人体目标检测与识别方法及应用

目录
章 目标检测和识别方法概论 1
1.1 目标检测方法国内外研究现状 1
1.1.1 传统的目标检测方法研究现状 1
1.1.2 基于卷积神经网络的目标检测方法研究现状 2
1.2 目标识别方法国内外研究现状 4
1.2.1 传统的目标识别方法研究现状 4
1.2.2 基于卷积神经网络的目标识别方法研究现状 5
1.3 目标检测和识别应用前景 5
第二章 基于统计特征的人体目标检测方法 7
2.1 基于肤色的尺度自适应人脸检测 7
2.1.1 视频图像预处理 7
2.1.2 人脸检测算法 9
2.1.3 基于人脸肤色统计的坐姿监测 17
2.2 人体疲劳状态监测方法 19
2.2.1 基于融合边缘的打哈欠判别 20
2.2.2 人眼与瞳孔检测及闭眼判别 26
2.2.3 辅助驾驶系统中头部状态与疲劳监测 29
2.2.4 实验结果与分析 35
2.3 基于稀疏表示的两级级联快速行人检测 38
2.3.1 HOG特征和V_edge_sym特征 39
2.3.2 级分类算法 43
2.3.3 第二级分类算法 44
2.3.4 实验结果与分析 48
第三章 基于统计特征的人体目标识别方法 53
3.1 基于稀疏表示的静态人脸识别 53
3.1.1 基于稀疏表示的人脸识别方法的基本原理 53
3.1.2 基于GLC-KSVD的稀疏表示人脸识别算法 54
3.1.3 融合特征结合子模字典学习的稀疏表示人脸识别算法 62
3.2 基于主动红外视频的活体人脸识别 69
3.2.1 系统概述 69
3.2.2 迭代二次帧差模型 70
3.2.3 PCA预训练特征模型 72
3.2.4 近邻余弦相似度分类器 73
3.2.5 实验结果及分析 73
第四章 基于深度学习的人体目标检测方法 79
4.1 研究背景与意义 79
4.2 基于深度学习的人体目标检测研究历史 80
4.3 常用公开目标检测数据库 82
4.4 基于深度学习的目标检测模型简介 82
4.4.1 人工神经网络算法原理 83
4.4.2 卷积神经网络基础 86
4.4.3 基于回归的目标检测 89
4.4.4 基于候选区域的目标检测 91
4.5 基于MS KCF的快速人脸检测 95
4.5.1 系统总体流程 96
4.5.2 MobileNet-SSD网络相关原理 96
4.5.3 KCF算法原理 102
4.5.4 实验结果及分析 103
第五章 基于深度学习的人体目标识别方法 108
5.1 基于深度学习的人脸表情识别 108
5.1.1 一种基于深度学习的人脸表情识别算法 108
5.1.2 人脸身份保持表情不变性特征研究 114
5.2 基于多尺度核特征卷积神经网络的实时人脸表情识别 119
5.2.1 实时人脸表情识别系统概述 120
5.2.2 快速稳定的人脸检测 120
5.2.3 多尺度核特征人脸表情识别网络 122
5.2.4 实验结果及分析 125
5.3 基于深度学习的行人重识别 129
5.3.1 行人重识别概述 129
5.3.2 结合全局与局部特征的行人重识别方法 133
第六章 深度学习平台 145
6.1 深度学习框架 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 深度学习平台搭建 146
6.2.1 Ubuntu16.04(U盘引导安装) 146
6.2.2 安装搜狗拼音 147
6.2.3 安装NVIDIA驱动 147
6.2.4 安装CUDA9.0 cuDNN7.1.4 Tensorflow1.8.0 Python3.5 149
6.2.5 安装PyCharm 配置Python3.5 安装OpenCV3.2 153
第七章 综合应用与分析 156
7.1 近红外活体人脸检测系统 156
7.1.1 系统平台搭建 156
7.1.2 系统运行过程 157
7.1.3 系统测试结果 157
7.2 人体疲劳状态监测系统 157
7.2.1 系统平台搭建 158
7.2.2 系统运行过程 158
7.2.3 系统测试结果 158
7.3 智能情绪监控辅助驾驶系统 159
7.3.1 系统平台搭建 160
7.3.2 系统运行过程 161
7.3.3 系统测试结果 161
参考文献 164