一、一种基于空间加权Hausdorff距离的人脸识别算法（论文文献综述）
杨丹婷[1]（2019）在《基于轮廓线和曲率信息融合的三维人脸识别方法研究》文中认为随着身份信息验证重要性的提升,人脸识别技术的发展也日渐成熟。由于二维人脸识别技术的发展局限性,近年来,三维人脸识别技术受到了研究者们的青睐。但是三维人脸识别算法性能受数据库质量、人脸姿态、表情影响较大,算法的发展面临较大挑战。本文对三维人脸识别做出了如下几方面改进:1、在三维人脸模型数据库预处理中,本文采用了由中科院自动化所拍摄的CASIA 3D数据库,由于该数据库原始数据格式无法直接用于算法,因此在数据库预处理模块中,不同与其它算法中的预处理过程,本文中使用了集成软件进行分割、降噪等处理,简化了预处理流程,并将模型退化为原始点云模型用于实验。2、在特征提取模块中,为提高特征点提取的准确率,从而更好的进行后续识别步骤,本文中将曲率信息和轮廓信息融合用于特征点定位,最大程度定位较多特征点的同时,提高了特征点定位的精度,避免了其它算法中因为信息缺失造成的特征点定位不准确的现象。在对比实验中,实验结果表明本文的特征点定位算法在特征点数量和定位时间两方面具有一定的优越性。3、在人脸匹配模块中,做了两方面改进:第一,在特征点描述符构建中,本文将具有优越性的2DDAISY描述符拓展到三维空间,即3DDAISY描述符。该描述符的优势在于保持姿态表情不变性的基础上,能最大程度的集成特征点与其邻域点的结构关系;第二,在人脸匹配阶段,为了测量待测人脸与库人脸的相似度,本文采用了豪斯多夫距离的拓展,即平均豪斯多夫距离。平均豪斯多夫距离不仅能有效避免点云模型中坏点、空洞点、噪声点对算法性能的影响,还能有效降低算法计算复杂度。算法性能评价过程中,将数据库中中性表情、中性姿态部分作为库集模型,将带有表情姿态的部分作为待测库进行识别。通过分析,本文算法准确率可达93.5%以上,且单一特征点识别时间不高于2.3 ms,识别性能较其它算法得到了提升。
郭蓓[2]（2019）在《表情变化下的三维人脸识别技术研究》文中认为人脸识别技术有较高的实用性和可靠性,是目前各种场合中确认对象身份的最有效手段之一,主要分为二维人脸识别及三维人脸识别两大类。与传统二维人脸图像相比,三维人脸数据是真实人脸在三维空间中的直接表示形式,可以更加全面地表示人脸的形状以及拓扑结构等信息,且不受光照、姿态及化妆的影响。然而,三维人脸识别技术也面临着表情变化等问题的挑战。为了提高表情变化下三维人脸算法的识别效率,本文做了如下工作和创新:1.提出一种基于关键点和局部描述子的三维人脸识别算法。对人脸进行预处理后,首先利用多尺度形状变化指数在三维人脸上检测出关键点;然后在关键点上构造三维法向量分布直方图（3D histograms of normal distributions,3DHoND）描述子,将测试集人脸与库集人脸上的描述子进行初步匹配,除去匹配程度较低的一部分库集人脸;再从关键点上提取协方差矩阵描述子,将测试集人脸与剩余的库集人脸在给定的约束条件下进行协方差矩阵描述子匹配;最后,用成功匹配的关键点个数衡量人脸的匹配程度,得到分类结果。此算法能检测出表情变化下较稳定的关键点,同时提取了多种几何信息,有效降低了表情变化造成的影响。在FRGC v2.0、Bosphorus以及BU-3DFE数据库上的实验表明,此算法在各种表情下都具有较高的识别率,在识别速度上也有一定的优势。2.提出一种基于形状指数深度图像和三维等测地线的三维人脸识别算法。首先对人脸进行预处理,并将三维人脸投影在XOY平面上生成形状指数深度图像,去除嘴部区域后构造LSDP（Local Shift Derivative Pattern）特征进行匹配;同时,从三维人脸上提取多条等测地线并采样,利用改进的Hausdorff距离进行匹配;最后,通过融合形状指数深度图和三维等测地线的两类匹配结果进行分类。此算法提取了表情变化下较稳定的特征,并结合了整体特征与局部特征的优点。在FRGC v2.0以及Bosphorus数据库上进行实验得到的结果表明,此算法不仅有较高的识别准确率,在表情变化下也有较好的鲁棒性。
李章燕[3]（2018）在《基于局部特征的三维人脸识别算法的研究》文中研究表明二维人脸识别技术自上个世纪提出发展至今已经取得了令人满意的结果,并且二维人脸识别技术已经应用到了各个领域,但是它仍旧受着人脸姿态变化、环境光照变化等的影响。三维人脸识别技术的快速发展就是为了解决二维人脸识别的上述瓶颈问题。三维人脸识别不受人脸姿态变化、环境光照变化的影响,但是容易受到表情变化的影响,并且每张三维人脸点云都包含上万个点,计算速度受到了很大的影响。因此本文的目的是改进三维点云人脸的表达方式,减少参与计算的点的数量,提高算法的速度;另一个目的是提高对三维人脸表情变化的健壮性。三维人脸识别算法发展至今主要经历可以划分为两大阶段:一是早期的时候以整体特征进行三维人脸的匹配,这类方法计算量大并且只有在一个完整的人脸上才能够进行操作,对人脸数据缺失、遮挡比较敏感;另一个阶段是基于局部特征的三维人脸识别算法,也是现在研究的主流方向,这类算法更加的灵活,对于遮挡、缺失有更强的鲁棒性。本文的主要研究方法和成果主要包括一下几个方面。在预处理阶段,根据鼻尖点的特殊地位和几何性质,提出了基于支持向量机的鼻尖点检测算法,检测效果良好。针对三维人脸点云数据量过大,提出了使用基于鼻尖点的等测地轮廓线和径向曲线来简化三维人脸点云的方法,然后引入形状分析的算法对简化后的人脸计算对应的三维曲线的测地线距离作为分类的依据,使用最近邻算法,实验结果表明该算法具有较高的识别率。针对三维人脸的表情变化导致的形变进而影响了识别效果,提出了把三维人脸根据其半刚性区域和非刚性区域的特性进行划分,把三维人脸细分为11块,用协方差矩阵表示每一块的局部特征,改进了稀疏表达分类器,提出了加权的多任务稀疏表示分类器,实验结果表明该算法有较高的识别率和表情变化鲁棒性。
