在機(jī)場(chǎng)、火車(chē)站、教室等公共監(jiān)控系統(tǒng)應(yīng)用環(huán)境下,采集到的人臉圖像往往是在不受控條件下,具有多種變化。例如人臉姿態(tài)、光照、小部分遮擋等影響,造成的人臉圖像信息缺失導(dǎo)致識(shí)別性能迅速下降。傳統(tǒng)的一些機(jī)器學(xué)習(xí)方法使用的是淺層結(jié)構(gòu),這種神經(jīng)網(wǎng)絡(luò)無(wú)法探索到樣本內(nèi)部的復(fù)雜函數(shù),例如BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等,并且極易受到例如光照、復(fù)雜背景等外界因素的影響,泛化能力均有明顯不足。深度學(xué)習(xí)通過(guò)深層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)并表征輸入數(shù)據(jù)分布式表示,擬合復(fù)雜函數(shù),體現(xiàn)了深度學(xué)習(xí)對(duì)輸入數(shù)據(jù)深層特征的提取能力。因此本課題選用基于深度學(xué)習(xí)的生成模型方法克服不受控條件下人臉圖像部分信息缺失的影響,對(duì)缺失數(shù)據(jù)進(jìn)行預(yù)測(cè)補(bǔ)充。本課題主要對(duì)深度生成模型（如生成式對(duì)抗網(wǎng)絡(luò)GANs等）的學(xué)習(xí)原理、訓(xùn)練參數(shù)以及人臉生成的效果進(jìn)行應(yīng)用研究。通過(guò)提取公共場(chǎng)合監(jiān)控中的靜態(tài)人臉圖像,對(duì)截取的人臉圖像歸一化、打馬賽克模擬遮擋情況等預(yù)處理,構(gòu)建訓(xùn)練集。使用TensorFlow深度學(xué)習(xí)框架,將處理好的訓(xùn)練集分別輸入深度卷積生成式對(duì)抗網(wǎng)絡(luò)（DCGAN）、基于上下文編碼器的生成式對(duì)抗網(wǎng)絡(luò)和基于Pix2Pix方法的生成式對(duì)抗網(wǎng)絡(luò)進(jìn)行訓(xùn)練和調(diào)參等操作,并針對(duì)... 

【文章來(lái)源】：內(nèi)蒙古工業(yè)大學(xué)內(nèi)蒙古自治區(qū)

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究的背景和意義
    1.2 國(guó)內(nèi)外相關(guān)技術(shù)的現(xiàn)狀及發(fā)展趨勢(shì)
        1.2.1 人臉檢測(cè)國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)國(guó)內(nèi)外研究現(xiàn)狀
        1.2.3 發(fā)展趨勢(shì)
    1.3 論文主要內(nèi)容和章節(jié)安排
第二章 相關(guān)理論及算法
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 卷積層
        2.1.2 池化層
        2.1.3 激活函數(shù)
        2.1.4 優(yōu)化算法
    2.2 生成式對(duì)抗網(wǎng)絡(luò)
    2.3 深度卷積生成式對(duì)抗網(wǎng)絡(luò)
    2.4 基于上下文編碼器的生成式對(duì)抗網(wǎng)絡(luò)
    2.5 基于Pix2Pix方法的生成式對(duì)抗網(wǎng)絡(luò)
第三章 遮擋人臉模擬生成方法
    3.1 圖像預(yù)處理
        3.1.1 基于OpenCV的人臉檢測(cè)及提取保存
        3.1.2 調(diào)整圖像像素大小
        3.1.3 模擬遮擋處理
    3.2 深度卷積生成式對(duì)抗網(wǎng)絡(luò)
    3.3 基于上下文編碼器的生成式對(duì)抗網(wǎng)絡(luò)
    3.4 基于Pix2Pix方法的生成式對(duì)抗網(wǎng)絡(luò)
第四章 監(jiān)控條件下的課堂表情識(shí)別
    4.1 基于遷移學(xué)習(xí)的表情識(shí)別網(wǎng)絡(luò)
    4.2 監(jiān)控條件下的課堂表情識(shí)別模型
第五章 基于課堂監(jiān)控下被遮擋學(xué)生人臉生成及表情識(shí)別實(shí)驗(yàn)系統(tǒng)
    5.1 需求分析
    5.2 系統(tǒng)設(shè)計(jì)思路
    5.3 系統(tǒng)總體架構(gòu)
        5.3.1 系統(tǒng)結(jié)構(gòu)設(shè)計(jì)
        5.3.2 系統(tǒng)工作流程設(shè)計(jì)
    5.4 系統(tǒng)開(kāi)發(fā)
        5.4.1 系統(tǒng)開(kāi)發(fā)平臺(tái)——PyQt
        5.4.2 PyQt基本編程
        5.4.3 PyQt的信號(hào)和槽機(jī)制
        5.4.4 系統(tǒng)的交互界面
    5.5 系統(tǒng)性能分析
結(jié)論
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文及取得的科研成果


