一、基于伪二维隐马尔可夫模型的人脸识别（论文文献综述）
唐皓[1]（2014）在《基于EHMM的人脸识别算法研究与应用》文中研究表明人脸识别是横跨多个学科的研究领域，包括图像处理，模式识别和计算机视觉等。在智能身份鉴定、视频监控、唇语识别、表情提取等交互应用领域，人脸检测和识别是最基本和最重要的环节之一。由于人脸特征提取的比其它生物特征提取更为便捷，不需要太多用户的配合，自然友好等特点，被公认为是未来最具潜力的生物特征识别技术。完整的人脸识别系统包括前期图像预处理，人脸检测定位，人脸识别匹配和相关应用等。本文主要研究其中基本的人脸检测和人脸识别方法，并对其中的一些方法进行优化，主要工作有：（1）研究了基于神经网络的人脸检测方法，为了获得较好的区分能力，选用多层感知器作为神经网络的拓扑结构。由于灰度值不能表示稳健的特征，为两类分类问题带来很多不确定性，本文使用Gabor滤波结果作为分类器的输入向量，取得了较好的检测结果。（2）在基于隐马尔可夫模型的人脸识别中，由于采样窗口尺寸，重叠度和DCT系数对识别效率的影响显着，本文提出了优化参数组合的方式提高模型表征和识别效率，人脸识别匹配阶段，针对传统的Viterbi算法缺少模型区分性的问题进行了优化，在计算最佳路径链之前进行模型的筛选，提高了系统的识别速度。（3）由于人脸图像是二维数据，与一维隐马尔可夫模型相比，嵌入式隐马尔可夫模型的理论更适合对人脸建模。在对人脸的描述和区分能力上面，都要优于一维的模型。本文研究了基于EHMM的人脸识别，针对EHMM中二维参数重估算法的复杂性，提出了简化的EM算法，在超状态和子状态方向交替进行计算，降低了EHMM计算复杂度。
刘洋[2]（2013）在《基于局部特征描述的HMM人脸识别算法研究》文中指出作为一种生物特征识别技术，人脸识别已经成为模式识别和计算机视觉领域中最具挑战性的研究课题之一，它在信息安全、人机交互、身份认证等领域有着非常广阔的应用前景。基于隐马尔可夫模型（Hidden Markov Model, HMM）的人脸识别方法，不仅能够考虑到人脸各个器官的数值特征，而且还兼顾了人脸的整体结构，因而取得了比较好的识别效果。本文首先针对HMM方法在特征提取方面的不足进行研究，采用局部特征描述算子从图像中提取较为鲁棒的特征信息，并将其作为观察向量对HMM进行训练和识别。文中分别研究了基本的局部二值模式（Local Binary Pattern, LBP）算子和三种改进局部二值模式算子：多阈值局部二值模式（Epsilon Local Binary Pattern,εLBP），增强局部二值模式（Improved Local Binary Pattern, ILBP）和局部差分模式（Local Derivative Pattern, LDP）。相比主成分分析、离散余弦变换和奇异值分解的特征，采用局部特征信息作为观察向量更加具有分类性和灵活性，且避免了因降维造成的局部重要信息的丢失。实验表明，基于局部特征描述的HMM人脸识别方法在表情、姿态和光照变化下均达到比较满意的识别率。其次，本文从信息融合的角度对上述HMM做了进一步研究。传统的HMM算法能够利用重叠采样得到的观察向量建立起高精度人脸模型，但训练和识别时间较长。本文在非重叠采样的方式下，采用多阈值局部二值模式或者局部差分模式作为特征提取手段，将不同特征子空间中的局部特征通过典型相关分析进行融合，并将融合后的特征向量作为HMM的观察向量。实验证明，改进后的方法在保证一定识别率的同时，大大提高了训练和识别效率。
郑小飞[3]（2013）在《基于隐马尔可夫模型的验证码识别方法研究》文中提出目前许多网站与应用仍使用安全性较差﹑易受攻击的验证码，且尚不存在设计验证码和评估其安全性的系统与标准。验证码图像识别涉及到图像处理﹑模式识别等多种领域的相关知识，对其进行深入研究不仅可以提高网站的安全性，还有助于字符识别及人工智能技术的进步。本文应用隐马尔可夫模型针对文本图片验证码识别技术进行系统地研究。首先重点对带有扭曲变形等较多干扰的这类较难识别的验证码图像进行详细地分析与学习，根据其结构特点引入合适的伪二维隐马尔可夫模型；然后结合图像处理及识别的一系列流程，包括预处理中涉及到的图像去噪和分割技术，构建一套较为有效和准确的基于隐马尔可夫模型的验证码识别系统；最后通过模型仿真实验并与当前其它主流的不同识别技术进行对比分析，实验表明该模型比传统一维模型识别正确率有明显提高，同时给出带粗分类的伪二维隐马尔可夫识别模型，并验证该识别模型不仅具有良好的适应性和有效性，还能更快地完成识别。隐马尔可夫模型具有描述局部特征和整体结构的良好特性，目前还没有其在图片验证码识别上的具体研究。本文成功地将隐马尔可夫模型引入复杂验证码的识别中并取得较好的效果，基于伪二维隐马尔可夫模型的识别技术在该研究领域具有一定的创新意义，也为安全可靠验证码的设计提供一定的借鉴作用。