李晔[4]（2016）在《非特定条件下三维人脸识别关键技术研究》文中研究指明基于图像的二维人脸识别技术发展已较为成熟,部分研究成果在特定条件下的识别率甚至超越了人类视觉。但二维人脸图像在面临姿态、光照、表情变化以及面部化妆等方面所表现出的差异性给识别工作带来了困难,使其应用场合受到很大制约,已成为人脸识别研究领域中的瓶颈。与二维图像相比,三维数据是物体在真实空间中的直接表示形式,三维数据所表达的人脸几何形状及空间结构等信息更加完整和可靠,且不受化妆和光照的影响,可为人脸识别提供更为有效的数据支撑;加之三维激光扫描技术的快速发展和普及,为三维人脸数据的获取提供了有力的保障,基于三维数据的人脸识别研究潜力巨大。然而,由于不同对象间人脸结构的相似性,姿态表情改变仍然会给三维人脸识别结果带来较大影响。为了满足实际应用的需求,本文围绕非特定条件下姿态、表情变化三维人脸识别中的关键问题展开深入研究,在人脸表征、基准点检测、姿态估计和识别方法四个方面取得了以下创新性成果:（1）将曲面高阶曲率特征应用于三维人脸识别中,提出一种旋转不变的三维人脸脊.谷模型表征方法。该方法通过分析人脸曲面高阶曲率信息提取局部范围内主曲率沿主方向变化最为剧烈的关键点来全面、准确地描述整个三维人脸凸凹变化的主要特征。在不同姿态、表情三维人脸测试集上的实验表明:基于脊谷特征的人脸表征模型具有较好的类间离散度及姿态、表情稳定性。（2）提出一种姿态无关的三维人脸鼻尖点精确检测方法。该方法将人脸曲面高阶曲率特征与低阶曲率特征相结合,根据鼻子区域形状上的显着特点及鼻尖点邻域内高斯曲率的分布特点准确定位鼻尖点,检测过程无需训练或建立特定模型。对GavabDB数据库姿态三维人脸测试集的实验表明:该方法对包括正侧面在内的不同姿态的三维人脸均可获得正确的检测结果。（3）提出一种点线特征相结合的几何三维人脸姿态估计方法。该方法基于旋转不变的鼻尖点与鼻梁线检测结果,将精确的点特征和稳定的线特征相结合,利用几何法仅根据具有良好可见性和弱表情的鼻子区域特征进行三维人脸姿态估计。在人脸合成模型和真实人脸库上的实验表明:该方法可实现对非特定条件下三维人脸姿态六个自由度的连续、准确估计,且适用于大旋转角度及自遮挡人脸,对表情人脸也具有较高的鲁棒性。（4）提出两种非特定条件下的三维人脸识别方法。其中,基于脊谷空间分布和Hausdorff距离的三维人脸识别方法在建立三维人脸标准脊谷模型基础上,分别根据脊谷点空间分布密度直方图及点集间单向加权LTS-Hausdorff距离实现待识别人脸和库中人脸的粗匹配和细匹配。多曲线特征融合的三维表情人脸识别算法通过选择人脸曲面凸区域上多类具有高表征性和表情稳定性的曲线进行特征级上的有效加权融合,兼顾了特异性、互补性、全面性和稳定性,可较准确地描述表情人脸曲面上的重要特征。在三维人脸库上的实验证明了以上两种识别方法的有效性,尤其是使姿态和表情变化下的人脸识别率获得了较大幅度的提高。综上所述,本文对非特定条件下三维人脸识别中四个方面的关键技术进行了研究,并提出了新的思路和方法。基于脊谷特征的三维人脸表征方法为非特定条件下三维人脸识别的特征提取提供了有效的手段;姿态无关的三维人脸鼻尖点精确检测方法为非特定条件下三维人脸模型基准点定位及曲面配准提供了所需的重要数据;点线特征相结合的几何三维人脸姿态估计方法为非特定条件下三维人脸模型的姿态归一化处理提供了技术上的支撑;两种新的三维人脸识别算法的提出较大幅度地提高了非特定条件下对姿态、表情人脸的识别效果。
杜含笑[5]（2014）在《基于轮廓线和几何特征向量的三维人脸识别算法的研究》文中认为相比二维人脸，三维人脸包含更丰富的信息，且能克服姿态、光照、表情、化妆等因素的影响，更好的表征人脸，因此利用三维人脸信息进行人脸识别是一种行之有效的途径。三维人脸识别技术主要包括三维人脸数据的获取和预处理、特征提取、分类器设计等环节。本文针对三维人脸识别的关键问题，开展了如下几方面的研究工作。（1）数据预处理。首先提取出鼻尖点，基于PCA（Principal Component Analysis,主成分分析法）进行旋转角度的估计并将侧面姿态旋转为正面。对正面人脸进行基于测地距离的人脸切割，然后对其进行双三次B样条曲面拟合预处理。（2）轮廓线及几何特征向量提取。通过曲率计算，提取人脸中分轮廓线和过鼻尖点的水平轮廓线，定位轮廓线上特征点。通过邻域搜索方法定位人脸其他特征点。（3）三维人脸识别系统的设计。研究了多层人脸识别方法，着重讨论了ICP（IterativeCloset Point,最近迭代法）算法和平均Hausdorff距离在三维人脸识别方面的应用。设计三层分类器，提高识别精度。（4）实验结果分析。在GavabDB数据库中分析比较不同特征向量提取方法及不同分类方法对三维人脸识别产生的效果。结果显示，在轮廓线和几何特征向量的精确提取下，使用三层人脸识别分类器测试，得到识别率可达92%。
蔡宇[6]（2013）在《三维人脸检测与识别技术研究》文中研究说明人脸识别技术在国家安全、军事安全、金融安全、共同安全等领域具有广泛的应用前景。人的大脑具备天生的人脸识别能力，可以轻易地分辨出不同的人。但是电脑自动识别人脸技术的发展却面临巨大的挑战。关于人脸自动识别技术的研究最早可以追溯到19世纪后期，但是受限于当时各种条件的制约，识别理论和识别应用一直没有太大的突破。直到20世纪90年代以2D特征脸为代表的一系列优秀算法的提出，人脸识别才真正成为了机器视觉领域的热点。然而，二维人脸识别不可避免地受到光照、姿态和表情的影响，这些因素已成为了二维人脸识别技术向前发展的最大障碍。随着结构光和立体视觉等三维成像技术的日益成熟，实时的三维数据采集成为了现实。越来越多的人脸识别研究人员将目光投向了三维人脸识别技术领域。三维人脸识别技术有望从根本上解决二维人脸识别所面临的“光照、姿态和表情”难题。随着三维采集技术的提升，3D人脸数据受光照的影响越来越小。由于3D人脸模型的姿态有六个自由度，三维人脸识别技术理论上更具克服姿态变化的潜力。然而，表情变化仍然是三维人脸识别技术的瓶颈。本文围绕着姿态和表情问题，给出了有效的解决办法，并提出了从人脸检测到人脸识别过程中的若干关键算法。本文的主要创新性研究工作如下：１.提出了三维人脸检测、人脸切割、姿态校正等三维人脸识别预处理方法。考虑到原始的三维人脸数据包含了很多除人脸区域之外的杂乱数据，比如耳朵、头发、脖颈、衣服等。在人脸识别处理前，需要一步预处理环节。鼻尖是人脸曲面上几何特征最明显的区域，可辨识度最高。所以，文中选择鼻尖点定位作为人脸检测的第一步。通过充分分析鼻尖区域的几何形状特征和人脸曲面的对称性，文中定义了三组筛选准则（包括形状统计特征，曲率特征等）对原始3维数据进行层层筛选。最终得到鼻尖点Pnose的精确位置，同时拟合出鼻尖点的法向nn ose。第二步，以鼻尖点Pn ose为中心，按照给定的切割半径r在测地距离度量下切割出人脸面部区域M face。第三步，在M face上应用主成分分析方法得到人脸模型的初始姿态，然后通过由粗到细的查找策略获得准确的人脸对称平面，进而得到了侧影线C以及鼻根点Pb ase与鼻梁方向nb ase。最后，将切割出来的人脸变换到统一的坐标系框架下。２.提出了一种基于多模式2D图像的3D人脸识别方法。在充分分析3D人脸模型几何特征的前提下，文中试图将3D几何信息降维到2D图像信息。为了保证3D几何信息的完整性，文中引入了三类2D图像。第一类是投影深度图像，第二类是测地距离图像，第三类是平均曲率图像。分别从不同的角度将3D几何信息转化为2D图像，比如深度图像很好地刻画了Z轴方向的变化趋势，曲率图像很好地刻画了人脸曲面的形状变化。