一、基于单视图的多姿态人脸识别算法（论文文献综述）
张子豪[1]（2021）在《基于面部生成的视频序列多角度人脸识别研究》文中研究指明在基于计算机视觉的人类身份识别任务中,人脸识别是重要方法之一。目前人脸识别方法多针对于解决正脸或近正脸的识别问题,因此大多要求系统捕捉对象的正面图像进行识别。而视频序列往往包含复杂的环境背景,其中人脸呈现出多个姿态,甚至较大角度的侧脸形式,在这种情况下大部分现有方法的识别效果不佳。如何解决基于视频序列的多角度人脸识别问题是目前人机交互系统面临的巨大挑战之一。本文针对捕捉到大姿态侧脸图像中面部纹理缺失而导致的人脸识别效果不佳问题,提出一种基于面部生成的视频序列多角度人脸识别系统,对传统人脸识别系统中的检测和对齐模块进行改进。具体工作内容如下:首先,为消除面部区域在水平方向较大倾角对于后续模块影响,采用Open Pose、Face Alignment Network两种面部特征点定位模型对典型人脸识别系统中检测模块进行改进。提出了基于特征点定位的面部水平化方法,进行面部预处理,使系统适用于视频序列中的各类水平姿态的人脸识别。其次,针对水平化后仍存在较大侧脸姿态的面部区域,使用双路径生成对抗网络TPGAN（Two-Pathway Generative Adversarial Network）进行正面人脸生成,以实现精确的正脸识别。且进一步提出了基于特征点定位的面部缩放方法,对其模型输入端进行调整,使其可处理任意规格的视频序列。再次,针对视频序列中正面化的人脸识别结果,设定侧脸角度50°为系统阈值。同时根据面部特征点定位模型的输出特性,提出数据预筛选优化算法,以消除定位失败的错误帧对后续识别造成中断影响,优化多角度人脸识别性能。最后,在自建多角度人脸视频数据集及XM2VTS数据集上,对提出系统（OP-TPGAN、FAN-TPGAN）与传统人脸识别系统在多角度人脸定位稳定性、大姿态侧脸识别准确率及复杂场景内多角度人脸识别准确率三方面进行实验对比。实验结果表明,本文提出方法在多角度人脸定位及识别方面均取得较好效果。
张梦雪[2]（2021）在《基于深度学习的多姿态人脸识别的研究》文中进行了进一步梳理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。
李金羽[3]（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。
陈强[4]（2020）在《基于卷积神经网络的多姿态人脸识别方法研究》文中研究指明随着科学水平不断提升,人脸识别技术已经被广泛的应用于安防、考勤、门禁、ATM等方面。目前,人脸识别算法的研究也延伸到复杂环境进行人脸识别。姿态变化,面部遮挡,年龄变化是影响人脸识别系统性能的主要因素。卷积神经网络与传统的人脸识别方法相比:直接作用于原始图像,具有局部感受野、权值共享和下采样等特点。此外,对于图像的平移、比例缩放、倾斜形式具有不变性。本文对卷积神经网络应用于多角度的姿态人脸识别系统中进行了研究。首先,研究了传统的神经网络的组成与特点,然后研究了卷积神经网络的结构特点,对经典的卷积神经网络模型Le Net-5的卷积核尺寸和数目进行改进,提高提取特征的能力。改进池化层的池化方式,减少参数和计算量。在卷积神经网络中加入正则化方法,减少过拟合,增强网络的泛化性和稀疏性。其次,针对改进后的卷积神经网络提取到的特征维数较高,采用PCA算法对提取到的特征向量做降维处理,生成不同维度的特征向量库,然后采用余弦相似度度量算法进行目标人脸识别。最后,对于本文提出的多角度的姿态人脸识别方法进行仿真实验,通过在CAS-PEAL人脸库进行的实验结果表明,改进的卷积神经网络人脸识别算法在多姿态的条件下都有效的改善了识别正确率和识别时间。