谢超成[4]（2011）在《基于隐马尔科夫模型及多类映射的人脸识别》文中研究说明隐马尔科夫模型作为一种基于生成概率的模型方法,由于其模型的简洁性,模型之间的不相干性,已经广泛应用于图像分割、模式识别、信号预测等领域;本文在前人研究工作的基础上主要做了如下几项工作:1.对人脸识别的子空间分析法进行了研究,重点研究了一维主成分分析、一维Fisher鉴别方法;接着介绍了性能更好的扩展算法二维主成分分析、二维Fisher鉴别方法;同时讨论了训练样本数、特征维数对识别性能的影响,并给出了相应的训练时间与识别时间,便于工程应用。2.相比传统的三个问题解决方式分析隐马尔科夫模型,本文从隐马尔科夫模型运行机理入手对其进行了阐述,从概率求解出发,结合最大似然参数估计方式很自然地得到参数重估方法,这样更容易形成理论体系;其次,由于在图像压缩标准JPEG2000中采用小波变换代替离散余弦变换,本文尝试用小波变换提取特征,然后将其应用隐马尔科夫模型进行分类;最后,考虑到单一特征的鉴别力相对偏弱,故利用特征融合的策略将小波特征、主分量特征、二维离散变换特征进行了两两融合及三者融合,再用隐马尔科夫模型进行分类,得到了比较稳健的算法结构。3.重点分析了伪二维隐马尔科夫模型的双嵌入式Viterbi解码算法,采用小波变换代替离散余弦变换提取特征,用伪二维隐马尔科夫模型分类,得到了不错的识别结果;除此之外,将二维离散余弦变换与小波变换的特征融合起来,得到更有鉴别力的特征,再利用伪二维隐马尔科夫模型分类,则得到更为稳健的人脸识别;同时本文也给出了详细的模型训练时间与识别时间做为工程应用参考。4.通过引入Fisher核,将隐马尔科夫模型与鉴别分类方法结合起来,生成更有鉴别力的Fisher域特征;同时考虑到不同类模型对样本的鉴别力不同,将多类映射原理引入到特征生成过程,具体就是将多类的Fisher域特征串接,进一步提高生成特征的鉴别力;最后讨论了对模型不同参数映射所生成特征的鉴别能力及选择多少类进行映射使得生成特征具有最优的性价比。
陈宋[5]（2010）在《用于移动机器人的人脸检测与识别系统研究》文中认为人脸检测和识别是指在不同场景中判断人脸存在与否及存在人脸的数目、位置并确定其身份的过程。近年来,随着模式识别、计算机视觉等学科的快速发展,以及在机场安检、视频监控等方面的实际需要,人脸检测和识别成为了重要的研究课题。同时,人机交互也成为移动机器人领域的研究重点之一,通过视觉获取信息是人机交互中最为重要的手段。因此,将人脸检测识别与移动机器人结合研究具有良好的应用价值和发展前景。本文提出了一种能够在自然背景下快速检测和准确识别人脸的人脸识别系统。采用Adaboost算法与肤色检测级联的算法检测人脸。Adaboost算法是当前实时性最高的检测算法,对光照条件以及一定程度的姿态变化有较好的适应性;基于肤色特征的算法检测速度也很快,并对旋转、变形、伸缩等几何变化不敏感,作为第二级检测可以有效排除Adaboost算法对背景的误检测区域,提高检测准确率。对人脸的识别则是采用嵌入式隐马尔可夫模型算法。该模型将人的脸庞和五官看作是一个整体,不仅包括脸庞和五官的数值特征,还包括各个器官的相互关联,充分利用了人脸信息,具有很高的识别准确率。同时嵌入式隐马尔可夫模型能够适应人脸的表情变化和光照条件的变化,对人脸姿态的变化也具有一定的鲁棒性。本文还构建了具有视觉处理与语音交互功能的移动机器人系统。该系统由K-ICNP控制平台、移动机器人分系统和视觉处理分系统组成,移动机器人通过无线摄像机,将采集到的视频信号发送给视觉处理部分;视觉处理分系统采用如上所述的算法检测和识别人脸,通过无线网络与K-ICNP平台进行通信,发送检测和识别结果;控制平台再根据人脸检测的结果控制机器人运动,根据人脸识别的结果与人进行语音交互。通过实验验证了本文提出的人脸检测和识别算法的有效性,而移动机器人系统的构建为开展进一步的深入研究奠定了基础。
尹映辉[6]（2010）在《基于隐马尔可夫模型的人脸识别技术研究》文中提出人脸识别技术是模式识别和机器视觉领域最富挑战性的研究课题之一,它在人机交互、安全监视、身份认证等方面有着非常广阔的应用前景。隐马尔可夫模型（Hidden Markov Model,HMM）作为一种统计的识别方法,能够将人脸各个器官的数值特征有效地结合起来对其进行描述和识别,因而可以取得较好的识别结果。本文首先针对HMM方法在特征提取方面的不足进行改进,分别采用主成分分析、非负矩阵分解、离散余弦变换以及奇异值分解,从原始图像中提取较为鲁棒的特征信息,并将其作为观察矢量对HMM进行训练和识别。实验表明,文中方法在提高识别率的同时,也明显地提高了识别效率。其次,本文从信息融合的角度对HMM方法进行了改进。传统HMM方法中,通过重叠采样得到的观察序列能够建立高精度的人脸模型,但训练和识别的时间比较长。本文在非重叠采样的方式下,分别采用特征级融合和决策级调整的方法对其进行改进。在特征级采用典型相关分析将两种不同的特征矢量进行融合,并将融合后的特征矢量作为HMM的观察矢量。另外,尝试将距离判定的思想引入HMM的识别框架中,利用样本的最小距离来对HMM的后验概率进行调整,并将其用于分类。实验表明,与传统HMM相比,改进后的方法既保持了较高的识别率,又大大缩短了训练和识别的时间。
邢颖,南敬昌[7]（2009）在《基于隐马尔可夫模型的人脸检测与识别系统》文中认为本文讨论了利用肤色信息进行人脸检测后,采用伪二维隐马尔可夫模型通过训练和识别两个基本部分建立起人脸识别系统。系统利用非常可靠的肤色信息检测方法,有效的定位了人脸区域;采用DCT变换,减少了系统计算的复杂度。实验证明,本系统识别率较高。建立起的数据库也有效论证了系统的有效性。
