一、FACE RECOGNITION FROM FRONT-VIEW FACE（论文文献综述）
曾强[1]（2021）在《基于三维可形变模型的多视角人脸识别及其应用》文中研究指明人脸识别技术在当前已经得到广泛应用,在一些限定场景下已较为成熟。然而,该技术仍然存在一些缺陷,主要表现为目前大部分人脸识别产品对姿态有着较高的要求,需要用户配合主动调整自身姿态至正面才能获得较好的识别效果,这极大限制了该技术在更大应用场景进行推广。因此,多视角人脸识别技术在许多非用户配合的应用场景具有重要意义。针对上述问题,本文展开了多视角人脸识别技术的探索,研究并实现了一种基于三维可形变模型的人脸旋转技术,可以对较大姿态侧面人脸图片进行正面化对齐处理来降低对人脸识别的姿态要求。本文主要工作总结如下:1)基于轻量级网络和附加角边缘损失函数训练人脸识别模型,并通过评估实验探究了网络容量、人脸姿态变化等因素对模型评估精度的影响,实现了一个性能较高的轻量级人脸识别模型;2)研究并实现了一种基于三维人脸重建的人脸旋转技术以改善人脸识别受限于姿态变化的问题。通过一种旋转和渲染框架以实现单张人脸图片的自监督,解决了多视角成对人脸数据难以获取的问题,同时避免了在特定数据集上训练存在的过拟合问题;设计并训练了生成式对抗网络,可以生成身份信息得到较好保留的逼真人脸图片;并通过实验证明,该方法与相关同类方法相比取得了较好的身份信息保留性能,并基于融合距离度量直接验证了该方法的有效性;3)将人脸旋转技术应用于真实场景中的侧面人脸正面化对齐过程,设计并实现了非用户配合场景的面向盲人社交的多视角人脸识别系统,降低了对姿态的要求。
卢增通[2]（2021）在《面向视频监控的人脸重建与识别》文中认为视频监控是目前主要的安防手段之一,利用视频片段和图片进行精准人脸识别在安保、刑侦等领域有重要作用和意义。在此应用场景下,由于人脸图像通常是在非配合的情况下获得,因此往往存在姿态偏差,模糊和遮挡等问题,导致现有的人脸识别算法失效,识别准确率严重下滑,无法直接应用。因此,研究视频监控的人脸识别方法,既可作为已有人脸识别方案的重要补充,又拓展了人脸识别的应用范围,具有重要研究意义。本文面向视频监控非配合场景,研究基于单张图片的人脸重建与识别,以及基于多张图片的人脸特征融合与识别问题。主要内容如下:（1）针对低分辨多姿态的人脸图像缺少高频信息,重建出的人脸鲁棒性较差问题,提出一种三元对抗重建识别网络。该网络包含了人脸重建和人脸识别两个部分,首先采用编解码网络将低分辨率侧脸图像重建为高分辨率正脸图像,再利用人脸识别网络对所重建的正脸进行人脸识别。在网络训练上,设计了一种最短距离三元组损失函数,并将该损失函数与对抗机制结合,提出了一种三元对抗训练方法,将最短距离三元组损失作用在三元对抗重建识别网络中,使网络对于同一个人提取的特征更为相似,而与其他人提取的特征不相似,使重建生成的人脸特征与真实正面人脸的特有特征更接近,为后续识别提供鲁棒的特征。实验结果表明本文提出的算法在低分辨率和较大偏姿的情况下,仍然能够重建出清晰真实的正面人脸图像,并获得较高的识别率。（2）为了从视频监控下具有冗余、关联和互补等特点的人脸序列图像中提取易于识别的关键特征,提出一种基于残差循环网络的视频人脸识别方法。该方法充分提取及融合视频帧时间维和空间维的特征,在每一帧图像产生预测矩阵序列后,对序列进行融合产生视频人脸识别结果。在序列图像特征融合上,将残差循环机制引入视频帧序列融合中,避免视频人脸在特征融合过程中上下文关联出现梯度消失,有效保证了特征融合的序列长度。实验结果表明,与应用2D卷积,3D卷积与循环神经网络的特征融合相比,残差循环神经网络的视频人脸识别方法可以提取到更加丰富的上下文信息,能够更好地进行前后帧之间的相互补偿,对于长序列的人脸视频具有更好的鲁棒性与更强的识别能力,并且在时间复杂度上优于其他视频人脸识别算法,具有更好的实时性。
张子豪[3]（2021）在《基于面部生成的视频序列多角度人脸识别研究》文中进行了进一步梳理在基于计算机视觉的人类身份识别任务中,人脸识别是重要方法之一。目前人脸识别方法多针对于解决正脸或近正脸的识别问题,因此大多要求系统捕捉对象的正面图像进行识别。而视频序列往往包含复杂的环境背景,其中人脸呈现出多个姿态,甚至较大角度的侧脸形式,在这种情况下大部分现有方法的识别效果不佳。如何解决基于视频序列的多角度人脸识别问题是目前人机交互系统面临的巨大挑战之一。本文针对捕捉到大姿态侧脸图像中面部纹理缺失而导致的人脸识别效果不佳问题,提出一种基于面部生成的视频序列多角度人脸识别系统,对传统人脸识别系统中的检测和对齐模块进行改进。具体工作内容如下:首先,为消除面部区域在水平方向较大倾角对于后续模块影响,采用Open Pose、Face Alignment Network两种面部特征点定位模型对典型人脸识别系统中检测模块进行改进。提出了基于特征点定位的面部水平化方法,进行面部预处理,使系统适用于视频序列中的各类水平姿态的人脸识别。其次,针对水平化后仍存在较大侧脸姿态的面部区域,使用双路径生成对抗网络TPGAN（Two-Pathway Generative Adversarial Network）进行正面人脸生成,以实现精确的正脸识别。且进一步提出了基于特征点定位的面部缩放方法,对其模型输入端进行调整,使其可处理任意规格的视频序列。再次,针对视频序列中正面化的人脸识别结果,设定侧脸角度50°为系统阈值。同时根据面部特征点定位模型的输出特性,提出数据预筛选优化算法,以消除定位失败的错误帧对后续识别造成中断影响,优化多角度人脸识别性能。最后,在自建多角度人脸视频数据集及XM2VTS数据集上,对提出系统（OP-TPGAN、FAN-TPGAN）与传统人脸识别系统在多角度人脸定位稳定性、大姿态侧脸识别准确率及复杂场景内多角度人脸识别准确率三方面进行实验对比。实验结果表明,本文提出方法在多角度人脸定位及识别方面均取得较好效果。
王韬[4]（2021）在《复杂光照下非对齐人脸特征融合的识别算法研究》文中提出人脸识别技术是计算机视觉领域的一个重要研究方向,有着无接触性、信息采集成本低、自动化程度高等优势,在越来越多的实际场景中都得到了应用。目前为止对于限制场景下的人脸识别技术已经较为成熟,但是对于非限制场景下的人脸识别仍然是一项挑战。其中,复杂的光照条件使得人脸图像出现大范围阴影,图像质量变差;图像中的人脸存在平面旋转、位置偏移、小幅度姿态变化引起识别精度降低;如何全面地利用人脸图像的信息将多种特征进行结合。上述三个问题会影响人脸识别系统的性能,所以在充分研究了对应问题主流解决方案的基础上,分别提出了改进方案,本文的主要内容和创新点包括以下几个方面:1、基于面部硬阴影边缘消除的光照预处理算法。基于Lambertian模型的光照预处理算法的韦伯脸、Retinex方法建立在“局部光照变化缓慢”的假设前提下,非均匀光照使人脸产生阴影块,阴影块的边缘处光照变化剧烈,会在处理结果中产生明显的响应,影响后续基于边缘信息的眼部定位。