一、一种基于颜色信息的人脸检测方法（论文文献综述）
张登奎[1]（2021）在《基于深度学习的护目镜佩戴检测系统的设计与实现》文中研究指明2020年新冠疫情的爆发给社会经济发展和民众生命健康带来了巨大威胁,口罩和护目镜等个人防护用品的正确佩戴可以有效降低普通民众和医护人员感染的风险。在化工、冶炼工作场所和实验室当中,也明确要求佩戴护目镜以防止眼部损伤。但目前护目镜佩戴情况主要依赖人工检查,效率低下,耗费大量人力,因此设计并实现一个自动化的护目镜佩戴检测系统,检测进入或停留在特定场所人员的护目镜佩戴情况,是十分有必要的。本文结合实际应用场景,提出了一个基于深度学习的护目镜佩戴检测算法,通过改进深度残差网络结构及引入Dropout机制降低过拟合现象,提高了护目镜佩戴情况的分类准确率。同时建立了一个护目镜佩戴数据集,并提出了一种基于人脸特征点的护目镜佩戴图像合成算法,提高了护目镜佩戴检测算法的泛化能力。在此基础上,结合面部和眼部区域的分类结果,设计并实现了一个基于深度学习的护目镜佩戴检测系统。经过实验验证,系统在实时性和准确性方面均满足实际场景需求。
程小雨[2]（2021）在《基于多特征的静态视频摘要算法研究》文中指出技术对于解决视频数据量不断增长所带来的浏览耗时的问题有着重要的意义。视频摘要即对视频的概括,按照生成的摘要形式可以分为静态视频摘要和动态视频摘要。在实际工程应用中,静态视频摘要技术更为常用,因此本文主要研究静态视频摘要算法,旨在通过一定的技术手段去除视频中的冗余信息,并选取视频中最能代表视频内容的关键帧生成简短的摘要。本文分析了现有的视频摘要算法所存在的一些不足之处,然后提出了两种全新的基于多特征的静态视频摘要算法。（1）针对于仅仅使用全局特征无法很好地表示视频帧间的相似性和差异性的问题,本文提出了一种基于颜色特征和目标特征相融合的视频摘要算法。该算法首先提取了视频帧的颜色直方图以及目标特征并将二者进行融合,然后使用聚类算法提取视频关键帧,最终生成视频摘要。在两个通用的数据集上做了实验,结果证明该方法比先前的一些技术手段效果要好。（2）为了满足特定应用对于视频中人物表情的分析需要,本文提出了一种基于身份特征和表情特征的视频摘要算法,该算法能够生成和某一特定人物相关的基于情绪分析的视频摘要。首先通过人脸检测和人脸识别算法,筛选出包含特定人物的表情图像,然后构建了一个用于表情识别的卷积神经网络,提取表情特征。最后同样地使用聚类算法,提取视频关键帧,生成视频摘要。在自行构建的数据集中所做的实验以及实际项目中的使用效果表明该算法具有很强的竞争性。
张蛟娇[3]（2021）在《基于卷积神经网络的人脸识别门禁系统》文中进行了进一步梳理人脸信息被用于各种验证场所,主要是因为相比于其他认证手段,人脸信息具有唯一性、实时性和难伪造性。跟机场、火车站等一些大型场所相比,住宅小区的住户容量较小,住户信息较稳定,可以更充分发挥人脸识别技术的优势。本文设计了一种基于卷积神经网络的人脸识别门禁系统,实现无接触、快速的门禁检测。本文主要对人脸检测、活体检测、人脸特征提取和对比等方面进行了学习与研究。采用核相关滤波算法（Kernel Correlation Filter,KCF）和Adaboost融合的方法实现人脸检测。在KCF目标跟踪算法中利用方向梯度直方图（Histogram of Oriented Gradient,HOG）特征和颜色直方图特征融合的方法对跟踪目标进行多尺度跟踪,使其能够跟踪检测由远而近运动的目标;之后在目标跟踪框中利用Adaboost算法进行人脸检测。测试证明,在同一段视频中采用KCF+Adaboost融合的方法进行人脸检测比单独使用Adaboost算法收敛速度加快0.7s。采用摩尔纹理和眨眼检测融合的方法进行活体检测。先对检测目标进行摩尔纹理检测,若通过检测则进行眨眼检测。进行眨眼检测时首先利用监督下降法（Supervised Descent Method,SDM）得到的人脸特征点定位1点的横坐标、3点的纵坐标、13点的横纵坐标来进行人眼区域定位,之后使用Hough圆检测方法对虹膜进行检测定位,最后通过比较虹膜区域和人眼区域的灰度平均值比值来判断眼睛状态。通过对静态的摩尔纹理特征和动态的眨眼特征融合的方法,来提高活体检测的有效率。构建了基于深度可分离卷积CNN+Squeeze-and-Excitation（SE）模块的模型。利用深度可分离卷积来减少运算次数和降低运行时间,利用SE模块注意力机制的网络子结构来加强通道间相关性的学习,强化重要通道的特征,弱化非重要通道的特征,最终训练出精确度良好的卷积神经网络模型。基于以上方法设计出的基于卷积神经网络的人脸识别门禁系统,经过测试证明,系统准确率可达94.74%。
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》文中提出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。
