本文選題：人臉檢測 + 多視點(diǎn)　； 參考：《深圳大學(xué)》2017年碩士論文

【摘要】：社會治安一直是民生生活中一大難題。而對于人口密集,流動性大的城市,治安問題更為嚴(yán)重。出于電子技術(shù)的發(fā)展,各種社會治安場合已經(jīng)安裝了攝像頭進(jìn)行監(jiān)控,籍此緩解治安壓力。事發(fā)后,視頻資料是可提供破案線索的重要信息。即便如此,視頻資料的人臉信息收集仍然需要人力資源。通過電腦檢測則可以很好的自動化這一過程,但對于檢測技術(shù)來說,一些特殊情景仍然難以處理:比如對于非完整目標(biāo)的檢測;再比如從設(shè)施安放來看,攝像頭的位置可能被人為移動,造成旋轉(zhuǎn)、部分遮擋等等也會對檢測的效果造成干擾。以往的檢測方式在直立的臉檢測較好,而對發(fā)生旋轉(zhuǎn)、部分遮擋的目標(biāo)檢測效果則不好。出于此類原因,本文訓(xùn)練了一個(gè)在旋轉(zhuǎn)、遮擋方面有較強(qiáng)適應(yīng)性的檢測器。在視頻檢測中利用視頻的時(shí)空間一致性信息改進(jìn)檢測效果,并訓(xùn)練了一個(gè)卷積神經(jīng)網(wǎng)絡(luò)用來估計(jì)不同視點(diǎn)下的人臉姿態(tài)。具體貢獻(xiàn)如下:首先,本文基于卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練了一個(gè)人臉檢測器,并對其進(jìn)行了優(yōu)化改進(jìn)。優(yōu)化網(wǎng)絡(luò)模型設(shè)計(jì),減少需要學(xué)習(xí)的參數(shù)量。利用樣本擴(kuò)充技術(shù)、改善樣本分布提高學(xué)習(xí)效果。引入非完整的人臉作為弱正樣本,以解決遮擋問題。對于弱正樣本與正樣本得分相同而使得依賴得分和重疊率的非極大值抑制算法失效的問題,本文提出利用不均衡樣本的策略去增強(qiáng)正樣本的分值。其次,視頻中存在運(yùn)動模糊、遮擋、形態(tài)變化、光照變化等,僅僅使用圖片檢測手段不能取得很好的效果。本文利用視頻的特性如時(shí)空間一致性、運(yùn)動場等信息,平滑檢測效果,與未利用視頻特性的檢測器在效果上進(jìn)行對比。再者,對于多視點(diǎn)問題,不同視點(diǎn)下所觀察到人類的姿態(tài)有著不同的俯仰、朝向、旋轉(zhuǎn)。傳統(tǒng)的姿態(tài)評估方法通常是通過回歸的方法得到人臉的一些關(guān)鍵點(diǎn)的位置,如眼睛、鼻子、嘴巴,然后用一個(gè)3D的人臉模型的不同姿態(tài)下的2D投影使得模型上的關(guān)鍵點(diǎn)與2D投影中的關(guān)鍵點(diǎn)盡可能的匹配,以此來得到人臉的姿態(tài)。本文訓(xùn)練一個(gè)卷積神經(jīng)網(wǎng)絡(luò),直接得到人臉的姿態(tài),避免了制作3D模型、與3D模型進(jìn)行匹配的過程。
[Abstract]:Social security has always been a major problem in people's livelihood. For densely populated, mobile cities, the security problem is even more serious. Due to the development of electronic technology, cameras have been installed in various social security situations to relieve the pressure of public order. After the incident, video data can provide clues to solve the case important information. Even so, the face information collection of video data still needs human resources. Computer testing is a good way to automate this process, but for detection techniques, some particular scenarios are still difficult to handle: for example, detection of non-complete targets, or, from the point of view of facility placement, The position of the camera may be moved artificially, causing rotation, partial occlusion and so on. In the past, the detection method was better in upright face, but bad in target detection with rotation and partial occlusion. For this reason, we have trained a detector with strong adaptability in rotation and occlusion. In video detection, the temporal and spatial consistency information of video is used to improve the detection effect, and a convolution neural network is trained to estimate the face pose at different viewpoints. The specific contributions are as follows: firstly, a human face detector is trained based on convolutional neural network and optimized. Optimization of network model design to reduce the number of parameters to learn. Using the technique of sample expansion to improve the distribution of samples and improve the learning effect. In order to solve the occlusion problem, a nonholonomic face is introduced as a weak positive sample. For the problem that the weak positive sample has the same score as the positive sample and makes the non-maximum suppression algorithm dependent on score and overlap rate invalid, this paper proposes a strategy of using unbalanced samples to enhance the score of positive samples. Secondly, there are motion blur, occlusion, morphological changes, illumination changes and so on in the video. Only using image detection methods can not achieve good results. In this paper, the features of video, such as time-space consistency, sports field and other information, are used to smooth the detection effect, and compared with the detector without video characteristics. Furthermore, for the multi-view problem, the human attitude observed at different viewpoints has different pitching, orientation and rotation. Traditional attitude assessment methods usually use regression method to get the position of some key points of the face, such as eyes, nose, mouth, Then 2D projection of a 3D face model is used to make the key points of the model match the key points of 2D projection as far as possible to get the pose of human face. In this paper, we train a convolutional neural network to get face pose directly and avoid the process of making 3D model and matching 3D model.
【學(xué)位授予單位】：深圳大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 饒鮮;楊紹全;魏青;董春曦;;基于熵的入侵檢測特征參數(shù)選擇[J];系統(tǒng)工程與電子技術(shù);2006年04期