针对这一问题,本文提出了一种硬阴影边缘检测和消除的预处理算法,通过LTV分解得到人脸图像的大尺度分量,定义一种H算子用于检测硬阴影边缘,最后使用迭代的高斯模糊算法使硬阴影边缘平滑过渡,再结合韦伯脸和Retinex方法,通过实验说明了本文方法较原始算法得到改进。2、基于面部特征点提取的人脸位置对齐。图像中人脸的平面旋转、位置偏移以及小角度的姿态偏转都将对人脸识别产生影响,为了将图像中的人脸对齐到中心位置,本文提出了一套自动人脸对齐的方案。提出多角度的梯度积分投影法完成人脸的平面旋转矫正,之后对梯度积分投影曲线使用EM方法拟合完成对人脸的面部区域划分,然后基于边缘信息完成对眼部区域、嘴部区域的特征点定位,最后通过标准对齐的人脸模板,利用单应变换将非对齐人脸矫正到对齐位置。在多个数据集验证了本文算法对非对齐人脸的识别率有提升效果。3、基于全局和局部特征加权融合的人脸识别。为了充分利用人脸图像的信息,将多种人脸特征结合取长补短,使融合特征的人脸识别系统比单一特征识别精度更高,本文提出了一种线性加权的全局特征和局部特征相结合的方法,将人脸图像的2DPCA特征和LBP特征结合,设计了联合判别法和直接判别法,分别讨论了二者的优劣和适用场景,并通过实验说明了融合特征方法的有效性。
李虹霞[5]（2021）在《基于生成对抗网络的多角度人脸正面化研究》文中指出现如今,人脸识别技术已经广泛应用于生产生活中,在保证信息安全的同时,为用户带来诸多便利。但是在监控场景下由于摄像头的安装高度使得人脸同时受到偏转和俯仰方向的多姿态变化,难以获取到正面人脸图像,从而导致现有人脸识别模型的性能严重下降。而基于生成对抗网络的人脸正面化方法可以生成出视觉效果逼真的且保留原始侧脸输入图像身份信息的虚拟正面人脸,从而可以作为一种预处理过程嵌套到现有人脸识别模型中,缓解姿态变化对识别模型性能的影响。目前,在使用生成对抗网络对多角度侧脸图像正面化时,存在三方面的困难:第一由于人脸刚性旋转导致自遮挡,使得面部关键身份特征缺失;第二俯仰姿态变化使得面部各五官发生形变;第三生成虚拟正面图像的身份特征保留较低问题。因此,本文的主要工作如下:（1）提出了基于面部特征图对称的人脸正面化生成对抗网络。针对面部自遮挡和虚拟正面人脸身份保留较低问题,本文根据人脸对称性先验和眼周识别思想,提出了面部特征图对称和眼周特征保留损失,本文使用人脸关键点检测器检测出侧脸鼻尖点位置,将编码器提取的侧脸特征图依照鼻尖位置镜像对称,从而在特征层面上缓解面部信息缺失问题。其次,在现有全局身份特征保留方法基础上加入了眼周特征保留损失以从全局和局部两个角度提高生成图像的身份信息保留能力。（2）提出了基于面部特征映射的人脸正面化生成对抗网络。针对面部自遮挡、五官形变和虚拟正面人脸图像身份保留较低问题,本文根据同一人的正脸和侧脸特征之间存在一种固有的映射关系,加入了人脸特征映射模块。在原有侧脸特征编码器基础上,加入了将侧脸特征映射为正脸特征的支路编码器共同组成双路编码器,从而缓解面部身份信息缺失和五官形变问题。此外,对眼周特征保留损失进行改进,设计了眼周区域像素级保留损失,在不破坏眼周特征情况下提高虚拟正面人脸的局部身份信息保留能力。（3）设计并开发了多角度侧脸图像正面化系统。详细介绍了系统中各个模块的功能设计及实现,并将本文所提的矫正模型应用到相关模块中,最后在前端页面中将相应结果进行展示。
王东[6]（2021）在《基于双路循环生成对抗网络的多姿态人脸识别方法》文中进行了进一步梳理随着人脸识别技术在现实生活中的应用越来越广泛,针对现实应用场景下的人脸图像识别技术逐渐涌现出来。在实际应用场景中,人脸识别技术常会受到一系列不可控因素的制约,如角度、表情及遮挡物等,导致最终识别结果大幅度降低。其中,姿态变化是制约人脸识别技术进一步发展的重要因素之一。由于人脸姿态发生一定角度变化时产生的自遮挡效应,常会导致人脸特征信息的丢失,影响人脸识别的结果。因此,研究多姿态变化下的人脸识别技术是一个具有重要意义的研究方向。针对多姿态因素对人脸识别技术产生的影响,最常用的解决方法是利用相关算法对侧面人脸图像进行正面标准化,再用标准化之后的正面人脸图像作为人脸识别网络的输入。针对水平方向上人脸姿态变化引起的识别性能降低问题,本文提出一种基于双路循环生成对抗网络（Multi-pose Face Recognition with Two-Cycle Generative Adversarial Network,TC-GAN）的多姿态人脸识别方法。围绕提进一步提高多姿态条件下人脸识别准确度的方向进行研究。主要研究内容和成果如下:第一,提出一种基于双路循环生成对抗网络的多姿态人脸识别方法,该网络以一对生成对抗网络为基础,由人脸矫正和人脸旋转两部分组成。人脸矫正部分实现多对一的姿态类别映射,对输入的侧面人脸进行矫正,将侧面人脸识别问题转化为正面人脸识别问题。相反的,人脸旋转部分实现一对多的姿态类别映射,完成对正面人脸身份特征的提取及多姿态人脸的生成任务。在对侧面人脸进行识别的过程中与人脸矫正部分结合,完成对多姿态人脸的识别任务。第二,网络训练过程中利用两条相反的循环路径对人脸矫正和人脸旋转两部分内容进行有机结合,促使两部分内容在训练过程中相互学习、约束,目的在于进一步提高网络对人脸特征信息的提取能力,提高对侧面人脸的识别准确率。其中,第一条循环路径实现人脸侧面至正面再至侧面的循环转化;另一条路径与之相反,实现人脸正面至侧面再至正面的循环转化。在Multi-PIE数据集下的实验结果表明,基于TC-GAN的多姿态人脸识别方法在0°～60°下对应的平均识别率约为94.8%,相比于文中所列其他方法提高了约1～4个百分点。而0°～90°下的平均识别率为89.8%,相比于文中所列其他方法的识别结果,同样有所提升。在CFP数据集下的验证结果表明,TC-GAN方法对侧面人脸的验证率为93.13%,相较于其他方法,提高了至少约1.44个百分点。第三,针对TC-GAN网络中训练时间过长的问题,提出利用分阶段训练策略对网络训练过程进行优化,即训练过程分为先局部后整体两个不同阶段进行。训练过程中,先对人脸旋转和人脸矫正两部分分别单独进行训练,训练结束后,利用第一阶段的结果再对整个TC-GAN网络进行下一步训练,加快网络的收敛速度,降低训练难度并减少网络训练时间。实验结果表明,利用分阶段策略对网络进行训练的时间复杂度为15.75小时,直接对网络进行整体训练的时间复杂度为25.6小时,提高了训练效率。
