人體目標(biāo)檢測(cè)與識(shí)別方法及應(yīng)用

目錄
章 目標(biāo)檢測(cè)和識(shí)別方法概論 1
1.1 目標(biāo)檢測(cè)方法國(guó)內(nèi)外研究現(xiàn)狀 1
1.1.1 傳統(tǒng)的目標(biāo)檢測(cè)方法研究現(xiàn)狀 1
1.1.2 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法研究現(xiàn)狀 2
1.2 目標(biāo)識(shí)別方法國(guó)內(nèi)外研究現(xiàn)狀 4
1.2.1 傳統(tǒng)的目標(biāo)識(shí)別方法研究現(xiàn)狀 4
1.2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別方法研究現(xiàn)狀 5
1.3 目標(biāo)檢測(cè)和識(shí)別應(yīng)用前景 5
第二章 基于統(tǒng)計(jì)特征的人體目標(biāo)檢測(cè)方法 7
2.1 基于膚色的尺度自適應(yīng)人臉檢測(cè) 7
2.1.1 視頻圖像預(yù)處理 7
2.1.2 人臉檢測(cè)算法 9
2.1.3 基于人臉膚色統(tǒng)計(jì)的坐姿監(jiān)測(cè) 17
2.2 人體疲勞狀態(tài)監(jiān)測(cè)方法 19
2.2.1 基于融合邊緣的打哈欠判別 20
2.2.2 人眼與瞳孔檢測(cè)及閉眼判別 26
2.2.3 輔助駕駛系統(tǒng)中頭部狀態(tài)與疲勞監(jiān)測(cè) 29
2.2.4 實(shí)驗(yàn)結(jié)果與分析 35
2.3 基于稀疏表示的兩級(jí)級(jí)聯(lián)快速行人檢測(cè) 38
2.3.1 HOG特征和V_edge_sym特征 39
2.3.2 級(jí)分類算法 43
2.3.3 第二級(jí)分類算法 44
2.3.4 實(shí)驗(yàn)結(jié)果與分析 48
第三章 基于統(tǒng)計(jì)特征的人體目標(biāo)識(shí)別方法 53
3.1 基于稀疏表示的靜態(tài)人臉識(shí)別 53
3.1.1 基于稀疏表示的人臉識(shí)別方法的基本原理 53
3.1.2 基于GLC-KSVD的稀疏表示人臉識(shí)別算法 54
3.1.3 融合特征結(jié)合子模字典學(xué)習(xí)的稀疏表示人臉識(shí)別算法 62
3.2 基于主動(dòng)紅外視頻的活體人臉識(shí)別 69
3.2.1 系統(tǒng)概述 69
3.2.2 迭代二次幀差模型 70
3.2.3 PCA預(yù)訓(xùn)練特征模型 72
3.2.4 近鄰余弦相似度分類器 73
3.2.5 實(shí)驗(yàn)結(jié)果及分析 73
第四章 基于深度學(xué)習(xí)的人體目標(biāo)檢測(cè)方法 79
4.1 研究背景與意義 79
4.2 基于深度學(xué)習(xí)的人體目標(biāo)檢測(cè)研究歷史 80
4.3 常用公開(kāi)目標(biāo)檢測(cè)數(shù)據(jù)庫(kù) 82
4.4 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)模型簡(jiǎn)介 82
4.4.1 人工神經(jīng)網(wǎng)絡(luò)算法原理 83
4.4.2 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 86
4.4.3 基于回歸的目標(biāo)檢測(cè) 89
4.4.4 基于候選區(qū)域的目標(biāo)檢測(cè) 91
4.5 基于MS KCF的快速人臉檢測(cè) 95
4.5.1 系統(tǒng)總體流程 96
4.5.2 MobileNet-SSD網(wǎng)絡(luò)相關(guān)原理 96
4.5.3 KCF算法原理 102
4.5.4 實(shí)驗(yàn)結(jié)果及分析 103
第五章 基于深度學(xué)習(xí)的人體目標(biāo)識(shí)別方法 108
5.1 基于深度學(xué)習(xí)的人臉表情識(shí)別 108
5.1.1 一種基于深度學(xué)習(xí)的人臉表情識(shí)別算法 108
5.1.2 人臉身份保持表情不變性特征研究 114
5.2 基于多尺度核特征卷積神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)人臉表情識(shí)別 119
5.2.1 實(shí)時(shí)人臉表情識(shí)別系統(tǒng)概述 120
5.2.2 快速穩(wěn)定的人臉檢測(cè) 120
5.2.3 多尺度核特征人臉表情識(shí)別網(wǎng)絡(luò) 122
5.2.4 實(shí)驗(yàn)結(jié)果及分析 125
5.3 基于深度學(xué)習(xí)的行人重識(shí)別 129
5.3.1 行人重識(shí)別概述 129
5.3.2 結(jié)合全局與局部特征的行人重識(shí)別方法 133
第六章 深度學(xué)習(xí)平臺(tái) 145
6.1 深度學(xué)習(xí)框架 145
6.1.1 Caffe框架 145
6.1.2 TensorFlow框架 145
6.1.3 MXNet框架 145
6.1.4 Keras框架 146
6.2 深度學(xué)習(xí)平臺(tái)搭建 146
6.2.1 Ubuntu16.04(U盤(pán)引導(dǎo)安裝) 146
6.2.2 安裝搜狗拼音 147
6.2.3 安裝NVIDIA驅(qū)動(dòng) 147
6.2.4 安裝CUDA9.0 cuDNN7.1.4 Tensorflow1.8.0 Python3.5 149
6.2.5 安裝PyCharm 配置Python3.5 安裝OpenCV3.2 153
第七章 綜合應(yīng)用與分析 156
7.1 近紅外活體人臉檢測(cè)系統(tǒng) 156
7.1.1 系統(tǒng)平臺(tái)搭建 156
7.1.2 系統(tǒng)運(yùn)行過(guò)程 157
7.1.3 系統(tǒng)測(cè)試結(jié)果 157
7.2 人體疲勞狀態(tài)監(jiān)測(cè)系統(tǒng) 157
7.2.1 系統(tǒng)平臺(tái)搭建 158
7.2.2 系統(tǒng)運(yùn)行過(guò)程 158
7.2.3 系統(tǒng)測(cè)試結(jié)果 158
7.3 智能情緒監(jiān)控輔助駕駛系統(tǒng) 159
7.3.1 系統(tǒng)平臺(tái)搭建 160
7.3.2 系統(tǒng)運(yùn)行過(guò)程 161
7.3.3 系統(tǒng)測(cè)試結(jié)果 161
參考文獻(xiàn) 164