| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和研究意义 | 第10-11页 |
| 1.2 人脸识别研究现状 | 第11-12页 |
| 1.3 深度学习和卷积神经网络研究现状 | 第12-14页 |
| 1.4 本文主要研究工作 | 第14页 |
| 1.5 论文的组织结构 | 第14-16页 |
| 第二章 人脸识别技术介绍 | 第16-26页 |
| 2.1 数据预处理 | 第16-22页 |
| 2.1.1 直方图均衡化 | 第16-17页 |
| 2.1.2 人脸识别中图像的平滑处理 | 第17-18页 |
| 2.1.3 几何变换 | 第18-20页 |
| 2.1.4 人脸图像的尖锐化 | 第20-22页 |
| 2.2 人脸图像特征的提取方法 | 第22-24页 |
| 2.2.1 K-L变换 | 第22页 |
| 2.2.2 奇异值分解 | 第22-23页 |
| 2.2.3 二维余弦离散变换 | 第23-24页 |
| 2.3 人脸图像特征识别方法介绍 | 第24-25页 |
| 2.3.1 人脸几何特征识别方法 | 第24页 |
| 2.3.2 主成分分析法(PCA)人脸识别方法 | 第24-25页 |
| 2.3.3 人工神经网络(ANN)人脸识别方法 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于深度学习结合的SVM分类工作原理 | 第26-37页 |
| 3.1 深度学习基本理论 | 第26-30页 |
| 3.1.1 深度学习的概述 | 第26页 |
| 3.1.2 深度学习原理 | 第26-30页 |
| 3.2 支持向量机的分类原理 | 第30-34页 |
| 3.3 深度学习结合支持向量机的分类 | 第34-36页 |
| 3.3.1 SVM-RBM模型结构描述 | 第34页 |
| 3.3.2 训练与分类过程 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 卷积神经网络 | 第37-53页 |
| 4.1 卷积神经网络的基本结构 | 第37-42页 |
| 4.1.1 局部感知野 | 第37-38页 |
| 4.1.2 权值共享 | 第38-39页 |
| 4.1.3 卷积层 | 第39页 |
| 4.1.4 池化层 | 第39-40页 |
| 4.1.5 激活函数 | 第40-41页 |
| 4.1.6 全连接层与输出层 | 第41-42页 |
| 4.2 卷积神经网络工作原理 | 第42-43页 |
| 4.3 卷积神经网络算法描述 | 第43-44页 |
| 4.4 卷积神经网络训练要求事项 | 第44-46页 |
| 4.4.1 权重初始化 | 第44-45页 |
| 4.4.2 批归一化算法 | 第45-46页 |
| 4.5 卷积神经网络模型 | 第46-48页 |
| 4.6 改进的并行CNN模型 | 第48-51页 |
| 4.7 并行同步卷积神经网络的训练过程 | 第51-52页 |
| 4.8 模型分析 | 第52页 |
| 4.9 本章小结 | 第52-53页 |
| 第五章 人脸图像识别的实验与结果分析 | 第53-63页 |
| 5.1 实验数据与实验平台 | 第53-55页 |
| 5.1.1 实验数据 | 第53-54页 |
| 5.1.2 实验平台 | 第54-55页 |
| 5.2 实验一：深度学习结合SVM的人脸识别实验及分析 | 第55-56页 |
| 5.3 实验二：Lenet-5和改进CNN模型的人脸识别实验及分析 | 第56-57页 |
| 5.4 实验三：改进CNN模型的人脸识别实验及分析 | 第57-61页 |
| 5.4.1 卷积层结构对实验结果的影响及分析 | 第57-58页 |
| 5.4.2 卷积核结构对实验结果的影响及分析 | 第58-60页 |
| 5.4.3 不同外界因素下样本对实验结果的影响及分析 | 第60页 |
| 5.4.4 设置重复样本对实验结果的影响及分析 | 第60-61页 |
| 5.5 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69页 |