李亚林[7]（2021）在《自然场景下多姿态人脸识别的研究与实现》文中研究指明在新冠疫情防控期间,人脸识别在病毒流调、无接触通行、目标追踪等方面发挥出重要作用,但此类复杂的自然场景伴有诸多干扰因素,阻碍了识别性能的进一步提升。本文将研究在自然场景下如何改善跨姿态人脸识别任务的表现。该问题面临如下挑战:（1）相比于光照、表情等因素,姿态变化更容易引起自遮挡和外观扭曲等问题,使得原本处于人脸中心区域的显着特征有所缺失,进而发生一种现象:相比于类间差异（即不同对象之间的特征差异）,类内差异（即同一对象的不同图像实例之间的差异）却更明显,最终严重影响模型的识别性能。（2）当下,数据集的客观矛盾也制约着传统算法和以数据驱动的深度学习算法的进一步突破,即:（1）正脸与非正脸成对标记（属于同一对象）的配对数据几乎来自受限数据集,并且此类数据集存在多样性（即对象数量）不足、数据体量较小以及姿态变化不够丰富等问题;（2）而公开的非受限数据集恰巧相反,在多样性、数据量、变化因素等方面有着天然优势,但缺乏足量的配对数据;（3）此外,数据集内的姿态分布通常是极度不平衡的,此类数据域的分布特征有碍于泛化能力的提升。本文将直面以上挑战,以循环一致思想为基础,针对人脸正面化任务而改进CycleGAN,在模型框架、网络结构、学习策略以及损失函数等方面作出调整,使得原本不擅长处理较大几何变换的CycleGAN能够用于人脸姿态变换,最终得到一种基于循环一致对抗网络的半监督人脸正面化模型。受限环境和自然场景下的定性和定量结果显示,该方法能够有效提升多姿态人脸识别的性能,概括地,其贡献和创新如下:（1）框架中,改变判别器组与生成器组的独立对抗关系,而构建新的一对多的轮流对抗关系;并重新设计子模块的网络结构,融入姿态估计信号和局部注意力机制;目的是学习姿态变换、提升输出图像质量,并削弱模型训练的不稳定性。（2）在学习方式上,将无监督调整一种更具泛化能力且统一的半监督策略,充分利用了配对和非配对数据的各自优势,使得模型能够适应更广泛的现实场景;且训练集配置更重视较大偏航角和俯仰角同时存在的图像实例,而其他代表性方法几乎只关注偏航角一个维度。（3）为了进一步克服姿态旋转的内在不确定性,原始框架的损失函数不尽适用;因此,集成了像素级、感知层等维度的约束,并设计了一个新的姿态偏移角损失;以此增强非监督分量的循环一致性和姿态一致性。（4）以此模型为核心依赖,实现了一套小型的多姿态人脸识别系统。
吴晓桐[8]（2021）在《基于深度学习的多角度人脸识别研究》文中研究表明现如今,人脸识别已经融入了我们的日常生活,但在实际的应用中也受到了一些问题的影响。在实际生活中很多时候都是通过如监控摄像头等机器对人脸图像进行采集,这也就产生了一些问题,如人脸的角度问题。由于摄像头等机器安装位置的因素,我们得到的人脸图像会存在很多非正面的情况。本研究针对此类非正面的人脸图像的问题,运用深度学习实现多角度人脸识别,重点解决人脸图像是侧面时的人脸识别问题。对于多角度人脸识别的研究,目前主要分为两类,其一是通过传统的人脸识别技术对合成正面人脸进行识别,其二是直接从非正面的人脸图像中学习鉴别性特征完成识别。本研究结合这两类方法的优点,设计一种生成对抗网络,生成器提取与角度无关的人脸身份信息特征,同时由该特征生成正面的人脸图像,判别器对正面人脸图像的真假进行判断,通过不断的对抗训练,使得生成的正面人脸图像的质量不断提高,进而提高与角度无关的人脸身份信息特征的鉴别性。最终通过余弦相似度的计算完成多角度人脸识别。为此,针对角度无关特征提取的问题和自动编码器可以对图像输入进行特征表示的特点,将自动编码器与生成对抗网络中的生成器融合,实现角度无关的人脸图像身份信息特征的提取,将提取到的特征输入到生成网络的解码器中,得到正面的人脸图像。针对传统判别器单任务的局限性,提出一个多任务神经网络判别器,实现了对图像真假和身份及角度的判断功能。针对生成的图像质量低的问题,对训练方式进行改进。惩罚被判别为真但距离决策边界远的生成图像,使得到的正面人脸图像质量不断提高。经过网络不断的对抗训练,进一步提高生成的正面人脸图像质量,最终得到具有高鉴别性的角度无关的人脸图像特征。本研究使用测试数据集在训练得到的模型上进行实验,并分别在正面人脸图像识别准确率、侧面人脸图像识别准确率以及生成的正面人脸图像质量和网络稳定性四个方面进行对比分析。实验结果表明,本研究的方法在多角度人脸识别中有着很好的表现,能够提高多角度人脸识别的准确率。
张梦雪[9]（2021）在《基于深度学习的多姿态人脸识别的研究》文中研究指明伴随互联网技术的更新换代、不断发展,人脸识别技术被应用于生活的各个角落,依托于人脸识别技术的产生带来了诸多的便利,相应的推动了研究学者对于依托新兴产业的识别技术的深入研究。如今,人脸识别技术已经由传统的模板匹配、几何特征等识别方法过渡为基于神经网络的人脸识别方法,在基于实验环境下的识别效果甚至已经达到精准识别的水平。但是,在基于非理想状况的现实生活中,人脸识别的效果受到很多因素的影响,包括光照、遮挡以及多姿态等。在这些干扰因素中,多姿态问题仍然是研究的难点和重点,现实场景下由于人脸角度的偏转会导致人脸特征信息的缺失,造成识别效果低下。因此如何在多姿态角度偏转的情况下提高识别率是研究的重点。本文针对非配合条件下的干扰人脸识别最重要的因素进行研究,主要研究基于深度学习下的多姿态人脸识别。首先介绍了人脸识别的主要流程、多姿态识别的主要方法以及常用的多姿态人脸数据集。由于特征等变换能够将非正面特征映射到正面特征,而基于深度学习的人脸识别能够用神经网络来提取丰富的人脸特征信息,本文基于这两个方面的优点,将特征等变换在深度空间进行非正面特征的矫正,在深层次的空间下引入对于识别非正面特征所带来的误差。本文基于深度学习利用开源框架pytorch、tensorflow等对识别模型进行构建,利用公开数据集VGGFace2进行训练网络,最后利用CFP、IJB-A、LFW公开数据集进行测试。通过测试数据集最终的识别结果证明本文的多姿态识别模型对于具有挑战性的数据集识别效果较好,在人脸识别上能够达到96.83%的准确率,较一般的多姿态识别模型效果好。考虑到如今神经网络的层数不断加深,越来越多的神经网络被提出用于训练更新参数,本文基于三个神经网络进行比对,采用了两个经典的残差神经网络Res Net18和Res Net50以及2019年Google提出的轻量级神经网络模型Mobile Net V3对人脸数据集进行训练,从训练结果上来看Res Net50和Mobile Net V3效果较好,但是由于Mobile Net V3采用的深层可分离卷积的思想,网络的计算参数相比Res Net18少,训练和参数的迭代更新也会较快。对于最后的识别结果测试,Mobil Net V3效果准确度92.9%较Res Net50的92.5%好并且网络中的参数减少了3倍多。对于多姿态中的姿态角估计,本文在采用了基于dlib模型的68个关键点检测得到人脸特征后,利用非线性最小二乘法的思想采用Open CV的solve Pn P函数得到对应的旋转向量,从而得到人脸数据集在三维空间中的偏转角度。由于多姿态的人脸主要受到偏航角的影响,本文使用EPn P算法来拟合姿态估计模型,最终实现通过非线性优化来得到偏航系数的方程表达式。实验结果表明,对于该模型方法的设计,极端姿态下的识别效果也有较为优秀的表现,在LFW数据集上的平均识别结果可以达到97%,在更为复杂的数据集IJB-A上甚至达到95%左右的效果。说明本文采用的在深度空间进行姿态角度的偏转从而实现提高识别效果具有一定的意义。
