人脸识别论文怎么写?人脸识别已不是新鲜事物，那么对于这方面的研究该如何实现呢?小编为大家整理了人脸识别论文的实现思路，希望能帮助到大家。
实现思路：
研究主要集中于以下三点内容：
第一部分是关于特征的设计与选择，有效的特征能够表达图像中所蕴藏的信息，同时又足够简单，有助于减少计算量。
第二部分是关于人脸检测与矫正的结合方法，人脸检测与矫正，一个是二分类问题，一个是回归问题，将二者结合在一起的目的不仅仅是为了节省时间效率，更是为了利用矫正的结果提高人脸检测的准确率与速度。
第三部分是关于决策树与卷积神经网络级联结构的设计，该卷积神经网络需要与决策树相契合，一种做法是在级联的前端选择决策树，后端选择卷积神经网络，这样可以在前端过滤掉大多数负例，在后端利用CNN来保证较高的正确率。
各个部分的关键问题主要集中于以下几点：
1、关于特征的选择，由于人类检测与矫正需要在同一步完成，那么就需要这种特征既能用于人脸检测，又能用于人脸矫正，这需要它具有广泛的适用性。
2、人脸检测与矫正的结合方式无论是决策树还是卷积神经网络，虽然都已有实现的先例，但由于我们的框架采用了决策树与神经网络混合的结构，那么就不能只是生硬的衔接二者，否则会使整个框架过于复杂，需要重新设计二者算法，使其流畅的贯穿于整个过程。
3、目前决策树与卷积神经网络的结合并没有被广泛认可的实现，实现一种真正能一加一大于二的联合方式将是本文的重点与难点。
初步技术思路：
针对第一部分，特征的选择上应以简单与有效为首要，针对随机像素点或是以LBP提取像素域的随机对比有着出色的表现效果，可以延用或是设计一种新的特征表达方法。
针对第二部分，人脸检测与矫正的结合，在决策树方面，近年来已有其分类树与回归树的加权结合方法[8]，而在卷积神经网络方面，也提出一种以关键点为特征的检测人脸的神经网络结构[7]，Yang S等人提出的DCN网络结构虽然能在一轮卷积计算中计算出所有的特征map，但是在大多数实际应用中，图片中的人脸数量主要为一个且位于中心，如果能够利用决策树在前期提供一些候选人脸区域，然后再用DCN分别卷积计算这些小的人脸区域，虽然卷积轮数变多了，但是由于输入图片变小，计算量是指数级下降的。
针对第三部分，决策树与卷积神经网络的结合，目前决策树的级联框架较为常见，卷积神经网络的级联结构也已有实现，可以将二者去头掐尾的结合到一起，但是也可以设计出一种更简洁有效的拓扑结构将二者级联到一起。
如果对人脸识别论文还有疑问，欢迎咨询360期刊网在线客服。
