一、基于径向基函数网络人脸识别的研究（论文文献综述）
马佳磊[1]（2021）在《基于面部多重信息的驾驶人状态检测研究》文中进行了进一步梳理近年来,随着交通运输业的飞速发展,道路交通事故的发生率也同步上升。2018年,WHO公布的全球前十位死亡原因中,道路交通伤害从16年前的第10位上升到第7位,而其它九个原因均与疾病相关。道路交通事故的诱因繁多,而人的因素在整个汽车驾驶链中是最为复杂、最具有不确定性的环节,在交通事故中的影响高达90%,其原因主要有不适宜驾驶的状态以及驾驶人的精神不集中。因此,如何利用现代科技手段有效的识别驾驶人的不良状态并及时预警,是合理预防道路交通事故的有效措施,也是当下道路安全管理研究中的重要课题。但是,驾驶人之间的个体差异、复杂的驾驶环境以及现有驾驶人状态检测方法的局限性使得高准确度、高实时性以及强鲁棒性的驾驶人状态检测技术的提出仍存在较多的技术瓶颈。针对上述问题,本文将开展基于面部多重信息的驾驶人状态检测研究,基于非侵入式的数据采集方式,以全面辨识驾驶人状态为目标,以面部多重信息为分析对象,利用大数据分析和机器学习技术,挖掘面部行为的表征指标,通过对面部运动单元的识别和强度估计,最终实现驾驶过程中驾驶人情绪、疲劳及分心状态的全面检测。具体研究内容如下:（1）考虑现有面部AU数据库所存在的问题,建立含有单一的、非耦合的面部运动单元、基本表情以及疲劳状态指标的CMFI数据库,并对面部运动单元的时空特性进行分析。（2）利用面部特征点对人脸的几何特征进行构造,利用大津二值化法和改进的主成分分析方法实现特征选择和特征提取,利用径向基神经网络模型训练面部运动单元的强度估计模型,采用动态神经元添加的方式进行模型优化,提高模型的构建效率。（3）通过大数据分析挖掘基本表情下的面部运动单元的表征,考虑高维小样本的数据特点,并结合表情的时空特征,利用支持向量机算法实现驾驶人瞬态表情的识别,提出驾驶人情绪指数,用以实现瞬态面部表情的连续表达,最终实现驾驶员情绪的客观评定。（4）搭建驾驶人状态采集平台,对驾驶过程中正常、疲劳与分心状态进行采集,并挖掘能够表征驾驶人疲劳和分心的面部特征,考虑不同人在疲劳状态下的动作差异,利用特征匹配的方法实现驾驶人疲劳状态检测;基于驾驶人面部的几何特征,以面部朝向为表征指标,实现驾驶人分心状态的检测。实验结果证明,本文所提出的检测算法具有较高的识别准确率,可实时、准确的对驾驶人情绪、疲劳和分心状态进行检测,研究成果可应用于驾驶人辅助驾驶系统、驾驶人适宜性检测、驾驶人准入及培训等领域,对提高驾驶安全性、减少或避免因驾驶人不良情绪或状态所导致的道路交通事故具有重要指导意义。
孙琦[2]（2020）在《基于短时心电信号的情感识别研究》文中研究表明情绪与人们的健康息息相关,通过情感识别技术可以对负面情绪进行检测,有助于保持身心健康。同时情感识别也是实现人机情感交互的重要一环。本文在总结了国内外相关的研究基础上,着重考虑情感识别的实时性,最终选用长度为10 s的短时情感心电作为研究对象展开情感识别的相关研究,本文主要研究工作如下:本文通过视频诱发的方式对21名身心健康的在校学生进行了情感心电信号的采集,并和Bio Vid Emo DB情感数据库共同组成了一个包含高兴、悲伤、厌恶、恐惧和愤怒这五种情绪在内的情感数据库。数据库中包含情感心电数据以及实验过程中被试者的面部表情视频,其中的面部表情视频会用作情感心电数据的标注。在心电信号的预处理阶段选取sym小波对心电信号进行降噪处理。实验采集到的情感数据往往含有相当数量的无情感内容,同时因本文使用短时心电信号进行情感识别的相关研究,这就需要设计相应的标注系统标记出情感数据中有效的部分。本文针对性地设计了基于面部表情识别的标注系统,其中的人脸识别部分通过多任务卷积神经网络实现,表情识别部分通过残差网络实现。使用该系统能够有效地标记出长度为10 s的短时情感心电信号的位置。然后,通过Pan&Tompkins差分阈值算法对短时情感心电信号进行R波识别从而获取短时心电信号的RR间期。以RR间期序列为研究对象,经过时域、频域和非线性分析得到了心率变异性的多个指标。并通过统计分析的方法,对5种情绪状态下的心率变异性指标的差异性进行了研究。最后,本文基于多种机器学习方法,针对一对一的情感识别和多情绪之间的识别分别建立了相应的识别模型,并通过十折交叉验证和网络搜索算法对模型进行优化。实验表明支持向量机和随机森林算法能够在一对一的情感识别中达到较高的识别效果,同时随机森林算法在五种情绪的分类中也表现得较为出色。最终,基于上述的研究成果,本文完成了能够对短时情感心电信号进行分析和情感识别的界面设计。
张振[3]（2020）在《基于深度小波神经网络的时变信号分类与人脸识别技术研究》文中进行了进一步梳理小波分析是在应用数学的基础上发展起来的一门学科。由于小波函数具有良好的时频局部特性分析能力,使小波分析在时域信号和图像特征的提取、表示与分析方面被广泛应用,是基础科学、信息科学重要的研究和应用领域。小波神经网络是以小波分析为理论基础,结合神经网络基于实例集合的自学习、自适应特性所构建的分析模型。该模型采用小波基函数来发现和突出信号的时频特征,优化神经网络的参数和误差空间,以小波基和输入向量的内积进行加权完成对输入层的特征提取,使网络具有较强的非线性拟合能力和较快的收敛速度,在信号分析和图像处理方面取得丰富成果。由于现代科技的快速发展和研究领域的不断扩大,小波神经网络的分析对象变得日益复杂。一维信号多为时变信号,主要表现为时变性、非线性和非平稳性、不确定性等特征;二维图像则具有一定的随机性和耦合性等特点,易受亮度、清晰度、角度等各方面的干扰,给问题的分析研究带来困难。基于小波神经网络对一维信号和二维图像都有较好的微观分析和特征表示能力,本文面向时变信号分类和人脸图像识别问题,提出了两类改进小波神经网络模型。主要创新点及研究工作包含以下两个方面:1.针对多通道时变信号分类问题,构建了一种稀疏自编码器深度小波过程神经网络（SAE-WPNN）。通过构建一种多输入/多输出的小波过程神经网络（WPNN）,实现对时变信号的多尺度分解和对过程分布特征的初步提取;在WPNN隐层之后叠加一个SAE深度网络,对所提取的信号特征进行高层次的综合和表示,并基于softmax分类器实现对时变信号的分类。