导读:本文包含了人脸检测技术论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:神经网络,卷积,深度,特征,视觉,人工智能,遮挡。
人脸检测技术论文文献综述
王荣生[1]（2019）在《基于深度学习的人脸检测和识别关键技术研究与实现》一文中研究指出人脸作为稳定、个体差异明显的生物特征,广泛应用于身份鉴定。得益于卷积神经网络(Convolutional Neural Networks,CNN)的发展,人脸检测和人脸识别(Face Recognition,FR)的性能获得了极大的提升。目前,人脸识别技术已经实用于铁路自动验票进站闸机系统,移动端登录以及金融系统的支付认证等。但是在实际项目开发中发现,复杂背景下的多任务人脸检测算法存在误检率较高、低分辨率人脸的识别准确率低等问题,且CNN网络可以通过结构优化来进一步提高准确性和鲁棒性。本文分析了上述问题的原因,改进了人脸检测和识别算法的性能,并设计和实现了“人-证”身份审核系统。本文的主要研究工作如下:(1)人脸检测:本文针对多任务卷积神经网络(Multi-Task Convolutional Neural Network,MTCNN)人脸检测算法在复杂背景下误检率较高的问题,改进MTCNN网络结构,并引入着重于挖掘难分类样本的损失函数Focal Loss,本文称之为Focal MTCNN。实验结果表明本文提出的Focal MTCNN的性能好于MTCNN。(2)人脸识别:本文针对人脸识别性能进行优化,采用DropBlock改进的ResNet-34,并使用基于Margin的损失函数来提高人脸识别性能。实验结果表明,在自然场景标注面部(Labeled Faces in the Wild,LFW)数据集上,相比于原始ResNet-34错误率降低8.8%,相比于ResNet-50,在准确率降低0.11%的情况下,速度上提升21.62%。(3)人脸筛除:本文针对Focal MTCNN误检类似人脸的硬负样本问题,采用基于AdaBoost+Haar-like分类器进行误检人脸筛除。实验结果表明,经过人脸筛除流程后,硬负样本基本上被删除完。(4)超分辨率:本文针对项目中证件照人脸图像的分辨率低导致的识别率低的问题,制作了人脸超分辨率(Super-Resolution,SR)数据集,训练了基于增强超分辨率生成对抗网络(Enhanced Super-Resolution Generative Adversarial Networks,,ESRGAN)的人脸 SR 模型来增强面部。实验结果表明经过SR增强的低分辨率(Low Resolution,LR)面部人脸识别率好于基于预测的方法。(5)系统设计和实现:本文设计并实现了“人-证”审核系统,已在携程旅行网发布调用接口,自动进行当地导游审核。(本文来源于《山东大学》期刊2019-05-18）
冉凡凯[2]（2019）在《基于不完备信息的人脸检测技术研究与实现》一文中研究指出人脸检测是指确定输入图像中是否存在人脸,以及存在的具体位置的过程。随着智能化的发展,人脸检测技术在智能交互、身份核验、移动社交等领域应用越来越广泛。然而非限制条件下,人脸并非总是呈现清晰完整的正面形象,因遮挡、角度、分辨率等各种因素导致的不完备信息的人脸图像,给人脸检测任务带来了巨大的挑战。当前虽然已有许多算法在人脸检测上取得了较好的效果,但在处理不完备信息人脸方面仍然存在不足。本文针对遮挡和小尺度导致的不完备人脸,提出改进算法提升检测准确率。本文的主要成果如下:(1)提出了基于区域生成的特征增强子网络SG-net。遮挡导致的部分面部特征缺失会降低检测器对人脸分类的准确度。为提升可见人脸区域特征在分类任务中的贡献度,本文参考注意力机制提出了基于目标区域生成的特征增强分支。构造生成目标数据集,训练分支网络从原图特征中恢复人脸附近区域的能力。将生成区域特征与原图卷积特征融合,提出了改进的SG-Faster RCNN模型。