张超[5]（2020）在《基于多视图稀疏表示的人脸识别系统研究》文中研究指明人脸识别是生物特征识别的技术之一,也是模式识别领域的重要研究内容。传统人脸识别方法容易受到光照、表情、噪声以及姿态等复杂环境因素的影响,使其识别性能大幅下降。稀疏表示分类（SRC）方法具有较强的鲁棒性,因此其在复杂环境人脸识别中已获得成功的应用。另一方面,实际应用中人脸图像可由多种不同的视角或特征进行表示。多视图特征能够实现人脸图像的互补性描述,并提升相关识别算法的性能。因此,结合SRC和多视图人脸特征以提升人脸识别系统性能,是一个非常有研究价值的问题。基于此,本文围绕SRC改进及其多视图扩展,对人脸识别算法和系统展开了研究,其主要研究内容和工作如下:（1）提出一种基于分数阶SRC的人脸识别算法（Fraction SRC,FSRC）。受分数阶奇异值分解表示（FSVDR）启发,在SRC的样本字典构建阶段嵌入分数阶,通过调节分数阶参数使得SRC对人脸光照、表情变化的敏感度变低,利用重构误差最小化进行建模,使用正交匹配追踪算法进行求解,以此提高了算法在遇到面部变化较大等情况下的识别率。在实验上首先确定最优分数阶参数,然后在ORL、Yale和CMU PIE三个人脸数据集上证明了 FSRC算法的有效性。（2）提出一种基于多视图分数阶SRC的人脸识别算法（Multi-view FSRC,MFSRC）。该算法在FSRC算法的基础上扩展成为多视图版本。MFSRC算法先对样本字典进行多视图建模,再嵌入分数阶表示,对系数矩阵进行联合范数约束,减少了噪声训练样本与真实样本的偏差,采用迭代算法对目标函数进行求解。在CMU PIE数据集上的实验表明,MFSRC算法具有较强的分类能力。（3）提出一种基于扩展多视图SRC的人脸识别算法（Extended Multi-view SRC,EMSRC）。该算法引入了多视图变异字典,将SRC中的稀疏向量重构为样本字典的系数矩阵和多视图变异字典的系数矩阵,这种新的表示方法将多视图人脸分解为标准人脸部分和面部变化部分,因此可以有效地解决欠采样问题和减少测试图像的遮挡、伪装和噪声等偏差。在AT&T、Yale和PIE三个人脸数据集上,通过变化数据维度、训练样本个数以及多视图特征,证明了 EMSRC算法优于其它SRC算法。（4）利用所提人脸识别算法,设计并实现了多视图稀疏表示的人脸识别系统。系统主要包含视频图像采集、人脸检测、人脸预处理、特征提取、人脸识别等模块。通过系统功能测试证明本系统能有效识别出人脸图像。
梁飞翔[6]（2020）在《基于单视图的多姿态人脸识别算法》文中认为本文根据人脸识别技术的内涵,阐述了单视图人脸识别的重要作用,并且提出了单视图的多姿态人脸识别的算法。笔者希望能够借此提高多姿态人脸的识别率,促进人脸识别领域的快速发展。
邓铭坚[7]（2020）在《面向视频监控的多姿态人脸识别技术研究与实现》文中研究表明身份识别是信息安全学科中一个重要的研究领域。随着计算机视觉技术与机器学习技术的飞速发展,人脸识别已成为当今最可靠的身份识别技术之一,目前已被广泛应用到日常生活中。将人脸识别技术运用到视频监控系统当中,能够充分发挥视频监控系统的预警能力,对社会稳定繁荣有积极作用。然而在视频监控场景中,由于人脸姿态变化频繁与视频图像分辨率低等原因,人脸识别算法的识别精度严重下降。针对上述问题,本文提出融合姿态信息的人脸姿态校正算法与面向视频监控的多姿态人脸识别算法。本文的主要工作如下:（1）针对视频监控场景下人脸姿态变化频繁的问题,本文提出一个融合姿态信息的人脸姿态校正算法。该算法将人脸图像与对应的姿态信息一起输入至训练好的生成对抗网络中,利用生成对抗网络的生成器生成虚拟正面人脸图像,从而实现人脸图像的姿态校正。