李倩[5]（2020）在《基于深度学习的烟支检测技术研究与应用》文中研究指明吸烟危害健康已是众所周知,在公共场所吸烟不仅关系到到吸烟者本身,也会形成二手烟危害周围人们健康,而且不规范的吸烟行为还会诱发公共场所火灾的发生,给社会各界带来不可估计的损失。因此,加大公共场所禁烟力度已成为不可逆转的趋势。但目前基于烟雾传感器的吸烟检测技术由于通风等环境因素的干扰,检测效果并不理想,而基于传统计算机视觉的吸烟检测技术的检测准确度也不高,所以研究如何快速准确地进行吸烟检测变得愈发迫切。随着深度学习的崛起,基于卷积神经网络（Convolutional Neural Networks,CNN）的烟支检测技术被用来识别吸烟行为,并取得了一定的成果。然而作为当下主要的研究方法,基于CNN的烟支检测技术在实际场景中经常受到诸如吸烟姿态、光照、复杂背景等内外部干扰因素的影响,检测性能有待进一步提升。本文主要对基于卷积神经网络的烟支检测技术进行研究,改善目前烟支检测算法中存有的缺陷,提高烟支目标识别的准确率。主要研究内容包括:（1）基于CNN的目标检测算法是对视频逐帧检测,但由于该类算法存在结构复杂且参数多的缺点,导致整体检测算法过于复杂,从而使得检测时间过长以及电脑硬件占用率过高。为此,本文设计了一种基于更快速区域卷积神经网络（Faster Region-based Convolution Neural Networks,Faster RCNN）的烟支快速检测算法,主要思路为:1)检测人脸并将检测到的人脸图片作为烟支检测区域,从而大幅缩小了目标检测区域并有效降低了误检率;2)基于颜色分割算法对人脸区域进行烟支初检,若烟支存在可能性较高,则利用Faster RCNN算法进行烟支目标细检测;若烟支存在可能性很低,则不对当前视频帧进行处理,从而大幅减小Faster RCNN算法的运行次数,有效提高检测效率并降低了硬件占用率。实验结果表明,基于Faster RCNN的烟支快速检测算法在保证检测精度的前提下,硬件占用率和单张图片的检测时间都有了明显的降低,并且在原有算法基础上将误检率降低了约2%。（2）烟支属于视频帧图像中的小目标,而在CNN深层特征图中小目标的细节特征信息经常存在过少甚至完全丢失的问题。为此,本文围绕特征金字塔思想（Feature Pyramid Network,FPN）改进现有的特征提取方式,设计了一种基于特征融合的烟支特征提取方法。该方法将CNN的浅层局部特征与深层全局特征进行融合,从而有效避免小目标特征在前向传播过程中的丢失问题。将该特征融合方法用于Faster RCNN的前向网络进行烟支检测,实验结果表明,基于特征融合的改进Faster RCNN烟支检测算法在困难测试集上,有效降低了烟支目标检测的漏检率,提升了检测效率。（3）将上述特征融合方法与Faster RCNN的烟支快速检测算法相结合,设计了一种基于特征融合的改进Faster RCNN烟支快速检测算法。相比于上述两种算法,结合后的算法能够集合以上两种改进策略的优势,在同一数据集上同时降低了目标检测的误检率和漏检率,取得了更好的检测效率。（4）为验证基于特征融合的改进Faster RCNN烟支快速检测算法的实用性,本文搭建了一个由人脸检测与识别、烟支检测、吸烟信息记录三大模块构成的智能吸烟行为检测系统,对提出的算法进行了实际性的应用。
聂继生[6]（2020）在《基于视频监控的目标人员跟踪系统研究与实现》文中进行了进一步梳理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。
李焕[7]（2020）在《面向汽车销售的潜在顾客计算机视觉分析方法研究》文中研究说明在汽车销售行业中,顾客资源是销售业绩中重要的组成部分。而如何去甄别潜在顾客,如何收集潜在目标客户的基本资料是汽车销售的关键所在。随着计算机视觉技术的高速发展,人脸检测、人脸跟踪、人脸识别技术被广泛应用于门禁、监控、智慧门店等各个领域。在无需人工干扰的前提下,如何利用计算机视觉方法,获取客户来店频次、停留时间、停留区域等购买意向信息,从而对顾客进行精准的产品介绍与服务,达到潜在客户的识别和分析,这对建立潜在客户消费信息、实现精准营销具有显着的意义。本文是以长安汽车4s店实际项目为研究背景,利用计算机视觉分析方法甄别潜在客户的基本信息为需求导向,主要包括以下几个方面的内容:（1）人脸检测:提出基于肤色模型与改进的AdaBoost算法相结合的人脸检测方法。该方法通过判断采集的人脸图像是否需要光照补偿,将图像由RGB色彩空间转换为肤色聚类特性和分布规律较好的YCbCr色彩空间,并建立高斯模型并对图像进行形态学处理与形状筛选,从而得到含有人脸的候选区域。再将得到的人脸候选区域由改进后的AdaBoost算法进行人脸检测,得到最终的人脸检测结果。实验结果表明,该方法能有效降低人脸误检率、提高人脸检测准确率;（2）人脸跟踪:提出基于LBP特征的TLD算法与kalman滤波器相结合的人脸目标跟踪算法。该算法通过提取人脸的灰度不变性LBP特性,以增强后续TLD目标跟踪算法适应光照变化场景下人脸跟踪的准确性和鲁棒性,并针对实际应用中存在的人脸局部、短时全遮挡易导致人脸跟踪失败的问题,提出基于kalman滤波的局部、短时全遮挡场景下人脸目标预测跟踪方法。对比的实验结果表明,基于LBP特征的TLD算法与kalman滤波器相结合的人脸目标跟踪算法能较好实现4S店内顾客人脸的准确跟踪,并在光照变化、人脸局部或短时全遮挡场景下,该算法均具有较好的鲁棒性。