一、基于Adaboost的快速人脸跟踪算法(论文文献综述)
聂继生[1](2020)在《基于视频监控的目标人员跟踪系统研究与实现》文中研究表明随着人类文明的发展,视频监控作为社会公共安全防护中的重要一环,越来越被研究者们重视,尤其是近年来人工智能技术的不断突破,当今社会对于智能视频监控也提出了更高的要求。人脸分析技术在计算机视觉与模式识别领域的研究与应用已经非常成功,例如目前已经普遍使用的人脸打卡系统,手机人脸解锁以及智能门禁系统等。然而,人脸分析技术在视频监控中的应用依然还不够成熟,鉴于其对于公安部门的刑侦、社会公共秩序的维护具有重大意义,再结合自身工作,本文对人脸分析技术及其在视频监控中的应用展开研究,主要工作如下:基于AdaBoost的人脸检测算法,本文研究和设计了一种融合肤色分割技术的改进AdaBoost人脸检测算法,该算法提高了人脸检测的精确度和速度。AdaBoost算法在训练分类器时可能会出现噪声样本权重过大导致样本权重分布扭曲,从而使得集成的强分类器的整体性能降低的退化现象,针对这个问题本文对AdaBoost算法的权重更新方式进行了改进。同时针对训练好的AdaBoost分类器检测速度较慢的问题,本文提出将肤色分割技术与改进的AdaBoost算法相结合,利用肤色分割技术进行人脸区域预选,然后再利用改进的AdaBoost分类器进行人脸检测。基于CamShift人脸跟踪算法,本文研究和设计了一种改进的CamShift人脸跟踪算法,该算法提高了人脸跟踪的精确度。CamShift人脸跟踪算法在跟踪时容易受背景颜色影响发生跟踪漂移,而且当目标被严重遮挡时,CamShift算法也无法对其进行处理最终导致跟踪失败。针对以上问题,本文引入跟踪漂移系数对CamShift算法跟踪时的搜索窗口进行评估,当出现上述问题时,结合肤色分割技术和LBP特征直方图对人脸进行重定位,实现了对人脸持续稳定的跟踪。最后,基于改进的人脸检测和人脸跟踪算法,再结合人脸识别技术,将其应用到实际的视频监控中,设计和实现了一个基于视频监控的目标人员跟踪系统,该系统具备人脸检测、人脸识别以及人脸跟踪功能,能够对视频监控中出现的人脸进行检测识别,并能够对识别出的目标人脸进行持续稳定的跟踪。
高亚辉[2](2020)在《基于深度相机的京剧脸谱个性化建模技术研究》文中指出三维个性化建模技术是计算机视觉、虚拟现实等领域的一大研究热点,京剧作为我国国粹,而对于京剧脸谱数字化的建模技术近几年也受到了国内外研究学者的关注,并取得了一定的研究成果。目前,关于个性化京剧脸谱的实现方法主要有两个方向,一是脸谱妆容的二维投影的研究;另一个是矢量化脸谱纹样的逐层建模。但是,以上两种方法均基于脸谱纹样矢量库进行研究,存在着或真实感不足,或需要手工变形无法实时个性化等问题,因此,本文基于深度相机进行京剧脸谱的个性化研究,目的是让个性化效果更加真实且可以实时驱动,研究内容主要包括多帧人脸点云的配准拼接、面部数据的检测跟踪以及个性化脸谱变形技术三个方面,具体研究内容归纳如下:首先,设计了基于RGB图像三维映射的点云AU(Action Unit)单元的区域划分,并基于AU单元的快速点特征直方图(Fast Point Feature Histograms,FPFH)进行点云粗配准的方法。对于迭代最近点(Interative Closest Point,ICP)点云配准方法的效率低问题,采用AU单元局部特征代替点云全局特征,提高特征提取的效率,并采用AU单元局部特征进行粗配准,解决ICP点云配准方法的高偏差问题。由于该方法仅提取具有代表性的AU单元内的点云特征,因此,较常规的FPFH粗配准效率更高,精度更高,更能提供完美的初始变换矩阵,有利于解决ICP配准的高偏差问题,为个性化脸谱的关键点特征提取奠定了良好的基础。其次,设计了LBP(Local Binary Pattern)特征与肤色信息交替进行人脸检测跟踪的方法。对于人脸检测时存在的侧脸易丢失以及跟踪的实时性延迟等问题,采用了结合人脸肤色信息做为人脸跟踪的附加条件,同时在进行人脸检测时,利用可以表达人脸纹理特征LBP向量特征作为Adaboost分类器的训练输入特征。实验结果表明LBP特征相较于Haar特征对于人脸检测更高效,且采用加入肤色信息进行交替跟踪的方法,可以有效减小侧脸丢失的误差,更有利于实时跟踪以及面部特征点的提取,为个性化京剧脸谱的参数映射提供了稳定的数据。最后,提出了将三维标准脸谱进行AU单元划分,进行局部变形构建形状基的方法。本文以三维标准京剧脸谱为基础,研究京剧脸谱的三维变形实现个性化。基于Laplacian算法与BlendShape算法进行个性化京剧脸谱的研究,本文提出京剧脸谱AU单元划分进行局部变形来构建形状基的方法,解决Laplacian算法导致的脸谱区域变形时对不相关区域产生的异常变形问题,最后搭建个性化交互平台,将人脸特征点数据映射到京剧脸谱的AU单元,实现个性化脸谱。实验表明,该方法解决了异常变形问题,更加符合京剧脸谱的表演效果,实时性高效,表情自然。
渠皓然[3](2020)在《基于机器视觉的驾驶员异常行为检测》文中认为随着汽车保有量大幅提高,交通事故越来越频发,严重威胁人民财产和生命安全。绝大部分交通事故由异常驾驶行为导致。为了减少交通事故发生,安全辅助驾驶系统研究具有重大应该价值。基于机器视觉的检测方法有非接触、干扰小的优点。本课题对驾驶员异常行为检测进行了研究,包括疲劳驾驶检测和打电话行为检测。人脸显示了一个人重要的状态信息,对眼、耳等多特征检测成为判断驾驶员是否处于异常行为的关键。在视频检测中,本着“由大到小、逐步定位”的原则。论文先通过Adaboost算法确定驾驶员人脸初始位置,再采用KCF跟踪算法对人脸进行跟踪,然后应用SDM算法进行人脸特征点对齐,得到眉毛、眼睑、鼻子和嘴等器官具体位置。最后,提取出眼部区域,送CNN神经网络处理。CNN神经网络经“睁闭眼”数据集训练,分类识别眼睛的睁闭。论文采用PERCLOS疲劳参数和眨眼频率融合法判定驾驶员疲劳状态。打电话检测中,采用SDM算法定位人脸器官位置,通过“三庭五眼”先验知识定位“打电话动作”感兴区域。驾驶员打电话时,手接近耳部,感兴区域会存在大量类肤色像素,利用肤色在YCb Cr空间具有较好聚类的特性,可对耳部区域大量类肤色像素进行检测,从而实现驾驶员打电话行为检测。论文检测算法在MATLAB环境下开发完成。实验验证结果表明:论文提出的驾驶员异常行为检测方法具有较高实用价值,每帧视频的人脸定位时间仅为10.95ms,检测疲劳驾驶和打电话准确性分别为92.5%和93.5%。