实验表明,融合姿态信息的人脸姿态校正算法不仅能够生成清晰逼真的虚拟正面人脸图像,并且能够较好地保留原始人脸图像中的特征信息。（2）针对视频监控场景下人脸识别算法识别精度下降的问题,本文提出一个面向视频监控的多姿态人脸识别算法。该算法充分利用视频监控场景下人脸姿态变化连续、平滑的特点,通过人脸追踪、人脸姿态估计以及人脸姿态校正提高多姿态人脸识别的精度。此外,该算法通过改进人脸检测方法以及使用轻量级的人脸特征提取算法,进一步提高多姿态人脸识别的速度。实验表明,面向视频监控的多姿态人脸识别算法在视频监控场景下识别准确率可达90%并对人脸姿态变化有较高的鲁棒性,能够满足视频监控系统的应用需求。（3）本文基于面向视频监控的多姿态人脸识别算法,设计并实现一个实时的多姿态人脸识别监控系统。该系统采用半同步半异步线程池作为系统的基础框架,包含6个功能模块:多路视频流解码模块、人脸检测与对齐模块、人脸姿态校正模块、人脸识别模块、数据库模块以及告警模块。系统运行结果表明,本文提出的面向视频监控的多姿态人脸识别算法达到了设计要求,实用价值较高。
文翔[8]（2019）在《人脸姿态矫正算法的研究》文中指出人脸识别是指利用计算机系统对输入的人脸进行分析并提取其有效的特征信息用来识别被输入者身份的技术。人脸识别技术因其非接触性,采集输入方便等特点,在诸如手机解锁,机场打卡等场景下均有广泛地应用。在科研领域同样引起了巨大研究的热情。目前,已经有许多卓有成效的工作被提出,并取得了优异的成绩。人脸识别技术常常会受到如姿态,表情和光照等因素的影响。而现有的许多人脸识别算法是以正面人脸作为输入的,因此,如何矫正人脸姿态到正面人脸是一项有研究价值的工作。本文在传统的人脸姿态矫正算法的基础上,针对传统的人脸姿态矫正算法研究中出现的问题:因旋转而造成的人脸局部区域扭曲和像素缺失的问题提出了两种改进型的人脸姿态矫正算法。主要的工作如下:（1）介绍了人脸识别的相关概念以及常用的技术,多姿态人识别的定义和相关的研究现状,以及介绍了本文在实验中用到相关人脸数据库。（2）针对因旋转造成的前后的语义不一致,即局部区域扭曲现象提出了一种基于三维形变模型（3D Morphable Models,3DMM）的人脸姿态矫正方法。通过该方法可以生成自然的人脸正面图像。具体来说,首先提出一种自适应的3DMM拟合算法,将输入的二维人脸图像与3DMM进行拟合。针对拟合过程中出现的局部纹理扭曲现象提出了一种基于Delaunay三角剖分的算法:利用Delaunay三角剖分将面部分割成若干三角形贴片,接着调整像素扭曲的三角形贴片。在LFW数据集上进行了多重实验表明,所提出的方法显着提高了人脸识别性能。（3）针对因人脸姿态偏转过大,合成正面人脸后会出现像素缺失的问题提出了基于图像修复的人脸姿态矫正算法。首先利用landmark检测算法检测出非正面人脸图像的landmark,然后利用姿态估计自适应3DMM拟合算法将2D人脸图像拟合到3DMM人脸模型。接着将得到的3DMM人脸模型经过归一化得到初步的正面人脸图像。接着将该正面人脸图像送入基于深度神经网络的图像修复网络中对正面人脸图像中像素缺失的孔洞进行修复。从定量和定性两个方面进行实验,实验结果表明了相较于传统算法,本文算法对经典的人脸识别算法具有性能提升作用这个结论。另外也说明了图像修复算法在人脸姿态矫正领域具有广阔的研究前景。
赵明华,莫瑞阳,石争浩,张飞飞[9]（2017）在《一种新的基于单视图的多姿态人脸识别方法》文中认为姿态变化和单视图是二维人脸识别研究的瓶颈问题。本文基于姿态矫正的思想,提出了一种基于单视图的多姿态人脸识别方法。首先,通过多视角主动表观模型进行人脸对齐和归一化;其次,基于线性回归算法寻求正、侧人脸之间的关系,并利用此关系进行姿态矫正得到正脸图像;最后,采用遗传算法筛选支持向量机的参数,并利用支持向量机对矫正后的人脸进行分类。在CASPEAL-R1人脸数据库上的实验结果表明,该方法在处理姿态变化的人脸识别问题时,对于姿态为15°、30°和45°的识别率分别达到了98%、84%和76%,识别性能高于其它方法。