依据建立的人脸跟踪算法,能实现顾客进店后其人脸图像的多帧提取,并记录其进店、离店时间以及感兴趣区域的停留时间,为后续潜在客户的甄别建立了维度信息;（3）无标签身份识别:提出基于PCA+LDA的无标签身份识别方法。首先对人脸图像进行直方图均衡化和人脸几何归一化处理,消除光照、姿态和背景的干扰,使得图像标准化。其次,采用PCA+LDA算法对人脸图像进行特征提取,最后使用SVM算法进行分类识别。实验结果表明,所提出的无标身份识别算法具有较好的准确性;（4）开发了潜在客户身份识别系统。在人脸检测、人脸跟踪、无标签身份识别算法研究的基础上,针对潜在客户来店频次、停留时间、感兴趣区域等销售维度信息,应用QT平台,开发了面向汽车销售的潜在客户甄别系统。该系统能较好提取进店顾客的一系列人脸图像,自动记载当次入店的时间、停留时间和活动区域等维度信息,并依据历史无标签人脸图像库,判断是新客户还是老客户,从而为面向汽车销售的潜在客户甄别提供了一种有效的计算机视觉分析方法。
李芹[8]（2020）在《基于肤色识别的服装颜色推荐系统》文中进行了进一步梳理随着经济的快速发展,用户日益关注服装的个性化。现有服装颜色推荐系统通常基于用户对其肤色的主观判断推荐相应服装颜色。另一方面,基于用户个人喜好和购买习惯的推荐方法,缺乏专业服装颜色搭配指导。随着图像识别技术和深度学习的迅速发展,基于肤色识别的服装颜色推荐成为服装销售领域的发展趋势。本文所设计的基于肤色识别的服装颜色推荐系统应用图像识别技术对人脸肤色进行分类并根据分类结果推荐服装颜色。首先设计基于Unet-FC4-SVM肤色识别模型降低光照亮度和光源颜色对肤色识别准确率的影响。其次应用四季色彩理论对特定肤色的用户进行服装颜色推荐。针对拍摄环境的光照亮度和光源颜色影响人脸图片中肤色识别的问题,本文首先设计Unet-FC4光照处理模型。其中Unet算法的优势在于其拼接相同维度的特征以防止信息丢失,实验结果表明,基于Unet的光照亮度增强算法,与直方图均衡化和Retinex算法对比,在MSE、PSNR、SSIM三种图像质量评价指标上,其光照亮度增强效果优于后两者算法;另一方面,因FC4算法采用选择机制以避免语义不明色块影响光源颜色估计,模型中所选用的基于FC4的光源颜色去除算法,与白平衡算法对比,亦在上述三种图像质量评价指标上优于后者。应用四季色彩理论中肤色的分类标准,本文将人脸肤色分成春夏秋冬四种类型并设计基于SVM的多分类器肤色识别模型。模型中首先应用基于Haar特征的人脸检测算法和集成回归树（Ensemble of Regression Trees,ERT）方法分割用户脸部的纯肤色区域,获取有效数据达到数据增强与降低干扰的目的;其次提取肤色融合特征,训练基于SVM的多分类器模型。最后,结合前述Unet-FC4光照处理算法,获得基于Unet-FC4-SVM的肤色识别模型。实验结果表明,对比Unet-SVM和FC4-SVM模型,基于Unet-FC4-SVM的肤色识别模型准确率最高。本文编程实现了基于肤色识别的服装颜色推荐系统。其中,算法模块（光照处理、肤色识别）在TensorFlow深度学习框架中应用Python语言实现四季型肤色的识别。在服装颜色推荐模块中基于MySQL数据库设计用户以及服装数据表的实体关系图,利用对象存储系统实现服装图片文件的存储。最后基于Django网页开发框架实现用户交互、算法模块管理以及服装颜色推荐等功能。本文所设计的基于肤色识别的服装颜色推荐系统可以为用户提供客观肤色识别结果,并在此基础上给予专业服装颜色建议。
陈浩楠[9]（2020）在《基于光照一致化和上下文感知的人脸活体检测算法研究》文中进行了进一步梳理随着人脸识别技术的发展,基于人脸的身份认证系统被广泛应用在各个领域,虽然目前的人脸识别技术能够应对不同情况下的检测,但是依然难以区分摄像头前的人脸是真人的还是照片或者视频。因此,兼顾实用性和可靠性的人脸活体检测技术是人脸认证系统的广泛应用的基础,具有重要的研究价值。现有的算法虽然已经取得了不错的检测效果,但是仍然面临诸多难题,如现有方法易受光照的影响;传统的算法以人脸区域作为输入,损失了图像上下文信息等。针对上述的问题,本文结合光照一致化和上下文感知对人脸活体检测算法进行深入研究,具体的工作和创新点如下:为提高算法的光照鲁棒性,本文提出一种光照鲁棒的双通道融合人脸活体检测算法。该算法使用了一个双通道的卷积神经网络,分通道进行特征提取,为了最大化地利用光照一致化后图像的抵抗光照变化的特性和RGB图像丰富的纹理信息,提出了一种具有通用性的基于注意力模型的融合方法,将两种特征的各个位置加权融合,得到兼顾光照鲁棒性和纹理区分度的特征用于分类检测。实验证明,相较于现有的算法,本文提出的方法降低了算法的光照敏感性,同时提高了单库性能和泛化能力。针对现有算法需要以人脸区域作为输入,丢失了除人脸外的图像上下文信息的问题,本文提出一种基于多层池化特征融合与迭代照度估计的级联人脸活体检测算法。第一级检测器将人脸活体检测拓展成一个三分类问题,用于检测真实人脸、攻击人脸和背景,用多层池化特征融合来丰富特征的上下文信息,提高检测器性能。第二级检测器利用基于迭代照度估计的Retinex算法进行光照一致化,并将增强后的亮度通道与多色彩通道级联并提取LBP特征,得到具有光照不敏感特征的次级检测器,用于处理上级检测器的难例。本方法与其他算法相比兼顾端到端的检测特性和光照鲁棒性,具有更优检测性能。本文进一步探索人脸检测和人脸活体检测的任务相关性,提出了一种基于上下文感知的多任务人脸活体检测模型。为了提高小尺寸人脸的检测性能,丰富特征的上下文信息和扩大特征感受野,对模型中的检测层进行捷径特征金字塔融合和上下文聚合,使深层信息指导浅层信息进行检测。另外,使用半监督的策略获得头部和鼻子的上下文监督信息,利用鼻子区域的深度特性进行人脸活体检测,利用人头区域的大感受野,增加小尺寸人脸的特征尺寸,提高对应的检测性能。与现有方法相比,本算法在人脸检测任务的困难子集上mAP达到89.1%,在人脸活体检测任务的EER和HTER达到现有文献最佳的水平。