涂晓光[10]（2020）在《面向非限制条件的人脸识别研究》文中研究指明人脸识别技术已经广泛地应用于当前社会中,如安保系统、高科技IT产品、个人电脑和智能手机等。这些智能产品已经使当今社会的各项服务更安全、快捷和方便,人脸识别也早已经成为了当前人类活动中不可或缺的技术。在过去的几十年里,已经有各种各样的相关算法被提出来解决人脸识别中的各种问题并取得了重大的进展,在理想条件下这些算法可以使得计算机的人脸识别率超过人眼。然而,对于非限制条件（自然条件）下的人脸识别,当前的人脸识别技术仍然存在着许多挑战。非限制条件的人脸识别需要对真实自然场景中的人脸图像进行特征提取,因此容易受到诸多因素的影响,如面部姿态差异以及由光照、模糊、噪声、低分辨率等因素引起的人脸图像内容丢失。这些因素极大地影响了非限制条件下的人脸识别性能,需要进行进一步的研究。除此之外,随着对认证安全性的不断重视,人脸识别系统不仅需要具有较高的识别精度还需要能鉴别该人脸是真实的人脸还是来自图片或视频中的人脸（伪造攻击人脸）。因此,人脸防伪技术也是当前非限制条件下人脸识别系统中的重要组成部分。为了提高当前人脸识别系统的准确性、鲁棒性、以及安全性,本论文主要集中研究人脸图像增强,人脸关键点检测,人脸姿态归一化,以及人脸防伪特征学习等课题。主要研究贡献如下:1.针对于自然场景中受光照影响的人脸图像,第三章提出了一种基于尺度分解和能量模型最小化的人脸图像去光照方法。该方法首先利用对数全变分对受光照影响的人脸图像进行尺度分解,从而得到只包含人脸本质特征的小尺度成分和主要包含光照特征的大尺度成分。随后,通过最小化全变分能量函数估计出人脸图像中的光照场并将其移除。不同于以往的方法通过提取人脸图像的光照不敏感特征用于人脸识别,该方法首次提出估计光照场的方法来去除光照的影响。论文在CMU-PIE,Extended Yale B和CAS-PEAL-R1这三个主流的人脸光照数据库上进行了充分的实验,实验结果表明,所提出的方法显着地提高了人脸去光照的可视化效果和受光照影响图像的人脸识别率。2.针对于大姿态和受遮挡影响的人脸图像,第四章提出了一种自监督辅助学习的人脸三维关键点检测方法。该方法构建了基于关键点自映射的强监督和基于生成对抗学习的弱监督模型,利用自然场景中无三维标注的二维人脸图像对三维人脸重建进行辅助监督。不同于二维人脸关键点检测算法,该算法能重建出单张二维人脸图像所对应的三维人脸模型,并用来还原密集三维人脸关键点。重建出的密集关键点包含丰富的三维人脸信息,可以对大角度偏转和受遮挡影响的人脸图像进行更精确的对齐。论文在AFLW2000-3D,AFLW-LFPA和Florence这三个主流的三维人脸验证数据集上进行了充分的实验,实验结果表明,所提出的方法在三维人脸重建和三维关键点检测方面均取得了很好的结果。3.第五章提出一种基于生成对抗学习的跨姿态低质量人脸复原方法和过渡训练方法,旨在同时解决人脸图像大姿态偏转和低质量因素（如模糊、噪声、光照影响及低分辨率）影响的问题。给定一张任意角度和任意低质量因素影响的人脸图像,论文提出的任意人脸复原模型首先对该人脸进行三维重建,并在标准的三维空间中自动对其进行姿态归一化,从而得到标准的正脸姿态。得到的正脸姿态将引导高质量人脸还原对抗网络的学习,从而可以从任意给定的人脸图像生成其对应的高质量正脸图像。值得注意的是,所提出的任意人脸复原模型可以端到端一次性从给定的人脸图像中还原其高质量正脸图像,并显着提高人脸图像的识别率。论文在CMU Multi-PIE、LFW和IJB-C这三个数据库上进行了充分的实验,实验结果表明,所提出的方法不论是在人脸转正还是在人脸增强上均取得了很好的结果。4.第六章提出了一种基于深度迁移学习的人脸防伪方法。该方法属于半监督学习,实验结果表明,只需要利用少量目标域的无标签人脸进行半监督训练,所提出方法即可极大的提高人脸防伪的跨域识别率。此外,论文还提出了深度多任务学习的人脸防伪方法,将人脸识别和活体人脸检测算法融合到一个深度学习的网络框架中进行相互增强训练,同时提出全混淆损失函数和快速域迁移算法来提高活体人脸检测的普适性。论文在CASIA-FASD,Replay-Attack,MSU-MFSD,Oulu-NPU和Si W这五个主流的人脸防伪数据集上进行了充分的实验,实验结果表明,该方法能在得到高精度人脸识别性能的同时对人脸进行活体检测,显着的提高活体人脸检测的鲁棒性并降低安全人脸认证的反应时间。
二、FACE RECOGNITION FROM FRONT-VIEW FACE（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、FACE RECOGNITION FROM FRONT-VIEW FACE（论文提纲范文）
（1）基于三维可形变模型的多视角人脸识别及其应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人脸识别研究现状 |
| 1.2.2 人脸旋转研究现状 |
| 1.3 主要研究内容和工作 |
| 1.4 论文组织架构 |
| 第2章 相关技术综述 |
| 2.1 卷积神经网络 |
| 2.1.1 MobileNet |
| 2.1.2 ShuffleNet |
| 2.1.3 MobileFaceNet |
| 2.1.4 组可变卷积 |
| 2.2 人脸识别分类损失函数ArcFace |
| 2.3 三维人脸模型与相关技术 |
| 2.3.1 三维可形变模型 |
| 2.3.2 基于3DMM的三维人脸重建技术 |
| 2.4 生成式对抗网络 |
| 2.4.1 简介 |
| 2.4.2 Pix2Pix |
| 2.4.3 Pix2PixHD |
| 2.5 本章小结 |
| 第3章 基于轻量级网络的人脸识别模型设计 |
| 3.1 引言 |
| 3.2 模型主干网络设计 |
| 3.3 数据集 |
| 3.3.1 人脸识别训练数据集 |
| 3.3.2 人脸对比验证数据集 |
| 3.4 模型训练 |
| 3.5 人脸识别模型评估实验与分析 |
| 3.5.1 评价指标 |
| 3.5.2 评估方法 |
| 3.5.3 人脸核验准确率评估 |
| 3.5.4 模型时延测量 |
| 3.5.5 综合比较与分析 |
| 3.6 大规模人脸识别干扰测试实验 |
| 3.7 本章小结 |
| 第4章 基于三维正面化对齐的多视角人脸识别研究 |
| 4.1 基于3DMM的人脸旋转技术 |
| 4.1.1 基于3DDFA-V2的三维人脸重建技术 |
| 4.1.2 基于旋转与渲染框架的成对数据生成过程 |
| 4.1.3 基于GAN的真实人脸图片生成 |
| 4.1.4 人脸旋转算法测试 |
| 4.2 三维人脸对齐方法人脸识别性能评估实验 |
| 4.2.1 评估方法 |
| 4.2.2 数据集 |
| 4.2.3 评价指标 |
| 4.2.4 实验结果与分析 |
| 4.3 三维人脸对齐方法有效性验证实验 |
