一、多方法融合来解决人脸检测中的光照补偿（论文文献综述）
吴坚[1]（2020）在《舌像分析中的光照补偿与图像配准研究》文中进行了进一步梳理在过去的二十年中,中医学客观化研究引起了越来越多的关注,利用人体体表可见光彩色图像进行医学图像处理与诊断的研究不断涌现。作为中医“望诊”核心的“舌诊”更是在舌像的采集、处理、以及分析等方面得到了深入的探讨,本文研究舌像处理与分析中的高性能预处理算法。现有的舌像分析主要集中在舌像成像设备、舌像特征提取、以及舌像分类等方面,舌像分析中的预处理问题得到的研究较少,其中舌像的光照干扰及图像配准问题并未得到广泛重视。当前研究中的舌像光照干扰及图像配准问题通常被忽视或以简单的方式处理,缺乏细致的研究及有效的解决方案。本文着重研究舌像光照补偿问题及舌像配准问题并提出有效的解决方案。首先,本文讨论舌像光照干扰问题并提出一种光照补偿方法。当前舌像光照干扰的研究主要集中于舌像反光点的去除,关于舌像光照漂移的研究相对较少。舌像光照漂移对舌像分析会产生巨大影响,本文发现舌像纹理特征会随图像照度线性漂移的现象,并提出该漂移问题的补偿方法。所提出的补偿方法是基于图像Hodge分解模型,该模型把图像分解成照度与纹理两个分量的和。基于图像Hodge分解模型,本文建立舌像Gabor纹理特征与照度之间的线性回归模型,该模型解释了舌像Gabor纹理特征与照度之间的线性漂移现象。在真实舌像数据库上的实验验证了该线性回归模型的正确性。实验结果表明:通过本文提出的光照补偿方法,线性漂移问题得到解决。而且,基于补偿后的舌像的分类诊断,相较于补偿之前,其正确率得到提升。其次,本文研究舌像反光点问题并提出对应的反光点去除方法。不同于光照漂移,舌像反光点属于高频信号。本文提出一类非线性滤波器,同时解决舌像的光照漂移与反光点两方面问题。具体而言,本文提出使用宽线检测子（WLD）滤波器响应图像代替原始图像作为Gabor纹理特征提取的基底图像。基于WLD滤波器预处理的Gabor纹理特征对于图像光照漂移的干扰具有鲁棒性,同时消除由舌面湿润反光点引起的局部高光。因此,在描述舌像粗糙度时,预处理的Gabor纹理特征比现有的Gabor纹理特征更加准确。在预处理后的Gabor纹理特征中,舌像粗糙度作为病理信息指标变得更加显着,并且基于预处理后的Gabor纹理特征的舌像分类的正确率也得到提高。再次,本文讨论舌像配准问题并提出一种有效的舌像配准实现方案。现有的舌像配准主要是建立舌像之间的若干位置的映射,且极易受舌像变形干扰。在舌像之间建立稠密且对舌像变形鲁棒的配准方法尚未得到研究。本文提出一种基于共形映射的舌像配准的方法。在该方法中,舌像被配准到同一标准形状。基于配准后的舌像,我们提取舌像的平均舌和本征舌。各个类别的平均舌表现了该类别的一些典型视觉特征,印证了中医诊断实践中的一些经验观察和直观认识。本征舌体现了舌像区域内部的功能性分区。基于本征舌的特征提取具有维数高、信息量大的优点,从而提升了舌像诊断的可靠性。最后,本文研究了专门针对二维平面舌像配准的共形映射算法。当前共形映射的研究主要集中于空间曲面之间的配准。这类方法应用到二维平面舌像时面临诸多困难。具体而言,现有三维共形映射方法应用于舌像时将无法克服定向问题。本文提出一种基于边界对齐的舌像定向方法,其中舌像定向问题转化为边界上一个关键点的对齐问题。此外,本文提出一种快速共形映射算法,使共形映射适用于大规模的舌像配准问题。综上所述,本文讨论了舌像分析中的两类图像预处理问题。这两类预处理操作对舌像分析与诊断具有提升性能的作用,可以作为舌像处理与分析的有效工具。
孟科[2]（2020）在《基于深度学习的脸耳多模态身份验证研究与系统设计》文中进行了进一步梳理随着人工智能技术的快速发展,生物特征识别技术在教育、医疗、军事、金融等各个领域得到广泛应用。尽管如此,在实际应用场合中,基于单一生物特征的生物特征识别系统常受到噪声干扰、非普遍性和抗哄骗能力差等诸多因素的制约,而利用多种生物特征信息的多模态生物特征识别系统可在一定程度上缓解单模态生物特征识别系统的部分缺陷,并且通过多模态生物特征融合显着提高系统识别性能。人脸识别采用非接触式图像采集,符合人类视觉识别习惯,并可隐蔽操作,应用场景和范围比指纹、虹膜识别等更加丰富和广泛。但人脸易受光照、姿态、表情、化妆和年龄等因素影响,人耳位于人脸附近,耳形状稳定,几乎不受表情和年龄的影响,结合人脸与人耳进行多模态识别,可提高系统的准确性和抗干扰能力,并增加可识别的角度范围。本文着重研究基于深度学习的人脸人耳检测技术和多模态融合识别,并设计和实现了一个基于脸耳多模态识别的考生签到系统。在人脸人耳检测方面,本文将头部图像划分和定义为人脸区域、人耳区域和头部区域,标注三类目标训练样本,采用Mask Scoring R-CNN检测技术框架进行训练和检测。由于人耳目标较小,训练样本有限,误检率较高。针对该问题,提出了一种人耳区域过滤算法,利用脸耳位置上下文关系,消除人耳误检,减少人耳检测框和掩膜的抖动现象。实验表明,本文所用方法以及训练的模型具有良好的性能,达到了较高的检测率。在脸耳多模态识别方面,本文研究了稀疏表示分类框架下的基于深度学习的脸耳多模态身份验证方法,该方法首先分别提取人脸和人耳深度学习特征,然后在稀疏表示身份验证框架中,在特征层或匹配层进行融合识别。本文通过实验研究和分析了两种融合方法的优缺点,以及深度学习损失函数中类内和类间距离约束对识别结果的影响。实验结果表明,结合深度特征和稀疏表示方法能够大幅度提高验证精度;匹配层融合的抗干扰能力优于特征层融合方法;基于提高类间可分性和类内一致性思想设计的损失函数能够带来明显的性能提升。最后,本文结合所提脸耳检测和识别方法,使用Pytorch和PyQt在Ubuntu系统上设计和实现了一个基于脸耳多模态识别的考生签到系统。该系统能够完全自动检测考生的脸和耳,验证考生身份信息,系统准确性高,界面简洁友好,具有一定应用价值。