莫瑞阳[10]（2016）在《基于单视图多姿态的人脸识别方法研究》文中提出人脸识别作为少数几个同时具有高精度和低干涉的生理特征识别方法,在数字身份认证、公共安全、多媒体等领域具有重要的应用价值。目前,在控制配合条件下的人脸识别系统能够取得较高的识别率,但当人脸存在姿态变化时,同时是单视图时,人脸识别系统面临巨大挑战。本文围绕单视图多姿态的人脸识别方法进行了系统研究,具体工作和主要成果包括:1、提出—种基于线性回归算法与支持向量机相结合的方法。针对待识别人脸存在姿态变化,基于线性回归算法寻求正、侧人脸之间的关系,然后利用此关系进行姿态校正。最后,利用支持向量机在小样本分类上的优势,采用遗传算法筛选其参数,对校正后的待识别人脸进行分类识别。在CAS-PEAL-R1人脸库上,识别率达86%。实验结果表明,该方法在处理基于单视图多姿态的人脸识别问题时,识别率高于同类其它方法。2、提出一种基于单张三维人脸重建生成虚拟多视图的方法。针对训练样本不足的问题,借助基于稀疏形变模型的三维人脸重建方法,重建输入人脸的三维人脸模型,然后通过纹理映射、旋转、投影等方法获取输入人脸的多姿态人脸图像,丰富训练样本库。在此基础上,利用BP神经网络进行人脸识别。在CAS-PEAL-R1人脸库上,识别率达91%。实验结果表明,该方法生成的虚拟多视图提高了识别效果,识别率高于同类其它方法。3、在上述工作的基础上,设计并实现了基于Matlab的人脸识别系统。该系统集成了本文所提的两种方法。
二、基于单视图的多姿态人脸识别算法（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、基于单视图的多姿态人脸识别算法（论文提纲范文）
（1）基于面部生成的视频序列多角度人脸识别研究（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 传统多角度人脸识别方法 |
| 1.2.2 基于深度学习的多角度人脸识别方法 |
| 1.3 本文研究内容及创新点 |
| 1.4 本文的组织结构 |
| 第2章 全流程人脸识别及正面人脸生成方法 |
| 2.1 引言 |
| 2.2 视频序列人脸识别方法 |
| 2.2.1 基于图像集的视频序列人脸识别 |
| 2.2.2 基于视频建模的视频序列人脸识别 |
| 2.3 全流程人脸识别系统 |
| 2.3.1 人脸检测模块 |
| 2.3.2 人脸对齐模块 |
| 2.3.3 人脸特征表示模块 |
| 2.3.4 人脸匹配模块 |
| 2.4 正面人脸生成方法 |
| 2.4.1 基于3D模型的正面人脸生成 |
| 2.4.2 基于深度学习的正面人脸生成 |
| 2.5 多角度人脸识别系统总体架构 |
| 2.6 本章小结 |
| 第3章 基于特征点定位的面部预处理方法研究 |
| 3.1 引言 |
| 3.2 预处理模块架构 |
| 3.3 面部特征点定位模型 |
| 3.4 基于面部特征点定位的面部水平化研究 |
| 3.4.1 面部特征点空间位置及姿态描述 |
| 3.4.2 面部水平化方法 |
| 3.5 基于面部特征点定位的面部缩放研究 |
| 3.6 本章小节 |
| 第4章 基于生成对抗网络的正脸生成及人脸匹配研究 |
| 4.1 引言 |
| 4.2 基于生成对抗网络的正脸生成 |
| 4.2.1 生成对抗网络概述 |
| 4.2.2 双路径生成对抗网络TP-GAN |
| 4.2.3 TP-GAN网络架构及目标函数 |
