7个研究背景和意义示例,教你写计算机MTCNN论文

今天分享的是关于MTCNN的7篇计算机毕业论文范文, 如果你的论文涉及到MTCNN等主题,本文能够帮助到你

人脸肤质检测系统的设计与实现

这是一篇关于人脸肤质检测,MTCNN,YOLO v5,微信小程序,Spring MVC的论文, 主要内容为当代社会工作和生活节奏的加快,越来越多的人面临着肤质问题的困扰,甚至部分人产生容貌焦虑,但当前市面上肤质检测更多的还是依赖传统的诊断方法,不能满足在移动互联网时代下人们随时随地进行便捷、低成本肤质检测需求。随着机器学习和深度学习的发展,推动了人工智能在处理图像、语音、视频等的应用,使便捷的自助式肤质检测已经成为现实。本文设计和实现了一个人脸肤质检测平台系统。系统采取用户端和后台模式。用户端采用微信小程序,其中用户端功能包括肤质检测、商城、论坛和客服等模块。后台设计Web界面供管理员使用,主要作为对用户端的用户、商品、论坛和肤质报告等信息的管理。本文详细描述了系统搭建过程中的需求设计、系统技术架构、系统设计过程、实现效果以及实际测试效果。系统融合了MTCNN和YOLO v5算法模型,用于人脸的肤质检测,主要检测项包括痤疮、黑眼圈、雀斑、鱼尾纹和水油性等。首先,对用户上传的人脸图像使用MTCNN算法进行人脸识别,通过识别人脸的五个关键点位,判断照片的合规性。同时,对图像进行处理,裁剪出人脸部分,为后续的肤质检测提供基础。其次,基于人脸识别的结果,采用改良版的YOLO v5算法模型进行人脸肤质的深度检测。在原始的YOLO v5算法基础上增加了一层小目标检测层,提高了对细微皮肤问题如痤疮、黑眼圈、雀斑、黄褐斑和鱼尾纹的准确性。为了训练和验证模型,对数据集进行了预处理,并将其划分为训练集、验证集和测试集。通过调整YOLO v5算法模型的参数,进行训练分析和消融实验。最终结果显示,改进后的YOLO v5算法模型在肤质检测方面具有更好的性能。论文完成的系统和微信小程序应用已经内部上线测试运营,用户可以随时随地通过微信小程序拍摄上传照片,经过系统处理后,生成肤质检测报告,查看自身肤质情况并推荐适合的护肤品,实现肤质检测从拍照到结果展示的完整测试流程,解决了当前肤质检测不便捷的痛点。

人脸肤质检测系统的设计与实现

基于人脸状态特征的疲劳驾驶监测系统研究

这是一篇关于疲劳驾驶,树莓派,MTCNN,人脸检测,疲劳特征检测的论文, 主要内容为随着国民经济水平的快速发展,截止至2021年我国机动车保有量达到了3.9亿辆,但随之交通事故的频发率也在逐年上涨,目前我国交通事故发生率位居世界第一。交通部门公布的数据表明,造成交通事故的主要因素是疲劳驾驶,疲劳驾驶监测成为了交通安全领域的重点研究对象,对保障交通安全以及驾驶员的人身安全有着重要的意义。因此本文提出了一种非侵入式的基于人脸状态特征的疲劳驾驶监测方案,通过高精度的人脸检测及面部特征点定位,实现对疲劳特征参数的数据分析,完成对人脸面部疲劳特征的实时监测,达到对疲劳驾驶实时监测预警的效果。本文研究内容如下:(1)疲劳驾驶监测系统总体设计。根据疲劳驾驶监测系统的功能分析以及需求分析,本文主要采用非侵入式的监测方式进行研究开发,该方法能够极大程度的降低外界因素对系统监测造成的干扰,适用于多种安全监测环境。本文通过USB高清摄像头进行图像采集,结合目前兼容性强的树莓派4B开发平台,实现对驾驶员疲劳状态特征的实时监测评估。(2)人脸检测与面部特征点定位。本文采用基于深度学习的MTCNN人脸检测模型,首先进行MTCNN模型的P-Net、R-Net、O-Net三层子网络的训练,然后实现人脸区域的检测识别,最后利用基于Dlib模型的改进人脸特征点定位算法,实现对面部特征点的定位。(3)人脸面部疲劳特征参数检测。针对目前疲劳驾驶监测研究的相关问题,本文采用监测面部疲劳特征的方法完成对疲劳驾驶的判定,提出了基于眼部纵横比EAR(Eye Aspect Ratio)、嘴部纵横比MAR(Mouth Aspect Ratio)以及头部姿态欧拉角偏移量的疲劳状态检测方法。通过计算相应的疲劳特征值进行疲劳状态量化统计,完成对人脸面部疲劳特征的检测。(4)疲劳驾驶监测系统测试。完成系统环境的搭建以及算法的实现,然后进行系统的整体测试。系统测试表明,本系统具有较高的疲劳检测准确性及实时性,能够提高疲劳驾驶监测的效率,降低由疲劳驾驶导致的交通事故发生率。本疲劳驾驶监测系统从三种疲劳检测角度进行验证,实验结果表明,针对眼部、嘴部以及头部姿态疲劳特征的检测方法都具有较高的准确率,能够保证系统在实际疲劳驾驶监测环境中的应用需求,具有一定的实用价值。