王畅[4](2019)在《基于弱约束室内视频的人脸图像优选模块的设计与实现》文中研究表明目前,人脸识别系统在进行人脸识别时获取人脸图像的方式通常有两种:第一种是所识别人站在指定的摄像头前面进行识别。该种方式约束力较强,而且只适用于单人脸识别,因此效率较低;第二种是直接从监控视频中获取人脸图像进行识别。但由于视频中的人脸处于无约束状态,导致获取到大量低质量人脸图像,比如,人脸图像存在偏转、模糊、遮挡等问题,若直接用于识别会降低识别准确率。此外,视频帧间的冗余极大地增加了系统的负担。为解决视频中低质量的人脸图像降低人脸识别准确率的问题,本学位论文设计并实现了人脸图像优选模块,在对人脸进行识别之前,先通过人脸图像优选模块对从视频中获取的人脸图像进行优选,不仅可以提高人脸识别准确率,还可以提高系统的运行效率。本学位论文的主要工作内容如下:首先,提出了将人脸聚类与人脸跟踪相结合的方法来完成人脸数据集的生成。解决了在生成每个人的人脸数据集时,单独采用人脸跟踪方法所存在的处理过程复杂且由于人脸间的遮挡导致目标丢失的问题,以及单独采用聚类算法所存在的特征提取阶段较为耗时的问题。其次,根据视频中人脸状态的实际情况,定义了人脸旋转程度评价指标、人眼状态评价指标、人脸遮挡程度评价指标以及人脸图像清晰度评价指标,并提出了这4个评价指标权重系数的确定方法,对4个评价指标进行线性组合,得到评价人脸图像质量的综合评价指标。最后,采用Python程序设计语言结合开源计算机视觉库OpenCV和Pyqt,进行后端程序开发和用户界面的设计,使用户能够通过操作界面,完成视频中的人脸图像优选,并显示优选结果。本文提出的人脸数据集生成方法相比基于人脸跟踪的人脸数据集生成方法在纯度上提升了约15%,相比基于人脸聚类的人脸数据集生成方法在效率上提升了约50%。此外,通过仿真实验分别对优选前后的人脸图像进行人脸识别性能比较,实验结果表明,优选后人脸识别准确率提升了 13.2%,速度提升了 62s。
孙结冰[5](2019)在《基于Adaboost人脸检测算法的多人标识系统研发》文中研究指明随着人类数字信息化时代的快速推进,现代社会生活对于信息安全的要求也越来越高,生物特征的身份鉴定技术占据着越来越重要的地位,其中人脸识别在身份验证、人脸辨识以及人脸支付等方面有着重要的意义,基于视频场景中的多人脸识别的地位日益重要。人脸识别技术广泛的应用于社会的各个方面,例如公共监控、人脸考勤以及智慧教育等。本文以大学课堂视频为背景,进行了多人标识系统关键算法的研究以及系统的实现,通过多人标识系统,进行大学课堂视频的人脸识别,进而实现课堂实时抬头率、课堂平均抬头率以及学生课堂抬头率的统计。通过抬头率可以反映大学课堂的真实情况,可以进行课堂教学质量评估,这对于高等学校的教育教学质量改革是有很大帮助的。本文在多人脸检测算法、多人脸跟踪算法以及多人脸识别算法进行了研究,并且进行多人标识系统的研发。首先在多人脸检测算法研究时改进了传统的Adaboost算法,将改进后的算法与肤色模型检测算法相结合形成新的多人脸检测算法;在多人脸跟踪算法的研究时将Kalman滤波应用于Camshift跟踪算法,进行人脸位置的估计,进而实现复杂场景下的多人脸跟踪;多人脸识别算法研究时将LBP提取的人脸特征,进行PCA降维,加快识别速度,实现多人脸的快速识别;利用Matlab计算机辅助软件、Opencv计算机视觉库以及MIT、ORL、Yale标准人脸库进行改进前后算法的验证。最后利用Visual Studio 2012、OpenCV、Qt以及MySql数据库进行了多人标识系统的实现。对系统的功能进行了逐一的测试,对系统的实时性、准确率以及CPU占用率进行了性能测试。通过实验验证以及系统的测试,多人标识系统在大学课堂视频场景下识别率可以达到91.6%,系统应用在课堂视频下能够进行实时抬头率、课堂平均抬头率以及学生课堂抬头率的统计,实时性效果满足要求。
陈东敏[6](2018)在《基于深度学习的人脸实时跟踪算法的研究》文中指出得益于计算机计算能力的提高以及大数据的支撑,深度学习展现出其强大的特征学习能力。作为深度学习与目标跟踪相结合的重要方向之一,人脸跟踪已经成为了行业研究热点。在视频序列中,基于检测方法的人脸跟踪算法会受到环境光线变化、人体姿态改变以及遮挡物等因素的干扰,影响跟踪效果,为了实现稳健且准确的人脸跟踪,通过深度学习提取相邻两帧图像特征并学习得到下一帧人脸窗口位置信息,并对人脸窗口进行特征点定位,从而完成对人脸的跟踪,因此本文主要从人脸检测、人脸跟踪以及特征点定位三个方面进行研究。人脸检测部分是人脸跟踪的初始化,提供跟踪目标位置信息,生成人脸初始化窗口。本文首先介绍了基于AdaBoost的Haar-like级联分类器用于人脸检测的算法原理,分析表明,该算法由人脸的灰度图像训练而成,对类似人脸结构特征的背景区域容易产生误检测。针对这一问题,本文在传统的人脸算法中引入了基于YCbCr颜色空间的肤色检测,通过对图像进行肤色提取以及腐蚀膨胀等一系列降噪操作,去掉非肤色区域,提高人脸检测的正确率,减少误检率。实验表明,本算法对一些非人脸的误检可以有效的避免,提高人脸检测的稳定性。其次通过人脸检测获取的人脸初始化窗口,在每帧中对人脸窗口进行跟踪。