一、计算机人脸照片识别技术研究（论文文献综述）
刘德成[1]（2021）在《结合语义属性信息的异质人脸图像识别算法研究》文中提出
段树超[2]（2021）在《基于改进残差生成对抗网络的人脸照片-素描转换研究》文中研究指明在刑事侦查过程中,素描画像是通缉、搜查、捉拿犯罪嫌疑人的主要技术手段之一。人脸照片-素描转换的目的是将提供的素描画像（或人脸照片）合成高质量的人脸照片（或素描）,从而便于与照片（或素描）数据库中的图像进行匹配,检索出待识别人的身份或缩小待识别范围。为了提高人脸照片-素描转换过程中图像的合成质量,为进一步提高人脸识别准确率奠定基础,本文主要做了以下工作:（1）对不同的损失函数的作用进行了分析,并通过实验验证了不同配置损失函数对残差生成对抗网络模型性能的影响。基于实验分析,本文采用对抗损失和感知损失的组合作为模型训练的基础损失函数配置,并在残差生成对抗网络的基础上针对不同的问题对其进行改进。（2）提出一种基于自注意力残差学习的人脸素描-照片转换算法。该方法首先利用下采样块来提取输入图像的浅层特征;其次,使用嵌入自注意力机制的残差块对图像的深层特征进行编码,来自适应加权特征统计并有选择地强调重要特征信息;最后,应用上采样块重建自注意力特征,并且通过全局残差机制来进一步增强相关特征,生成与输入图像分辨率一致的最终人脸素描或人脸照片图像。同时,采用多尺度梯度技术在保证合成图像质量的同时,也避免了因生成对抗网络在训练过程中可能存在的不稳定性而对模型造成的影响。实验证明本方法无论在人脸照片合成素描任务还是人脸素描合成照片任务中,均可以提高目标域图像的合成质量且在特征相似指数、结构相似指数和人脸识别准确率方面表现优越。（3）提出一种基于无监督学习的风格编码的人脸素描-照片转换算法。该方法首先应用内容编码器将内容图像（人脸照片）编码为内容特征向量,同时由风格编码器对风格图像（素描画像）进行编码,经过一系列的池化和全连接计算得到风格参数,最后将风格参数加入到解码瓶颈块中,经过解码器重建得到目标风格图像（合成素描画像）。此外,由于内容和风格空间的分解,该算法的框架执行风格引导的图像转换,其中转换输出的风格由用户提供的目标域中的示例图像控制。通过与多种素描人脸合成方法的合成结果对比验证了本方法的有效性。
黄丰智[3]（2021）在《基于单张照片的三维人脸重建与识别技术研究与应用》文中提出三维人脸重建技术逐渐开始受到学者们的关注并在安防、医疗美容、影视娱乐等多个领域进行应用。目前三维采集需要通过昂贵的专业三维采集设备且需要较长的采集时间,而基于单张照片的三维人脸重建技术具有只需要用手机就能对人脸进行采集的优点。目前基于二维人脸照片进行三维人脸重建的算法生成三维人脸模型不能很好的表示人脸的细节信息,如皱纹等。对于以上问题,本文提出一种利用卷积神经网络对单张人脸照片重建出具有细节信息的三维人脸模型的方法,并将其应用于在人脸识别任务中。本文的主要工作如下:1、本文提出了一种能重建出具有人脸细节的三维人脸的重建方法,实现了对多种姿态下的单张人脸照片端到端的重建出三维人脸。该方法整体采用了由粗到精的三维人脸重建策略,首先通过一个残差结构网络预测一个粗糙的三维人脸,然后用一个编码解码网络根据这个粗糙的三维人脸模型和二维人脸照片来预测人脸的细节部分。为了能达到更好的重建效果,本文对网络输入部分设计了特有的预处理过程,以使神经网络能更专注于深度信息计算。输出部分采用位置图这种三维人脸表示方法。通过在公开人脸数据集和私有人脸数据集上的实验证明该方法因其独特的网络结构和数据预处理方法能重建出细节更优质的三维人脸模型。2、本文提出一种融合纹理信息和空间信息的人脸特征提取方法,该方法基于本文所构建的三维人脸重建算法。特征提取过程中分别对三维信息和二维信息进行特征提取后进行信息融合。二维人脸特征提取已有很多成熟的网络结构,本文在特征提取过程中将三维模型映射为二维照片以方便三维特征提取。针对设计的特征提取方式本文设计的识别过程中只需要和注册库中相近角度的人脸特征进行对比。通过比对实验表明该人脸识别方法能有效提高大姿态下人脸识别时的准确度。3、本文对现有的三维动态人脸识别系统进行了改进,通过将本文提出的人脸特征提取方式在现有系统进行应用,使动态人脸识别系统能更充分的利用采集的三维人脸信息。本文提出了一种能重建出具有人脸细节的三维人脸模型的算法和基于重建结果的特征提取方法并在现有系统中进行应用。
张蛟娇[4]（2021）在《基于卷积神经网络的人脸识别门禁系统》文中提出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%。