刘家远[10]（2019）在《人脸三维特征信息提取及美容效果视觉呈现技术》文中研究说明随着人民物质生活的提高,对美有了更高的追求。科学技术的发展,推动了医美整形手术的发展,然而一些医美整容机构采用虚拟手术仿真技术进行对术后效果仿真。在术前咨询阶段,医美整形机构不仅对人脸整形仿真有所要求,对皮肤美化仿真也有很大的要求,另外对于整形幅度很小的场景中,医美咨询师不能客观地去评价求美者需要整容的部位,故需要一些辅助面部数据进行展示。本文中采用虚拟现实的技术,主要针对人脸三维信息提取、面部皮肤美化效果、面部变形区域显示以及面部整形评估方案进行研究,提出了面部美化设计方法、面部的色谱模型设计及其人脸评估方法设计。论文的具体工作包括:（1）人脸三维模型的关键特征信息提取:关键特征信息是人脸三维模型在三维空间中的关键特征点位置信息,本文利用Harr分类器对人脸进行检测,然后基于Dlib对人脸进行特征点提取。实现了对三维场景中人脸模型的检测及关键特征点提取。（2）纹理的美化效果设计:美化设计主要指对人脸模型纹理进行处理,即纹理局部处理和纹理整体处理。纹理局部处理采用两种实现方式,一是基于像素提取的方式进行ROI图像融合;二是基于FMM算法进行纹理局部修复。纹理整体处理采用基于肤色检测的磨皮算法,在算法实施过程中,为了使效果更佳逼真,本文提出基于改进Gamma变换的纹理像素增强算法。（3）纹理的色谱模型设计:本文提出3种人脸模型的色谱显示方式,一是基于色度图的四高三低色谱显示方式,利用色度图根据灰度级别进行对纹理的色彩映射,然后采用扫描线的填充算法对人脸的四高三低区域进行填充;二是基于海拔高度的色谱显示方式,以鼻尖部位为最高点,通过不同颜色呈现不同高度的区域范围三是对微整形中实时精准色谱显示,通过网络模型顶点坐标的变化来确定其颜色显示区域。（4）人脸评估方法设计:基于人脸三维关键特征信息对人脸模型进行测量,得出面部18个长度尺寸和5个角度尺寸,然后根据三庭五眼、眼眉黄金比例、颞颧黄金比例、颧颌黄金比例等美学理论提出对面部、眼眉、鼻子评估方法。（5）手术仿真系统设计:本系统在Unity3D引擎中进行开发,并采用MVC的系统框架,该系统可以呈现出面部皮肤美化后的效果、面部进行微整形之后整形区域的精确显示以及人脸面部微整建议。本文中的关键技术已经应用到Beauty100三维整形导师软件中,已被广州首源信息科技有限公司使用,取得了良好的效果。
二、一种基于颜色信息的人脸检测方法（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、一种基于颜色信息的人脸检测方法（论文提纲范文）
（1）基于深度学习的护目镜佩戴检测系统的设计与实现（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 论文主要工作 |
| 1.4 论文组织架构 |
| 第二章 相关技术简介 |
| 2.1 图像预处理技术概述 |
| 2.2 人脸检测及普通眼镜检测技术概述 |
| 2.3 深度学习概述 |
| 2.4 本章小结 |
| 第三章 基于深度学习的护目镜佩戴检测算法 |
| 3.1 改进的深度残差网络模型 |
| 3.1.1 深度残差网络与Dropout机制 |
| 3.1.2 包含普通眼镜分类的预训练模型 |
| 3.2 护目镜佩戴数据集 |
| 3.2.1 概述 |
| 3.2.2 护目镜佩戴数据集的采集与标注 |
| 3.2.3 基于人脸特征点的护目镜佩戴图像合成算法 |
| 3.3 实验与结果 |
| 3.4 本章小结 |
| 第四章 护目镜佩戴检测原型系统的设计与实现 |
| 4.1 需求分析 |
| 4.2 系统总体设计方案 |
| 4.3 系统开发环境 |
| 4.4 登录与管理模块 |
| 4.5 人脸检测模块 |
| 4.6 护目镜佩戴检测模块 |
| 4.7 决策与报警模块 |
| 4.8 系统日志模块 |
| 4.9 系统性能评估 |
| 4.9.1 系统实时性实验 |
| 4.9.2 系统准确性实验 |
| 4.10 本章小结 |
| 第五章 总结与未来工作展望 |
| 5.1 总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（2）基于多特征的静态视频摘要算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于全局特征的视频摘要方法 |
| 1.2.2 基于局部特征的视频摘要方法 |
| 1.2.3 基于深度学习和强化学习的视频摘要方法 |