2 王東琦,王長山,林延福;檢測SYN洪水攻擊的動態(tài)模型[J];現(xiàn)代電子技術(shù);2004年23期

3 周勇林;由林麟;張永錚;;基于命名及解析行為特征的異常域名檢測方法[J];計(jì)算機(jī)工程與應(yīng)用;2011年20期

4 李彬,戴銀濤,胡昌振;Linux下一種入侵檢測特征提取及規(guī)則制定方法[J];計(jì)算機(jī)安全;2003年11期

5 曹政;入侵檢測技術(shù),雞肋還是機(jī)會?——入侵檢測的幾個(gè)問題和解決途徑[J];網(wǎng)絡(luò)安全技術(shù)與應(yīng)用;2003年04期

6 孟磊;劉勝利;劉龍;陳嘉勇;孫海濤;;基于心跳行為分析的木馬快速檢測方法[J];計(jì)算機(jī)工程;2012年14期

7 張小兵,葉新銘,石立新;入侵檢測中的告警分析研究[J];內(nèi)蒙古大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年05期

8 蔣宗華;劉軍;;基于動態(tài)克隆選擇的入侵檢測及其搜索核特征的研究[J];電腦與信息技術(shù);2006年06期

9 胡建康;徐震;馬多賀;楊婧;;基于決策樹的Webshell檢測方法研究[J];網(wǎng)絡(luò)新媒體技術(shù);2012年06期

10 黎利輝;;基于遺傳模擬退火算法的入侵檢測特征選擇研究[J];計(jì)算機(jī)安全;2010年07期

相關(guān)重要報(bào)紙文章 前1條

1 金婉霞 本報(bào)記者 王春;檢測H7N9 僅需兩小時(shí)[N];科技日報(bào);2013年

相關(guān)博士學(xué)位論文 前10條

1 姜德迅;代碼壞味檢測方法研究及重構(gòu)分析[D];哈爾濱工業(yè)大學(xué);2014年

2 任少卿;基于特征共享的高效物體檢測[D];中國科學(xué)技術(shù)大學(xué);2016年

3 許舟軍;基于異常分析的入侵檢測關(guān)鍵技術(shù)研究[D];天津大學(xué);2006年

4 郁繼鋒;基于數(shù)據(jù)挖掘的Web應(yīng)用入侵異常檢測研究[D];華中科技大學(xué);2011年

5 任斐;基于數(shù)據(jù)挖掘的自適應(yīng)異常檢測研究[D];吉林大學(xué);2009年

6 滕少華;基于對象監(jiān)控的分布式協(xié)同入侵檢測[D];廣東工業(yè)大學(xué);2008年

7 李戰(zhàn)春;入侵檢測中的機(jī)器學(xué)習(xí)方法及其應(yīng)用研究[D];華中科技大學(xué);2007年

8 李鴻彬;SIP網(wǎng)絡(luò)中入侵檢測與防御系統(tǒng)關(guān)鍵技術(shù)的研究[D];中國科學(xué)院研究生院（沈陽計(jì)算技術(shù)研究所）;2012年

9 劉長龍;基于側(cè)信道分析的硬件木馬檢測技術(shù)研究[D];天津大學(xué);2013年

10 張福勇;面向惡意代碼檢測的人工免疫算法研究[D];華南理工大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 胥小馬;使用多特征和多線索的駕駛員人臉檢測技術(shù)[D];北京理工大學(xué);2015年

2 李先飛;基于外貌特征的行人檢測方法研究與軟件實(shí)現(xiàn)[D];電子科技大學(xué);2014年

3 劉秋榮;面向代碼壞味檢測的閾值動態(tài)優(yōu)化方法[D];北京理工大學(xué);2016年

4 崔靜靜;基于I-K-Means聚類的樸素貝葉斯HRNB分類算法在入侵檢測中的應(yīng)用研究[D];河南理工大學(xué);2014年

5 成俊;基于人體部件的復(fù)雜場景行人檢測研究[D];南昌航空大學(xué);2016年

6 張瑞琴;基于信息熵聚類的異常檢測方法研究[D];北京交通大學(xué);2016年

7 溫天宇;基于特征選擇的托攻擊檢測研究[D];華僑大學(xué);2016年

8 張宇;復(fù)雜環(huán)境下的行人檢測[D];電子科技大學(xué);2016年

9 瞿志強(qiáng);基于部件模型的復(fù)雜環(huán)境行人檢測技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2014年

10 李來群;視頻中多視點(diǎn)人臉檢測技術(shù)的研究[D];深圳大學(xué);2017年

，

本文編號：1837099