基于深度学习的监控系统特定人脸模拟生成方法研究
发布时间：2022-02-16 13:42
在机场、火车站、教室等公共监控系统应用环境下,采集到的人脸图像往往是在不受控条件下,具有多种变化。例如人脸姿态、光照、小部分遮挡等影响,造成的人脸图像信息缺失导致识别性能迅速下降。传统的一些机器学习方法使用的是浅层结构,这种神经网络无法探索到样本内部的复杂函数,例如BP神经网络和支持向量机等,并且极易受到例如光照、复杂背景等外界因素的影响,泛化能力均有明显不足。深度学习通过深层的神经网络结构学习并表征输入数据分布式表示,拟合复杂函数,体现了深度学习对输入数据深层特征的提取能力。因此本课题选用基于深度学习的生成模型方法克服不受控条件下人脸图像部分信息缺失的影响,对缺失数据进行预测补充。本课题主要对深度生成模型（如生成式对抗网络GANs等）的学习原理、训练参数以及人脸生成的效果进行应用研究。通过提取公共场合监控中的静态人脸图像,对截取的人脸图像归一化、打马赛克模拟遮挡情况等预处理,构建训练集。使用TensorFlow深度学习框架,将处理好的训练集分别输入深度卷积生成式对抗网络（DCGAN）、基于上下文编码器的生成式对抗网络和基于Pix2Pix方法的生成式对抗网络进行训练和调参等操作,并针对...
【文章来源】：内蒙古工业大学内蒙古自治区
【文章页数】：61 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题研究的背景和意义
1.2 国内外相关技术的现状及发展趋势
1.2.1 人脸检测国内外研究现状
1.2.2 深度学习国内外研究现状
1.2.3 发展趋势
1.3 论文主要内容和章节安排
第二章 相关理论及算法
2.1 卷积神经网络
2.1.1 卷积层
2.1.2 池化层
2.1.3 激活函数
2.1.4 优化算法
2.2 生成式对抗网络
2.3 深度卷积生成式对抗网络
2.4 基于上下文编码器的生成式对抗网络
2.5 基于Pix2Pix方法的生成式对抗网络
第三章 遮挡人脸模拟生成方法
3.1 图像预处理
3.1.1 基于OpenCV的人脸检测及提取保存
3.1.2 调整图像像素大小
3.1.3 模拟遮挡处理
3.2 深度卷积生成式对抗网络
3.3 基于上下文编码器的生成式对抗网络
3.4 基于Pix2Pix方法的生成式对抗网络
第四章 监控条件下的课堂表情识别
4.1 基于迁移学习的表情识别网络
4.2 监控条件下的课堂表情识别模型
第五章 基于课堂监控下被遮挡学生人脸生成及表情识别实验系统
5.1 需求分析
5.2 系统设计思路
5.3 系统总体架构
5.3.1 系统结构设计
5.3.2 系统工作流程设计
5.4 系统开发
5.4.1 系统开发平台——PyQt
5.4.2 PyQt基本编程
5.4.3 PyQt的信号和槽机制
5.4.4 系统的交互界面
5.5 系统性能分析
结论
参考文献
致谢
攻读学位期间发表的学术论文及取得的科研成果
【参考文献】：
期刊论文
[1]基于卷积神经网络的微表情识别[J]. 薛天坤. 中国新技术新产品. 2018(16)
[2]基于面部表情的学习困惑自动识别法[J]. 江波,李万健,李芷璇,叶韵. 开放教育研究. 2018(04)
[3]课堂教学环境下学生学习兴趣智能化分析[J]. 陈靓影,罗珍珍,徐如意. 电化教育研究. 2018(08)
[4]基于OpenCV的学生学习过程中情绪识别技术研究[J]. 崔晓康,王天昊,庄志鹏. 仪器仪表用户. 2018(03)
[5]基于深度反卷积神经网络的图像超分辨率算法[J]. 彭亚丽,张鲁,张钰,刘侍刚,郭敏. 软件学报. 2018(04)
[6]基于卷积神经网络的课堂表情分析软件研究与实现[J]. 周建国,唐东明,彭争,李闯,张加昌. 成都信息工程大学学报. 2017(05)
[7]基于深度学习的痛苦表情识别[J]. 王军,夏利民. 计算机工程与设计. 2016(06)
[8]基于ROI-KNN卷积神经网络的面部表情识别[J]. 孙晓,潘汀,任福继. 自动化学报. 2016(06)
[9]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[10]一种基于降噪自编码器的人脸表情识别方法[J]. 李江,冉君军,张克非. 计算机应用研究. 2016(12)
硕士论文
[1]视频识别辅助的学生评价系统研究[D]. 麻皓东.北方工业大学 2018
[2]基于对抗深度学习的人脸检测研究[D]. 刘彬.青岛科技大学 2018
[3]课堂环境中智能情感评价系统的设计与应用研究[D]. 李洋.辽宁师范大学 2018
[4]基于DCGAN算法的图像生成技术研究[D]. 蔡晓龙.青岛理工大学 2018
