新生兒疼痛自動(dòng)評(píng)估系統(tǒng)能夠及時(shí)有效地幫助醫(yī)護(hù)人員對(duì)新生兒進(jìn)行疼痛評(píng)估,而新生兒面部檢測(cè)與跟蹤是自動(dòng)評(píng)估系統(tǒng)的前提和基礎(chǔ),能夠?yàn)V除疼痛表情識(shí)別過(guò)程中的干擾信息,進(jìn)而提高識(shí)別率。然而,現(xiàn)有的面部檢測(cè)算法都是基于成年人樣本進(jìn)行設(shè)計(jì)的,但是新生兒與成年人之間存在較大的面部特征差異,因此本文利用深度學(xué)習(xí)技術(shù)自適應(yīng)地學(xué)習(xí)適合新生兒面部的特征表達(dá),實(shí)現(xiàn)對(duì)新生兒的面部檢測(cè)和跟蹤,具體工作如下:（1）建立新生兒圖像數(shù)據(jù)庫(kù)。數(shù)據(jù)庫(kù)是進(jìn)行新生兒面部檢測(cè)和跟蹤算法研究的基礎(chǔ),通過(guò)對(duì)采集到的原始新生兒視頻進(jìn)行預(yù)處理操作可建立一個(gè)包含角度、背景以及面部狀態(tài)變化的圖像數(shù)據(jù)庫(kù)。（2）基于改進(jìn)的多層次特征深度學(xué)習(xí)算法的新生兒面部檢測(cè)。本文根據(jù)新生兒面部特征的特點(diǎn),提出了一種改進(jìn)的多層次特征深度學(xué)習(xí)算法,利用多層次特征圖的檢測(cè)方式提升了新生兒面部檢測(cè)的速度或精確率。實(shí)驗(yàn)結(jié)果表明,該算法一方面采用ZFNet基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)作為特征提取層能夠有效提高檢測(cè)速度;另一方面根據(jù)基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)選取合適層次的特征圖可以將檢測(cè)精確率提高至98.2%。（3）基于YOLOv2算法的新生兒面部檢測(cè)。對(duì)新生兒圖像的標(biāo)注框尺寸進(jìn)行K-means聚類能夠... 

【文章來(lái)源】：南京郵電大學(xué)江蘇省

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
專用術(shù)語(yǔ)注釋表
第一章 緒論
    1.1 課題研究背景及意義
    1.2 課題研究現(xiàn)狀
        1.2.1 面部檢測(cè)研究現(xiàn)狀
        1.2.2 面部跟蹤研究現(xiàn)狀
    1.3 新生兒面部檢測(cè)與跟蹤系統(tǒng)的基本流程
    1.4 研究?jī)?nèi)容及章節(jié)安排
        1.4.1 研究?jī)?nèi)容
        1.4.2 章節(jié)安排
第二章 深度學(xué)習(xí)相關(guān)技術(shù)
    2.1 深度學(xué)習(xí)概述
    2.2 深度學(xué)習(xí)基本理論
        2.2.1 感知器模型
        2.2.2 激活函數(shù)
        2.2.3 目標(biāo)函數(shù)
        2.2.4 前向和反向傳播
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.1 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
        2.3.2 卷積神經(jīng)網(wǎng)絡(luò)模型的發(fā)展
    2.4 本章小結(jié)
第三章 基于深度學(xué)習(xí)的新生兒面部檢測(cè)
    3.1 面部檢測(cè)方式介紹
    3.2 基于MTCNN算法的新生兒面部檢測(cè)
        3.2.1 MTCNN算法的網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.2 多任務(wù)協(xié)同訓(xùn)練
    3.3 基于多層次特征深度學(xué)習(xí)算法的新生兒面部檢測(cè)
        3.3.1 多層次特征深度學(xué)習(xí)算法的網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.2 候選區(qū)域的生成
        3.3.3 多層次特征層的選取
    3.4 基于YOLOv2算法的新生兒面部檢測(cè)
        3.4.1 YOLOv2算法的網(wǎng)絡(luò)結(jié)構(gòu)
        3.4.2 細(xì)粒度特征
        3.4.3 維度聚類
    3.5 本章小結(jié)
第四章 新生兒面部跟蹤算法
    4.1 基于KCF算法的新生兒面部跟蹤
        4.1.1 KCF算法的基本框架
        4.1.2 線性嶺回歸
        4.1.3 核空間嶺回歸
    4.2 基于SiamFC算法的新生兒面部跟蹤
        4.2.1 SiamFC算法的基本框架
        4.2.2 模型參數(shù)配置
        4.2.3 孿生網(wǎng)絡(luò)的相似性學(xué)習(xí)
    4.3 本章小結(jié)
第五章 仿真實(shí)驗(yàn)及結(jié)果分析
    5.1 實(shí)驗(yàn)平臺(tái)簡(jiǎn)介
    5.2 實(shí)驗(yàn)數(shù)據(jù)庫(kù)簡(jiǎn)介
        5.2.1 數(shù)據(jù)庫(kù)的建立流程
        5.2.2 數(shù)據(jù)庫(kù)的預(yù)處理
    5.3 新生兒面部檢測(cè)評(píng)價(jià)標(biāo)準(zhǔn)
    5.4 實(shí)驗(yàn)結(jié)果及分析
        5.4.1 新生兒面部檢測(cè)
        5.4.2 新生兒面部跟蹤
    5.5 本章小結(jié)
第六章 總結(jié)與展望
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間撰寫的論文
附錄2 攻讀碩士學(xué)位期間申請(qǐng)的專利
附錄3 攻讀碩士學(xué)位期間參加的科研項(xiàng)目
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別技術(shù)綜述[J]. 景晨凱,宋濤,莊雷,劉剛,王樂(lè),劉凱倫.  計(jì)算機(jī)應(yīng)用與軟件. 2018(01)
[2]目標(biāo)跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識(shí)別與人工智能. 2018(01)
[3]多姿態(tài)人臉識(shí)別綜述[J]. 鄒國(guó)鋒,傅桂霞,李海濤,高明亮,王科俊.  模式識(shí)別與人工智能. 2015(07)
[4]基于聯(lián)合特征的邊緣粒子濾波目標(biāo)跟蹤算法研究[J]. 孟軍英,劉教民,韓明.  計(jì)算機(jī)應(yīng)用研究. 2015(06)
[5]基于多模板匹配的單人臉檢測(cè)[J]. 梁路宏,艾海舟,何克忠.  中國(guó)圖象圖形學(xué)報(bào). 1999(10)
[6]基于區(qū)域特征的快速人臉檢測(cè)法[J]. 盧春雨,張長(zhǎng)水,聞芳,閻平凡.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 1999(01)

碩士論文
[1]基于視頻序列的新生兒疼痛表情識(shí)別系統(tǒng)的研究[D]. 劉陶鴻.南京郵電大學(xué) 2016



本文編號(hào)：3047925