一、人脸检测和定位方法研究（论文文献综述）
鞠兴旺[1]（2021）在《局部生成人脸检测及定位算法研究》文中进行了进一步梳理随着深度学习的广泛应用,通过变脸、换脸或生成对抗网络（Generative Adversarial Network,GAN）等方式生成的虚假人脸在网络中不断传播。因此,研究有效的人脸取证技术变得尤为重要。针对生成人脸检测,当前其研究主要关注整幅人脸图像均为生成的。但在一些现实场景中,一幅生成人脸图像中只是小部分局部区域是生成的,甚至很小部分,其余绝大部分区域都是自然的,例如人脸图像复原、眼镜去除、掩模去除等。由于生成区域可能非常小,因此在经过具有多个池化层的深度卷积网络中可能会缩小到一个点,甚至在特征图上完全没有。从而可能导致全局生成人脸检测方法在局部生成人脸检测上性能很差。针对局部生成人脸检测和定位,据我们所知,目前还没有公开的局部生成人脸数据集。针对局部生成人脸检测,Xception作为一种在全局生成人脸检测中使用广泛的模型,具有不错的性能,但其不完全适用于局部生成人脸的检测。针对局部生成人脸定位研究,RRU-Net是最新提出的具有良好性能的针对非人脸图像普通篡改方式的定位模型,但其在应用于有攻击的局部生成人脸定位时,其鲁棒性仍需进一步提高。因此,本文将围绕局部生成人脸的检测及定位开展以下三方面研究工作:（1）为了开展局部生成人脸的研究工作,本文在FFHQ真实人脸数据库70000张人脸图像的基础上,利用Matlab创建了具有不同大小和形状的二进制掩模图并与原始人脸图像进行拼接得到含有缺失区域的人脸图像,然后通过已公开的多元图像修复方法深度修复缺失区域,构造了首个基于GAN的局部生成人脸数据集LGGF。该数据集共有840000张图像。（2）提出了一种改进Xception的检测模型:（a）删除了四个残差块,调整了参数,加入了注意力机制;（b）含有空洞卷积的Inception模块被用于获得多尺度特征;（c）利用特征金字塔网络（Feature Pyramid Networks,FPN）获取多层次特征。实验结果表明提出的改进Xception模型在检测精度、鲁棒性和泛化性方面总体优于现有模型,尤其针对具有较小生成区域的人脸图像。（3）提出了一种融合RRU-Net和去噪操作模块的局部生成人脸鲁棒定位模型。为了提高模型的鲁棒性,首先,引入去噪操作模块以抵抗深层网络中产生的噪声扰动,增强模型对局部生成区域特征的学习;然后,提出局部生成损失函数(LGIo Uloss),并结合样本平衡损失函数（Focal loss）,有效增强网络在训练过程中对局部生成区域的关注。最后,通过一系列消融和对比实验验证了提出模型相对于RRU-Net的改进以及其他现有模型的优越性。
张子昊[2]（2021）在《基于深度学习的跨域行人再识别方法》文中指出行人再识别是计算机视觉技术的热点问题之一,主要对不同摄像机点位获取到的图像或视频序列中的行人目标进行检索匹配和同一认定。受光照、复杂背景、遮挡以及行人姿态各异的影响,行人再识别算法在实际应用中存在提取特征鲁棒性较差的问题,导致识别精度较低,难以满足实际应用需求,因此行人再识别受到众多学者的关注。本文围绕基于深度学习的跨域行人再识别方法,在行人检测、行人再识别、人脸识别等方面展开研究。具体工作内容如下:在行人检测方面,将RetinaNet网络作为基线模型,提出了基于通道交互机制和软化非极大值抑制联合改进的行人检测方法。首先,在RetinaNet模型的特征提取网络中引入通道交互机制ECA模块,提高模型对于通道信息的细节捕捉能力。然后,使用Soft NMS替换传统的非极大值抑制,解决了传统非极大值抑制操作导致的召回率降低问题。最后,在Caltech数据集上对改进后的模型进行评估测试。实验结果表示,基于两种方法联合改进后的模型相较于原模型,漏检率降低了0.78%,AP50提升了0.5%,Recall提升了2.4%。在行人再识别部分,在AlignedReID++模型基础上提出了两种改进方法。方法一:通过在AlignedReID++模型的特征提取网络中引入实例归一化层IN,与模型中原有的批归一化层BN共同组成IBN层,解决网络对于不同颜色、纹理风格特征鲁棒性不高的问题。方法二:在方法一的基础上引入了特征空间分组模块SGE,进一步提高模型对于特征空间位置信息的敏感度。在Market1501、Duke MTMCRe ID、CUHK03三个数据集上对方法一和方法二联合改进后的模型进行测试,在三个数据集上Rank1击中率分别提升了0.8%、2.9%和4.7%,m AP分别提升了2.7%、3%和3.2%。在人脸识别部分,首先,实现了基于DSFD的人脸检测,并在WIDERFACE数据集和真实场景下对算法性能进行了评估。然后,通过在Mobile FaceNet人脸识别网络中引入风格特征重校准模块SRM,提高人脸识别模型对于不同风格人脸图像的鲁棒性。最后,在LFW、CFP-FF和Age DB三个人脸数据集上对改进后的模型进行评估,改进后的人脸识别模型在三个数据集上的准确率分别提高了0.25%、0.16%、0.3%。在行人再识别软件实现方面,使用Pytorch深度学习框架,利用Python实现核心算法,Py Qt5语言设计界面,完成行人再识别软件。该软件具有行人检测、行人再识别、同行人分析、人脸检测和人脸识别等功能。
张玉刚[3]（2021）在《基于人工智能的D物流园区人员定位管理系统研究与应用》文中进行了进一步梳理物流是社会经济体系的血管,对经济发展的重要性不言而喻。本文针对目前大型物流园区存在的信息化、智能化程度不高,由于工作人员缺乏必要的位置信息导致运作效率低下以及无法对员工进行有效管理可能出现安全隐患等问题。提出在大型物流园区内建立一套准确、高效、实用性强的人员定位系统。传统的人员定位主要采用身份验证设备,如常见的员工卡（IC卡、ID卡等）,但其保密性差、可复制且盗冒性强,无法精准定位。随着国家政策对智能化物流的推进和当前机器视觉技术的发展,利用人工智能技术进行人员定位成为一种可行的方案。通过在物流园区的各个功能区域部署一定数量的摄像头,借助人脸识别技术和捕获摄像头编号完成人员定位。真正意义上可以做到24小时全天候智能分析。本文通过人员定位管理系统,解决物流园区人员位置信息缺乏导致运作效率低下以及无法对员工进行有效管理可能出现安全隐患的问题。