【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的微表情識(shí)別[J]. 薛天坤.  中國(guó)新技術(shù)新產(chǎn)品. 2018(16)
[2]基于面部表情的學(xué)習(xí)困惑自動(dòng)識(shí)別法[J]. 江波,李萬(wàn)健,李芷璇,葉韻.  開(kāi)放教育研究. 2018(04)
[3]課堂教學(xué)環(huán)境下學(xué)生學(xué)習(xí)興趣智能化分析[J]. 陳靚影,羅珍珍,徐如意.  電化教育研究. 2018(08)
[4]基于OpenCV的學(xué)生學(xué)習(xí)過(guò)程中情緒識(shí)別技術(shù)研究[J]. 崔曉康,王天昊,莊志鵬.  儀器儀表用戶(hù). 2018(03)
[5]基于深度反卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率算法[J]. 彭亞麗,張魯,張鈺,劉侍剛,郭敏.  軟件學(xué)報(bào). 2018(04)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的課堂表情分析軟件研究與實(shí)現(xiàn)[J]. 周建國(guó),唐東明,彭爭(zhēng),李闖,張加昌.  成都信息工程大學(xué)學(xué)報(bào). 2017(05)
[7]基于深度學(xué)習(xí)的痛苦表情識(shí)別[J]. 王軍,夏利民.  計(jì)算機(jī)工程與設(shè)計(jì). 2016(06)
[8]基于ROI-KNN卷積神經(jīng)網(wǎng)絡(luò)的面部表情識(shí)別[J]. 孫曉,潘汀,任福繼.  自動(dòng)化學(xué)報(bào). 2016(06)
[9]圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動(dòng)化學(xué)報(bào). 2016(09)
[10]一種基于降噪自編碼器的人臉表情識(shí)別方法[J]. 李江,冉君軍,張克非.  計(jì)算機(jī)應(yīng)用研究. 2016(12)

碩士論文
[1]視頻識(shí)別輔助的學(xué)生評(píng)價(jià)系統(tǒng)研究[D]. 麻皓東.北方工業(yè)大學(xué) 2018
[2]基于對(duì)抗深度學(xué)習(xí)的人臉檢測(cè)研究[D]. 劉彬.青島科技大學(xué) 2018
[3]課堂環(huán)境中智能情感評(píng)價(jià)系統(tǒng)的設(shè)計(jì)與應(yīng)用研究[D]. 李洋.遼寧師范大學(xué) 2018
[4]基于DCGAN算法的圖像生成技術(shù)研究[D]. 蔡曉龍.青島理工大學(xué) 2018
[5]基于深度學(xué)習(xí)的人臉表情識(shí)別算法研究[D]. 李勇.北京化工大學(xué) 2017
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率重建[D]. 楊莉.鄭州大學(xué) 2017
[7]深度學(xué)習(xí)算法研究及其在圖像分類(lèi)上的應(yīng)用[D]. 王曙.南京郵電大學(xué) 2016
[8]一種課堂環(huán)境下學(xué)生表情識(shí)別系統(tǒng)的研究[D]. 侯洪濤.北京工業(yè)大學(xué) 2015
[9]基于深度學(xué)習(xí)的人臉識(shí)別研究[D]. 林妙真.大連理工大學(xué) 2013
[10]標(biāo)準(zhǔn)自然教室中的人臉表情識(shí)別研究[D]. 劉決仕.上海交通大學(xué) 2009



本文編號(hào)：3628070