通过上述转化，问题简化成为2D人脸识别问题，文中采用了基于稀疏表示的2D人脸识别技术，同时为了降低人脸姿态和表情变化带来的负面影响，文中引入子图像思想，并给出了子图像局部匹配的简便方法。最终的人脸分类通过各个子图像的分类结果融合而成。３.提出了一种分片加权的partial-ICP和测地距离的3D人脸识别方法。基于ICP算法的3D人脸识别算法对于人脸姿态有很好的适应能力，这是该类算法的一大优势。但是表情变化会引起识别率的显着下降。本文提出的方法就是在保证原有的姿态适应能力强的前提下，降低表情变化对识别造成的影响。具体通过如下三个策略：首先引入分片的方式，将人脸区域人为地划分成7个子区域，这样降低了局部区域的较大变形对识别的影响。然后引入改进的partial-ICP算法进行子区域的匹配，通过p-rate系数的调整，可以大大降低表情和分片误差对匹配带来的影响。最后根据人脸曲面的几何性质，每个子区域都赋予不同的权重，其目的是增大刚性较好的子区域的权重，减小受表情影响较大的子区域的权重。在最终的分类中，对于区分度较差的分类结果，引入测地距离度量作为辅助判断条件。４.提出了一种基于多角度投影SIFT匹配的3D人脸识别方法。不同于一般的人脸识别思路，文中方法对人脸的姿态统一性要求很低。根据初始人脸模型，按照一定的规则生成另外八组人脸投影图像，形成了大小为原来九倍的新的人脸投影图像库。后期的比对采用的是在2D配准领域有名的SIFT特征匹配方法。同时，针对SIFT算法容易带来错误匹配的不足，文中提出了一种误匹配点对的去除方法，可以快速有效地筛选所有匹配点对。最终按照匹配点对的数目对人脸进行分类。论文结尾处展望了进一步深入研究的设想。
邓剑勋[7]（2012）在《多示例图像检索算法研究及在人脸识别中的应用》文中研究指明多示例图像检索技术是近十年来模式识别在图像检索中的一个新兴应用研究课题，近年来多示例图像检索系统已经可以较为准确的在某些限定的条件下对图像进行识别，随着应用范围的不断扩展，受到越来越多企业和单位的重视。现在，多示例图像检索技术已经在图像预处理、区域级图像标注、标准图像库检索、人脸识别等领域显现了巨大的应用价值。随着多示例图像检索技术的应用越来越广泛，人们对于该技术实用性的要求则变得越来越严格。虽然现今的大多数算法已经可以在较为固定的环境下对图像进行较为正确的处理，但实际使用过程中，由于受到种种因素的影响，图像处理的精度仍然不能满足实际的要求。本文针对上述问题进行深入研究，并取得了如下成果：1、通过Html标签影响因子，有效提升了Web图像检索效率Web图像处于不同html标签对中心思想具有不同影响，如果能推导出标签对内容的影响，并将影响因子代入到图像检索算法中，将能提升算法效率。基于这种考虑，本文提出了ttf（标引词标签频率）和itf（逆标签频率）等定义，构造出文挡的矩阵表示，并抽取每个文档的特定行（代表某个html标签）构成新的向量集，根据这个新集合中各个行向量到质心的平均距离，就能得出标签的影响因子。我们把这种辅助技术应用到VSM算法中，建立起需求和待检索目标的关联，实验表明影响因子可有效标定图片的关联程度，对提升图像检索的查准率有较好的效果。2、利用多示例技术，将关键字有效标注在图像分割区域上普通标注只将关键字标注在图像（包）上，而多示例技术需要在图像区域上给予明确的关键字标注。此外，区域（示例）上关键字的唯一性对识别准确而言也尤为重要，剔除近义词的干扰成为一个迫切的需求。为了解决这些问题，在模糊支持向量机算法的基础上提出了自适应模糊支持向量机多示例学习算法（AFSVM-MIL）。该方法利用AFSVM-MIL对训练集进行分类，结合包之间的相似性度量进行集合运算，可以有效的将关键字下沉到示例上，从而达到减少人工标注量的目的。实验表明，算法自适应能力强，标注准确性高，关键词标注和区域（示例）一一对应。3、对基于Hausdorff距离的多示例图像检索技术进行了深入研究和改进Hausdorff距离没有考虑示例向量的权值；已有基于Hausdorff距离的多示例图像检索算法要么对孤立点很敏感，要么只考虑到包间距离最近的2个示例的极端情况。故对此做出改进，提出了两种获得示例权值的方法，并依此设计了据权值调整距离的混合Hausdorff算法，将其应用在k均值算法中。实验证明，该模型比使用最小、最大Hausdorff距离的k均值算法，在对图像的查准率上有了显着提升。4、提出了融合快速EMD-MIL框架，将多示例应用到人脸识别领域，提升了识别效率人脸识别的难点之一是光照、角度及缺少整体性考虑等情况；传统EMD比较适合多示例图像检索，但距离寻优路径较长。为解决上述问题，提出了基于EMD距离的快速融合特征多示例人脸识别算法：引入融合多示例技术及距离阈值，减少异常示例的产生并对超过阈值的示例予以平滑处理；将人脸五官之三结合整体示例为模版构建四示例的一一匹配，提出了融合快速EMD-MIL框架，缩短了寻优遍历路径。比对实验表明，该算法执行效率和分类准确性优于其他同类算法，是多示例技术在人脸识别中的创新性应用。5、用示例股权的方式解决了传统多示例在人脸识别中的应用困境，并提出局部及整体股权的优选方法，解决了全局和局部特征配比，提升了人脸识别效率多示例的一票通过制在人脸识别中易导致误判，因为单独的五官之一相似并不代表两幅人脸相似。而传统的局部整体融合方式，其比例选择方式亟待优化。为此改进了传统框架，首先根据样本特性提出了示例股权的概念和计算方式，不同示例的二值属性按股权配比后，可以形成包的类别概率；其次引入了整体特性作为特殊示例，提出了整体和局部股权的优选方式，并引入了阈值控制配比，控制异常点产生，提升识别率。比对实验表明，该算法分类准确性优于传统算法。
李晓广[8]（2011）在《三维人脸识别中的关键技术研究》文中进行了进一步梳理人脸识别作为现今生物特征识别的重要研究内容，其识别方法主要体现在对二维平面图像领域。识别的精准程度由于受到姿态、光照、表情和动作等变化的影响，有很大的限制。截至目前，如何构建一个强壮的人脸识别系统依旧是一个异常复杂困难的问题。然而，三维人脸模型因为比二维人脸图像存储了更加丰富的信息，因此，使用三维信息来对人脸进行识别是一个比较有效的方式。本文主要研究基于三维数据模型的人脸识别问题，在通过对三维人脸模型进行特征点提取的基础上，选择人脸面部刚性区域的特征点弱化表情因素的影响，通过粗精结合的方法实现人脸配准，将三维人脸模型转换到一致的状态下，最后通过有效的识别算法完成识别。本文的主要工作有：三维人脸特征点定位方面，利用人脸径向差分图和高斯曲率图进行人脸的边缘检测。通过构造面貌差分和高斯曲率图，采用区域生长来构造器官的轮廓区域，再通过曲线拟合和能量优化精确定位人脸的主要特征点，并给出了一个人工交互调整特征点的方法。实验证明所提方法具有较高的姿态鲁棒性。三维人脸配准方面，提出了基于人脸刚性区域特征点的定位方法。在该方法中，针对面部刚性区域不易受表情的影响，能有效实现人脸模型的配准。改进了ICP算法，通过使用桶算法，提高了最近点查找的速度。三维人脸识别方面，对现有的识别算法做了深入的分析和比较，实现了基于PCA、LDA、ICP和Hausdorff距离的三维人脸识别算法，并提出了一种改进的ICP算法，通过减少迭代次数，有效地提高了识别速度。通过实验验证了各方法的识别效果和精度。