通过对系统进行需求分析明确系统应包含的功能,即人员信息管理、人员定位管理、轨迹查询、安全管理。通过系统设计明确系统的总体架构和逻辑架构,通过系统实现和系统测试确定系统是否满足实际场景需求。人员定位管理模块是本系统的核心功能,本模块采用的核心技术是人脸识别。首先深入物流场地进行实地考核,采集大量现场人员工作时的数据,将数据进行增强、标准化处理,利用图像标注软件进行标注,制作训练集。经过反复的优化,得到一个最优的人脸检测模型。其次,在人脸检测的基础上进行人脸识别,本文采用基于卷积神经网络的Face Net模型,该模型采用基于卷积神经网络的图像映射方法和基于Triplet Loss（三元组）的损失函数去训练网络模型,训练完成后输出128维的向量空间。通过空间距离的大小来验证两张人脸是否为同一个人,同一人脸的空间距离小,不同人脸之间的空间距离大,这样就可以通过空间映射来区分是否为同一个人,进而实现人脸识别。本文系统还需要进行大量的实践检验,通过不断的进行优化升级,从而更好地适应物流园园区作业环境的需求。
郭达[4]（2021）在《基于深度学习的人脸检测与分析》文中研究表明人脸分析系统在视频监控等安防场景下具有重要意义。目前在光照正常的情况下,基于可见光的人脸分析系统在人脸的各个任务上都已经实现了不错的效果,但是分析效率还有待进一步提升。此外,在一些具有挑战性的监控场景下,例如在黑暗环境下,由于可见光相机无法采集到清晰的人脸图像,基于可见光的人脸分析系统受到限制。在这种情况下,只有红外相机可以采集到清晰的人脸图像,因此基于红外-可见光的跨模态人脸识别对于监控安防场景具有重要的弥补作用和战略意义。针对以上问题,本文首先提出了一种基于可见光的多任务异构级联卷积神经网络,来提高监控场景下人脸分析系统的分析效率。其次,针对光照受限的弱光或者黑暗环境下,本文提出了一种用于跨模态人脸识别的全局-局部约束的人脸生成对抗网络GCF-GAN,有效改善了近红外人脸到可见光的生成结果,并提高了跨模态人脸的识别精度。在正常光照的监控场景下,基于可见光的人脸分析系统不仅需要做到精度高,还要尽可能高效。为了提高监控场景下人脸分析系统的分析效率,本文提出了一种人脸多任务的通用框架,称为多任务级联异构卷积神经网络（MHCNN）,同时实现人脸检测、人脸关键点定位、人脸图像质量评估和人脸属性分析。MHCNN由一个高精度单步检测器（SSD）和一个高效的微型卷积神经网络（T-CNN）组成,其中,单步人脸检测器负责高精度地检测人脸,T-CNN用于精炼上一级的检测结果,并同时实现人脸关键点定位和人脸属性分析等任务。尽管基于SSD的人脸检测器取得了出色的结果,但我们发现在检测中应用T-CNN可以进一步提高检测到的人脸分数。通过多任务训练,T-CNN能够同时实现人脸关键点定位、人脸属性分析和人脸图像质量评估这几个任务。由于公开的人脸相关数据集中没有我们需要的人脸图像质量评分数据和包含墨镜及口罩的人脸属性识别数据,因此我们贡献了两个从互联网上收集的数据集Face Q和Face A。实验表明,我们的MHCNN在FDDB上明显降低了单步人脸检测器在高召回率下的误检,并在Face Q和Face A上达到了出色的结果。尽管基于可见光的人脸识别技术发展迅速且应用丰富,但是在光照受限的弱光或者黑暗环境下,由于红外人脸采集成本高、数据量稀少,基于红外-可见光的跨模态人脸识面临着极大的挑战。针对这一问题,本文提出了一种用于跨模态人脸识别的全局-局部约束的人脸生成对抗网络GCF-GAN,有效改善了近红外人脸到可见光人脸的生成效果,并在CASIA NIR-VIS 2.0数据集上有效提升了跨模态人脸的识别精度。由于人脸的鉴别性主要体现在眼睛、鼻子和嘴巴等核心区域的差别,因此,GCF-GAN在生成人脸的过程中,通过对这些五官核心区域进行额外的局部约束,加强这些局部区域的细节生成,从而生成出更加真实的可见光人脸,提升了跨模态人脸的识别精度。此外,由于当前市面上并没有足够大的热红外-可见光人脸数据集。本文贡献了一个基于偏振成像的大规模多属性多姿态的热红外-可见光人脸数据集SIAT IR-VIS 1.0,此数据集具有重要的实际应用价值和战略研究意义。
刘一人[5]（2021）在《基于小程序的人脸检测和关键点定位技术的研究》文中研究表明实时人脸关键点检测技术在视频追踪、增强现实、人脸识别等领域具有广阔的应用前景,但是在实际应用部署中仍面临很多问题。基于APP的部署方式需要针对不同手机端系统进行适配,难以满足人脸关键点检测服务的跨平台需要,而Web+云计算的部署方式带来的网络延迟又难以满足人脸关键点检测的实时性需求。小程序作为5G时代边缘计算的重要平台之一,为人脸关键点检测技术提供了一种跨平台,普适化的部署解决方案。但是在小程序环境中运行卷积神经网络存在的主要问题是小程序平台计算能力受限,且应用体积需小于2MB才能达到小程序离线部署的要求,而目前主流的目标检测神经网络体积较大,计算量较高,既无法满足小程序的部署要求,又难以满足人脸检测的实时性需求。因此在小程序环境下部署人脸关键点检测应用,需要设计轻量化的神经网络结构,并且通过有效的神经网络模型压缩方法减小模型的计算量和体积。本文的研究工作主要包括三方面:在人脸检测方面,设计了轻量化的特征提取骨干网络,同时为了保证轻量化网络的检测性能,通过对多尺度金字塔网络结构进行改造以及设计感受野增强模块来丰富特征的尺度信息和上下文信息,从而提高轻量化目标检测网络的检测能力;在人脸关键点定位方面,在现有网络结构的基础上,提出了一种基于卷积Bottleneck结构的改进方案,该方案能够有效减小人脸关键点定位网络的参数量和计算量,同时在轻量化网络结构的基础上通过引入注意力机制模块来加强网络的特征提取能力,从而保证关键点的检测精度;在部署方面,主要研究了小程序技术与Web技术的差异,并且设计了一套基于小程序的人脸关键点实时检测系统的整体流程,最后成功实现了卷积神经网络在小程序端的部署应用。最后,进行了相关实验,测试了基于小程序的人脸关键点实时检测系统功能的可用性与轻量化神经网络结构的有效性。
