一、计算机人脸识别技术综述（论文文献综述）
肖健[1]（2021）在《基于深度学习的口罩遮挡条件下人脸识别关键技术研究》文中提出2019年12月新冠肺炎病毒爆发,随后疫情席卷全球,持续蔓延。在如今疫情防控常态化的形势下,人们出行时普遍戴上了口罩,这给传统的人脸识别技术带来了严峻的挑战。在此背景下,本文研究了基于深度学习的戴口罩的人脸识别技术,提出了相应的改进算法。实验证明,本文改进的算法与传统算法相比有着更优秀的性能。具体研究内容如下:（1）改进了一种基于深度学习的戴口罩人脸检测技术。主要对MTCNN中的R-Net和O-Net进行分析,将其中的NMS算法进行改进,引入soft-NMS算法和Io U-aware技术,将NMS中的置信度定义为选择分类概率分数与Io U的积。优化后的算法不直接取消候选框,也不取消目标已经超过阈值的候选回归框,而是降低该候选回归框的置信度。实验结果表明,优化的算法最低漏检率下降了0.79%,应用在人脸识别模型上的识别准确率提升了2.07%。（2）改进了一种基于深度学习的戴口罩人脸图像质量评估技术。利用数据增强构建了高、低质量的戴口罩人脸图像数据集分别为10866和14565张。设计了一个8层卷积神经网络模型,输出为高质量戴口罩人脸图像的置信度并将其作为图像质量分数。训练实验结果得出高、低质量的戴口罩人脸图像分类的准确率分别为97.93%和97.67%,平均准确率为97.78%。（3）改进了一种基于深度学习的戴口罩人脸识别技术。研究了VGG-16 Net的结构和各个卷积层的感受野区域,并改进了一种基于感受野区域权值的算法,根据二维高斯核函数的滤波特性设计了一种截断二维高斯核函数,设置参数(d=7,σ=3,可使得感受野中遮挡区域权值减小,人脸有效特征信息的权值增大。实验结果表明,优化的算法应用在人脸识别模型上,识别准确率提高了5.81%。
张泽晗[2]（2021）在《基于局部遮挡人脸识别的移动端人员管控系统设计与实现》文中研究说明作为计算机视觉领域的重要研究分支,基于人脸检测和识别的身份验证技术近年来取得了长足的进步,在智慧城市、交通监管和安防监控等诸多领域实现了大规模商业化普及,为经济社会的稳定和发展提供了重要保障。然而在非限定性人员管控场景下,人脸的局部遮挡会造成图像原本的结构性特征丢失,大幅影响人脸识别精度。此外,随着智能终端设备的广泛应用和算力提升,基于移动端完成人员管控的需求大大增加,但当前主流的深度神经网络模型依赖于服务器端图形处理器的计算能力,如何将人脸识别模型移植到移动终端上实现存储和实时计算也是一个很大的挑战。本文的研究重点是基于轻量级的人脸检测和识别算法,设计并实现适用于局部人脸遮挡场景的移动端人员管控系统。首先,本文调研分析了当前的主流遮挡人脸检测和识别方案,在SSD目标检测算法基础上提出了一种基于MobileNet-V2骨干网络设计的轻量级人脸检测模型,该模型集成了空洞卷积和特征金字塔网络,可以在保证人脸检测精度的同时大幅降低模型参数,提升运算速度,同时提出了一种结合轻量型混合注意力模块的MobileNet-V2网络用于遮挡人脸特征提取,该网络可以减少通道间的信息冗余,聚焦空间特征图中信息最丰富的部分,让模型更加关注对人脸非遮挡区域的特征学习,具备较小的计算和参数开销;其次,设计并实现了基于上述算法的人员管控系统,将人脸检测和识别模型集成到单台移动设备中,降低图像传输成本及应用响应延迟,将计算过程与存储管理等过程解耦,可以实现离线状态下的人员管控;最后本文通过实验对所提出的局部遮挡人脸检测和识别算法的效果和性能进行了测试,并对人员管控系统整体功能进行了验证,实验表明本文算法可以在更小的计算开销下实现更优的遮挡人脸识别效果。
刘宇皓[3]（2021）在《基于ARM的通用型人脸识别系统软件设计与实现》文中指出随着互联网的发展,人脸识别技术开始被广泛的应用。而传统的在PC上的人脸识别虽然精度较高,但存在难以部署,不具有通用性等问题。基于此背景,本文设计一种通用型人脸识别系统,将对于人脸的检测识别等相关计算,以及对人脸用户,人脸图片以及人脸特征等存储,都集中于基于ARM架构的Hi3559AV100芯片上。整个系统便于二次开发,且对大多数场景,视频,图片等都可以实时地进行人脸检测识别。系统设计了六个模块:接口模块,DP server模块,人脸库管理模块,特征库模块,图片流处理模块,视频流处理模块,来构建整个人脸识别系统。针对监控,门禁等不同的应用场景,在人脸识别算法模块中分别设计了图片流处理模块和视频流处理模块。考虑到算法需要匹配对应的硬件资源,以及系统应用的实时性需求,选择了Retina Net人脸检测算法,在Face Net网络基础上的Mobile Net V2特征提取算法,deepsort人脸跟踪算法,以及余弦相似度特征比对方法来实现整个的人脸识别算法。同时利用模块的划分,实现了多接口可同时检测图片流和视频流的需求。接口模块利用RTSP,HTTP协议等,完成与上位机以及外设的通信,同时对输入的图像进行简单的预处理。DP server模块用于内部通信,通过对各模块接口消息的解析,进行消息的转发接收,使得整个系统成星型结构,各个模块相互独立,便于系统维护,迭代更新,二次开发。人脸库管理模块利用数据库对人脸,用户信息,特征的存储,实现对人脸分组,人脸用户等相关信息的增删查改功能。为了在具体应用时,减少遍历读取时间,设计了特征库模块,利用共享内存等方式,开辟一个内存空间,将特征读入,再由算法模块去读取进行比对。针对系统的交互功能,利用Java Script作为人机交互界面语言来具体完成了系统整个功能平台的搭建,包括存储页面,识别配置页面,识别结果页面。同时利用python写了一套脚本,来模拟客户端进行测试,完成对整个人脸识别系统各个功能的自动化测试,能快速的得出性能结果以及相关指标,也能快速找出系统问题,为之后的开发以及使用提供了方便。在各个功能模块的应用以及算法设计的配合下,整个系统能较为稳定持续且能保证实时性的运行。