张丹丹[8]（2008）在《基于彩色图像的人脸检测与识别技术研究》文中指出由于人脸检测识别技术在安全部门、电视会议、身份鉴别、数字监控等领域的应用越来越广泛,它作为一项极具发展潜力的生物特征识别技术,已成为近年来科学研究的热点,也已引起了研究者们越来越多的关注。本文针对彩色图像中人脸的检测和识别技术进行了详细的研究,提出了人眼中心定位和简化人脸识别的新方法,并对现有算法进行了有效的改进。本文主要包括两部分的内容,一部分是人脸检测,另一部分是人脸识别。将人脸检测分为粗定位和精确定位两部分。在讨论及分析肤色模型概念及原理的基础上给出了基于肤色模型的人脸分割方法,从而实现了人脸的粗定位。在Canny算子边缘检测的基础上,提出了一种人眼中心的定位方法,在确定眼睛大致区域后,利用圆的几何特性在边缘图像中寻找眼睛中心点。综合运用亮度和色度信息定位鼻子和嘴巴中心点以及其它特征点,并将三次B样条曲线用于鼻子轮廓的拟合。最终实现了人脸的精确定位,排除了脖子、服饰等干扰因素。在人脸识别部分,基于隐马尔可夫模型,提出了一种简化观察序列提取过程的方法。通过小波变换压缩原始图像的数据,利用人脸检测阶段所得到的结果缩小采样范围,定义恰当尺寸的采样窗口,直接以人脸采样区域的灰度均值作为特征,形成一系列观察序列,从而简化人脸隐马尔可夫模型的训练过程,减少识别人脸的时间。通过大量实验验证本文所提出的人脸检测及人脸识别方法的准确性和可行性。
沈杰[9]（2008）在《基于隐马尔可夫模型的人脸识别研究》文中进行了进一步梳理人脸包含的视觉信息是区别人与人之间差别的最重要生物特征之一,以其直接性、唯一性、方便性等特点,越来越受到人们的关注。人脸自动识别技术是生物特征识别技术的重要组成部分,是模式识别和机器视觉领域最富挑战性的研究课题之一,也是近年来研究的热点问题。它主要包括人脸检测和人脸识别两方面内容。近年来,人们提出了许多的人脸识别方法,它们大体上可以分为以下几大类:静止图像中的人脸识别方法、系列视频中的人脸识别方法,以及三维人脸识别方法等。但由于人脸的可变塑性和在成像过程中多种因素的影响,目前己经取得的研究成果距离实际应用还有相当大的距离。本文深入研究了基于奇异值分解和隐马尔可夫模型的人脸识别方法,主要做了如下几个方面的工作:（1）提出了一种新的基于奇异值分解的人脸识别方法,我们称其为基于局部奇异值的方法。传统的方法是将整幅图像的奇异值向量作为识别特征量,这种做法有两个明显的不足,一方面是整幅图像的奇异值向量反映的是整幅图像的统计特性,对细节描述不够;另一方面由于奇异值向量作为识别特征量是由前面几个显着值起决定作用的,这就造成了图像尺寸增加不一定能增加识别的特征个数,而特征量太少的直接结果是识别率的降低。基于上述事实,我们提出一种基于局部奇异值向量的人脸识别方法,用多个小窗口采样人脸,用多个奇异值向量表示人脸特征。这样能更加充分地利用图像的信息,增加有效的识别特征量,更好的反映人脸局部特征的个体差异。实验结果表明,这种方法是非常有效的,采用基于局部奇异值的方法要远远优于传统的基于奇异值的方法。（2）提出了一种基于奇异值分解和隐马尔可夫模型（Hidden Markov Model,简记HMM）的人脸识别方法,它采用奇异值向量作为观察向量。我们认为,人脸识别研究中,把人脸作为一个对象来建模时,既要注重各部分结构的整体性信息,还需要注重脸部五官特征的局部细节性信息。整体性信息描述了人脸的宏观特征,而细节性信息则是区分不同人脸的关键。所以人脸应当作为一个整体来描述,不仅仅包括各个器官的数值特征,还应当包括各个器官的不同表象和相互关联。我们选择隐马尔可夫模型的合理性在于,可以将同一个人的面部表情变化、姿态变化等的丰富表现看作是同一个状态产生的一系列实现,它们对应的是同一个HMM,而不同的人我们用不同的HMM来表现。利用隐马尔可夫模型对人脸进行描述和识别,我们就不是孤立地利用各个器宫的数值特征,而是把这些特征和一个状态转移模型联系起来。由于奇异值向量的稳定性以及转置不变性等特性,因而用它作为观察向量要优于直接采用灰度值或二维离散余弦变换系数。我们对经典Baum-Welch算法进行了改进,给出了多观察值序列条件下的连续HMM的参数重估算法,提高了HMM人脸识别的识别性能。我们的实验结果也证明了这一点,本文的基于连续HMM的人脸识别方法无论是参与计算的数据量还是识别率都要优于传统的HMM人脸识别方法。（3）提出了一种基于奇异值分解和嵌入式隐马尔可夫模型（Embedded HMM）的人脸识别方法。嵌入式隐马尔可夫模型是一种简化了的二维隐马尔可夫模型,它可以较好地描述人脸。该模型通过超状态的嵌入状态来描述脸部局部特征的细节性信息,通过状态转移把这些局部信息联系起来;通过超状态之间的转移关系来描述人脸宏观整体性信息。因此,利用嵌入式隐马尔可夫模型描述人脸,我们不是孤立地利用脸部局部特征,而是把这些局部特征和概率转移模型联系起来,进而形成整体的宏观描述。从原理上来说,基于嵌入式隐马尔可夫模型的人脸表示和识别方法更合理。我们在一维HMM的基础上,修订了连续EHMM的参数重估算法,优化了EHMM人脸模型,同时也提高了人脸识别算法的识别率。我们的实验结果也证明了这一点,本文的基于连续EHMM的人脸识别方法要优于传统的EHMM人脸识别方法。