黄济川[6]（2021）在《基于表情分析的在线课堂状态监测系统研究与实践》文中研究指明人工智能和数据化时代的到来,“互联网+”教育模式得到了井喷式的发展,2020年初,新冠肺炎疫情的爆发,使得在线教学模式进一步推进。然而,在线课堂由于存在时空分离、单线教学的方式,缺乏人性化的交流;当学生的学习情绪和学习行为背向学习课堂时,教师无法及时纠正和给予提醒,导致学生的学习效果不佳。因此,如何利用人工智能的方法从在线课堂中获取学生的学习行为,分析判定其课堂状态,形成有效的课堂状态评估机制,是实现科学的在线教育、提升学习效果的重要基础。基于此,本文对基于表情分析的在线课堂状态监测系统开展了以下研究:（1）研究了基于表情分析的在线课堂状态监测课题的研究背景和意义。回顾了传统的人脸检测方法、人脸识别方法。分析了现阶段国内外在人脸检测领域和人脸识别领域的最新研究进展。介绍了该系统中所使用的关键方法的理论基础,包括:人脸检测、人脸识别、疲劳检测以及卷积神经网络。（2）传统的人脸检测算法具有计算量大,实时性差的缺陷,限制了其实际应用场景,基于此,提出了改进的MTCNN（多任务卷积神经网络,Multi-Task Convolutional Neural Network）人脸检测模型。该模型将原有的多尺度图像金字塔与多模板的图像采样方式相互结合,改进了MTCNN中图像金字塔预处理方式,提出了一种基于多模板的高斯金字塔预处理方式;为了减少网络的计算量,提高表达能力,需要在图像中挖掘出更多的信息,该模型改进传统的MTCNN模型中的卷积运算,优化模型的网络结构;为进一步减小计算量,高效率地获取图像中的人脸信息,分别在MTCNN的P-Net和R-Net后增加了Siam因子,对子网络的输出结果进行筛选,减少传输的无用候选框数量。实验结果表明,该模型具有97.4%的检测准确率,取得了较好的检测效果。（3）围绕在线课堂状态监测研究课题,为弥补现阶段人脸识别当中存在的缺陷,提出了一种改进的AlexNet网络结构的人脸识别模型。利用改进的模型对人脸图像进行识别,采用全局平均池化思想对图片进行降维处理,有效减少了参数量以及过拟合现象。考虑类内部聚合力的影响,调整类内方差和类间方差,对Triplet loss函数进行改进,采用改进后的Triplet loss函数取代原来的Softmax函数。实验证明,改进后的模型比传统AlexNet网络识别准确率平均提高4%。（4）针对课堂状态分类问题,本文设计了CNN-SVM和VGGNet-O两种分类模型。CNN-SVM模型通过对识别出的人脸图像采用基于级联卷积神经网络方法进行特征提取,获取眼睛以及嘴巴两个主要部位特征,并计算眨眼频率。然后以嘴型变化值、眼睛变化值、眨眼频率以及PERCLOS值作为输入,采用SVM方法进行分类。VGGNet-O分类模型通过基于改进的VGGNet网络进行特征提取和分类,在VGGNet-O模型中引入Oct Conv卷积单元,将特征划分成高频特征和低频特征来减少空间冗余。最后利用数据集对两种分类方法进行了测试和比较,两种方法对三种课堂状态的平均识别准确率达90%,且VGGNet-O模型比CNN-SVM模型平均准确率平均高出3%,证明了分类模型的正确性和有效性。（5）基于人脸检测、识别、特征分类的研究,设计了基于表情分析的在线课堂状态监测系统。阐述了系统的需求分析、设计思路和工作流程。根据需求分析,规划设计了系统UML用例图,给出了数据库E-R图和数据库表的设计。详细描述了该系统中Web端和服务器端的设计与实践过程。系统能检测学生在网课学习中的人脸特征参数,自动评估其课堂学习的状态,帮助教师精确了解课堂,提升课堂教学效果。
王仕卿[7]（2021）在《货运车辆疲劳驾驶检测方法研究》文中进行了进一步梳理驾驶员疲劳时,驾驶员的反应、执行和判断能力都会受到影响,进而严重影响行车安全。不论在发展中国家还是发达国家,货运车辆事故占交通事故总死亡人数都在10%以上,而疲劳驾驶是造成该交通事故的主要原因之一。对于货运车辆驾驶员而言,一方面迫于运输任务,另一方面迫于生活压力,即使清楚地知道自身处于疲劳状态,大多数情况下仍然会选择继续驾驶,因此研究货运车辆疲劳驾驶检测具有重大意义。已有研究中针对货运车辆驾驶员疲劳状态的研究较少,为更加客观真实反映驾驶员状态,本文采集了大量自然驾驶下货运车辆运行数据和人脸视频数据,并设计了基于人脸特征和车辆运行参数的疲劳驾驶检测算法。论文的主要研究内容如下:（1）货运车辆疲劳驾驶影响因素。收集和处理了自然驾驶下车辆运行数据,采用统计分析方法研究了货运车辆运行特征,包括驾车时长、驾驶发生时间、平均速度、危险发生次数等参数分布情况以及两两参数之间的相关性。一方面说明货运车辆驾驶员疲劳驾驶的严重性,另一方面提取与疲劳驾驶相关的车辆运行参数。（2）人脸检测与人脸特征点检测。首先分析总结了人脸检测和人脸特征点检测常用的方法;然后选取方向梯度直方图（Histogram of Oriented Gradient,HOG）特征和线性支持向量机（Support Vector Machines,SVM）算法完成人脸检测,克服了由于光照、偏头、人脸部分遮挡等造成不能准确检测出人脸的问题;最后建立基于级联回归树（Ensemble of Regression Trees,ERT）算法的人脸特征点检测模型,实现在毫秒级别同时检测出眼睛、嘴巴、鼻子等人脸特征点。（3）疲劳驾驶检测算法设计。设计了基于车辆运行参数与人脸特征融合的疲劳驾驶检测算法,其中参数包括驾车时长、PERCLOS、眨眼频率、闭眼时间、打哈欠次数。驾车时长是统计车辆运行数据获取,眼睛和嘴巴状态是将EAR和MAR值与阈值比较获取。该算法实现了多参数融合检测,当某一参数检测不准确时,可以根据其他参数准确判别疲劳状态,取得较高的准确性。