在视频序列中,对于环境明暗变化、人脸部分遮挡、人体姿态变换等因素带来的干扰,需要设计一种稳健的人脸跟踪算法。本文首先介绍了基于深度学习的GOTURN目标跟踪算法的流程及原理,实验表明,该算法在输出的人脸矩形框易出现尺度偏差。针对这一问题,本文提出了一种基于校正网络的GOTURN人脸跟踪算法,在初始化窗口提取特征的基础上加入一个校正网络对训练集中的人脸进行特征提取,加强算法对人脸尺度特征的学习,减少跟踪过程中对人脸尺度偏差。实验结果表明,优化的GOTURN算法对人脸跟踪的尺度偏差明显减小,提高了跟踪的准确性。最后通过人脸跟踪得到的人脸窗口,对其进行特征点定位。本文首先介绍了汤晓鸥课题组提出的基于级联卷积神经网络模型的人脸特征点定位算法,该算法运用深度学习对图像特征强大的表达能力,并使用级联结构使可以精确的定位人脸特征点。针对该模型参数过多,收敛缓慢等问题,本文借鉴汤晓鸥算法模型结构第一级并行结构,引用AlexNet模型,并在网络中引入批归一化层和图像颜色通道信息,加快算法收敛的同时提高了算法的准确性。实验表明,优化后的算法能够减小误差,同时减少了训练的迭代次数,进一步提高了模型的预测的准确性。
王俊南[7](2018)在《基于监控视频的目标人脸跟踪技术的研究》文中认为二十世纪七十年代到现在,经过几十年的发展,计算机视觉技术已经获得了长足的进步。基于监控视频的人脸跟踪技术业已成为了当前研究的一个热点。在电视电话会议、智能监控、人机交互、智慧城市、平安城市等应用中,我们都可见人脸跟踪技术的身影。然而基于监控视频的人脸跟踪技术在当前的实际应用中,却仍然面临着很多的挑战,主要为:一是监控视频的拍摄环境的问题,由于监控视频大都是在非受控的自然条件和不同场合下拍摄的,这就使得不同视频乃至同一视频的不同帧中都会出现不同光照,不同背景的情况;二是视频中同一跟踪目标的不同姿态的问题,视频中的某一跟踪目标在视频拍摄期间的运动是随机的,并不总是正面镜头,且也经常会被障碍物部分或全部遮挡。这些都是人脸识别和跟踪的研究中所不易被解决的问题。设计出实现效率高,鲁棒性能好,实时性能强的人脸跟踪技术是广大科研工作者所共同追求的目标。对视频中的目标人脸进行跟踪之前,需要对该目标人脸进行检测,故本文在前人研究成果的基础上,从人脸检测和人脸跟踪两个方面,对监控视频中目标人脸跟踪的问题进行了深入的研究,并取得了如下的成果:1.在人脸检测方面,对于传统的Adaboost算法在进行人脸检测时,需要遍历待检测图像中的所有子窗口造成检测速度慢的问题,本文提出了将肤色分割与改进后的Adaboost算法相结合再进行人脸检测的解决方案。算法首先在YCgCr与YCgCb空间中进行肤色分割,将每一视频帧中的肤色区域与非肤色区域有效地分隔开来,然后再对保留的肤色区域进行形态学操作,并在经过形态学处理所得的肤色区域中引入人脸几何特征,对疑似人脸区域做进一步限定,排除非人脸区域的干扰,尽可能地减少Adaboost算法的搜索区域,从而提高人脸检测速度。实验结果表明,改进后的Adaboost算法的人脸检测速度有了明显的提高且检测效果也得到了明显提升。2.在人脸跟踪部分,对于传统的Camshift人脸跟踪算法在对目标人脸进行跟踪时,容易受到视频帧图像中人体的非脸部肤色区域以及图像背景中类肤色区域的干扰而造成跟踪效果较差的问题,本文提出了一种基于肤色分割的改进Camshift人脸跟踪算法,即将肤色分割和改进后的Adaboost人脸检测算法与传统的Camshift人脸跟踪算法相结合,来实现对监控视频中目标人脸的跟踪。实验结果表明,这种方法的跟踪结果比较可靠,而且跟踪的实时性也较好。
田亚蕾[8](2018)在《基于OpenCV的人脸检测及跟踪技术研究》文中认为人脸识别在智能监控、门禁系统的广泛应用,推动着计算机视觉、智能信息处理的飞速发展,人脸检测及跟踪技术在其中扮演着不可或缺的角色。然而,现实环境的复杂性使得对人脸的定位容易受到光照变化和噪声的干扰,同时人脸姿态的不确定性也增加了人脸检测的难度。对此,本文将分别对人脸检测方法和基于检测的人脸跟踪方法展开研究,然后应用二者实现人脸的准确定位。主要研究内容如下:(1)人脸检测方法。首先,为减少光照变化、噪声等对特征提取的干扰,提高人脸检测效果,对待检测图像进行图像预处理。其次,选用提取Haar-like特征、级联AdaBoost分类器的人脸检测算法检测人脸。针对传统AdaBoost算法只能检测正面人脸,对侧面人脸检测失败的问题,先采用正面人脸检测器检测,再由侧面人脸检测器检测待检测图像,最终构成基于AdaBoost的多角度人脸检测算法。实验表明,该人脸检测算法相较传统AdaBoost算法具有更高的检测正确率。(2)人脸跟踪方法。KCF(核相关滤波)算法以循环矩阵和内核相关滤波思想将跟踪速度提升到了每秒数百帧,取得了较好的跟踪效果。但是,当人脸发生快速运动和运动模糊、受到遮挡及相似物干扰时,KCF算法没有考虑人脸的运动状态信息,导致跟踪失败。对此,本文提出一种改进的人脸跟踪算法CNK-KCF。在跟踪过程中,首先用Kalman滤波器预测下一帧中的人脸位置坐标,由预测坐标选取跟踪窗口,然后使用提取CN特征的KCF算法检测人脸坐标,最后利用检测结果更新Kalman滤波器。通过实验结果分析表明,CNK-KCF跟踪算法与其他几种较先进的跟踪算法相比,具有更好的鲁棒性。(3)结合本文人脸检测方法、人脸跟踪方法,构成人脸检测及跟踪的整体系统架构。首先在VS2010上配置OpenCV作为实验平台,其次对图像采用预处理、多角度人脸检测器检测人脸,然后用获得的当前帧人脸位置初始化跟踪器,最后使用跟踪算法CNK-KCF继续对人脸定位。综上,在这个实验平台上,完成基于OpenCV的人脸检测及跟踪技术研究,实现对多人脸、多角度的准确检测和对单人脸的稳健跟踪。