实验表明,结合了SG-net的SG-Faster RCNN相比Faster RCNN检测模型准确率提升了4.4%,基于SG-net的特征融合可以有效的提升遮挡导致的信息不完备人脸的检测效果。(2)提出了基于特征增强的多尺度人脸检测模型FSG-FD。当前,基于单尺度特征的检测模型在小人脸检测上存在准确率不足的问题。为提高在遮挡和小人脸检测上的准确率,本文提出了FSG-FD检测模型。模型通过引入多尺度的特征金字塔结构,融合高语义信息的高层特征和高分辨率的低层特征,并结合了特征增强分支SG-net,在Wider数据集上相比SG-Faster RCNN准确率提升4.3%。同时,通过标注监控数据集模拟实际应用场景,FSG-FD在监控数据集上检测准确率达到85.1%。(3)设计并实现了适用于安保监控的人脸检测系统。安保监控是人脸检测技术的重要应用领域。自然环境下拍摄到的人脸经常包括各种遮挡、小尺度等因素导致的不完备人脸。本文针对安保监控场景的应用需求,结合文中提出的FSG-FD检测模型,设计并实现了支持视频和图片的人脸检测系统。(本文来源于《电子科技大学》期刊2019-03-27）
刘晨[3]（2019）在《基于机器人视觉系统的人脸检测技术研究》一文中研究指出文中针对目前机器人视觉系统中存在的人脸检测技术工作效率和检测准确率难以满足大流量人群的检测需求,提出了一种以人工神经网络为基础的快速人脸检测实现方案。该方案以机器人视觉系统为基础,通过数字图像处理技术,对图像进行数字化处理并完成图像分割。在研究数字图像人脸特征的基础上,通过人工神经网络对其进行学习,结合正面人脸检测、侧面人脸检测和半侧面人脸检测的方法,完成基于机器人视觉系统的人脸检测。文中所研究的内容对于人脸检测技术,在机器人视觉系统中的广泛应用具有重要意义。(本文来源于《电子设计工程》期刊2019年05期）
李家科[4]（2018）在《基于人脸检测技术的网络教学系统设计》一文中研究指出文章针对传统网络教学系统中存在旷课难以察觉的问题,探索性地设计并提出了一种基于人脸检测的网络教学系统模型,解决网络系统中管理混乱问题的技术手段和方法。该模型以AdaBoost人脸检测算法为关键技术,系统设计从一定程度上解决了网络教学上课混乱的状态,补偿了网络教学中的旷课管理,为促进网络教育的良好发展作出了基础性的工作。(本文来源于《无线互联科技》期刊2018年24期）
王旬[5]（2018）在《基于人工智能的疲劳驾驶检测中人脸检测技术研究》一文中研究指出疲劳驾驶是危害交通安全的重要因素,将人工智能应用于疲劳驾驶检测中,通过摄像头监测驾驶人脸部,采用图像识别技术判断是否发生疲劳驾驶,从而达到预防疲劳驾驶的目的。基于人工智能的疲劳驾驶检测中,图像识别的第一步为人脸检测,本文采用基于肤色分割算法的人脸检测技术,在研究算法原理的基础上进行算法的MATLAB仿真,结果表明,该算法复杂度小,检测效果好,适用于基于人工智能的疲劳驾驶检测中。(本文来源于《科技视界》期刊2018年25期）
陈月,吴恋,周华丽,熊琴,代芳穗[6]（2018）在《基于Deep ID人脸检测身份技术现状和展望》一文中研究指出针对替考现象屡禁不止的现状,提出了基于Deep ID人脸检测身份技术来辨别考生的真实性。脸部是每个人最具代表性的特征,每个人的脸部纹路都具有唯一性,且更易提取,所以人脸识别将是考场验证的首选。随着深度学习的提出,人脸识别的使用频率不断提高,其准确率也不断提升。人脸识别运用于多个领域,并取得了重大突破,根据最新的研究,建议使用、人脸识别算法Deep ID技术验证考生身份。文中阐述了人脸识别用于检测考生身份一致性的可行性,可有效防止考生替考作弊等情况出现。(本文来源于《物联网技术》期刊2018年07期）