| 1.2.4 基于多特征的视频摘要方法 |
| 1.3 论文研究内容 |
| 1.4 论文结构安排 |
| 第二章 相关理论基础 |
| 2.1 聚类算法 |
| 2.1.1 原型聚类 |
| 2.1.2 密度聚类 |
| 2.1.3 层次聚类 |
| 2.2 目标检测算法 |
| 2.2.1 传统目标检测算法 |
| 2.2.2 基于深度学习的目标检测算法 |
| 2.3 人脸检测与识别算法 |
| 2.4 表情识别算法 |
| 2.5 本章总结 |
| 第三章 基于颜色特征和目标特征融合的视频摘要方法 |
| 3.1 研究动机 |
| 3.2 算法概述 |
| 3.3 算法详细步骤及说明 |
| 3.3.1 视频帧预处理 |
| 3.3.2 特征提取 |
| 3.3.3 特征融合 |
| 3.3.4 DBSCAN聚类 |
| 3.3.5 关键帧提取 |
| 3.4 实验结果与评价 |
| 3.4.1 数据集介绍 |
| 3.4.2 评价方法 |
| 3.4.3 在OVP数据集上的评价 |
| 3.4.4 在YouTube数据集上的评价 |
| 3.5 本章总结 |
| 第四章 基于身份特征和表情特征的视频摘要方法 |
| 4.1 引言 |
| 4.2 算法概述 |
| 4.3 算法详细步骤与设计 |
| 4.3.1 视频帧预采样 |
| 4.3.2 人脸检测与对齐 |
| 4.3.3 身份认证 |
| 4.3.4 表情特征提取 |
| 4.3.5 聚类与关键帧提取 |
| 4.4 实验结果与评价 |
| 4.4.1 视频数据采集 |
| 4.4.2 评价指标 |
| 4.4.3 实验结果 |
| 4.5 本章总结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（3）基于卷积神经网络的人脸识别门禁系统（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 人脸识别的研究现状 |
| 1.2.2 活体检测研究现状 |
| 1.3 论文的主要工作及章节安排 |
| 第二章 人脸识别相关理论基础 |
| 2.1 卷积神经网络概述 |
| 2.1.1 神经网络层 |
| 2.1.2 激活函数 |
| 2.1.3 损失函数 |
| 2.2 人脸检测 |
| 2.2.1 图像中的人脸检测技术 |
| 2.2.2 视频中的人脸检测技术 |
| 2.3 活体检测方法 |
| 2.3.1 使用视觉动力学检测面部欺骗 |
| 2.3.2 使用颜色纹理分析的面部欺骗检测 |
| 2.3.3 使用LSTM-CNN架构学习时态特征以进行面部反欺诈 |
| 2.3.4 增加硬件设备以进行面部反欺诈 |
| 2.4 人脸特征提取和对比 |
| 2.4.1 特征脸法 |
| 2.4.2 LBPH算法 |
| 2.4.3 基于卷积神经网络模型的方法 |
| 2.5 本章小结 |
| 第三章 系统需求分析 |
| 3.1 需求分析和用例设计 |
| 3.1.1 用户角色分析 |
| 3.1.2 应用场景分析 |
| 3.1.3 用例分析 |
| 3.2 系统功能分析 |
| 3.2.1 系统框架 |
| 3.2.2 系统功能分析 |
| 3.3 本章小结 |
| 第四章 算法研究 |
| 4.1 KCF和Adaboost融合的人脸检测方法 |
| 4.1.1 KCF跟踪算法 |
| 4.1.2 Adaboost算法 |
| 4.1.3 KCF和 Adaboost融合的人脸检测算法 |
| 4.2 人脸活体检测 |
| 4.2.1 摩尔纹理检测 |
| 4.2.2 眨眼检测 |
| 4.2.3 摩尔纹理和眨眼检测融合的活体检测方法 |
| 4.3 人脸特征提取方法 |
| 4.3.1 深度可分离卷积 |
| 4.3.2 SE(Squeeze-and-Excitation)模块 |
| 4.3.3 基于深度可分离卷积和SE模块的CNN结构 |
| 4.4 本章小结 |
| 第五章 算法验证与分析 |
| 5.1 测试环境 |
| 5.2 系统整体运行流程 |
| 5.2.1 界面设计 |
| 5.2.2 人脸注册 |
| 5.3 测试样本集 |
| 5.4 人脸检测算法测试 |
| 5.4.1 测试方案 |
| 5.4.2 测试结果 |
| 5.4.3 结果分析 |
| 5.5 活体检测算法测试 |
| 5.5.1 测试方案 |
| 5.5.2 测试结果 |
| 5.5.3 结果分析 |
| 5.6 人脸识别性能测试 |
| 5.6.1 测试方案 |
| 5.6.2 测试结果 |
| 5.6.3 结果分析 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间参与的科研项目 |
（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）基于深度学习的烟支检测技术研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及其意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于烟雾传感器的吸烟检测技术 |
