基于PCA降维算法优化的敏感人脸识别研究与实现
发布时间：2022-06-03 20:53
人工智能近些年的发展可谓是有目共睹,伴随着学术发展的突飞猛进,各行各业基于人工智能的应用呈现井喷之势,其中人脸识别就是比较典型的一种应用。由于媒体行业向融媒体业务转型的需要,播出内容呈海量信息上升趋势,利用原有的人工内容审核模式已远远不能满足现代融媒体业务的要求,需要技术系统实现与之相适应的变革。本课题在深圳电视台的融合生产平台项目中,对总控系统播出的审看环节进行革新——引入自动人脸识别技术,近几十年人脸识别技术积累下丰富的理论研究基础,并研究出大量的识别算法,尽管现有的人脸识别技术也能够获得优越的性能,但因为媒体直播中的人脸识别易受人脸角度、物体遮挡等因素的影响,同时因为直播对人脸识别的速度有极高要求,所以媒体行业的人脸识别应用仍然是一个复杂的问题。本文基于对人脸识别经典算法的认真分析基础上,结合国内外人脸识别技术的特征提取技术,针对检测算法中的PCA降维算法进行优化,主要通过对人脸轮廓特征点的提取方式和人脸特征模型生成方式的更新,来提高人脸检测的效率和人脸识别的准确率。同时,根据深圳电视台的实际应用场景,利用优化的PCA检测算法设计开发适用于自己的敏感人脸特征库,并完成敏感人脸识别...
【文章页数】：64 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 引言
1.2 课题研究的背景意义和现状分析
1.2.1 课题的研究背景和意义
1.2.2 国内外相关技术发展
1.2.3 课题的研究现状
1.3 课题研究的主要内容
第2章 人脸识别技术要求及经典算法分析
2.1 引言
2.2 人脸识别技术要求
2.2.1 技术要求
2.2.2 Open CV计算机视觉库
2.3 Haar-like特征
2.3.1 特征模版
2.3.2 特征值计算
2.3.3 积分图特征值计算
2.4 PCA降维算法
2.4.1 PCA算法原理
2.4.2 PCA降维算法
2.5 Ada Boost人脸检测算法
2.5.1 Ada Boost算法原理
2.5.2 基本分类器算法流程
2.5.3 Ada Boost算法流程
2.5.4 算法实例
2.6 本章小结
第3章 基于PCA算法优化的敏感人脸特征库建立
3.1 引言
3.2 PCA降维算法的优化
3.2.1 结合局部信息分析法的PCA算法优化
3.2.2 结合子模式切分法的PCA算法优化
3.2.3 优化后的PCA降维算法训练人脸
3.3 特征提取技术
3.3.1 人脸检测
3.3.2 人脸校正
3.3.3 特征点定位及提取
3.4 特征库建立及实现
3.4.1 常见的人脸特征库介绍
3.4.2 敏感人脸特征库的建立
3.4.3 敏感人脸特征库的编码实现
3.5 特征库提取准确率测试
3.6 本章小结
第4章 基于敏感人脸特征库的人脸识别技术实现
4.1 引言
4.2 环境配置
4.2.1 开发环境配置
4.2.2 本课题涉及的Open CV核心模块
4.3 系统需求与框架设计
4.3.1 功能性需求
4.3.2 非功能性需求
4.3.3 框架设计
4.4 模块实现与优化
4.4.1 视频流帧处理模块
4.4.2 人脸检测模块
4.4.3 人脸校正模块
4.4.4 特征点定位模块
4.4.5 人脸识别模块
4.5 系统接入的通信机制
4.6 系统测试与分析
4.6.1 功能测试
4.6.2 性能测试
4.7 本章小结
结论
参考文献
致谢
个人简历
【参考文献】：
博士论文
[1]基于局部特征的人脸图像分析和识别方法研究[D]. 宋涛.浙江大学 2015
硕士论文
[1]人脸识别中人脸检测和特征提取算法的研究[D]. 刘胜昔.南京邮电大学 2018
[2]基于PCA和LBP在OpenCV3.0平台人脸识别系统的开发[D]. 刘蒸蒸.天津理工大学 2018
[3]移动人脸识别系统的研究与实现[D]. 王远.北京邮电大学 2018
[4]Adaboost算法优化及人脸检测识别系统研究[D]. 李可强.燕山大学 2017
[5]学习过程面部特征测量系统的设计与实现[D]. 肖颖.华中科技大学 2015
本文编号：3653468
【文章页数】：64 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 引言
1.2 课题研究的背景意义和现状分析
1.2.1 课题的研究背景和意义
1.2.2 国内外相关技术发展
1.2.3 课题的研究现状
1.3 课题研究的主要内容
第2章 人脸识别技术要求及经典算法分析
2.1 引言
2.2 人脸识别技术要求
2.2.1 技术要求
2.2.2 Open CV计算机视觉库
2.3 Haar-like特征
2.3.1 特征模版
2.3.2 特征值计算
2.3.3 积分图特征值计算
2.4 PCA降维算法
2.4.1 PCA算法原理
2.4.2 PCA降维算法
2.5 Ada Boost人脸检测算法
2.5.1 Ada Boost算法原理
2.5.2 基本分类器算法流程
2.5.3 Ada Boost算法流程
2.5.4 算法实例
2.6 本章小结
第3章 基于PCA算法优化的敏感人脸特征库建立
3.1 引言
3.2 PCA降维算法的优化
3.2.1 结合局部信息分析法的PCA算法优化
3.2.2 结合子模式切分法的PCA算法优化
3.2.3 优化后的PCA降维算法训练人脸
3.3 特征提取技术
3.3.1 人脸检测
3.3.2 人脸校正
3.3.3 特征点定位及提取
3.4 特征库建立及实现
3.4.1 常见的人脸特征库介绍
3.4.2 敏感人脸特征库的建立
3.4.3 敏感人脸特征库的编码实现
3.5 特征库提取准确率测试
3.6 本章小结
第4章 基于敏感人脸特征库的人脸识别技术实现
4.1 引言
4.2 环境配置
4.2.1 开发环境配置
4.2.2 本课题涉及的Open CV核心模块
4.3 系统需求与框架设计
4.3.1 功能性需求
4.3.2 非功能性需求
4.3.3 框架设计
4.4 模块实现与优化
4.4.1 视频流帧处理模块
4.4.2 人脸检测模块
4.4.3 人脸校正模块
4.4.4 特征点定位模块
4.4.5 人脸识别模块
4.5 系统接入的通信机制
4.6 系统测试与分析
4.6.1 功能测试
4.6.2 性能测试
4.7 本章小结
结论
参考文献
致谢
个人简历
【参考文献】：
博士论文
[1]基于局部特征的人脸图像分析和识别方法研究[D]. 宋涛.浙江大学 2015
硕士论文
[1]人脸识别中人脸检测和特征提取算法的研究[D]. 刘胜昔.南京邮电大学 2018
[2]基于PCA和LBP在OpenCV3.0平台人脸识别系统的开发[D]. 刘蒸蒸.天津理工大学 2018
[3]移动人脸识别系统的研究与实现[D]. 王远.北京邮电大学 2018
[4]Adaboost算法优化及人脸检测识别系统研究[D]. 李可强.燕山大学 2017
[5]学习过程面部特征测量系统的设计与实现[D]. 肖颖.华中科技大学 2015
本文编号：3653468
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3653468.html
最近更新
教材专著
