导读:本文包含了人脸检测定位论文开题报告文献综述及选题提纲参考文献，主要关键词:深度学习,人脸检测,面部关键点定位,脑平行交互机制
人脸检测定位论文文献综述
陈雨薇[1]（2019）在《基于改进MTCNN模型的人脸检测与面部关键点定位》一文中研究指出随着计算机视觉领域的飞速发展,人脸识别技术成为人工智能的一大热点。而人脸识别系统是指通过分析比对人脸的视觉特征进行人员身份鉴别的技术。该技术可被用于诸多领域,例如公安侦破系统、门禁管理系统、上班打卡系统与视频监控系统等。人脸识别系统通常由图像获取、图像预处理、人脸检测、面部关键点定位与人脸识别五个部分组成。人脸检测与面部关键点定位的表现效果直接影响人脸识别的准确性与时效性。因此,本文主要对人脸检测与面部关键点定位进行研究。人脸检测是指根据算法与网络结构,判断输入的图像中是否存在人脸,并将人脸区域框定。而面部关键点定位,则是选用左右眼、鼻尖以及左右嘴角五个关键点对待检测的人脸图像进行定位。将检测出的人脸区域裁剪并缩放成人脸识别系统所适用的尺度以便后续人脸识别环节的进行。由于存在光线、遮挡、非正脸和图像像素过低等诸多因素的影响,给人脸检测与面部关键点定位的准确率带来困难与挑战。为增强人脸检测与面部关键点定位的准确性与鲁棒性,本论文以MTCNN模型为研究基础,对人脸检测与面部关键点定位进行了深入的研究。本文的主要研究内容包括叁个部分:基于多尺度多模板图像金字塔数据预处理方法的MTCNN模型;基于脑平行交互机制的面部关键点定位方法的研究;将MTCNN模型与ERT模型结合,构建了新的组合人脸检测系统。论文的主要工作如下。1)针对MTCNN模型中单一模板多尺度图像金字塔预处理环节进行改进,将多模板多尺度的数据预处理引入MTCNN模型。从而使得网络模型可以适用于更多人脸尺度的情形,并且实现数据集扩充。实验结果表明,所提出的多模板多尺度图像金字塔数据预处理方法可以提高密集多人脸的检测精度。2)将脑平行交互机制的思想引入MTCNN,针对面部五个关键点定位的O-Net子网络提出了O-Net-1和O-Net-2的两个新网络。ONet-1在其平行交互的结构中让面部关键点定位的任务单独工作,从而提高网络对于该任务的针对性。而O-Net-2则仅针对面部关键点定位任务引入平行交互的结构,与原网络的二分类任务及回归框检测任务之间独立工作。实验结果表明基于脑平行交互机制的MTCNN模型能够提高面部关键点定位的准确率。3)提出了一种基于MTCNN模型与ERT模型的混合人脸检测模型,该模型是以ERT辅助MTCNN的检测模型。将MTCNN没有检测到的图像送入ERT模型进行二次检测,解决单个网络的漏检问题。根据实际需求制作了一个由摄像头采集的复杂环境下的人脸数据集。通过在该数据集上进行对比实验,证明了所提出的混合人脸检测模型的有效性。(本文来源于《东华大学》期刊2019-05-01）
林国军,杨明中,陈明举,解梅[2]（2019）在《一种肤色定位的人脸检测算法》一文中研究指出进行人脸识别前,首先要精确定位出一幅图像中人脸的位置,为了快速定位人脸位置,本文提出一种肤色定位的人脸检测算法。首先将实际获取的彩色图像转换为YCbCr和HSI空间图像,并将Cb和Cr图像中的数值进行四舍五入处理,结合Cb、Cr、H和S的阈值去除大部分背景,再统计当前图像中的彩色部分的Cb和Cr值,分别取最多2个数值来共同确定肤色位置,最后由当前位置的亮度信息图像排除手等纯肤色部分,准确定位人脸。本文算法能提高正检率并降低误检率,有利于人脸检测。(本文来源于《液晶与显示》期刊2019年01期）
