基于CNN的模糊人脸识别系统的设计与实现开题报告

1. 研究目的与意义（文献综述）

计算机硬件技术和网络技术的快速发展为计算机视觉、机器学习等领域 的发展提供了坚实的基础支撑。人脸识别技术是生物特征识别技术发展的一个热门方向，现阶段常用的生物特征识别方式有人脸识别、指纹识别、语音识别、虹膜识别、步态识别、静脉识别等，其中人脸识别相比于其他的生物特征识别方式，具有非接触性、实时准确性、与人友好性、人们更能接受等特点，近年来被广泛应用于众多的领域。随着计算机图像处理技术的发展，人们对人脸识别的精度和鲁棒性提出了更高的要求，如需要在一些极端恶劣的图像采集条件下进行有效的人脸识别，相关识别技术将在公安破案、交通抓拍等领域具有广的应用前景。同时，研究模糊图像和人脸姿态变化条件下的人脸识别方法，在犯罪取证、身份验证等领域具有应用价值。因此，对人脸识别优化算法的研究受到研究者的极大重视。

传统图像识别算法主要有是基于pca算法的特征脸（eigenface）、基于lda算法的fisherface和基于lbp算法的局部二值直方图（localbinarypatternhistgram,lbph）三种方法。m.turk等人在1991年提出的eigenface方法被认定是最早的经典人脸识别算法。该算法主要将人脸的图像看作由许多的特征点组成的，通过求取图像的特征向量从而获得特征脸。但是这样会造成一个高维空间，在后续的求解过程中计算量极大。

由于上述传统识别图像算法的局限性和主观性，很多研究中无法达到应用要求，因此深度学习在图像识别应用后很快便应用于人脸识别当中。近深度学习方法已经成为国内外所公认的主流方法，在人脸识别研究的相关领域引入深度学习概念，使得很多种类的识别技术获得的成绩不断提高，无论是识别的效率还是识别的精确度都有很大的提升。

2. 研究的基本内容与方案

2.1 研究内容和目标

研究的基本内容。本文主要研究模糊人脸的识别算法，利用卷积神经网络实现模糊人脸图像的去模糊和识别，通过调整相关参数优化算法，实现模糊人脸的识别系统。

研究目标。设计并实现基于卷积神经网络的模糊人脸识别系统，提高人脸识别的效率，同时保证一定的准确率。

3. 研究计划与安排

第1-3周 查阅相关文献资料，明确研究内容，了解基于卷积神经网络的模糊人脸识别系统的设计与实现，弄清工作原理，完成开题报告。

第4-7周 进一步阅读相关文献，确定系统框架，完成人脸图像的预处理。

第8-10周 根据系统框架编写程序，测试算法可行性。

4. 参考文献（12篇以上）

[1]王双印.基于卷积神经网络的人脸识别研究[d].甘肃:兰州理工大学,2017.

[2]王燕,王双印.基于卷积神经网络的人脸信息增强识别研究[j].计算机科学,2018,45(8):268-271.

[3]任飞凯. 基于卷积神经网络人脸识别研究与实现[d].南京邮电大学,2019.