陈林[9](2017)在《基于视频监控的人脸检测与跟踪算法研究与应用》文中进行了进一步梳理近些年来视频监控系统越来越普及,视频监控规模也越来越大,这对于安全防盗、异常告警、犯罪取证和刑事案件的侦破等具有卓越的效果。人脸检测与跟踪是视频监控系统中的关键技术,是计算机视觉领域热门的研究方向,具有重要的研究价值和广阔的市场前景。由于视频监控的环境比较复杂,会给人脸检测与跟踪带来困难。现有的人脸检测算法在复杂环境下的人脸检测效率和准确率较低,人脸跟踪算法在人脸跟踪过程中的实时性和鲁棒性较差,而且人脸容易跟踪丢失。本文对视频监控中的人脸检测和跟踪算法进行研究,对于提高视频监控中的人脸检测效率、准确率和人脸跟踪过程中的实时性和鲁棒性具有重要的意义。为提高视频监控中的人脸检测效率和准确率以及人脸跟踪过程中的实时性和鲁棒性,本文提出了基于肤色分割与筛选的Adaboost人脸检测算法和基于Camshift聚类的粒子滤波人脸跟踪算法,并将算法应用到视频监控客户端中,实现了人脸检测与跟踪功能。本文主要工作有如下几点:1.针对提高视频监控中人脸检测效率和准确率的问题,提出了一种基于肤色分割与筛选的Adaboost人脸检测算法。在选定色彩空间和肤色模型之后,利用肤色分割与筛选对人脸进行第一次检测,选出类似人脸区域;然后通过Adaboost算法训练人脸样本集,将通过肤色分割与筛选之后的类似人脸区域送入Adaboost算法的级联分类器中,再次检测人脸。此时Adaboost算法的级联分类器不需要对整个待检测图片进行搜索检测,只要对类似人脸区域进行检测,加快了级联分类器检测人脸的效率,提高了人脸检测准确率。实验结果表明:该算法在检测率和误检率等方面都有提升。2.针对Camshift算法无法处理相似背景颜色干扰、背景复杂和传统粒子滤波人脸跟踪算法中的粒子退化、计算量大等问题,提出了一种基于Camshift聚类的粒子滤波人脸跟踪算法。在粒子滤波框架下,将Camshift算法中的聚类方法引入人脸状态估计中,使每个粒子沿着梯度最大方向迭代至局部密度最大值区域,让所有粒子移动到与人脸颜色相似的区域。实验结果表明:该算法用较少的粒子实现了人脸曲线无规则运动的跟踪,在光照和遮挡问题上有较好的鲁棒性。该算法性能明显优于传统的粒子滤波人脸跟踪算法,用于实现人脸跟踪具有很好的实时性、鲁棒性和有效性。3.将本文提出的人脸检测与跟踪算法应用到Directshow框架中,在视频监控客户端中实现了人脸检测与跟踪功能。测试证明它对人脸检测有较高的检测效率和准确率,人脸跟踪也能达到实时处理的实际应用需求,对视频监控中后续人脸信息的处理和应用有非常重要的意义。
兰琦[10](2017)在《视频序列中的人脸检测与跟踪技术研究》文中指出随着计算机视觉、机器学习、深度学习等领域技术的高速发展,人脸识别已成为当前的热门研究课题。在视频序列中,正确的人脸检测与跟踪是人脸识别的前提条件。为实现自动捕获待跟踪目标,在初始图像中引入人脸检测技术,但在现实场景中的人脸检测往往会受到复杂背景及光照变化等的干扰,从而影响人脸检测的正确率。同时由于人脸姿态会随人体运动而变化,为对视频序列中的人脸进行稳健地标示定位,需要对人脸进行跟踪处理。故本文主要从人脸检测和人脸跟踪两方面展开研究,为人脸识别提供技术支持。在人脸检测阶段,为提高后续检测与跟踪的效果,本文首先对视频序列图像进行了光照补偿和滤波的预处理。针对传统的Adaboost人脸检测算法采用灰度特征——Haar-like特征训练人脸分类器,使得该算法在复杂场景下,容易将类似人脸灰度分布的背景区域误检为人脸。针对复杂场景中传统的Adaboost人脸检测算法误检率高的问题,引入了图像分割的思想,去除复杂场景中的背景区域以减少干扰。考虑到人脸区域中肤色占据大部分信息,对尺度、姿态、表情等变化不敏感,是具有较强稳定性的特征,所以在YCgCr颜色空间下建立肤色模型,快速滤除非肤色的背景区域,获得候选肤色区域。之后再采用Adaboost算法训练人脸分类器,对候选肤色区域进行人脸检测,在训练过程中加入多角度以及有小部分遮挡的人脸图像作为训练样本,以提高人脸检测的正确率。实验表明,改进后的人脸检测算法具有更高的检测正确率。通过人脸检测自动捕获人脸目标之后,对人脸进行跟踪,面对复杂场景中的人脸姿态变换、遮挡以及光照变化等情况,需要一种鲁棒、稳定的人脸跟踪算法。本文首先介绍了三种基于学习的目标跟踪算法:TLD跟踪算法、MIL跟踪算法以及Struck跟踪算法,分析将其用于人脸跟踪的优劣,并通过实验测试和对比分析,可知Struck跟踪算法在人脸跟踪中具有鲁棒性、稳定性。但是Struck跟踪算法不具有尺度适应性,本文针对此问题,在Struck跟踪算法中引入多尺度采样的方法,使得结构化输出支持向量机可以直接输出人脸在两帧之间位置和尺度的变化。实验表明,进后的Struck跟踪算法能适应人脸多尺度的变化,可以实现对人脸的稳定跟踪。
二、基于Adaboost的快速人脸跟踪算法(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Adaboost的快速人脸跟踪算法(论文提纲范文)
(1)基于视频监控的目标人员跟踪系统研究与实现(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景及研究意义 |
1.2 国内外研究现状 |
1.2.1 视频监控系统研究现状 |
1.2.2 人脸检测算法研究现状 |
1.2.3 人脸跟踪算法研究现状 |
1.3 本文主要内容 |
1.4 论文组织结构 |
第2章 人脸检测及识别相关技术研究 |
2.1 图像预处理技术 |
2.1.1 色彩空间转换 |
2.1.2 光照补偿 |
2.1.3 形态学操作 |
2.2 基于肤色分割的人脸检测算法 |
2.2.1 建立肤色模型 |
2.2.2 人脸区域筛选 |
2.3 LBP人脸识别算法 |
2.3.1 LBP特征提取 |
2.3.2 LBP改进版本 |
2.3.3 LBP特征匹配 |
2.4 本章小结 |
第3章 基于AdaBoost的人脸检测算法研究 |