| 4.3.1 验证方法 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 面向盲人社交的人脸识别系统的设计与实现 |
| 5.1 需求分析 |
| 5.1.1 功能需求 |
| 5.1.2 性能需求 |
| 5.2 系统架构设计 |
| 5.3 系统实现 |
| 5.3.1 Web服务模块 |
| 5.3.2 语音交互模块 |
| 5.3.3 人脸检测模块 |
| 5.3.4 人脸对齐模块 |
| 5.3.5 人脸表征模块 |
| 5.3.6 人脸注册与删除模块 |
| 5.3.7 人脸识别模块 |
| 5.4 系统测试 |
| 5.4.1 开发环境 |
| 5.4.2 整体运行效果展示 |
| 5.4.3 功能模块测试 |
| 5.4.4 准确率测试 |
| 5.4.5 实时性测试 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
（2）面向视频监控的人脸重建与识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 课题研究的背景及意义 |
| §1.2 非配合场景人脸识别国内外研究现状 |
| §1.2.1 低质量人脸重建研究现状 |
| §1.2.2 视频人脸识别研究现状 |
| §1.2.3 视频监控下人脸识别研究难点 |
| §1.3 论文主要内容 |
| §1.4 论文结构安排 |
| §1.5 本章小节 |
| 第二章 基于深度网络的人脸重建与识别 |
| §2.1 人脸应用相关技术 |
| §2.1.1 卷积神经网络 |
| §2.1.2 生成对抗网络 |
| §2.1.3 度量学习 |
| §2.1.4 特征融合 |
| §2.2 人脸重建网络模型 |
| §2.3 人脸识别网络模型 |
| §2.4 人脸数据集概述 |
| §2.5 本章小结 |
| 第三章 面向非配合场景的人脸重建与识别方法 |
| §3.1 引言 |
| §3.2 三元对抗重建识别网络 |
| §3.3 三元对抗训练算法 |
| §3.3.1 最短距离三元对抗损失 |
| §3.3.2 重建网络训练 |
| §3.4 实验结果与分析 |
| §3.4.1 实验数据与参数设置 |
| §3.4.2 实验结果分析 |
| §3.5 本章小结 |
| 第四章 基于残差循环神经网络的视频监控人脸识别方法 |
| §4.1 引言 |
| §4.2 人脸残差循环神经网络 |
| §4.2.1 特征融合模型 |
| §4.2.2 人脸残差循环神经网络 |
| §4.2.3 网络训练 |
| §4.3 实验结果分析 |
| §4.3.1 实验数据与参数设置 |
| §4.3.2 消融实验 |
| §4.3.3 对比实验 |
| §4.4 本章小结 |
| 第五章 总结与展望 |
| §5.1 工作总结 |
| §5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（3）基于面部生成的视频序列多角度人脸识别研究（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 传统多角度人脸识别方法 |
| 1.2.2 基于深度学习的多角度人脸识别方法 |
| 1.3 本文研究内容及创新点 |
| 1.4 本文的组织结构 |
| 第2章 全流程人脸识别及正面人脸生成方法 |
| 2.1 引言 |
| 2.2 视频序列人脸识别方法 |
| 2.2.1 基于图像集的视频序列人脸识别 |
| 2.2.2 基于视频建模的视频序列人脸识别 |
| 2.3 全流程人脸识别系统 |
| 2.3.1 人脸检测模块 |
| 2.3.2 人脸对齐模块 |
| 2.3.3 人脸特征表示模块 |
| 2.3.4 人脸匹配模块 |
| 2.4 正面人脸生成方法 |
| 2.4.1 基于3D模型的正面人脸生成 |
| 2.4.2 基于深度学习的正面人脸生成 |
| 2.5 多角度人脸识别系统总体架构 |
| 2.6 本章小结 |
| 第3章 基于特征点定位的面部预处理方法研究 |
| 3.1 引言 |
| 3.2 预处理模块架构 |
| 3.3 面部特征点定位模型 |
| 3.4 基于面部特征点定位的面部水平化研究 |
| 3.4.1 面部特征点空间位置及姿态描述 |
| 3.4.2 面部水平化方法 |
| 3.5 基于面部特征点定位的面部缩放研究 |
| 3.6 本章小节 |
| 第4章 基于生成对抗网络的正脸生成及人脸匹配研究 |
| 4.1 引言 |
| 4.2 基于生成对抗网络的正脸生成 |
| 4.2.1 生成对抗网络概述 |
| 4.2.2 双路径生成对抗网络TP-GAN |
| 4.2.3 TP-GAN网络架构及目标函数 |
| 4.2.4 TP-GAN合成损失函数 |
| 4.2.5 基于Keras的正面化模型实现 |
| 4.3 人脸匹配模块 |
| 4.4 基于视频序列的识别流程算法 |
| 4.4.1 系统识别逻辑 |
| 4.4.2 数据预筛选算法 |
| 4.5 本章小结 |
| 第5章 实验结果及分析 |
| 5.1 引言 |
| 5.2 自建多角度人像视频数据集 |
| 5.3 视频序列多人面部水平化实验 |
| 5.4 多角度人脸定位性能实验 |
| 5.4.1 自采集多姿态视频实验 |
| 5.4.2 XM2VTS数据集多姿态视频实验 |
| 5.5 大姿态侧脸识别准确率实验 |
| 5.6 复杂场景下多角度人脸识别准确率实验 |
| 5.7 本章小结 |
| 结论 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 硕士期间论文发表情况 |
（4）复杂光照下非对齐人脸特征融合的识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景与研究意义 |
| 1.1.1 人脸识别的应用和困难 |
| 1.1.2 传统方法的研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人脸识别的主要方法 |
| 1.2.2 光照问题研究现状 |
| 1.2.3 人脸对齐问题研究现状 |
| 1.3 实验人脸数据集简介 |
| 1.3.1 Extended Yale B数据集 |
| 1.3.2 ORL数据集 |
| 1.3.3 CAS-PEAL-R1 数据集 |
| 1.3.4 非对齐人脸数据集 |
| 1.4 本文的主要研究内容 |
| 1.5 本文的组织结构 |
| 第2章 基于面部硬阴影边界消除的光照处理 |
| 2.1 投影和本影 |
| 2.2 光照处理常用方法简介 |
| 2.2.1 基于灰度变换方法 |
| 2.2.2 韦伯脸 |
| 2.2.3 Retinex方法 |
| 2.3 硬阴影边界检测 |