贾一方[8]（2021）在《多尺度特征人脸检测方法研究》文中进行了进一步梳理人脸检测作为计算机视觉中的重要研究方向之一,得益于硬件设备的进步、深度学习技术的快速发展,其性能也得到了不断的提高。从传统的人脸检测方法发展到现今的基于深度学习的人脸检测方式,不仅仅在检测效果上有了一定的提升,而且在检测速度上有了很大的提高。在人脸检测的应用场景中会存在很多非受限的场景,在这些相对复杂的场景下,对于人脸检测的准确度有着很大的挑战,例如人脸遮挡、人脸模糊和小尺度人脸等。这些环境下的人脸检测存在着一定的难度,这些场景下的检测不仅对检测设备有较为严格的要求,也对检测模型的提升有着迫切的需要。所以人脸检测在这些非受限环境下效果的提升具有重要意义。本文的研究内容主要包括对多尺度特征人脸检测中出现的问题进行分析,对于非受限环境下小脸检测、特殊纵横比人脸等检测问题提出改进策略。本文的主要工作以及创新点如下:1.锚框（Anchor）的设计是本文检测算法中十分重要的一部分,本文基于SSH人脸检测框架,满足有效感受野和等比例间隔原理设计了稠密锚框策略来匹配连续尺寸人脸,以确保多尺度特征人脸的充分检测,提升离散锚框分布情况下人脸召回率。2.很多检测算法在提取卷积层的特征图后没有很好的融合上下文信息,为了解决这一问题,本文受到Inception网络的启发,通过设计增强感受野的方法来提升检测模块中上下文信息的表达能力,这种新的感受野模块可以增强多尺度信息进而对侧脸等特殊尺寸人脸有较好的检测效果。3.综合上述算法设计,完成模型的训练和优化,在FDDB数据集和Wider Face官方数据集上设置实验和对比分析,本算法得到模型在Wider Face官方数据集上进行测试,其easy、medium、hard三个子数据集上,平均准确率分别为0.952、0.946、0.903。为了解决人脸检测中的小尺度人脸检测精度问题,本文设计的锚框匹配策略更好的匹配在原设计锚框尺寸大小之外的人脸,在不增加过多负样本样例的前提下更好的提高人脸检测准确率。将SSH人脸检测中的检测模块替换成本文提出的增强感受野模块,在不损失特征信息的同时增强感受野,进而对复杂人脸特征有着更好的特征表示。本算法在很多非受限场景下有良好的检测效果,整体上提升了检测精度,并且在对于数据集中未标注人脸有良好的检测效果。
屈金山[9]（2021）在《非约束环境下的人脸定位及正脸提取算法研究》文中研究表明非约束环境下的人脸检测易受到环境遮挡、模糊、光线、角度等因素影响,因此多年来一直是一个具有挑战性的课题。近年来随着深度学习的快速发展,凭借目标检测网络强大的特征提取能力以及端到端的学习能力,非约束环境下的人脸检测得到了长足的发展。然而,当前目标检测网络针对密集场景下的小人脸检测仍存在很多困难。此外,当前非约束环境下的人脸检测算法还存在模型复杂,运算量大,难以应用于实时性要求强的应用场合的问题。针对以上问题,本文将YOLOv3算法与分块融合策略相结合,并通过扩展YOLOv3的输出提升其检测范畴实现了同时兼具准确性与运行效率的人脸检测及正脸提取算法,主要研究内容包括:（1）针对当前目标检测算法在小人脸检测中存在的检测难度大的问题,提出了一种YOLOv3和分块-融合策略结合的人脸检测算法;该人脸检测算法将待检测图片通过分块后输入到网络中进行检测,通过分块的方式降低图片的下采样率,从而保留更多的信息,使得小人脸的特征更加清晰,从而提高小人脸的检测精度。（2）针对经典NMS算法在分块-融合策略中的大尺度人脸融合时存在的冗余检测和错误检测,提出了一种改进NMS算法。改进NMS算法将IOU修改为两个检测框重合区域除以待检测框区域,同时设计以检测框面积和得分两个条件来选择最佳检测框。最终改进的NMS算法在有效减少冗余检测以及错误检测的同时提高了算法的整体精度。（3）改进YOLOv3算法,扩展YOLOv3算法的输出,使YOLOv3同时输出人脸边界框和关键点。该算法以目标检测算法YOLOv3预测框左上角的顶点作为基准点,同时预测人脸的五个关键点与该基准点的偏移量,根据模型输出的偏移量得到人脸五个关键点的坐标,实现人脸边界框和关键点的同时输出。（4）为了能够提取非约束环境下的正面人脸区域,提出一种通过人脸关键点分析人脸姿态并获取正脸的算法。该算法通过提取的人脸关键点在预测框中的相对位置分析该人脸是否为正脸,若为正脸则输出,方便后续进行人脸识别。实验表明,本论文提出的分块融合策略算法以及改进NMS算法有效提高了人脸检测精度,扩展的YOLOv3模型能够实现YOLOv3同时预测输出人脸矩形边界框和人脸关键点,所设计的基于关键点的正脸提取算法能够有效捕捉非约束环境下的正脸目标,具有较好的应用价值。
李响[10]（2021）在《基于深度学习的面部疲劳信息检测方法研究与实现》文中提出公安部公布的数据显示,2020年我国汽车保有量高达3.72亿辆。机动车驾驶人达4.56亿人。如此巨大的汽车数量,使得交通事故发生的频率居高不下,根据国家统计局近三年发布的《中国统计年鉴》数据统计,我国交通事故年均死亡人数6.3万,交通事故发生数23.19万次。在这些交通事故中,有超过两成是由疲劳驾驶引起的,因此设计并实现一个高效的疲劳检测方法对预防疲劳驾驶有着重要意义。本文使用计算机视觉技术,设计并实现了一个可靠的实时疲劳检测方法,这种方法成本低,效率高,且与驾驶员无接触,不会影响驾驶员正常驾驶。目前国内外使用计算机视觉技术的疲劳检测主要是利用单一特征作出判断的,分别是以眨眼或打哈欠的次数作为判断是否疲劳的依据,这种检测方法局限性太强,且仅以次数作为判断依据,可靠性不高。为提升检测方法的可靠性,本文采用多特征综合判断的方法进行疲劳检测,除以眨眼和打哈欠作为特征外,本文提出以头部姿态特征作为判断依据,用来判断是否存在因瞌睡而点头的行为,以此设计并实现一个高效,可靠的疲劳检测方法。本文以基于Haar-Like特征的Ada Boost结构训练人脸检测工具,并采用多任务级联卷积神经网络,以此方法进行人脸30个关键点定位工具的训练,实现了对驾驶员面部特征点的稳定定位。同时,本文提出融入头部疲劳特征的综合判断方法,头部疲劳特征主要是点头这一行为,体现在头部姿态上的变化为头部俯角增大,因此判断过程中需要获取头部姿态信息,引入此特征,为疲劳检测提供了一种新的想法。并且,经研究发现,绝大多数以眨眼为特征的疲劳检测方法,仅仅是以一段时间内眨眼的次数作为判断是否疲劳的依据,这种判断策略过于简单,本文在受到PERCLOS判断指标的启发,提出一种新的判别方法,用以区分正常眨眼和疲劳眨眼,以疲劳眨眼的次数作为眼部疲劳特征,综合打哈欠的嘴部疲劳特征和点头的头部疲劳特征判断,实现多特征的综合检测,当某一特征失效时,该检测方法仍能够正常检测疲劳。
二、人脸检测和定位方法研究（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、人脸检测和定位方法研究（论文提纲范文）