| 1.2.2 基于计算机视觉的吸烟烟雾检测技术 |
| 1.2.3 基于计算机视觉的烟支目标检测技术 |
| 1.3 本文的主要研究内容与组织结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 本文组织结构 |
| 1.4 本章小结 |
| 第2章 深度学习理论及目标检测算法概述 |
| 2.1 深度学习理论 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积层 |
| 2.2.2 激活函数 |
| 2.2.3 池化层 |
| 2.2.4 全连接层 |
| 2.2.5 模型训练 |
| 2.3 目标检测算法概述 |
| 2.3.1 传统目标检测算法 |
| 2.3.2 基于深度学习的目标检测算法 |
| 2.4 本章小结 |
| 第3章 基于Faster RCNN的烟支快速检测算法 |
| 3.1 基于MTCNN的人脸检测 |
| 3.2 基于颜色分割的烟支初检算法 |
| 3.2.1 HSV颜色分割算法 |
| 3.2.2 基于颜色分割的烟支初检算法 |
| 3.3 基于Faster RCNN的烟支快速检测算法 |
| 3.4 实验结果与分析 |
| 3.4.1 数据集制作及评价指标 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 第4章 基于特征融合的改进Faster RCNN烟支快速检测算法 |
| 4.1 基于特征融合的改进Faster RCNN烟支检测算法 |
| 4.1.1 深度网络多尺度特征融合概述 |
| 4.1.2 FPN多尺度特征融合机制 |
| 4.1.3 基于改进FPN的目标特征融合策略 |
| 4.2 基于特征融合的改进Faster RCNN烟支快速检测算法 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 智能吸烟行为检测系统的设计与实现 |
| 5.1 开发环境 |
| 5.2 系统架构 |
| 5.3 系统设计与实现 |
| 5.3.1 系统设计 |
| 5.3.2 系统实现与界面展示 |
| 5.4 系统性能测试与分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（6）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 |
（7）面向汽车销售的潜在顾客计算机视觉分析方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1.绪论 |
| 1.1 课题的背景、目标及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人脸检测 |
| 1.2.2 人脸跟踪 |
| 1.2.3 人脸识别 |
| 1.3 论文的主要工作及结构 |
| 1.3.1 论文主要工作 |
| 1.3.2 论文结构 |
| 2.汽车销售店进店顾客的人脸自适应检测算法研究 |
| 2.1 引言 |
| 2.2 基于肤色特征的人脸检测 |
| 2.2.1 颜色空间 |
| 2.2.2 肤色区域模型 |
| 2.2.3 图像预处理及肤色分隔 |
| 2.3 基于AdaBoost算法的人脸检测 |
| 2.3.1 Harr-like矩阵特征 |
| 2.3.2 积分图 |
| 2.3.3 分类器的设计 |
| 2.3.4 级联分类器结构 |
| 2.4 基于肤色特征与AdaBoost算法相结合的顾客人脸检测方法 |
| 2.5 实验结果分析 |
| 2.6 本章小结 |
| 3.汽车销售店进店顾客的人脸跟踪算法研究 |
| 3.1 引言 |
| 3.2 常用的人脸跟踪算法及其优缺点 |
| 3.3 进店顾客人脸跟踪算法 |
| 3.3.1 进店顾客跟踪的关键问题研究 |
| 3.3.2 TLD算法 |
| 3.4 改进的TLD算法 |
| 3.4.1 LBP算法 |
| 3.4.2 Kalman滤波器算法 |
| 3.4.3 改进的TLD算法实现 |
| 3.5 TLD自适应跟踪潜在客户维度信息提取 |
| 3.5.1 区域维度信息提取 |
| 3.6 实验结果及分析 |
| 3.7 本章小结 |
| 4.无标签身份客户信息研究 |
| 4.1 引言 |
| 4.2 无标签顾客身份识别 |
| 4.2.1 无标签潜在客户身份识别的关键问题研究 |
| 4.2.2 人脸识别算法研究 |
| 4.2.3 人脸图像预处理 |
| 4.2.4 人脸特征提取 |
| 4.2.5 SVM分类器 |
| 4.3 汽车销售店潜在顾客身份识别算法实现 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 5.潜在客户甄别系统的实现 |
| 5.1 系统总体架构 |
| 5.2 系统实现 |
| 5.2.1 系统开发环境 |
| 5.2.2 系统详细设计 |
| 5.3 系统运行界面 |
| 5.4 本章小结 |