井长兴[3]（2018）在《基于深度学习的人脸检测与人脸关键点定位算法研究》一文中研究指出计算机视觉领域中,对人脸图像进行人脸检测与人脸关键点定位是一项具有重要意义的任务。人脸检测与人脸关键点定位是人脸图像分析的重要基础步骤,视觉场景中进行人脸检测并定位出人脸所在位置,根据人脸检测框图完成对人脸面部重要关键点位置定位,在人脸识别、表情识别、人脸属性分析等任务中有着广泛的应用。深度学习在图像处理问题中具有足够强大的特征提取和特征表达能力,本文采用深度学习方法提升非约束条件下的人脸检测检测率和人脸关键点定位精确度。人脸检测任务中,增加神经网络深度可以进一步提高神经网络对人脸特征的提取能力和非线性函数逼近能力。但是,在构建深度卷积神经网络的过程中出现了梯度消失和梯度爆炸问题,使得神经网络无法通过增加网络深度提高人脸检测器性能。非约束条件下的人脸关键点定位任务中,人脸外观和人脸关键点的位置呈现高度的非线性关系,尤其是在视频监控问题等实际应用中,人脸关键点定位的精确率还需要进一步提高。本论文主要针对人脸检测和人脸关键点定位问题进行研究,并针对以上问题提出了算法的改进,主要内容如下:(1)在人脸检测过程中,针对深度神经网络出现的梯度消失和梯度爆炸问题,本文提出了一种差值网络和二阶差值网络的神经网络微结构。该方法包括:设计可迭加的卷积神经网络微结构,使网络加深的同时避免梯度消失和梯度爆炸问题;采用一阶、二阶的差值方式设计跨越特征层融合更加复杂特征,进一步提高深度神经网络的特征表达能力。实验结果表明:差值网络和二阶差值网络解决了深度神经网络的梯度消失和梯度爆炸问题;通过增加网络深度,提高了神经网络的特征挖掘能力,进一步提升了人脸检测的检测率。另外,该网络结构在目标分类、识别过程中也有良好的表现。(2)针对非约束条件下人脸外观和人脸关键点非线性差异问题,本文仔细分析训练样本数据,有针对性的对公开数据集进行样本增强。丰富了不同场景下样本多样性,提高级联回归神经网络模型在非约束条件下的鲁棒性。同时,本文提出了一种改进的“由粗到精”的级联卷积神经网络结构,该模型包括:通过增加神经网络宽度在全局回归阶段增加多尺度特征融合,增强网络特征学习能力;提出一种针对神经网络回归问题的代价函数,在代价函数中引入一个可学习参数,进一步提升了神经网络解决回归问题的能力。实验结果表明:该网络结构以及相应的回归代价函数有效降低了人脸关键点定位的平均误差,提高了网络模型对非约束条件下人脸关键点定位的精确度,同时提升了神经网络收敛速度。(本文来源于《中国计量大学》期刊2018-06-01）
罗达志[4]（2018）在《基于深度学习的迭代定位式人脸检测与分割方法研究》一文中研究指出随着人工智能的快速发展,机器的智能程度越来越高,在现今的人工智能研究工作中,人脸无疑是重要的研究对象。人脸研究的首个步骤往往是人脸检测,即从图像中检测出存在的人脸以及获得其准确位置。如果能够在图像或视频中准确地检测出所有人脸,我们的智能机器将更好地为人类服务。在复杂环境中的人脸检测是具有挑战性的任务,其难度来源于人脸本身的性质变化以及外部环境的多样性。人脸检测本质上包含分类与定位两个任务,其中被检测对象的定位准确性是一个重要的检测效果衡量指标,准确的定位能够在保留检测对象信息的同时减少冗余信息。然而,现今大部分的人脸检测算法没有对定位效果投入足够的重视,部分现有的人脸检测算法加入了一些辅助定位方法,但他们没有充分发挥辅助定位方法在检测过程中的作用,这限制了检测算法的最终效果。人脸分割在前背景剥离等应用场景中具有重要意义,将人脸分割作为辅助任务引入人脸检测中,增加功能的同时,利用两个任务的内在联系可以获得定位效果和整体效果增益。本论文聚焦于通过提高检测算法中的定位准确性来提升整体检测效果,提出一种迭代式候选框调整方法来逼近最准确的人脸区域,并设计和训练了基于金字塔池化的多任务人脸分割模型来对人脸区域进行像素级别的精细刻画。从算法整体来看,本文构建了基于深度卷积神经网络模型的级联结构人脸检测与分割方法,该算法首先通过全卷积网络进行快速粗检测获得初步的检测候选框,接着利用迭代式候选框调整对候选框进行渐进式的位置调整,最后通过多任务人脸分割模型对候选框进行再次分类和分割,将分类、分割两种结果整合形成最终检测结果。本文方法在该领域常用的AFW、FDDB等公共测试集上进行了实验,实验结果表明,本算法的定位效果优秀,并且定位效果的增强能够有效提高算法的整体检测效果,与现有的先进人脸检测算法相比,本算法具有一流的检测能力。(本文来源于《华南理工大学》期刊2018-04-20）