罗勇[3]（2019）在《情境感知智能人机交互关键技术研究》文中研究说明随着智能设备的普及,人机交互已深入渗透人类生产生活的方方面面。情境感知智能人机交互已日益成为人工智能、机器视觉、数据挖掘领域的研究热点。由于数字化相机的普遍性及其相关技术的通用性,基于单目可见光视觉的人机交互技术已受到越来越多研究者的关注。本文在广泛阅读与调研国内外相关研究的基础上,针对基于单目可见光视觉的情境感知智能人机交互存在的主要问题与不足,开展了一系列的深入研究,提出了如下创新性方法。提出了一种基于结构相似性时空分析的情境感知光照均衡方法。利用光照补偿结构图与物体光反射特性,获取光照补偿空间分布,通过计算两帧之间非动态物体的光照变化量估计光照时变情况;在基于时间和空间的光照补偿基础上,结合对数直方图均衡算法,实现对视频的快速光照均衡化。实验结果表明,所提方法能够同时改善视频图像的能见度、对比度、自然性、光照一致性和信息稳定性。提出了一种基于背景建模的复杂情境人体分割方法。根据人体的运动特征及头部结构特征,利用结构相似分布图与头部检测算法,构造出不含人体的帧图像,用于背景模型更新,并采用多特征融合方法,从复杂情境中分割出人体。实验结果表明,所提方法能够实时、准确和完整地获取人体区域。提出了一种基于差异更新的三维人体骨架估计方法。将人体分割算法与骨架定位算法融合,提高骨架定位效率的同时减少骨架关键点的误检;利用人体前景与人体骨架的运动一致性,基于差异更新算法,抑制人体骨架定位过程中的抖动现象;利用规范化骨架关键点间相对位置特征,建立骨架深度字典模型,获取3D人体骨架信息。实验结果表明所提方法有效、可行。提出了一种基于模式融合特征点定位的面部朝向估计方法。通过基于双尺度面部区域检测算法定位人的面部区域;利用特征点区域的相对关系,融合两种不同模式的特征点定位算法,提高面部特征点定位的准确性;利用面部特征点这一稀疏特征,建立面部朝向识别模型,实现复杂情境中人脸的面部朝向估计。相比于基于人脸稠密特征的面部朝向估计方法,所提方法具有鲁棒的面部特征描述能力,可有效提高面部朝向估计效果。提出了一种基于阶段行为特征的交互主体用户感知方法。基于人体部件骨架关键点,阶段性判别人体的指示交互行为状态,识别用户是否具备交互意图;采用空间最邻近算法,从存在交互行为的用户中定位出交互主体用户。实验结果表明所提方法有效、可行。提出了一种基于躯干位移的交互主体用户跟踪方法。利用人体躯干位移特征跟踪场景中的交互主体用户,采用基于人体骨架区域的色彩直方图匹配算法和快速正面人脸识别算法,恢复由于骨架丢失而中断的用户跟踪链。相比于基于整体区域的跟踪方法,所提方法能更有效地解决人体跟踪过程中区域混叠造成交互用户身份不明确的问题。提出了一种基于自适应虚拟空间屏的人机交互方法。通过交互主体用户的面部朝向,确定其在交互界面上的关注区域,并将关注区域自适应地映射到虚拟空间屏,通过手部与虚拟空间屏的虚拟接触,响应交互主体用户所表达的交互意图。通过大量的实验和对比分析,结果表明所提出方法能够高效地实现多人有序交互。
杨欢欢[4]（2018）在《多特征融合人脸表情识别算法研究》文中进行了进一步梳理人脸表情识别作为情感研究的重要部分,是人与机器实现智能交互的必要条件,具有重要的研究意义及潜在的商业价值。由于人类情感表达的多样性和人脸表情自身的复杂性,单一类别特征并不能很好地用于表情识别,为此,越来越多的研究者开始趋于多特征融合方向的研究。本文主要从人脸图像光照补偿去噪、纹理特征融合人脸表情识别及多特征融合人脸表情识别开展人脸表情识别算法的研究工作:（1）研究了一种用于人脸图像光照补偿去噪的多方法结合算法。鉴于光照变化会严重影响人脸图像识别的问题,提出一种改进的光照补偿算法,消除光照变化等噪声。利用YaleB07库仿真测试,本文从主观（人眼）和客观（特征点有效率及运行时间、亮度、信息熵）两方面对各算法处理效果进行对比分析,验证了算法的有效性。（2）研究了一种用于人脸表情识别的纹理特征融合算法。针对方向性局部二值模式（DLBP）在单尺度下获取图像纹理特征的不足,提出一种异或-非对称方向性局部二值模式（XOR-AR-DLBP）多尺度多方向融合的特征提取算法。对预处理后的人脸表情图像进行光照补偿;对人脸及眉、眼、嘴局部表情关键区域进行分割和归一化,并计算关键区域的贡献度（CM）;提取人脸及关键区域的XOR-AR-DLBP直方图特征信息,由CM对关键区域特征信息进行加权级联,将整幅人脸图像的特征信息与其串联,得到纹理融合特征;支持向量机（SVM）分类器对纹理融合特征训练识别。利用JAFFE库、CK库仿真测试,实验结果表明,相较于传统算法,纹理特征融合算法能有效的提高人脸表情的识别率与实时性。（3）研究了一种用于人脸表情识别的多特征融合算法。为了克服单特征表情识别的局限性,本文提出一种基于表情识别率权值选择的多特征融合算法。将纹理融合特征、几何特征、全局特征送入SVM分类器训练识别,由识别率权值选择算法对得到的三个不同结果进行决策融合,获取多类融合特征的识别结果。利用JAFFE库、CK库仿真测试,实验结果表明,与三类单特征表情识别算法相比,多特征融合算法对人脸表情的平均识别率提升较大,与现有多特征融合算法相比,平均识别率提高了0.52%2.27%。
王永军[5]（2014）在《基于遗传算法的人脸识别系统的设计与DSP实现》文中进行了进一步梳理人脸识别技术是最近几十年生物特征识别领域的研究热点,它融合了计算机图形学、数字图像处理、计算机视觉、模式识别和人工神经网络等多个学科的方法和理论。人脸识别技术在公共安全和军事安全领域有着十分广阔的应用前景。本文在查阅相关文献和对人脸识别系统深入研究的基础上,利用北京瑞泰创新公司的ICETEK-DM6437-B-KIT作为硬件开发平台,设计实现了基于遗传算法的人脸识别系统。系统包括对视频图像的光照补偿、特征提取、特征选择、分类识别等功能,并能将识别结果显示。本文主要完成的工作如下：（1）图像光照补偿。在实时视频采集系统中,光照强度对系统性能影响很大。本文通过实验对比分析了三种光照补偿算法,最后确定本文采用的光照补偿方法。（2）人脸检测与定位。本文在YCbCr颜色空间采用肤色检测方法对人脸肤色进行聚类分析,完成了人脸区域的检测,并通过人脸形状特征参数来排除脖子等非人脸区域。（3）人脸特征提取与选择。本文采用8×8分块LBP（Local Binary Patterns）算子提取人脸纹理特征,共提取出640维特征向量。采用遗传算法进行特征选择,并根据基本遗传算法的理论知识,提出了一种改进的遗传算法,主要改变了适应度函数、选择算子、交叉概率和变异概率等参数。实验结果表明,本文提出的改进遗传算法在全局收敛性、迭代时间和识别率上都优于基本遗传算法。（4）人脸分类识别。本文采用最近邻分类器和支持向量机（Support Vector Machine,SVM）分类器相结合的方法进行人脸分类识别。在处理前端用最近邻分类器进行粗分类,得到与测试样本距离最小的两类,再对这两类用SVM进行细分类。（5）在ICETEK-DM6437-B-KIT硬件平台上实现了系统的功能。通过在CCS（Code Composer Studio）中采用C语言编程,实现了视频人脸识别功能。通过测试,本文所设计的人脸识别系统识别率达到90%以上,具有较好稳定性和很强的实用性,为进一步研究人脸识别系统打下了很好的基础。