模型将基于小波基的多尺度特征分解与表示、PNN对时变信号的分类机制和学习能力、以及SAE深度网络对信号特征的高层次综合能力相结合,在机制上对复杂时变信号的分类问题具有良好的适应性。以中国心血管疾病医学数据库中基于12导联ECG信号的7种心血管疾病分类诊断进行实验,验证模型和算法的有效性。2.针对人脸图像识别问题,建立了一种基于小波多分辨分析的递归小波神经网络（RWNN）。该模型以小波多分辨分析为基础,将尺度函数和小波函数作为网络隐层激励函数,提取图像的低频轮廓特征和高频细节特征,实现对二维人脸图像由粗到细的多尺度分析,减少隐层表示的冗余。同时,结合递归神经网络的特征记忆能力和分类机制,可较为准确实现人脸图像特征的辨识和识别。以LFW人脸数据集图像识别进行实验,验证方法的可行性。
康艺泓[4]（2020）在《公共安全行业的动态人脸识别软件开发与实现》文中研究表明随着社会发展进程的加快,人民的基本生活要求已经被较大程度上满足,而现在人们对安全的意识越来越强烈,提到安全就离不开验证方式,比较传统的验证方式包括一些身份证和密码等,但是这些方式都存在不同程度的弊端和不足,比如容易遗忘或者丢失,容易被盗等,但是人脸识别具有容易采集、友好性等多个优点,是当今十分流行的生物特征识别的一种,其具有巨大的发展潜力和强大的优势。同时在我们生活中的实际应用中,动态人脸识别相对于静态人脸识别更接近于实际应用场景。现如今,人脸识别技术被广泛应用于社会治安管理,比如在一些疑犯比对、失踪儿童找回、跨年龄段人脸信息检索等有着重要应用。对于辅助公安机关断案和维护社会治安平稳起到了很强的的推动作用。但是在公安系统中的应用会更加要求实时性和黑名单库会更庞大,这时候对识别率的考验会更加严格。本课题主要以动态人脸识别技术在公共安全行业中的应用及发展趋势为研究课题,重点研究了静态人脸比对识别和动态人脸监控识别中的动态人脸监控识别,该系统可应用于车站、机场、地铁等重点场所和人群密集公共场所以及学校、医院等企事业单位出入口等多种治安、安保、安防、反伪等领域。本文主要研究了人脸识别技术在安全保卫工作中的应用及发展趋势,主要从技术和应用两个角度分别分析了动态人脸识别。主要研究内容分为五部分。第一部分是系统的研究背景以及意义;第二部分主要讲了动态人脸识别与静态人脸识别技术的主要区别对比,同时分析了人脸识别稀疏表示、子空间表示、神经网络人脸识别、PCA主成分分析等主要技术研究水平和研究方向的技术实现;第三部分讲了系统实际的设计与实现和效果之间的对比;最后第四部分主要讲了动态人脸识别更加适用于公安行业的系统实现过程,以及动态人脸识别在公共安全行业中的应用及发展趋势;
汪惠阳[5]（2020）在《基于多层非负矩阵分解架构的人脸识别若干算法研究》文中提出近些年来,人工智能成为了我们日常生活的焦点。在人工智能时代,人脸识别技术被广泛用于我们的日常生活中,如智能手机的人脸解锁功能以及人脸支付功能等,因此人脸识别技术识别性能的提升成为相关研究人员的研究热点。为此,一些先进的人脸识别算法被相继提出并得到了广泛的运用,如非负矩阵分解算法（NMF）等。NMF算法的基本思想是用一组基图像的线性组合来表示原始图像,这种对原始图像进行分解的方法符合人类思维中“局部构成整体”的思想。由于拍摄环境,设备,拍摄角度以及人脸遮挡等情况的不同,人脸照片会出现较大差异,数据呈现非线性分布。NMF作为一种线性算法,在处理较为复杂的非线性数据分布问题上有较大困难,且浅层的NMF算法学习所得的基图像和特征是较为浅显的,不能体现出数据更深层次的特征,而人类视觉系统在分析图像时是采用分层的、非线性的方法。本学位论文旨在解决上述算法存在的不足之处。论文分为五章进行,第一章主要介绍人脸识别和NMF发展现状、NMF和多层NMF的分解思想以及论文的主要内容和组织架构,第五章为论文总结和展望。本学位论文的研究工作主要在第二章至第四章体现。以下内容将简要介绍这三章的主要研究工作。经典的NMF算法作为一种线性算法,在处理非线性数据分布时效果不佳。RBF神经网络是一种有效的非线性学习模型,在处理非线性数据分布问题上表现出很强的非线性拟合能力。隐藏神经元和权重在神经网络中起着重要的作用。第二章提出了基于径向基函数的非负矩阵分解（NMRBF）神经网络算法。NMRBF算法利用NMF的主要思想对RBF神经网络的参数进行训练。该算法能够提高隐藏神经元的准确性,权重的迭代公式可以保证它的可解性和可解释性。第二章实验将在ORL,Yale 2个人脸数据集上进行,实验结果表明了论文所提出的NMRBF神经网络算法具有良好的识别性能。但NMRBF算法仍是一种浅层的算法,很难提取数据更深层次的特征。为了能够提取反映样本深度局部化特性的特征,第三章构造了一种新颖的基于底层基图像学习的深度非负基矩阵分解架构。该架构通过对基图像的深度分解从而获取底层基图像矩阵,这样对基图像深度分解的架构可以理解为获得更能够反映样本局部特性的基的过程,该架构具有强烈的可解释性和实际的物理意义。为了实现该架构,本文首先提出深度非负基矩阵分解算法（DNBMF）和正则化深度非负基矩阵分解算法（RDNNBMF）。并从理论上证明了算法的收敛性。本章实验在FERET,ORL,AR,CMU,Stirling和Yale 6个公开人脸数据集上进行,实验结果显示了本章构造的基于底层基图像学习的深度非负基矩阵分解架构相对其他基于特征系数分解的深度分解架构相比具有较好的识别性能。但提出的两种算法是线性算法,在处理更加复杂的非线性分布数据时识别性能依旧有待提高。为了让深度非负基矩阵分解架构能够适应更多复杂数据模式识别问题,论文第四章又提出了一种非线性的深度非负基矩阵分解算法—正则化深度非线性非负基矩阵分解算法（RDNNBMF）。该算法将原始样本以及每层的基图像通过一个非线性映射投影到高维空间中,并在此高维空间中对映射样本进行基于底层基图像的深度分解。第四章实验在FERET,ORL,AR,CMU,Stirling和Yale 6个公开人脸数据集上进行,实验结果显示了本章提出的非线性算法RDNNBMF算法与线性算法DNBMF算法和RDNBMF算法以及其他非线性算法相比具有更好的识别性能。