高岩[9]（2009）在《基于准二值图像的人脸识别算法研究》文中提出人脸,作为最主要的生物特征,在人们日常交往中起到至关重要的作用,人脸识别技术也是模式识别和机器视觉领域最富挑战性的研究课题之一。人脸识别系统主要包括人脸检测,人脸特征定位以及人脸识别三部分,其中人眼定位在人脸检测和识别中起着关键的作用。本文利用含有极少灰度值的准二值图像为研究对象,利用投影函数、空间向量夹角以及改进的HAUSDORFF距离为研究手段分别对眼仁定位和人脸识别算法进行了研究,给出了新的定位算法和识别模型。主要工作如下:1、提出了一种基于以二次二值化图像为研究对象,二次垂直投影为定位手段的眼仁定位方法。用小波变换和新奇异值重建后的准二值图像为人眼定位的后续工作搭建了较好的平台。实验证明,与投影函数结合起来的眼仁定位方法简单易行,准确度高,定位效果好。2、提出了一种新的基于奇异值分解与空间向量夹角相融合的人脸识别算法。同样是基于准二值图,不同的是用人脸整体和局部的奇异值分解得到不同的奇异值向量作为待识别量,最后用空间夹角最小的判别方法来进行识别。实验表明:两种方法都取得了较好的识别效果,但基于局部奇异值加权算法的识别率好于整体奇异值分解的识别率。3、提出了基于准二值图和改进的HAUSDORFF空间距离相结合的人脸识别算法。我们同样用转化后的准二值图像来进行识别。实验数据表明:用改进的HAUSDORFF距离与准二值人脸图像相结合的识别方法比前人提到的识别方法更有效。值得注意的是,以上两种方法均省去了对图像训练的步骤,在提高了运算速度的同时,达到了良好的识别效果。
叶剑华[10]（2008）在《三维及多模态人脸识别研究》文中研究表明目前的二维人脸识别系统在受控条件下能取得很好的性能,但在光照、姿态、表情等因素影响下性能将急剧下降。三维人脸识别可以克服或减轻这些因素的影响。融合二维和三维信息的多模态人脸识别可望取得更好的识别效果。本文对三维及多模态人脸识别的若干算法进行了研究。首先提出了一个基于迭代对应点（ICP）的三维人脸识别方法。先通过聚类算法去除人脸点云的局外点,再以鼻尖为中心提取感兴趣区域,并变换到姿态坐标系进行粗略配准。利用人脸对称性填补孔洞,提高了人脸数据的质量。再用ICP算法进行精细配准,采用最近邻分类器进行分类。实验结果表明该方法能够处理一定程度的人脸姿态变化,即便人脸数据的质量不高,仍能取得较好的识别效果。提出了一种将三维局部二值模式（3DLBP）和广义判别分析（GDA）相结合的三维人脸识别算法。将人脸深度图像分成多个区域后,采用3DLBP算子从各区域提取直方图特征,并将各区域3DLBP直方图连成一个向量,作为人脸深度图像的特征,采用改进高斯核函数的GDA作为分类器。实验结果表明,3DLBP和GDA结合的识别率要优于PCA和3DLBP。采用多种方法对人脸深度图像和灰度图像进行融合。对LBP算子和局部Gabor二值模式（LGBP）算子进行了详细的比较。实验结果表明LBP和Fisher判别分析（FDA）方法的结合要优于其它方法,在其融合人脸深度图像和灰度图像后,性能较单一信息有进一步的提升。基于LGBP的各方法与基于LBP的相应方法相比,在计算量和存储量上要大很多,但在性能上却没有优势。提出了一种基于LBP和级联AdaBoost的多模态人脸识别方法。采用级联AdaBoost方法分别从人脸深度图像和灰度图像的大量区域LBP直方图（RLBPH）中选取最有利于分类的RLBPH,并连接成一个直方图向量。分别用FDA构建线性子空间,再用多种方法进行融合。实验结果表明,级联AdaBoost选出的少量RLBPH特征取得了较好的识别效果,若增加特征数,则可进一步提高识别性能。
二、一种基于空间加权Hausdorff距离的人脸识别算法（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、一种基于空间加权Hausdorff距离的人脸识别算法（论文提纲范文）
（1）基于轮廓线和曲率信息融合的三维人脸识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 人脸识别国内外发展进程 |
| 1.3 本文主要研究方法以及章节安排 |
| 1.3.1 本文研究方法 |
| 1.3.2 章节安排 |
| 1.4 本章总结 |
| 第二章 算法理论基础 |
| 2.1 引言 |
| 2.2 三维人脸数据库模块 |
| 2.2.1 三维人脸数据采集 |
| 2.2.2 模型数据预处理 |
| 2.2.3 数据库形成 |
| 2.3 三维人脸特征提取模块 |
| 2.3.1 特征点概述 |
| 2.3.2 曲率和轮廓线 |
| 2.4 三维人脸特征匹配模块 |
| 2.4.1 特征描述符 |
| 2.4.2 特征匹配 |
| 2.5 算法性能评价指标 |
| 2.6 本章总结 |
| 第三章 基于轮廓线和曲率信息融合的三维人脸识别 |
| 3.1 特征提取 |
| 3.1.1 三维人脸模型点曲率 |
| 3.1.2 基于曲率信息的轮廓线提取 |
| 3.1.3 特征点集 |
| 3.2 特征点集局部特征描述符 |
| 3.2.1 规范方向 |
| 3.2.2 特征点集的3D_DAISY描述符 |
| 3.3 基于平均豪斯多夫距离的特征匹配 |
| 3.3.1 基于平均豪斯多夫距离的轮廓线初级特征匹配 |
| 3.3.2 基于平均豪斯多夫距离的3D_DAISY描述符二级特征匹配 |
| 3.4 本章总结 |
| 第四章 算法结果与分析 |
| 4.1 本文算法环境 |
| 4.1.1 算法环境 |
| 4.1.2 PCL点云处理库介绍 |
| 4.2 三维人脸识别流程 |
| 4.3 算法模块结果分析 |
| 4.3.1 3D人脸数据库预处理模块 |
| 4.3.2 特征点定位模块 |
| 4.3.3 人脸识别准确率分析 |
| 4.4 本章总结 |
| 第五章 总结与展望 |
| 5.1 本文研究工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（2）表情变化下的三维人脸识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.1.1 生物特征技术 |
| 1.1.2 人脸识别的应用场景 |
| 1.1.3 人脸识别流程 |
| 1.1.4 人脸识别技术分类 |
| 1.2 三维人脸识别技术 |
| 1.2.1 三维人脸数据的表现形式 |
