1. 毕业设计（论文）主要内容：

近年来，面部模仿技术在动画、影视等商业领域上的应用也越来越多，需求强劲，用户对动画形象的真实性和准确度要求越来越高，面部模仿技术十分具有发展前景。然而，传统的面部处理技术，在精确度和效率上有很大的提高空间，面部模仿的过程不够智能，因而，我们提出一种利用利用生成对抗网络（Generative Adversarial Nat）对面部进行模仿的方法，首先利用姿态估计和LBP对面部的特征点进行定位，再通过基于生成对抗网络（Generative Adversarial Nat）Pix2Pix方法对图片进行对抗式训练，来实现对面部的模仿，输出我们所需要的面部模仿结果。本方法能自动完成面部模仿的训练过程，同时要求保证面部模仿的准确率，使模型看起来更接近真实的人脸。

2. 毕业设计（论文）主要任务及要求

主要任务：

1. 通过阅读文献，了解深度学习在人脸识别中的应用，研究已有的人脸识别技术，结合基于深度学习的人脸识别技术，实现人脸模仿。

2. 通过阅读文献，了解人脸模仿各个过程。研究现有人脸识别方法，同时分析比较当前人脸识别技术识别率与识别速度，以及其适用范围，重点研究基于生成对抗网络的pix2pix的人脸模仿技术。

3. 毕业设计（论文）完成任务的计划与安排

1. 第1周至第2周：查阅有关的参考资料并完成开题报告；翻译英文资料（不少于5000汉字），并交予指导教师检查。(2019.2.28)

2. 第3周至第6周：熟悉所选用的实现平台，运用所学的编程技术，完成整个实验实现的前期设计工作。(2019.4.1)

3. 第7周至第13周：进行实验的编码、调试、训练、测试工作。(2019.5.29)其中第10周左右(2019.5.4-5.8)进行毕业设计中期检查，需要提交论文前三章和毕业设计框架。

4. 主要参考文献

[1] s. hwang, j. park, n. kim, y. choi, and i. sokweon. multispectral pedestrian detection: benchmark dataset and baseline. incvpr, 2015. 4, 13, 16

[2] j. zhao, m. mathieu, and y. lecun.energy-based generative adversarial network. in iclr, 2017. 2

[3] z. wang, a. c. bovik, h. r. sheikh, and e. p.simoncelli.image quality assessment: from error visibility to structuralsimilarity. ieee transactions on image processing,13(4):600–612, 2004. 2