刘伟鑫[6]（2020）在《基于深度神经网络的遮挡人脸识别算法研究》文中提出深度学习的蓬勃兴起引起了人工智能领域的研究热潮,人脸识别技术作为人工智能领域的重要分支,在近年来有了不断的进步,并被广泛应用于商业活动和人们的生活当中。伴随着人工智能领域的进步,人脸识别的精度和准确率有了明显的提高。然而,在现实的场景中由于非受控因素影响导致人脸发生遮挡,从而致使人脸目标的特征缺失,最终导致人脸识别算法系统准确率急剧下降。基于人脸遮挡的问题,科研人员提出了各种算法来解决现实场景中存在的遮挡问题,但是这些算法并未从根本上解决特征缺失的问题。因此,在自然条件下基于遮挡人脸的身份识别在人脸识别领域依然是热门的话题。本文着眼于人脸的遮挡问题,在文中提出了一种基于改进的生成式对抗网络（GAN）来修复缺失的人脸,通过对人脸的缺失特征进行修复和重建从而在根本上解决在自然条件下遮挡物对人脸识别系统的干扰,再将修复后的人脸图像通过深度学习卷积神经网络进行准确率的识别,最后通过实验的对比从而证明所提出的算法对于在自然条件下存在的遮挡人脸识别准确率较高。本文的主要研究工作如下:（1）基于传统检测算法和深度学习算法的人脸检测技术的研究。基于传统的人脸检测算法,主要介绍了Adaboost集成算法,Adaboost集成算法在深度学习未兴起时是主要的检测算法。基于深度学习的人脸检测算法,本文主要通过MTCNN人脸检测算法进行了深入研究,MTCNN人脸检测算法是基于深度学习人脸检测算法中常用算法,可以同时实现人脸检测和关键点定位,之后根据关键点位置结合人脸五官的分布特性定位出目标人脸的关键区域。通过对人脸检测相关技术的研究为后续人脸识别以及实现人脸去遮挡的算法提供了充足的理论依据。（2）基于CNN网络的人脸识别研究。本文首先介绍了卷积网络（CNN）的基本原理和结构,在此基础上对CNN网络进行了详细的解释,并采用经典的卷积网络框架VGGNet进行了人脸识别的相关实验,在此基础上本文提出了一种基于改进的VGGNet网络来实现人脸识别,通过实验对比的方式在相关人脸识别数据集上验证了本文算法与VGG网络的人脸识别算法优劣,实验结果表明基于改进的VGGNet网络在人脸识别准确率上效果更优。（3）针对自然条件下存在的遮挡对人脸识别网络精度产生的不良影响,本文的思想基于对人脸遮挡区域进行细节修复还原被遮挡后的人脸真实图像,然后将还原后的人脸图像送入到识别网络中判断从而达到在人脸识别算法中提高识别精度的想法。基于此想法,本文主要通过研究基于生成式对抗网络（GAN）的人脸生成的相关算法,提出了一种基于W-GAN网络的局部遮挡人脸修复算法来修复人脸被遮挡的部分。基于对人脸图像细节修复的目的,本文在该人脸修复算法上引入新的损失函数,最后结合改进后的人脸修复算法和基于改进的VGGNet网络人脸识别算法设计了一种在自然条件下的人脸识别算法,在人脸识别相关数据集上本文分别进行两组仿真实验,实验表明该算法对于人脸遮挡具有良好的识别准确率。本文对以上提出的算法进行了相关实验,实验结果表明,相较于近几年业界主流的基于CNN的人脸识别算法,本文所提出的算法对于人脸识别有更高的鲁棒性表现,尤其对遮挡条件下的识别效果优势明显。
王绪乔[7]（2019）在《机动车疲劳驾驶行为检测算法的研究与应用》文中提出随着现代化进程的推进和速递性业务的发展,交通运输业得到了飞速发展,因疲劳驾驶而频繁产生的交通事故,已经成为全世界范畴上亟待解决的难题。疲劳是一种正常的生理现象,但这种看似无法人为控制的正常行为却在机动车驾驶中导致了大量的交通事故,并由此引发众多社会问题。疲劳驾驶业已变为威胁驾驶员以及其他人生命安全的主要元素之一,并逐步发展为亟需解决的全球性难题。当下的疲劳驾驶判别方式多以软、硬件结合后传回的指标来进行判断,面对存在差异的驾驶员个体,疲劳驾驶与非疲劳驾驶的差异不甚明显,使得疲劳驾驶检测的效果难尽人意。至今国内尚未研发出成熟有效的疲劳驾驶检测的设备,研究也仍然处于试验阶段,因此需要加强对检验疲劳驾驶产品的研究与开拓。论文分析了各种检测系统的特点,包括生物电信号信号检测系统,基于perclos的眼部检测系统等提出了一种基于卷积神经网络与径向基函数相结合的疲劳驾驶检测算法,利用深度卷积神经网络进行疲劳驾驭特征识别,并利用径向基函数进行分类。搭建了一个基于TensorFlow环境的疲劳驾驶模拟实验系统,收集驾驶员行驶中的各类行为数据,以此数据训练模型,并在实际道路与车辆环境中进行测试,确定驾驶员处于不同疲劳程度时的面部运动以及驾驶行为的表现,改进算法的性能。实验证明,本文提出的方法能自适应复杂场景,实现疲劳驾驶行为的实时检测,并保证较高的准确性。
王利龙[8]（2019）在《融合改进流形学习和深度神经网络的人脸识别算法研究》文中研究指明作为现代信息安全领域不可或缺的身份查验技术,人脸识别（Face Recognition,FR）依赖面部差异这一生物特征已然成为最受欢迎的目标识别技术之一,并在监控安防、人证比对等领域得到了更为广泛的应用。随着深度学习（Deep Learning）的发展,人脸识别性能实现了“质”的飞跃。然而,受样本数量、光照等条件的影响,深度神经网络（Deep Neural Networks）算法并不能很好的处理小样本问题。基于人脸符合高维流形这一特征,采用流形学习（Manifold Learning）算法能在降维过程中更好的保留人脸有用信息。考虑到两算法优势,提出了融合改进流形学习和深度神经网络的算法思想。所做主要工作如下:首先,研究二维局部保持投影（Two Dimensional Locality Preserving Projection,2DLPP）算法,该线性降维算法虽能很好的保留人脸这一高维特征的局部流形结构,但缺乏类别信息考量。针对该缺陷,提出了改进双向二维局部保持投影的人脸识别算法,该方法引入类别权重,将类内差异最小化、同时类间差异最大化,并借鉴双向线性降维特征提取的算法思想,分别在行方向、列方向融合二维主成分分析、二维线性鉴别分析算法,更大程度地提取人脸图像的有用信息,很好的解决了维数灾难和小样本问题。其次,分析现有Gabor特征对人脸图像表达的良好性能,其多通道特征很好的提升了识别率,但多通道人脸表征在进行分类时会造成较大的计算量,针对多通道GaborFace表征的算法缺陷,提出了融合MGFR和改进双向人脸特征降维的人脸识别算法,该算法从尺度、方向上选取最优的通道组合方式构造新Gabor人脸表征,并作为改进双向二维特征降维算法的输入,从而最大程度的获取小样本数据集上的有用特征信息,来提升算法的有效性。最后,介绍了用于分类的BP神经网络和RBF神经网络,以及引入线性降维的PCANet和2DPCANet模型,针对当前神经网络在图像分类和特征提取上的普遍应用,探讨了特征降维与神经网络相结合的算法,将降维过程提取到的特征作为神经网络的输入,利用经典的BP神经网络和RBF神经网络进行分类,以得到更高的分类精度。