刘乐[10]（2008）在《人脸检测与识别算法研究与应用》文中认为人脸检测与识别技术是模式识别、计算机视觉领域内最有理论价值和应用前景,且极具挑战性的研究课题之一。其目的是使计算机像人一样具有从一幅图像中发现是否存在人脸,以及对发现的人脸进行身份鉴别的能力。本文在对目前主流人脸检测与识别技术进行比较分析的基础上,深入研究了如何提高人脸检测与识别的精度与速度,同时保证系统有较强的鲁棒性,并最终实现了一个人脸检测与识别系统。通过在该系统上的大量评估性实验以及对实验数据的统计分析,证明本文采用的人脸检测与识别方法基本达到了上述目标。本文主要研究工作如下:在人脸检测方面:采取肤色检测与人脸面部特征空间定位相结合的方法。首先根据人脸肤色在色彩空间中的统计分布和聚类特性,选取出最适合人脸检测的色彩空间和肤色模型。然后进行肤色分割,得到人脸图像中可能的皮肤区域。再利用人脸区域的统计特性和传统的先验知识,从确定的皮肤区域中筛选出可能属于人脸的区域。最后根据人脸特征提取和空间位置验证,对候选人脸精确定位。通过实验证明该方法有效可行。在人脸识别方面:对原图像进行离散余弦变换,选取离散余弦变换系数的低频部分作为隐马尔可夫模型的观察向量,进行训练。使用二维隐马尔可夫模型为二维的人脸图像建模更能体现人脸的个体差异。实验结果显示采用该方法可获得很高的识别精度。通过对完成的人脸检测与识别系统的大量测试实验。表明该系统在人脸检测与识别方面对光照条件、表情变化、人脸姿态的改变有很强的鲁棒性,在各种复杂条件下保持了95%以上的检测与识别率,同时达到了很高的识别速度。
二、基于伪二维隐马尔可夫模型的人脸识别（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、基于伪二维隐马尔可夫模型的人脸识别（论文提纲范文）
（1）基于EHMM的人脸识别算法研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的意义 |
| 1.2 发展历史 |
| 1.3 国内外研究现状 |
| 1.4 人脸识别综述 |
| 1.4.1 人脸检测方法综述 |
| 1.4.2 人脸表征与识别方法综述 |
| 1.5 人脸识别评价标准 |
| 1.6 人脸识别存在的问题 |
| 1.7 论文主要工作和内容安排 |
| 第2章 基于分类器设计的人脸检测 |
| 2.1 分类器设计标准 |
| 2.2 非线性分类器 |
| 2.2.1 分类器性能分析 |
| 2.2.2 基于神经网络的人脸检测 |
| 2.3 多层感知器 |
| 2.3.1 传递函数选择 |
| 2.3.2 训练方式选择 |
| 2.4 人脸检测分类器设计 |
| 2.4.1 样本选择 |
| 2.4.2 输入预处理 |
| 2.4.3 基于 Gabor 小波的人脸特征提取 |
| 2.4.4 特征向量降维 |
| 2.4.5 分类器结构设计 |
| 2.5 分类器实现 |
| 2.5.1 分类器训练 |
| 2.5.2 分类器检测 |
| 2.6 实验结果及分析 |
| 2.7 本章小结 |
| 第3章 基于隐马尔可夫模型的人脸识别 |
| 3.1 HMM 的引入 |
| 3.1.1 马尔可夫链 |
| 3.1.2 隐马尔可夫模型 |
| 3.2 HMM 的三个基本问题 |
| 3.2.1 评估问题 |
| 3.2.2 解码问题 |
| 3.2.3 学习问题 |
| 3.3 基于 HMM 的人脸建模 |
| 3.4 特征提取 |
| 3.4.1 观察向量获取 |
| 3.4.2 观察向量优化 |
| 3.5 HMM 训练与识别 |
| 3.5.1 HMM 训练 |
| 3.5.2 HMM 识别 |
| 3.6 VITERBI 算法加速 |
| 3.7 实验结果及分析 |
| 3.8 本章小结 |
| 第4章 基于嵌入式隐马尔可夫模型的人脸识别 |
| 4.1 EHMM 的引入 |
| 4.2 EHMM 的三个基本问题 |
| 4.2.1 评估问题 |
| 4.2.2 解码问题 |
| 4.2.3 学习问题 |
| 4.3 基于 EHMM 的人脸建模 |
| 4.4 EHMM 特征提取 |
| 4.5 EHMM 训练与识别 |
| 4.5.1 EHMM 训练 |
| 4.5.2 EHMM 识别 |
| 4.6 实验结果及分析 |
| 4.7 EM 算法的改进 |
| 4.8 实际问题的处理 |
| 4.9 本章小结 |
| 第5章 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
（2）基于局部特征描述的HMM人脸识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第一章 绪论 |
| 1.1 人脸识别的研究背景和意义 |
| 1.1.1 人脸识别的研究背景 |
| 1.1.2 人脸识别的意义 |
| 1.2 人脸识别的研究现状和发展 |
| 1.2.1 人脸识别的研究内容 |
| 1.2.2 人脸识别的发展历史 |
| 1.2.3 人脸识别的研究难点 |
| 1.3 人脸识别的系统评价 |
| 1.3.1 人脸数据库简介 |
| 1.3.2 主要性能评价指标 |
| 1.4 基于隐马尔可夫模型的人脸识别概述 |
| 1.5 本文的主要研究内容和各章安排 |
| 第二章 隐马尔可夫模型的基本理论及应用 |
| 2.1 隐马尔可夫模型 |
| 2.1.1 隐马尔可夫模型的定义 |
| 2.1.2 隐马尔可夫模型的三个基本问题 |
| 2.2 隐马尔可夫模型三个基本问题的计算 |
| 2.2.1 评估问题：Forward-Backward 算法 |
| 2.2.2 解码问题：Viterbi 算法 |
| 2.2.3 学习问题：Baum-Welch 算法 |
| 2.2.4 计算中需说明的问题 |
| 2.3 隐马尔可夫模型在人脸识别中的应用 |
| 2.3.1 隐马尔可夫模型的训练过程 |
| 2.3.2 隐马尔可夫模型的识别过程 |