| 4.2.4 TP-GAN合成损失函数 |
| 4.2.5 基于Keras的正面化模型实现 |
| 4.3 人脸匹配模块 |
| 4.4 基于视频序列的识别流程算法 |
| 4.4.1 系统识别逻辑 |
| 4.4.2 数据预筛选算法 |
| 4.5 本章小结 |
| 第5章 实验结果及分析 |
| 5.1 引言 |
| 5.2 自建多角度人像视频数据集 |
| 5.3 视频序列多人面部水平化实验 |
| 5.4 多角度人脸定位性能实验 |
| 5.4.1 自采集多姿态视频实验 |
| 5.4.2 XM2VTS数据集多姿态视频实验 |
| 5.5 大姿态侧脸识别准确率实验 |
| 5.6 复杂场景下多角度人脸识别准确率实验 |
| 5.7 本章小结 |
| 结论 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 硕士期间论文发表情况 |
（2）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 |
（3）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 |
（4）基于卷积神经网络的多姿态人脸识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 人脸识别研究现状分析 |
| 1.2.1 人脸识别发展的三个阶段 |
| 1.2.2 国内外人脸识别发展现状 |
| 1.2.3 多姿态人脸识别面临的挑战 |
| 1.3 多姿态人脸识别系统框架 |
| 1.4 常用的多姿态人脸识别方法 |
| 1.4.1 基于子空间的多姿态人脸识别 |
| 1.4.2 基于局部特征的多姿态人脸识别 |
| 1.4.3 基于深度学习的多姿态人脸识别 |
| 1.5 本文研究的主要内容 |
| 第2章 卷积神经网络结构 |
| 2.1 人工神经网络 |
| 2.1.1 神经网络的神经元 |
| 2.1.2 神经网络 |
| 2.1.3 反向传播算法 |
| 2.2 卷积神经网络的基本结构 |
| 2.2.1 卷积神经网人脸识别模型结构 |
| 2.2.2 局部连接和权值共享 |
| 2.2.3 池化层 |
| 2.3 常见的激活函数 |
| 2.3.1 Sigmoid激活函数 |
| 2.3.2 Tanh激活函数 |
| 2.3.3 ReLU激活函数 |
| 2.4 卷积神经网络的训练 |
| 2.5 本章小结 |
| 第3章 基于LeNet-5模型的多姿态人脸识别的改进 |
| 3.1 Le Net-5 经典CNN结构 |
| 3.1.1 LeNet-5结构 |
| 3.1.2 LeNet-5运算过程的推导 |
| 3.2 CAS-PEAL人脸库 |
| 3.2.1 CAS-PEAL人脸库简介 |
| 3.2.2 CAS-PEAL人脸库采集环境 |
| 3.3 改进的卷积神经网络以及性能分析 |
| 3.3.1 卷积核数目实验对比 |
| 3.3.2 卷积核尺度实验对比 |
| 3.3.3 池化方式实验对比 |
| 3.3.4 非线性激活函数实验对比 |
| 3.3.5 正则化方法实验对比 |
| 3.4 改进后卷积神经网络结构 |
| 3.5 本章小结 |
| 第4章 基于PCA降维的多姿态人脸识别研究 |
| 4.1 PCA降维 |
| 4.1.1 PCA的概念和原理 |
| 4.1.2 K-L变换 |
| 4.1.3 SVD定理 |
| 4.1.4 人脸识别部分 |
| 4.2 算法的实现 |
