复杂条件下人脸检测方法研究与实现
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 人脸检测研究难点 | 第11-12页 |
| 1.3 人脸检测算法发展现状 | 第12-13页 |
| 1.4 本文主要贡献及创新 | 第13-14页 |
| 1.5 论文结构安排 | 第14-15页 |
| 第二章 复杂条件下的经典人脸检测算法 | 第15-39页 |
| 2.1 基于AdaBoost的人脸检测算法 | 第15-18页 |
| 2.1.1 AdaBoost算法 | 第15-16页 |
| 2.1.2 点亮度对比特征人脸检测 | 第16-18页 |
| 2.1.2.1 点亮度对比特征 | 第16-17页 |
| 2.1.2.2 训练过程 | 第17-18页 |
| 2.1.2.3 预测过程 | 第18页 |
| 2.2 基于深度学习的人脸检测算法 | 第18-31页 |
| 2.2.1 计算机视觉中深度学习的基本概念 | 第19-23页 |
| 2.2.1.1 神经网络与前向传播 | 第19-20页 |
| 2.2.1.2 损失函数与反向传播算法 | 第20-22页 |
| 2.2.1.3 卷积神经网络 | 第22-23页 |
| 2.2.2 FasterRCNN网络模型 | 第23-25页 |
| 2.2.2.1 网络模型 | 第23-25页 |
| 2.2.2.2 训练过程 | 第25页 |
| 2.2.3 MTCNN网络模型 | 第25-31页 |
| 2.2.3.1 网络模型 | 第26-27页 |
| 2.2.3.2 训练过程 | 第27-30页 |
| 2.2.3.3 预测过程 | 第30-31页 |
| 2.3 经典算法在复杂检测条件下的表现 | 第31-38页 |
| 2.3.1 数据库 | 第31-32页 |
| 2.3.2 测试指标 | 第32-33页 |
| 2.3.3 算法模型选择与训练 | 第33-34页 |
| 2.3.4 测试结果与分析 | 第34-38页 |
| 2.4 本章小结 | 第38-39页 |
| 第三章 遮挡条件下的人脸检测 | 第39-49页 |
| 3.1 分块交叉熵损失函数 | 第39-42页 |
| 3.1.1 交叉熵损失函数与分类任务 | 第39页 |
| 3.1.2 分块交叉熵损失函数 | 第39-42页 |
| 3.2 软式非极大值抑制 | 第42-44页 |
| 3.2.1 非极大值抑制 | 第42-43页 |
| 3.2.2 软式非极大值抑制 | 第43-44页 |
| 3.3 遮挡困难样本生成 | 第44-46页 |
| 3.4 实验结果与分析 | 第46-48页 |
| 3.4.1 测试数据 | 第46页 |
| 3.4.2 测试结果与分析 | 第46-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 多尺度条件下的人脸检测 | 第49-67页 |
| 4.1 固定感受野的卷积神经网络 | 第50-52页 |
| 4.1.1 卷积神经网络感受野 | 第50-51页 |
| 4.1.2 图像金字塔 | 第51-52页 |
| 4.2 分支级联神经网络 | 第52-55页 |
| 4.2.1 图像上下文信息 | 第52-53页 |
| 4.2.2 扩展感受野的小目标检测网络 | 第53-54页 |
| 4.2.3 分支级联神经网络 | 第54-55页 |
| 4.3 困难样本挖掘 | 第55-56页 |
| 4.3.1 线下困难样本挖掘 | 第55页 |
| 4.3.2 在线困难样本挖掘 | 第55-56页 |
| 4.3.3 使用困难样本挖掘提升级联网络性能 | 第56页 |
| 4.4 实验与结果分析 | 第56-66页 |
| 4.4.1 训练过程 | 第56-57页 |
| 4.4.2 测试数据集 | 第57-59页 |
| 4.4.3 测试结果与分析 | 第59-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 基于监控视频的实时优质人脸推送系统 | 第67-82页 |
| 5.1 模拟的监控视频人脸身份验证系统 | 第67-69页 |
| 5.1.1 基于视频监控数据的人脸身份验证数据库 | 第67-68页 |
| 5.1.2 Sphereface人脸识别算法 | 第68-69页 |
| 5.2 基于检测的人脸跟踪 | 第69-74页 |
| 5.2.1 均值漂移算法 | 第69-70页 |
| 5.2.2 反向投影图 | 第70-71页 |
| 5.2.3 Camshift跟踪算法 | 第71-72页 |
| 5.2.4 跟踪器测试结果 | 第72-74页 |
| 5.3 人脸图片序列推优算法 | 第74-81页 |
| 5.3.1 图片清晰程度的度量：平均点锐度PAV | 第75-76页 |
| 5.3.2 融合交叉熵置信度的图片质量综合评价 | 第76-77页 |
| 5.3.3 目标人脸序列推优 | 第77-79页 |
| 5.3.4 测试指标 | 第79-80页 |
| 5.3.5 结果与分析 | 第80-81页 |
| 5.4 本章小结 | 第81-82页 |
| 第六章 总结与展望 | 第82-84页 |
| 6.1 本文总结 | 第82页 |
| 6.2 后续工作展望 | 第82-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-89页 |
| 攻读硕士学位期间取得的成果 | 第89页 |