3.1 AdaBoost人脸检测算法 |
3.1.1 Haar-like特征 |
3.1.2 积分图计算 |
3.1.3 分类器的训练 |
3.1.4 级联分类器 |
3.2 对AdaBoost人脸检测算法的改进 |
3.2.1 AdaBoost分类器训练过程中的不足 |
3.2.2 改进的AdaBoost算法 |
3.2.3 融合肤色分割 |
3.3 改进算法验证 |
3.3.1 实验环境及数据集准备 |
3.3.2 实验结果与分析 |
3.4 本章小结 |
第4章 基于CamShift的人脸跟踪算法研究 |
4.1 CamShift人脸跟踪算法 |
4.1.1 直方图反向投影 |
4.1.2 Mean Shift算法 |
4.1.3 CamShift跟踪算法 |
4.2 对CamShift人脸跟踪算法的改进 |
4.2.1 CamShift人脸跟踪算法的不足 |
4.2.2 改进的CamShift人脸跟踪算法 |
4.3 实验结果与分析 |
4.3.1 遮挡场景实验结果与分析 |
4.3.2 光照变化场景实验结果与分析 |
4.3.3 人脸交叉复杂场景实验结果与分析 |
4.4 本章小结 |
第5章 基于视频监控的目标人员跟踪系统总体设计 |
5.1 系统需求分析 |
5.1.1 系统应用场景 |
5.1.2 系统功能性需求 |
5.1.3 系统性能需求 |
5.2 系统架构设计 |
5.2.1 系统总体架构 |
5.2.2 系统模块架构 |
5.3 系统总体设计 |
5.4 本章小结 |
第6章 基于视频监控的目标人员跟踪系统详细设计及实现 |
6.1 系统开发环境 |
6.2 各功能模块设计与实现 |
6.2.1 人脸信息管理模块 |
6.2.2 人脸检测模块 |
6.2.3 人脸识别模块 |
6.2.4 人脸跟踪模块 |
6.3 系统界面设计 |
6.3.1 系统主界面 |
6.3.2 实时视频跟踪界面 |
6.3.3 本地视频跟踪界面 |
6.4 系统测试及性能分析 |
6.4.1 系统稳定性测试 |
6.4.2 系统性能测试及分析 |
6.5 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间取得的研究成果 |
致谢 |
(2)基于深度相机的京剧脸谱个性化建模技术研究(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 国内外研究现状及应用 |
1.3 研究目标及主要内容 |
1.4 论文组织结构 |
第二章 基于ICP算法的人脸重建方法 |
2.1 人脸重建技术简介 |
2.2 REALSENSE D435 相关知识 |
2.2.1 Realsense D435 背景知识 |
2.2.2 Realsense D435 参数知识 |
2.3 基于REALSENSE D435 的点云获取 |
2.3.1 单帧点云数据的获取 |
2.3.2 背景减除 |
2.4 多帧点云配准 |
2.4.1 基于AU单元特征粗配准 |
2.4.2 基于ICP算法的细配准 |
2.5 本章小结 |
第三章 基于ADABOOST的实时特征点检测方法 |
3.1 算法流程 |
3.2 基于深度信息的图像预处理 |
3.3 基于ADABOOST算法的人脸检测 |
3.3.1 算法概述 |
3.3.2 图像LBP的特征向量提取 |
3.3.3 分类器训练与级联 |
3.3.4 人脸检测结果 |
3.4 人脸追踪 |
3.5 关键特征点提取 |
3.5.1 AAM建模过程 |
3.5.2 AAM匹配过程 |
3.6 本章小结 |
第四章 基于BLENDSHAPE的个性化京剧脸谱建模方法 |
4.1 基于LAPLACIAN算法的个性化京剧脸谱 |
4.1.1 Laplacian算法原理 |
4.1.2 Laplacian个性化京剧脸谱效果 |
4.2 基于AU单元的京剧脸谱形状基创建 |
4.2.1 虚拟京剧脸谱的AU单元划分 |
4.2.2 基于AU单元划分之后的脸谱形状基 |
4.2.3 BlendShape算法流程 |
4.3 基于AU单元的个性化京剧脸谱形状融合 |
4.4 本章小结 |
第五章 个性化京剧脸谱系统设计与实现 |
5.1 平台搭建 |
5.1.1 交互平台设计目标 |
5.1.2 个性化脸谱交互平台总体架构 |
5.2 个性化京剧脸谱系统实现 |
5.2.1 系统流程 |
5.2.2 AU单元参数映射 |
5.2.3 个性化脸谱效果及分析 |
5.3 本章小结 |
第六章 结论与展望 |
6.1 主要结论 |
6.2 研究展望 |
参考文献 |
在学期间的研究成果 |
致谢 |
(3)基于机器视觉的驾驶员异常行为检测(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 国内外研究现状 |
1.2.1 疲劳检测的研究现状 |
1.2.2 接打电话检测的研究现状 |
1.3 本文研究内容 |
1.4 本文章节结构 |
第二章 算法总体设计 |
本章小结 |
第三章 驾驶员人脸定位 |
3.1 图像预处理 |
3.1.1 图像增强 |
3.1.2 图像平滑处理 |
3.2 人脸定位法 |
3.2.1 人脸常用的定位法 |
3.2.2 Adaboost算法 |
3.3 人脸跟踪算法 |
3.3.1 线性回归 |
3.3.2 循环移位 |
3.3.3 循环矩阵 |
3.3.4 合并 |
3.4 本章小结 |
第四章 人脸特征点对齐 |
4.1 人脸特征点定位方法 |
4.2 基于SDM算法特征点提取 |
4.2.1 监督下降法(SDM) |
4.2.2 训练SDM |
4.3 人脸特征点 |
4.4 本章小结 |
第五章 异常驾驶行为检测 |
5.1 疲劳驾驶的检测 |
5.1.1 人眼状态识别 |
5.1.2 疲劳参数分析 |
5.2 打电话的检测 |