手持式电子瞳孔计中的关键技术研究

这是一篇关于人眼检测,瞳孔检测,MTCNN,YOLOv5s,U-Net的论文, 主要内容为瞳孔直径的变化不但可以反映外界光照强度的变化,而且也可以反映人体的各种状态,尤其是和神经系统有关的状态,在疾病诊断和疲劳驾驶等多个领域有着广泛的应用。传统的瞳孔检测方法是通过观察并进行标定,一般采用卡尺进行人工测量。传统的瞳孔检测方法不仅结果较为粗略,而且非常消耗时间,对医生也造成了很大的精力消耗,降低了工作的效率,增加了失误的概率。随着嵌入式技术与计算机视觉算法的飞速发展,手持式电子瞳孔计具有小巧、准确、快捷等特点,它在医疗、驾驶等领域的应用越来越广泛,所以快速、准确的瞳孔检测算法显得十分重要。本文设计了一种二阶段式瞳孔检测方法,即先检测人眼,然后在检测人眼的基础上检测瞳孔。本文主要的研究内容和成果如下:首先,提出了基于改进MTCNN的人眼检测方法,为了加快检测速度,删掉了landmark部分;优化了网络的输入尺寸,使其更加适配于人眼检测;将网络的池化层替换为卷积层,充分提取图片的特征,实验结果显示:相较于原MTCNN算法,改进MTCNN算法在牺牲少量帧率的情况下,将检测准确率提升了3%左右。使用该算法的优点是速度较快。然后,提出了基于YOLOv5s的改进算法YOLO-GG2T,为了加快网络的检测速度,分别使用Ghost模块、Mobile Netv3模块、Shuffle Netv2模块改进YOLOv5s的backbone部分,综合比较下Ghost模块的效果最好;为了进一步简化网络,将网络的目标检测层从3个变为2个;为了更好的提取特征,在原YOLOv5s中分别引入Transfomer和Swin Transfomer,综合比较下Transformer模块效果更好,实验结果表明:相较于YOLOv5s模型,YOLO-GG2T的m AP＿0.5:0.95提升了0.3%,GFLOPs降低了52.5%,参数文件大小减少了48.2%,精度和速度都得到了有效提升。使用该算法的优点是精度较高。最后,提出了基于U-Net的改进算法U-Net-ERM,先是将U-Net的底部优化为残差注意力卷积模块;在跳跃连接部分增加了ECA通道注意力,提高对于瞳孔特征的关注;将解码部分优化为强化特征融合模块,在解码部分充分获得瞳孔特征,实验结果表明:在CASIA-Iris-Distance数据集上,相较于U-Net模型,改进模型的m IOU提升了0.57%,m Precision提升了1.78%。在需求速度的情况下使用改进的MTCNN,需求精度的情况下使用改进的YOLOv5s。