魏来[5]（2020）在《基于深度学习的人脸草图识别方法的设计与实现》文中指出随着社会经济和文明的发展与科学技术的不断进步,人们对于准确地识别人物身份信息越来越重视。其中,人脸识别因其识别方式友好等优点而广受关注,当前成熟的人脸识别技术已广泛应用于多个领域。然而,在一些特殊场景下,有时很难直接获得目标人物的面部照片,而采用通过目击者或知情者的面部特征回忆,绘制一幅人脸的手绘草图,并通过这张草图寻找目标人物。在该场景下,如何通过人脸草图准确识别人物身份这一问题至关重要。当前,人们愈发迫切地需要更加准确、可靠的草图与人脸身份验证技术。为解决以上问题,本文设计了一种面向人脸草图识别的方法,并实现了一套相应的识别系统。首先,以深度神经网络结构为基础,本文提出将传统的人脸面部特征算法与卷积神经网络特征提取算法相结合,将SIFT特征描述算子与高维抽象的特征进行结合的提取与表示,然后通过传统人脸区域特征的检测和识别,同时实现了调整不同区域图像特征的权重以实现算法的注意力机制。并且本文采用孪生网络架构将图像和草图进行特征比对,通过三元损失函数优化训练得到的特征表示来计算图像特征的距离,最终获得识别的结果。本文所设计的方法能够更准确地处理人脸草图识别中特征不平衡与带有遮挡情况的问题。根据算法评估和系统各项功能测试结果,本文提出的人脸草图识别方法和系统能够解决特定场景下的人脸草图识别问题,并且系统功能完整,各项功能和性能正常。
曹兵[6]（2020）在《基于深度学习的图像跨模态重建与识别》文中认为图像是人类获取信息的重要来源。随着传感技术的迅猛发展,图像的形态呈现多元化,如应用在刑侦追捕等领域的法医画像;应用在放射医学等领域的核磁共振图像;应用在门禁系统等安全防范领域中的近红外图像;应用在生命探测等领域的热红外图像。来自不同传感器或不同成像环境下的图像（例如可见光条件下拍摄的人脸照片、画家手绘的素描画像、红外成像设备采集的近红外/热红外人脸图像、不同模态的医学核磁共振图像、计算机断层扫描图像/核磁共振图像）均称为不同模态下的图像,即跨模态图像。跨模态图像之间往往存在很大的差异,这对图像跨模态重建和识别带来了巨大的挑战。而现有的方法无法有效解决这些问题,满足实际的应用需求。因此,本文致力于图像跨模态重建与识别任务,以深度学习为理论框架,提出一系列跨模态图像重建与识别新方法。本文的主要创新性工作概括如下:1.提出一种基于深度信息融合的图像跨模态重建方法。现有的图像跨模态重建算法,大多受限于跨模态图像数据的规模,导致图像重建的效果欠佳,难以满足实际应用场景的需要。针对这一问题,提出一种基于深度信息融合的图像跨模态重建方法。首先利用不同的识别模型对图像重建网络分别进行监督,由于不同识别网络的差异,为重建结果带来了更大的类内多样性,然后将这些重建图像加入训练集,综合利用原始训练集与重建图像,进一步优化重建网络模型,最后实现更加清晰、真实的图像跨模态重建效果。2.提出一种基于身份信息保持的图像跨模态重建方法。现有的图像跨模态重建方法在图像重建的过程中,由于只考虑到生成图像与真实图像在像素级上的差异,而未考虑到特征级和语义级的差异,导致重建结果大多存在变形严重、细节模糊、语义判别信息较弱等问题,从而导致较差的主观表现和较低的定量评价分数。针对这一问题,提出一种基于身份信息保持的图像跨模态重建方法。首先,利用现有的跨模态人脸图像重建算法来扩充训练集。然后,采用跨域转换网络来增强图像重建模型在像素级、特征级、语义级的信息一致性,进而提高重建模型的生成效果,克服了跨模态图像之间的巨大差异,由于保持了多重信息一致性,使得转换前后图像的结构变形较小、细节保真度高。最后利用域内调整网络进一步优化重建图像的主观效果。3.提出一种基于自表示协同学习的图像跨模态重建方法。现有的跨模态图像重建方法只能从一种模态转换为另一种模态,无法有效利用多种模态的互补信息,导致有效信息的浪费,图像重建结果的准确性也较差。针对这一问题,提出了一个基于自表示协同学习的图像跨模态重建方法。本算法可以全面利用已有多模态图像中与目标模态相关的所有可用信息。与现有方法不同,提出使用自编码网络,作为自监督约束,计算针对缺失模态的自表示损失函数,对跨模态图像重建模型进行直接指导。最后可通过单一模型更加准确的生成任一缺失模态的图像。4.提出一种基于数据增广非对称联合学习的图像跨模态识别方法。现有的图像跨模态识别方法,无法根据小规模的跨模态图像数据进行有效学习,导致识别模型的精度较差。针对这一问题,提出一种基于数据增广的非对称联合学习方法。首先,利用已有的合成算法扩展原始训练集,由于不同方法的图像重建原理不同,重建图像的模态差异会为原始数据带来更多的判别信息。但是,将所有重建图像加入训练集的同时,也引入了冗余信息。所提出的非对称联合学习算法,可以在增加类内有效信息的同时,减少对类间差异信息的影响。最后,通过计算跨模态图像之间的对数似然比,获得其相似性。