一、人脸识别中优化特征空间方法的研究（论文文献综述）
曹艺[1]（2021）在《基于视觉的特征学习、优化及语义解析》文中研究表明近年来,语义解析是计算机视觉研究领域的热门方向。通过卷积神经网络学习视觉信息的深层表达,该方法已经趋于成熟,但是视觉信息的高维特征向量表达与人类对视觉信息的理解存在差异。因此,对视觉信息进行语义解析能提高人机交互的效率,提升机器人、视觉检索等系统的可解释性。对视觉信息的语义解析,离不开视觉特征的学习与优化。本文针对困难样本在特征学习中难以收敛的问题,研究了基于神经网络的困难样本学习算法。针对视频信息中的有效特征提取问题,通过自定义特征评价函数与特征寻优算法获取了更有效的视频特征表达。在视频描述问题中,利用特征提取与学习方法完成对视觉信息的语义解析。本文的主要贡献如下:1、特征学习是有效解析视觉语义信息的基础。本文针对困难样本在深度哈希算法中难以收敛以及过多的困难样本产生的噪声干扰问题,提出一种通过损失决定梯度的哈希特征学习策略。首先,提出一种非均匀梯度归一化方法,通过计算困难与整体样本损失的比例,对整体样本反向传播梯度进行加权,提高模型对困难样本的学习能力;进一步,针对存在过量困难样本的情况,设计了一种加权随机采样方法,根据损失大小对样本进行加权欠采样,滤除噪声并保留少量的困难样本避免过拟合。基于公开数据集,哈希特征检索平均精度分别提高4.7%与3.3%。实验结果表明,该策略改进的哈希算法准确率优于对标哈希算法,能更好地学习到数据集中困难样本的特征信息。2、特征优化能提高特征向量与人类语义理解的关联性。为了获得不受角度和光照模糊影响的视频人脸识别特征,本文提出一种基于最小关系距离误差的特征寻优算法。首先,针对传统平均池化方法在特征融合时无法有效区分特征重要程度的缺陷,本文通过分析静态人脸特征提取模型中的神经元和连接权来评估特征的有效信息量,结合有效信息量和两两特征间的关系构造关系距离误差评价函数,有效区分不同人脸图像特征在融合时的重要性;然后,基于该评价函数提出一种无监督特征寻优算法,通过评价函数的反馈信息自动修改特征融合时的权重,降低干扰图像特征的权重从而获得更有效的人脸视频融合表征。本文方法相比较于平均池化方法,在YTF、IJB-A、IQIYI数据集上的首位命中率分别提高了1.03%、3.48%、2.44%。实验证明,本文方法能更有效地提取人脸图像集合特征,有助于提升视频人脸识别的识别精度。3、基于短视频的描述算法通常将整个视频作为时序特征输入,忽略了不同时段之间的语义差异,导致时序语义冲突。本文提出一种时序语义特征分割算法,首先采用卷积神经网络获取视频每一帧的特征表达,构成视频特征集合。然后,根据时序相邻特征的相似度进行特征聚类,保证同类特征子集拥有相同的主语特性。接着,根据特征子集与视频特征集合的占比过滤噪声特征。最后,通过特征评价函数选择语义最恰当的子集作为视频描述算法输入特征。在MSVD、MSR-VTT数据库中,本文METEOR指标相对于参考方法分别提高了1.19%和2.53%。实验证明,本文方法能有效地分割视频时序特征,提高视频描述准确性。
毛雅棋[2]（2021）在《基于深度学习的低分辨率图像人脸识别技术研究》文中研究说明随着计算机视觉产业的逐渐普及,人脸识别技术在日常生活中得到广泛应用,尤其在今年的防疫工作中人脸识别测温一体机发挥重要作用。尽管现有的人脸识别算法能够准确识别限制条件下的高分辨率图像,实际场景中环境和人为因素影响图像质量,导致识别准确率降低。本文研究基于深度学习的低分辨率图像人脸识别技术,解决低分辨率场景下人脸检测、图像重构、特征提取等问题,提升识别精度,主要工作如下:（1）人脸检测作为人脸识别系统的重要模块,需要从待测图像中识别出人脸边框,为后续识别算法定位人脸区域。人脸角度、光照条件等因素会影响检测准确率,本文在MTCNN模型上进行改进,包括应用最先进的非极大值抑制算法Soft-NMS、提出合成困难样本填充训练集以及人脸检测误判算法。实验证明,该算法能够准确定位低分辨率图像中的人脸区域,检测耗时较低。（2）提出基于深度学习的人脸识别算法,首先应用SRCNN重构低分辨率人脸图像,再通过VGG模型提取人脸特征,应用主成分分析（PCA）对特征进行筛选,最后由分类器完成人脸特征匹配。通过优化损失函数提升模型性能,在经过下采样的两个公开数据集FERET和LFW上评估提出的算法,识别准确率得到提高。（3）对上述提出的算法进行整合,模块化实现低分辨率人脸识别系统,收集外接摄像头拍摄真实场景下的低分辨率人脸图像来评估该系统。应用改进的MTCNN模型完成人脸检测、SRCNN模型重构低分辨率人脸图像、Res Net模型完成特征提取、分类器完成特征匹配。实验结果表明本文提出的方法能够在低分辨率真实应用场景下完成人脸识别,在准确率和效率上均有保障,具有实际应用价值。
甄雨寒[3]（2021）在《面向智能监控的单样本人脸识别方法研究》文中认为随着计算机视觉技术的迅速发展,以人脸识别为代表的身份认证在智能安检等领域发挥着越来越重要的作用。监控作为城市的基础设施建设,拥有丰富的人脸图像资源,在非配合人脸识别方向有着广泛的应用前景。在面向智能监控的应用场景中,通常只能获得待识别对象的一张正脸样本,但是在监控相机中采集的人脸图像受姿态变化、口罩遮挡等真实复杂因素的影响较大,给非配合人脸识别应用带来了巨大的挑战。本文面向智能监控的应用场景,针对非配合人脸识别场景中的斜上方视角人脸和口罩遮挡人脸两种影响较大的因素展开研究,主要工作如下:首先,本文对监控视角下人脸图像的表现特征进行研究,分析了造成人脸图像信息丢失的影响因素。针对训练样本数量和识别率的影响关系进行了实验验证,分析了单样本人脸识别的难点,并对本文涉及的人脸检测和人脸关键点检测算法进行介绍。然后,针对监控相机采集的斜上方视角的人脸图像,本文提出了一种多姿态样本扩充算法,该方法将正脸图像和三维人脸模型的关键点进行对应映射,将三维模型在世界坐标系中旋转后投影到二维平面获得Yaw和Pitch两个维度变化的多姿态人脸。设计了基于特征域距离的动态阈值约束对多姿态样本进行约束。并通过多姿态增强数据集训练了姿态鲁棒深度神经网络提取特征,并通过实验验证了本文算法在单样本条件下对姿态变化的识别鲁棒性。最后,针对监控相机采集的口罩遮挡的人脸图像,本文提出了将全局人脸深度高语义特征和较浅层高分辨的眼部局部特征进行融合,采用特征融合的策略充分利用遮挡人脸图像的可见部分。并通过对softmax损失函数进行改进,通过加入惩罚因子使得深度网络可以提取具有类内聚集类间发散的人脸特征,并在真实监控视角场景中验证了本文的有效性。