结合数据增强的轻量化人脸佩戴口罩检测

这是一篇关于人脸佩戴口罩检测,多尺度神经网络,图像亮度增强,网络模型轻量化,注意力机制,MTCNN的论文, 主要内容为人脸佩戴口罩检测(Face Mask Detection)是当下热门和重要的研究课题,尤其是在公共卫生安全领域应用。如何保证人脸佩戴口罩检测的速度和精度是其难点。现有的基于深度学习的人脸佩戴口罩检测方法存在两个问题。(1)在低亮度下,由于背景信息干扰、特征信息模糊导致图像检测效果差,而现有方法未考虑亮度情况使用固定网络参数图像增强,会造成增强后图片过暗过曝问题。(2)当前基于深度学习目标检测方法难以部署在算力小的移动平台,其轻量化版本通过直接减少主干网络通道数和使用轻量级卷积来降低模型的参数量来部署。然而,这种方式容易导致目标的关键特征无法被准确地提取,甚至出现小目标人脸特征完全提取不到的情况,存在严重误检与漏检问题。针对问题一中的低照度影响,本文提出了图像亮度自适应增强网络,包括轻量化分类网络和图像亮度增强算法两个模块。首先,分类网络引入了改进版逆残差网络,它通过深度可分离卷积和注意力机制实现。网络刚开始的升维提取特征能较好的保留提取图片的浅层信息,解决了常规分类模型过于注重图像深层语义信息忽略了亮度特征浅层纹理信息造成的训练过拟合问题,在大大减少网络所需的参数的同时,保证了图片分类高准确率。网络参数量是Res Net-101(Residual Network)的1/28,准确率提升了6个百分点。其次,利用图像直方图和颜色空间,不需要手动赋值或训练,可以实现图像亮度自动增强,不仅计算量小运行速度快而且效果可优于训练后的网络模型效果,能够有效解决图像增强后过暗过曝问题,减少背景信息干扰,从而提升目标检测精度。针对问题二,本文提出了一种结合人脸关键特征的轻量级人脸佩戴口罩检测网络。包含人脸关键特征提取模块和多尺度口罩佩戴检测两个模块。首先,人脸关键特征提取模块可根据改进版多任务卷积网络提取出人脸关键特征,将人脸位置信息输入到多尺度检测模块,提升小目标人脸的识别率;其次,针对轻量化网络小目标人脸特征提取不充分问题,本文在主干网络、特征融合、边界框损失函数这个几个方面进行了创新改进。具体如下:主干网络部分提出了轻量化多分支堆叠结构和并行下采样结构提取不同尺度的特征,减少小目标特征提取损失的同时参数轻量化,能够解决常规卷积提取特征参数冗余而轻量级卷积不能有效提取关键特征问题;特征增强部分根据输入的不同尺度的特征信息以跨越连接的方式在网络的不同层级进行特征融合,能够很好的结合网络多个感受野信息,增强网络对大中小目标特征提取的鲁棒性;边界框损失损失部分,针对使用IOU(Intersection over Union)计算时出现的梯度消失和训练实例样本不均衡的问题,本文采用Focal-EIOU(Focal-Effective Intersection over Union)明确的测量边界框回归中重叠面积、中心点和边长3个几何因子差异,使EIOU损失集中于高质量样本,取得收敛速度和定位精度上的优势。本文在围绕上述问题在Py Torch深度学习框架对上述方法和模型在数据集上进行了大量的测试和实验。结果表明本文提出的亮度分类模型在面对白天阴影图片时能够捕捉细节信息,图像亮度分类准确率比Res Net-101高出6个百分点能够达到99.8%。同时,本文提出的多分支堆叠和并行下采样结构作为主干网络提取能够有效解决轻量化小目标精度损失严重问题,而且能够达到实时性检测的要求,本文网络的参量是YOLOv7的1/6,m AP仅相差0.3%,比其轻量化版本YOLOv7-tiny的m AP精度高值提升了近5%。上述工作均优于现有方案,目前相关论文在投。