本方法在人脸素描画像数据集、法医画像数据集、近红外图像数据集、热红外图像数据集、低分辨人脸数据集和人脸遮挡数据集等多种人脸图像跨模态识别场景中均取得了很好的识别性能,具有较强的泛化能力。5.提出一种基于多间隔解相关学习的图像跨模态识别方法。现有的图像跨模态识别方法,由于没有考虑到图像之间的跨模态冗余信息,导致现有方法的识别精度较差。针对这一问题,提出一种基于多间隔解相关学习的图像跨模态识别算法,包括:跨模态图像的超球面空间嵌入和解相关学习。首先,采用大规模的可见光人脸数据集对跨模态表示网络进行预训练,以解决近红外-可见光人脸图像数据规模小的问题,并将图像映射到超球面表示空间;然后,在跨模态表示网络之后引入解相关层,对跨模态特征表示进行解相关学习,以减少跨模态图像之间的模态差异,并提出多间隔损失函数对网络进行优化,有效提升了近红外-可见光图像的跨模态识别精度。
衣帅[7]（2020）在《铁路旅客无感出站关键技术及应用方案研究》文中指出铁路出站场景下,在出站旅客较多的情况下,存在通道拥挤、出站速度慢等问题,直接影响旅客的出站体验。考虑到人脸识别技术在铁路已有了广泛的应用,如实名制核验闸机、验检合一闸机、人工核验窗口等均使用了人脸识别技术。本文研究铁路无感出站应用系统,运用人脸识别等智能化新技术,解决铁路出站的传统客运难题。首先介绍了系统在人脸识别关键技术的探索和研究,包括通过多种生物识别技术的对比分析选择人脸识别作为检票手段、人脸识别算法和算法服务引擎。人脸识别算法实现了自主研发,包括人脸检测、识别、活体检测等技术;算法服务引擎采用借助高性能服务器、优化软件结构等方式,实现了稳定可靠的服务能力。然后从技术选型、无感出站流程模式设计、系统的总体设计和数据安全防护四个方面介绍了铁路无感出站应用系统的总体设计,明确了注重边缘计算、分布式和微服务化的架构方式,设计了闸机模式、AI摄像头模式和闸机+AI摄像头模式三种无感出站模式,形成无感出站应用总体设计,另由于现在社会各界对于公民隐私的重视,本文又在数据安全防护方面做了重点介绍。最后,为了验证铁路无感出站应用的可行性,本文在实验室环境下进行了试验,包括算法试验阶段以及无感出站模式模拟试验阶段,算法试验是试验自研算法在铁路实名制自助核验闸机标准测试集上的效果,无感出站模式试验是验证多种无感出站模式的可行性。算法试验结果较为符合预期,而无感出站模式试验效果不理想,这样也明确了下一步加紧开展车站现场试验工作的重要性。
徐亚玲[8]（2020）在《面向青少年科技教育的模块化机器人研究》文中提出教育机器人是一种融合了机械、自动化、电气、电子和计算机等多学科的教学工具,可以实现复杂多样的教学任务,其主要目的是培养青少年的科技兴趣和创新能力。随着国家在中小学生课堂中对教育机器人技术的不断普及,研制出一种成本较低、扩展性和开放性较好的面向青少年科技教育的机器人就显得尤为重要。因此,本文结合人工智能的相关技术,研制出了一种多功能的面向青少年的教育机器人及其控制系统。首先,详细分析了国内外面向教育的机器人研究现状、功能特点和存在的不足,确定了教育机器人的模块化构成方案,完成了教育机器人控制系统的软、硬件方案设计。并根据教学需求确定了教育机器人要实现的具体功能,主要包括避障功能、循迹功能、语音控制功能以及表情识别功能。其次,对教育机器人关键技术进行了研究,分析比较确定了最佳的控制方案。完成了超声波避障模块、循迹运行模块、语音控制模块和表情识别模块等的设计,并完成了核心控制器Raspberry Pi扩展版的设计与制作。设计了教学实验模块接口和功能扩展接口。该模块化教育机器人具有功能多、适合学生编程实践和扩展功能强的优点,适用于青少年的机器人科技教育。第三,构建了教育机器人的车型基本结构,在此基础上设计了教育机器人控制平台,该平台是一种由上位机层、下位机层和扩展层相结合的三层控制平台。完成了教育机器人的软件系统设计,包括超声波避障、循迹控制、语音控制、表情识别以及人机交互等软件。基于TCP通信技术设计了良好的人机交互界面,实现了教育机器人的各项控制功能和表情识别功能,提高了教育机器人的交互性和可操作性。最后,演示了教学实验功能和扩展功能示例。对教育机器人的各项功能进行了实验和分析,其中超声波避障实验中要注意探测距离不能小于5cm,否则会达到超声波传感器的探测盲区;循迹控制实验中机器人的完成率可达到80%;语音控制中语音识别的正确率可达到88%以上;表情识别实验中正确率可达到68%以上,发现各项功能的实验结果均可以达到预期的效果,验证了模块化教育机器人设计的合理性和可行性。