| 1.2.2 三维人脸识别性能评估指标及常用数据库 |
| 1.2.3 三维人脸识别系统流程 |
| 1.2.4 三维人脸识别的优势与挑战 |
| 1.3 表情变化下三维人脸识别算法综述 |
| 1.3.1 基于空域的直接匹配 |
| 1.3.2 基于整体的匹配 |
| 1.3.3 基于局部特征的匹配 |
| 1.3.4 基于二维和三维双模态融合的匹配 |
| 1.4 本文主要工作及章节安排 |
| 第二章 基于协方差矩阵描述子的三维人脸识别 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.3 算法思路 |
| 2.4 三维人脸预处理 |
| 2.4.1 去除离群点 |
| 2.4.2 鼻尖点检测 |
| 2.4.3 人脸切割及姿态矫正 |
| 2.5 关键点检测 |
| 2.6 基于 3DHo ND的初步匹配与筛选 |
| 2.7 基于协方差矩阵描述子的匹配 |
| 2.7.1 协方差矩阵描述子构造 |
| 2.7.2 相似度计算 |
| 2.8 实验验证 |
| 2.8.1 关键点检测阈值设定实验 |
| 2.8.2 表情鲁棒性实验 |
| 2.8.3 时间代价分析 |
| 2.8.4 识别效率实验 |
| 2.9 本章小结 |
| 第三章 基于深度图和等测地线的三维人脸识别 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 算法思路 |
| 3.4 基于形状指数深度图的整体特征提取 |
| 3.4.1 形状指数深度图像 |
| 3.4.2 改进的LDP特征提取及匹配 |
| 3.5 等测地线特征提取与匹配 |
| 3.5.1 等测地线的提取 |
| 3.5.2 等测地线的重采样 |
| 3.5.3 等测地线匹配 |
| 3.6 相似度融合及识别 |
| 3.7 实验 |
| 3.7.1 LSDP特征识别性能实验 |
| 3.7.2 单条等测地线实验 |
| 3.7.3 融合后的等测地线实验 |
| 3.7.4 不同距离算法对比实验 |
| 3.7.5 表情鲁棒性实验 |
| 3.7.6 与不同算法对比实验 |
| 3.8 本章小结 |
| 第四章 总结与展望 |
| 4.1 课题研究内容总结 |
| 4.2 未来工作展望 |
| 4.3 结束语 |
| 致谢 |
| 参考文献 |
| 作者在攻读硕士期间发表的论文及专利 |
（3）基于局部特征的三维人脸识别算法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 三维人脸识别的研究现状及国内外发展 |
| 1.2.1 基于整体特征的三维人脸识别 |
| 1.2.2 基于局部特征的三维人脸识别 |
| 1.3 本文的主要研究内容 |
| 1.4 论文章节安排 |
| 第2章 三维人脸识别系统及数据预处理 |
| 2.1 引言 |
| 2.2 三维人脸识别系统介绍 |
| 2.3 三维人脸数据预处理 |
| 2.3.1 人脸平滑处理 |
| 2.3.2 基于支持向量机的人脸鼻尖点检测的设计 |
| 2.3.3 人脸区域提取 |
| 2.4 三维人脸几何特征的计算方法 |
| 2.4.1 曲面拟合 |
| 2.4.2 曲率计算 |
| 2.4.3 三维曲面重构 |
| 2.5 本章小结 |
| 第3章 基于局部曲线的三维人脸识别算法设计 |
| 3.1 引言 |
| 3.2 测地线距离计算 |
| 3.3 等测地轮廓线提取方法 |
| 3.4 径向曲线提取方法 |
| 3.4.1 人脸对称面计算 |
| 3.4.2 径向曲线提取 |
| 3.5 三维曲线的形状分析 |
| 3.6 实验结果及分析 |
| 3.6.1 实验数据库介绍 |
| 3.6.2 基于等测地轮廓线的实验结果 |
| 3.6.3 基于径向曲线的实验结果 |
| 3.6.4 实验结果对比分析 |
| 3.7 本章小结 |
| 第4章 加权多任务稀疏表示的三维人脸识别算法设计 |
| 4.1 人脸分区 |
| 4.2 基于协方差矩阵的局部描述符构建 |
| 4.2.1 特征点提取算法 |
| 4.2.2 构建协方差矩阵描述符 |
| 4.3 加权的多任务稀疏表示分类器 |
| 4.3.1 稀疏表示分类器 |
| 4.3.2 多任务稀疏表示分类器 |
| 4.3.4 加权的多任务稀疏表示分类器的设计 |
| 4.3.5 稀疏标准 |
| 4.4 实验结果及分析 |
| 4.4.1 实验结果对比 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（4）非特定条件下三维人脸识别关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 三维人脸识别概述 |
| 1.2.1 三维人脸识别基本框架 |
| 1.2.2 三维人脸数据获取与表示 |
| 1.2.3 三维人脸数据库 |
| 1.3 三维人脸识别主要难点及本文相关工作 |
| 1.4 本文组织结构 |
| 2 三维人脸识别技术综述 |
| 2.1 三维人脸表征 |
| 2.2 三维人脸基准点定位 |
| 2.3 三维人脸姿态估计 |
| 2.4 三维人脸识别 |
| 2.4.1 基于空间点云坐标的识别 |
| 2.4.2 基于几何形状特征的识别 |
| 2.4.3 基于二维与三维多模态特征融合的识别 |
| 2.4.4 基于多种三维特征融合的识别 |
| 3 基于脊谷模型的三维人脸表征 |
| 3.1 引言 |
| 3.2 技术思路及框架 |
| 3.3 三维人脸模型预处理 |
| 3.3.1 三维人脸主区域提取及切割 |
| 3.3.2 尖点的过滤和移除 |
| 3.3.3 预处理实验结果 |
| 3.4 三维人脸脊谷特征提取 |
| 3.4.1 三角网格顶点法向量计算 |
| 3.4.2 三角网格局部曲面拟合及主曲率计算 |
| 3.4.3 曲率极值估计 |
| 3.4.4 脊谷模型生成 |
| 3.5 实验结果及分析 |
| 3.6 小结 |
| 4 姿态无关三维人脸鼻尖点精确检测 |
| 4.1 引言 |
| 4.2 技术思路及框架 |
| 4.3 鼻脊线候选集的生成 |
| 4.4 鼻尖点的检测 |
| 4.5 实验结果及分析 |
| 4.6 小结 |
| 5 点线特征相结合的几何三维人脸姿态估计 |
| 5.1 引言 |
| 5.2 技术思路及框架 |
| 5.3 鼻尖点和鼻梁线的检测 |
| 5.4 姿态人脸旋转角度估计 |
| 5.5 实验结果及分析 |
| 5.5.1 在合成人脸模型上的实验 |
| 5.5.2 在真实人脸模型上的实验 |
| 5.6 小结 |
| 6 三维人脸识别 |
| 6.1 引言 |