杨善敏[4]（2021）在《面向异质人脸识别的域不变特征学习方法研究》文中进行了进一步梳理人脸识别作为人工智能的典型应用之一,具有重要的实用价值和研究意义。近年来,基于深度卷积神经网络的人脸识别技术取得了突飞猛进的发展,但主要集中于二维可见光人脸识别的研究,在真实无约束场景中仍然面临许多挑战和难题。随着人脸识别应用的推广和传感器技术的发展,异质人脸识别需求应势而生且日益增大。但异质人脸图像间显着的外观变化,使现有人脸识别系统面临识别精度大幅下降的问题。本文对异质人脸识别问题及其解决方案进行了分析,并从基于特征表示学习、基于子空间学习和基于混合学习三个方向出发,对异质人脸图像的域不变本质特征学习方法进行了深入研究。此外,还构建了一个室外无约束场景的3D-2D人脸识别数据库。本文主要工作和贡献包括:1.针对缺乏方法研究框架模型的问题,提出了一种异质人脸识别框架模型。缺乏明确的异质人脸识别方法研究框架模型,容易导致对各方法的研究动机、不同方法之间的关联以及对不同方法的归类总结不够直观,甚至出现混淆的问题。针对该问题,本文进行初步探索并建立了一种异质人脸识别框架模型。该模型有助于对现有异质人脸识别方法的理解和归类总结,还为后续方法研究提供了理论支撑和研究思路,具有一定的指导性意义和作用。2.针对跨域差异的度量和消除难题,提出了一种基于对抗的域不变特征学习方法DIDF。显着的跨域差异是异质人脸识别研究需要重点攻克的问题。对此,本文从基于特征表示学习的研究方向出发,对异质人脸识别框架模型中的特征提取过程进行重点研究,提出了一种基于对抗的域不变特征学习方法。在一个端到端的网络中同时优化基于对抗学习的域自适应对齐和基于四元组度量学习的类对齐,以消除分布差异、减小类内变化且增大类间可分离性。在CASIA NIR-VIS 2.0、Oulu-CASIA NIR&VIS、BUAA-Vis Nir和IIIT-D Viewed Sketch四个异质人脸识别基准数据库上的实验表明,该方法不仅有助于解决分布差异的度量和消除问题,还提高了人脸特征的域不变性和类（即身份）鉴别性。3.针对跨域差异等所有身份无关因素对人脸识别造成影响的问题,提出了一种注意力引导的特征解耦方法AgFD。除跨域差异外,其他外界因素,如姿态、年龄等变化,也会对人脸识别的结果造成影响。针对该问题,本文从基于子空间学习的研究方向出发,对异质人脸识别框架模型中的特征匹配过程进行重点研究,提出了一种注意力引导的特征解耦方法。采用分层互补的方式自适应地将人脸面部表征解耦为身份特征和身份无关特征（具体包括模态信息以及其他所有身份无关信息）,同时还通过基于互信息的对抗去相关学习和基于总体相关信息的对抗去相关学习,提高身份特征对模态等所有身份无关因素变化的鲁棒性以及对身份特征自身局部维度变化的鲁棒性。实验结果表明,提出的方法在多个异质人脸识别基准数据库上的识别性能都表现出一定的优势。4.实现了基于DIDF和AgFD的3D-2D人脸识别方法,在公开库上的识别性能都超过了现有方法。同时,针对真实室外无约束场景3D-2D数据缺乏和识别难题,构建了一个人脸识别数据库WS3D-2D,还提出了一种改进的基于特征解耦的方法FD-3D2D。首先,本文从基于混合学习的研究方向出发,对异质人脸识别框架模型中的多个处理过程进行研究,分别实现了基于DIDF和AgFD的3D-2D人脸识别方法,在公开数据库FRGC V2.0上的识别性能都超过了现有方法。其次,针对目前3D-2D人脸识别数据缺乏且大多采集于实验室受控环境的问题,构建了一个真实室外无约束场景下的3D-2D人脸识别数据库WS3D-2D。该数据库包含受试者对象的高精度全脸三维模型和室外无约束场景下的二维监控图像,与实际应用中的数据非常逼近,因此具有重要的研究意义和实用价值。此外,针对室外无约束场景下的3D-2D人脸识别难题,通过对AgFD方法中的四元组采样策略进行改进以及引入明确的姿态解耦约束,提出了一种改进的3D-2D人脸识别方法FD-3D2D。实验结果表明,该方法有助于减小训练数据噪声带来的影响以及克服二维监控图像的大姿态变化等人脸识别难题。基于本研究工作开发的3D-2D人脸识别系统在多个实际现场取得的成功示范应用,证明了本研究工作的意义和价值。上述工作虽然是针对异质人脸识别的研究和探索,但其理论和研究方法具有一定的通用性和可扩展性,对其他领域,如跨年龄人脸识别、跨姿态人脸识别、行人重识别等,依然具有一定的参考意义和指导作用。
朱飞扬[5]（2021）在《轻量级单图超分辨率及其在低分辨率人脸识别中的应用研究》文中进行了进一步梳理图像超分辨率是计算机视觉与图像处理领域的重要研究课题之一,在视频监控、医学影像、卫星图像等多个方面有着广泛应用。近年来,基于深度学习的单图超分辨率技术得到快速发展,但是为了不断提升高分辨率图像的重建效果,超分辨率方法的网络层数不断增加,使网络的参数量和计算量过高,导致这些方法难以应用于计算资源与存储资源有限的设备上。本文从控制超分辨率算法的计算量、参数量出发研究轻量级单图超分辨率算法,并将其应用于低分辨率人脸识别。本文主要完成了以下三个工作:1)提出一种基于反投影网络的轻量级单图超分辨率方法。该方法在反投影网络的基础上改进迭代投影模块,提出更轻量的投影模块,加入全局的残差连接以降低网络学习难度,并在重建层中同时运用低分辨率与高分辨率空间的特征,降低反投影网络的参数量和计算量。实验表明,该方法能在网络复杂度和性能间达到较好的平衡。2)提出一种基于知识蒸馏的轻量级单图超分辨率方法。该方法利用性能更好更复杂的教师模型来指导更小更简单的学生模型的训练,教师网络和学生网络都是基于改进的反投影超分辨率网络建立的,在像素空间进行从教师模型到学生超分辨率网络的知识传输,并利用课程学习的思想,学生网络的学习难度随着训练过程由易到难,在不增加学生模型的复杂度的情况下有效提升其超分辨率的性能。3)将轻量级超分辨率方法应用于低分辨率人脸识别中,利用超分辨率网络将低分辨率人脸恢复到高分辨率空间,并将恢复出的高分辨率人脸图像和真实高分辨率人脸图像映射到同一特征空间中,加入身份特征损失函数来约束超分辨率网络学习人脸身份信息,解决现有人脸识别方法在低分辨率人脸上性能下降的问题。