杨乾[9]（2020）在《一种新的人脸识别隐私保护方案》文中研究指明人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。随着近几年互联网技术的高速发展,基于深度学习卷积神经网络分析图像的技术取得了巨大的成功,人脸识别越来越多的被应用到各种领域。随着生物识别技术的广泛使用,同时也引发了重要的隐私问题。人脸识别系统收集用户的人脸数据,用于商业用途,人脸数据通常是都是独一无二且不可替代的,一旦泄露,将对用户的隐私造成极大的损害。本文首次提出了一种新的基于安全多方计算和暹罗神经网络的人脸识别隐私保护方案,建立人脸识别隐私保护模型,通过对多个来源的敏感数据进行计算,既能进行人脸识别,同时又能保证人脸数据的隐私性。本文的方案分为两个阶段:提取人脸嵌入阶段和人脸识别隐私保护阶段。提取人脸嵌入阶段。离线客户端提取人脸特征嵌入,首先通过人脸检测与对齐对人脸图像进行预处理,再使用基于暹罗神经网络的深度学习模型处理人脸特征,提取低维面部表示（人脸嵌入）。其中人脸嵌入是指神经网络训练完成后,将最终的分类层移除,并将之前完全连接层的输出用作低维脸部表示。然后客户端将人脸嵌入的私有数据通过秘密共享的方式发送给在线服务端的两台非竞争服务器。人脸识别隐私保护阶段。在线服务端对人脸识别隐私保护模型训练和预测,两台非竞争服务器通过安全多方计算联合人脸嵌入数据以云计算方式私有训练模型。训练完成的人脸识别隐私保护模型参数以秘密共享的秘文形式分别由这两台非竞争服务器保存。之后利用训练完成的模型联合待识别的人脸嵌入数据来识别人脸,识别的结果仍为秘密共享的秘文形式,并将识别结果返回给客户端,客户端重组秘密得到明文的识别结果,完成人脸识别。最后本文对方案的正确性和安全性进行了分析,同时通过实验对方案进行了实现,验证了该方案的高效性,结果表明文章提出的一种新的基于安全多方计算和暹罗神经网络的人脸识别隐私保护方案不仅具有可靠的安全性,并且有轻量级、高准确率、计算高效性的优势。该方案对于构建安全高效的人脸识别隐私保护系统具有重要的应用价值与实际意义。
邵诗杰,张燕[10]（2020）在《公安工作中人证对照的新挑战——合成照片的识别》文中指出人证对照是公安机关进行安全检查、案件侦破、出入境检查等工作的重要手段。随着计算机图像处理技术、数字印刷技术等的不断发展,出现了不法分子身份证件中利用计算机或印刷等方法合成的人像照片,以欺骗检查人员。合成照片是人证对照中出现的新情况,给公安工作带来新的挑战。在分析照片合成手段和种类的基础上,探讨了识别合成照片的两种途径,重点提出了基础知识强化、照片识别训练、视觉选择性注意训练和照片识别测试四种提高人工识别合成照片能力的方法,为丰富公安工作中人证对照基本理论和建立标准化的人证查验模式提供实践参考。
二、计算机人脸照片识别技术研究（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、计算机人脸照片识别技术研究（论文提纲范文）
（2）基于改进残差生成对抗网络的人脸照片-素描转换研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 国内外研究现状及其发展 |
| 1.2.1 素描人脸合成的研究进展与现状 |
| 1.2.2 图像转换的研究进展与现状 |
| 1.2.3 自注意力机制研究进展 |
| 1.3 本文主要研究内容 |
| 1.4 论文章节安排 |
| 第2章 残差生成对抗网络模型与实验分析 |
| 2.1 数据集及评估指标 |
| 2.1.1 数据集 |
| 2.1.2 质量评价指标 |
| 2.2 残差生成对抗网络 |
| 2.2.1 生成对抗网络 |
| 2.2.2 残差网络 |
| 2.2.3 残差生成对抗网络 |
| 2.3 不同损失函数对残差生成对抗网络的影响实验分析 |
| 2.3.1 损失函数 |
| 2.3.2 实验环境设置及实验细节 |
| 2.3.3 实验结果分析 |
| 2.4 本章小结 |
| 第3章 基于自注意力残差学习的人脸照片-素描转换算法研究 |
| 3.1 自注意力机制的基本原理 |
| 3.2 多尺度梯度残差学习的实现及过程 |
| 3.2.1 生成器 |
| 3.2.2 判别器 |
| 3.2.3 损失函数 |
| 3.3 实验结果与分析 |
| 3.3.1 实验环境设置及实验细节 |
| 3.3.2 消融实验结果与分析 |
| 3.3.3 对比实验结果与分析 |
| 3.4 本章小结 |
| 第4章 基于无监督风格编码的人脸照片素描转换算法研究 |
| 4.1 风格编码器 |
| 4.2 算法实现过程 |
| 4.2.1 归一化函数 |
| 4.2.2 网络结构 |
| 4.2.3 损失函数设计 |
| 4.3 实验结果与分析 |
| 4.3.1 实验环境设置与训练细节 |
| 4.3.2 消融实验 |