| 2.3.1 LTV变分模型提取光照分量 |
| 2.3.2 变分模型求解 |
| 2.3.3 硬阴影边界检测 |
| 2.4 硬阴影边界消除 |
| 2.5 实验与分析 |
| 2.5.1 主观视觉效果对比 |
| 2.5.2 平面旋转矫正准确率 |
| 2.5.3 眼部定位准确率 |
| 2.6 本章小结 |
| 第3章 基于面部特征点提取的人脸位置对齐 |
| 3.1 非对齐人脸的相关讨论 |
| 3.1.1 非对齐人脸对识别的影响 |
| 3.1.3 主流方法面部特征点定位 |
| 3.2 平面旋转矫正 |
| 3.2.1 梯度积分投影的眼部区域粗检测 |
| 3.2.2 多方向梯度积分投影 |
| 3.3 面部特征点提取 |
| 3.3.1 EM法面部区域分割 |
| 3.3.2 眼部区域定位和特征点提取 |
| 3.3.3 嘴部区域定位和特征点提取 |
| 3.4 基于单应变换的人脸对齐 |
| 3.4.1 单应变换基本原理 |
| 3.4.2 基于最小二乘的单应变换 |
| 3.4.3 基于单应变换的人脸对齐 |
| 3.5 实验与分析 |
| 3.5.1 平面旋转矫正准确率 |
| 3.5.2 眼部定位准确率 |
| 3.5.3 自动对齐人脸识别率 |
| 3.6 本章小结 |
| 第4章 基于全局和局部特征加权融合的人脸识别 |
| 4.1 全局特征提取原理 |
| 4.1.1 一维PCA原理 |
| 4.1.2 二维PCA原理 |
| 4.2 局部特征提取原理 |
| 4.2.1 LBP算法原理 |
| 4.2.2 LBP特征应用于人脸识别 |
| 4.3 特征融合的人脸识别 |
| 4.3.1 特征融合的关键问题讨论 |
| 4.3.2 线性加权的特征融合原理 |
| 4.3.3 特征融合的人脸识别系统设计 |
| 4.4 实验与分析 |
| 4.4.1 Yale B数据集人脸识别实验 |
| 4.4.2 ORL数据集人脸识别实验 |
| 4.4.3 CAS-PEAL-R1 数据集人脸识别实验 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（5）基于生成对抗网络的多角度人脸正面化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题依据、研究背景及意义 |
| 1.1.1 选题依据 |
| 1.1.2 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于三维模型的人脸正面化 |
| 1.2.2 基于二维的人脸正面化 |
| 1.3 本文主要研究内容及组织结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文组织结构 |
| 1.4 本章小结 |
| 第二章 多姿态人脸正面化相关工作 |
| 2.1 引言 |
| 2.2 多姿态人脸正面化基础 |
| 2.2.1 多姿态人脸数据集介绍 |
| 2.2.2 多姿态人脸正面化难点分析 |
| 2.3 关键技术 |
| 2.3.1 卷积神经网络 |
| 2.3.2 生成对抗网络 |
| 2.3.3 人脸正面化模型 |
| 2.4 本章小结 |
| 第三章 基于面部特征图对称的人脸正面化生成对抗网络 |
| 3.1 引言 |
| 3.2 网络设计 |
| 3.2.1 特征图对称编码器 |
| 3.2.2 改进的解码器跳层拼接 |
| 3.2.3 判别器 |
| 3.2.4 整体网络结构设计 |
| 3.3 损失函数设计 |
| 3.3.1 整体目标函数 |
| 3.3.2 眼周特征保留损失 |
| 3.3.3 身份保留损失函数 |
| 3.3.4 多尺度像素级损失 |
| 3.3.5 对抗损失 |
| 3.3.6 对称损失 |
| 3.3.7 总变分正则化 |
| 3.4 实验结果及分析 |
| 3.4.1 实验环境及数据预处理 |
| 3.4.2 评价指标 |
| 3.4.3 人脸正面化效果 |
| 3.4.4 姿态无关的人脸识别 |
| 3.4.5 模块消融结果对比 |
| 3.5 本章小结 |
| 第四章 基于面部特征映射的人脸正面化生成对抗网络 |
| 4.1 引言 |
| 4.2 网络设计 |
| 4.2.1 人脸特征映射模块 |
| 4.2.2 判别器 |
| 4.2.3 整体网络结构设计 |
| 4.3 损失函数设计 |
| 4.3.1 整体目标函数 |
| 4.3.2 眼周区域像素级损失 |
| 4.4 实验结果及分析 |
| 4.4.1 实验环境及数据预处理 |
| 4.4.2 评价指标 |
| 4.4.3 人脸正面化效果 |
| 4.4.4 姿态无关的人脸识别 |
| 4.4.5 模块消融结果对比 |
| 4.5 本章小结 |
| 第五章 多角度侧脸图像正面化系统 |
| 5.1 系统设计的目的及意义 |
| 5.2 多角度侧脸图像正面化系统总体设计 |
| 5.3 多角度侧脸图像正面化系统详细设计 |
| 5.3.1 用户登录模块 |
| 5.3.2 侧脸图像上传预处理模块 |
| 5.3.3 人脸矫正模块 |
| 5.3.4 人脸对比模块 |
| 5.4 多角度侧脸图像正面化系统实现 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 |
| 致谢 |
（6）基于双路循环生成对抗网络的多姿态人脸识别方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人脸识别研究现状 |
| 1.2.2 多姿态人脸识别研究现状 |
| 1.2.3 生成对抗网络研究现状 |
| 1.3 本文研究内容及章节安排 |
| 第二章 生成对抗网络 |
| 2.1 生成对抗网络基本原理 |
| 2.2 生成对抗网络结构组成 |
| 2.2.1 卷积层 |
| 2.2.2 反卷积层 |
| 2.2.3 池化层 |
| 2.2.4 激活函数 |
| 2.2.5 批量归一化 |
| 2.2.6 全连接层 |
| 2.3 生成对抗网络衍生模型 |
| 2.3.1 条件生成对抗网络 |
| 2.3.2 循环生成对抗网络 |
| 2.4 本章小结 |
| 第三章 基于双路循环生成对抗网络的人脸识别模型 |
| 3.1 基于TC-GAN的多姿态人脸识别模型设计 |
| 3.1.1 人脸矫正 |
| 3.1.2 人脸旋转 |
| 3.1.3 双路循环一致损失函数 |
| 3.2 TC-GAN人脸识别网络结构 |
| 3.3 本章小结 |
| 第四章 实验与结果分析 |
| 4.1 实验环境及数据集 |
| 4.2 实验设计 |
| 4.3 TC-GAN的训练过程 |
| 4.3.1 训练参数设置 |
| 4.3.2 分阶段训练策略 |
| 4.4 实验结果与分析 |
| 4.4.1 Multi-PIE数据集上的准确率评估 |
| 4.4.2 Multi-PIE数据集上的可视化结果 |