| 4.3 仿真实验与结果分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（5）基于多视图稀疏表示的人脸识别系统研究（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 |
| 1.2.1 稀疏表示分类研究现状 |
| 1.2.2 人脸识别方法研究现状 |
| 1.2.3 多视图人脸识别研究现状 |
| 1.3 主要研究工作和内容安排 |
| 1.4 小结 |
| 第2章 相关理论及技术 |
| 2.1 引言 |
| 2.2 特征脸方法 |
| 2.3 Fisher脸方法 |
| 2.4 稀疏表示分类(SRC) |
| 2.4.1 过完备字典构造 |
| 2.4.2 稀疏表示求解 |
| 2.5 小结 |
| 第3章 基于分数阶稀疏表示的人脸识别算法 |
| 3.1 引言 |
| 3.2 分数阶奇异值分解表示 |
| 3.3 分数阶稀疏表示分类 |
| 3.3.1 分数阶字典构建 |
| 3.3.2 模型建立 |
| 3.4 实验结果与分析 |
| 3.4.1 分数阶参数设置 |
| 3.4.2 在ORL数据集上的实验 |
| 3.4.3 在Yale数据集上的实验 |
| 3.4.4 在CMU PIE数据集上的实验 |
| 3.5 小结 |
| 第4章 基于多视图FSRC的人脸识别算法 |
| 4.1 引言 |
| 4.2 联合稀疏表示分类 |
| 4.3 多视图FSRC算法 |
| 4.3.1 模型建立与迭代求解 |
| 4.3.2 算法步骤描述 |
| 4.4 实验结果与分析 |
| 4.4.1 多视图字典分数阶参数设置 |
| 4.4.2 特征维度变化下的实验 |
| 4.4.3 视图个数变化下的实验 |
| 4.5 小结 |
| 第5章 基于扩展多视图SRC的人脸识别算法 |
| 5.1 引言 |
| 5.2 扩展稀疏表示分类 |
| 5.3 扩展多视图SRC算法 |
| 5.3.1 多视图变异字典 |
| 5.3.2 问题描述与模型建立 |
| 5.3.3 算法优化求解 |
| 5.3.4 算法描述 |
| 5.4 实验结果与分析 |
| 5.4.1 数据维度变化下的实验 |
| 5.4.2 训练图像个数变化下的实验 |
| 5.4.3 多视图特征变化下的实验 |
| 5.5 小结 |
| 第6章 多视图SR的人脸识别系统设计与实现 |
| 6.1 引言 |
| 6.2 系统开发环境 |
| 6.3 系统总体设计 |
| 6.4 详细设计与实现 |
| 6.4.1 人脸检测算法 |
| 6.4.2 人脸预处理模块 |
| 6.4.3 人脸多视图特征提取 |
| 6.4.4 单视图稀疏人脸识别算法 |
| 6.4.5 多视图稀疏人脸识别算法 |
| 6.5 系统运行效果 |
| 6.6 小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（6）基于单视图的多姿态人脸识别算法（论文提纲范文）
| 引 言 |
| 一、人脸识别技术的内涵 |
| 二、单视图人脸识别的重要作用 |
| 三、基于单视图人脸识别的算法 |
| (一)多姿态人脸生成算法基本原理 |
| (二)多姿态人脸支持分类识别 |
| (三)实验计算结果 |
| 四、结束语 |
（7）面向视频监控的多姿态人脸识别技术研究与实现（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 人脸识别研究现状 |
| 1.2.2 多姿态人脸识别研究现状 |
| 1.3 论文主要工作 |
| 1.4 论文结构安排 |
| 第二章 人脸识别相关技术介绍 |
| 2.1 人脸检测 |
| 2.2 人脸图像预处理 |
| 2.3 人脸对齐 |
| 2.4 人脸特征提取 |
| 2.4.1 人脸数据集 |