| 4.3.3 对比实验 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 后续展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术成果 |
| 学位论文评阅及答辩情况表 |
（3）基于单张照片的三维人脸重建与识别技术研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于单张照片的三维人脸重建 |
| 1.2.2 基于三维辅助的人脸识别 |
| 1.2.3 动态人脸识别系统 |
| 1.3 本文主要工作 |
| 1.4 本文组织结构 |
| 第2章 三维人脸重建及识别相关工作介绍 |
| 2.1 常用三维人脸表示方法 |
| 2.2 基于单张照片进行三维重建的方法 |
| 2.2.1 基于单一模板的三维人脸重建 |
| 2.2.2 基于统计模型的三维人脸重建方法 |
| 2.2.3 基于深度学习的端到端重建方法 |
| 2.3 卷积神经网络 |
| 2.4 基于卷积神经网络的三维人脸识别技术 |
| 2.5 常用三维人脸数据集 |
| 2.5.1 300W-LP与 AFLW2000-3D人脸数据集 |
| 2.5.2 Face Warehouse人脸数据集 |
| 2.5.3 FRGC v2.0 人脸数据集 |
| 2.6 本章小结 |
| 第3章 基于单张照片的三维人脸重建 |
| 3.1 自建人脸数据集 |
| 3.2 数据预处理 |
| 3.2.1 二维数据预处理 |
| 3.2.2 三维数据预处理 |
| 3.3 具有细节的三维人脸重建 |
| 3.3.1 网络模型框架 |
| 3.3.2 粗糙的三维人脸重建 |
| 3.3.3 精细的三维人脸重建 |
| 3.3.4 损失函数 |
| 3.3.5 实验设置 |
| 3.4 实验结果分析 |
| 3.5 本章小结 |
| 第4章 基于三维重建辅助的人脸识别 |
| 4.1 人脸识别过程 |
| 4.2 基于三维辅助的人脸识别 |
| 4.3 人脸识别总体流程设计 |
| 4.4 实验结果分析 |
| 4.5 本章小结 |
| 第5章 改进动态人脸识别系统设计与实现 |
| 5.1 现有动态人脸识别系统系统介绍 |
| 5.1.1 系统具体功能介绍 |
| 5.1.2 系统架构 |
| 5.2 系统改进设计 |
| 5.3 实际应用效果 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 存在问题与研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（4）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 |
（5）基于深度学习的人脸草图识别方法的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容和目标 |
| 1.4 论文组织结构 |
| 第二章 相关技术及理论 |
| 2.1 图像处理与特征提取 |
| 2.2 深度学习技术 |
| 2.2.1 深度神经网络 |
| 2.2.2 卷积神经网络 |
| 2.2.3 深度学习框架 |
| 2.3 人脸识别 |
| 2.4 图像处理中的注意力机制 |
| 2.5 应用系统开发 |
| 2.5.1 Flask框套架 |
| 2.5.2 Docker虚拟化技术 |
| 2.6 本章小结 |
| 第三章 人脸草图识别算法 |
| 3.1 问题定义 |
| 3.2 人脸特征提取与映射表示方法 |
| 3.2.1 关键点检测与特征提取算法 |
| 3.2.2 基于卷积神经网络的人脸草图分析识别算法 |
| 3.3 人脸草图特征分析与提取方法的注意力机制 |
| 3.3.1 人脸特征描述 |
| 3.3.2 特征距离比对 |
| 3.4 基于孪生网络的人脸跨模态识别匹配算法 |
| 3.4.1 孪生网络 |
| 3.4.2 模型输出的距离度量 |
| 3.4.3 人脸草图和照片三元组训练样本 |
| 3.4.4 损失函数与目标优化函数 |
| 3.5 本章小结 |
| 第四章 人脸草图识别系统需求分析与系统设计 |
| 4.1 系统需求分析 |
| 4.1.1 系统需求概述 |
| 4.1.2 用户交互功能 |
| 4.1.3 模型部署 |
| 4.1.4 模型训练 |
| 4.1.5 数据存储 |
| 4.1.6 性能需求 |
| 4.2 系统设计 |
| 4.2.1 系统总体设计 |
| 4.2.2 用户交互 |
| 4.2.3 数据存储 |
| 4.2.4 系统后台 |
| 4.2.5 模型服务 |
| 4.3 本章小结 |