喻富[6]（2013）在《复杂背景下基于全景图像拼接的人脸检测算法研究》文中认为人脸检测最早应用于人脸识别领域内的人脸定位。它一般可描述为：给定静止或动态图像，判断其中是否有人脸；若有，将所有人脸从图像中分割出来，并确定每个人脸在图中的位置和大小。随着人脸识别应用背景逐渐复杂，人脸检测已发展成为一门独立的学科，备受世人的关注。它在人脸识别、视觉检索、智能监控、安全访问控制等领域有着非常重要的应用价值。本文主要根据近期参与的项目《基于视频的教室内授课与考试人员识别系统研究》来进行展开研究的，主要涉及图像拼接及人脸检测方面的知识。所以本文重点研究了复杂背景下基于全景图像拼接的人脸检测算法。针对项目对图像拼接技术的实际需要，提出了一种基于SIFT特征匹配的全景图像拼接算法。通过图像匹配技术及相关的图像拼接技术对，两幅及以上的视角图拼接成一幅全景图像。本文针对项目的要求对人脸检测算法进行了重点研究。首先，本文提出了一种基于肤色分割的人脸检测预处理算法。针对人脸肤色的聚类特性进行了研究，对不同的颜色空间进行肤色聚类结果对比，本文选择YCbCr空间。接着为了提高肤色及发色的聚类效果，采用了一种自适应光照补偿方法。并且通过建立高斯肤色模型，进行肤色相似度计算，并采用最佳阈值分割算法进行肤色及发色分割，最后通过数学形态学处理，剔除部分非肤色及发色区域。实验证明，本文提出的人脸检测预处理方法具有可行性和有效性。由于本文采集的图像都是复杂背景下的彩色人脸图像，存在很多噪声点，所以分割出的肤色及发色区域并不能直接准确定位人脸区域。基于该种情况，本文提出了一种结合人脸头发几何约束和人脸掩模的人脸检测算法。首先通过人脸与头发的几何位置关系进行人脸的粗检测，并获取人脸候选区域，然后对每个人脸候选区域采用改进的基于人脸掩模的人脸检测算法进行最终准确的人脸定位，实验证明，该方法对于复杂背景下的彩色人脸图像能够快速准确地检测出人脸。
王德慧[7]（2013）在《基于视频的人脸识别技术在监狱AB门控制系统中的应用与研究》文中指出监狱AB门是所有进出监狱监管区人员的必经之地，其地位决定必须进行严密监管。传统方式AB门进出流程是人工识别后进入，这种方式存在很大弊端，如人工辨识水平的差异、值班人员夜间疲劳、值班人员责任心等各种因素均很大程度上影响着监狱监管安全，其中监狱外来人员由于人员结构复杂、经常有陌生面孔等，传统的人工管控方式已越来越难以满足监狱的高安全性要求。因此，利用技术防范手段提高AB门管理水平势在必行。人脸识别技术是一种重要的生物特征识别认证技术，它利用计算机分析人脸图像，从中提取有效的识别信息，并与人脸信息数据库中的已知人脸信息比较，达到识别辨认身份的目的。经过多年的发展，已经取得很多重要的研究成果。本文基于动态视频的人脸识别技术，在监狱AB门控制系统中的应用展开分析研究，分析人脸识别系统实现的关键步骤，重点探讨人脸图像预处理，人脸图像在不同光照、不同角度下的光源补偿，以及视频中不同帧率下识别率的高低问题，解决在具体应用中出现识别精度、识别速度和识别率不高的问题。人脸识别技术的研究是一项具有挑战性的前沿课题，潜在巨大应用价值。本文的主要工作和创新点包括：（1）详细分析人脸识别在监狱AB门控制系统中的关键应用，包括人脸图像预处理、特征提取、对比分析识别等处理，并依据人脸识别结果进行流程控制及业务处理。（2）提出采用光源补偿方式实现不同光照下人脸比对效果。（3）对视频中的多帧人脸特征提取处理步骤进行分析，解决多帧人脸特征提取处理，达到快速业务要求，从而实现快速有效的人脸识别。（4）本文根据分析基于视频的人脸识别要点，进行设计与实现一个人脸识别应用的核心组件。该人脸识别核心组件实现平台为Visual C++2008和Direct Show技术，包括人脸图像预处理和人脸检测视频中人脸图像处理功能，以实现监狱AB门控制系统为例，验证本文提出方法的可行性及效果。（5）将人脸识别应用的核心组件，应用于监狱AB门控制系统，包括人脸图像预处理、人脸检测和视频中人脸识别功能，以验证本文提出的方法的可行性和效果，解决动态人脸识别技术在人员快速进出与管理安全中速度与安全性的平衡兼顾问题；并可根据其历史记录及进行的数据分析，实现监狱的智能报警。
吴松[8]（2012）在《基于监控视频的人脸识别与运动目标分割》文中认为视频中的人脸识别技术以及运动目标分割技术作为计算机视觉和模式识别中的重要研究领域,具有重要的理论研究价值和实际应用价值。利用视频中人脸的时间和空间信息是一种能够有效地克服视频中人脸分辨率低、尺度变化范围大、光照、姿态变化比较剧烈以及时常发生遮挡等困难的人脸识别算法。此外,视频中的运动目标分割结果是视频处理领域中更高层场景分析和运动目标语义分析的基础。本论文在相关领域研究工作的基础上,提出了新的视频人脸识别算法和运动目标分割算法,并对光照鲁棒性的人脸识别方法进行了研究。视频监控、信息安全以及公共安全等应用领域的发展带动了人脸识别技术的进步。基于视频的人脸识别已成为人脸识别领域最为活跃的研究方向之一。本文提出了一种基于视频帧序列人脸三维重建的视频人脸识别方法。在训练阶段,采用改进的主动形状模型（ASM）算法对人脸图像完成特征点标定和姿态估计,基于特征点和标准三维人脸模型完成人脸三维重建,通过获取的正面人脸图像完成模型纹理映射。在识别阶段,对于输入视频中的人脸图像进行姿态估计,并将数据库中的三维人脸模型调整至指定姿态并投影到二维平面；结合本文提出的二维经验模态分解（2D-EMD）和PCA主成分分析方法提取人脸特征,并基于欧式距离和多数投票进行人脸相似性度量。监控视频中不可避免的光照变化将对人脸识别的精确性造成一定的影响。在不同的光照环境下,同一个人脸的图像变化往往要比在相同条件下不同人脸的图像变化更大,因此,光照鲁棒性的人脸识别研究成为模式识别领域一个重要的研究课题。针对现有的光照鲁棒性人脸识别算法,本文对基于稀疏表示的人脸识别、基于相位一致性的人脸识别、基于LBP特征的人脸识别进行了研究。通过在ORL、AR以及Extended Yale B三个人脸数据库中提取这三种光照鲁棒性特征,并基于主成分分析（PCA）进行降维,最后使用距离匹配进行分类识别的实验结果表明：这三种人脸识别算法能够有效地克服光照因素的影响。视频中运动目标分割技术广泛的应用于视频监控、交通监控以及多媒体技术等领域,使得其成为当前计算机视觉中的重要研究领域。现有的运动目标分割算法主要利用图像像素信息或颜色纹理信息来完成分割任务,具有较高的时问成本和计算复杂性。在现有方法的基础上,本文提出了一种新的监控视频中的运动目标分割算法。该算法结合了光流运动信息估计算法,中值滤波去噪技术和基于图论的过分割方法,并利用本文提出的图节点融合框架完成分割。在分割过程中,采用光流法估计连续帧间运动目标的运动信息,并使用数字滤波器对光流信息进行去噪,基于去噪后的光流信息完成初始分割,获得运动目标粗略的位置和边界。然后,利用图论分割算法实现图像中运动目标的过分割。最后,基于图节点融合框架并参照视频序列中对象的位置和边界,将物体过分割区域进行合并,得到精确的分割结果。