| 6.总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（8）基于肤色识别的服装颜色推荐系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究背景与意义 |
| 1.3 国内外研究现状 |
| 1.3.1 光照处理的研究现状 |
| 1.3.2 人脸检测的研究现状 |
| 1.3.3 肤色识别的研究现状 |
| 1.3.4 服装颜色推荐系统研究现状 |
| 1.4 本文研究内容和创新点 |
| 1.5 章节安排 |
| 第二章 基于肤色识别的服装颜色推荐系统概述 |
| 2.1 引言 |
| 2.2 系统的需求分析 |
| 2.3 系统设计 |
| 2.3.1 系统结构设计 |
| 2.3.2 功能模块设计 |
| 2.3.3 交互流程设计 |
| 2.4 本章小结 |
| 第三章 基于Unet-FC~4 算法的光照处理模型 |
| 3.1 引言 |
| 3.2 光照处理模型设计 |
| 3.3 基于Unet的光照亮度增强算法设计 |
| 3.4 基于FC~4的光源颜色去除算法设计 |
| 3.5 本章小结 |
| 第四章 基于SVM的肤色分类模型 |
| 4.1 引言 |
| 4.2 四季型肤色分类 |
| 4.3 基于SVM的肤色分类模型设计 |
| 4.3.1 基于Haar特征的人脸检测 |
| 4.3.2 基于ERT的关键区域分割 |
| 4.3.3 提取肤色特征 |
| 4.3.4 基于SVM的肤色分类 |
| 4.4 基于Unet-FC4-SVM的肤色分类实验结果与分析 |
| 4.5 本章小结 |
| 第五章 基于肤色识别的服装颜色推荐系统的实现 |
| 5.1 引言 |
| 5.2 系统的开发环境 |
| 5.3 算法模块的实现 |
| 5.3.1 光照模块的实现 |
| 5.3.2 肤色识别模块的实现 |
| 5.4 服装颜色推荐模块的实现 |
| 5.5 用户交互模块展示 |
| 5.6 基于肤色识别的服装颜色推荐系统评价 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 攻读硕士期间研究成果 |
| 致谢 |
（9）基于光照一致化和上下文感知的人脸活体检测算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 人脸活体检测研究现状 |
| 1.2.1 基于纹理信息的人脸活体检测算法 |
| 1.2.2 基于运动信息的人脸活体检测算法 |
| 1.2.3 基于图像质量和反射的人脸活体检测算法 |
| 1.2.4 其他人脸活体检测算法 |
| 1.2.5 现有算法的问题与挑战 |
| 1.3 人脸检测研究现状 |
| 1.3.1 基于人工提取特征的人脸检测 |
| 1.3.2 基于目标检测的人脸检测 |
| 1.3.3 基于级联神经网络的人脸检测 |
| 1.3.4 现有算法的问题与挑战 |
| 1.4 常用数据集与评价指标 |
| 1.4.1 人脸活体检测常用数据集 |
| 1.4.2 人脸检测数据集 |
| 1.4.3 实验评价指标 |
| 1.5 论文研究内容与论文结构 |
| 1.5.1 论文研究内容 |
| 1.5.2 论文组织结构 |
| 2 光照鲁棒的双通道融合人脸活体检测算法研究 |
| 2.1 相关技术与工作 |
| 2.1.1 Retinex算法 |
| 2.1.2 传统特征融合方法 |
| 2.1.3 注意力机制 |
| 2.1.4 人脸检测预处理 |
| 2.1.5 特征提取网络 |
| 2.2 光照鲁棒的双通道融合卷积神经网络 |
| 2.2.1 总体模型结构 |
| 2.2.2 双通道特征提取单元 |
| 2.2.3 基于注意力模型的特征融合单元 |
| 2.3 实验结果与分析 |
| 2.3.1 数据集 |
| 2.3.2 实验设置与评价参数 |
| 2.3.3 CASIA-FASD的实验结果 |
| 2.3.4 REPLAY-ATTACK的实验结果 |
| 2.3.5 OULU-NPU的实验结果 |
| 2.3.6 不同融合方法的实验结果 |
| 2.3.7 跨库实验结果 |
| 2.3.8 与文献中的方法进行比较 |
| 2.4 本章小结 |
| 3 基于多层池化特征融合与迭代照度估计的级联人脸活体检测算法研究 |
| 3.1 相关技术与工作 |
| 3.1.1 基于区域的卷积神经网络 |
| 3.1.2 基于保边滤波器的Retinex算法 |
| 3.2 级联检测器总体模型结构 |
| 3.3 基于多层池化特征融合的区域卷积神经网络 |
| 3.3.1 基于注意力模型的多层池化特征融合 |
| 3.3.2 多任务损失函数 |
| 3.4 基于迭代照度估计的LBP检测器 |
| 3.4.1 照度图像估计 |
| 3.4.2 光照不敏感特征提取 |
| 3.5 分数融合的级联检测器 |
| 3.6 实验结果与分析 |
| 3.6.1 数据集 |
| 3.6.2 实验设置与评价参数 |
| 3.6.3 不同损失函数的实验结果 |
| 3.6.4 不同融合方法的实验结果 |
| 3.6.5 基于迭代照度估计的LBP检测器的实验结果 |
| 3.6.6 跨库实验结果 |
| 3.6.7 与文献中的方法进行比较 |