（1）局部生成人脸检测及定位算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 全局伪造人脸检测算法研究 |
| 1.2.2 图像拼接篡改定位算法研究 |
| 1.3 主要工作和内容安排 |
| 1.3.1 主要工作 |
| 1.3.2 内容安排 |
| 1.4 本章小结 |
| 第二章 相关知识介绍 |
| 2.1 卷积神经网络 |
| 2.1.1 深度可分离卷积 |
| 2.1.2 全卷积神经网络 |
| 2.1.3 R-CNN系列 |
| 2.2 注意力机制模块 |
| 2.3 去噪操作模块 |
| 2.4 本章小结 |
| 第三章 基于改进Xception的局部生成人脸检测算法 |
| 3.1 Xception |
| 3.2 提出的局部生成人脸检测算法 |
| 3.2.1 多尺度特征提取 |
| 3.2.2 多层次特征决策 |
| 3.2.3 提出模型的框架 |
| 3.3 实验结果与分析 |
| 3.3.1 LGGF实验数据集构造 |
| 3.3.2 实验设置 |
| 3.3.3 性能测试与结果 |
| 3.3.4 分析与讨论 |
| 3.4 本章小结 |
| 第四章 融合RRU-Net和去噪操作模块的局部生成人脸鲁棒定位算法 |
| 4.1 RRU-Net |
| 4.2 提出的局部生成人脸定位算法 |
| 4.2.1 环状残差及去噪操作模块 |
| 4.2.2 损失函数 |
| 4.2.3 提出模型的框架 |
| 4.3 实验结果与分析 |
| 4.3.1 实验设置 |
| 4.3.2 性能测试与分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（2）基于深度学习的跨域行人再识别方法（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 行人检测 |
| 1.2.2 行人再识别 |
| 1.2.3 人脸识别 |
| 1.3 本文主要研究内容与结构安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 结构安排 |
| 2 基于RetinaNet算法改进的行人检测 |
| 2.1 基于RetinaNet的行人检测 |
| 2.1.1 网络模型 |
| 2.1.2 损失函数Focal Loss |
| 2.2 结合通道交互机制的行人检测 |
| 2.2.1 通道交互模块ECA |
| 2.2.2 基于通道交互机制改进后的网络框架 |
| 2.3 不同非极大值抑制下的行人检测 |
| 2.3.1 非极大值抑制NMS |
| 2.3.2 软化非极大值抑制Soft-NMS |
| 2.4 实验与结果分析 |
| 2.4.1 数据集与评估指标 |
| 2.4.2 实验环境及参数设置 |
| 2.4.3 实验过程及结果分析 |
| 2.5 本章小结 |
| 3 基于AlignedReID++改进的行人再识别 |
| 3.1 基于AlignedReID++的行人再识别 |
| 3.2 基于联合归一化策略改进的行人再识别 |
| 3.2.1 实例归一化和批归一化 |
| 3.2.2 基于联合归一化策略改进的特征提取网络 |
| 3.3 结合特征空间分组策略改进的行人再识别 |
| 3.3.1 特征空间分组模块SGE |
| 3.3.2 网络框架 |
| 3.4 实验与结果分析 |
| 3.4.1 数据集与评估指标 |
| 3.4.2 实验环境及参数设置 |
| 3.4.3 实验过程及结果分析 |
| 3.5 本章小结 |
| 4 基于Mobile FaceNet网络改进的人脸识别 |
| 4.1 基于DSFD的人脸检测 |
| 4.1.1 网络结构 |
| 4.1.2 损失函数 |
| 4.2 基于Mobile FaceNet的人脸识别 |
| 4.2.1 网络结构 |
| 4.2.2 损失函数 |
| 4.3 基于风格特征融合策略改进的人脸识别 |
| 4.3.1 风格特征重校准模块SRM |
| 4.3.2 网络结构设计 |
| 4.4 实验与结果分析 |
| 4.4.1 数据集及数据预处理 |
| 4.4.2 实验环境及参数设置 |
| 4.4.3 实验过程及结果分析 |
| 4.5 本章小结 |
| 5 基于图像的行人再识别软件实现 |
| 5.1 开发环境与界面设计 |
| 5.1.1 开发环境 |
| 5.1.2 界面设计 |
| 5.2 软件功能实现 |
| 5.2.1 行人检测 |
| 5.2.2 行人再识别 |
| 5.2.3 同行人分析 |
| 5.2.4 人脸检测 |
| 5.2.5 人脸识别 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（3）基于人工智能的D物流园区人员定位管理系统研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 研究现状 |
| 1.2.1 大型物流园区人员定位技术研究现状分析 |
| 1.2.2 基于人工智能的人脸识别技术研究现状分析 |
| 1.2.3 国内外研究现状评述 |
| 1.3 研究内容 |
| 1.4 研究技术路线 |
| 1.5 本研究的关键问题 |
| 1.6 本章小结 |
| 第2章 相关技术研究基础 |
| 2.1 图像识别与定位概述 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积神经网络的特点 |
| 2.2.2 卷积神经网络的基本结构 |
| 2.2.3 卷积神经网络的训练过程 |
| 2.3 Caffe深度学习框架 |
| 2.4 本章小结 |
| 第3章 基于人工智能的身份识别算法研究 |
| 3.1 人脸识别流程 |
| 3.2 基于SSD卷积神经网络的人脸检测 |
| 3.2.1 SSD卷积神经网络的实现原理 |
| 3.2.2 基于SSD卷积神经网络的人脸检测流程 |
| 3.2.3 模型训练 |
| 3.3 基于Face Net的人脸识别算法 |
| 3.3.1 Face Net算法原理 |
| 3.3.2 Face Net算法流程图 |
