人臉識(shí)別作為生物特征識(shí)別技術(shù)中的典范,在人們生活中的許多領(lǐng)域都有著良好的應(yīng)用前景。人臉識(shí)別在數(shù)十年的研究里,已經(jīng)取得了很大的進(jìn)步。目前在簡(jiǎn)單且固定的條件下人臉識(shí)別可以達(dá)到較高的準(zhǔn)確率,但是在復(fù)雜條件下人臉識(shí)別仍然是一個(gè)非常具有挑戰(zhàn)性的課題。人臉檢測(cè)與人臉特征提取容易受到背景、光照、姿態(tài)、遮擋、表情等因素的影響,從而導(dǎo)致識(shí)別率的穩(wěn)定性不高且算法效率較低,因此研究出魯棒性高且效率較高的人臉檢測(cè)與特征提取算法具有十分重要的意義,主要工作如下:（1）介紹本文的課題背景和研究意義,調(diào)研并分析國(guó)內(nèi)外關(guān)于人臉識(shí)別的研究現(xiàn)狀,闡述人臉識(shí)別過程中三個(gè)主要步驟以及在每個(gè)步驟中所用到的機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)模型等相關(guān)技術(shù),對(duì)目前的主流算法存在的問題進(jìn)行分析。（2）卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）對(duì)于復(fù)雜背景下的人臉檢測(cè)具有較好的效果,但是在檢測(cè)過程中滑動(dòng)窗口法帶來的窗口數(shù)目較多,使得算法的計(jì)算復(fù)雜度較高,另外在卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程中,由于隨機(jī)初始化和激活函數(shù)的缺陷,所以造成了卷積神經(jīng)網(wǎng)絡(luò)收斂過程較慢或者不收斂,因此提出一種基于二值化梯度幅值特征（Binari... 

【文章來源】：南京郵電大學(xué)江蘇省

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題背景與研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
    1.3 本文的主要工作
    1.4 本文的組織與結(jié)構(gòu)
第二章 人臉識(shí)別的相關(guān)技術(shù)
    2.1 人臉識(shí)別過程
    2.2 人臉檢測(cè)
    2.3 特征提取
    2.4 特征選擇
    2.5 本章小結(jié)
第三章 基于BING與卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)算法
    3.1 引言
    3.2 相關(guān)工作
    3.3 基于二值化梯度幅值特征的窗口篩選
    3.4 卷積神經(jīng)網(wǎng)絡(luò)
    3.5 卷積神經(jīng)網(wǎng)絡(luò)的改進(jìn)
        3.5.1 激活函數(shù)的改進(jìn)
        3.5.2 初始化方法的改進(jìn)
    3.6 算法分析
        3.6.1 時(shí)間復(fù)雜度分析
        3.6.2 收斂性分析
        3.6.3 檢測(cè)效果分析
    3.7 實(shí)驗(yàn)與分析
        3.7.1 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置
        3.7.2 網(wǎng)絡(luò)迭代時(shí)間的比較
        3.7.3 網(wǎng)絡(luò)迭代次數(shù)的比較
        3.7.4 人臉檢測(cè)速度與準(zhǔn)確率的比較
        3.7.5 人臉檢測(cè)魯棒性的比較
    3.8 本章小結(jié)
第四章 改進(jìn)的Gabor小波變換特征提取算法
    4.1 引言
    4.2 相關(guān)工作
    4.3 二維Gabor小波變換
    4.4 改進(jìn)的Gabor小波變換特征提取算法
        4.4.1 Gabor局部幅值特征
        4.4.2 Gabor局部相位特征
        4.4.3 幅值特征與相位特征融合
        4.4.4 算法描述
    4.5 仿真與結(jié)果分析
        4.5.1 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置
        4.5.2 分塊大小的選取
        4.5.3 融合特征的權(quán)重參數(shù)選取
        4.5.4 算法提取特征的表征能力的比較
        4.5.5 算法提取特征的魯棒性的比較
        4.5.6 特征提取平均時(shí)間的比較
    4.6 本章小結(jié)
第五章 基于蒙特卡洛樹搜索的特征選擇算法
    5.1 引言
    5.2 相關(guān)工作
    5.3 蒙特卡洛樹搜索
    5.4 Relief-F算法
    5.5 MCTS在特征選擇中的應(yīng)用
        5.5.1 特征選擇建模
        5.5.2 基于MCTS的特征選擇算法
    5.6 仿真與結(jié)果分析
        5.6.1 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置
        5.6.2 特征相關(guān)性閾值C_p的選取
        5.6.3 特征子集表征能力的比較
        5.6.4 特征選擇平均時(shí)間的比較
    5.7 本章小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 工作展望
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間撰寫的論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]二階分塊PCA的人臉特征提取方法研究[J]. 項(xiàng)曉麗,武圣,許一菲,龍偉,郭杭,武和雷.  測(cè)控技術(shù). 2016(09)
[2]基于膚色的人臉眼部特征提取算法研究[J]. 段萍.  科技展望. 2016(16)
[3]基于膚色的眼睛輪廓自動(dòng)提取新方法[J]. 劉祥樓,楊龍,張明,孫悅.  現(xiàn)代電子技術(shù). 2014(14)
[4]基于深度學(xué)習(xí)的邊際Fisher分析特征提取算法[J]. 孫志軍,薛磊,許陽(yáng)明.  電子與信息學(xué)報(bào). 2013(04)
[5]一種快速的Wrapper式特征子集選擇新方法[J]. 葉吉祥,龔希齡.  長(zhǎng)沙理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2010(04)
[6]基于核空間距離測(cè)度的特征選擇[J]. 蔡哲元,余建國(guó),李先鵬,金震東.  模式識(shí)別與人工智能. 2010(02)
[7]快速人臉檢測(cè)與特征定位[J]. 朱文佳,戚飛虎.  中國(guó)圖象圖形學(xué)報(bào). 2005(11)
[8]基于三維模型的多姿態(tài)人臉識(shí)別[J]. 劉志鏡,李夏忠,武芒.  西安電子科技大學(xué)學(xué)報(bào). 2004(02)
[9]人臉正面圖像的機(jī)器識(shí)別[J]. 張春雨,陳綿書,陳賀新.  計(jì)算機(jī)工程與應(yīng)用. 2004(02)
[10]基于多關(guān)聯(lián)模板匹配的人臉檢測(cè)[J]. 梁路宏,艾海舟,何克忠,張鈸.  軟件學(xué)報(bào). 2001(01)

博士論文
[1]基于流形學(xué)習(xí)的特征提取與人臉識(shí)別研究[D]. 黃璞.南京理工大學(xué) 2014
[2]人臉識(shí)別中圖像特征提取與匹配技術(shù)研究[D]. 湯德俊.大連海事大學(xué) 2013

碩士論文
[1]特征提取方法及其應(yīng)用研究[D]. 周濤.江南大學(xué) 2012



本文編號(hào)：3199703