张兴贤[5]（2018）在《目标驱动的监控视频定位系统中人脸检测方法的设计与实现》一文中研究指出传统的监控活动通过人工的方式对被监控对象进行识别。这些视频监控系统功能单一,只能够存储和回放视频。而人工的实时监控方式中,监控人员极易疲劳,在监控视频数量较多时,容易遗漏重要信息,难以准确找到特定目标。基于上述原因,监控活动急需智能视频监控系统,来帮助监控人员更好地完成寻找监控中所有人员的工作。针对这些现象和问题,本文提出了目标驱动的监控视频定位系统中人脸检测方法的设计与实现,本文的人脸检测方法具有高准确率和低计算成本的优点。本论文设计并实现了一个目标驱动的监控视频定位系统,将系统分为视频处理模块、人脸检测模块、人脸识别模块和摄像头转动模块等四个功能模块。在视频处理模块中对摄像头采集的视频流进行截帧处理,得到的图像经过人脸检测模块与人脸识别模块,找到视频中特定目标的位置信息,然后在摄像头转动模块中对摄像头发出相应指令,以进行以特定目标为驱动的监控活动。此外本文重点研究了人脸检测模块中人脸检测方法在该系统中的应用,设计了一个卷积神经网络结构与一个隐式支持向量机分类器,并将二者结合实现了本系统中的人脸检测方法。最后,本论文对所实现目标驱动的监控视频定位系统进行了功能性测试和性能测试。测试结果表明,系统能够满足检测特定目标并以之为驱动进行持续监控的需求。系统中的视频处理模块、人脸检测模块、人脸识别模块和摄像头转动模块均能够正常运行并实现本模块功能。此外,本论文实现的人脸检测方法在保证了一定实时性的前提下,在检测率、误检率、漏检率等人脸检测重要评价标准上都有着较好的表现。(本文来源于《北京邮电大学》期刊2018-03-23）
刘小芳,魏伟波,谭璐[6]（2018）在《智能录播系统中站立人脸检测定位的实现》一文中研究指出针对智能录播系统中站立检测的现状和需求,提出了一种站立人脸的检测定位算法。算法通过帧差法确定活动区域,然后对活动区域光照补偿、肤色检测初步筛选人脸区域,结合人脸特征以及人脸面积占比等,综合区域划分,实现了站立人脸的检测定位。实验结果表明,该算法具有较高的检测准确率和鲁棒性。(本文来源于《青岛大学学报(自然科学版)》期刊2018年01期）
李燕晓[7]（2017）在《人脸检测及眼睛定位算法的研究》一文中研究指出21世纪以来,随着计算机性能的不断提高和完善,信息处理技术、数字图像处理技术、人工智能、计算机视觉、模式识别等都取得了快速的发展,人脸检测及人眼检测是其中研究的重要方向之一。人脸检测及人眼检测技术的不断发展,在很大程度上促进了人脸识别领域、无人驾驶领域、视线追踪领域、医疗教育领域等相关领域的技术的发展。本文实现的人眼检测及分割是在人脸检测的基础之上进行的,而且人眼状态的识别是在人眼检测和分割的基础之上进行的。本文实现了基于BP神经网络的人眼状态识别,对传统的人脸检测及人眼检测方法进行了改进,深入研究了人脸检测、人眼检测以及人眼状态识别的相关理论和问题。本文完成的主要工作内容如下。首先实现了人脸的检测及分割。考虑到传统肤色模型对肤色分割时存在的亮度阈值等问题,本文采用了一种自适应亮度阈值的椭圆肤色模型方法,实现对人脸区域的分割。该方法首先将人脸图像转化到YCbCr空间下,然后利用改进后的椭圆肤色模型实现肤色分割,最后利用形态学运算以及基于连通区域标记法的面积滤波法消除背景中的伪肤色区域。其次,实现了人眼中心定位及人眼区域分割,考虑到灰度积分投影曲线的波峰和波谷容易受到噪声的影响,对于人眼区域的检测不够准确的问题,本文采用了水平灰度投影和径向对称变换(Radial Symmetry Transform)相结合的方法,实现了眼睛定位及分割。实验证明方法的准确率提高了很多。最后实现了人眼开闭状态的识别,相对于几何特征和模板匹配的人眼状态识别,基于神经网络的人眼状态识别具有更高的准确率。本文采用了BP神经网络构造分类器来实现人眼开闭状态的识别。实验结果证明,该方法具有比较好的识别率。(本文来源于《沈阳理工大学》期刊2017-12-01）