张璐璐[9]（2019）在《基于卷积神经网络的人脸面部表情识别方法研究》文中研究指明人工智能与机器视觉技术的迅速发展,掀起了图像处理领域发展的浪潮,深度学习算法也逐渐步入人们的视线。人脸面部表情识别作为人机交互的一个重要组成部分,利用深度学习算法实现对人脸面部表情的识别和分类成为了各界学者研究的热点问题。论文主要是对静态的人脸面部表情进行识别分类。首先运用Adaboos算法对人脸面部表情图像进行粗略的裁剪,再利用梯度积分投影和双阈值二值化对人脸面部表情图像中的人眼进行定位从而实现对人脸面部图像的精确裁剪;对于裁剪好的图像又对其进行了基于双线性插值的尺度归一化处理和基于均衡化算法的灰度归一化处理,得到最终的统一尺寸和统一灰度的人脸面部表情图像。综合考虑的神经元的特征、学习规则和网络的拓扑结构三个方面构建了一个用于对人脸面部表情进行识别和分类的卷积神经网络构架。卷积层采用固定权值的Gabor小波直接构造,全连接层采用支持向量机算法进行构造,并运用匹配生长规则对卷积神经网络的层次结构进行确定,利用反向传播算法对整个卷积神经网进行参数训练。最终得到经过实验确定的适用于人脸面部表情识别与分类的卷积神经网络结构。针对Gabor小波的位数灾难问题,运用Fisher线性判别法改进的主成分分析法对其进行了降维处理,有效地解决了人脸面部图像维数过多和识别时间较长的问题。对改进的主成分分析法结合支持向量机算法与卷积神经网络算法分别进行了人脸面部表情识别的实验,并与传统的人脸面部表情识别结构进行了比较,验证了卷积神经网络在人脸面部表情识别的准确性和有效性;另外,对人脸面部表情识别分类系统进行了设计,并设计了应用于人机交互的GUI图形用户界面。
安梦涛[10]（2018）在《基于多特征和卷积神经网络的人脸表情识别》文中研究指明随着计算机技术的迅速发展,人脸表情识别逐渐成为模式识别和人工智能等领域的热点研究课题。表情是感情理解的基础,能够在一定程度上反映被识别对象的心理情绪。人脸表情识别使得计算机和机器人具有理解和表达情感的能力,从而达到更好的人机交互。它在心理学、智能机器人、安全驾驶等领域都有很多潜在的应用价值。目前已经存在各种各样的表情特征提取算法,但由于光照、姿态、年龄、遮挡、表情数据库样本数量有限等因素的影响,导致人脸表情的识别率难以提高。为了更好地提高人脸表情识别率,本文对人脸表情识别算法进行研究,提出了一种基于多特征和卷积神经网络的人脸表情识别方法。本文的主要工作如下:首先,对人脸表情图像进行一系列预处理操作。通过加权平均法将人脸表情图像从RGB空间转换到灰度空间,分别根据“三庭五眼”特征和双三次插值法对灰度图像进行裁剪与缩放,并通过直方图均衡来增强图像的局部对比度。其次,对目前主要的人脸表情特征提取算法进行了研究,并对局部二值模式（Local Binary Pattern,LBP）、Gabor小波变换以及CNN卷积层提取的特征进行可视化和三种算法分析。然后,介绍了本文所提出的基于多特征和卷积神经网络的人脸表情识别算法。分别提取一层DWT低频子带特征、LDP特征与Sobel特征三种特征图;借鉴LeNet-5与AlexNet两种经典的网络模型,设计了用于人脸表情识别的8层卷积神经网络模型FERNet（Facial Expression Recognition Networks）,利用ReLU作为激活函数,加入Dropout层,防止网络训练时出现过拟合现象;将三种特征图作为FERNet的输入,对网络模型进行训练,并对卷积神经网络提取到的特征向量进行PCA降维处理,得到降维后的表情特征向量。最后,在分类识别阶段,采用支持向量机（Support Vector Machine,SVM）对人脸表情进行分类识别。分别在CK+数据库和RAF数据库上进行实验,本文的人脸表情识别率分别为95.32%和68.94%,结果表明本文提出的算法优于LBP、Gabor、GB-DBNs+SAE以及BDBN等算法。
二、基于径向基函数网络人脸识别的研究（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、基于径向基函数网络人脸识别的研究（论文提纲范文）
（1）基于面部多重信息的驾驶人状态检测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 .研究背景及意义 |
| 1.2 .国内外研究现状 |
| 1.2.1 .面部行为的研究 |
| 1.2.2 .基于客观方法的驾驶人状态检测研究 |
| 1.2.3 .目前国内外研究中存在的问题 |
| 1.3 .本文主要研究内容 |
| 1.4 .技术路线 |
| 第2章 面部多重信息数据库构建 |
| 2.1 .面部多重信息构建的理论基础与关键要素 |
| 2.1.1 .面部信息测量方法 |
| 2.1.2 .面部运动编码系统及面部运动单元 |
| 2.2 .现有面部信息数据库总结与分析 |
| 2.2.1 .现有数据库简述 |
| 2.2.2 .现有数据库分析 |
| 2.3 .CMFI数据库的构建流程 |
| 2.3.1 .被试招募与采集内容 |
| 2.3.2 .彩色与深度同步记录系统搭建 |
| 2.3.3 .数据采集 |
| 2.3.4 .数据库组织 |