| 3.3.3 Face Net模型训练 |
| 3.3.4 Face Net人脸识别模型测试 |
| 3.4 本章小结 |
| 第4章 物流园区人员定位管理系统实现 |
| 4.1 设计背景 |
| 4.2 需求分析 |
| 4.2.1 问题分析 |
| 4.2.2 拟定定位管理思路 |
| 4.3 系统需求说明 |
| 4.3.1 目的和范围 |
| 4.3.2 功能需求 |
| 4.3.3 性能需求 |
| 4.3.4 数据规格 |
| 4.4 人员定位管理系统设计 |
| 4.4.1 系统逻辑架构设计 |
| 4.4.2 系统网络结构设计 |
| 4.4.3 系统功能结构设计 |
| 4.4.4 数据库设计 |
| 4.5 人员定位管理系统各模块实现 |
| 4.5.1 人员信息管理模块实现 |
| 4.5.2 人员定位管理模块实现 |
| 4.5.3 轨迹查询模块实现 |
| 4.5.4 安全管理模块实现 |
| 4.6 本章小结 |
| 第5章 系统测试与分析 |
| 5.1 系统环境 |
| 5.1.1 硬件环境 |
| 5.1.2 软件环境 |
| 5.2 系统功能测试 |
| 5.3 系统性能测试 |
| 5.3.1 识别率测试 |
| 5.3.2 延迟测试 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（4）基于深度学习的人脸检测与分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人脸检测 |
| 1.2.2 人脸关键点定位 |
| 1.2.3 跨模态人脸识别 |
| 1.3 研究内容及章节安排 |
| 第2章 基于深度学习的人脸相关技术介绍 |
| 2.1 人脸相关数据集 |
| 2.1.1 人脸检测数据集 |
| 2.1.2 人脸关键点及属性识别数据集 |
| 2.1.3 跨模态人脸识别数据集 |
| 2.2 人脸分析系统视觉方法 |
| 2.2.1 人脸分析系统整体框架 |
| 2.2.2 人脸检测方法介绍 |
| 2.3 跨模态人脸识别方法介绍 |
| 2.3.1 基于特征提取的跨模态人脸识别方法介绍 |
| 2.3.2 基于图像生成的跨模态人脸识别方法介绍 |
| 第3章 监控场景下人脸检测与分析的一体化算法 |
| 3.1 前言 |
| 3.2 多任务异构级联卷积神经网络 (MHCNN) |
| 3.2.1 概述 |
| 3.2.2 基于SSD的人脸检测器 |
| 3.2.3 多任务小型CNN |
| 3.3 FaceA和FaceQ数据集 |
| 3.4 实验细节与结果分析 |
| 3.4.1 实现细节 |
| 3.4.2 人脸检测任务评估 |
| 3.4.3 人脸属性识别分析 |
| 3.4.4 人脸质量评估分析 |
| 3.5 算法性能分析 |
| 3.6 本章小结 |
| 第4章 基于图像生成的人脸跨模态识别 |
| 4.1 前言 |
| 4.2 人脸局部监督生成对抗网络 (GCF-GAN) |
| 4.2.1 概述 |
| 4.2.2 GCF-GAN基于Mask的全局-局部约束 |
| 4.3 热红外-可见光数据集SIAT IR-VIS 1.0 |
| 4.4 实验与结果分析 |
| 4.4.1 实现细节 |
| 4.4.2 在CASIA NIR-VIS 2.0 数据集上的实验结果 |
| 4.4.3 在SIAT IR-VIS 1.0 数据集上的实验结果 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
| 致谢 |
（5）基于小程序的人脸检测和关键点定位技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 论文主要研究工作 |
| 1.3 论文基本结构 |
| 第二章 相关技术概述 |
| 2.1 卷积神经网络 |
| 2.2 目标检测技术 |
| 2.3 人脸关键点定位技术 |
| 2.4 卷积神经网络压缩与提速 |
| 2.4.1 轻量化卷积计算 |
| 2.4.2 轻量化网络结构 |
| 2.4.3 模型压缩技术 |
| 2.5 小程序技术 |
| 2.5.1 小程序与Web的区别 |
| 2.5.2 原生组件 |
| 2.5.3 WebGL技术 |
| 2.6 本章小结 |
| 第三章 系统需求分析与概要设计 |
| 3.1 需求分析 |
| 3.1.1 小程序人脸检测和关键点定位网络的设计与实现 |
| 3.1.2 小程序人脸关键点检测系统的核心功能 |
| 3.2 系统概要设计 |
| 3.2.1 小程序人脸检测和关键点定位网络的设计与实现 |
| 3.2.2 小程序人脸关键点检测系统的核心功能 |
| 3.3 本章小结 |
| 第四章 小程序端人脸关键点检测系统的实现 |
| 4.1 轻量级人脸检测网络的设计与实现 |
| 4.1.1 问题描述 |
| 4.1.2 改进方案 |
| 4.1.3 人脸检测网络的训练 |
| 4.2 轻量级人脸关键点定位网络的设计与实现 |
| 4.2.1 问题描述 |
| 4.2.2 改进方案 |
| 4.2.3 人脸关键点定位网络的训练 |
| 4.3 模型的加速与压缩 |
| 4.3.1 量化权重编码 |
| 4.3.2 特征通道压缩 |
| 4.4 人脸关键点检测系统核心功能的小程序实现 |
| 4.4.1 小程序开发环境搭建 |
| 4.4.2 卷积神经网络的小程序端部署 |
| 4.4.3 核心功能的实现 |
| 4.5 本章小结 |
| 第五章 系统测试与实验分析 |
| 5.1 测试目标与测试环境 |
| 5.1.1 测试目标 |
| 5.1.2 测试环境 |
| 5.2 小程序人脸关键点检测系统功能测试 |
| 5.2.1 模型加载模块 |
| 5.2.2 视频流获取模块 |
| 5.2.3 人脸关键点的检测 |
| 5.2.4 小程序人脸关键点检测鲁棒性测试 |
| 5.3 小程序人脸关键点检测系统性能测试 |
| 5.3.1 人脸检测算法性能测试 |
| 5.3.2 关键点定位算法精度测试 |
| 5.3.3 系统整体性能测试 |