[5]基于深度学习的人脸表情识别算法研究[D]. 李勇.北京化工大学 2017
[6]基于卷积神经网络的图像超分辨率重建[D]. 杨莉.郑州大学 2017
[7]深度学习算法研究及其在图像分类上的应用[D]. 王曙.南京邮电大学 2016
[8]一种课堂环境下学生表情识别系统的研究[D]. 侯洪涛.北京工业大学 2015
[9]基于深度学习的人脸识别研究[D]. 林妙真.大连理工大学 2013
[10]标准自然教室中的人脸表情识别研究[D]. 刘决仕.上海交通大学 2009
本文编号：3628070
【文章来源】：内蒙古工业大学内蒙古自治区
【文章页数】：61 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题研究的背景和意义
1.2 国内外相关技术的现状及发展趋势
1.2.1 人脸检测国内外研究现状
1.2.2 深度学习国内外研究现状
1.2.3 发展趋势
1.3 论文主要内容和章节安排
第二章 相关理论及算法
2.1 卷积神经网络
2.1.1 卷积层
2.1.2 池化层
2.1.3 激活函数
2.1.4 优化算法
2.2 生成式对抗网络
2.3 深度卷积生成式对抗网络
2.4 基于上下文编码器的生成式对抗网络
2.5 基于Pix2Pix方法的生成式对抗网络
第三章 遮挡人脸模拟生成方法
3.1 图像预处理
3.1.1 基于OpenCV的人脸检测及提取保存
3.1.2 调整图像像素大小
3.1.3 模拟遮挡处理
3.2 深度卷积生成式对抗网络
3.3 基于上下文编码器的生成式对抗网络
3.4 基于Pix2Pix方法的生成式对抗网络
第四章 监控条件下的课堂表情识别
4.1 基于迁移学习的表情识别网络
4.2 监控条件下的课堂表情识别模型
第五章 基于课堂监控下被遮挡学生人脸生成及表情识别实验系统
5.1 需求分析
5.2 系统设计思路
5.3 系统总体架构
5.3.1 系统结构设计
5.3.2 系统工作流程设计
5.4 系统开发
5.4.1 系统开发平台——PyQt
5.4.2 PyQt基本编程
5.4.3 PyQt的信号和槽机制
5.4.4 系统的交互界面
5.5 系统性能分析
结论
参考文献
致谢
攻读学位期间发表的学术论文及取得的科研成果
【参考文献】：
期刊论文
[1]基于卷积神经网络的微表情识别[J]. 薛天坤. 中国新技术新产品. 2018(16)
[2]基于面部表情的学习困惑自动识别法[J]. 江波,李万健,李芷璇,叶韵. 开放教育研究. 2018(04)
[3]课堂教学环境下学生学习兴趣智能化分析[J]. 陈靓影,罗珍珍,徐如意. 电化教育研究. 2018(08)
[4]基于OpenCV的学生学习过程中情绪识别技术研究[J]. 崔晓康,王天昊,庄志鹏. 仪器仪表用户. 2018(03)
[5]基于深度反卷积神经网络的图像超分辨率算法[J]. 彭亚丽,张鲁,张钰,刘侍刚,郭敏. 软件学报. 2018(04)
[6]基于卷积神经网络的课堂表情分析软件研究与实现[J]. 周建国,唐东明,彭争,李闯,张加昌. 成都信息工程大学学报. 2017(05)
[7]基于深度学习的痛苦表情识别[J]. 王军,夏利民. 计算机工程与设计. 2016(06)
[8]基于ROI-KNN卷积神经网络的面部表情识别[J]. 孙晓,潘汀,任福继. 自动化学报. 2016(06)
[9]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[10]一种基于降噪自编码器的人脸表情识别方法[J]. 李江,冉君军,张克非. 计算机应用研究. 2016(12)
硕士论文
[1]视频识别辅助的学生评价系统研究[D]. 麻皓东.北方工业大学 2018
[2]基于对抗深度学习的人脸检测研究[D]. 刘彬.青岛科技大学 2018
[3]课堂环境中智能情感评价系统的设计与应用研究[D]. 李洋.辽宁师范大学 2018
[4]基于DCGAN算法的图像生成技术研究[D]. 蔡晓龙.青岛理工大学 2018
[5]基于深度学习的人脸表情识别算法研究[D]. 李勇.北京化工大学 2017
[6]基于卷积神经网络的图像超分辨率重建[D]. 杨莉.郑州大学 2017
[7]深度学习算法研究及其在图像分类上的应用[D]. 王曙.南京邮电大学 2016
[8]一种课堂环境下学生表情识别系统的研究[D]. 侯洪涛.北京工业大学 2015
[9]基于深度学习的人脸识别研究[D]. 林妙真.大连理工大学 2013
[10]标准自然教室中的人脸表情识别研究[D]. 刘决仕.上海交通大学 2009
本文编号：3628070
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3628070.html