5.2.1 定位检测范围 |
5.2.2 颜色空间转换 |
5.2.3 肤色相似度计算及二值化 |
5.2.4 形态学处理 |
5.2.5 肤色填充率 |
5.3 本章小结 |
第六章 算法检测与分析 |
6.1 测试环境 |
6.2 人脸定位测试与分析 |
6.2.1 Adaboost人脸定位 |
6.2.2 人脸跟踪 |
6.3 人脸特点定位测试与分析 |
6.4 驾驶员异常行为测试与分析 |
6.4.1 人眼睁闭测试 |
6.4.2 打电话测试 |
6.5 本章小节 |
第七章 总结与展望 |
参考文献 |
发表论文和参加科研情况说明 |
致谢 |
(4)基于弱约束室内视频的人脸图像优选模块的设计与实现(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究目的和意义 |
1.2 国内外研究现状 |
1.2.1 人脸检测技术研究现状 |
1.2.2 人脸数据集生成方法研究现状 |
1.2.3 人脸图像优选技术研究现状 |
1.3 本文主要研究内容 |
1.4 本文结构安排 |
第2章 相关技术 |
2.1 引言 |
2.2 基于Adaboost的人脸检测算法 |
2.2.1 强分类器 |
2.2.2 级联分类器 |
2.3 KCF跟踪算法 |
2.3.1 训练样本集的生成 |
2.3.2 分类器的训练 |
2.3.3 检测及响应 |
2.3.4 分类器模型更新 |
2.4 人脸聚类算法 |
2.4.1 人脸特征提取 |
2.4.2 Chinese whispers聚类 |
2.5 本章小结 |
第3章 人脸图像数据集的生成及图像优选方法 |
3.1 引言 |
3.2 人脸检测算法的选取 |
3.3 人脸跟踪与聚类算法相结合的人脸数据集的生成 |
3.3.1 跟踪算法和聚类算法分析 |
3.3.2 KCF和Chinese whispers相结合的人脸数据集的生成 |
3.3.3 人脸数据集生成过程中出现的问题及解决方法 |
3.4 人脸图像优选方法 |
3.4.1 人脸图像优选指标的定义 |
3.4.2 基于指标均值的人脸图像优选方法 |
3.4.3 基于指标方差的人脸图像优选方法 |
3.5 实验结果及分析 |
3.5.1 人脸数据集生成实验结果及分析 |
3.5.2 人脸图像优选实验结果及分析 |
3.5.3 人脸图像优选对人脸识别系统性能影响的分析 |
3.6 本章小结 |
第4章 人脸图像优选模块的设计与实现 |
4.1 引言 |
4.2 总体设计 |
4.3 详细设计 |
4.3.1 人脸检测子模块 |
4.3.2 人脸数据集生成子模块 |
4.3.3 人脸图像优选子模块 |
4.4 功能展示 |
4.5 本章小结 |
结论 |
参考文献 |
攻读硕士期间发表的论文 |
致谢 |
(5)基于Adaboost人脸检测算法的多人标识系统研发(论文提纲范文)
中文摘要 |
Abstract |
第1章 绪论 |
1.1 研究的背景与意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 论文关键问题 |
1.4 论文的主要内容与结构安排 |
第2章 多人标识系统关键技术 |
2.1 图像处理技术 |
2.1.1 直方图均衡化 |
2.1.2 图像去噪 |
2.1.3 图像归一化 |
2.2 人脸检测方法 |
2.3 人脸跟踪方法 |
2.4 人脸识别方法 |
2.5 本章小结 |
第3章 多人脸检测算法的实现 |
3.1 Adaboost多人脸检测算法 |
3.1.1 Haar特征 |
3.1.2 积分图 |
3.1.3 分类器 |
3.2 肤色模型多人脸检测算法 |
3.2.1 YC_bC_r颜色空间 |
3.2.2 高斯模型 |
3.3 融合改进Adaboost算法与肤色模型的多人脸检测算法 |
3.3.1 改进Adaboost算法 |
3.3.2 改进Adaboost算法与肤色模型的融合 |
3.4 实验结果与分析 |
3.5 本章小结 |
第4章 多人脸跟踪算法的实现 |
4.1 Meanshift算法 |
4.2 Camshift算法 |
4.2.1 反向投影 |
4.2.2 Camshift跟踪步骤 |
4.3 Kalman滤波 |
4.4 融合Kalman滤波估计的Camshift人脸跟踪算法 |
4.4.1 Kalman模型建立 |
4.4.2 Kalman滤波器与Camshift算法的融合 |
4.5 实验结果分析 |
4.6 本章小结 |
第5章 多人脸识别算法的实现 |
5.1 LBP算法 |
5.1.1 LBP算子 |
5.1.2 分块LBP算子 |
5.2 主成分分析法PCA |
5.3 基于PCA降维的LBP人脸识别算法 |
5.4 实验结果及分析 |
5.5 本章小结 |
第6章 多人标识系统的实现与系统测试 |
6.1 系统开发平台 |
6.1.1 系统的硬件平台 |
6.1.2 系统的软件平台 |
6.2 系统设计 |
6.2.1 系统总体结构 |
6.2.2 系统的模块设计 |
6.3 系统测试 |
6.3.1 系统功能测试 |
6.3.2 系统性能测试 |
6.4 本章小结 |
结论 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文 |
攻读学位期间的科研成果 |
(6)基于深度学习的人脸实时跟踪算法的研究(论文提纲范文)
中文摘要 |
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 人脸检测 |
1.2.2 人脸跟踪 |
1.3 本文研究内容 |
1.4 章节安排 |
第二章 深度学习理论基础 |
2.1 深度神经网络框架 |
2.2 网络参数的更新 |
2.3 训练技巧 |
2.4 本章小结 |
第三章 人脸窗口初始化 |
3.1 概述 |