李永敏[4]（2021）在《基于音视频的多模态融合说话人识别研究》文中研究表明在信息化高度发展的今天,如何快速准确地识别出一个人身份,同时并保证其信息安全是一个必须研究的课题。虽然单一模态的生物特征识别技术已经广泛应用于各种场景中,但是仍然存在安全性低、易受到环境干扰等弊端。为了解决这一弊端,基于多模态融合的身份识别技术开始成为研究的热点,它被认为是未来身份识别的发展方向。本文基于声纹和人脸模态,研究多模态融合的生物特征识别技术,并探讨其对环境的适应性。本文的主要工作如下:1、研究多模态数据的融合方法和策略,分析多模态融合的身份识别技术在识别准确率上的优势。在Vox Celeb2数据集上利用深度残差网络（Res Net）和双向门控循环单元（Bi-GRU）对音视频数据进行特征层融合,分别实现了基于端到端的声纹识别、人脸识别和多模态融合的身份识别,通过实验结果的对比和分析,得出多模态融合的身份识正确率比单模态下声纹识别和人脸识别分别提升了17.55%和2.12%。2、研究多模态融合的身份识别系统在噪声环境下的性能表现。对原始数据添加不同程度的噪声,通过对比噪声环境中单模态和多模态融合身份识别在实验中的性能表现,得出在噪声数据下多模态融合的身份识别的正确率较单模态而言均有不同程度的提升。
王清[5]（2021）在《人脸识别技术应用的法律规制研究》文中进行了进一步梳理人脸识别技术是指机器对静态或视频中的人脸进行特征提取,并将其与数据库内的人脸数据进行对比,从而实现身份识别的技术。人脸识别技术具有采集方式非接触性、识别过程自主性以及适用场景广泛性的特点,目前大量运用于安防、支付等领域。然而,人脸识别技术在给生活带来便捷的同时也暗藏风险,如若不加以防范,所带来的信息泄露风险、歧视风险、滥用风险、误识风险将造成大量社会问题和矛盾。在当前我国公民个人隐私保护意识提升、国家大力推进人工智能与大数据发展的背景下,强化人脸识别领域的法律规制,推动行业健康稳定发展迫在眉睫。我国目前制度层面缺乏对人脸识别技术应用的有效规制:立法较为分散,行政监管力度不足、司法救济缺乏可操作性。通过对比欧盟与美国在人脸识别领域的立法经验可以发现,尊重信息主体的自由意志、保障其诉权、对信息处理者提出规范性要求、设置独立监管机构等措施可以有效预防风险的发生。就我国而言,应当在立法层面,明确“统分结合”、“宽严适中”、“特殊保护”的立法理念,在此基础上改进具体保护制度:推进“告知-同意”规则的有效化、增强人脸信息收集后存储、使用环节的控制以及强化信息处理者责任。行政监管层面,明确监管主体,并通过设置监管平台、规范人脸识别行业准入资质、确立黑名单制度、建立应急处理机制等强化监管。司法救济层面,应当明确侵权主体并实行举证责任倒置,增强个人司法救济的能力。除此以外,还需要全民共同努力,提升风险意识,推进科技向善。
雷文华[6]（2020）在《基于特征融合的人脸识别方法研究》文中研究说明近年来,随着信息化时代的到来,人类对信息安全的关注度不断提高,人脸识别技术在交通、公安、国防等领域被广泛应用,但人脸识别的准确率还有待进一步提高。针对人脸检测与识别的准确率低下问题,论文展开深入研究,给出基于最优奇异值占比的图像分解方法、基于特征融合的人脸检测和识别方法以及基于活体检测的动态人脸识别方法。论文主要的研究内容如下:（1）针对人脸图像数据维度较高问题,给出了基于最优奇异值占比的图像分解方法。首先,采用奇异值分解方法对原始的人脸图像进行降维重构;其次将不同奇异值占比下的人脸图像作为输入,基于Haar特征和基于HOG特征的人脸检测方法进行人脸检测实验;最后根据两种人脸检测方法在不同奇异值占比下的检测率差值确定最优的奇异值占比。实验结果表明:以获取有效的人脸特征信息为前提,采用基于最优奇异值占比的图像分解方法在ORL人脸数据库上所确定的最优奇异值占比为98%,人脸图像的空间复杂度降低了 78.5%。（2）为了提高传统人脸检测方法的速率和准确率,给出了一种基于特征融合的人脸检测方法。该方法基于集成分类的思想,将Haar特征和HOG特征的人脸检测方法进行融合,建立改进的人脸检测模型。在ORL数据库上进行实验对比分析可以得出:论文方法的准确率相比Haar、HOG、LBP特征的人脸检测方法分别提高了 10%、2%和7%;从时间效率来说,相比HOG、CNN的人脸检测方法分别提高了 14.6%和99.2%;在LFW数据库上的实验结果表明:论文方法的准确率相比于Haar、HOG、LBP特征的人脸检测方法分别提高了 15%、0.5%和12%,并且在时间效率上相比HOG、CNN的人脸检测方法分别提高了 41%和99.4%。（3）针对分类决策算法用于人脸识别准确率低下问题,给出了基于一种特征融合的人脸识别方法。首先,基于最优奇异值占比图像分解方法和MTCNN的人脸对齐方法对人脸图像进行对齐预处理;然后,为了改进和完善基于KNN和SVM的人脸识别模型,构建基于择优K值的MTCNN-KNN人脸识别模型以及基于择优核函数的MTCNN-SVM人脸识别模型。实验结果表明:择优K值的MTCNN-KNN人脸识别模型其识别率提高了 10%,择优核函数的MTCNN-SVM的人脸识别模型其识别率提高了 2%。（4）为了满足更加广泛的应用需求,针对人脸识别领域存在伪身份攻击手段,论文在动态人脸识别领域进行研究并给出基于活体检测的动态人脸识别方法。该方法在深入研究眨眼检测的基础上,设计了张嘴检测的活体检测方法,并将张嘴检测和眨眼检测进行组合实现动态人脸识别。实验结果表明:基于活体检测的动态人脸识别方法为身份认证提供了实时可靠的安全保障,具有一定的工程可行性。