李燕晓,秦丽娟[8]（2017）在《人脸检测及眼睛定位算法的研究》一文中研究指出随着人工智能的迅速发展,人眼检测和眼睛定位作为人脸识别、虹膜识别等研究的重要组成部分,其重要性不言而喻。本文首先研究了基于高斯椭圆肤色模型和形态学结合的人脸检测技术,实现人脸分割,然后对分割后的区域采用灰度积分投影和径向对称变换(Radial Symmetry Transform)相结合的算法准确定位人眼。实验结果显示该方法在一定条件下具有较高的检测率,而且具有较低的复杂度,容易满足实际工程的要求。(本文来源于《电子世界》期刊2017年14期）
董瑞霞[9]（2017）在《结合人脸检测的人脸特征点定位方法研究》一文中研究指出人脸特征点定位是人脸识别和分析研究领域中的重中之重,它是诸如自动人脸识别、表情分析、叁维人脸重建及叁维动画等其它人脸相关问题的前提和突破口。近些年来,深度学习方法由于其自动学习及持续学习能力,已被成功应用到了图像识别与分析、语音识别和自然语言处理等很多领域,且在这些方面都带来了很显着的改善。因此,本文利用深度学习方法进行了人脸特征点定位的研究。在传统的研究过程中,人们一般都是将人脸检测和人脸特征点定位当作两个独立的课题。但事实上,人脸检测和人脸特征点定位工作是紧密联系并且互相影响着的。其中,人脸检测是人脸特征点定位的前提和基础,在目标人脸图像中准确地检测出人脸区域既可以保证人脸特征点定位的准确性,又可以缩小搜索范围,从而提高定位的效率。因此,本文考虑结合人脸检测来提高人脸特征点定位的精度。第一种结合方式是人脸检测卷积神经网络与人脸特征点定位卷积神经网络前后相级联,以充分发挥人脸检测对人脸特征点定位的基础作用;第二种结合方式是多任务学习。将人脸检测和人脸特征点定位看作互相关联的两种任务,利用多任务学习的思想,用一个深度卷积神经网络模型同时学习这两种任务,从而让两个任务之间可以互相促进、互相提高。基于此,本文的主要研究内容和创新点是:(1)设计了基于选择性搜索策略和改进的Alexnet卷积神经网络的人脸检测器。本文在人脸检测问题上选用的也是深度学习方法和卷积神经网络模型。这是因为,通过传统人脸检测算法(比如最经典的Adaboost算法)裁剪出来的人脸矩形框,经常会掺杂很多冗余的背景,且定位到的人脸,有时并不能够准确在矩形的中心,而使用卷积神经网络可以明显改善这些问题,从而能更好地进行人脸特征点定位。(2)提出了基于级联卷积神经网络的人脸特征点定位方法。第一级是(1)中提到的人脸检测器,第二、叁级分别是用于人脸特征点粗定位和细定位的两层卷积神经网络,文中详细探讨了这两层卷积神经网络的网络结构及参数设置。(3)提出了基于多任务深度学习的人脸特征点定位算法。设计了两个多任务深度学习模型:在卷积神经网络的中间层融合人脸检测和人脸特征点定位两个子任务的深度学习模型以及在卷积神经网络的全连接层融合这两个任务的深度学习模型。本文设置了多组对照实验,实验基于Caffe深度学习框架和Python编程而进行。实验结果证明,上述两种方法得到的人脸特征点定位效果,相对目前比较好的方法,在精度上都有很大提升。(本文来源于《青岛科技大学》期刊2017-04-10）