张创业[6]（2021）在《基于深度学习的低分辨率人脸识别算法研究》文中研究指明人脸识别作为一种常见的生物识别技术,近年来得到了极大的发展,在安防、考勤、金融等领域得到了广泛的应用。但是在一些无约束场景下如公园、马路等,成像设备质量较差,获得的人脸图像分辨率较低,包含的信息较少,这给人脸识别带来了很大的困难。根据被对比的底库图像的分辨率大小,低分辨率人脸识别可以分为高分辨率底库的低分辨率人脸识别和低分辨率底库的低分辨率人脸识别。高分辨率底库的人脸识别算法一般是将低分辨率人脸图像通过图像超分辨率网络进行放大,然后在高分辨率图像的特征空间中进行人脸识别;或者在低分辨率图像特征空间和高分辨率图像特征空间之间建立映射关系。其中基于图像超分重建的方法不仅提高了人脸识别的性能,还得到了高质量的人脸图像,满足了人的视觉要求。但是这类方法使用的图像超分辨率网络并没有针对人脸图像和人脸识别进行优化。低分辨率底库的低分辨率人脸识别目前的研究很少。有研究工作将图像超分辨率网络和人脸识别网络以级联结构连接起来,共同训练,但是这样的网络结构参数量巨大。本文对这两类情况下的低分辨率人脸识别进行了研究,主要做了以下工作:针对高分辨率底库的低分辨率人脸识别问题,我们设计了一种用于人脸图像的超分辨率网络。考虑到人脸图像具有明显的几何特征,我们引入了空间注意力机制,对神经网络提取的特征图上每个位置赋予不同的权重,迫使网络关注人脸图像的重点区域如器官和人脸轮廓。我们使用基于人脸识别模型的感知损失对超分辨率网络进行优化,最后得到的高分辨率重建图像在人脸特征空间中和真实图像更加接近。我们还提出了一种新的训练策略,先从提升图像质量的角度训练模型,然后再结合感知损失训练模型。这减轻了模型的学习压力,缩短了模型的训练时间,提升了模型的性能。针对低分辨率底库的低分辨率人脸识别问题,考虑到低分辨率人脸图像超分重建任务和人脸识别任务的相关性,我们设计了一个进行多任务学习的网络。超分重建任务和人脸识别任务共享一个特征提取模块,独享各自的任务分支。两个任务共享一个特征提取模块可以使得图像超分重建给予人脸识别在图像细节上的先验信息,从而提高了模型的表征能力,而且我们的算法在执行人脸识别任务时不需要超分辨率分支,没有增加额外的计算量。本文算法在各自的适用场景下,都获得了高清的人脸图像,提升了人脸识别的性能。我们在常用的人脸识别的数据集上证明了本文算法的有效性。
朱飞扬[7]（2021）在《轻量级单图超分辨率及其在低分辨率人脸识别中的应用研究》文中认为图像超分辨率是计算机视觉与图像处理领域的重要研究课题之一,在视频监控、医学影像、卫星图像等多个方面有着广泛应用。近年来,基于深度学习的单图超分辨率技术得到快速发展,但是为了不断提升高分辨率图像的重建效果,超分辨率方法的网络层数不断增加,使网络的参数量和计算量过高,导致这些方法难以应用于计算资源与存储资源有限的设备上。本文从控制超分辨率算法的计算量、参数量出发研究轻量级单图超分辨率算法,并将其应用于低分辨率人脸识别。本文主要完成了以下三个工作:1)提出一种基于反投影网络的轻量级单图超分辨率方法。该方法在反投影网络的基础上改进迭代投影模块,提出更轻量的投影模块,加入全局的残差连接以降低网络学习难度,并在重建层中同时运用低分辨率与高分辨率空间的特征,降低反投影网络的参数量和计算量。实验表明,该方法能在网络复杂度和性能间达到较好的平衡。2)提出一种基于知识蒸馏的轻量级单图超分辨率方法。该方法利用性能更好更复杂的教师模型来指导更小更简单的学生模型的训练,教师网络和学生网络都是基于改进的反投影超分辨率网络建立的,在像素空间进行从教师模型到学生超分辨率网络的知识传输,并利用课程学习的思想,学生网络的学习难度随着训练过程由易到难,在不增加学生模型的复杂度的情况下有效提升其超分辨率的性能。3)将轻量级超分辨率方法应用于低分辨率人脸识别中,利用超分辨率网络将低分辨率人脸恢复到高分辨率空间,并将恢复出的高分辨率人脸图像和真实高分辨率人脸图像映射到同一特征空间中,加入身份特征损失函数来约束超分辨率网络学习人脸身份信息,解决现有人脸识别方法在低分辨率人脸上性能下降的问题。
陈超[8]（2021）在《跨分辨率深度特征联合学习人脸识别算法》文中进行了进一步梳理人脸识别作为计算机视觉中一个重要研究领域,在身份识别、智能安防、人脸追踪检测等方面得到广泛应用,但现有的人脸识别算法往往只在单一分辨率图片上实现较好识别效果,在图片分辨率降低时效果显着降低。为得到在不同分辨率图片上均能稳定识别的模型,该文在稀疏表示及深度学习的基础上,提出三种改进的跨分辨率人脸识别算法:首先,针对基于字典学习稀疏表示算法直接将训练样本作为字典原子,未能充分提取训练样本信息的问题,提出跨分辨率字典联合学习稀疏表示人脸识别算法。以主成分分析网络（Principal Component Analysis Network,PCANet）为特征提取网络,分别提取每种分辨率训练数据对应的抽象紧致特征,并对特征降维从而形成抽象空间人脸跨分辨率字典,正则化最小二乘算法计算查询图像在每种类型字典上的稀疏表示系数,最后通过跨分辨率字典和对应的稀疏表示系数对测试样本计算多分辨率重构误差实现分类。其次,针对监控摄像头捕获的人脸图像分辨率较低,与高分辨率图库图像匹配效果差的问题,提出跨分辨率特征空间多分支耦合映射人脸识别算法。残差网络（Residual Network,Res Net）同时提取高-中-低分辨率训练图像对特征,经过多分支耦合映射网络映射到公共特征空间,使用多分支耦合映射损失函数计算图像特征间距离,实现网络参数优化。最后,针对传统特征提取网络未充分提取跨分辨率图片间共有特征信息的问题,提出跨分辨率特征空间特征联合学习人脸识别算法。采用双三次插值法将不同分辨率图片映射到相同图像空间,通过改进的跨分辨率Sphere Face深度特征提取网络提取高-中-低分辨率图像对特征,引入特征联合学习余弦距离度量损失函数,优化同一分辨率图片类间距离最大化、类内距离最小化并减小跨分辨率特征间差距。