| 6.2 基于脊谷空间分布和HAUSDORFF距离的三维人脸识别 |
| 6.2.1 技术思路及框架 |
| 6.2.2 脊谷模型的生成及归一化处理 |
| 6.2.3 人脸匹配 |
| 6.2.4 实验结果及分析 |
| 6.3 多曲线特征融合的三维表情人脸识别 |
| 6.3.1 技术思路及框架 |
| 6.3.2 人脸局部特征曲线的提取 |
| 6.3.3 多特征的融合与匹配 |
| 6.3.4 实验结果及分析 |
| 6.4 小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士期间发表的论文情况 |
| 攻读博士期间参与的科研情况 |
（5）基于轮廓线和几何特征向量的三维人脸识别算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 人脸识别的研究意义和背景 |
| 1.2 人脸识别技术研究进展与现状 |
| 1.3 三维人脸识别的评价指标 |
| 1.4 本文主要研究内容 |
| 1.5 本文章节安排 |
| 第二章 三维人脸数据的获取及预处理 |
| 2.1 三维人脸数据的获取 |
| 2.1.1 三维数据主动获取 |
| 2.1.2 三维数据被动获取 |
| 2.1.3 三维人脸数据的表示方法 |
| 2.1.4 国内外主要三维人脸库介绍 |
| 2.2 三维人脸数据的预处理 |
| 2.2.1 鼻尖点的确定 |
| 2.2.2 人脸角度旋转 |
| 2.2.3 三维人脸切割 |
| 2.3 人脸双三次 B 样条曲面拟合 |
| 2.3.1 B 样条曲面自适应拟合算法 |
| 2.3.2 双三次 B 样条曲面拟合 |
| 2.3.3 人脸面部曲面拟合 |
| 2.4 本章小结 |
| 第三章 三维人脸中分轮廓线和几何特征向量提取 |
| 3.1 轮廓线提取 |
| 3.1.1 曲率的计算 |
| 3.1.2 人脸中分轮廓线提取 |
| 3.1.3 鼻尖处横切轮廓线提取 |
| 3.2 其他特征点的定位与计算 |
| 3.2.1 内眼角的提取 |
| 3.2.2 外眼角的提取 |
| 3.2.3 嘴角提取 |
| 3.3 关键特征向量的选取与计算 |
| 3.3.1 距离特征 |
| 3.3.2 角度特征 |
| 3.3.3 体积特征 |
| 3.3.4 面部比例特征 |
| 3.4 本章小结 |
| 第四章 基于轮廓线和几何特征向量的三维人脸识别 |
| 4.1 人脸识别算法 |
| 4.1.1 基于局部和全局特征匹配的人脸识别算法 |
| 4.1.2 Hausdorff 在三维人脸识别中的应用 |
| 4.1.3 ICP 在三维人脸识别中的应用 |
| 4.2 三维人脸识别系统流程图 |
| 4.3 基于几何特征向量加权的三维人脸粗识别 |
| 4.3.1 特征向量说明 |
| 4.3.2 特征向量权值分配 |
| 4.3.3 相似度距离的计算 |
| 4.4 基于轮廓线的三维人脸细识别 |
| 4.5 三维人脸全局匹配 |
| 4.6 本章小结 |
| 第五章 实验仿真及结果分析 |
| 5.1 实验数据及来源 |
| 5.2 实验步骤 |
| 5.3 不同特征向量提取方法的比较 |
| 5.4 不同分类器的实验结果比较 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 附录 1 攻读硕士学位期间撰写的论文 |
| 致谢 |
（6）三维人脸检测与识别技术研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 人脸识别 |
| 1.3 2D 人脸识别 |
| 1.3.1 2D 人脸识别介绍 |
| 1.3.2 2D 人脸识别的挑战与困难 |
| 1.4 3D 人脸识别 |
| 1.4.1 3D 人脸识别框架 |
| 1.4.2 3D 人脸数据获取技术 |
| 1.4.3 主流的 3D 人脸数据库 |
| 1.4.4 3D 人脸方法综述 |
| 1.4.5 3D 人脸识别的挑战与困难 |
| 1.5 本文的研究重点与内容安排 |
| 第2章 三维人脸检测与姿态校正 |
| 2.1 引言 |
| 2.2 数据结构 |
| 2.3 人脸区域检测算法流程 |
| 2.3.1 数据预处理 |
| 2.3.2 鼻尖点定位 |
| 2.3.3 人脸切割 |
| 2.4 姿态校正 |
| 2.4.1 鼻尖法向量计算 |
| 2.4.2 鼻梁方向(Nose Bridge Direction)计算 |
| 2.4.3 姿态归一化 |
| 2.5 小结 |
| 第3章 基于多模式 2D 图像的人脸识别 |
| 3.1 引言 |
| 3.2 基于稀疏表示的 2D 人脸识别 |
| 3.3 3D 网格模型生成的若干 2D 特征图像 |
| 3.3.1 2D 深度图像 |
| 3.3.2 2D 测地图像 |
| 3.3.3 2D 曲率图像 |
| 3.4 多模式 2D 特征图像融合 |
| 3.5 稀疏表示的多模式 2D 特征人脸识别方法 |
| 3.6 小结 |
| 第4章 基于分片加权的 partial-ICP 和测地距离的 3D 人脸识别 |
| 4.1 引言 |
| 4.2 相关知识介绍 |
| 4.2.1 partial-ICP 算法 |
| 4.2.2 测地距离计算 |
| 4.3 算法流程 |
| 4.3.0 确定分片方式 |
| 4.3.1 确定分片权重系数 |
| 4.3.2 分类 |
| 4.4 小结 |
| 第5章 基于多角度投影图像 SIFT 匹配的 3D 人脸识别 |
| 5.1 引言 |
| 5.2 SIFT 特征匹配算法 |
| 5.3 算法流程 |
| 5.3.1 人脸模型的姿态校正 |
| 5.3.2 生成多角度投影深度图 |
| 5.3.3 SIFT 特征匹配 |
| 5.3.4 匹配点对筛选 |
| 5.3.5 分类准则 |
| 5.4 小结 |
| 第6章 实验结果与分析 |
| 6.1 现有的三维人脸数据库介绍 |
| 6.2 本文实验采用的 3 维人脸数据库 |
| 6.2.1 3 维人脸模型的表达形式 |
| 6.3 多模式 2D 人脸识别 |
| 6.3.1 测试数据准备 |
| 6.3.2 文中方法与 PCA，ICP 识别结果对比 |
| 6.3.3 多模式 2D 人脸识别小结 |
| 6.4 分片加权的 partial-ICP 和测地距离的 3D 人脸识别 |
| 6.4.1 测试数据准备 |
| 6.4.2 文中方法与 PCA，ICP 识别结果对比 |
| 6.4.3 分片加权的 partial-ICP 和测地距离的 3D 人脸识别小结 |
| 6.5 基于多角度投影 SIFT 匹配的 3D 人脸识别 |
| 6.5.1 测试数据准备 |
