隨著計(jì)算機(jī)和人工智能技術(shù)的迅猛發(fā)展,人臉識(shí)別技術(shù)已取得長(zhǎng)足進(jìn)步。目前多數(shù)人臉識(shí)別系統(tǒng)可以在理想條件下獲得優(yōu)秀的識(shí)別率,但是實(shí)際應(yīng)用發(fā)現(xiàn)人臉識(shí)別系統(tǒng)在非理想條件下的識(shí)別精度和效率不盡人意。一方面,人臉圖像經(jīng)常會(huì)受到多種動(dòng)態(tài)因素的影響,比如光照、表情等,使得人臉識(shí)別技術(shù)的發(fā)展舉步維艱;另一方面,隨著大數(shù)據(jù)時(shí)代的到來(lái),人臉圖像數(shù)據(jù)量不斷攀升,在面對(duì)海量人臉圖像數(shù)據(jù)時(shí),傳統(tǒng)的人臉識(shí)別系統(tǒng)性能低下。針對(duì)上述問(wèn)題,本文主要從人臉對(duì)齊、人臉表示以及人臉?lè)诸愖R(shí)別這三個(gè)方面對(duì)傳統(tǒng)的人臉識(shí)別系統(tǒng)進(jìn)行優(yōu)化和改進(jìn)。本文的研究?jī)?nèi)容與相關(guān)工作如下:（1）面部特征點(diǎn)精確對(duì)齊是魯棒實(shí)用的人臉識(shí)別系統(tǒng)的基本前提,本文在集成回歸樹(shù)算法的基礎(chǔ)上,提出了一種基于NPD特征的集成回歸樹(shù)人臉對(duì)齊算法。首先,通過(guò)引入基于NPD的形狀索引特征,解決了非約束場(chǎng)景下原始像素差值特征抗噪能力弱的問(wèn)題,提升了算法模型的特征表達(dá)能力;其次,使用普氏分析找出估計(jì)人臉形狀與平均形狀之間的相似變換矩陣,為后續(xù)提取不同樣本的像素點(diǎn)特征提供了依據(jù);再者,通過(guò)過(guò)濾式的特征選擇方式,減少候選特征的數(shù)量,提高了模型的計(jì)算效率;最后,借鑒深度二次樹(shù)的思想,設(shè)計(jì)... 

【文章頁(yè)數(shù)】：103 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
Abstract
變量注釋表
1 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 主要工作與研究
    1.4 章節(jié)安排
2 相關(guān)理論與技術(shù)
    2.1 引言
    2.2 集成回歸樹(shù)算法
    2.3 基于Gabor商圖像的光照校正算法
    2.4 k近鄰分類算法
    2.5 分布式計(jì)算技術(shù)
    2.6 本章小結(jié)
3 基于集成回歸樹(shù)的人臉對(duì)齊算法研究
    3.1 引言
    3.2 特征提取
    3.3 特征選擇
    3.4 算法模型構(gòu)建
    3.5 實(shí)驗(yàn)與分析
    3.6 本章小結(jié)
4 基于加權(quán)m-Gabor自商圖的人臉表示算法研究
    4.1 引言
    4.2 加權(quán)m-Gabor自商圖
    4.3 分類器的設(shè)計(jì)
    4.4 實(shí)驗(yàn)與分析
    4.5 本章小結(jié)
5 基于k近鄰的分布式人臉?lè)诸愃惴ㄑ芯?br>    5.1 引言
    5.2 基于聚類中心點(diǎn)的k-NN算法
    5.3 改進(jìn)的k-NN算法并行化
    5.4 實(shí)驗(yàn)與分析
    5.5 本章小結(jié)
6 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 工作展望
參考文獻(xiàn)
作者簡(jiǎn)歷
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]分布式計(jì)算的大數(shù)據(jù)構(gòu)建探析[J]. 王琪.  計(jì)算機(jī)產(chǎn)品與流通. 2019(06)
[2]改進(jìn)型Gabor自商圖算法及其在人臉識(shí)別中的應(yīng)用[J]. 袁小平,崔棋紋,程干,張俠,張毅,王溯源.  計(jì)算機(jī)工程與應(yīng)用. 2020(05)
[3]基于LightGBM改進(jìn)的GBDT短期負(fù)荷預(yù)測(cè)研究[J]. 王華勇,楊超,唐華.  自動(dòng)化儀表. 2018(09)
[4]大數(shù)據(jù)時(shí)代下智能人臉識(shí)別技術(shù)在商業(yè)銀行中的應(yīng)用[J]. 王彥博,高潛,楊璇.  銀行家. 2016(02)
[5]基于形狀參數(shù)回歸的人臉對(duì)齊算法[J]. 彭明超,包姣,葉茂,茍群森,王夢(mèng)偉.  模式識(shí)別與人工智能. 2016(01)
[6]生物特征識(shí)別技術(shù)綜述[J]. 鄭方,艾斯卡爾·肉孜,王仁宇,李藍(lán)天.  信息安全研究. 2016(01)
[7]云計(jì)算模型MapReduce的實(shí)現(xiàn)與安全研究現(xiàn)狀概述[J]. 盧寧,陳澤,董娜.  大眾用電. 2015(S2)
[8]基于Hadoop平臺(tái)的MapReduce的技術(shù)研究[J]. 王鑫.  信息通信. 2015(06)
[9]大數(shù)據(jù):內(nèi)涵、技術(shù)體系與展望[J]. 彭宇,龐景月,劉大同,彭喜元.  電子測(cè)量與儀器學(xué)報(bào). 2015(04)
[10]基于Spark的大數(shù)據(jù)混合計(jì)算模型[J]. 胡俊,胡賢德,程家興.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2015(04)

博士論文
[1]復(fù)雜光照條件下的人臉識(shí)別方法研究[D]. 陳超.浙江大學(xué) 2016
[2]非約束環(huán)境下人臉識(shí)別關(guān)鍵技術(shù)的研究與應(yīng)用[D]. 李全彬.華東師范大學(xué) 2011
[3]可變光照和可變姿態(tài)條件下的人臉圖像識(shí)別研究[D]. 胡元奎.中國(guó)科學(xué)技術(shù)大學(xué) 2006
[4]人臉識(shí)別中若干關(guān)鍵問(wèn)題的研究[D]. 山世光.中國(guó)科學(xué)院研究生院（計(jì)算技術(shù)研究所） 2004

碩士論文
[1]復(fù)雜光照條件下的人臉識(shí)別方法研究[D]. 程干.中國(guó)礦業(yè)大學(xué) 2019
[2]基于云計(jì)算的數(shù)據(jù)挖掘算法并行化研究與實(shí)現(xiàn)[D]. 李星.南京郵電大學(xué) 2018
[3]基于兩階段定位模型的人臉對(duì)齊算法研究[D]. 王峰.浙江大學(xué) 2017
[4]基于隨機(jī)梯度提升決策樹(shù)的行人檢測(cè)算法設(shè)計(jì)與實(shí)現(xiàn)[D]. 王焱.浙江大學(xué) 2017
[5]基于Spark的大數(shù)據(jù)挖掘技術(shù)的研究與實(shí)現(xiàn)[D]. 李文棟.山東大學(xué) 2015
[6]基于Spark的機(jī)器學(xué)習(xí)平臺(tái)設(shè)計(jì)與實(shí)現(xiàn)[D]. 唐振坤.廈門大學(xué) 2014
[7]基于K近鄰的分類算法研究[D]. 桑應(yīng)賓.重慶大學(xué) 2009



本文編號(hào)：3658047