刘小林[9]（2012）在《彩色图像人脸检测及人脸特征点定位》文中研究指明人脸检测的研究涉及模式识别、图像处理、生理学等多门学科,并与基于其它生物特征的身份鉴别方法以及计算机人机感知交互领域都有密切的联系,并且人脸检测是人脸识别的基础和前提。目前,对于简单背景下的彩色图像人脸检测算法和实践已经比较成熟,现在市场上出现的人脸自动识别系统,大多要求标准是正向人脸和简单背景的条件,而对于复杂背景下的人脸检测,虽然提出了很多算法,但是始终没能建立一个通用且高效的,不能达到准确率和实时性的兼顾。首先,介绍了人脸检测的研究背景和意义,以及人脸检测中的难点和评价标准,最后则对彩色图像人脸的发展状况做了分析。其次,分析了人脸检测领域常用的RGB、YCbCr和HSV三种色彩空间中人脸肤色的聚类性,考虑到图像摄入时可能会有一定色彩偏差,所以采用了“参考白”的方法对图像进行了光照补偿预处理。然后综合考虑人脸肤色在多色彩空间的分布特性（聚类性）,提出了YCbCr和HSV的混合肤色分割模型,并对肤色进行分割,最终得到人脸检测的候选区域。再次,研究了人脸定位的各种常用算法。然后针对传统SNoW算法具有占用资源多、执行效率低和鲁棒性差的特点,对图像亮度采用局部二值化映射算法进行改进,使像素的亮度只有16种可能值,大大节省了存储空间。最后用Yale人脸库结合局部均值变换（SMQT）训练SNoW分类器,训练中采用winnow规则更新。实验结果表明,人脸检测的准确率很高,能够检测单人和多人的各种情况,并且能够去除掉“类人脸”区域的干扰。接着,又研究了各种人眼定位的算法。通过分析,本文首先对Rein-Lien Hsu提出的灰度模型函数进行改进,然后结合色度模型组成的综合模型实现眼睛的粗定位。此次改进能够实现眼睛的粗定位,并能进一步弱化鼻了和嘴部的干扰,但是在定位中,也发现由于光照、人脸偏转等原因容易导致出现漏检的现象,针对此问题,本文又进一步利用Gabor变换对图像处理,再次定位双眼。Gabor变换中由于脸部尺寸的大小不一致,导致检测到的双眼位置在竖直方向上有一定的偏移。据此,依据第一次求得的眼睛的位置来纠正第二次定位的竖直偏移结果。实验结果表明,可以准确的实现对双眼的定位。最后,对比了各种嘴部定位的算法。本文首先利用唇色在YIQ色彩空间中的信息特征,筛选出嘴部候选区域,然后结合嘴部映射法,得到最大的嘴部映射函数值,即可确定嘴部的中心点位置。实验结果表明可以准确的实现嘴部中心的定位。未来人脸检测将会融合多种信息,检测的准确率和速度也将进一步的提高。静态图像中人脸检测技术的研究也将进一步推进动态检测技术的发展。
郑伟华,戴永[10]（2011）在《自适应同态对数光照补偿》文中研究说明人脸检测有广泛的应用前景,但目前的许多人脸检测算法对光照有一定的要求,过亮过暗偏光图像使检测率急剧下降。提出一种自适应同态对数光照补偿方法,用对数函数作为基函数,使变换后的图像符合人的视觉特点;设置对数函数的平移系数,使变换对各种程度过暗过亮偏光阴影图像都可以进行有效的补偿;引入同态补偿公式来补偿光照的同时增强图像细节,使变换后的图像更清晰。实验结果表明,该方法对过暗过亮的人脸图像都可以进行有效的光照补偿,有助于提高人脸检测率。
二、多方法融合来解决人脸检测中的光照补偿（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、多方法融合来解决人脸检测中的光照补偿（论文提纲范文）
（1）舌像分析中的光照补偿与图像配准研究（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 研究现状及分析 |
| 1.2.1 舌像成像与分析系统 |
| 1.2.2 舌像特征提取与分析 |
| 1.2.3 舌像光照补偿 |
| 1.2.4 可变医学图像与舌像的配准 |
| 1.3 本文使用的数据库 |
| 1.4 研究内容 |
| 1.5 组织结构与安排 |
| 第2章 基于Hodge分解的舌像光照补偿与纹理增强 |
| 2.1 引言 |
| 2.2 问题的提出 |
| 2.3 解决方案 |
| 2.3.1 图像Hodge分解模型 |
| 2.3.2 线性漂移模型 |
| 2.3.3 基于Hodge分解的光照补偿 |
| 2.4 实验结果 |
| 2.4.1 线性漂移模型的数值验证 |
| 2.4.2 光照补偿效果 |
| 2.4.3 舌像分类实验 |
| 2.4.4 光照补偿对深度网络的提升 |
| 2.5 本章小结 |
| 第3章 基于宽线检测子的舌像反光点去除方法 |
| 3.1 引言 |
| 3.2 问题的提出 |
| 3.2.1 Gabor纹理粗糙度 |
| 3.2.2 光照漂移干扰 |
| 3.2.3 反光点干扰 |
| 3.3 解决方案 |
| 3.3.1 宽线检测子 |
| 3.3.2 WLD作为光照干扰的解决方案 |
| 3.3.3 WLD对反光点的去除 |
| 3.4 实验结果 |
| 3.4.1 反光点的去除 |
| 3.4.2 光照漂移补偿 |
| 3.4.3 案例分析:舌质老嫩 |
| 3.4.4 舌像分类实验 |
| 3.4.5 最优参数选择 |
| 3.5 本章小结 |
| 第4章 基于共形映射的舌像配准与特征提取 |
| 4.1 引言 |
| 4.2 问题的提出 |
| 4.3 解决方案 |
| 4.3.1 舌像到圆域的映射 |
| 4.3.2 舌像之间的映射 |
| 4.4 舌像配准的应用 |
| 4.4.1 参考形状的选择 |
| 4.4.2 平均舌 |
| 4.4.3 本征舌 |
| 4.4.4 舌像特征提取 |
| 4.5 实验结果 |
| 4.5.1 配准结果 |
| 4.5.2 舌像分类实验 |
| 4.5.3 配准对深度网络的提升 |
| 4.6 本章小结 |
| 第5章 基于边界对齐的共形映射与舌像配准 |
| 5.1 引言 |
| 5.2 舌像配准的定向问题 |
| 5.3 解决方案 |
| 5.3.1 共形映射的选择 |
| 5.3.2 基于边界对齐的舌像定向 |
| 5.3.3 边界对齐的实现 |
| 5.3.4 基于边界对齐的共形映射 |
| 5.4 实验结果 |
| 5.4.1 初始化及最优参数选择 |
| 5.4.2 舌像配准误差比较 |
| 5.4.3 舌像功能分区校正 |
| 5.4.4 舌像分类实验 |