陈伟栋[10]（2017）在《基于肤色模型的人脸检测及特征点定位方法研究》一文中研究指出人脸检测及特征点定位在计算机视觉研究中有着重要地位,在生活中应用也极其广泛。人脸检测是指在输入图像中检测是否存在人脸,如果存在,则标识出人脸区域的位置。特征点定位则是在人脸检测的基础上,更精确地寻找到脸部的特征点位置。人脸检测及特征点定位是很多人脸相关应用如表情识别、姿态估计、人脸动画合成中的关键步骤,这两个步骤的性能对其后续人脸相关应用有重要影响。传统的人脸检测及特征点定位方法在训练阶段需要进行复杂的特征提取,且鲁棒性不佳。本论文致力于简化特征提取环节,并构造新的特征点定位优化方法,进一步提高检测和定位的准确性和速度。本文对人脸检测及特征点定位方法进行了深入研究。首先,将肤色模型和用深度学习方法训练的人脸分类器结合用于人脸的检测,在人脸检测的基础上,再利用回归网络对检测结果不精确的人脸区域做回归处理,以获得更精准的人脸检测定位。接下来,根据回归后的人脸检测结果进行特征点定位。特征点定位是采用随机森林方法,通过对人脸特征点建立全局约束模型进行整体优化,利用级联回归结构迭代获得人脸特征点的精确位置。论文主要研究内容如下:1、而本文中通过深度学习方法设计并训练一个人脸分类器网络,将其与肤色模型相结合,能够更有效地检测出复杂场景下的人脸,且避免了显式的特征设计和提取环节。2、针对前一步骤人脸检测环节中可能出现的检测精度不高的情况,设计了一个回归网络,利用回归网络对检测结果进行回归校正以获得更精确的检测定位。3、特征点定位初始阶段将根据人脸检测结果给特征点赋予初始坐标,因此,一个精确的人脸检测结果对于提升特征点定位的速度和精度有重要作用。本文首先训练随机森林模型实现对特征点定位重要特征的筛选,之后对人脸特征点建立全局约束模型,用最小二乘方法对全局模型参数进行整体优化,最后利用级联回归结构进行迭代获得人脸特征点的精准定位。实验结果表明,改进的人脸检测及特征点定位系统能够有效提高复杂环境下人脸检测及特征点定位的性能,在保证鲁棒性及较高定位精度的前提下,还拥有接近实时的较高检测及定位速度。(本文来源于《重庆理工大学》期刊2017-03-24）
人脸检测定位论文开题报告
（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：
进行人脸识别前,首先要精确定位出一幅图像中人脸的位置,为了快速定位人脸位置,本文提出一种肤色定位的人脸检测算法。首先将实际获取的彩色图像转换为YCbCr和HSI空间图像,并将Cb和Cr图像中的数值进行四舍五入处理,结合Cb、Cr、H和S的阈值去除大部分背景,再统计当前图像中的彩色部分的Cb和Cr值,分别取最多2个数值来共同确定肤色位置,最后由当前位置的亮度信息图像排除手等纯肤色部分,准确定位人脸。本文算法能提高正检率并降低误检率,有利于人脸检测。
（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。
人脸检测定位论文参考文献
[1].陈雨薇.基于改进MTCNN模型的人脸检测与面部关键点定位[D].东华大学.2019
[2].林国军,杨明中,陈明举,解梅.一种肤色定位的人脸检测算法[J].液晶与显示.2019
[3].井长兴.基于深度学习的人脸检测与人脸关键点定位算法研究[D].中国计量大学.2018
[4].罗达志.基于深度学习的迭代定位式人脸检测与分割方法研究[D].华南理工大学.2018
[5].张兴贤.目标驱动的监控视频定位系统中人脸检测方法的设计与实现[D].北京邮电大学.2018
[6].刘小芳,魏伟波,谭璐.智能录播系统中站立人脸检测定位的实现[J].青岛大学学报(自然科学版).2018
[7].李燕晓.人脸检测及眼睛定位算法的研究[D].沈阳理工大学.2017
[8].李燕晓,秦丽娟.人脸检测及眼睛定位算法的研究[J].电子世界.2017
[9].董瑞霞.结合人脸检测的人脸特征点定位方法研究[D].青岛科技大学.2017
[10].陈伟栋.基于肤色模型的人脸检测及特征点定位方法研究[D].重庆理工大学.2017