毕设选题

基于MTCNN的人脸检测

人脸检测方法有许多种，比如传统的opnecv自带的人脸Haar特征分类器和dlib人脸检测，其特点是简单快速；存在的问题是人脸检测效果欠佳，准确率和环境光线人脸角度等强相关。在测光逆光下几乎无法检测。MTCNN是基于深度学习的人脸检测方法，对自然环境中光线，角度和人脸表情变化更具有鲁棒性，人脸检测效果更好；同时，内存消耗不大，可以实现实时人脸检测。

基于人脸姿态检测的轨迹图片抽样

监控视频是一种丰富而廉价的深度学习资源。人们往往会从监控视频中抽取出人脸图片来进行模型的训练和测试。但人脸轨迹图片重复率高，数据冗余严重，简单的抽帧不具有对姿态变化的鲁棒性，传统的通过landmarks重定向对图片大小变化敏感，效果欠佳。而通过opencv对人脸姿态进行检测，提取出轨迹数据集多样性的同时，最大程度的降低数据的冗余性，也能减少计算资源的开支。

基于TP-GAN的多角度正脸图像合成

真实场景下获得从视频中获得的人脸图片样本分布往往存在着不确定性，加上获取人脸的摄像头角度往往很难做到面面俱到，是的我们的人脸数据集会存在都是侧脸的情况。这种情况下生成该数据集的正脸图片，不仅对模型训练等具有良好的强化效果，而且对后续海量数据的聚类清洗等都有甄别作用。通过双路径的对抗生成网络，能够根据单一的侧脸图像合成正面人脸视图，合成的视图非常逼真且很好地保留了身份特征

基于YOLO的实时车辆检测

传统的车辆检测与识别将目标识别任务分成目标预测和类别预测等多个过程，YOLO将目标区域检测和目标类别预测整合与单个神经网络模型中，实现在准去率较高的情况下目标的快速检测与识别，更加适合现场应用环境。同时，实时监测的数据可以用作后续分析，比如车流分析统计、人流统计、智慧城市等等。