张沙沙[7]（2020）在《基于卷积神经网络的选煤厂人脸识别考勤系统》文中研究指明在煤炭行业中,选煤厂主要负责原煤分选以实现煤炭利用最大化,而选煤厂人员考勤管理对选煤厂生产效率有直接影响。人脸识别因其唯一性、非接触性等特点常被应用于考勤,相比于传统考勤方式,人脸考勤更加高效、安全。因此,为加强选煤厂人员管理,研究选煤厂人脸考勤系统具有十分重要的意义和价值。由于目前没有开源的选煤厂人脸数据库,卷积神经网络在训练时需要大量样本,论文采用镜像、旋转和平移等几何方法来扩充样本数量;员工工作时脸上容易沾染煤灰,影响人脸识别效果,论文在对人脸图像进行高斯滤波的基础上,采用限制对比度自适应直方图均衡化和伽马矫正相结合的方法来提高图像特征,使得人脸细节信息更加突出;采用基于Haar-like特征的AdaBoost算法实现选煤厂人脸检测,将人脸从复杂的背景中提取出来;为提高人脸识别准确率,对传统的AlexNet模型进行了优化,优化后的模型能提取更多的人脸特征;根据考勤系统功能需求设计了选煤厂人脸识别考勤系统,利用Python语言搭建了考勤系统的GUI界面,并设计了相关的数据库,实现了选煤厂员工的考勤管理。本文通过对选煤厂人脸识别进行深入研究,提出的优化卷积神经网络对选煤厂环境下的人脸识别具有较好的鲁棒性,设计的考勤系统在一定程度上加强了选煤厂员工的考勤管理,具有一定的理论研究意义和工程应用价值。
蒋纪威[8]（2020）在《基于深度学习的视频人脸识别方法研究》文中研究表明近年来,不仅计算机技术发展迅速,深度学习也掀起了热潮。在这种背景下,人们对身份识别的智能性、安全性等要求越来越高。生物识别技术利用人体特征进行身份的识别验证,在安全性、便捷性等方面优于传统的身份识别技术,在身份识别中发挥着越来越大的作用。而人脸识别是生物识别技术中最简单、最方便的方法之一,已成为生物识别中的热门研究方向,在身份验证、智能安防、智能支付等领域发挥了巨大的作用。人脸识别很重要的一个应用是视频中的实时人脸识别,目前视频人脸识别系统的实时性还需要提高。本文基于深度学习技术对视频人脸识别方法展开了研究,从视频人脸检测和视频人脸识别两个方面进行了优化与改进,论文主要工作如下:（1）针对现有的视频中人脸检测方法实时性较低的情况,本文采用基于改进YOLO V3的检测方法进行人脸检测。首先通过改进的聚类方法重新确定了 YOLO V3的先验边界框,因为YOLO V3的先验边界框是通用的,不适用于特定的人脸检测任务。其次,修改了 YOLO V3的网络结构,改变了第一层卷积核的数量,修改后的人脸检测网络准确率更佳。改进后的YOLO V3人脸检测方法在一定程度上提高了人脸检测的实时性,同时兼顾了人脸检测的准确性。（2）在视频人脸识别中,由于复杂环境,使用传统的损失函数会导致类内和类间距离分布不均匀,因此提出了优化三元组损失函数,使类内和类间的距离分布变得均匀。结合卷积神经网络（GoogLeNet）,提出了基于优化三元组损失函数的卷积神经网络用于提取人脸图像的特征,通过计算人脸特征之间的余弦相似度来进行人脸分类识别。通过对比实验,证实本文提出的人脸识别方法具有良好的准确性和较好的实时性。（3）根据视频人脸检测和视频人脸识别的方法研究,设计了视频人脸识别系统。首先,介绍了视频人脸识别系统由数据采集、人脸检测、人脸识别三个模块组成。然后详细的介绍系统整体的架构设计,以及各模块的功能组成,实现了视频人脸识别系统的设计。最后对系统进行了模块测试和集成测试,验证了本文提出的视频人脸识别方法的有效性。
孙航[9]（2020）在《人脸识别的侦查应用研究》文中指出随着现代科技的不断发展与完善,以人脸识别为典型代表的人工智能技术融入到社会生活的各个领域。与此同时,公安工作大数据时代的到来也为人脸识别技术应用于侦查工作提供了有利契机。尽管人脸识别技术在侦查领域得到了广泛应用,但受其技术本身固有缺陷以及其他主客观因素影响,实际侦查工作中的人脸识别应用暴露出了诸多问题,直接导致其只能作为侦查工作的辅助手段。为进一步发挥人脸识别技术助力侦查工作的效能,需针对应用障碍进行深入分析并以此提出优化路径,更好地将现代科技转换为刑侦战斗力。本文共分为五大部分:第一部分对人脸识别技术以及侦查中的人脸识别进行综述研究,提炼出人脸识别技术以及人脸识别应用于侦查工作的相关理论成果,梳理出目前人脸识别应用于侦查工作所存在的弊端与空白,最终明确人脸识别应用于侦查工作的必要性与可行性。第二部分是人脸识别及其侦查应用的概述。首先对相关概念进行厘清与辨析,再对人脸识别应用侦查工作中的适用条件、依据以及相关应用领域进行归纳总结与详细阐述。分析了人脸识别应用于侦查工作的价值体现,如今人脸识别被广泛应用于侦查工作的各个领域必然有其独有的优势与价值,对人脸识别应用于侦查工作的价值进行归纳研究,是更好的发挥其自身优势,服务于侦查破案的前提。第三部分致力于建立侦查工作中人脸识别应用的方法体系。目前侦查人员运用人脸识别大多将其与视频侦查结合,笔者基于以上应用实际,结合人脸识别的特点,建立出不同犯罪阶段中人脸识别的应用体系以及不同侦查技战法中人脸识别的应用方法,以实现人脸识别与侦查方法的联动融合。第四部分阐述了人脸识别应用于侦查工作所存在的障碍和主要弊端。从复杂环境、数据整合、侦查主体三个方面出发,全面分析人脸识别在三个环节的应用障碍,发现问题,并以此作为后续优化路径的切入点。第五部分针对目前侦查工作中人脸识别所存在的问题,从数据分享、技术操作、规范化应用等方面提出人脸识别应用的优化路径,以期最大程度地发挥人脸识别优势,实现其应用于侦查工作的最优效果。