| 5.4.5 光照补偿与图像配准的融合 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 本文中相关定理和命题的证明 |
| A.1 符号约定 |
| A.2 定理 2.1 的证明 |
| A.3 等式 (3-8)-(3-9) 的证明 |
| A.4 定理 5.1 的证明 |
| A.5 定理 5.2 的证明 |
| 附录B 若干补充问题的讨论 |
| B.1 Hodge分解及其在本文中的简化形式 |
| B.2 舌像粗糙性度量的反例 |
| B.3 关于初始化的讨论 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（2）基于深度学习的脸耳多模态身份验证研究与系统设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 单模态生物特征识别 |
| 1.3 基于深度学习的人脸人耳检测 |
| 1.3.1 单阶段目标检测算法 |
| 1.3.2 两阶段目标检测算法 |
| 1.3.3 人耳检测面临的困难 |
| 1.4 多模态生物特征识别 |
| 1.4.1 多模态融合识别理论 |
| 1.4.2 基于深度学习的多模态融合识别研究现状 |
| 1.5 基于稀疏表示的身份验证 |
| 第二章 基于深度学习的人脸与人耳检测 |
| 2.1 Mask Scoring R-CNN |
| 2.1.1 主干网络 |
| 2.1.2 特征金字塔(FPN) |
| 2.1.3 区域候选网络(RPN) |
| 2.1.4 MaskIoU head |
| 2.2 脸耳数据标注与模型训练 |
| 2.3 脸耳检测与分割 |
| 2.3.1 Mask Scoring R-CNN检测结果 |
| 2.3.2 基于脸耳上下文的人耳过滤方法 |
| 2.4 脸耳定位 |
| 2.5 实验结果与分析 |
| 第三章 基于深度学习的脸耳多模态融合识别方法 |
| 3.1 人脸人耳特征提取 |
| 3.1.1 SE-ResNet20 网络 |
| 3.1.2 ArcFace损失函数 |
| 3.2 脸耳多模态稀疏表示身份验证 |
| 3.2.1 稀疏表示身份验证 |
| 3.2.2 人脸人耳特征层融合 |
| 3.2.3 人脸人耳匹配层融合 |
| 3.3 脸耳多模态数据库 |
| 3.4 实验结果与分析 |
| 3.4.1 脸耳单模态身份验证 |
| 3.4.2 脸耳多模态身份验证 |
| 3.4.3 抗干扰能力测试 |
| 第四章 基于脸耳多模态识别的考生签到系统 |
| 4.1 开发环境 |
| 4.2 系统架构与运行模式 |
| 4.3 系统功能设计与实现 |
| 4.4 系统关键代码及界面展示 |
| 4.5 系统性能测试 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表论文及科研成果 |
| 致谢 |
（3）情境感知智能人机交互关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 国内外研究概况 |
| 1.2.1 人机交互发展概况 |
| 1.2.2 视觉传感系统 |
| 1.2.3 基于视觉的人机交互研究现状 |
| 1.2.4 情境感知智能人机交互研究概况 |
| 1.3 本文研究内容与主要贡献 |
| 1.4 论文的主要结构安排 |
| 第二章 基于结构相似性时空分析的情境感知光照均衡 |
| 2.1 光照增强概述 |
| 2.2 基于光照补偿结构图的光照自然均衡化算法 |
| 2.2.1 对数直方图均衡 |
| 2.2.2 基于光照补偿结构图的光照融合补偿 |
| 2.2.3 光照自然均衡化 |
| 2.2.4 实验对比及分析 |
| 2.3 光照变化结构相似性时空分析 |
| 2.3.1 基于结构相似性时空分析的光照时变感知 |
| 2.3.2 光照突变感知 |
| 2.4 情境感知光照均衡 |
| 2.4.1 情境感知光照均衡算法 |
| 2.4.2 实验对比及分析 |
| 2.5 本章小结 |
| 第三章 基于背景建模的复杂情境人体分割 |
| 3.1 人体分割概述 |
| 3.2 基于结构相似背景建模的前景分割 |
| 3.2.1 前景分割概述 |
| 3.2.2 结构相似背景建模 |
| 3.2.3 场景情境突变处理 |
| 3.2.4 多特征融合前景分割 |
| 3.2.5 运动前景分割算法对比及分析 |
| 3.2.6 基于光照均衡的前景分割 |
| 3.3 基于背景建模的人体分割 |
| 3.3.1 基于结构前景的头部检测 |
| 3.3.2 背景建模 |
| 3.3.3 基于特征历史分布的人体分割 |
| 3.4 人体检测及人体分割实验对比分析 |
| 3.4.1 人体检测比较 |
| 3.4.2 人体分割效果对比 |
| 3.5 本章小结 |
| 第四章 基于差异更新的三维人体骨架估计 |
| 4.1 人体骨架估计概述 |
| 4.2 基于差异更新的人体骨架定位 |
| 4.2.1 人体骨架定位 |
| 4.2.2 基于人体分割的骨架定位 |
| 4.2.3 基于差异更新的骨架稳定化 |
| 4.3 基于深度字典模型的三维骨架估计 |
| 4.3.1 骨架深度估计 |
| 4.3.2 三维人体骨架估计 |
| 4.4 本章小结 |
| 第五章 基于模式融合特征点定位的面部朝向估计 |
| 5.1 面部朝向估计概述 |
| 5.2 基于双尺度检测的面部区域提取 |
| 5.2.1 人脸检测概述 |
| 5.2.2 基于抑制冗余的面部纹理增强 |
| 5.2.3 基于双尺度检测的五官区域定位 |
| 5.2.4 基于自适应肤色建模的面部区域提取 |
| 5.3 基于模式融合的面部特征点定位 |
| 5.3.1 人脸面部特征点定位 |
| 5.3.2 基于面部区域提取的特征点定位 |
| 5.3.3 模式融合特征点定位 |
| 5.4 复杂情境面部朝向估计 |
| 5.4.1 面部朝向建模 |
| 5.4.2 面部朝向估计及实验分析 |
| 5.5 本章小结 |
| 第六章 基于自适应虚拟空间屏的情境感知人机交互 |
| 6.1 基于阶段行为特征的交互主体用户感知 |
| 6.1.1 人体行为估计概述 |
| 6.1.2 基于躯干位移特征的站立状态估计 |
| 6.1.3 基于关节位移特征的手臂运动状态估计 |
| 6.1.4 基于手部关节相对位置特征的指示姿态估计 |
| 6.1.5 交互主体用户感知 |
| 6.2 基于躯干位移的交互主体用户跟踪 |
| 6.2.1 基于躯干位移特征的人体跟踪 |
| 6.2.2 基于骨架区域色彩模型匹配的用户跟踪链恢复 |