| 2.4 本章小结 |
| 第三章 基于局部二值模式的 HMM 人脸识别方法 |
| 3.1 局部二值模式的基本形式 |
| 3.1.1 局部二值模式基础理论 |
| 3.1.2 局部二值模式的应用 |
| 3.2 改进局部二值模式 |
| 3.2.1 多阈值局部二值模式(εLBP) |
| 3.2.2 增强局部二值模式(ILBP) |
| 3.2.3 局部差分模式(LDP) |
| 3.3 基于局部二值模式特征的 HMM 人脸建模 |
| 3.3.1 算法流程 |
| 3.3.2 HMM 参数的讨论 |
| 3.3.3 文中算法的实验与结果分析 |
| 3.4 本章小结 |
| 第四章 基于局部特征融合的 HMM 人脸识别方法 |
| 4.1 融合策略分析 |
| 4.1.1 数据级融合 |
| 4.1.2 特征级融合 |
| 4.1.3 决策级融合 |
| 4.2 典型相关分析 |
| 4.2.1 典型相关分析的基础理论 |
| 4.2.2 典型相关分析的数学描述和解析 |
| 4.3 基于典型相关分析的局部特征融合策略 |
| 4.3.1 算法流程 |
| 4.3.2 实验及结果分析 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 5.1 全文工作总结 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
（3）基于隐马尔可夫模型的验证码识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 课题目的及意义 |
| 1.2 验证码识别技术研究现状 |
| 1.3 隐马尔可夫模型研究现状 |
| 1.4 论文研究内容及组织结构 |
| 1.4.1 论文研究内容 |
| 1.4.2 论文组织结构 |
| 第2章 验证码识别技术与相关理论 |
| 2.1 隐马尔可夫理论及模型 |
| 2.1.1 隐马尔可夫模型基本理论 |
| 2.1.2 隐马尔可夫模型相关问题 |
| 2.2 验证码图像预处理 |
| 2.2.1 验证码图像灰度化及去噪 |
| 2.2.2 验证码图像二值化 |
| 2.2.3 验证码图像分割 |
| 2.3 验证码图像识别 |
| 2.4 本章小结 |
| 第3章 隐马尔可夫模型的识别机制研究 |
| 3.1 传统的隐马尔可夫模型 |
| 3.2 伪二维隐马尔可夫模型研究与设计 |
| 3.2.1 伪二维隐马尔可夫模型的引入 |
| 3.2.2 伪二维隐马尔可夫模型的构建 |
| 3.3 基于伪二维模型的验证码图像预处理 |
| 3.3.1 验证码图像灰度化及去噪 |
| 3.3.2 验证码图像二值化 |
| 3.3.3 验证码图像分割 |
| 3.4 基于伪二维模型的验证码字符特征提取 |
| 3.4.1 验证码字符归一化 |
| 3.4.2 验证码字符特征提取 |
| 3.5 本章小结 |
| 第4章 隐马尔可夫模型验证码识别系统构建与实验分析 |
| 4.1 基于隐马尔可夫识别模型的构建 |
| 4.2 实现与仿真实验 |
| 4.2.1 验证码图片预处理实验 |
| 4.2.2 隐马尔可夫模型仿真实验 |
| 4.3 实验结果分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（4）基于隐马尔科夫模型及多类映射的人脸识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 人脸识别的背景及研究意义 |
| 1.2 人脸识别的研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 人脸识别方法简介 |
| 1.3.1 基于子空间的方法 |
| 1.3.2 基于模型的方法 |
| 1.3.3 弹性图匹配法 |
| 1.3.4 基于神经网络的方法 |
| 1.3.5 线性边界轮廓图 |
| 1.3.6 支持向量机方法 |
| 1.4 人脸识别的性能评价 |
| 1.4.1 人脸识别常用的数据库介绍 |
| 1.4.2 人脸识别的评价指标 |
| 1.5 论文工作及层次安排 |
| 第二章 子空间分析法在人脸识别中的应用 |
| 2.1 引言 |
| 2.2 主成分分析法及二维主成分分析法 |
| 2.2.1 主成分分析法 |
| 2.2.2 二维主成分分析法 |
| 2.3 基于 Fisher 准则的鉴别方法及二维 Fisher 准则鉴别方法 |
| 2.3.1 基于 Fisher 准则的鉴别方法 |
| 2.3.2 基于二维 Fisher 准则的鉴别方法 |
| 2.4 实验结果 |
| 2.5 本章小结 |
| 第三章 隐马尔科夫模型在人脸识别中的应用 |
| 3.1 引言 |
| 3.2 马尔科夫随机过程 |
| 3.3 隐马尔科夫随机过程 |
| 3.4 一个例子用于说明马尔科夫模型与隐马尔科夫模型 |
| 3.5 如何应用隐马尔科夫模型 |
| 3.5.1 隐马尔科夫模型在应用中的总体思路 |
| 3.5.2 寻求最优状态序列路径 |
| 3.5.3 采用全概率目标函数进行模型参数重估 |
| 3.5.4 采用最优概率目标函数进行模型参数重估 |
| 3.6 特征提取方式 |
| 3.6.1 基于二维离散余弦变换的特征提取方式 |
| 3.6.2 基于二维小波变换的特征提取方式 |