刘杰[10]（2020）在《基于深度学习的人脸识别技术在会议系统中的应用》文中研究指明近年来,建立和健全会议系统制度是当下大部分企业和相关单位所关注的,因为一套完整的、行之有效的会议系统不仅有利于企业管理者更好的去管理企业的职工,而且对于职工个人来说,一套完善的会议系统也能够对他们自身起到约束作用,从而使企业和相关用人单位得到良好的发展。为了使管理人员摆脱繁重的工作任务,让会议系统更具自动化和人性化,本文将基于深度学习的人脸识别技术应用于会议系统中。在对会议中的人员进行识别过程中,诸如人体在室内环境姿势、表情以及遮挡等不同条件的制约,将会造成视频流中人脸图像模糊,识别困难,降低了人脸识别算法的准确性。为了能够有效解决上述问题,本文在基本的人脸识别流程中引入了人脸图像质量评估模型,并通过对预训练的GoogLeNet网络进行微调的方式对模型进行改进。利用GoogLeNet神经网络提取的特征和该特征对应的MOS分数训练SVM分类器,最终得到人脸图像质量评估模型。该模型可以对检测到的人脸图像进行过滤和选择,从而提高了所识别图像的准确性。并且,对于传统目标检测方法对图像的运动模糊、遮挡以及形变等表现出的识别准确率不高的问题,本文将YOLO目标检测算法应用于人脸检测部分实现人脸检测功能,YOLO目标检测不仅可以改善传统检测方法的不足,还能提高检测效率,做到实时检测,更适合于会议场景,做到实时检测会议中的人员。基于深度学习的人脸识别会议系统通过使用人脸识别技术对会议中的与会人员进行识别,及时对早退现象做出判别,此外,还可以应用在会议前对与会人员的考勤,解决了代签现象等问题,具有非常广泛的应用前景。
二、计算机人脸识别技术综述（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、计算机人脸识别技术综述（论文提纲范文）
（1）基于深度学习的口罩遮挡条件下人脸识别关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 人脸识别的研究内容及难点 |
| 1.2.1 人脸识别的研究内容 |
| 1.2.2 人脸识别的难点 |
| 1.3 遮挡条件下人脸识别的研究现状 |
| 1.4 论文主要研究内容与章节安排 |
| 1.4.1 论文主要研究内容 |
| 1.4.2 论文章节安排 |
| 2 相关理论基础 |
| 2.1 深度学习概述 |
| 2.2 MTCNN的简介 |
| 2.2.1 MTCNN的结构 |
| 2.2.2 MTCNN的工作原理 |
| 2.3 VGG-16 Net |
| 2.4 本章小结 |
| 3 戴口罩人脸图像质量评估技术 |
| 3.1 人脸图像质量评估概述 |
| 3.2 人脸图像质量评估的意义 |
| 3.3 数据集的构建 |
| 3.4 搭建m FIQA的网络 |
| 3.5 实验结果讨论 |
| 3.6 本章小结 |
| 4 戴口罩人脸检测与识别技术 |
| 4.1 MTCNN的训练 |
| 4.2 非极大值抑制算法 |
| 4.2.1 NMS算法的工作原理 |
| 4.2.2 NMS算法的局限性 |
| 4.3 改进的mMTCNN算法 |
| 4.4 高斯核函数的分析 |
| 4.4.1 一维高斯核函数 |
| 4.4.2 二维高斯核函数 |
| 4.5 改进的gVGG-16 Net算法 |
| 4.5.1 感受野理论分析 |
| 4.5.2 gVGG-16 Net的设计 |
| 4.5.3 参数σ与d的确定 |
| 4.6 本章小结 |
| 5 综合对比实验 |
| 5.1 建立数据集 |
| 5.2 确立评价指标 |
| 5.3 人脸检测改进模型mMTCNN的对比实验 |
| 5.4 人脸识别改进模型gVGG-16 Net的对比实验 |
| 5.5 综合改进对比实验 |
| 5.5.1 mMTCNN+gVGG-16 Net的相应对比实验 |
| 5.5.2 mMTCNN+ mFIQA+gVGG-16 Net的相应对比实验 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者攻读学位期间取得的研究成果 |
（2）基于局部遮挡人脸识别的移动端人员管控系统设计与实现（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 主要研究内容 |
| 1.4 论文组织结构 |
| 第二章 相关技术综述 |
| 2.1 深度学习相关技术 |
| 2.1.1 基于深度学习的人脸检澜和识别技术 |
| 2.1.2 视觉模型中的注意力机制 |
| 2.2 移动端神经网络移植 |
| 2.2.1 轻量型卷积神经网络 |
| 2.2.2 模型剪枝和量化 |
| 2.3 本章小结 |
| 第三章 基于注意力机制的局部遮挡人脸检测和识别算法 |
| 3.1 概述 |
| 3.2 改进的基于MobileNet-V2-SSD的人脸检测算法 |
| 3.2.1 融合特征金字塔网络的MobileNet-V2-SSD算法 |
| 3.2.2 结合空洞卷积的MobileNet-V2网络 |