| 5.4 应用展示 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者攻读学位期间发表的学术论文目录 |
（6）基于表情分析的在线课堂状态监测系统研究与实践（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题的背景及意义 |
| 1.2 研究现状 |
| 1.2.1 课堂状态相关研究现状 |
| 1.2.2 疲劳检测相关研究现状 |
| 1.3 研究内容 |
| 1.4 本文组织结构 |
| 第2章 相关理论介绍 |
| 2.1 人脸识别技术理论 |
| 2.1.1 人脸检测技术的原理 |
| 2.1.2 人脸识别技术的原理 |
| 2.2 卷积神经网络理论 |
| 2.2.1 人工神经网络 |
| 2.2.2 卷积神经网络结构 |
| 2.2.3 卷积神经网络的训练 |
| 2.3 疲劳检测 |
| 2.4 本章小结 |
| 第3章 基于改进MTCNN的人脸检测方法 |
| 3.1 模型的人脸检测过程 |
| 3.2 基于多模板的高斯金字塔预处理 |
| 3.3 网络结构的优化加速 |
| 3.4 MT-Siam模型 |
| 3.4.1 Siam判定因子 |
| 3.4.2 MT-Siam模型 |
| 3.5 实验 |
| 3.5.1 图像预处理方式比较 |
| 3.5.2 网络优化效果比较 |
| 3.5.3 Siam因子效果比较 |
| 3.6 本章小结 |
| 第4章 基于改进AlexNet网络结构的人脸识别方法 |
| 4.1 传统的AlexNet网络结构 |
| 4.2 Triplet loss损失函数 |
| 4.3 基于改进Triplet loss的 AlexNet网络结构 |
| 4.4 实验 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果分析 |
| 4.5 本章小结 |
| 第5章 在线课堂状态分类模型 |
| 5.1 学生课堂状态分析 |
| 5.2 基于SVM的课堂状态分类模型 |
| 5.2.1 基于级联卷积神经网络的面部表情特征提取 |
| 5.2.2 基于SVM的课堂状态分类 |
| 5.3 改进的VGGNet课堂状态分类模型 |
| 5.3.1 VGGNet网络模型 |
| 5.3.2 VGGNet-O课堂状态分类模型 |
| 5.4 实验 |
| 5.4.1 实验设置 |
| 5.4.2 实验结果分析 |
| 5.5 本章小结 |
| 第6章 在线课堂状态监测系统设计与实践 |
| 6.1 系统总体设计 |
| 6.1.1 系统需求分析 |
| 6.1.2 系统设计思路 |
| 6.1.3 系统工作流程 |
| 6.2 系统UML用例图 |
| 6.2.1 Web客户端用例图 |
| 6.2.2 服务器端用例图 |
| 6.3 数据库设计 |
| 6.3.1 数据库E-R图 |
| 6.3.2 数据库表设计 |
| 6.4 系统设计与实践 |
| 6.4.1 服务器端 |
| 6.4.2 Web学生端 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 研究总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 在校期间科研成果 |
（7）货运车辆疲劳驾驶检测方法研究（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 国内外研究现状 |
| 1.2.1 疲劳驾驶定义及影响因素 |
| 1.2.2 货运车辆疲劳研究现状 |
| 1.2.3 疲劳状态判别研究现状 |
| 1.3 研究现状总结 |
| 1.4 研究内容及思路 |
| 第2章 货运车辆疲劳驾驶影响因素 |
| 2.1 货运车辆运行数据处理及相关定义 |
| 2.1.1 数据收集及处理 |
| 2.1.2 运行特征相关定义 |
| 2.2 单个参数统计分析 |
| 2.2.1 每次驾车统计分析 |
| 2.2.2 每天驾车统计分析 |
| 2.3 各参数相关性分析 |
| 2.4 本章小结 |
| 第3章 人脸检测与人脸特征点检测 |
| 3.1 人脸检测概述 |
| 3.2 基于HOG+线性SVM算法人脸检测 |
| 3.2.1 特征提取 |
| 3.2.2 分类计算 |
| 3.2.3 检测器训练及实现 |
| 3.2.4 检测结果与分析 |
| 3.3 人脸特征点检测概述 |
| 3.3.1 眼部定位常用方法 |
| 3.3.2 嘴部定位常用方法 |
| 3.4 基于级联回归树人脸特征点检测 |
| 3.4.1 模型建立 |
| 3.4.2 特征点搜索拟合 |
| 3.4.3 检测器训练及实现 |
| 3.4.4 检测结果与分析 |
| 3.5 本章小结 |
| 第4章 基于人脸和车辆运行参数的疲劳状态检测 |
| 4.1 基于眼部特征疲劳检测 |
| 4.1.1 检测原理 |
| 4.1.2 眼睛横纵比计算 |
| 4.1.3 PERCLOS检测 |
| 4.1.4 眨眼检测 |
| 4.2 基于嘴部特征疲劳检测 |
| 4.3 基于人脸和车辆运行参数的疲劳状态检测 |
| 4.3.1 检测标准 |
| 4.3.2 检测流程 |
| 4.3.3 检测结果与分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（8）多尺度特征人脸检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状和分析 |
| 1.2.1 基于锚框的检测 |
| 1.2.2 基于anchor-free的密集检测 |
| 1.3 论文研究内容 |
| 1.4 论文结构 |
| 第二章 人脸检测的相关技术介绍 |
| 2.1 引言 |
| 2.2 基于手工设计特征的人脸检测 |
| 2.3 基于卷积神经网络的人脸检测 |
| 2.3.1 卷积神经网络 |
| 2.3.2 卷积层 |
| 2.3.3 池化层 |
| 2.3.4 激活函数层 |
| 2.4 本章小结 |
| 第三章 高召回率人脸检测算法 |