| 2.4 .数据库描述性统计与有效性检验 |
| 2.4.1 .数据筛选与标定 |
| 2.4.2 .有效性检验 |
| 2.4.3 .数据库描述性统计 |
| 2.5 .本章小结 |
| 第3章 面部AU的时空特性分析 |
| 3.1 .与FACS相关的概念 |
| 3.1.1 .面部状态的AU解耦 |
| 3.1.2 .面部AU的强度 |
| 3.1.3 .面部AU的形态学和动力学 |
| 3.1.4 .面部AU的自愿表达和非自愿表达 |
| 3.2 .分析所用的数据库介绍 |
| 3.3 .面部AU的时间特征 |
| 3.3.1 .时间序列特征 |
| 3.3.2 .与时间相关的强度排序 |
| 3.3.3 .相邻帧的相似性 |
| 3.4 .面部AU的空间特征 |
| 3.4.1 .空间作用关系 |
| 3.4.2 .面部的对称性 |
| 3.4.3 .外观的差异性 |
| 3.5 .本章小结 |
| 第4章 考虑空间特性的面部AU强度估计 |
| 4.1 .面部AU的分析框架 |
| 4.1.1 .面部图像预处理 |
| 4.1.2 .人脸检测 |
| 4.1.3 .人脸对齐和人脸配准 |
| 4.2 .基于面部几何特征的面部信息特征构造 |
| 4.2.1 .特征的选定及其构造方式 |
| 4.2.2 .考虑面部AU空间特性的特征构造 |
| 4.3 .基于构造信息的特征选择和提取 |
| 4.3.1 .基于大津二值化法的特征选择 |
| 4.3.2 .基于改进的主成分分析的特征提取 |
| 4.4 .基于径向基神经网络的面部AU强度估计模型构建 |
| 4.4.1 .面部AU强度估计模型的选择 |
| 4.4.2 .训练集与评价集的构建 |
| 4.4.3 .评估标准与拟合结果 |
| 4.4.4 .训练过程分析与优化 |
| 4.5 .本章小结 |
| 第5章 基于表情时序变化特征的驾驶人情绪识别研究 |
| 5.1 .基于面部AU强度估计的瞬态识别研究 |
| 5.1.1 .表情的面部AU表征 |
| 5.1.2 .表情的时空特性 |
| 5.1.3 .基于SVM的驾驶人瞬态表情识别 |
| 5.1.4 .模型验证 |
| 5.2 .表情的情绪推理 |
| 5.2.1 .情绪-表情的对应关系 |
| 5.2.2 .驾驶人情绪指数 |
| 5.3 .基于驾驶人瞬态面部表情的情绪识别 |
| 5.3.1 .情绪数据采集 |
| 5.3.2 .情绪识别 |
| 5.4 .本章小结 |
| 第6章 驾驶人疲劳和分心状态检测研究 |
| 6.1 .驾驶状态采集平台搭建及采集方案 |
| 6.1.1 .硬件设备搭建 |
| 6.1.2 .驾驶仿真软件 |
| 6.1.3 .采集方案设计 |
| 6.2 .考虑特征匹配的疲劳状态识别研究 |
| 6.2.1 .疲劳的表征指标研究 |
| 6.2.2 .基于特征匹配的疲劳指标识别模型研究 |
| 6.2.3 .基于决策树的疲劳状态识别 |
| 6.3 .分心驾驶检测 |
| 6.3.1 .信息描述与特征构建 |
| 6.3.2 .分心驾驶检测模型构建 |
| 6.3.3 .模型验证 |
| 6.4 .本章小结 |
| 第7章 结论与展望 |
| 7.1 .工作总结 |
| 7.2 .主要创新点 |
| 7.3 .研究展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（2）基于短时心电信号的情感识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 情绪 |
| 1.1.2 情感计算 |
| 1.1.3 情绪模型 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究内容和章节安排 |
| 第二章 情感心电信号的采集及预处理 |
| 2.1 心电信号简介 |
| 2.2 情感诱发实验设计 |
| 2.2.1 情绪诱发方式的选取 |
| 2.2.2 实验对象 |
| 2.2.3 情感诱发实验设计 |
| 2.2.4 主观评定分析 |
| 2.3 Bio Vid Emo DB情感数据库 |
| 2.4 心电信号预处理 |
| 2.5 本章小结 |
| 第三章 基于表情识别模型的短时情感心电标注系统设计 |
| 3.1 面部表情识别技术 |
| 3.1.1 人脸检测算法 |
| 3.1.2 人脸表情特征提取方法 |
| 3.1.3 人脸表情识别算法 |
| 3.2 基于MTCNN的人脸检测 |
| 3.2.1 卷积神经网络结构 |
| 3.2.2 MTCNN工作原理及过程 |
| 3.3 基于残差网络的面部表情识别算法 |
| 3.3.1 表情数据的来源 |
| 3.3.2 卷积神经网络模型发展简介 |
| 3.3.3 基于Res Net-18 的面部表情识别与分析 |
| 3.4 基于面部表情识别模型的短时情感心电数据标注 |
| 3.5 本章小结 |
| 第四章 短时心电特征提取及多种情绪对比研究 |
| 4.1 基于Pan& Tompkins差分阈值算法的R波检测算法 |
| 4.2 心率变异性特征提取 |
| 4.2.1 时域特征提取 |
| 4.2.2 频域特征提取 |
| 4.2.3 非线性特征提取 |
| 4.3 多种情绪状态下的心率变异性特征分析 |
| 4.3.1 统计分析结果 |
| 4.3.2 分析和讨论 |
| 4.4 本章小结 |
| 第五章 基于机器学习的短时情感心电识别模型构建 |
| 5.1 分类器简介 |
| 5.1.1 支持向量机 |
| 5.1.2 K最近邻算法 |
| 5.1.3 随机森林算法 |
| 5.2 一对一情感识别 |
| 5.3 五种离散情绪的情感识别 |
| 5.4 基于短时心电的情感识别界面设计 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间的研究成果 |
| 致谢 |
（3）基于深度小波神经网络的时变信号分类与人脸识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 选题意义 |