| 3.7 隐马尔科夫模型在人脸识别中的具体应用 |
| 3.7.1 隐马尔科夫模型训练过程 |
| 3.7.2 应用隐马尔科夫模型进行人脸识别过程 |
| 3.7.3 实验结果 |
| 3.8 本章小结 |
| 第四章 伪二维隐马尔科夫模型在人脸识别中的应用 |
| 4.1 引言 |
| 4.2 伪二维隐马尔科夫模型及参数定义 |
| 4.3 双嵌入式 Viterbi 解码算法 |
| 4.4 伪二维隐马尔科夫模型参数重估 |
| 4.5 伪二维隐马尔科夫模型应用流程 |
| 4.5.1 特征数据获取 |
| 4.5.2 伪二维隐马尔科夫模型参数初始化 |
| 4.5.3 伪二维隐马尔科夫模型的训练 |
| 4.5.4 应用伪二维隐马尔科夫模型进行人脸识别 |
| 4.5.5 实验结果 |
| 4.6 本章小结 |
| 第五章 基于多类映射的人脸识别 |
| 5.1 引言 |
| 5.2 基于模型的方法及 Fisher 域 |
| 5.2.1 Fisher 核与Fisher 域 |
| 5.2.2 Fisher 域空间 |
| 5.3 基于隐马尔科夫模型的 Fisher 域的求解 |
| 5.4 多类映射原理 |
| 5.5 数据白化及 FDA 分类 |
| 5.6 基于多类映射方式的人脸识别过程 |
| 5.6.1 隐马尔科夫模型的训练 |
| 5.6.2 生成 LSS 域空间的特征向量 |
| 5.6.3 基于多类映射的人脸识别系统 |
| 5.7 实验结果 |
| 5.8 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究成果总结 |
| 6.2 后续工作建议 |
| 致谢 |
| 参考文献 |
| 攻硕期间取得的研究成果 |
（5）用于移动机器人的人脸检测与识别系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 课题研究的背景和意义 |
| 1.2 本文研究的主要内容 |
| 1.2.1 自然背景下的快速人脸检测 |
| 1.2.2 建立人脸数据库实现人脸识别 |
| 1.2.3 构建具有视觉处理和语音交互功能的移动机器人系统 |
| 1.3 论文组织结构 |
| 第2章 人脸检测与识别技术概述 |
| 2.1 人脸检测与识别技术的优势与困难 |
| 2.2 国内外研究应用现状 |
| 2.3 人脸检测技术概述 |
| 2.3.1 基于特征的方法 |
| 2.3.2 基于统计学习的方法 |
| 2.3.3 人脸检测算法的评价标准 |
| 2.4 人脸识别技术概述 |
| 2.4.1 基于统计的识别方法 |
| 2.4.2 基于连接机制的识别方法 |
| 2.4.3 其他识别方法 |
| 2.4.4 人脸识别算法的评价标准 |
| 2.5 本章小结 |
| 第3章 Adaboost 算法与肤色检测级联的人脸检测算法 |
| 3.1 Adaboost 算法 |
| 3.1.1 矩形特征 |
| 3.1.2 积分图 |
| 3.1.3 弱分类器 |
| 3.1.4 强分类器 |
| 3.1.5 级联分类器 |
| 3.1.6 Adaboost 算法实现 |
| 3.2 基于肤色特征的人脸检测 |
| 3.2.1 彩色空间概述 |
| 3.2.2 肤色模型 |
| 3.2.3 肤色检测算法实现 |
| 3.3 人脸检测实验 |
| 3.4 本章小结 |
| 第4章 基于嵌入式隐马尔可夫模型的人脸识别算法 |
| 4.1 隐马尔可夫模型 |
| 4.1.1 隐马尔科夫模型的基本理论 |
| 4.1.2 隐马尔科夫模型的三个基本问题及求解 |
| 4.1.3 隐马尔可夫人脸模型 |
| 4.2 嵌入式隐马尔可夫模型 |
| 4.3 基于嵌入式隐马尔可夫模型的人脸识别算法实现 |
| 4.3.1 特征提取 |
| 4.3.2 算法实现流程 |
| 4.4 人脸识别实验 |
| 4.5 本章小结 |
| 第5章 具有视觉处理与语音交互功能的移动机器人系统 |
| 5.1 移动机器人系统总体架构 |
| 5.2 K-ICNP 控制平台 |
| 5.2.1 基于框架的知识建模方法 |
| 5.2.2 K-ICNP 的整体结构 |
| 5.2.3 K-ICNP 的使用流程 |
| 5.2.4 基于K-ICNP 平台的移动机器人系统控制集成 |
| 5.3 机器人分系统 |
| 5.3.1 移动机器人 |
| 5.3.2 无线通讯模块 |
| 5.3.3 无线摄像机 |
| 5.3.4 机器人控制程序的开发 |
| 5.4 视觉处理系统 |
| 5.4.1 视觉处理系统的实现 |
| 5.4.2 训练样本库 |
| 5.4.3 套接字(Socket)通信 |
| 5.4.4 人机界面 |
| 5.5 物理实验 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 课题总结 |
| 6.2 未来研究方向展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（6）基于隐马尔可夫模型的人脸识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 人脸识别研究背景和意义 |
| 1.1.1 人脸识别研究背景 |
| 1.1.2 人脸识别研究意义 |
| 1.2 人脸识别研究内容及发展史 |
| 1.2.1 人脸识别研究内容 |
