
| 2.5 本章小结 |
| 3 结合Kalman滤波的增强型Camshift人脸跟踪算法 |
| 3.1 常用的人脸跟踪方法 |
| 3.1.1 基于特征匹配的跟踪 |
| 3.1.2 基于运动信息的跟踪 |
| 3.1.3 基于模版匹配的跟踪 |
| 3.1.4 基于人工神经网络的跟踪 |
| 3.2 Camshift算法 |
| 3.2.1 颜色概率分布图的计算 |
| 3.2.2 运动目标的搜素过程 |
| 3.3 Kalman滤波 |
| 3.3.1 Kalman滤波线性离散过程 |
| 3.3.2 Kalman滤波原理 |
| 3.3.3 Kalman滤波预测方程 |
| 3.3.4 Kalman滤波器参数的选取 |
| 3.3.5 Kalman滤波器建模 |
| 3.4 结合Kalman滤波的增强型Camshift算法 |
| 3.4.1 结合Kalman滤波的人脸跟踪系统的实现 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 4 基于窗口预测的改进Camshift算法 |
| 4.1 窗口预测问题 |
| 4.2 常用的曲线拟合算法 |
| 4.2.1 Lagrange插值法 |
| 4.2.2 牛顿插值法 |
| 4.2.3 最小二乘法 |
| 4.2.4 三次样条插值法 |
| 4.3 各种曲线拟合算法的效果比较 |
| 4.4 结合窗口预测的人脸跟踪系统的实现 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
（7）基于单幅图像的人脸检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外的研究现状 |
| 1.3 人脸检测技术的研究难点 |
| 1.4 本文的研究内容 |
| 1.5 本文章节安排 |
| 第2章 图像预处理 |
| 2.1 图像直方图均衡化 |
| 2.2 图像中值滤波 |
| 2.3 基于有重叠局部归一化光照处理分析 |
| 2.4 基于数学形态学滤波分析 |
| 2.5 本章小结 |
| 第3章 人脸检测和眼睛定位方法分析 |
| 3.1 人脸检测方法分析 |
| 3.2 眼睛定位方法分析 |
| 3.3 本章小结 |
| 第4章 基于肤色的人脸检测算法设计 |
| 4.1 色彩空间的选取 |
| 4.1.1 色彩空间分析 |
| 4.1.2 本文色彩空间的选取 |
| 4.2 整体方案设计 |
| 4.3 基于 YCbCr 色彩空间的肤色分割 |
| 4.3.1 肤色模型的建立 |
| 4.3.2 肤色相似度计算 |
| 4.3.3 动态阈值的确定 |
| 4.3.4 基于动态阈值的图像分割 |
| 4.4 人脸候选区域分析 |
| 4.4.1 二值图像预处理 |
| 4.4.2 连通体分析 |
| 4.4.3 候选人脸区域的筛选 |
| 4.5 人脸候选区域筛选 |
| 4.5.1 欧拉数筛选 |
| 4.5.2 基于眼睛定位筛选人脸区域 |
| 4.5.2.1 基于几何规则人眼粗定位 |
| 4.5.2.2 基于模板匹配的人眼精确定位 |
| 4.6 实验结果分析 |
| 4.7 本章小结 |
| 第5章 人脸三维重建 |
| 5.1 三维重建流程分析 |
| 5.2 三维重建效果分析 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究回顾与总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
（8）基于肤色模型和模板匹配的人脸检测研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 人脸检测的研究背景 |
| 1.2 人脸检测的研究方法 |
| 1.2.1 基于知识规则的方法 |
| 1.2.2 基于可视特征的方法 |
| 1.2.3 基于模板匹配的方法 |
| 1.2.4 基于神经网络的方法 |
| 1.2.5 基于隐马尔可夫模型的方法 |
| 1.3 国内外人脸检测技术的研究现状 |
| 1.4 人脸检测的应用 |
| 1.5 人脸检测的难点 |
| 1.6 肤色信息在人脸检测中的应用 |
| 1.7 本文研究内容和章节安排 |
| 1.7.1 本文研究内容 |
| 1.7.2 本文章节安排 |
| 第二章 色彩空间的选取和肤色模型的建立 |
| 2.1 色彩空间的类型和选取准则 |
| 2.1.1 色彩空间的类型 |
| 2.1.2 色彩空间的选取准则 |
| 2.2 YCbCr 色彩空间的确定 |
| 2.3 光照补偿 |
| 2.4 肤色高斯模型的建立 |
| 2.4.1 肤色高斯模型的提出 |
| 2.4.2 肤色高斯模型的建立 |
| 2.4.3 肤色似然度的计算 |
| 2.4.4 仿真实验 |
| 2.5 本章小结 |
| 第三章 人脸区域粗定位 |
| 3.1 图像分割 |
| 3.2 基于 Fisher 准则的阈值动态获取算法 |
| 3.2.1 基于Fisher 准则动态阈值的获取 |
| 3.2.2 肤色似然图像的二值化 |
| 3.2.3 仿真实验 |
| 3.3 二值图像的去噪 |
| 3.3.1 图像噪声 |
| 3.3.2 基于中值滤波的图像去噪 |
| 3.3.3 仿真实验 |
| 3.4 人脸区域粗定位 |
| 3.4.1 肤色区域标记和数目统计 |
| 3.4.2 区域定向 |
| 3.4.3 基于长宽比和面积占有率的人脸粗定位 |
| 3.4.4 基于欧拉数的人脸区域验证 |