| 3.3 基于轻量型混合注意力网络的遮挡人脸识别算法 |
| 3.3.1 结合轻量型混合注意力模块的MobileNet-V2网络 |
| 3.3.2 通道注意力模块 |
| 3.3.3 空间注意力模块 |
| 3.4 本章小结 |
| 第四章 移动端人员管控系统设计与实现 |
| 4.1 概述 |
| 4.2 系统需求分析 |
| 4.3 系统功能结构设计 |
| 4.4 数据库设计 |
| 4.4.1 概念结构设计 |
| 4.4.2 逻辑结构设计 |
| 4.5 移动端核心模块设计与实现 |
| 4.5.1 运动检测模块 |
| 4.5.2 人脸检测模块 |
| 4.5.3 人脸跟踪模块 |
| 4.5.4 人脸特征提取模块 |
| 4.5.5 人脸特征比对模块 |
| 4.6 网页端核心模块设计与实现 |
| 4.6.1 模型管理模块 |
| 4.6.2 人员管理模块 |
| 4.6.3 日志管理模块 |
| 4.7 本章小结 |
| 第五章 移动端人员管控系统测试与分析 |
| 5.1 概述 |
| 5.2 系统环境配置 |
| 5.2.1 系统硬件配置 |
| 5.2.2 软件配置 |
| 5.3 算法性能测试 |
| 5.3.1 数据集准备 |
| 5.3.2 局部遮挡人脸检测和识别算法性能测试 |
| 5.4 系统功能验证 |
| 5.4.1 移动端人员认证系统功能验证 |
| 5.4.2 网页端管理平台功能验证 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者攻读学位期间的主要研究成果 |
（3）基于ARM的通用型人脸识别系统软件设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人脸识别研究现状 |
| 1.2.2 嵌入式系统研究现状 |
| 1.2.3 嵌入式人脸识别系统研究现状 |
| 1.3 本文主要内容以及结构安排 |
| 第二章 系统总体设计 |
| 2.1 系统总体需求分析 |
| 2.1.1 系统非功能性需求分析 |
| 2.1.2 系统功能性需求分析 |
| 2.2 嵌入式系统硬件平台 |
| 2.3 系统软件环境搭建 |
| 2.3.1 嵌入式操作系统 |
| 2.3.2 配置系统环境 |
| 2.4 系统人脸识别方法选取 |
| 2.4.1 相关算法分析 |
| 2.4.2 卷积神经网络 |
| 2.5 系统软件总体设计 |
| 2.6 本章小结 |
| 第三章 人脸识别算法模块设计与实现 |
| 3.1 算法模块整体设计 |
| 3.2 RetinaNet人脸检测模型 |
| 3.3 Facenet特征提取 |
| 3.3.1 Facenet网络模型 |
| 3.3.2 GoogleNet特征提取 |
| 3.3.3 MobileNetV2 特征提取 |
| 3.3.4 triplet loss优化 |
| 3.4 视频流人脸跟踪 |
| 3.5 余弦相似度特征比对 |
| 3.6 图片流处理模块流程设计与实现 |
| 3.7 视频流处理模块流程设计与实现 |
| 3.8 本章小结 |
| 第四章 系统其他主要功能模块设计与实现 |
| 4.1 接口模块设计与实现 |
| 4.1.1 视频流接口设计与实现 |
| 4.1.2 图片流接口设计与实现 |
| 4.1.3 传输接口设计与实现 |
| 4.2 DP Server模块设计与实现 |
| 4.3 人脸库管理模块设计与实现 |
| 4.3.1 MySql数据库 |
| 4.3.2 人脸数据库设计与实现 |
| 4.4 特征库模块设计与实现 |
| 4.5 本章小结 |
| 第五章 交互功能实现与系统测试分析 |
| 5.1 系统交互功能实现 |
| 5.2 系统测试与分析 |
| 5.2.1 系统功能测试 |
| 5.2.2 系统录入性能测试 |
| 5.2.3 人脸检测识别性能测试 |
| 第六章 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 |
| 附录 |
（4）基于音视频的多模态融合说话人识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文组织结构 |
| 第2章 声纹识别和人脸识别技术及特征融合策略 |
| 2.1 声纹识别技术 |
| 2.1.1 声纹识别的分类 |
| 2.1.2 语音信号特征提取 |
| 2.2 人脸识别技术 |
| 2.2.1 人脸识别的步骤 |
| 2.2.2 人脸识别的常用方法 |
| 2.3 多模态融合的说话人识别 |
| 2.3.1 融合分类 |
| 2.3.2 典型融合算法 |
| 2.3.3 神经网络中常见的融合策略 |
| 2.4 本章小结 |
| 第3章 多模态融合说话人识别网络模型架构 |
| 3.1 网络结构 |
| 3.1.1 深度残差网络 |
| 3.1.2 双向门控循环单元网络 |
| 3.2 音频流数据的处理 |
| 3.3 视频流数据的处理 |
| 3.4 端到端多模态融合模型 |
| 3.5 本章小结 |
| 第4章 基于音视频的多模态融合说话人识别 |
| 4.1 实验环境介绍 |
| 4.2 实验数据 |
| 4.3 基于端到端的多模态融合说话人识别 |
| 4.3.1 数据预处理 |
| 4.3.2 模型训练基本参数 |
| 4.3.3 模型结构设置 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第5章 噪声数据下的多模态融合说话人识别 |