| 3.7 本章小结 |
| 4 基于上下文感知的多任务人脸活体检测算法研究 |
| 4.1 相关技术与工作 |
| 4.1.1 基于回归的人脸检测算法 |
| 4.1.2 多任务学习 |
| 4.2 基于上下文感知的人脸活体检测模型 |
| 4.2.1 总体模型结构 |
| 4.2.2 捷径特征融合金字塔 |
| 4.2.3 上下文聚合和预测模块 |
| 4.2.4 上下文感知锚点 |
| 4.3 多任务学习策略 |
| 4.3.1 任务相关性分析 |
| 4.3.2 图像尺寸增强模块 |
| 4.3.3 多任务损失函数 |
| 4.4 实验结果与分析 |
| 4.4.1 数据集 |
| 4.4.2 实验设置与评价参数 |
| 4.4.3 模型分析 |
| 4.4.4 Widerface的实验结果 |
| 4.4.5 CASIA-FASD和REPLAY-ATTACK数据集的实验结果 |
| 4.4.6 OULU数据集的实验结果 |
| 4.4.7 跨库实验结果 |
| 4.4.8 真实应用场景测试 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 发表文章目录 |
（10）人脸三维特征信息提取及美容效果视觉呈现技术（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 研究现状和内容 |
| 1.2.1 人脸三维模型的研究 |
| 1.2.2 美容效果呈现方法 |
| 1.2.3 整形仿真系统的现状 |
| 1.2.4 研究内容 |
| 1.3 课题来源 |
| 1.4 本文章节安排 |
| 第二章 人脸三维模型的关键特征信息提取 |
| 2.1 人脸检测技术 |
| 2.1.1 人脸检测方法分类 |
| 2.1.2 人脸检测实现 |
| 2.2 特征点提取方法 |
| 2.2.1 基于Dlib库的特征点提取 |
| 2.2.2 基于Harr分类器的特征点提取 |
| 2.3 本章小结 |
| 第三章 基于纹理的三维人脸模型美化效果的实现方法 |
| 3.1 人脸模型局部美化设计 |
| 3.1.1 基于快速行进法的纹理修复设计及其实现 |
| 3.1.1.1 动态纹理的生成 |
| 3.1.1.2 FMM纹理修复过程 |
| 3.1.2 基于像素提取的ROI纹理融合设计及实现 |
| 3.1.2.1 颜色原理与颜色模式 |
| 3.1.2.2 拾取颜色原理及纹理ROI区域混合 |
| 3.2 人脸模型整体美化设计 |
| 3.2.1 肤色检测方法设计 |
| 3.2.2 基于纹理的磨皮算法设计及其实现 |
| 3.2.3 基于改进Gamma变换的纹理像素增强算法 |
| 3.3 本章小结 |
| 第四章 基于纹理的色谱模型设计 |
| 4.1 色谱模型设计分类 |
| 4.2 基于色度图的四高三低色谱模型设计方法 |
| 4.2.1 色度图设计 |
| 4.2.2 四高三低实现 |
| 4.3 填充量实时精准色谱实现方法 |
| 4.4 基于海拔高度的色谱设计方法 |
| 4.5 本章小结 |
| 第五章 人脸美学评估模型设计 |
| 5.1 人脸美学评估研究目的和意义 |
| 5.2 人脸美学评估设计 |
| 5.2.1 面部关键点定义 |
| 5.2.2 面部几何特征数据计算 |
| 5.3评估模型的衡量策略及其实验 |
| 5.3.1 三维人脸模型评估策略 |
| 5.3.2 评估模型准则实验分析 |
| 5.4 本章小结 |
| 第六章 三维整形导师系统的实现 |
| 6.1 三维整形导师系统设计 |
| 6.2 系统开发环境及展示 |
| 6.2.1 系统开发环境 |
| 6.2.2 系统架构设计及主要类的设计 |
| 6.2.3 系统操作及仿真结果展示 |
| 6.3 本章小结 |
| 总结与展望 |
| 全文总结 |
| 工作展望 |
| 参考文献 |
| 作者在攻读硕士学位期间的科研成果 |
| 致谢 |
四、一种基于颜色信息的人脸检测方法（论文参考文献）
- [1]基于深度学习的护目镜佩戴检测系统的设计与实现[D]. 张登奎. 北京邮电大学, 2021(01)
- [2]基于多特征的静态视频摘要算法研究[D]. 程小雨. 合肥工业大学, 2021(02)
- [3]基于卷积神经网络的人脸识别门禁系统[D]. 张蛟娇. 内蒙古大学, 2021(12)
- [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]基于深度学习的烟支检测技术研究与应用[D]. 李倩. 西安邮电大学, 2020(02)
- [6]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)
- [7]面向汽车销售的潜在顾客计算机视觉分析方法研究[D]. 李焕. 重庆理工大学, 2020(08)
- [8]基于肤色识别的服装颜色推荐系统[D]. 李芹. 东华大学, 2020(01)
- [9]基于光照一致化和上下文感知的人脸活体检测算法研究[D]. 陈浩楠. 浙江大学, 2020(01)
- [10]人脸三维特征信息提取及美容效果视觉呈现技术[D]. 刘家远. 广东工业大学, 2019(02)