| 1.2.2 人脸识别技术发展史 |
| 1.2.3 隐马尔可夫模型在人脸识别中的应用 |
| 1.3 人脸识别面临的主要问题 |
| 1.4 本文主要研究内容及各章安排 |
| 1.4.1 本文主要研究内容 |
| 1.4.2 本文各章安排 |
| 第二章 隐马尔可夫模型基本理论 |
| 2.1 马尔可夫(Markov)链 |
| 2.2 隐马尔可夫模型(HMM) |
| 2.2.1 隐马尔可夫模型的定义 |
| 2.2.2 隐马尔可夫模型的三个基本问题 |
| 2.3 隐马尔可夫模型三个基本问题的计算 |
| 2.3.1 评估问题：Forward-Backward 算法 |
| 2.3.2 解码问题：Viterbi 算法 |
| 2.3.3 学习问题：Baum-Welch 算法 |
| 2.4 计算中需要说明的一些问题 |
| 2.5 本章小结 |
| 第三章 隐马尔可夫模型的人脸识别方法 |
| 3.1 隐马尔可夫模型的人脸识别 |
| 3.1.1 人脸的隐马尔可夫模型 |
| 3.1.2 观察序列的产生方式 |
| 3.1.3 模型训练与识别流程 |
| 3.2 特征提取方法的研究 |
| 3.2.1 主成分分析(PCA) |
| 3.2.2 非负矩阵分解(NMF) |
| 3.2.3 二维离散余弦(2D-DCT)变换 |
| 3.2.4 奇异值分解(SVD) |
| 3.3 相关实验及分析 |
| 3.3.1 数据库简介 |
| 3.3.2 HMM 参数讨论 |
| 3.3.3 文中各种方法的比较 |
| 3.4 本章小结 |
| 第四章 基于融合策略的隐马尔可夫模型识别方法 |
| 4.1 图像融合策略分析 |
| 4.1.1 像素级融合 |
| 4.1.2 特征级融合 |
| 4.1.3 决策级融合 |
| 4.2 基于典型相关分析与隐马尔可夫模型的识别方法 |
| 4.2.1 典型相关分析的基本思想 |
| 4.2.2 典型相关分析的数学描述及解析方法 |
| 4.2.3 基于典型相关分析与隐马尔可夫模型的人脸识别算法 |
| 4.2.4 实验结果及分析 |
| 4.3 基于最小距离分类与隐马尔可夫模型的识别方法 |
| 4.3.1 常用的距离分类器 |
| 4.3.2 基于最小距离的后验概率调整算法 |
| 4.3.3 实验结果及分析 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 5.1 全文工作总结 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
（8）基于彩色图像的人脸检测与识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 人脸识别的发展简史及国内外现状 |
| 1.3 本文的主要研究内容 |
| 2 人脸检测及识别技术综述 |
| 2.1 主要的人脸检测方法 |
| 2.2 主要的人脸识别方法 |
| 2.3 本章小结 |
| 3 人脸检测及特征定位 |
| 3.1 人脸粗定位及边缘提取 |
| 3.2 眼睛定位 |
| 3.3 鼻子定位 |
| 3.4 嘴巴定位及人脸精确定位 |
| 3.5 本章小结 |
| 4 基于小波变换及隐马尔可夫模型的人脸识别 |
| 4.1 隐马尔可夫模型简介 |
| 4.2 隐马尔可夫模型在人脸识别中的应用 |
| 4.3 基于小波变换的观察序列提取 |
| 4.4 训练HMM及人脸识别 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间完成论文和科研情况简介 |
（9）基于隐马尔可夫模型的人脸识别研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 人脸识别的研究内容 |
| 1.3 人脸识别的难点 |
| 1.4 人脸识别技术的应用 |
| 1.5 本文的研究思想和主要工作 |
| 1.6 论文的结构 |
| 第二章 人脸识别的研究现状 |
| 2.1 基于静止图像的人脸识别方法 |
| 2.1.1 几何特征方法 |
| 2.1.2 模板匹配方法 |
| 2.1.3 特征脸方法 |
| 2.1.4 神经网络方法 |
| 2.1.5 隐马尔可夫模型方法 |
| 2.1.6 弹性图匹配方法 |
| 2.1.7 支持向量机方法 |
| 2.2 基于视频序列的人脸识别方法 |
| 2.3 三维人脸的识别方法 |
| 2.4 人脸识别在国内的研究现状 |
| 2.5 人脸识别测试数据库 |
| 2.5.1 ORL(Olivetti Research Laboratory)人脸数据库 |
| 2.5.2 Manchester 人脸数据库 |
| 2.5.3 Yale 人脸数据库 |
| 2.5.4 M2VTS 多模型数据库 |
| 2.5.5 FERET(Face Recognition Technology)人脸数据库 |
| 2.6 本章小结 |
| 第三章 基于奇异值分解的人脸识别方法 |
| 3.1 图像的奇异值分解 |
| 3.2 基于奇异值分解的人脸识别方法 |
| 3.3 基于局部奇异值分解的人脸识别方法 |
| 3.3.1 局部奇异值向量 |
| 3.3.2 基于最近邻决策规则 |
| 3.3.3 对不同分辨率采样窗的实验 |
| 3.4 本章小结 |
| 第四章 基于隐马尔可夫模型的人脸识别方法 |