| 2.4.2 卷积神经网络 |
| 2.4.3 损失函数 |
| 2.5 人脸特征匹配 |
| 2.6 本章小结 |
| 第三章 融合姿态信息的人脸姿态校正算法 |
| 3.1 人脸姿态信息的基本原理 |
| 3.2 生成对抗网络的基本原理 |
| 3.3 基于生成对抗网络的人脸姿态校正模型 |
| 3.4 实验与分析 |
| 3.4.1 实验环境 |
| 3.4.2 实验数据 |
| 3.4.3 实验过程与结果分析 |
| 3.5 本章小结 |
| 第四章 面向视频监控的多姿态人脸识别算法 |
| 4.1 多姿态人脸识别算法 |
| 4.1.1 基于RetinaFace的人脸检测与人脸对齐方法 |
| 4.1.2 基于相邻视频图像帧比对的人脸追踪方法 |
| 4.1.3 基于多点透视位姿求解方法的人脸姿态估计方法 |
| 4.1.4 基于MobileFaceNet的人脸特征提取方法 |
| 4.1.5 基于人脸追踪的人脸特征匹配方法 |
| 4.2 实验与分析 |
| 4.2.1 实验环境 |
| 4.2.2 实验数据 |
| 4.2.3 实验过程与结果分析 |
| 4.3 本章小结 |
| 第五章 多姿态人脸识别监控系统 |
| 5.1 多姿态人脸识别监控系统概述 |
| 5.2 系统功能模块设计与实现 |
| 5.2.1 多路视频流解码模块 |
| 5.2.2 人脸检测与对齐模块 |
| 5.2.3 人脸姿态校正模块 |
| 5.2.4 人脸识别模块 |
| 5.2.5 数据库模块 |
| 5.2.6 告警模块 |
| 5.3 系统运行分析 |
| 5.3.1 运行环境 |
| 5.3.2 运行分析 |
| 5.4 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（8）人脸姿态矫正算法的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究历史以及现状 |
| 1.3 多姿态人脸识别简介 |
| 1.4 研究重点和难点 |
| 1.5 论文的组织结构 |
| 第二章 人脸识别相关技术介绍 |
| 2.1 人脸识别算法基础知识 |
| 2.2 人脸识别算法 |
| 2.2.1 基于PCA的人脸识别 |
| 2.2.2 基于LBP的人脸识别 |
| 2.2.3 基于SVM的人脸识别 |
| 2.3 常用数据库 |
| 2.3.1 LFW人脸数据库 |
| 2.3.2 Yale人脸数据库 |
| 2.3.3 FERET人脸数据库 |
| 2.4 本章小结 |
| 第三章 基于3DMM的人脸姿态校正算法 |
| 3.1 引言 |
| 3.2 算法原理 |
| 3.2.1 2D-3D拟合 |
| 3.2.2 正面化 |
| 3.2.3 Delaunay三角剖分 |
| 3.2.4 纹理填充 |
| 3.3 实验结果及分析 |
| 3.3.1 LFW人脸数据库实验 |
| 3.3.2 Yale人脸数据库实验 |
| 3.4 本章小结 |
| 第四章 基于图像修复的人脸姿态矫正 |
| 4.1 前言 |
| 4.2 相关研究历史 |
| 4.3 算法原理 |
| 4.3.1 3DMM人脸拟合 |
| 4.3.2 自适应3DMM拟合 |
| 4.3.3 归一化 |
| 4.3.4 基于部分卷积层(Plconv layer)的图像修复 |
| 4.4 实验结果及分析 |
| 4.4.1 非限制环境下人脸识别实验 |
| 4.4.2 限制环境下的人脸识别实验 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 研究工作 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（9）一种新的基于单视图的多姿态人脸识别方法（论文提纲范文）