| 第五章 人脸草图识别的系统实现 |
| 5.1 系统总体架构实现 |
| 5.2 前端用户交互 |
| 5.3 系统后台 |
| 5.4 算法实现 |
| 5.5 本章小结 |
| 第六章 系统测试 |
| 6.1 系统的工作环境 |
| 6.2 系统评估 |
| 6.2.1 功能测试 |
| 6.2.1.1 异常情况测试 |
| 6.2.2 性能测试 |
| 6.2.3 算法评估与实验验证 |
| 6.3 系统效果演示 |
| 6.4 本章小结 |
| 第七章 结束语 |
| 7.1 总结 |
| 7.2 未来工作 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（6）基于深度学习的图像跨模态重建与识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究进展与现状 |
| 1.3 本文的主要研究工作 |
| 1.4 本文的组织结构 |
| 第二章 基于深度信息融合的图像跨模态重建 |
| 2.1 引言 |
| 2.2 数据融合方法 |
| 2.3 模型融合方法 |
| 2.4 实验设置与实现细节 |
| 2.4.1 实验设置 |
| 2.4.2 实现细节 |
| 2.5 实验结果与分析 |
| 2.5.1 数据集与划分 |
| 2.5.2 实验分析 |
| 2.5.3 人脸画像重建实验 |
| 2.5.4 人脸照片重建实验 |
| 2.6 小结 |
| 第三章 基于身份信息保持的图像跨模态重建 |
| 3.1 引言 |
| 3.2 人脸识别网络选择与数据增广 |
| 3.3 身份保持损失函数的设计 |
| 3.4 实验设置与实现细节 |
| 3.4.1 网络结构 |
| 3.4.2 实现细节 |
| 3.5 实验结果与分析 |
| 3.5.1 数据集与划分准则 |
| 3.5.2 人脸识别模型对比 |
| 3.5.3 人脸画像重建对比 |
| 3.5.4 人脸照片重建对比 |
| 3.5.5 泛化能力评价 |
| 3.6 小结 |
| 第四章 基于自表示协同学习的图像跨模态重建算法 |
| 4.1 引言 |
| 4.2 深度自表示协同学习 |
| 4.2.1 多模态图像重建网络 |
| 4.2.2 自表示网络 |
| 4.2.3 判别器网络 |
| 4.2.4 模态掩码向量 |
| 4.3 深度自表示协同损失函数 |
| 4.3.1 自表示损失函数 |
| 4.3.2 协同判别损失 |
| 4.3.3 多生成器损失 |
| 4.4 实验设置与实现细节 |
| 4.4.1 网络结构 |
| 4.4.2 实现细节 |
| 4.5 实验结果与分析 |
| 4.5.1 数据集与划分准则 |
| 4.5.2 实验分析 |
| 4.5.3 实验对比 |
| 4.6 小结 |
| 第五章 基于非对称联合学习的图像跨模态识别算法 |
| 5.1 引言 |
| 5.2 基于图像跨模态重建的数据增强 |
| 5.3 非对称联合学习算法 |
| 5.4 实验设置与实现细节 |
| 5.4.1 实验设置 |
| 5.4.2 数据增广 |
| 5.4.3 特征提取 |
| 5.5 实验结果与分析 |
| 5.5.1 数据集与划分准则 |
| 5.5.2 实验对比与分析 |
| 5.6 小结 |
| 第六章 基于多间隔解相关学习的图像跨模态识别算法 |
| 6.1 引言 |
| 6.2 解相关表示 |
| 6.3 多间隔损失函数的设计 |
| 6.4 实验设置与实现细节 |
| 6.4.1 实验设置 |
| 6.4.2 实现细节 |
| 6.5 实验结果与分析 |
| 6.5.1 数据集与划分准则 |
| 6.5.2 实验对比与分析 |
| 6.6 小结 |
| 第七章 总结与展望 |
| 7.1 本文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）铁路旅客无感出站关键技术及应用方案研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 无感应用 |
| 1.2.2 铁路出站现况 |
| 1.2.3 人脸识别技术 |
| 1.2.4 人脸识别检票技术 |
| 1.3 主要研究内容及结构 |
| 2 无感出站人脸识别关键技术研究 |
| 2.1 生物识别技术的选择 |
| 2.1.1 人脸识别技术 |
| 2.1.2 虹膜识别技术 |
| 2.1.3 声纹识别技术 |
| 2.1.4 指纹识别技术 |
| 2.1.5 分析 |
| 2.2 人脸识别算法研究 |
| 2.2.1 人脸识别算法 |
| 2.2.2 人脸检测算法 |
| 2.2.3 人脸遮挡识别算法 |