陈海涛,潘静[7]（2018）在《基于Adaboost人脸检测技术浅析》一文中研究指出人脸检测计数最初是在图像中解决人脸识别问题而溢出的一种确定人脸位置的计数。近些年来由于技术的发展,人脸检测技术已被用于更多的场合,所以已经被单独作为一个研究方向。本文主要从目前采用的基于Adaboost的人脸检测技术特点、存在的问题和未来的发展方向上进行论述。(本文来源于《电子世界》期刊2018年12期）
周琳[8]（2018）在《基于深度学习的人脸检测技术研究》一文中研究指出在计算机视觉领域中,人脸检测是一个至关重要的研究方向。它利用现代先进的信息技术对人脸进行智能的检测,分析人脸包含的所有特征信息,并对这些体现人脸特点的信息进行处理。人脸检测技术如今已经应用到人们生活的各个领域内,促进了人们生活的信息化、安全化。人脸检测的研究在近几年内已取得了明显的进步。早期的研究只能够在没有任何背景的情况下检测到人脸的位置。现如今,随着深度学习等新技术在人脸检测中的应用,一些人脸检测技术已经可以非常准确地检测出在任何场景下的人脸,可以检测出多个角度拍摄的人脸图像,并可以根据检测到的人脸信息,判断两张图像中的人脸相似度,分析出人的年龄、性别和表情等。深度学习是当前人脸检测研究中广泛使用的技术。为了实现基于深度学习的人脸检测算法并验证该算法相对于传统人脸检测算法的有效性,本文的主要工作包含两部分内容:一是研究了传统的基于AdaBoost的人脸检测算法的基本原理,并基于OpenCV实现了该算法,采用AFW数据集和FDDB数据集对该算法进行试验验证分析;二是研究了基于卷积神经网络的深度学习基本原理,基于Caffe框架实现了基于卷积神经网络的人脸检测算法,最终采用了AFW数据集和FDDB数据集对该算法进行了实验验证。验证结果表明,基于深度学习的人脸检测算法不仅能够检测到正脸,还能够识别传统的基于AdaBoost算法所不能检测的侧脸,基于深度学习的人脸检测算法的准确率明显高于传统算法。(本文来源于《河南大学》期刊2018-06-01）
孙燕[9]（2018）在《基于深度学习的人脸检测技术研究》一文中研究指出针对人脸在多姿态,光照影响,遮挡等因素下的检测问题,目前深度学习检测算法已成为主流,而多数算法在提高性能时都是伴随更深更复杂的网络为代价。因为过小的网络分类能力有限,而大的网络分类能力好却会增加计算开销且参数多容易过拟合。本文针对不同的CNN算法在人脸检测任务上的性能进行研究。首先对现有人脸检测算法的优缺点进行分析,考虑到人脸检测任务对准确率和实效性要求,对AlexNet和VGG模型以及DeepID模型进行了对比分析,选择DeepID模型和AlexNet模型作为研究对象。为了探究不同的网络深度和卷积核数量在人脸检测中的性能差异,本文在DeepID模型的基础上对网络结构进行改进,设计了多个不同配置下的卷积神经网络。通过对不同配置下网络性能的对比分析得出影响网络性能的因素,同时分析了不同网络在正面、侧面和不均匀光照影响下的检测性能。针对传统CNN检测算法滑窗过多的问题,本文对训练好的模型采用全卷积进行改进,改善了传统卷积模型只能接受固定大小输入的缺点,避免了传统滑窗方式的冗余计算,提高了检测速度。针对AlexNet网络在本文任务中参数多容易过拟合的问题提出一套改进方法,包括网络结构的优化和训练策略的改进,网络结构上首先对全连接层压缩以降低计算参数,其次用级联的小尺寸卷积核代替大尺寸的卷积核,同时引入多尺寸卷积核进行不同尺度的卷积特征融合并用1×1的卷积核对参数降维。训练策略上提出数据增强和逐步训练相结合的技术。实验证明,改进之后网络检测性能提升,误检率降低。针对单级卷积神经网络检测速度慢并且人脸定位不精确的问题,本文研究并设计了 一个级联的卷积神经网络作为人脸检测算法并对其检测性能进行了分析。实验结果表明,级联网络在检测速度加快的同时误检率也降低且人脸定位更加精确。最后对本文设计的叁个不同的人脸检测器的鲁棒性、准确率和时效性进行实验分析。结果表明,级联的检测器较单级检测器性能好,在FDDB数据集上检测率达到80.9%,在LFW数据集上检测率达到96.9%,当图像分辨率小于300×500时,本文级联网络算法可达到实时检测的效果。(本文来源于《西安科技大学》期刊2018-06-01）