| 6.2.3 基于快速正面人脸识别的用户跟踪链恢复 |
| 6.2.4 人体跟踪对比分析 |
| 6.3 情境感知人机交互 |
| 6.3.1 关注区域感知 |
| 6.3.2 自适应虚拟空间屏 |
| 6.3.3 人机交互实验分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 作者在攻读博士学位期间主要的研究成果 |
| 作者在攻读博士学位期间参与项目 |
| 致谢 |
（4）多特征融合人脸表情识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 课题研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 常用的人脸表情数据库 |
| 1.4 人脸表情识别的难点 |
| 1.5 课题主要研究内容 |
| 1.6 论文的结构安排 |
| 2 人脸表情识别算法相关基础理论 |
| 2.1 人脸检测 |
| 2.1.1 基于知识的人脸检测算法 |
| 2.1.2 基于统计的人脸检测算法 |
| 2.2 人脸表情预处理 |
| 2.2.1 人脸表情图像的几何规范化 |
| 2.2.2 人脸表情图像的灰度规范化 |
| 2.2.3 人脸表情图像的滤波去噪 |
| 2.3 人脸表情特征提取 |
| 2.3.1 基于全局特征的特征提取 |
| 2.3.2 基于局部特征的特征提取 |
| 2.3.3 基于几何特征的特征提取 |
| 2.3.4 基于运动特征的特征提取 |
| 2.4 人脸表情多特征融合 |
| 2.5 人脸表情分类识别 |
| 2.6 本章小结 |
| 3 多方法结合人脸图像光照补偿算法研究及改进 |
| 3.1 Retinex理论 |
| 3.1.1 Retinex理论与直方图均衡化相结合 |
| 3.1.2 Retinex理论与双边滤波器相结合 |
| 3.2 改进的多方法结合算法 |
| 3.3 实验结果及分析 |
| 3.4 本章小结 |
| 4 非对称方向性局部二值模式人脸表情识别 |
| 4.1 基于方向性的局部二值模式 |
| 4.2 异或-非对称方向性局部二值模式 |
| 4.2.1 非对称方向性局部二值模式 |
| 4.2.2 异或-非对称方向性局部二值模式 |
| 4.3 特征融合 |
| 4.3.1 表情局部区域贡献图谱 |
| 4.3.2 特征加权融合 |
| 4.4 实验结果及分析 |
| 4.4.1 本文算法的实验结果及分析 |
| 4.4.2 不同算法的实验结果比较 |
| 4.5 本章小结 |
| 5 多特征融合人脸表情识别 |
| 5.1 基于主动外观模型的人脸表情识别 |
| 5.1.1 基于主动外观模型的人脸表情特征提取 |
| 5.1.2 基于粗糙集的AAM表情特征选择 |
| 5.2 基于特征脸的人脸表情识别 |
| 5.3 多特征融合人脸表情识别 |
| 5.3.1 融合准则 |
| 5.3.2 识别率权值选择 |
| 5.3.3 多特征加权融合 |
| 5.4 实验结果及分析 |
| 5.4.1 单特征的实验结果及分析 |
| 5.4.2 多特征融合的实验结果及分析 |
| 5.4.3 不同算法的实验结果比较 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 研究展望 |
| 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 |
（5）基于遗传算法的人脸识别系统的设计与DSP实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及研究意义 |
| 1.1.1 人脸识别研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 人脸识别系统国内外研究现状及应用 |
| 1.2.1 国内外研究现状 |
| 1.2.2 人脸识别系统应用 |
| 1.3 人脸识别主要方法 |
| 1.4 人脸识别流程 |
| 1.5 人脸识别系统的评价标准 |
| 1.6 本文主要工作及框架 |
| 第2章 相关知识介绍 |
| 2.1 彩色空间理论 |
| 2.1.1 基本颜色空间 |
| 2.1.2 颜色空间的选取 |
| 2.2 光照补偿算法 |
| 2.2.1 Gamma校正 |
| 2.2.2 直方图均衡化 |
| 2.2.3 非线性变换方法 |
| 2.3 人脸检测 |
| 2.3.1 人脸检测方法 |
| 2.3.2 人脸检测评价准则 |
| 2.4 图像特征提取与特征选择 |
| 2.4.1 图像特征分类 |
| 2.4.2 图像特征提取 |
| 2.4.3 LBP特征提取 |
| 2.4.4 特征选择理论 |
| 2.4.5 遗传算法 |
| 2.5 分类器设计 |
| 2.5.1 分类器设计基本方法 |
| 2.5.2 支持向量机分类器 |
| 2.6 硬件平台介绍 |
| 2.6.1 视频处理子系统 |
| 2.6.2 DM6437存储空间配置 |
| 2.7 本章小结 |
| 第3章 人脸识别算法仿真与实现 |
| 3.1 人脸识别系统光照补偿处理 |
| 3.1.1 图像Gamma校正处理 |
| 3.1.2 直方图均衡化处理 |
| 3.1.3 非线性变换处理 |
| 3.2 改进遗传算法 |
| 3.2.1 改进遗传算法原理 |
| 3.2.2 适应度函数的改进 |
| 3.2.3 选择算子的改进 |
| 3.2.4 交叉算子的改进 |
| 3.2.5 变异算子的改进 |
| 3.3 基本遗传算法和改进遗传算法的性能分析 |
| 3.4 改进遗传算法在人脸特征选择上的应用 |
| 3.4.1 ILBP特征提取 |
| 3.4.2 ILBP和改进GA算法实现步骤 |
| 3.4.3 ILBP和改进GA算法实验分析 |
| 3.5 支持向量机在人脸识别上的应用 |
| 3.5.1 SVM在人脸识别中的应用 |
| 3.5.2 改进GA和SVM算法实验步骤 |
| 3.5.3 改进GA和SVM算法实验分析 |
| 3.6 仿真结果 |
| 3.7 本章小结 |
| 第4章 人脸识别系统硬件实现及测试分析 |
| 4.1 DSP图像处理系统硬件体系 |
| 4.1.1 ICETEK-DM6437-B评估板 |
| 4.1.2 DSP数字图像处理芯片 |
| 4.1.3 XDS560仿真器 |
| 4.1.4 DSP/BIOS系统配置 |
| 4.2 DSP图像处理系统软件开发环境 |
| 4.3 DM6437视频采集与输出流程 |