| 1.2 相关领域研究概况 |
| 1.3 本文研究内容和技术路线 |
| 1.4 本文内容组织结构 |
| 2 相关理论和技术 |
| 2.1 小波神经网络 |
| 2.2 过程神经网络 |
| 2.3 稀疏自编码器 |
| 2.4 Elman神经网络 |
| 2.5 本章小结 |
| 3 基于深度小波过程神经网络的时变信号分类 |
| 3.1 问题分析 |
| 3.2 小波过程神经网络 |
| 3.3 深度小波过程神经网络 |
| 3.4 深度小波过程神经网络学习算法 |
| 3.5 实验及结果分析 |
| 3.6 本章小结 |
| 4 基于递归多分辨小波神经网络的人脸识别 |
| 4.1 问题分析 |
| 4.2 人脸目标检测技术 |
| 4.3 图像信号的特征提取 |
| 4.4 多分辨小波神经网络 |
| 4.5 递归多分辨小波神经网络模型 |
| 4.6 递归多分辨小波神经网络学习算法 |
| 4.7 实验及结果分析 |
| 4.8 本章小结 |
| 5 总结与展望 |
| 5.1 论文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（4）公共安全行业的动态人脸识别软件开发与实现（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 人脸识别技术的国内外研究历史与现状 |
| 1.3 国内外研究方向 |
| 1.4 人脸识别技术及研究内容 |
| 1.5 静态人脸识别监控系统 |
| 1.6 动态人脸识别监控系统 |
| 1.7 本文的主要贡献与创新 |
| 1.8 本论文的结构安排 |
| 第二章 动态人脸识别算法 |
| 2.1 主要研究现状 |
| 2.2 主要研究技术方向 |
| 2.2.1 神经网络方法 |
| 2.2.2 稀疏表示方法 |
| 2.2.3 子空间方法 |
| 2.2.4 人脸识别其他分析方法 |
| 2.3 人脸识别算法实现 |
| 2.3.1 神经网络 |
| 2.3.2 稀疏表示方法 |
| 2.3.3 基于PCA的人脸识别 |
| 2.3.4 人脸识别算法实验结果分析 |
| 2.4 本章小结 |
| 第三章 公安领域动态人脸识别系统 |
| 3.1 公共安全领域的应用场景 |
| 3.2 公共安全动态人脸识别系统实现 |
| 3.2.1 系统需求分析 |
| 3.2.2 系统实现算法部分设计 |
| 3.2.3 系统识别部分软件代码展示 |
| 3.2.4 识别系统测试结果 |
| 3.3 动态人脸识别技术在公安系统中的应用场景 |
| 3.4 人脸识别应用中存在的问题 |
| 3.5 安保应用中人脸识别技术的发展态势 |
| 3.6 本章小结 |
| 第四章 全文总结与展望 |
| 4.1 全文总结 |
| 4.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（5）基于多层非负矩阵分解架构的人脸识别若干算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 非负矩阵分解算法 |
| 1.3 多层非负矩阵分解算法 |
| 1.4 核技巧 |
| 1.5 本文的主要研究内容及组织结构 |
| 1.5.1 本文主要研究内容 |
| 1.5.2 本文的组织结构 |
| 第2章 基于径向基函数的非负矩阵分解神经网络算法 |
| 2.1 径向基函数神经网络 |
| 2.2 基于径向基函数的非负矩阵分解神经网络算法 |
| 2.2.1 非负径向基函数神经网络结构 |
| 2.2.2 算法学习过程 |
| 2.2.3 算法识别过程 |
| 2.3 实验结果与分析 |
| 2.3.1 实验数据集 |
| 2.3.2 实验参数设置 |
| 2.3.3 算法识别性能实验 |
| 2.4 本章小结 |
| 第3章 基于底层基图像学习的深度非负基矩阵分解架构 |
| 3.1 基于底层基图像学习的深度非负基矩阵分解架构 |
| 3.1.1 深度非负基矩阵分解架构 |
| 3.1.2 深度非负基矩阵分解算法 |
| 3.1.3 正则化深度非负基矩阵分解算法 |
| 3.2 算法收敛性证明 |
| 3.3 实验结果与分析 |
| 3.3.1 实验数据集 |
| 3.3.2 实验参数设置 |
| 3.3.3 算法识别性能实验 |
| 3.4 本章小结 |
| 第4章 深度非线性非负基矩阵分解算法 |
| 4.1 正则化深度非线性非负基矩阵分解算法 |
| 4.1.1 目标函数设计 |
| 4.1.2 底层基图像优化方法 |
| 4.1.3 特征提取 |
| 4.2 实验结果与分析 |
| 4.2.1 实验数据集 |
| 4.2.2 实验参数设置 |
| 4.2.3 算法收敛性分析 |
| 4.2.4 基图像分析 |
| 4.2.5 算法识别性能实验 |
| 4.2.6 不同底层基图像个数实验 |
| 4.3 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 指导教师对研究生学位论文的学术评语 |
| 学位论文答辩委员会决议书 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（6）基于深度神经网络的遮挡人脸识别算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 二维和三维算法 |
| 1.2.2 线性和非线性 |
| 1.2.3 遮挡人脸识别 |
| 1.3 本文主要工作 |
| 1.4 研究内容和目标 |
| 第2章 人脸预处理技术概括 |
| 2.1 人脸检测算法 |
| 2.1.1 基于AdaBoost分类器的人脸检测算法 |
| 2.1.2 Adaboost算法原理 |
| 2.1.3 基于神经网络的人脸检测算法 |
| 2.2 人脸关键点检测算法 |
| 2.3 人脸识别算法 |
| 2.4 本章小结 |
| 第3章 深度神经网络 |