张昭[9]（2021）在《基于单样本的人脸识别方法与应用研究》文中提出人脸识别技术在日常生活中具有十分广泛的应用,随处可见的有安检、手机支付等。和其它的识别相比较,人脸识别具有很明显的优势,非强制性和非监督性。正是由于这些优势的存在,我们可以很轻松的采集到一个人的人脸图像样本。但是人脸识别技术同样也面临比较困难的问题,其中之一便是单样本人脸识别的问题,这也是本文所要研究的关键点。单样本人脸识别就是我们只拥有所要识别个体的一张人脸图像,在这样的条件下,完成身份的识别任务。在本文中,针对如上说明的问题,本文主要研究多尺度目标检测以及单样本人脸识别。具体的研究有以下三个方面:（1）在面向多尺度人脸的目标检测任务中,本文对one-stage目标检测算法进行了研究,将SSD目标检测网络进行优化,增强网络对于小尺度目标的特征提取能力。将优化后的新网络在Wider Face数据集上进行性能测试,实验表明优化后的目标检测模型相对于SSD网络在检测精度上的有提升的。（2）在单样本的识别任务中,本文将迁移学习和判别特征学习的知识结合起来,研究了一个学习框架。通过分别在FERET、LFW和CAS-PEAL三个数据集上设置对照试验,通过在不同种族人群和数据集的不同采集条件下的实验,表明了本文提出的模型在性能上是优于其它方法的,在解决单样本人脸识别问题上具有较好的鲁棒性。（3）基于本文研究的人脸检测方法和面向单样本的人脸识别方法,设计并实现了一个点名系统。首先对系统进行需求分析,根据需求完成了系统的整体架构设计,随后根据系统的架构完成对于各个功能模块的设计。同时,将系统的各个功能进行图示化展示。
汪焰南[10]（2020）在《基于表示学习的低分辨率人脸识别研究》文中提出人脸识别技术由于有着广泛的应用前景受到学术界的大量关注,在现实环境中,大部分人脸图像质量较差,分辨率不一致,包含的信息较少,再受到光照、姿势等不确定因素的影响,导致有时候很难完成识别。本文将从局部图像块问题出发,研究低分辨率人脸识别。因此本文的主要内容和创新点如下:（1）本文提出一种基于特征表示集的低分辨率人脸识别方法,获取测试和训练样本各个像素位置的图像块,使用Schatten-p范数代替以前研究中的核范数,在有遮挡的AR人脸数据库以及Extended Yale B人脸数据库下,获得了良好的识别率。（2）本文提出一种基于特征学习的跨模态低分辨率人脸识别方法,通过提出的模型学习一个公共特征表示空间,将人脸图像投影到一个公共的特征空间里,并使用了具有鉴别能力的表示学习方法,从而实现了低分辨率人脸图像的识别。在CUHK素描数据库和AR数据库上的实验结果表明,本文提出的方法比一些先进的人脸识别方法识别效果更好。（3）由于低分辨率人脸图像可用信息较少,为了提高计算效率,本文通过人脸特征点检测技术提取人脸关键点人脸像素,提出一种卷积神经网络特征的低分辨率人脸识别方法。对于每一个图像块,通过神经网络的学习得到特征向量,运用加权稀疏编码正则的回归表示方法对测试图像块的特征向量和训练图像块的特征向量进行线性表示,最后完成每一个测试图像块的分类,通过在AR人脸数据库和Extended Yale B人脸数据库中得出的实验结果均验证了算法的有效性。
二、人脸识别中优化特征空间方法的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、人脸识别中优化特征空间方法的研究（论文提纲范文）
（1）基于视觉的特征学习、优化及语义解析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 研究背景及意义 |
| §1.2 研究现状及发展趋势 |
| §1.2.1 特征提取 |
| §1.2.2 特征学习 |
| §1.2.3 特征优化 |
| §1.2.4 基于特征的语义解析 |
| §1.3 本文研究目的及内容 |
| §1.4 文章结构 |
| §1.5 本章小结 |
| 第二章 基于L2G策略的深度哈希特征学习方法 |
| §2.1 引言 |
| §2.2 相关研究工作 |
| §2.3 损失决定梯度策略 |
| §2.3.1 非均匀梯度归一化 |
| §2.3.2 加权随机采样 |
| §2.4 实验结果与分析 |
| §2.4.1 数据库 |
| §2.4.2 测试结果与分析 |
| §2.4.3 非均匀梯度归一化方法扩展实验 |
| §2.4.4 加权随机采样方法扩展实验 |
| §2.5 本章小结 |
| 第三章 基于最小关系距离误差的视频人脸特征寻优算法 |
| §3.1 引言 |
| §3.2 相关研究工作 |
| §3.3 RDE特征评价方法 |
| §3.3.1 特征有效信息量评估方法 |
| §3.3.2 特征评价函数 |
| §3.4 基于最小RDE的特征寻优算法 |
| §3.5 实验与分析 |
| §3.5.1 实验数据 |
| §3.5.2 评价指标 |
| §3.5.3 特征评估算法有效性验证 |
| §3.5.4 特征寻优算法有效性验证 |
| §3.6 本章小结 |
| 第四章 基于时序语义特征分割的短视频描述方法 |
| §4.1 引言 |
| §4.2 相关研究工作 |
| §4.3 时序语义特征分割 |
| §4.3.1 特征提取 |
| §4.3.2 特征聚类 |
| §4.3.3 特征去噪 |
| §4.4 基于时序特征分割的视频描述 |
| §4.4.1 视频描述模型 |
| §4.4.2 特征评价 |
| §4.5 实验结果与分析 |
| §4.5.1 数据与评价指标 |
| §4.5.2 实验环境 |
| §4.5.3 实验对比 |
| §4.6 本章小结 |
| 第五章 总结与展望 |