| 4.4 人脸识别算法在DSP图像处理系统的实现 |
| 4.4.1 人脸识别算法流程 |
| 4.4.2 光照补偿 |
| 4.4.3 人脸检测与定位 |
| 4.4.4 人脸识别 |
| 4.4.5 实时采集样本数据 |
| 4.5 测试与结果分析 |
| 4.5.1 系统测试环境 |
| 4.5.2 系统测试结果与分析 |
| 4.5.3 部分系统测试效果图 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文情况 |
（6）复杂背景下基于全景图像拼接的人脸检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 插图索引 |
| 附表索引 |
| 第1章 绪论 |
| 1.1 选题的背景及意义 |
| 1.2 图像拼接的国内外研究现状及发展趋势 |
| 1.2.1 国内外研究现状 |
| 1.2.2 发展趋势 |
| 1.3 人脸检测的国内外研究现状及发展趋势 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.3.3 发展趋势 |
| 1.4 人脸检测的难点与热点 |
| 1.5 论文组织结构 |
| 第2章 人脸检测方法综述 |
| 2.1 基于知识模型的方法 |
| 2.2 基于几何特征的方法 |
| 2.2.1 人脸轮廓特征 |
| 2.2.2 器官特征 |
| 2.2.3 灰度分布特征 |
| 2.3 基于肤色模型的方法 |
| 2.4 基于模板匹配的方法 |
| 2.5 基于统计理论的方法 |
| 2.5.1 基于特征空间的方法 |
| 2.5.2 基于人工神经网络的方法 |
| 2.5.3 基于支持向量机的方法 |
| 2.5.4 基于隐马尔可夫模型的方法 |
| 2.5.5 基于 Boosting 的方法 |
| 2.6 本章小结 |
| 第3章 一种基于 SIFT 特征匹配的全景图像拼接算法 |
| 3.1 图像预处理 |
| 3.2 SIFT 图像匹配 |
| 3.2.1 SIFT 特征向量提取 |
| 3.2.2 SIFT 特征向量匹配 |
| 3.3 RANSAC 图像匹配优化 |
| 3.4 图像融合 |
| 3.4.1 经典图像融合算法 |
| 3.4.2 帽子函数加权平均图像融合法 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 第4章 一种结合几何特征与人脸掩模的人脸检测算法 |
| 4.1 肤色分割 |
| 4.1.1 颜色空间综述 |
| 4.1.2 自适应光照补偿 |
| 4.1.3 肤色分割模型 |
| 4.1.4 阈值分割 |
| 4.1.5 形态学处理 |
| 4.1.6 实验结果与分析 |
| 4.2 发色分割 |
| 4.3 肤色及发色轮廓提取 |
| 4.3.1 经典的轮廓提取方法 |
| 4.3.2 基于 OpenCV 的轮廓提取方法 |
| 4.4 基于几何约束的人脸粗检测 |
| 4.4.1 外接矩形拟合 |
| 4.4.2 几何约束特征计算 |
| 4.4.3 实验结果及分析 |
| 4.5 结合几何特征和人脸掩模的人脸精确定位 |
| 4.5.1 复杂背景下经典的人脸检测算法 |
| 4.5.2 结合几何特征与人脸掩模的人脸检测算法 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 第5章 基于全景图像拼接的人脸检测系统 |
| 5.1 系统开发环境 |
| 5.2 系统功能模块介绍 |
| 5.2.1 图像拼接模块 |
| 5.2.2 人脸检测模块 |
| 5.3 本章小结 |
| 总结与展望 |
| 参考文献 |
| 附录A 攻读硕士学位期间发表论文及参加科研项目 |
| 致谢 |
（7）基于视频的人脸识别技术在监狱AB门控制系统中的应用与研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 主要研究方法 |
| 1.3 本文的主要研究内容及创新点 |
| 1.4 本文的组织结构 |
| 第二章 监狱 AB 门控制系统综述 |
| 2.1 系统目标 |
| 2.2 系统现状及存在问题 |
| 2.3 系统特点 |
| 2.4 系统流程及结构 |
| 2.5 系统中人脸识别技术的要求 |
| 第三章 人脸识别应用的研究 |
| 3.1 人脸识别技术介绍 |
| 3.2 人脸识别的应用趋势 |
| 3.3 人脸识别应用存在的问题 |
| 第四章 基于视频的人脸识别技术研究 |
| 4.1 基于视频的识别技术概述 |
| 4.2 基于视频的人脸识别原理 |
| 4.3 针对人脸识别的光照补偿方法 |
| 4.4 视频中不同帧率人脸特征提取方法 |
| 第五章 视频人脸识别技术的设计 |
| 5.1 视频人脸识别技术选型 |
| 5.2 视频人脸识别组件的结构 |
| 5.3 采用视频的识别方法 |
| 5.4 采用光照补偿的实验方法 |
| 5.5 视频中不同帧率人脸识别处理方法 |
| 5.6 视频人脸识别组件的业务流程图 |
| 5.7 门禁业务与视频人脸识别组件之间的接口 |
| 5.8 监狱 AB 门控制系统功能界面设计 |
| 第六章 人脸识别技术的测试 |
| 6.1 基于人脸识别技术算法测试 |
| 6.2 基于人脸识别场景测试 |
| 6.3 人脸识别系统集成测试 |
| 6.4 测试结果与讨论 |
| 第七章 总结及展望 |
| 7.1 工作与总结 |
| 7.2 存在的不足及展望 |
| 参考文献 |
| 致谢 |
（8）基于监控视频的人脸识别与运动目标分割（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 人脸识别研究的目的及意义 |
| 1.1.1 人脸识别的主要研究内容 |
| 1.1.2 人脸识别技术的发展趋势 |
| 1.1.3 人脸识别技术的应用领域 |
| 1.2 国内外研究状况的概述 |
| 1.3 研究内容及结构安排 |
| 第2章 人脸识别方法研究 |
| 2.1 人脸检测算法 |
| 2.1.1 基于特征的人脸检测算法 |
| 2.1.2 基于图像的人脸检测方法 |
| 2.2 人脸识别算法 |
| 2.3 基于视频序列的人脸识别 |
| 2.4 本章小结 |
| 第3章 基于经验模态分解的人脸识别 |
| 3.1 引言 |
| 3.2 二维经验模态分解 |
| 3.2.1 经验模态分解原理 |
| 3.2.2 EMD低通滤波原理 |
| 3.3 基于EMD的人脸特征提取 |