| 3.1 神经网络模型 |
| 3.1.1 神经元 |
| 3.1.2 多层神经网络 |
| 3.2 卷积神经网络 |
| 3.2.1 卷积层 |
| 3.2.1.1 卷积操作 |
| 3.2.1.2 神经网络的激活函数 |
| 3.2.2 池化层 |
| 3.2.3 输出层 |
| 3.3 LeNet-5 |
| 3.4 AlexNet |
| 3.5 VGGNet |
| 3.6 本章小结 |
| 第4章 基于深度神经网络的人脸识别算法 |
| 4.1 MTCNN人脸检测 |
| 4.1.1 数据的处理 |
| 4.1.2 MTCNN网络结构 |
| 4.1.3 损失函数 |
| 4.2 基于GAN网络的人脸去遮挡 |
| 4.2.1 生成对抗网络(GAN) |
| 4.2.1.1 生成器Generation |
| 4.2.1.2 判别器Discriminator |
| 4.2.2 GAN原理 |
| 4.2.3 Wassertein生成式对抗网络(WGAN) |
| 4.2.3.1 GAN网络崩溃的原因 |
| 4.2.3.2 Wasserstein距离 |
| 4.2.3.3 WGAN网络原理 |
| 4.2.4 局部遮挡人脸图像修复算法的相关研究 |
| 4.3 基于改进的VGG16 网络人脸识别 |
| 4.3.1 Squeeze-and-Excitation(SE)Networks |
| 4.3.2 AM-Softmax损失函数 |
| 4.3.3 实验及分析 |
| 4.4 本章小结 |
| 第5章 实验及结果 |
| 5.1 实验前期准备 |
| 5.2 人脸图像修复实验 |
| 5.3 人脸识别实验 |
| 5.4 实验及分析 |
| 5.5 本章小结 |
| 第6章 总结及展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简介及在攻读硕士期间参与项目 |
| 致谢 |
（7）机动车疲劳驾驶行为检测算法的研究与应用（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 疲劳驾驶实时检测的国内外研究现状 |
| 1.2.1 疲劳驾驶行为定义 |
| 1.2.2 疲劳驾驶行为检测的国内外研究现状 |
| 1.2.3 已有的驾驶疲劳检测系统 |
| 1.3 研究内容及方法 |
| 1.4 论文组织架构 |
| 第二章 研究理论基础 |
| 2.1 图像特征模型 |
| 2.2 图像识别方法 |
| 2.2.1 图像识别流程 |
| 2.2.2 卷积神经网络 |
| 2.2.3 径向基函数神经网络 |
| 2.3 本章小结 |
| 第三章 疲劳驾驶特征研究与识别算法 |
| 3.1 驾驶员疲劳特征研究 |
| 3.1.1 头部特征 |
| 3.1.2 眼部特征 |
| 3.1.3 嘴部特征 |
| 3.1.4 疲劳驾驶指标体系 |
| 3.2 人脸检测及分割算法 |
| 3.2.1 人脸检测分割算法设计 |
| 3.2.2 实验结果分析 |
| 3.3 关键状态识别算法 |
| 3.3.1 模型训练办法与结果分析 |
| 3.3.2 实验结果分析 |
| 3.4 本章小结 |
| 第四章 疲劳驾驶检测网络的设计与系统验证 |
| 4.1 疲劳检测算法与结果分析 |
| 4.1.1 数据集建立 |
| 4.1.2 RBF网络设计 |
| 4.1.3 RBF参数优化算法 |
| 4.1.4 RBF优化训练流程 |
| 4.1.5 RBF疲劳识别流程 |
| 4.2 疲劳检测调试系统 |
| 4.3 检测流程设计 |
| 4.4 实验验证与分析 |
| 4.4.1 实验环境 |
| 4.4.2 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 研究工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
（8）融合改进流形学习和深度神经网络的人脸识别算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 人脸识别研究现状 |
| 1.2.1 基于流形学习的研究现状 |
| 1.2.2 基于深度神经网络的研究现状 |
| 1.2.3 基于算法融合的研究现状 |
| 1.3 算法理论与分析 |
| 1.3.1 流形学习理论 |
| 1.3.2 神经网络理论 |
| 1.3.3 分类理论 |
| 1.4 研究内容与结构 |
| 2 流形学习降维算法 |
| 2.1 非线性流形学习算法 |
| 2.1.1 全局非线性流形学习 |
| 2.1.2 局部非线性流形学习 |
| 2.2 流形学习的线性扩展 |
| 2.2.1 传统线性降维算法 |
| 2.2.2 局部保持投影(LPP) |
| 2.3 本章小结 |
| 3 二维局部流形降维及双向特征提取 |
| 3.1 二维线性降维算法 |
| 3.1.1 二维主成分分析 |
| 3.1.2 二维线性鉴别分析 |
| 3.1.3 二维局部保持投影 |
| 3.2 双向二维特征提取 |
| 3.2.1 双向二维主成分分析算法 |
| 3.2.2 双向二维局部保持投影算法 |
| 3.3 改进双向二维局部保持投影的人脸识别 |
| 3.3.1 改进双向二维局部保持投影 |
| 3.4 实验验证与对比 |
| 3.4.1 数据集介绍 |
| 3.4.2 权重改进性能分析 |
| 3.4.3 总体算法性能评估 |
| 3.5 本章小结 |
| 4 基于Gaborface和局部流形降维的人脸识别 |
| 4.1 多通道GaborFace描述 |
| 4.2 MGFR与改进双向特征降维的人脸识别算法 |
| 4.2.1 二维Multi-Channel Gaborface优化 |
| 4.2.2 融合MGFR与二维线性降维的特征提取 |
| 4.3 实验分析与对比 |
| 4.4 本章小结 |
| 5 融合流形降维和神经网络的人脸识别 |
| 5.1 分类模型 |
| 5.1.1 反向传播神经网络 |
