1. 研究目的与意义
在当前互联网的蓬勃发展下，流行文化对人们的影响越来越深，一方面是瞬息万变的大众文化，另一方面是人们对于自己与众不同的渴望，于是市面上已经出现了好多带有变脸特效的摄像软件，能够将照片中的人脸转换成预设的卡通人物、猫猫狗狗、或者换上奇特的妆容，好让你的合影或自拍在社交网络上与众不同。
但市面上目前有的变脸特效 还是有些稀少，且创意不足，大多都是一些人变动物、或者每到特定节日就出现的例如圣诞老人、万圣节妆容，偶尔有例如迪士尼推出的迪士尼人物特效的爆款，但一经推出就变成了整个社交网络都在用的特效，也没有什么新奇感，因此我看到了这个市场的空白，打算做一款能够面向喜欢看漫画的朋友的DIY的面部处理软件：用户可以自行上传一张漫画贴图，电脑会处理出漫画的人物画风、线条处理，并将这些转移到你的脸上，就形成了一种打破次元壁的感官冲击。
2. 课题关键问题和重难点
现在的面部识别基本上脱离了传统算法，进入深度学习的时代，普遍的思路就是利用 CNN （卷积神经网络）网络建立的高维模型，直接从输入的人脸图像上提取有效的鉴别特征，直接计算余弦距离来进行人脸识别，算法结构趋同。
这种方法不需要设计对不同类型的类内差异（比如光照、姿势、面部表情、年龄等）稳健的特定特征，而是可以从训练数据中学到它们。
深度学习方法的主要短板是它们需要使用非常大的数据集来训练，而且这些数据集中需要包含足够的变化，从而可以泛化到未曾见过的样本上。
3. 国内外研究现状（文献综述）
1.神经网络模型所谓的神经网络理论中，神经网络模型是较为重要的组成部分，该模型能够对人脑的结构以及功能进行一个数据化的模拟反应。
而神经网络中最基本的单位是神经元，因此要进行神经网络模型的构建，必须要对神经元的信息传递方式以及连接方式有一个深刻的认知。
相关技术研究人员发现，使用神经网络训练的过程中要进行前向传播以及反向传播的训练。
4. 研究方案
本方案是基于CNN，即卷积神经网络，通过建立神经网络模型以及大量的对AI的训练来对面部进行识别和修改。
基于 CNN 的人脸识别方法，影响准确度的因素主要有三个：训练数据、CNN 架构和损失函数。
因为在大多数深度学习应用中，都需要大训练集来防止过拟合。
5. 工作计划
1-2周：阅读文献、查找资料，对机器学习和建立CNN神经网络有一定的了解，阅读在GitHub上关于这方面的代码，来对这方面的算法进行学习。
3-4周：除了重复1-2周的学习内容以外，将用户界面设计完毕，备好框架等待内容的填充5-9周：建立好分别针对真人脸和漫画脸的CNN模型（或者仅仅是算法，因为漫画脸可能不兼容机器学习），并且训练好AI，将这个程序嵌入之前做好的框架中，来完成整个系统。
并且要完成测试，即正脸和侧脸，以及各种光线下的脸。
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