| 6.5.2 文中方法与 PCA，ICP 识别结果对比 |
| 6.5.3 基于多角度投影 SIFT 匹配的 3D 人脸识别小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 未来的工作方向 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（7）多示例图像检索算法研究及在人脸识别中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 常规图像检索技术发展 |
| 1.2.2 多示例图像检索技术发展 |
| 1.3 本文的主要工作 |
| 1.4 论文安排 |
| 2 多示例学习综述 |
| 2.1 多示例学习算法简介 |
| 2.1.1 问题的提出 |
| 2.1.2 多示例学习的意义 |
| 2.1.3 多示例学习与传统学习框架的区别 |
| 2.2 多示例学习的理论与算法研究 |
| 2.2.1 轴-平行矩形算法 |
| 2.2.2 K-近邻算法 |
| 2.2.3 DD 算法 |
| 2.2.4 EM-DD 算法 |
| 2.3 多示例与图像检索关系 |
| 2.4 应用分析 |
| 2.5 本章小结 |
| 3 标签因子辅助识别及多示例标注研究 |
| 3.1 基于 Internet 图像检索技术发展 |
| 3.2 从文档集推导 html 标签影响因子的算法 |
| 3.2.1 引言 |
| 3.2.2 一些基本概念 |
| 3.2.3 标签影响因子算法 |
| 3.2.4 应用标签影响因子的 VSM 检索算法 |
| 3.2.5 实验结果 |
| 3.2.6 结论 |
| 3.3 图像标注技术发展 |
| 3.3.1 基于全局特征的图像标注方法 |
| 3.3.2 基于区域划分的图像标注方法 |
| 3.4 基于 AFSVM-MIL 算法的图像标注 |
| 3.4.1 引言 |
| 3.4.2 采用 AFSVM-MIL 的自动标注 |
| 3.4.3 实验结果 |
| 3.4.4 结论 |
| 4 多示例图像检索算法研究与改进 |
| 4.1 标准多示例图像检索流程 |
| 4.2 改进 Hausdorff 距离 k 均值多示例算法概述 |
| 4.2.1 研究现状 |
| 4.2.2 改进 Hausdorff 距离 k 均值多示例算法流程 |
| 4.3 改进算法图像前处理 |
| 4.3.1 图像预处理 |
| 4.3.2 图像分割 |
| 4.3.3 颜色特征 |
| 4.3.4 纹理特征 |
| 4.3.5 形状和轮廓特征 |
| 4.4 改进 Hausdorff 距离 k 均值多示例学习算法 |
| 4.4.1 分类器及其使用 |
| 4.4.2 Hausdorff 距离概述 |
| 4.4.3 改进的 Hausdorff 距离 |
| 4.4.4 K 均值算法概述 |
| 4.4.5 基于改进 Hausdorff 距离的 k 均值算法 |
| 4.5 实验结果 |
| 4.5.1 实验一 |
| 4.5.2 实验二 |
| 4.5.3 实验三 |
| 4.6 结论 |
| 5 多示例图像检索技术在人脸识别领域的应用 |
| 5.1 人脸识别技术的发展 |
| 5.1.1 人脸识别的发展 |
| 5.1.2 主流算法 |
| 5.1.3 人脸识别中的难点 |
| 5.2 基于 EMD 的融合特征快速多示例人脸识别算法 |
| 5.2.1 引言 |
| 5.2.2 人脸识别 IFEMD-MIL 框架 |
| 5.2.3 实验结果 |
| 5.2.4 结论 |
| 5.3 阈值控制下的股权多示例融合人脸识别技术 |
| 5.3.1 引言 |
| 5.3.2 股权投票多示例人脸识别 |
| 5.3.3 实验结果 |
| 5.3.4 结论 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（8）三维人脸识别中的关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 三维人脸识别技术的研究现状 |
| 1.3 本文主要研究内容与工作安排 |
| 第二章 三维人脸识别方法简介 |
| 2.1 引言 |
| 2.2 基于空域信息的直接匹配 |
| 2.2.1 ICP 匹配 |
| 2.2.2 Hausdorff 距离匹配 |
| 2.3 基于局部特征的匹配 |
| 2.3.1 局部描述符 |
| 2.3.2 脸部曲线特征 |
| 2.3.3 曲率特征 |
| 2.3.4 其它局部特征 |
| 2.4 基于整体特征的匹配 |
| 2.4.1 深度图 |
| 2.4.2 EGI 图 |
| 2.4.3 整体变换 |
| 2.5 双模态融合 |
| 2.5.1 决策级融合 |
| 2.5.2 特征级融合 |
| 2.6 现有三维人脸识别算法的优缺点分析 |
| 2.6.1 识别率 |
| 2.6.2 运算速度 |
| 2.6.3 现有算法面临的问题 |
| 2.7 本章小结 |
| 第三章 三维人脸特征提取 |
| 3.1 三维人脸特征点的提取 |
| 3.2 特征点调整 |
| 3.3 本章小结 |
| 第四章 三维人脸配准方法 |
| 4.1 基于特征点的粗配准算法 |
| 4.2 基于 ICP 的精配准 |
| 4.3 最近点查找 |
| 4.4 本章小结 |
| 第五章 三维人脸识别若干方法比较研究 |
| 5.1 引言 |
| 5.2 PCA、LDA、ICP 和 Hausdorff 距离在三维人脸识别中的应用 |
| 5.2.1 方法和基本思路 |
| 5.2.2 PCA 在三维人脸脸识别中的应用 |
| 5.2.3 LDA 及其在三维人脸识别中的应用 |
| 5.2.4 Hausdorff 距离及其在三维人脸中的应用 |
| 5.2.5 基于改进的 ICP 算法在三维人脸识别中的应用 |
| 5.3 实验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（9）基于准二值图像的人脸识别算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 人脸识别技术综述 |
| 1.2.1 基于特征的人脸识别方法 |
| 1.2.1.1 基于几何特征的人脸识别方法 |
| 1.2.1.2 基于代数特征的人脸识别方法 |
| 1.2.2 基于模板匹配的人脸识别方法 |
| 1.2.3 基于随机序列模型的人脸识别方法 |
| 1.2.4 基于三维模型的人脸识别方法 |
| 1.3 脸部灰度图像的人眼定位综述 |
| 1.3.1 基于模板匹配的方法 |
| 1.3.1.1 灰度投影法 |
| 1.3.1.2 几何特征模板 |