| §5.1 本文总结 |
| §5.2 后续与展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间主要研究成果 |
（2）基于深度学习的低分辨率图像人脸识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 人脸识别国内外研究现状 |
| 1.3 低分辨率图像人脸识别国内外研究现状 |
| 1.3.1 基于超分辨率的方法 |
| 1.3.2 基于公共特征子空间的方法 |
| 1.4 论文主要研究内容及结构 |
| 1.4.1 研究内容 |
| 1.4.2 论文结构 |
| 第2章 低分辨率人脸识别相关技术研究 |
| 2.1 低分辨率人脸识别技术 |
| 2.2 超分辨率重构技术 |
| 2.2.1 基于插值的超分辨率重构方法 |
| 2.2.2 基于学习的超分辨率重构方法 |
| 2.3 卷积神经网络 |
| 2.4 本章小结 |
| 第3章 基于MTCNN的低分辨率人脸检测算法 |
| 3.1 人脸检测概述 |
| 3.2 MTCNN模型结构 |
| 3.2.1 图像金字塔 |
| 3.2.2 级联卷积神经网络 |
| 3.3 基于MTCNN的低分辨率人脸检测算法 |
| 3.3.1 图像预处理 |
| 3.3.2 改进NMS算法 |
| 3.3.3 人脸误报判定算法 |
| 3.4 实验分析 |
| 3.4.1 实验环境及指标 |
| 3.4.2 数值分析 |
| 3.5 本章小结 |
| 第4章 基于CNN的低分辨率人脸识别算法 |
| 4.1 人脸识别概述 |
| 4.2 超分辨率重构 |
| 4.3 特征提取 |
| 4.3.1 CNN模型结构 |
| 4.3.2 损失函数及优化 |
| 4.4 特征筛选 |
| 4.5 人脸匹配 |
| 4.6 实验分析 |
| 4.6.1 FERET数据集实验分析 |
| 4.6.2 LFW数据集实验分析 |
| 4.7 本章小结 |
| 第5章 低分辨率人脸识别系统设计 |
| 5.1 人脸识别系统概述 |
| 5.2 低分辨率人脸识别框架 |
| 5.2.1 视频图像处理模块 |
| 5.2.2 人脸检测模块 |
| 5.2.3 超分辨重构模块 |
| 5.2.4 人脸识别模块 |
| 5.3 实验分析 |
| 5.3.1 训练数据 |
| 5.3.2 数值分析 |
| 5.4 本章小结 |
| 第6章 结论 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（3）面向智能监控的单样本人脸识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 人脸识别基本框架 |
| 1.3 发展历史与研究现状 |
| 1.4 本文研究内容和章节安排 |
| 第二章 人脸识别相关方法研究与分析 |
| 2.1 引言 |
| 2.2 监控场景下人脸识别分析 |
| 2.2.1 监控视角人脸图像分析 |
| 2.2.2 单样本人脸识别难点分析 |
| 2.3 深度学习相关方法 |
| 2.3.1 全连接神经网络 |
| 2.3.2 卷积神经网络 |
| 2.4 人脸及关键点检测算法 |
| 2.4.1 基于级联卷积神经网络的人脸检测算法 |
| 2.4.2 人脸关键点检测算法 |
| 2.5 本章小结 |
| 第三章 基于多姿态生成的单样本人脸识别算法 |
| 3.1 引言 |
| 3.2 基于3D模型的多姿态人脸样本生成方法 |
| 3.2.1 人脸的多姿态表示 |
| 3.2.2 图像和3D模型的对应关系 |
| 3.2.3 基于3DMM模型的多姿态生成 |
| 3.3 多姿态鲁棒的人脸识别网络 |
| 3.3.1 多姿态鲁棒的人脸识别增强 |
| 3.3.2 深度卷积神经网络设计与训练 |
| 3.4 基于特征空间域的阈值约束 |
| 3.5 实验结果分析 |
| 3.5.1 数据集测试 |
| 3.5.2 真实场景测试 |
| 3.6 本章小结 |
| 第四章 基于局部特征融合的单样本遮挡识别算法 |
| 4.1 引言 |
| 4.2 口罩佩戴识别研究 |
| 4.2.1 基于CNN的口罩遮挡检测 |
| 4.2.2 基于肤色模型的口罩佩戴识别增强 |
| 4.3 全局高语义特征和局部高分辨特征融合算法 |
| 4.3.1 口罩遮挡下人脸识别增强 |
| 4.3.2 基于深度可分离卷积和全局池化的网络改进 |
| 4.4 带惩罚的损失函数优化 |
| 4.5 实验结果分析 |
| 4.5.1 数据集测试 |
| 4.5.2 真实场景测试 |
| 4.6 本章小节 |
| 第五章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（4）面向异质人脸识别的域不变特征学习方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 常用缩略词表 |
| 第1章 绪论 |
| 1.1 异质人脸识别问题描述 |
| 1.2 异质人脸识别的研究意义及典型应用 |
| 1.2.1 近红外-可见光人脸识别 |
| 1.2.2 3D-2D人脸识别 |
| 1.2.3 素描-照片人脸识别 |
| 1.3 异质人脸识别研究现状及挑战 |
| 1.4 本文主要研究内容与贡献 |
| 1.5 本文结构 |
| 第2章 异质人脸识别简述 |
| 2.1 引言 |
| 2.2 异质人脸识别问题分析及建模 |
| 2.3 异质人脸识别与多模态人脸识别的区别 |
| 2.4 异质人脸识别方法简述 |
| 2.4.1 基于图像合成的方法 |
| 2.4.2 基于特征表示的方法 |
| 2.4.3 基于子空间学习的方法 |
| 2.4.4 基于混合学习的方法 |
| 2.5 异质人脸识别评价体系 |
| 2.5.1 常用异质人脸识别数据库 |
| 2.5.2 常用异质人脸识别性能指标 |
| 2.6 本章小结 |
| 第3章 基于对抗特征学习的异质人脸识别 |
| 3.1 引言 |