| 4.1 隐马尔可夫模型(HMM)介绍 |
| 4.1.1 马尔可夫（Markov）链 |
| 4.1.2 HMM 基本概念 |
| 4.1.3 HMM 的定义 |
| 4.2 HMM 的三个基本问题及基本算法 |
| 4.2.1 HMM 的三个基本问题 |
| 4.2.2 P(O|λ)的计算 |
| 4.2.3 最佳状态序列的选择－Viterbi 算法 |
| 4.2.4 参数重估－Baum-Welch 算法 |
| 4.3 HMM 人脸模型 |
| 4.4 基于HMM 的人脸识别 |
| 4.4.1 人脸特征抽取 |
| 4.4.2 人脸HMM 的训练 |
| 4.4.3 HMM 的人脸识别 |
| 4.5 实验与结果 |
| 4.6 本章小结 |
| 第五章 基于嵌入式隐马尔可夫模型的人脸识别方法 |
| 5.1 嵌入式隐马尔可夫模型(EHMM)的概念 |
| 5.2 EHMM 的三个基本问题及其基本算法 |
| 5.2.1 EHMM 的三个基本问题 |
| 5.2.2 概率P(O|λ)的计算 |
| 5.2.3 最佳链的选择 |
| 5.2.4 参数重估 |
| 5.3 基于EHMM 的人脸识别 |
| 5.3.1 EHMM 人脸模型 |
| 5.3.2 人脸特征抽取 |
| 5.3.3 人脸EHMM 的训练 |
| 5.3.4 EHMM 的人脸识别 |
| 5.4 实验与结果 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 对进一步工作的展望 |
| 参考文献 |
| 致谢 |
| 附录 硕士期间完成的论文情况 |
（10）人脸检测与识别算法研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 人脸识别技术发展与研究现状 |
| 1.2.1 人脸识别技术概述 |
| 1.2.2 人脸识别的发展与现状 |
| 1.2.3 人脸识别技术的内容 |
| 1.3 本文的研究工作 |
| 1.4 论文的内容安排 |
| 第二章 人脸检测与识别技术综述 |
| 2.1 人脸检测与定位方法 |
| 2.2 特征提取方法 |
| 2.3 人脸识别方法 |
| 2.3.1 静态图像人脸识别方法 |
| 2.3.2 视频序列人脸识别方法 |
| 2.3.3 三维人脸识别 |
| 2.3.4 人脸识别方法性能评价 |
| 2.4 本章小结 |
| 第三章 基于肤色的人脸检测与定位 |
| 3.1 引言 |
| 3.1.1 肤色检测算法分类 |
| 3.1.2 本文采用的方法 |
| 3.2 人脸检测与定位 |
| 3.2.1 色彩空间选择 |
| 3.2.2 肤色模型建立 |
| 3.2.3 人脸区域检测 |
| 3.3 人脸特征提取与验证 |
| 3.3.1 预处理 |
| 3.3.2 人眼区域定位 |
| 3.3.3 几何模板匹配 |
| 3.4 本章小结 |
| 第四章 基于隐马尔可夫模型的人脸识别 |
| 4.1 隐马尔可夫模型基础知识 |
| 4.1.1 隐马尔可夫模型原理 |
| 4.1.2 隐马尔可夫模型基本算法 |
| 4.2 隐马尔可夫模型在人脸识别中的应用 |
| 4.2.1 二维隐马尔可夫模型原理 |
| 4.2.2 基于离散余弦变换的特征提取 |
| 4.2.3 人脸P2D-HMM模型的训练 |
| 4.2.4 基于P2D-HMM的人脸识别 |
| 4.3 待检照片预处理 |
| 4.3.1 几何归一化 |
| 4.3.2 图像校正 |
| 4.3.3 图像复原 |
| 4.4 本章小结 |
| 第五章 系统实现与实验分析 |
| 5.1 人脸识别系统的组成 |
| 5.1.1 系统的组成与框架 |
| 5.1.2 系统的设计目标 |
| 5.1.3 系统的实现 |
| 5.1.4 系统使用方法与功能 |
| 5.2 实验结果分析 |
| 5.2.1 人脸检测实验 |
| 5.2.2 人脸识别实验 |
| 5.2.3 鲁棒性及性能测试 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 在读期间发表的论文 |
四、基于伪二维隐马尔可夫模型的人脸识别（论文参考文献）
- [1]基于EHMM的人脸识别算法研究与应用[D]. 唐皓. 武汉理工大学, 2014(04)
- [2]基于局部特征描述的HMM人脸识别算法研究[D]. 刘洋. 西安电子科技大学, 2013(S2)
- [3]基于隐马尔可夫模型的验证码识别方法研究[D]. 郑小飞. 哈尔滨工程大学, 2013(05)
- [4]基于隐马尔科夫模型及多类映射的人脸识别[D]. 谢超成. 电子科技大学, 2011(07)
- [5]用于移动机器人的人脸检测与识别系统研究[D]. 陈宋. 清华大学, 2010(02)
- [6]基于隐马尔可夫模型的人脸识别技术研究[D]. 尹映辉. 西安电子科技大学, 2010(10)
- [7]基于隐马尔可夫模型的人脸检测与识别系统[A]. 邢颖,南敬昌. 2009年中国智能自动化会议论文集（第三分册）, 2009
- [8]基于彩色图像的人脸检测与识别技术研究[D]. 张丹丹. 山东科技大学, 2008(02)
- [9]基于隐马尔可夫模型的人脸识别研究[D]. 沈杰. 扬州大学, 2008(03)
- [10]人脸检测与识别算法研究与应用[D]. 刘乐. 西安电子科技大学, 2008(07)