3.2 基于AdaBoost的人脸检测方法 |
3.2.1 Haar特征 |
3.2.2 积分图 |
3.2.3 AdaBoost算法原理 |
3.2.4 人脸分类器 |
3.3 基于肤色检测优化的人脸检测算法 |
3.3.1 肤色检测 |
3.3.2 优化的人脸检测算法 |
3.4 本章小结 |
第四章 基于深度学习的人脸跟踪 |
4.1 概述 |
4.2 基于深度学习的目标跟踪算法 |
4.2.1 TLD跟踪算法 |
4.2.2 GOTURN算法 |
4.3 基于优化的GOTURN的人脸跟踪算法 |
4.3.1 校正网络 |
4.3.2 实验测试及分析 |
4.4 本章小结 |
第五章 人脸特征点定位 |
5.1 概述 |
5.2 级联神经网络模型及AlexNet模型 |
5.2.1 级联神经网络模型 |
5.2.2 AlexNet模型 |
5.3 基于优化的并行AlexNet模型 |
5.3.1 级联神经网络模型的不足 |
5.3.2 图像处理 |
5.3.3 引入批归一化层 |
5.4 实验及结果分析 |
5.4.1 数据集的准备 |
5.4.2 并行结构与传统结构 |
5.4.3 优化模型的对比 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 全文总结 |
6.2 工作展望 |
参考文献 |
致谢 |
个人简历 |
攻读硕士期间的研究成果及发表的学术论文 |
(7)基于监控视频的目标人脸跟踪技术的研究(论文提纲范文)
摘要 |
Abstract |
第一章 引言 |
1.1 课题研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 人脸检测方法 |
1.2.1.1 基于先验知识的人脸检测类型 |
1.2.1.2 基于统计的人脸检测类型 |
1.2.2 人脸跟踪方法 |
1.2.2.1 基于特征的目标人脸跟踪法 |
1.2.2.2 基于模型的目标人脸跟踪法 |
1.2.2.3 基于学习的目标人脸跟踪法 |
1.3 本文的研究内容与创新点 |
1.4 论文的组织结构安排 |
第二章 视频帧图像预处理 |
2.1 引言 |
2.2 几种常见的颜色空间 |
2.2.1 RGB颜色空间 |
2.2.2 HSI颜色空间 |
2.2.3 YCbCr颜色空间 |
2.2.4 YCgCr颜色空间,YCgCb颜色空间 |
2.3 常用的几种肤色模型 |
2.4 常见的图像形态学操作 |
2.5 基于YCgCr、YCgCb颜色空间的肤色分割 |
2.6 脸部肤色区域的提取 |
2.7 本章小结 |
第三章 基于肤色分割的改进Adaboost人脸检测算法 |
3.1 Adaboost人脸检测算法原理 |
3.1.1 Haar-like特征 |
3.1.2 积分图像 |
3.1.3 弱分类器的训练 |
3.1.4 强分类器的构造 |
3.1.5 级联分类器的构造 |
3.2 基于肤色分割的改进Adaboost人脸检测算法 |
3.3 实验结果与分析 |
3.4 本章小结 |
第四章 改进的Camshift人脸跟踪算法 |
4.1 Camshift人脸跟踪算法原理 |
4.1.1 直方图反向投影原理 |
4.1.2 MeanShift人脸跟踪算法 |
4.1.3 Camshift人脸跟踪算法 |
4.2 改进的Camshift人脸跟踪算法 |
4.2.1 Kalman滤波算法 |
4.2.2 Kalman预测模型的建立 |
4.2.3 改进的Camshift人脸跟踪算法 |
4.2.4 实验结果与分析 |
4.3 本章小结 |
第五章 总结与展望 |
5.1 研究内容总结 |
5.2 研究工作展望 |
参考文献 |
攻读硕士期间发表的学术论文 |
致谢 |
(8)基于OpenCV的人脸检测及跟踪技术研究(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 国内外研究现状 |
1.2.1 人脸检测算法 |
1.2.2 人脸跟踪算法 |
1.3 论文的主要内容 |
1.4 论文结构安排 |
第二章 人脸图像预处理 |
2.1 引言 |
2.2 双线性插值 |
2.3 直方图均衡化 |
2.4 图像滤波 |
2.4.1 均值滤波 |
2.4.2 中值滤波 |
2.4.3 对比实验分析 |
2.5 本章小结 |
第三章 基于AdaBoost的人脸检测算法 |
3.1 Haar-like特征和积分图 |
3.1.1 Haar-like特征 |
3.1.2 积分图快速计算特征值 |
3.2 AdaBoost算法 |
3.2.1 弱分类器 |
3.2.2 强分类器 |
3.3 Adaboost级联分类器 |
3.4 基于Adaboost算法的多角度人脸检测 |
3.4.1 多角度人脸检测 |
3.4.2 实验结果与分析 |
3.5 本章小结 |
第四章 基于核相关滤波的人脸跟踪算法 |
4.1 基于检测的跟踪算法 |
4.1.1 Struck跟踪算法 |
4.1.2 TLD跟踪算法 |
4.1.3 CSK跟踪算法 |
4.1.4 CN跟踪算法 |
4.1.5 KCF跟踪算法 |
4.2 KCF跟踪算法原理 |
4.2.1 HOG特征 |
4.2.2 核相关滤波器 |
4.2.3 循环矩阵 |
4.2.4 分类器训练与快速检测 |
4.3 Kalman滤波算法原理 |
4.4 改进的CNK-KCF人脸跟踪算法 |
4.4.1 采用CN特征的KCF跟踪算法 |
4.4.2 结合Kalman预测器的跟踪机制 |
4.4.3 CNK-KCF跟踪算法流程 |
4.4.4 CNK-KCF算法实验分析 |
4.5 多种算法实验分析对比 |
4.5.1 性能评价标准 |
4.5.2 对比实验性能比较 |
4.6 本章小结 |
第五章 基于OpenCV的实验开发平台 |
5.1 开源计算机视觉库OpenCV |