| 3.2 相关研究基础介绍 |
| 3.2.1 域自适应 |
| 3.2.2 深度度量学习 |
| 3.3 提出的方法 |
| 3.3.1 问题描述 |
| 3.3.2 域对齐 |
| 3.3.3 基于四元组的类对齐 |
| 3.3.4 总体损失函数 |
| 3.3.5 网络架构 |
| 3.4 实验结果与分析 |
| 3.4.1 实验设置 |
| 3.4.2 数据库和相关协议 |
| 3.4.3 CASIA NIR-VIS2.0数据库上的实验结果 |
| 3.4.4 Oulu-CASIA NIR&VIS数据库上的实验结果 |
| 3.4.5 BUAA-Vis Nir数据库上的实验结果 |
| 3.4.6 IIIT-D Viewed Sketch数据库上的实验结果 |
| 3.4.7 消融实验 |
| 3.5 本章小结 |
| 第4章 基于特征解耦的异质人脸识别 |
| 4.1 引言 |
| 4.2 相关理论基础介绍 |
| 4.2.1 解耦表示 |
| 4.2.2 深度互信息 |
| 4.3 提出的方法 |
| 4.3.1 问题描述 |
| 4.3.2 基于注意力的残差分解 |
| 4.3.3 对抗去相关 |
| 4.3.4 多任务学习 |
| 4.4 实验结果与分析 |
| 4.4.1 实验设置 |
| 4.4.2 数据库和相关协议 |
| 4.4.3 CASIA NIR-VIS2.0数据库上的实验结果 |
| 4.4.4 Oulu-CASIA NIR&VIS数据库上的实验结果 |
| 4.4.5 BUAA-Vis Nir数据库上的实验结果 |
| 4.4.6 IIIT-D Viewed Sketch数据库上的实验结果 |
| 4.4.7 消融实验 |
| 4.5 本章小结 |
| 第5章 室外无约束场景的3D-2D人脸识别 |
| 5.1 引言 |
| 5.2 三维人脸模型与二维人脸图像转换方法 |
| 5.2.1 二维图像生成三维人脸模型的方法 |
| 5.2.2 三维人脸模型生成二维图像的方法 |
| 5.3 算法验证 |
| 5.3.1 数据集和相关协议 |
| 5.3.2 实验结果 |
| 5.4 室外无约束场景下的3D-2D数据库构建 |
| 5.4.1 WS3D-2D数据采集 |
| 5.4.2 WS3D-2D数据库详情 |
| 5.5 改进的方法 |
| 5.5.1 问题描述 |
| 5.5.2 姿态解耦 |
| 5.5.3 四元组样本选择 |
| 5.5.4 总体损失函数 |
| 5.5.5 网络结构 |
| 5.6 实验结果与分析 |
| 5.6.1 实验设置 |
| 5.6.2 数据集和相关协议 |
| 5.6.3 三维注册人脸模型投影方案分析 |
| 5.6.4 不同比对方案分析 |
| 5.6.5 不同模型性能比对分析 |
| 5.6.6 消融实验 |
| 5.7 3D-2D人脸识别应用 |
| 5.8 本章小节 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（5）轻量级单图超分辨率及其在低分辨率人脸识别中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像超分辨率 |
| 1.2.2 低分辨率人脸识别 |
| 1.3 本文研究内容 |
| 1.4章节安排 |
| 第2章 相关工作基础 |
| 2.1 图像超分辨率 |
| 2.1.1 超分辨率常用数据集 |
| 2.1.2 重建图像质量评价标准 |
| 2.1.3 图像超分辨率算法 |
| 2.1.4 模型压缩方法 |
| 2.1.5 轻量级超分辨率算法 |
| 2.2 低分辨率人脸识别 |
| 2.2.1 识别效果评价标准 |
| 2.2.2 常用人脸数据集 |
| 2.2.3 低分辨率人脸识别算法 |
| 2.3 本章小结 |
| 第3章 基于反投影网络的轻量级单图超分辨率方法 |
| 3.1 轻量级反投影超分辨率网络 |
| 3.1.1 网络总体结构 |
| 3.1.2 投影模块 |
| 3.2 实验设置 |
| 3.2.1 实验软硬件环境 |
| 3.2.2 实验数据准备 |
| 3.2.3 实现细节 |
| 3.3 实验结果和分析 |
| 3.3.1 网络模块有效性实验与分析 |
| 3.3.2 与反投影超分辨率网络DBPN的对比 |
| 3.3.3 定性对比和定量评估结果 |
| 3.4 本章小结 |
| 第4章 基于知识蒸馏的轻量级超分辨率方法 |
| 4.1 基于知识蒸馏的超分辨率网络 |
| 4.1.1 知识蒸馏结构 |
| 4.1.2 知识蒸馏过程 |
| 4.2 消融实验 |
| 4.3 泛化性能 |
| 4.4 定性对比与定量评估结果 |
| 4.5 本章小结 |
| 第5章 轻量级超分辨率在低分辨率人脸识别中的应用 |
| 5.1 人脸超分辨率网络 |
| 5.2 实验设置 |
| 5.2.1 实验数据准备 |
| 5.2.2 实现细节 |
| 5.3 实验结果及分析 |
| 5.4 本章小结 |
| 第6章 总结和展望 |
| 6.1 论文工作总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（6）基于深度学习的低分辨率人脸识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像超分辨率研究现状 |
| 1.2.2 低分辨率人脸识别研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文的结构安排 |
| 第2章 相关技术介绍 |
| 2.1 图像超分辨率 |
| 2.1.1 图像超分辨率中经典的网络结构 |
| 2.1.2 图像质量评价标准 |
| 2.2 人脸识别 |
| 2.2.1 人脸检测 |
| 2.2.2 人脸对齐 |
| 2.2.3 人脸特征提取 |
| 2.2.4 人脸验证和人脸鉴定 |
| 2.2.5 人脸识别常用数据集 |
| 2.2.6 人脸识别常用评价指标 |