| 3.4.5 仿真实验 |
| 3.5 本章小结 |
| 第四章 基于模板匹配的人脸精确定位 |
| 4.1 匹配的基本原理 |
| 4.1.1 匹配技术的应用 |
| 4.1.2 图像匹配算法的分类 |
| 4.1.3 图像匹配的关键要素 |
| 4.2 基于模板匹配的人脸精确定位算法 |
| 4.2.1 人脸模板的建立 |
| 4.2.2 基于模板匹配的人脸精确定位算法 |
| 4.2.3 仿真实验 |
| 4.3 人脸检测算法流程 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 攻读硕士期间完成的论文 |
| 致谢 |
（9）基于SVM的人脸检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本课题的研究内容及组织 |
| 第二章 人脸检测相关技术 |
| 2.1 人脸检测方法的分类 |
| 2.1.1 基于模板特征的人脸检测方法 |
| 2.1.2 基于图像的人脸检测方法 |
| 2.2 人脸检测过程 |
| 2.2.1 图像预处理 |
| 2.2.2 特征提取 |
| 2.2.3 分类器 |
| 2.3 小结 |
| 第三章 粗分类器的选择 |
| 3.1 引言 |
| 3.2 粗分类方法的分析与比较 |
| 3.2.1 可比性的约定 |
| 3.2.2 PCA的方法 |
| 3.2.3 平均脸模板匹配的方法 |
| 3.2.4 SVM方法 |
| 3.2.5 三种粗分类器的性能比较 |
| 3.3 小结 |
| 第四章 基于 SVM的人脸检测算法研究 |
| 4.1 SVM处理分类问题的基本步骤 |
| 4.2 人脸检测算法框架 |
| 4.2.1 训练部分框架 |
| 4.2.2 检测部分框架 |
| 4.3 人脸检测实验 |
| 4.3.1 人脸样本集 |
| 4.3.2 数据预处理 |
| 4.3.3 分类器构造 |
| 4.4 实验结果 |
| 4.5 小结 |
| 第五章 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的科研成果 |
| 致谢 |
（10）人脸检测算法的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 插图索引 |
| 附表索引 |
| 第一章 绪论 |
| 1.1 课题的背景与意义 |
| 1.2 人脸检测概述 |
| 1.2.1 概念 |
| 1.2.2 人脸检测的难点 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 论文结构 |
| 第二章 人脸检测方法 |
| 2.1 人脸检测方法的性能评测 |
| 2.1.1 检测评价标准 |
| 2.1.2 人脸图像数据库 |
| 2.2 检测方法分类 |
| 2.2.1 基于知识的方法 |
| 2.2.2 基于特征的方法 |
| 2.2.3 基于模板匹配的方法 |
| 2.2.4 基于表象的方法 |
| 2.3 经典方法概述 |
| 2.3.1 神经网络(Neural Network) |
| 2.3.2 特征脸(Eigenface) |
| 2.3.3 支持向量机(Support Vector Machine，SVM) |
| 2.3.4 Adaboost算法(Adaptive Boosting) |
| 2.4 本章小结 |
| 第三章 模板匹配和改进的2DPCA的人脸检测算法 |
| 3.1 引言 |
| 3.2 人脸检测算法 |
| 3.2.1 图象预处理 |
| 3.2.2 检测窗口搜索 |
| 3.2.3 模板构造 |
| 3.2.4 粗分类器检测 |
| 3.2.5 细分类器检测 |
| 3.2.5.1 2DPCA算法 |
| 3.2.5.2 改进的2DPCA算法 |
| 3.2.6 合并 |
| 3.3 本章小结 |
| 第四章 实验结果及分析 |
| 4.1 引言 |
| 4.2 人脸检测系统的组成 |
| 4.2.1 人脸检测流程图 |
| 4.2.2 人脸检测系统界面 |
| 4.3 系统测试结果及分析 |
| 4.4 检测结果示例 |
| 第五章 结论 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文目录 |
四、基于模板匹配与支持矢量机的人脸检测（论文参考文献）
- [1]基于图像分析的在线学习装态识别研究[D]. 徐晶晶. 华中师范大学, 2021(02)
- [2]基于改进型SSD网络的人脸检测[D]. 陈力. 南昌大学, 2020(01)
- [3]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)
- [4]基于CNN的多任务学习网络在汽车辅助驾驶系统中的应用[D]. 刘小双. 上海工程技术大学, 2018(06)
- [5]基于RVM和SVM相结合的人脸检测算法研究[D]. 张珍. 中国矿业大学, 2017(02)
- [6]人脸检测与跟踪的若干方法研究[D]. 范桂香. 南京理工大学, 2013(07)
- [7]基于单幅图像的人脸检测算法研究[D]. 朱中强. 南昌航空大学, 2012(01)
- [8]基于肤色模型和模板匹配的人脸检测研究[D]. 刘喜荣. 太原科技大学, 2010(04)
- [9]基于SVM的人脸检测算法研究[D]. 张永新. 西北大学, 2009(08)
- [10]人脸检测算法的研究与实现[D]. 杨宏梅. 兰州理工大学, 2009(11)