| 5.1 音频噪声 |
| 5.2 图像噪声 |
| 5.3 基于噪声数据的多模态融合说话人识别 |
| 5.3.1 基于噪音数据的声纹识别 |
| 5.3.2 基于噪声数据的人脸识别 |
| 5.3.3 基于噪声数据的多模态融合说话人识别 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
（5）人脸识别技术应用的法律规制研究（论文提纲范文）
| 摘要 |
| abstract |
| 引言 |
| 1. 研究背景 |
| 2. 研究意义 |
| 3. 国内外研究现状 |
| 3.1 国内研究现状 |
| 3.2 国外研究现状 |
| 4. 研究内容与框架 |
| 5. 概念界定和特征分析 |
| 5.1 人脸识别技术的含义 |
| 5.2 人脸的特征 |
| 5.3 人脸识别技术的特征 |
| 6. 研究方法 |
| 第1章 人脸识别技术应用法律规制的必要性与现实困境 |
| 1.1 人脸识别技术应用法律规制的必要性 |
| 1.1.1 人脸识别技术的应用风险 |
| 1.1.2 个人信息的国家保护义务 |
| 1.2 我国人脸识别技术应用的法律规制困境 |
| 1.2.1 现有法律规范难以有效保护公民个人信息 |
| 1.2.2 监管主体不明,手段落后 |
| 1.2.3 司法救济缺乏可操作性 |
| 第2章 人脸识别技术应用法律规制的理论基础 |
| 2.1 人脸识别技术应用的法律规制依据 |
| 2.1.1 风险社会理论与人脸识别安全风险 |
| 2.1.2 监视社会理论与个人隐私保障 |
| 2.2 人脸识别技术应用的法律规制原则 |
| 2.2.1 公共利益原则: 人脸识别法律规制的首要考量 |
| 2.2.2 弱者保护原则: 法律适当倾斜保护的依据 |
| 2.2.3 比例原则: 信息处理者应当遵守的准则 |
| 第3章 域外针对人脸识别技术应用的法律规制及启示 |
| 3.1 统一专门立法的欧盟模式 |
| 3.1.1 欧盟人脸识别规制现状 |
| 3.1.2 欧盟立法趋势: 人脸识别禁令的缓和 |
| 3.2 去中心化立法的美国模式 |
| 3.2.1 美国人脸识别规制现状 |
| 3.2.2 美国立法前瞻: 联邦层面的立法提案 |
| 3.3 域外法律规制的成因与借鉴意义 |
| 第4章 我国人脸识别技术应用的规制路径 |
| 4.1 完善法律制度 |
| 4.1.1 明确人脸识别领域的立法理念 |
| 4.1.2 改进法律保护制度 |
| 4.2 创新监管模式 |
| 4.2.1 明确人脸识别监管机构 |
| 4.2.2 完善人脸识别监管体系 |
| 4.2.3 推进企业自律监管 |
| 4.3 增强救济措施的可操作性 |
| 4.3.1 明确人脸识别侵权主体 |
| 4.3.2 举证责任倒置 |
| 4.4 全民提升风险意识,推动科技向善 |
| 结语 |
| 参考文献 |
| 致谢 |
（6）基于特征融合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 国内外研究现状与发展趋势 |
| 1.2.1 人脸图像降维研究现状 |
| 1.2.2 人脸检测方法的研究现状 |
| 1.2.3 人脸识别方法的研究现状 |
| 1.2.4 发展趋势 |
| 1.3 论文的研究内容 |
| 1.4 论文的组织结构 |
| 1.5 本章小结 |
| 2 基于最优奇异值占比的人脸图像分解方法 |
| 2.1 相关理论基础 |
| 2.1.1 人脸图像降维方法 |
| 2.1.2 奇异值分解方法原理 |
| 2.2 基于最优奇异值占比的图像分解方法 |
| 2.2.1 方法思路 |
| 2.2.2 方法原理描述 |
| 2.2.3 方法实现 |
| 2.3 实验验证 |
| 2.3.1 实验数据 |
| 2.3.2 实验步骤 |
| 2.3.3 实验结果分析 |
| 2.4 本章小结 |
| 3 基于特征融合的人脸检测方法 |
| 3.1 相关理论基础 |
| 3.1.1 基于Haar特征的人脸检测方法 |
| 3.1.2 基于HOG特征的人脸检测方法 |
| 3.2 基于特征融合的人脸检测方法 |
| 3.2.1 方法思路 |
| 3.2.2 方法原理描述 |
| 3.2.3 方法实现 |
| 3.3 实验验证 |
| 3.3.1 实验数据 |
| 3.3.2 实验步骤 |
| 3.3.3 实验结果分析 |
| 3.4 本章小结 |
| 4 基于特征融合的人脸识别方法 |
| 4.1 相关理论基础 |
| 4.1.1 MTCNN的人脸对齐 |
| 4.1.2 KNN分类算法 |
| 4.1.3 SVM分类算法 |
| 4.2 基于特征融合的人脸识别方法 |
| 4.2.1 方法思路 |
| 4.2.2 方法原理描述 |
| 4.2.3 方法实现 |
| 4.3 实验验证 |
| 4.3.1 实验数据 |
| 4.3.2 实验步骤 |
| 4.3.3 实验结果分析 |
| 4.4 本章小结 |
| 5 基于活体检测的动态人脸识别方法 |
| 5.1 活体检测 |
| 5.1.1 基于眨眼检测的活体检测 |
| 5.1.2 基于张嘴检测的活体检测 |
| 5.2 基于活体检测的动态人脸识别方法 |
| 5.2.1 方法思路 |
| 5.2.2 方法原理描述 |
| 5.2.3 方法实现 |