| 3.1 SSH人脸检测算法 |
| 3.2 人脸检测中的锚框设计 |
| 3.2.1 SSH人脸检测算法中锚框设计 |
| 3.2.2 S~3FD人脸检测算法中锚框设计 |
| 3.3 基于锚框的人脸检测方法问题分析 |
| 3.4 多尺度人脸检测的锚框稠密化策略 |
| 3.5 实验与结果分析 |
| 3.6 本章小结 |
| 第四章 感受野增强的人脸检测算法 |
| 4.1 Inception模型 |
| 4.1.1 Inception-V1 |
| 4.1.2 Inception V2 |
| 4.1.3 Inception V3 |
| 4.1.4 Inception V4 |
| 4.2 人脸检测感受野模块分析 |
| 4.2.1 感受野辅助小尺度人脸的意义 |
| 4.2.2 特殊横纵比人脸检测问题 |
| 4.3 感受野增强模块设计 |
| 4.4 实验对比与分析 |
| 4.4.1 数据处理和实验设置 |
| 4.4.2 实验结果对比和分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 方法的不足与未来展望 |
| 参考文献 |
| 致谢 |
（9）非约束环境下的人脸定位及正脸提取算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题依据与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第2章 相关理论知识 |
| 2.1 深度学习与卷积神经网络 |
| 2.1.1 卷积神经网络 |
| 2.1.2 基于深度学习的视觉目标检测 |
| 2.2 YOLOv3目标检测算法 |
| 2.2.1 YOLO系列算法简介 |
| 2.2.2 YOLOv3目标检测原理 |
| 2.2.3 YOLOv3模型的训练 |
| 2.2.4 YOLOv3模型实验与分析 |
| 2.3 本章小结 |
| 第3章 基于分块-融合策略的大跨度尺度下的人脸检测 |
| 3.1 YOLOv3与分块融合策略相结合的人脸检测 |
| 3.2 提升精度的NMS改进算法 |
| 3.3 实验与结果分析 |
| 3.3.1 数据准备 |
| 3.3.2 实验结果与分析 |
| 3.4 本章小结 |
| 第4章 人脸定位及关键点检测与正脸提取算法 |
| 4.1 基于YOLOv3改进算法的人脸定位与人脸关键点同步提取 |
| 4.1.1 用于面部特征点检测的YOLOv3输出扩展 |
| 4.1.2 YOLOv3模型关键点损失函数设计 |
| 4.2 基于关键特征点的人脸姿态估计算法 |
| 4.3 实验与结果分析 |
| 4.3.1 数据准备 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（10）基于深度学习的面部疲劳信息检测方法研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与问题提出 |
| 1.2 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 研究目标与意义 |
| 1.4 研究内容 |
| 1.5 论文结构安排 |
| 第2章 相关理论与技术支撑 |
| 2.1 模板匹配 |
| 2.2 基于Haar-Like的 AdaBoost框架 |
| 2.3 深度学习框架 |
| 2.3.1 Cascade CNN |
| 2.3.2 MTCNN |
| 第3章 疲劳检测的模型构建和检测方法 |
| 3.1 人脸检测模型 |
| 3.2 关键点定位模型 |
| 3.2.1 模型整体结构 |
| 3.2.2 网络架构 |
| 3.2.3 训练数据集 |
| 3.3 头部姿态检测模型 |
| 3.3.1 旋转矩阵 |
| 3.3.2 欧拉角 |
| 3.4 疲劳检测方法 |
| 3.4.1 眼部疲劳特征判断 |
| 3.4.2 嘴部疲劳特征判断 |
| 3.4.3 头部姿态疲劳特征判断 |
| 第4章 疲劳检测方法实验 |
| 4.1 检测流程 |
| 4.2 检测环境搭建 |
| 4.3 实验结果及分析 |
| 4.3.1 人脸检测和关键点定位 |
| 4.3.2 疲劳特征判断 |
| 4.3.3 整体测试分析 |
| 第5章 疲劳检测系统设计与实现 |
| 5.1 系统需求分析 |
| 5.1.1 功能需求 |
| 5.1.2 其他需求 |
| 5.2 系统概要设计 |
| 5.2.1 系统的功能模块设计 |
| 5.2.2 系统的工作流程设计 |
| 5.3 系统详细设计 |
| 5.3.1 功能界面设计 |
| 5.3.2 代码实现 |
| 5.4 系统测试 |
| 5.4.1 测试方法 |
| 5.4.2 测试结果 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
四、人脸检测和定位方法研究（论文参考文献）
- [1]局部生成人脸检测及定位算法研究[D]. 鞠兴旺. 南京信息工程大学, 2021(01)
- [2]基于深度学习的跨域行人再识别方法[D]. 张子昊. 中国人民公安大学, 2021(12)
- [3]基于人工智能的D物流园区人员定位管理系统研究与应用[D]. 张玉刚. 山东财经大学, 2021(12)
- [4]基于深度学习的人脸检测与分析[D]. 郭达. 中国科学院大学(中国科学院深圳先进技术研究院), 2021(08)
- [5]基于小程序的人脸检测和关键点定位技术的研究[D]. 刘一人. 北京邮电大学, 2021(01)
- [6]基于表情分析的在线课堂状态监测系统研究与实践[D]. 黄济川. 四川师范大学, 2021(12)
- [7]货运车辆疲劳驾驶检测方法研究[D]. 王仕卿. 吉林大学, 2021(01)
- [8]多尺度特征人脸检测方法研究[D]. 贾一方. 吉林大学, 2021(01)
- [9]非约束环境下的人脸定位及正脸提取算法研究[D]. 屈金山. 三峡大学, 2021(01)
- [10]基于深度学习的面部疲劳信息检测方法研究与实现[D]. 李响. 东北师范大学, 2021(12)