| 2.3 本章小结 |
| 第3章 基于U-Net结构的人脸图像超分辨率网络SRUNet |
| 3.1 算法概述 |
| 3.2 SRUNet网络结构 |
| 3.2.1 残差空间注意力模块 |
| 3.2.2 编码器 |
| 3.2.3 解码器 |
| 3.3 损失函数 |
| 3.4 模型训练 |
| 3.4.1 数据处理 |
| 3.4.2 新的训练策略 |
| 3.5 实验结果 |
| 3.5.1 图像超分辨率实验 |
| 3.5.2 人脸识别实验 |
| 3.6 消融实验 |
| 3.7 本章小结 |
| 第4章 基于多任务学习的低分辨率人脸识别算法 |
| 4.1 算法概述 |
| 4.2 MTUNet网络结构 |
| 4.2.1 特征提取模块 |
| 4.2.2 图像超分辨率分支 |
| 4.2.3 人脸识别分支 |
| 4.3 损失函数 |
| 4.4 模型训练 |
| 4.5 实验结果 |
| 4.5.1 图像超分辨率实验 |
| 4.5.2 人脸识别实验 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简介及在学期间取得的科研成果 |
| 致谢 |
（7）轻量级单图超分辨率及其在低分辨率人脸识别中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像超分辨率 |
| 1.2.2 低分辨率人脸识别 |
| 1.3 本文研究内容 |
| 1.4章节安排 |
| 第2章 相关工作基础 |
| 2.1 图像超分辨率 |
| 2.1.1 超分辨率常用数据集 |
| 2.1.2 重建图像质量评价标准 |
| 2.1.3 图像超分辨率算法 |
| 2.1.4 模型压缩方法 |
| 2.1.5 轻量级超分辨率算法 |
| 2.2 低分辨率人脸识别 |
| 2.2.1 识别效果评价标准 |
| 2.2.2 常用人脸数据集 |
| 2.2.3 低分辨率人脸识别算法 |
| 2.3 本章小结 |
| 第3章 基于反投影网络的轻量级单图超分辨率方法 |
| 3.1 轻量级反投影超分辨率网络 |
| 3.1.1 网络总体结构 |
| 3.1.2 投影模块 |
| 3.2 实验设置 |
| 3.2.1 实验软硬件环境 |
| 3.2.2 实验数据准备 |
| 3.2.3 实现细节 |
| 3.3 实验结果和分析 |
| 3.3.1 网络模块有效性实验与分析 |
| 3.3.2 与反投影超分辨率网络DBPN的对比 |
| 3.3.3 定性对比和定量评估结果 |
| 3.4 本章小结 |
| 第4章 基于知识蒸馏的轻量级超分辨率方法 |
| 4.1 基于知识蒸馏的超分辨率网络 |
| 4.1.1 知识蒸馏结构 |
| 4.1.2 知识蒸馏过程 |
| 4.2 消融实验 |
| 4.3 泛化性能 |
| 4.4 定性对比与定量评估结果 |
| 4.5 本章小结 |
| 第5章 轻量级超分辨率在低分辨率人脸识别中的应用 |
| 5.1 人脸超分辨率网络 |
| 5.2 实验设置 |
| 5.2.1 实验数据准备 |
| 5.2.2 实现细节 |
| 5.3 实验结果及分析 |
| 5.4 本章小结 |
| 第6章 总结和展望 |
| 6.1 论文工作总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（8）跨分辨率深度特征联合学习人脸识别算法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统人脸识别研究现状 |
| 1.2.2 低分辨率人脸识别研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 第2章 跨分辨率人脸识别问题描述及理论基础 |
| 2.1 跨分辨率人脸识别问题 |
| 2.2 不同测试场景下的人脸识别评估 |
| 2.3 稀疏表示原理 |
| 2.3.1 压缩感知理论 |
| 2.3.2 稀疏表示人脸识别算法 |
| 2.4 深度卷积网络原理 |
| 2.4.1 ResNet网络 |
| 2.4.2 Sphereface网络 |
| 2.5 本章小结 |
| 第3章 跨分辨率字典联合学习稀疏表示人脸识别算法 |
| 3.1 引言 |
| 3.2 跨分辨率字典联合学习稀疏表示人脸识别算法 |
| 3.3 PCANet提取深度特征 |
| 3.3.1 第一阶段PCA |
| 3.3.2 第二阶段PCA |
| 3.3.3 输出层 |
| 3.4 实验仿真 |
| 3.4.1 实验环境与参数设置 |
| 3.4.2 数据预处理 |
| 3.4.3 网络性能分析 |
| 3.4.4 与传统方法对比分析 |
| 3.4.5 与深度方法对比分析 |
| 3.5 本章小结 |
| 第4章 跨分辨率特征空间多分支耦合映射人脸识别算法 |
| 4.1 引言 |
| 4.2 跨分辨率特征空间多分支耦合映射人脸识别算法 |
| 4.3 跨分辨率特征空间多分支耦合映射人脸识别算法网络结构 |
| 4.3.1 ResNet主干-多分支耦合映射网络 |
| 4.3.2 分支选择函数 |
| 4.4 多分支耦合映射损失函数 |
| 4.4.1 跨分辨率特征Softmax联合损失 |
| 4.4.2 跨分辨率特征中心联合损失 |
| 4.4.3 跨分辨率特征联合损失 |
| 4.5 实验结果与分析 |
| 4.5.1 实验环境与参数设置 |
| 4.5.2 数据预处理 |
| 4.5.3 网络性能分析 |
| 4.5.4 与目前主流方法对比分析 |
| 4.6 本章小结 |
| 第5章 跨分辨率特征空间特征联合学习人脸识别算法 |
| 5.1 引言 |
| 5.2 跨分辨率特征空间特征联合学习人脸识别算法 |
| 5.3 跨分辨率特征空间特征联合学习人脸识别算法网络结构 |
| 5.3.1 Sphere Face网络结构 |
| 5.3.2 特征联合学习余弦距离度量损失函数 |
| 5.4 实验结果及分析 |
| 5.4.1 实验环境与参数设置 |