| 5.3 实际场景下的测试结果 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（7）基于卷积神经网络的选煤厂人脸识别考勤系统（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外人脸识别研究现状 |
| 1.2.2 国内外考勤系统研究现状 |
| 1.3 论文的主要研究内容与章节安排 |
| 2 选煤厂考勤系统研究 |
| 2.1 选煤厂考勤系统需求分析 |
| 2.2 选煤厂考勤方式研究分析 |
| 2.3 本章小结 |
| 3 选煤厂人脸图像预处理 |
| 3.1 选煤厂人脸数据集构建 |
| 3.2 选煤厂人脸图像特点 |
| 3.3 选煤厂人脸图像滤波 |
| 3.4 选煤厂人脸图像增强 |
| 3.4.1 限制对比度自适应直方图均衡化 |
| 3.4.2 伽马矫正 |
| 3.5 本章小结 |
| 4 基于卷积神经网络的选煤厂人脸识别 |
| 4.1 基于Haar-like特征的Ada Boost选煤厂人脸检测 |
| 4.1.1 Haar-like特征 |
| 4.1.2 Ada Boost算法 |
| 4.1.3 人脸检测结果及分析 |
| 4.2 人脸识别方法 |
| 4.2.1 基于几何特征的人脸识别方法 |
| 4.2.2 基于子空间分析的人脸识别方法 |
| 4.2.3 基于人工神经网络的人脸识别方法 |
| 4.2.4 基于卷积神经网络人脸识别方法 |
| 4.3 基于优化Alex Net网络的选煤厂人脸识别 |
| 4.3.1 Alex Net网络模型 |
| 4.3.2 Alex Net网络模型优化 |
| 4.3.3 实验结果及分析 |
| 4.4 本章小结 |
| 5 选煤厂人脸考勤系统设计与调试 |
| 5.1 考勤系统总体设计 |
| 5.2 考勤系统各模块设计 |
| 5.2.1 系统功能模块 |
| 5.2.2 数据库模块 |
| 5.3 考勤系统调试 |
| 5.3.1 系统调试环境 |
| 5.3.2 系统功能调试 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（8）基于深度学习的视频人脸识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容及安排 |
| 1.4 论文主要创新点 |
| 2 相关理论介绍 |
| 2.1 深度学习简介 |
| 2.2 相关人脸检测方法 |
| 2.3 相关人脸识别方法 |
| 2.4 相关评价标准 |
| 2.5 本章小结 |
| 3 基于深度学习的人脸检测 |
| 3.1 人脸检测简析 |
| 3.2 基于改进YOLO V3的人脸检测方法 |
| 3.3 实验结果与分析 |
| 3.4 本章小结 |
| 4 基于深度学习的人脸识别 |
| 4.1 人脸识别简析 |
| 4.2 人脸预处理 |
| 4.3 基于优化损失函数的人脸识别方法 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 5 视频人脸识别系统的研究与设计 |
| 5.1 系统实验环境 |
| 5.2 系统模块设计 |
| 5.3 系统应用与测试 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（9）人脸识别的侦查应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 实践意义 |
| 1.3 人脸识别研究综述 |
| 1.3.1 人脸识别方法研究综述 |
| 1.3.1.1 基于几何特征的人脸识别 |
| 1.3.1.2 基于模板匹配的人脸识别 |
| 1.3.1.3 基于模型的人脸识别 |
| 1.3.1.4 基于神经网络的人脸识别 |
| 1.3.2 人脸数据库研究综述 |
| 1.3.3 侦查工作中人脸识别应用研究综述 |
| 1.4 研究方法 |
| 1.4.1 文献研究法 |
| 1.4.2 交叉学科研究法 |
| 1.4.3 案例研究法 |
| 1.4.4 实证研究法 |
| 2 人脸识别及其侦查应用的概述 |
| 2.1 相关概念阐述 |
| 2.1.1 人脸识别技术概念 |
| 2.1.2 侦查工作中人脸识别概念 |
| 2.2 人脸识别应用于侦查工作的适用条件 |
| 2.2.1 清晰的人脸图像信息 |
| 2.2.2 适当的人脸识别算法 |
| 2.2.3 完善的人脸数据库 |
| 2.3 人脸识别应用于侦查工作的依据 |
| 2.3.1 同一认定 |
| 2.3.2 信息传输与反馈 |
| 2.4 人脸识别在侦查工作中的应用领域 |
| 2.4.1 应用于核对人员身份 |
| 2.4.2 应用于追逃工作 |
| 2.4.3 应用于监控系统人脸图像识别 |
| 2.4.4 应用于身份不详者及无名尸的辨认 |
| 2.5 侦查工作中人脸识别的价值体现 |
| 2.5.1 丰富犯罪现场信息，为确定侦查方向提供线索 |
| 2.5.2 识别比对人像信息，增强发现犯罪嫌疑人的能力 |
| 2.5.3 实现案件立体化分析，为串并案侦查提供依据 |
| 2.5.4 缓解侦查资源紧缺问题，提高案件分析效率 |
| 3 侦查工作中人脸识别应用的方法体系 |
| 3.1 不同犯罪阶段中人脸识别的应用 |
| 3.1.1 犯罪前的预先干预 |
| 3.1.1.1 直接盘查核实 |
| 3.1.1.2 动态跟踪监控 |
| 3.1.2 犯罪实施中的控制 |