| 4.4.3 CFP数据集上的评估 |
| 4.4.4 不同因素对网络性能的影响 |
| 4.4.5 Multi-PIE数据集上不同训练阶段对应的可视化结果 |
| 4.4.6 不同训练策略下的训练时间复杂度 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间公开发表学术论文及获奖 |
（7）自然场景下多姿态人脸识别的研究与实现（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 |
| 1.1.1 问题描述 |
| 1.1.2 关键原因 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 形变模型等传统方法 |
| 1.2.2 提取姿态不变性特征的方法 |
| 1.2.3 特征映射或转换的方法 |
| 1.2.4 基于人脸生成的方法 |
| 1.2.5 相关方法的简要总结 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本文的结构安排 |
| 第二章 对抗网络与人脸识别相关技术 |
| 2.1 自编码器 |
| 2.2 生成模型与GAN |
| 2.2.1 概率分布的量化 |
| 2.2.2 生成对抗网络GAN框架 |
| 2.2.3 判别器的优化目标 |
| 2.2.4 生成器试图拟合真实分布 |
| 2.2.5 训练算法与对抗的本质 |
| 2.3 循环一致性与CycleGAN |
| 2.3.1 循环一致对抗网络的损失函数 |
| 2.3.2 模型结构与训练方法 |
| 2.4 生成对抗网络的变体 |
| 2.5 人脸识别相关技术 |
| 2.6 多姿态人脸数据集 |
| 2.6.1 受限数据集 |
| 2.6.2 自然场景数据集 |
| 2.7 本章小结 |
| 第三章 基于循环一致对抗网络的人脸正面化方法 |
| 3.1 面临的挑战 |
| 3.2 分析任务要求及目标 |
| 3.3 提出解决方案 |
| 3.4 人脸正面化模型总体框架 |
| 3.4.1 前向循环过程 |
| 3.4.2 反向循环过程 |
| 3.4.3 损失函数的总体介绍 |
| 3.5 子模块结构 |
| 3.5.1 姿态估计器 |
| 3.5.2 生成器结构 |
| 3.5.3 判别器结构 |
| 3.6 设计损失函数 |
| 3.6.1 调整循环一致损失 |
| 3.6.2 局部对抗损失和姿态指导的全局对抗损失 |
| 3.6.3 源域与目标域的身份保持损失 |
| 3.6.4 针对配对数据的像素损失 |
| 3.6.5 针对非配对数据定义一个新的损失 |
| 3.7 半监督训练策略 |
| 3.7.1 关键步骤分析 |
| 3.7.2 具体训练算法 |
| 3.8 多姿态人脸识别流程 |
| 3.9 本章小结 |
| 第四章 正脸生成与多姿态人脸识别实验 |
| 4.1 实验配置 |
| 4.1.1 优化器及学习率 |
| 4.1.2 抽样方法和批处理大小 |
| 4.1.3 损失权重和姿态角权重 |
| 4.1.4 迭代数和判别器步数 |
| 4.1.5 训练集和测试集配置 |
| 4.2 约定不同配置组合 |
| 4.3 受限环境下的实验结果与分析 |
| 4.3.1 正脸化结果 |
| 4.3.2 受限环境下的多姿态识别定量结果 |
| 4.4 自然场景下的实验结果与分析 |
| 4.4.1 生成正脸图像 |
| 4.4.2 非受限环境下的定量结果 |
| 4.5 分解实验的结果与分析 |
| 4.5.1 针对像素损失的分解实验 |
| 4.5.2 针对循环一致损失的分解实验 |
| 4.5.3 针对身份保持损失的分解实验 |
| 4.5.4 针对全局和局部对抗损失的分解实验 |
| 4.5.5 针对局部对抗损失的分解实验 |
| 4.5.6 针对姿态角损失的分解实验 |
| 4.6 本章小结 |
| 第五章 多姿态人脸识别系统的设计与实现 |
| 5.1 系统设计 |
| 5.1.1 整体框架 |
| 5.1.2 开发环境和技术栈 |
| 5.1.3 业务模块 |
| 5.1.4 数据库表设计 |
| 5.2 业务实现 |
| 5.2.1 侧脸-正脸转换模块 |
| 5.2.2 正脸-侧脸转换模块 |
| 5.2.3 人脸比对模块 |
| 5.2.4 身份识别模块 |
| 5.2.5 人脸注册模块 |
| 5.2.6 图库集管理 |
| 5.2.7 预训练模型管理 |
| 5.3 功能测试 |
| 5.4 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（8）基于深度学习的多角度人脸识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 人脸识别研究的背景和意义 |
| 1.2 多角度人脸识别研究的背景和意义 |
| 1.3 多角度人脸识别的国内外研究现状 |
| 1.4 主要研究内容 |
| 1.5 本文的组织结构 |
| 第2章 相关理论介绍 |
| 2.1 semi-supervised GAN的类标签原理 |
| 2.2 自动编码器 |
| 2.2.1 编码器解码器原理 |
| 2.2.2 编码器解码器结构对特征信息的提取 |
| 2.3 LSGAN网络 |
| 2.4 图像相似度计算方法 |
| 2.5 本章小结 |
| 第3章 基础网络结构 |
| 3.1 生成对抗网络 |
| 3.2 基于生成对抗网络的基础网络结构 |
| 3.2.1 归一化数据分布 |
| 3.2.2 ELU激活函数加快网络学习速度 |
| 3.2.3 改变网络输出大小 |
| 3.3 本章小结 |
| 第4章 多角度人脸识别 |
| 4.1 多任务网络判别器 |
| 4.2 角度无关特征提取 |
| 4.3 提高生成图像的质量 |
| 4.4 多角度人脸识别 |
| 4.5 本章小结 |
| 第5章 实验与结果分析 |
| 5.1 实验设置 |
| 5.1.1 数据集介绍 |
| 5.1.2 实验环境及实验细节 |
| 5.2 实验结果分析 |
| 5.2.1 正面识别结果对比 |
| 5.2.2 侧面识别结果对比 |
| 5.2.3 正面人脸图像对比 |
| 5.2.4 稳定性验证 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和获得的科研成果 |
| 致谢 |
（9）基于深度学习的多姿态人脸识别的研究（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 国内外研究现状 |
| 1.3 本文研究内容与意义 |
| 1.4 本文的结构安排 |
| 第二章 多姿态人脸识别相关理论 |
| 2.1 多姿态人脸识别算法 |
| 2.1.1 基于姿态矫正的人脸识别 |