| 2.2.4 活体检测算法 |
| 2.2.5 人脸质量分析算法 |
| 2.2.7 小结 |
| 2.3 算法服务引擎研究 |
| 2.3.1 算法引擎总体架构 |
| 2.3.2 高并发的设计 |
| 2.3.3 低延迟的设计 |
| 2.3.4 高可用的设计 |
| 2.3.5 小结 |
| 2.4 本章小结 |
| 3 无感出站应用设计 |
| 3.1 技术选型 |
| 3.1.1 注重边缘计算与平台服务相结合 |
| 3.1.2 微服务架构 |
| 3.2 无感出站流程模式 |
| 3.2.1 闸机模式 |
| 3.2.2 AI摄像头模式 |
| 3.2.3 闸机+AI摄像头模式 |
| 3.3 系统总体设计 |
| 3.3.1 总体架构 |
| 3.3.2 逻辑结构 |
| 3.3.3 数据结构 |
| 3.3.4 技术架构 |
| 3.3.5 信息共享与信息接口 |
| 3.4 数据安全防护 |
| 3.4.1 安全方案总体设计 |
| 3.4.2 数据存储安全 |
| 3.4.3 数据传输安全 |
| 3.5 本章小结 |
| 4 无感出站模拟试验 |
| 4.1 试验内容 |
| 4.2 试验指标 |
| 4.2.1 误识率 |
| 4.2.2 召回率 |
| 4.3 试验环境 |
| 4.4 试验过程 |
| 4.4.1 算法试验阶段 |
| 4.4.2 无感出站模式模拟试验阶段 |
| 4.5 试验结果 |
| 4.5.1 算法试验结果 |
| 4.5.2 无感出站模式模拟试验结果 |
| 4.6 结果分析 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的科研成果 |
| 学位论文数据集 |
（8）面向青少年科技教育的模块化机器人研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 教育机器人国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 教育机器人功能研究现状 |
| 1.4 论文研究的主要内容 |
| 2 系统方案设计及关键技术研究 |
| 2.1 教育机器人模块化方案设计 |
| 2.1.1 模块化思想的应用 |
| 2.1.2 模块化划分的方法 |
| 2.1.3 模块化方案设计 |
| 2.2 控制系统总体方案设计 |
| 2.2.1 硬件系统设计方案 |
| 2.2.2 软件系统设计方案 |
| 2.3 关键技术研究 |
| 2.3.1 超声波传感技术 |
| 2.3.2 循迹控制技术 |
| 2.3.3 语音识别技术 |
| 2.3.4 表情识别技术 |
| 3 教育机器人控制系统硬件设计 |
| 3.1 基础结构的设计与实现 |
| 3.2 控制系统硬件电路开发 |
| 3.2.1 核心控制模块设计 |
| 3.2.2 电机驱动模块设计 |
| 3.2.3 超声波避障模块设计 |
| 3.2.4 循迹模块 |
| 3.2.5 电源模块设计 |
| 3.3 人机交互系统硬件设计 |
| 3.3.1 图像采集与显示系统 |
| 3.3.2 语音控制系统 |
| 4 教育机器人控制系统软件设计 |
| 4.1 树莓派软件操作系统 |
| 4.2 驱动电机控制软件设计 |
| 4.2.1 驱动电机转速控制方式 |
| 4.2.2 电机驱动软件设计 |
| 4.3 超声波避障软件设计 |
| 4.4 循迹控制软件设计 |
| 4.5 语音识别系统软件设计 |
| 4.6 表情识别系统软件设计 |
| 4.7 交互界面的设计和实现 |
| 4.7.1 TCP通信模型的设计 |
| 4.7.2 交互界面的实现过程 |
| 5 教学模块接口设计与实验分析 |
| 5.1 教学模块接口设计 |
| 5.2 教学实验和功能扩展示例 |
| 5.3 系统实验与结果分析 |
| 5.3.1 超声波避障实验 |
| 5.3.2 红外循迹实验 |
| 5.3.3 语音控制实验 |
| 5.3.4 表情识别实验 |
| 6 结论 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（9）一种新的人脸识别隐私保护方案（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人脸识别 |
| 1.2.2 人脸识别隐私保护 |
| 1.3 论文主要内容与创新点 |
| 1.4 论文的组织结构 |
| 第二章 预备知识 |
| 2.1 暹罗神经网络 |
| 2.2 深度学习相关研究 |
| 2.2.1 优化器 |
| 2.2.2 sof tmax激活函数 |