| 1 一种新的基于单视图的多姿态人脸识别方法 |
| 1.1 基于多视角AAM算法的人脸对齐 |
| 1.2 基于线性回归算法的人脸矫正 |
| 1.3 基于SVM的人脸分类 |
| 2 实验结果及分析 |
| 2.1 实验数据库及人脸数据预处理 |
| 2.2 人脸姿态矫正 |
| 2.3 人脸识别性能 |
| 3 结语 |
（10）基于单视图多姿态的人脸识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于姿态校正的方法 |
| 1.2.2 基于生成虚拟多视图的方法 |
| 1.2.3 现存的问题及难点 |
| 1.3 本文主要工作及章节安排 |
| 1.3.1 本文主要工作 |
| 1.3.2 本文章节安排 |
| 2 基于线性回归算法与支持向量机相结合的人脸识别方法 |
| 2.1 线性回归算法概述 |
| 2.1.1 最小二乘法 |
| 2.1.2 基于multi-AAM算法的人脸对齐 |
| 2.1.3 基于线性回归算法的人脸估计 |
| 2.2 支持向量机概述 |
| 2.2.1 SVM的二分类问题 |
| 2.2.2 SVM的多分类问题 |
| 2.3 基于线性回归算法与支持向量机相结合的人脸识别方法 |
| 2.4 实验结果及分析 |
| 2.4.1 实验数据库及人脸数据预处理 |
| 2.4.2 人脸姿态校正实验 |
| 2.4.3 本章方法识别性能实验 |
| 2.5 本章小结 |
| 3 基于单张三维人脸重建生成虚拟多视图的人脸识别方法 |
| 3.1 基于几何信息的平面模板重采样 |
| 3.1.1 基于几何信息的人脸分割 |
| 3.1.2 建立平面模板 |
| 3.1.3 重采样 |
| 3.2 基于稀疏形变模型的三维人脸重建 |
| 3.2.1 形变模型原理 |
| 3.2.2 稀疏形变模型原理 |
| 3.3 实验结果与分析 |
| 3.3.1 三维人脸数据库及数据预处理 |
| 3.3.2 三维人脸重建结果 |
| 3.3.3 本文方法识别性能实验 |
| 3.4 本章小结 |
| 4 系统与实现 |
| 4.1 系统模块框架 |
| 4.2 系统实现 |
| 4.3 系统运行环境 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、基于单视图的多姿态人脸识别算法（论文参考文献）
- [1]基于面部生成的视频序列多角度人脸识别研究[D]. 张子豪. 北京建筑大学, 2021(01)
- [2]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)
- [3]多姿态人脸识别算法研究[D]. 李金羽. 北京建筑大学, 2020(08)
- [4]基于卷积神经网络的多姿态人脸识别方法研究[D]. 陈强. 哈尔滨理工大学, 2020(02)
- [5]基于多视图稀疏表示的人脸识别系统研究[D]. 张超. 扬州大学, 2020(04)
- [6]基于单视图的多姿态人脸识别算法[J]. 梁飞翔. 科学咨询（科技·管理）, 2020(05)
- [7]面向视频监控的多姿态人脸识别技术研究与实现[D]. 邓铭坚. 电子科技大学, 2020(07)
- [8]人脸姿态矫正算法的研究[D]. 文翔. 合肥工业大学, 2019(01)
- [9]一种新的基于单视图的多姿态人脸识别方法[J]. 赵明华,莫瑞阳,石争浩,张飞飞. 西安理工大学学报, 2017(01)
- [10]基于单视图多姿态的人脸识别方法研究[D]. 莫瑞阳. 西安理工大学, 2016(04)