| 5.1.2 径向基函数网络 |
| 5.1.3 融合双向线性降维与RBF神经网络的优化算法 |
| 5.2 深度网络模型 |
| 5.2.1 深度置信网络DBN及 CDBN |
| 5.2.2 主成分分析网络 |
| 5.2.3 二维主成分分析网络 |
| 5.3 实验对比与分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（9）基于卷积神经网络的人脸面部表情识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 面部表情识别的发展史 |
| 1.3 面部表情识别国内外发展现状 |
| 1.3.1 国外面部表情识别的研究现状 |
| 1.3.2 国内面部表情识别的研究现状 |
| 1.4 表情识别发展前景 |
| 1.5 论文的主要研究内容及结构 |
| 第2章 面部表情识别综述 |
| 2.1 面部表情识别的基本框架 |
| 2.2 面部表情识别与分类方法 |
| 2.2.1 人脸检测算法 |
| 2.2.2 传统特征提取和分类算法 |
| 2.2.3 深度学习算法 |
| 2.3 本章小结 |
| 第3章 人脸图像预处理 |
| 3.1 面部表情数据库简介 |
| 3.2 人脸裁剪 |
| 3.2.1 人脸识别 |
| 3.2.2 人眼定位 |
| 3.3 尺度归一化 |
| 3.3.1 原理介绍 |
| 3.3.2 插值方法选取 |
| 3.3.3 归一化结果 |
| 3.4 灰度归一化 |
| 3.4.1 均衡化算法概述 |
| 3.4.2 改进的均衡化算法 |
| 3.5 本章小结 |
| 第4章 基于卷积神经网络的人脸面部表情识别算法 |
| 4.1 卷积神经网络概述 |
| 4.2 神经元特性 |
| 4.2.1 卷积层 |
| 4.2.2 下采样层 |
| 4.2.3 全连接层 |
| 4.3 学习规则 |
| 4.4 网络拓扑结构的确定 |
| 4.5 卷积神经网络模型的建立 |
| 4.6 本章小结 |
| 第5章 人脸面部表情识别实验与系统设计 |
| 5.1 实验结果与分析 |
| 5.1.1 PCA+SVM法 |
| 5.1.2 卷积神经网络法 |
| 5.2 不同算法性能比较 |
| 5.3 仿真实验平台 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的论文 |
| 致谢 |
（10）基于多特征和卷积神经网络的人脸表情识别（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 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 人脸表情特征提取方法研究现状 |
| 1.2.2 人脸表情分类方法研究现状 |
| 1.3 本文章节安排 |
| 第二章 人脸表情图像预处理 |
| 2.1 图像灰度化 |
| 2.2 图像几何归一化 |
| 2.2.1 图像裁剪 |
| 2.2.2 图像缩放 |
| 2.3 直方图均衡化 |
| 2.4 本章小结 |
| 第三章 人脸表情识别特征提取方法 |
| 3.1 几何特征提取方法 |
| 3.2 纹理特征提取方法 |
| 3.2.1 LBP |
| 3.2.2 Gabor |
| 3.3 多特征提取方法 |
| 3.4 深度学习方法 |
| 3.4.1 DBN |
| 3.4.2 CNN |
| 3.5 不同特征提取方法的可视化 |
| 3.5.1 纹理特征法的特征可视化 |
| 3.5.2 CNN卷积层特征可视化 |
| 3.6 本章小结 |
| 第四章 基于多特征和卷积神经网络的人脸表情识别算法 |
| 4.1 多特征提取 |
| 4.1.1 提取一层DWT低频子带图 |
| 4.1.2 提取LDP特征图 |
| 4.1.3 提取Sobel边缘特征图 |
| 4.2 一种用于人脸表情识别的卷积神经网络模型 |
| 4.2.1 卷积神经网络模型 |
| 4.2.2 FERNet模型构建 |
| 4.2.3 FERNet模型训练 |
| 4.3 特征降维 |
| 4.4 表情分类 |
| 4.5 本章小结 |
| 第五章 实验结果及分析 |
| 5.1 实验环境 |
| 5.2 人脸表情数据库 |
| 5.3 人脸表情图像预处理 |
| 5.4 实验结果分析 |
| 5.4.1 特征提取 |
| 5.4.2 不同卷积神经网络参数 |
| 5.4.3 特征降维 |
| 5.4.4 每类表情识别率 |
| 5.4.5 不同算法的对比 |
| 5.4.6 分类方法比较 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间所取得的相关科研成果 |
| 致谢 |
四、基于径向基函数网络人脸识别的研究（论文参考文献）
- [1]基于面部多重信息的驾驶人状态检测研究[D]. 马佳磊. 吉林大学, 2021(01)
- [2]基于短时心电信号的情感识别研究[D]. 孙琦. 东南大学, 2020(01)
- [3]基于深度小波神经网络的时变信号分类与人脸识别技术研究[D]. 张振. 山东科技大学, 2020(06)
- [4]公共安全行业的动态人脸识别软件开发与实现[D]. 康艺泓. 电子科技大学, 2020(01)
- [5]基于多层非负矩阵分解架构的人脸识别若干算法研究[D]. 汪惠阳. 深圳大学, 2020(01)
- [6]基于深度神经网络的遮挡人脸识别算法研究[D]. 刘伟鑫. 吉林大学, 2020(08)
- [7]机动车疲劳驾驶行为检测算法的研究与应用[D]. 王绪乔. 北京邮电大学, 2019(05)
- [8]融合改进流形学习和深度神经网络的人脸识别算法研究[D]. 王利龙. 西南科技大学, 2019(12)
- [9]基于卷积神经网络的人脸面部表情识别方法研究[D]. 张璐璐. 河北科技大学, 2019(02)
- [10]基于多特征和卷积神经网络的人脸表情识别[D]. 安梦涛. 河北工业大学, 2018(07)