| 2.2.3 交叉熵损失函数 |
| 2.2.4 反向传播 |
| 2.3 安全多方计算 |
| 2.3.1 半诚实模型下的安全性定义 |
| 2.3.2 秘密共享 |
| 2.4 小结 |
| 第三章 网络模型和安全模型 |
| 3.1 网络模型 |
| 3.1.2 提取人脸嵌入阶段 |
| 3.1.3 人脸识别隐私保护阶段 |
| 3.2 安全模型 |
| 3.2.2 建模 |
| 3.2.3 安全性定义 |
| 3.3 小结 |
| 第四章 本文提出的人脸识别隐私保护方案 |
| 4.1 提取人脸嵌入阶段 |
| 4.1.1 人脸检测与对齐 |
| 4.1.2 使用预训练模型提取人脸嵌入 |
| 4.2 人脸识别隐私保护阶段的准备工作 |
| 4.2.1 基础运算协议 |
| 4.2.2 共享十进制数算术运算定点截断协议 |
| 4.2.3 友好softmax激活函数运算协议 |
| 4.3 人脸识别隐私保护阶段 |
| 4.3.2 训练协议描述 |
| 4.3.3 预测协议描述 |
| 4.4 小结 |
| 第五章 方案正确性和安全性分析 |
| 5.1 正确性分析 |
| 5.1.1 共享十进制数算术运算定点截断协议 |
| 5.1.2 友好softmax激活函数运算协议 |
| 5.1.3 人脸识别隐私保护模型的训练协议 |
| 5.1.4 人脸识别隐私保护模型的预测协议 |
| 5.2 安全性分析 |
| 5.2.1 共享十进制数算术运算定点截断协议 |
| 5.2.2 友好softmax激活函数运算协议 |
| 5.2.3 人脸识别隐私保护模型的训练协议 |
| 5.2.4 人脸识别隐私保护模型的预测协议 |
| 5.3 小结 |
| 第六章 方案的实现与分析 |
| 6.1 初始化 |
| 6.1.1 实验环境 |
| 6.1.2 实验数据 |
| 6.2 实现与结果分析 |
| 6.2.2 提取人脸嵌入性能 |
| 6.2.3 提取人脸嵌入效率 |
| 6.2.4 人脸识别隐私保护模型的准确率 |
| 6.2.5 人脸识别隐私保护模型的训练效率 |
| 6.2.6 人脸识别隐私保护模型的识别效率 |
| 6.3 小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 附录 |
| 攻读硕士期间参加的科研项目 |
| 致谢 |
（10）公安工作中人证对照的新挑战——合成照片的识别（论文提纲范文）
| 一、合成照片的类型及其特征 |
| (一)计算机合成 |
| 1.重合型合成照片 |
| 2.修饰型合成照片 |
| (二)印刷合成 |
| 二、公安工作中识别合成照片的两种途径 |
| (一)计算机识别合成照片 |
| 1.计算机自动识别人像 |
| 2.计算机识别照片合成痕迹 |
| (二)人工识别合成照片 |
| 1.观察相貌特征 |
| 2.观察照片合成痕迹 |
| (1) 拼接痕迹。 |
| (2) 重合痕迹。 |
| (3) 不协调的色调和光线。 |
| 三、公安机关提高人工识别合成照片能力的方法 |
| (一)合成照片基础知识强化 |
| (二)合成照片识别训练 |
| 1.人像比对训练 |
| (1) 格拉斯哥面部数据库。 |
| (2) 肯特大学人脸数据库。 |
| 2.合成照片比对训练 |
| (三)视觉选择性注意训练 |
| (四)合成照片识别测试 |
| 1.训练性测试 |
| 2.检验性测试 |
四、计算机人脸照片识别技术研究（论文参考文献）
- [1]结合语义属性信息的异质人脸图像识别算法研究[D]. 刘德成. 西安电子科技大学, 2021
- [2]基于改进残差生成对抗网络的人脸照片-素描转换研究[D]. 段树超. 山东大学, 2021(12)
- [3]基于单张照片的三维人脸重建与识别技术研究与应用[D]. 黄丰智. 四川大学, 2021(02)
- [4]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)
- [5]基于深度学习的人脸草图识别方法的设计与实现[D]. 魏来. 北京邮电大学, 2020(05)
- [6]基于深度学习的图像跨模态重建与识别[D]. 曹兵. 西安电子科技大学, 2020
- [7]铁路旅客无感出站关键技术及应用方案研究[D]. 衣帅. 中国铁道科学研究院, 2020(01)
- [8]面向青少年科技教育的模块化机器人研究[D]. 徐亚玲. 北京交通大学, 2020(03)
- [9]一种新的人脸识别隐私保护方案[D]. 杨乾. 华中师范大学, 2020(01)
- [10]公安工作中人证对照的新挑战——合成照片的识别[J]. 邵诗杰,张燕. 武警学院学报, 2020(01)