| 3.3.1 EMD特征提取 |
| 3.3.2 PCA降维 |
| 3.4 实验与分析 |
| 3.5 本章总结 |
| 第4章 基于视频序列三维重建的人脸识别 |
| 4.1 引言 |
| 4.2 人脸图像特征点标定算法 |
| 4.2.1 ASM形状模型的建立 |
| 4.2.2 局部纹理模型的建立 |
| 4.2.3 基于ASM模型的人脸轮廓拟合 |
| 4.3 改进的ASM特征点标定算法 |
| 4.3.1 改进的人脸初始位置定位 |
| 4.3.2 改进的搜索策略 |
| 4.4 特定人脸重建 |
| 4.4.1 人脸姿态估计 |
| 4.4.2 人脸三维重建 |
| 4.4.3 纹理映射 |
| 4.5 实验与分析 |
| 4.6 本章小结 |
| 第5章 光照鲁棒性人脸识别方法研究 |
| 5.1 引言 |
| 5.2 基于稀疏表示的人脸识别研究 |
| 5.3 基于相位一致性的人脸识别研究 |
| 5.4 基于LBP特征的人脸识别方法研究 |
| 5.5 实验与分析 |
| 5.6 本章总结 |
| 第6章 视频序列中的运动目标分割研究 |
| 6.1 引言 |
| 6.2 基于光流和图论方法的运动目标分割 |
| 6.2.1 基于光流的运动估计 |
| 6.2.2 图像过分割 |
| 6.2.3 图结构融合算法 |
| 6.3 实验与分析 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 研究生期间研究成果及发表的学术论文 |
（9）彩色图像人脸检测及人脸特征点定位（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 研究背景和研究现状 |
| 1.1.1 人脸检测中的难点 |
| 1.1.2 人脸检测中的评价标准 |
| 1.2 人脸检测的研究的意义 |
| 1.3 彩色图像人脸检测的发展 |
| 1.4 主要研究内容及创新点 |
| 1.4.1 主要研究内容 |
| 1.4.2 创新点 |
| 1.5 本文的组织结构 |
| 第二章 彩色图像中的肤色分割 |
| 2.1 引言 |
| 2.2 基于肤色的人脸检测算法分类 |
| 2.3 色彩空间模型 |
| 2.3.1 RGB色彩空间 |
| 2.3.2 HSV色彩空间 |
| 2.3.3 YCbCr、YUV及YIQ色彩空间 |
| 2.4 色彩空间的选择 |
| 2.5 彩色图像预处理中光照补偿方法的实现 |
| 2.6 肤色分割模型的建立 |
| 2.6.1 图像分割的定义 |
| 2.6.2 图像分割的实现 |
| 2.6.3 分割图像的二值化处理 |
| 2.6.4 二值化图像去噪处理 |
| 2.7 本章小结 |
| 第三章 基于候选区域的人脸检测算法 |
| 3.1 基于先验规则的方法 |
| 3.2 基于几何形状信息的方法 |
| 3.3 基于色彩信息方法 |
| 3.4 基于统计理论的方法 |
| 3.4.1 子空间方法 |
| 3.4.2 神经网络方法 |
| 3.4.3 支持向量机方法 |
| 3.4.4 隐马尔可夫模型方法 |
| 3.4.5 Boosting方法 |
| 3.5 基于SNoW分类器的人脸检测实现 |
| 3.5.1 局部连续均值量化变换 |
| 3.5.2 SNoW分类器算法原理及算法实现 |
| 3.5.3 人脸检测研究可用的图像库 |
| 3.6 本章小结 |
| 第四章 人脸特征点之眼睛定位 |
| 4.1 人眼定位算法分类比较 |
| 4.1.1 基于先验规则的方法 |
| 4.1.2 基于几何形状信息的方法 |
| 4.1.3 基于色彩信息的方法 |
| 4.2 彩色图像眼睛定位实现 |
| 4.2.1 彩色人脸图像的眼睛定位模型的改进 |
| 4.2.2 基于Gabor变换的眼睛定位方法 |
| 4.2.3 改进的彩色图像的人眼定位与基于Gabor变换的眼睛定位方法的结合 |
| 4.3 人眼检测技术存在的问题及发展趋势 |
| 4.3.1 人眼检测技术存在的问题 |
| 4.3.2 人眼检测技术的发展趋势 |
| 4.4 本章小结 |
| 第五章 人脸特征点之嘴部定位 |
| 5.1 面部几何特征定位法 |
| 5.2 唇色信息分析法 |
| 5.3 彩色图像中基于经验公式的嘴部映射法 |
| 5.4 嘴巴区域中心点的定位 |
| 5.4.1 RGB色彩空间到YIQ色彩空间的转化 |
| 5.4.2 嘴部定位的实现 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本章小结 |
| 6.2 展望 |
| 参考文献 |
| 作者在研究生期间参与项目及发表论文 |
| 致谢 |
（10）自适应同态对数光照补偿（论文提纲范文）
| 0 引 言 |
| 1 对数变换 |
| 2 自适应对数变换 |
| 2.1 对数函数的平移 |
| 2.2 函数平移系数d的计算 |
| 3 光照的同态补偿 |
| 3.1 同态滤波的数学模型 |
| 3.2 像素的同态补偿公式 |
| 4 实验及其分析 |
| 4.1 Adaboost人脸检测系统的训练 |
| 4.2 几种光照补偿方法对过暗图像的补偿比较 |
| 4.3 几种光照补偿方法对过亮图像的补偿比较 |
| 4.4 变换后图像的自 (信息) 熵和点锐度 |
| 4.5 多种光照补偿方法的人脸检测率比较 |
| 5 结 论 |
四、多方法融合来解决人脸检测中的光照补偿（论文参考文献）
- [1]舌像分析中的光照补偿与图像配准研究[D]. 吴坚. 哈尔滨工业大学, 2020(02)
- [2]基于深度学习的脸耳多模态身份验证研究与系统设计[D]. 孟科. 西华大学, 2020(01)
- [3]情境感知智能人机交互关键技术研究[D]. 罗勇. 上海大学, 2019
- [4]多特征融合人脸表情识别算法研究[D]. 杨欢欢. 重庆理工大学, 2018(11)
- [5]基于遗传算法的人脸识别系统的设计与DSP实现[D]. 王永军. 东北大学, 2014(08)
- [6]复杂背景下基于全景图像拼接的人脸检测算法研究[D]. 喻富. 湖南大学, 2013(07)
- [7]基于视频的人脸识别技术在监狱AB门控制系统中的应用与研究[D]. 王德慧. 中山大学, 2013(02)
- [8]基于监控视频的人脸识别与运动目标分割[D]. 吴松. 西南大学, 2012(10)
- [9]彩色图像人脸检测及人脸特征点定位[D]. 刘小林. 东华大学, 2012(06)
- [10]自适应同态对数光照补偿[J]. 郑伟华,戴永. 中国图象图形学报, 2011(08)