大學(xué)生課堂出勤率低是高校教學(xué)管理的難題,嚴(yán)格的考勤制度可以有效提高出勤率,需要在上課前快速準(zhǔn)確完成并能實(shí)時(shí)記錄學(xué)生參與課堂的情況,有效防止遲到、早退、課堂玩手機(jī)等不良現(xiàn)象,目前的考勤方法多為人工操作,也有少數(shù)研究人員開(kāi)發(fā)人臉識(shí)別系統(tǒng)并應(yīng)用于課堂和會(huì)議考勤;但還存在人臉檢測(cè)召回率較低和低像素人臉識(shí)別失敗的問(wèn)題。單純基于深度學(xué)習(xí)方法的人臉檢測(cè)識(shí)別精度較高,但是需要海量的數(shù)據(jù)資源,更新數(shù)據(jù)庫(kù)繁瑣,對(duì)硬件設(shè)備要求苛刻等;因此,本文針對(duì)大學(xué)生課堂出勤的具體場(chǎng)景,設(shè)計(jì)實(shí)現(xiàn)了一個(gè)基于人臉識(shí)別的考勤系統(tǒng)。本文首先綜述了國(guó)內(nèi)外研究現(xiàn)狀和研究意義,然后針對(duì)課堂學(xué)生考勤過(guò)程中人臉檢測(cè)魯棒性較差的問(wèn)題,在FEI數(shù)據(jù)集的基礎(chǔ)上增加人臉樣本多樣性并與WIDER FACE合并成新的訓(xùn)練集,用于改善MTCNN模型檢測(cè)魯棒性,仿真實(shí)驗(yàn)表明新的訓(xùn)練模型具有更高的人臉檢測(cè)召回率;其次,由于局部二進(jìn)制編碼直方圖算法（LBPH）采用全局特征等比重計(jì)算方式,在多人臉識(shí)別時(shí)正確率不高,提出了基于敏感特征加權(quán)的局部二進(jìn)制編碼直方圖算法（S-LBPH）,并給出敏感特征加權(quán)系數(shù)a的計(jì)算公式、S-LBPH算法流程圖以及算法實(shí)現(xiàn)步驟,本文提... 

【文章來(lái)源】：西南交通大學(xué)四川省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外人臉檢測(cè)識(shí)別研究現(xiàn)狀
        1.2.1 人臉檢測(cè)方法分類匯總
        1.2.2 人臉檢測(cè)研究現(xiàn)狀
        1.2.3 人臉識(shí)別LBPH算法研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容
第2章 基于MTCNN算法的人臉檢測(cè)
    2.1 人臉檢測(cè)算法對(duì)比
    2.2 MTCNN算法結(jié)構(gòu)及訓(xùn)練
        2.2.1 人臉檢測(cè)二分類問(wèn)題
        2.2.2 邊界回歸向量問(wèn)題
        2.2.3 五官特征定位問(wèn)題
    2.3 MTCNN工作原理及過(guò)程
    2.4 實(shí)驗(yàn)仿真以及提高訓(xùn)練模型魯棒性
    2.5 本章小結(jié)
第3章 基于S-LBPH算法的人臉識(shí)別
    3.1 LBPH算法原理介紹
        3.1.1 圓形濾波器計(jì)算模型
        3.1.2 圖像旋轉(zhuǎn)不變性
        3.1.3 統(tǒng)計(jì)直方圖抽象特征
        3.1.4 相似度計(jì)算
    3.2 LBPH算法實(shí)驗(yàn)仿真
        3.2.1 光照魯棒性實(shí)驗(yàn)仿真
        3.2.2 局部紋理直方圖實(shí)驗(yàn)仿真
        3.2.3 人臉相似度計(jì)算實(shí)驗(yàn)仿真
    3.3 LBPH算法改進(jìn)
        3.3.1 最鄰近插值取代鄰域平均值
        3.3.2 基于敏感特征加權(quán)的相似度對(duì)比
        3.3.3 人臉識(shí)別正確率測(cè)試對(duì)比
    3.4 本章小結(jié)
第4章 基于SRCNN算法的圖像超分辨率重建
    4.1 低像素人臉檢測(cè)識(shí)別
        4.1.1 低像素圖像產(chǎn)生及影響
        4.1.2 低像素圖像目標(biāo)檢測(cè)識(shí)別處理方法
    4.2 SRCNN算法原理及實(shí)驗(yàn)仿真
        4.2.1 SRCNN算法結(jié)構(gòu)及原理
        4.2.2 SRCNN算法實(shí)驗(yàn)仿真
        4.2.3 SRCNN算法局部?jī)?yōu)化
    4.3 SRCNN在低像素圖像檢測(cè)識(shí)別中應(yīng)用
        4.3.1 基于SRCNN和 MTCNN的人臉檢測(cè)
        4.3.2 基于SRCNN和 LBPH的人臉識(shí)別
    4.4 本章小結(jié)
第5章 課堂考勤場(chǎng)景的多算法結(jié)合實(shí)現(xiàn)
    5.1 限制人臉條件下的學(xué)生檢測(cè)識(shí)別
        5.1.1 高像素人臉圖像檢測(cè)識(shí)別
        5.1.2 低像素人臉圖像檢測(cè)識(shí)別
    5.2 非限制人臉條件下的學(xué)生檢測(cè)識(shí)別
    5.3 本章小結(jié)
總結(jié)
致謝
參考文獻(xiàn)
攻讀碩士期間發(fā)表的論文及參與的科研項(xiàng)目



本文編號(hào)：3156276