| 2.1.2 基于虚拟人脸多姿态视图的人脸识别 |
| 2.2 神经网络基本理论 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 激活函数 |
| 2.2.4 交叉熵损失函数 |
| 2.3 卷积神经网络结构 |
| 2.3.1 Shortcut connection结构 |
| 2.3.2 Inception结构 |
| 2.4 本章小结 |
| 第三章 基于深度学习的多姿态人脸识别 |
| 3.1 传统的基于神经网络的人脸识别 |
| 3.2 本文多姿态识别技术框架 |
| 3.2.1 设计思路 |
| 3.2.2 本文网络结构 |
| 3.2.3 技术流程 |
| 3.3 本章小结 |
| 第四章 多姿态人脸特征的提取 |
| 4.1 设计思路 |
| 4.2 姿态估计 |
| 4.3 基于神经网络的特征提取 |
| 4.3.0 基础的神经网络模型 |
| 4.3.1 基于ResNet的多姿态网络模型 |
| 4.3.2 基于MobileNetV3 的多姿态网络模型 |
| 4.4 算法伪代码 |
| 4.5 本章小结 |
| 第五章 姿态矫正模块设计 |
| 5.1 设计思路 |
| 5.2 本文设计的理论依据 |
| 5.3 姿态矫正框架 |
| 5.4 图像效果评价 |
| 5.5 本章小结 |
| 第六章 实验结果及分析 |
| 6.1 训练过程 |
| 6.1.1 人脸数据集 |
| 6.1.2 评价准则 |
| 6.1.3 训练机器及结果 |
| 6.2 实验环境 |
| 6.3 CFP数据集测试 |
| 6.4 IJB-A数据集测试 |
| 6.5 LFW数据集测试 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读学位期间的研究成果目录 |
| 致谢 |
（10）面向非限制条件的人脸识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容和主要创新点 |
| 1.4 论文的结构安排 |
| 第二章 人脸识别各阶段算法概述 |
| 2.1 人脸图像预处理 |
| 2.1.1 人脸去光照 |
| 2.1.2 人脸超分辨 |
| 2.1.3 人脸去模糊 |
| 2.2 人脸关键点检测 |
| 2.2.1 二维人脸关键点检测 |
| 2.2.2 三维人脸关键点检测 |
| 2.3 人脸特征提取 |
| 2.3.1 基于局部特征的人脸特征提取 |
| 2.3.2 基于特征编码的人脸特征提取 |
| 2.3.3 基于深度学习的人脸特征学习 |
| 2.4 安全人脸认证 |
| 2.4.1 基于传统特征的活体人脸检测方法 |
| 2.4.2 基于深度学习的活体人脸检测方法 |
| 2.5 常用的人脸数据库 |
| 2.5.1 二维人脸数据库 |
| 2.5.2 三维人脸数据库 |
| 2.5.3 人脸防伪检测数据库 |
| 2.6 本章小结 |
| 第三章 基于尺度分解及能量模型最小化的人脸去光照方法 |
| 3.1 相关工作 |
| 3.2 能量模型定义 |
| 3.3 能量模型求解 |
| 3.4 实验与分析 |
| 3.4.1 实验数据及模型参数 |
| 3.4.2 可视化实验结果分析 |
| 3.4.3 消融实验分析 |
| 3.4.4 人脸识别结果分析 |
| 3.5 本章小结 |
| 第四章 基于二维辅助学习的人脸三维关键点检测方法 |
| 4.1 相关工作 |
| 4.1.1 三维人脸重建 |
| 4.1.2 三维人脸对齐 |
| 4.2 三维形变模型 |
| 4.3 网络结构 |
| 4.3.1 3DMM系数加权监督 |
| 4.3.2 二维辅助自监督 |
| 4.3.3 生成对抗弱监督 |
| 4.3.4 模型整体训练 |
| 4.4 实验与分析 |
| 4.4.1 实验数据及网络参数 |
| 4.4.2 人脸关键点检测结果分析 |
| 4.4.3 三维人脸重建结果分析 |
| 4.4.4 消融实验分析 |
| 4.5 本章小结 |
| 第五章 基于生成对抗学习的跨姿态低质量人脸复原方法 |
| 5.1 相关工作 |
| 5.1.1 人脸转正 |
| 5.1.2 人脸增强 |
| 5.2 网络结构 |
| 5.2.1 双代理生成网络 |
| 5.2.2 姿态归一化模型 |
| 5.2.3 双代理-先验引导判别网络 |
| 5.2.4 过渡训练 |
| 5.3 实验与分析 |
| 5.3.1 实验数据及网络参数 |
| 5.3.2 消融实验分析 |
| 5.3.3 人脸转正效果分析 |
| 5.3.4 人脸增强效果分析 |
| 5.3.5 人脸识别结果分析 |
| 5.4 本章小结 |
| 第六章 基于深度迁移及多任务学习的人脸防伪方法 |
| 6.1 相关工作 |
| 6.2 基于深度迁移学习的人脸防伪方法 |
| 6.2.1 网络结构 |
| 6.2.2 实验数据及网络参数 |
| 6.2.3 域内测试结果 |
| 6.2.4 域间测试结果 |
| 6.2.5 消融实验分析 |
| 6.3 深度多任务学习人脸防伪方法 |
| 6.3.1 网络结构 |
| 6.3.2 全成对混淆损失 |
| 6.3.3 快速域适应模块 |
| 6.3.4 实验数据及网络参数 |
| 6.3.5 消融实验分析 |
| 6.3.6 域内测试结果 |
| 6.3.7 域间测试结果 |
| 6.3.8 人脸识别结果 |
| 6.4 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
四、FACE RECOGNITION FROM FRONT-VIEW FACE（论文参考文献）
- [1]基于三维可形变模型的多视角人脸识别及其应用[D]. 曾强. 浙江大学, 2021(02)
- [2]面向视频监控的人脸重建与识别[D]. 卢增通. 桂林电子科技大学, 2021(02)
- [3]基于面部生成的视频序列多角度人脸识别研究[D]. 张子豪. 北京建筑大学, 2021(01)
- [4]复杂光照下非对齐人脸特征融合的识别算法研究[D]. 王韬. 四川大学, 2021(02)
- [5]基于生成对抗网络的多角度人脸正面化研究[D]. 李虹霞. 中北大学, 2021(09)
- [6]基于双路循环生成对抗网络的多姿态人脸识别方法[D]. 王东. 上海海事大学, 2021
- [7]自然场景下多姿态人脸识别的研究与实现[D]. 李亚林. 电子科技大学, 2021(01)
- [8]基于深度学习的多角度人脸识别研究[D]. 吴晓桐. 沈阳理工大学, 2021(01)
- [9]基于深度学习的多姿态人脸识别的研究[D]. 张梦雪. 东华大学, 2021(01)
- [10]面向非限制条件的人脸识别研究[D]. 涂晓光. 电子科技大学, 2020(03)
标签：人脸识别论文; 人脸检测技术论文; dlib人脸检测论文; 图像识别论文;