5.2 人脸检测及跟踪的整体系统框架 |
5.3 实验结果与分析 |
5.4 本章小结 |
第六章 结论 |
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 |
(9)基于视频监控的人脸检测与跟踪算法研究与应用(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题的研究背景与意义 |
1.2 课题的国内外研究现状 |
1.2.1 视频监控系统的研究现状 |
1.2.2 人脸检测与跟踪的研究现状 |
1.3 本文主要研究内容与结构 |
第2章 视频监控系统及人脸检测与跟踪算法简介 |
2.1 视频监控系统的组成 |
2.2 视频监控系统中的关键技术 |
2.3 视频监控系统中人脸检测与跟踪的应用 |
2.4 常用的人脸检测算法分类 |
2.5 常用的人脸跟踪算法分类 |
2.6 本章小结 |
第3章 基于肤色分割与筛选的Adaboost人脸检测算法研究 |
3.1 肤色分割与筛选理论分析 |
3.1.1 色彩空间的概述 |
3.1.2 肤色模型的概述 |
3.1.3 肤色区域分割与筛选的实现 |
3.2 Adaboost人脸检测算法分析 |
3.2.1 Haar特征的概述 |
3.2.2 积分图的概述 |
3.2.3 Adaboost人脸检测算法原理 |
3.3 改进的人脸检测算法研究 |
3.3.1 算法的提出 |
3.3.2 算法的实现 |
3.3.3 实验结果及分析 |
3.4 本章小结 |
第4章 基于Camshift聚类的粒子滤波人脸跟踪算法研究 |
4.1 Camshift人脸跟踪算法分析 |
4.1.1 Meanshift人脸跟踪算法原理 |
4.1.2 Camshift人脸跟踪算法原理 |
4.2 粒子滤波人脸跟踪算法分析 |
4.2.1 贝叶斯滤波原理 |
4.2.2 蒙特卡罗采样原理 |
4.2.3 序列重要性采样原理 |
4.2.4 粒子滤波人脸跟踪算法原理 |
4.3 改进的人脸跟踪算法研究 |
4.3.1 算法的提出 |
4.3.2 粒子聚类处理算法 |
4.3.3 算法的实现 |
4.3.4 实验及结果分析 |
4.4 本章小结 |
第5章 人脸检测与跟踪算法在视频监控中的应用 |
5.1 应用方案的设计 |
5.2 人脸检测与跟踪功能的实现 |
5.3 性能测试与分析 |
5.4 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间参加的科研项目和成果 |
(10)视频序列中的人脸检测与跟踪技术研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 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 人脸检测方法 |
1.2.2 人脸跟踪方法 |
1.3 技术难点和研究内容 |
1.4 论文结构安排 |
2 人脸图像预处理 |
2.1 引言 |
2.2 图像颜色空间 |
2.3 光照补偿 |
2.4 图像滤波 |
2.4.1 滤波器原理 |
2.4.2 实验结果及分析 |
2.5 本章小结 |
3 视频序列中的人脸检测算法研究 |
3.1 引言 |
3.2 Adaboost人脸检测方法 |
3.2.1 Haar-like特征 |
3.2.2 积分图计算 |
3.2.3 构造分类器 |
3.2.4 实验结果及分析 |
3.3 基于YCgCr肤色检测的Adaboost人脸检测算法 |
3.3.1 YCgCr颜色空间肤色区域分割 |
3.3.2 改进的人脸检测算法 |
3.3.3 实验结果及分析 |
3.4 本章小结 |
4 视频序列中的人脸跟踪算法研究 |
4.1 引言 |
4.2 基于学习的人脸跟踪算法 |
4.2.1 TLD跟踪算法 |
4.2.2 MIL跟踪算法 |
4.2.3 Struck跟踪算法 |
4.2.4 实验测试及分析 |
4.3 多尺度Struck人脸跟踪算法 |
4.3.1 SVM基本原理 |
4.3.2 核函数 |
4.3.3 多尺度Struck跟踪算法 |
4.4 实验结果及分析 |
4.5 人脸检测和跟踪算法在人脸识别系统中的应用 |
4.6 本章小结 |
5 总结与展望 |
5.1 论文主要工作内容 |
5.2 研究展望 |
参考文献 |
作者简介及在学期间发表的学术论文与研究成果 |
四、基于Adaboost的快速人脸跟踪算法(论文参考文献)
- [1]基于视频监控的目标人员跟踪系统研究与实现[D]. 聂继生. 北京工业大学, 2020(06)
- [2]基于深度相机的京剧脸谱个性化建模技术研究[D]. 高亚辉. 北方工业大学, 2020(02)
- [3]基于机器视觉的驾驶员异常行为检测[D]. 渠皓然. 天津工业大学, 2020(02)
- [4]基于弱约束室内视频的人脸图像优选模块的设计与实现[D]. 王畅. 延边大学, 2019(01)
- [5]基于Adaboost人脸检测算法的多人标识系统研发[D]. 孙结冰. 黑龙江大学, 2019(02)
- [6]基于深度学习的人脸实时跟踪算法的研究[D]. 陈东敏. 福州大学, 2018(03)
- [7]基于监控视频的目标人脸跟踪技术的研究[D]. 王俊南. 新疆大学, 2018(12)
- [8]基于OpenCV的人脸检测及跟踪技术研究[D]. 田亚蕾. 河北工业大学, 2018(07)
- [9]基于视频监控的人脸检测与跟踪算法研究与应用[D]. 陈林. 浙江工业大学, 2017(04)
- [10]视频序列中的人脸检测与跟踪技术研究[D]. 兰琦. 中国科学院大学(中国科学院光电技术研究所), 2017(11)
标签:adaboost论文; 分类器论文; 人脸检测技术论文; 人脸识别算法论文; adaboost人脸检测论文;