| 3.1.3 犯罪后的由案到人 |
| 3.2 不同侦查技战法中人脸识别的应用 |
| 3.2.1 图像排查法 |
| 3.2.2 信息比对法 |
| 3.2.3 信息关联法 |
| 3.2.3.1 人员信息关联 |
| 3.2.3.2 时空信息关联 |
| 3.2.3.3 警务数据信息关联 |
| 4 侦查工作中人脸识别应用的障碍分析 |
| 4.1 复杂环境中人脸识别应用的障碍 |
| 4.1.1 非约束环境中采集图像的质量问题 |
| 4.1.1.1 遮挡与模糊变形干扰 |
| 4.1.1.2 表情与光线姿态干扰 |
| 4.1.2 动态视频中采集图像的质量问题 |
| 4.2 数据整合中人脸识别应用的障碍 |
| 4.2.1 公安内部数据整合不足 |
| 4.2.2 人脸识别数据库更新滞后 |
| 4.3 侦查主体方面人脸识别应用的障碍 |
| 4.3.1 人脸识别应用机制不健全 |
| 4.3.2 信息挖掘与综合研判不足 |
| 5 侦查工作中人脸识别应用的优化路径 |
| 5.1 共享数据，统一协作常态化 |
| 5.2 凝聚合力，案件分析立体化 |
| 5.2.1 与传统侦查方法相结合，优势互补 |
| 5.2.2 与社会信息相结合，群防群治 |
| 5.2.3 与其他技术相结合，提高准确性 |
| 5.3 规范流程，应用队伍专业化 |
| 结论 |
| 参考文献 |
| 在学研究成果 |
| 一、 在学期间取得的科研成果 |
| 二、 在学期间所获的奖励 |
| 三、 在学期间发表的论文 |
| 致谢 |
（10）基于深度学习的人脸识别技术在会议系统中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像识别领域中深度学习的研究现状 |
| 1.2.2 人脸识别技术研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本文组织结构 |
| 2 理论技术和相关概念 |
| 2.1 深度学习 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 全连接层 |
| 2.2.4 DropOut |
| 2.3 人脸检测和识别技术 |
| 2.3.1 人脸检测 |
| 2.3.2 人脸识别 |
| 2.4 图像质量评估方法概述 |
| 2.5 本章小结 |
| 3 基于深度学习的人脸识别技术研究 |
| 3.1 YOLO目标检测算法 |
| 3.1.1 YOLO的网络结构 |
| 3.1.2 检测流程 |
| 3.1.3 非极大值抑制 |
| 3.1.4 实验结果 |
| 3.2 基于FaceNet的人脸识别算法 |
| 3.2.1 FaceNet的网络结构 |
| 3.2.2 FaceNet的算法过程 |
| 3.2.3 网络训练 |
| 3.2.4 实验结果分析 |
| 3.3 基于深度学习的人脸图像质量评估 |
| 3.3.1 考勤环境下人脸图像质量对识别结果的影响 |
| 3.3.2 SVM介绍 |
| 3.3.3 基于深度学习的人脸图像质量评估模型的实现 |
| 3.3.3.1 模型的训练 |
| 3.3.3.2 模型的改进和优化 |
| 3.3.3.3 实验结果对比 |
| 3.4 本章小结 |
| 4 人脸识别会议系统设计与实现 |
| 4.1 系统分析与设计 |
| 4.1.1 需求分析 |
| 4.1.2 技术方案 |
| 4.1.3 架构设计 |
| 4.1.4 系统的考勤流程 |
| 4.2 系统详细设计与实现 |
| 4.2.1 人脸图像信息采集模块 |
| 4.2.2 人脸检测模块 |
| 4.2.3 人脸图像质量评估模块 |
| 4.2.4 人脸识别模块 |
| 4.2.5 会议考勤管理模块 |
| 4.3 系统整体测试与结果 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 研究工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的论文 |
| 附录一 表目录 |
| 附录二 图目录 |
四、计算机人脸识别技术综述（论文参考文献）
- [1]基于深度学习的口罩遮挡条件下人脸识别关键技术研究[D]. 肖健. 北京印刷学院, 2021(09)
- [2]基于局部遮挡人脸识别的移动端人员管控系统设计与实现[D]. 张泽晗. 北京邮电大学, 2021(01)
- [3]基于ARM的通用型人脸识别系统软件设计与实现[D]. 刘宇皓. 电子科技大学, 2021(01)
- [4]基于音视频的多模态融合说话人识别研究[D]. 李永敏. 西北民族大学, 2021(08)
- [5]人脸识别技术应用的法律规制研究[D]. 王清. 华东理工大学, 2021(08)
- [6]基于特征融合的人脸识别方法研究[D]. 雷文华. 西安科技大学, 2020(01)
- [7]基于卷积神经网络的选煤厂人脸识别考勤系统[D]. 张沙沙. 西安科技大学, 2020(01)
- [8]基于深度学习的视频人脸识别方法研究[D]. 蒋纪威. 山东科技大学, 2020(06)
- [9]人脸识别的侦查应用研究[D]. 孙航. 中国人民公安大学, 2020(09)
- [10]基于深度学习的人脸识别技术在会议系统中的应用[D]. 刘杰. 烟台大学, 2020(02)
标签：人脸识别技术论文; 人脸识别算法论文; 人脸检测技术论文; 图像识别技术论文; adaboost人脸检测论文;