| 5.4.2 数据预处理 |
| 5.4.3 网络性能分析 |
| 5.4.4 网络参数对性能影响分析 |
| 5.4.5 与目前主流方法对比分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（9）基于单样本的人脸识别方法与应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 人脸识别的相关理论和方法分析 |
| 2.1 人脸识别的基础框架 |
| 2.2 人脸数据库介绍 |
| 2.3 传统的人脸特征提取方法 |
| 2.3.1 线性判别分析 |
| 2.3.2 PCA降维映射 |
| 2.3.3 局部二进制模式 |
| 2.4 深度学习相关方法 |
| 2.4.1 前馈神经网络 |
| 2.4.2 循环神经网络 |
| 2.5 领域自适应理论 |
| 2.5.1 迁移成分分析 |
| 2.5.2 领域间的低秩重构 |
| 2.6 本章小结 |
| 第三章 多尺度人脸目标的检测方法研究 |
| 3.1 引言 |
| 3.2 ResNeXt网络 |
| 3.3 基于ResNeXt网络的SSD网络 |
| 3.3.1 SSD网络简介 |
| 3.3.2 基于ResNeXt的SSD网络模型 |
| 3.3.3 非极大值抑制 |
| 3.4 实验及分析 |
| 3.4.1 人脸数据集介绍 |
| 3.4.2 试验方案 |
| 3.4.3 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 面向单样本的人脸识别方法研究 |
| 4.1 引言 |
| 4.2 解决单样本识别问题的方法 |
| 4.2.1 迁移学习 |
| 4.2.2 学习模型 |
| 4.2.3 学习模型求解 |
| 4.3 实验结果分析 |
| 4.3.1 人脸数据库介绍 |
| 4.3.2 基本实验设置 |
| 4.3.3 迁移学习和判别特征学习算法分析 |
| 4.3.4 算法比较与分析 |
| 4.3.5 真实场景下实验结果展示 |
| 4.4 本章小结 |
| 第五章 面向单样本人脸的点名系统设计与实现 |
| 5.1 引言 |
| 5.2 系统设计 |
| 5.2.1 系统需求分析 |
| 5.2.2 系统整体架构设计 |
| 5.3 系统搭建及展示 |
| 5.3.1 系统搭建 |
| 5.3.2 系统展示 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 致谢 |
| 参考文献 |
（10）基于表示学习的低分辨率人脸识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 低分辨率人脸识别研究现状 |
| 1.3 本文的工作及组织结构 |
| 第二章 相关背景知识介绍 |
| 2.1 引言 |
| 2.2 人脸识别的整体框架 |
| 2.3 低分辨率人脸识别 |
| 2.4 表示学习介绍 |
| 2.4.1 基于稀疏表示分类 |
| 2.4.2 基于协同表示分类 |
| 2.4.3 线性回归分类 |
| 2.5 本文用到的人脸数据库 |
| 2.5.1 AR人脸数据库 |
| 2.5.2 Extended Yale B人脸数据库 |
| 2.5.3 CUHK人脸素描数据库 |
| 2.6 本章小结 |
| 第三章 基于特征表示集的低分辨率人脸识别方法 |
| 3.1 引言 |
| 3.2 分块策略 |
| 3.3 基于特征表示集的低分辨率人脸识别算法 |
| 3.3.1 模型提出 |
| 3.3.2 求解步骤 |
| 3.3.3 分类策略及算法流程 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于特征学习的跨模态低分辨人脸识别方法 |
| 4.1 引言 |
| 4.2 基于特征学习的跨模态低分辨率人脸识别算法 |
| 4.2.1 问题模型的提出 |
| 4.2.2 问题模型的优化 |
| 4.2.3 识别任务 |
| 4.3 实验结果与分析 |
| 4.3.1 实验数据集描述 |
| 4.3.2 实验比较结果 |
| 4.3.3 实验参数的比较 |
| 4.4 本章小结 |
| 第五章 基于卷积神经网络特征的低分辨率人脸识别方法 |
| 5.1 引言 |
| 5.2 基于卷积神经网络的低分辨率人脸识别算法 |
| 5.2.1 人脸特征点检测 |
| 5.2.2 卷积神经网络的设计 |
| 5.2.3 模型的提出 |
| 5.2.4 求解步骤 |
| 5.2.5 分类策略 |
| 5.3 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 附录3 攻读硕士学位期间参加的科研项目 |
| 致谢 |
四、人脸识别中优化特征空间方法的研究（论文参考文献）
- [1]基于视觉的特征学习、优化及语义解析[D]. 曹艺. 桂林电子科技大学, 2021(02)
- [2]基于深度学习的低分辨率图像人脸识别技术研究[D]. 毛雅棋. 长春理工大学, 2021(02)
- [3]面向智能监控的单样本人脸识别方法研究[D]. 甄雨寒. 电子科技大学, 2021(01)
- [4]面向异质人脸识别的域不变特征学习方法研究[D]. 杨善敏. 四川大学, 2021(01)
- [5]轻量级单图超分辨率及其在低分辨率人脸识别中的应用研究[D]. 朱飞扬. 四川大学, 2021(02)
- [6]基于深度学习的低分辨率人脸识别算法研究[D]. 张创业. 吉林大学, 2021(01)
- [7]轻量级单图超分辨率及其在低分辨率人脸识别中的应用研究[D]. 朱飞扬. 四川大学, 2021
- [8]跨分辨率深度特征联合学习人脸识别算法[D]. 陈超. 燕山大学, 2021
- [9]基于单样本的人脸识别方法与应用研究[D]. 张昭. 电子科技大学, 2021(01)
- [10]基于表示学习的低分辨率人脸识别研究[D]. 汪焰南. 南京邮电大学, 2020(03)