李争名[10]（2018）在《《人脸检测技术》公选课课程设计与实践》一文中研究指出针对选修公选课的学生具有不同的学科背景,设计基于科研和教学互动的公选课课程。《人脸检测技术》公选课利用相关科研成果设计教学内容,探索科研与教学互动的公选课教学模式,增强学生的工程实践能力,激发学生的学习兴趣,促使学生主动学习,提高人脸检测技术公选课的教学效果。(本文来源于《电脑知识与技术》期刊2018年15期）
人脸检测技术论文开题报告
（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：
人脸检测是指确定输入图像中是否存在人脸,以及存在的具体位置的过程。随着智能化的发展,人脸检测技术在智能交互、身份核验、移动社交等领域应用越来越广泛。然而非限制条件下,人脸并非总是呈现清晰完整的正面形象,因遮挡、角度、分辨率等各种因素导致的不完备信息的人脸图像,给人脸检测任务带来了巨大的挑战。当前虽然已有许多算法在人脸检测上取得了较好的效果,但在处理不完备信息人脸方面仍然存在不足。本文针对遮挡和小尺度导致的不完备人脸,提出改进算法提升检测准确率。本文的主要成果如下:(1)提出了基于区域生成的特征增强子网络SG-net。遮挡导致的部分面部特征缺失会降低检测器对人脸分类的准确度。为提升可见人脸区域特征在分类任务中的贡献度,本文参考注意力机制提出了基于目标区域生成的特征增强分支。构造生成目标数据集,训练分支网络从原图特征中恢复人脸附近区域的能力。将生成区域特征与原图卷积特征融合,提出了改进的SG-Faster RCNN模型。实验表明,结合了SG-net的SG-Faster RCNN相比Faster RCNN检测模型准确率提升了4.4%,基于SG-net的特征融合可以有效的提升遮挡导致的信息不完备人脸的检测效果。(2)提出了基于特征增强的多尺度人脸检测模型FSG-FD。当前,基于单尺度特征的检测模型在小人脸检测上存在准确率不足的问题。为提高在遮挡和小人脸检测上的准确率,本文提出了FSG-FD检测模型。模型通过引入多尺度的特征金字塔结构,融合高语义信息的高层特征和高分辨率的低层特征,并结合了特征增强分支SG-net,在Wider数据集上相比SG-Faster RCNN准确率提升4.3%。同时,通过标注监控数据集模拟实际应用场景,FSG-FD在监控数据集上检测准确率达到85.1%。(3)设计并实现了适用于安保监控的人脸检测系统。安保监控是人脸检测技术的重要应用领域。自然环境下拍摄到的人脸经常包括各种遮挡、小尺度等因素导致的不完备人脸。本文针对安保监控场景的应用需求,结合文中提出的FSG-FD检测模型,设计并实现了支持视频和图片的人脸检测系统。
（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。
人脸检测技术论文参考文献
[1].王荣生.基于深度学习的人脸检测和识别关键技术研究与实现[D].山东大学.2019
[2].冉凡凯.基于不完备信息的人脸检测技术研究与实现[D].电子科技大学.2019
[3].刘晨.基于机器人视觉系统的人脸检测技术研究[J].电子设计工程.2019
[4].李家科.基于人脸检测技术的网络教学系统设计[J].无线互联科技.2018
[5].王旬.基于人工智能的疲劳驾驶检测中人脸检测技术研究[J].科技视界.2018
[6].陈月,吴恋,周华丽,熊琴,代芳穗.基于DeepID人脸检测身份技术现状和展望[J].物联网技术.2018
[7].陈海涛,潘静.基于Adaboost人脸检测技术浅析[J].电子世界.2018
[8].周琳.基于深度学习的人脸检测技术研究[D].河南大学.2018
[9].孙燕.基于深度学习的人脸检测技术研究[D].西安科技大学.2018
[10].李争名.《人脸检测技术》公选课课程设计与实践[J].电脑知识与技术.2018
论文知识图