| 1.3.2 基于统计的方法 |
| 1.3.3 基于知识的方法 |
| 1.4 本课题的目的、意义及思路 |
| 第二章 一种基于准二值图像的眼仁定位的新方法 |
| 2.1 小波分解以及边缘检测的基础理论介绍 |
| 2.1.1 小波的图像分解原理 |
| 2.1.2 小波边缘检测原理 |
| 2.1.3 小波多分辨分析原理 |
| 2.2 奇异值分解 |
| 2.3 矩阵的F—范数 |
| 2.4 一种基于准二值图的眼仁精确定位的算法 |
| 2.4.1 人脸图像的小波分解 |
| 2.4.2 人脸及眼睛部位的提取 |
| 2.4.2.1 首次灰度图像二值化 |
| 2.4.2.2 脸部区域截取 |
| 2.4.2.3 眼部区域的定位 |
| 2.4.3 针对眼仁的图像去噪 |
| 2.4.3.1 眼部区域的定位 |
| 2.4.3.2 眼仁的精确定位 |
| 2.4.4 实验结果 |
| 2.5 小结 |
| 第三章 基于奇异值分解与空间向量夹角融合的人脸识别算法 |
| 3.1 基于局部奇异值分解的人脸识别算法 |
| 3.1.1 基于匹配隶属度函数的局部奇异值分解人脸识别算法 |
| 3.1.2 基于最近邻决策规则的局部奇异值分解人脸识别算法 |
| 3.2 基于奇异值分解与空间夹角相融合的人脸识别算法 |
| 3.2.1 确定相似性度量方法 |
| 3.2.2 基于局部奇异值分解和空间夹角的人脸识别算法 |
| 3.3 实验结果 |
| 3.4 小结 |
| 第四章 基于奇异值分解与改进的HAUSDORFF距离的人脸识别算法 |
| 4.1 传统的HAUSDORFF距离的定义 |
| 4.2 改进的HAUSDORFF距离的定义 |
| 4.3 基于奇异值的分解与改进的HAUSDORFF距离的人脸识别 |
| 4.4 实验结果 |
| 第五章 结论 |
| 5.1 本论文的总结 |
| 5.2 创新点 |
| 5.3 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 导师与作者简介 |
（10）三维及多模态人脸识别研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 人脸识别算法性能评测 |
| 1.2.1 两种认证模式 |
| 1.2.2 评价指标 |
| 1.2.3 常用三维人脸数据库 |
| 1.2.4 评测项目 |
| 1.3 三维及多模态人脸识别算法综述 |
| 1.3.1 基于三维点云的方法 |
| 1.3.2 基于子空间的方法 |
| 1.3.3 基于轮廓线的方法 |
| 1.3.4 基于其它特征的方法 |
| 1.3.5 基于多分类器融合的方法 |
| 1.3.6 多模态融合的方法 |
| 1.4 三维人脸数据获取技术 |
| 1.4.1 立体视觉 |
| 1.4.2 结构光 |
| 1.5 本文主要工作和创新点 |
| 1.6 本文的组织结构 |
| 第二章 基于ICP 的三维人脸识别 |
| 2.1 迭代对应点算法（ICP） |
| 2.1.1 概述 |
| 2.1.2 ICP 算法分类 |
| 2.1.3 本文采用的ICP 算法 |
| 2.2 基于ICP 的识别方法 |
| 2.2.1 滤除局外点 |
| 2.2.2 提取人脸的感兴趣区域 |
| 2.2.3 粗略配准 |
| 2.2.4 填补孔洞 |
| 2.2.5 ICP 算法精细配准 |
| 2.3 实验结果 |
| 2.3.1 测试数据库介绍 |
| 2.3.2 算法性能比较和分析 |
| 2.4 本章小结 |
| 第三章 基于3DLBP 和广义判别分析的三维人脸识别 |
| 3.1 LBP 直方图特征表示 |
| 3.1.1 局部二值模式（LBP） |
| 3.1.2 LBP 直方图序列（LBPHS） |
| 3.1.3 LBPHS 的匹配 |
| 3.2 三维LBP（3DLBP） |
| 3.3 广义判别分析（GDA） |
| 3.3.1 符号表示 |
| 3.3.2 特征空间中的GDA 表示 |
| 3.3.3 特征值求解 |
| 3.4 3DLBP 和GDA 的结合 |
| 3.5 主成分分析（PCA） |
| 3.6 实验结果 |
| 3.6.1 测试数据库介绍 |
| 3.6.2 算法性能比较和分析 |
| 3.7 本章小结 |
| 第四章 LBP 和LGBP 算子的比较研究 |
| 4.1 LGBP 直方图特征表示 |
| 4.1.1 Gabor 幅值图谱 |
| 4.1.2 局部Gabor 二值模式（LGBP） |
| 4.1.3 LGBP 直方图序列（LGBPHS） |
| 4.1.4 LGBPHS 的匹配 |
| 4.2 Fisherfaces 方法 |
| 4.3 集成分段FDA（EPFDA） |
| 4.4 多模态融合方法 |
| 4.5 实验结果 |
| 4.5.1 测试数据库介绍 |
| 4.5.2 算法性能比较和分析 |
| 4.6 本章小结 |
| 第五章 基于LBP 和级联AdaBoost 的多模态人脸识别 |
| 5.1 AdaBoost 算法 |
| 5.2 基于级联AdaBoost 的LBP 特征选择 |
| 5.3 AdaLBPH 的Fisher 判别分析 |
| 5.4 多模态融合方法 |
| 5.5 实验结果 |
| 5.6 本章小结 |
| 第六章 总结和展望 |
| 6.1 本文的工作总结 |
| 6.2 今后的工作展望 |
| 参考文献 |
| 发表论文和科研情况说明 |
| 致谢 |
四、一种基于空间加权Hausdorff距离的人脸识别算法（论文参考文献）
- [1]基于轮廓线和曲率信息融合的三维人脸识别方法研究[D]. 杨丹婷. 西安电子科技大学, 2019(02)
- [2]表情变化下的三维人脸识别技术研究[D]. 郭蓓. 东南大学, 2019(05)
- [3]基于局部特征的三维人脸识别算法的研究[D]. 李章燕. 哈尔滨工业大学, 2018(02)
- [4]非特定条件下三维人脸识别关键技术研究[D]. 李晔. 西安理工大学, 2016(01)
- [5]基于轮廓线和几何特征向量的三维人脸识别算法的研究[D]. 杜含笑. 南京邮电大学, 2014(05)
- [6]三维人脸检测与识别技术研究[D]. 蔡宇. 吉林大学, 2013(04)
- [7]多示例图像检索算法研究及在人脸识别中的应用[D]. 邓剑勋. 重庆大学, 2012(02)
- [8]三维人脸识别中的关键技术研究[D]. 李晓广. 河南工业大学, 2011(01)
- [9]基于准二值图像的人脸识别算法研究[D]. 高岩. 北京化工大学, 2009(07)
- [10]三维及多模态人脸识别研究[D]. 叶剑华. 天津大学, 2008(07)