| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 人脸检测识别技术的发展及研究现状 | 第10-11页 |
| 1.2.2 深度学习研究现状 | 第11-12页 |
| 1.2.3 深度学习框架 | 第12页 |
| 1.3 存在的问题 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-15页 |
| 第二章 视频序列中关键帧提取及图像预处理 | 第15-23页 |
| 2.1 视频关键帧提取常用方法 | 第15-16页 |
| 2.1.1 镜头边界提取法 | 第15-16页 |
| 2.1.2 运动分析法 | 第16页 |
| 2.1.3 聚类法 | 第16页 |
| 2.2 基于颜色特征的视频关键帧提取方法 | 第16-20页 |
| 2.2.1 基于视频帧相似性的关键帧提取法 | 第16-19页 |
| 2.2.2 实验结果分析 | 第19-20页 |
| 2.3 图像预处理 | 第20-22页 |
| 2.3.1 点增强 | 第20-21页 |
| 2.3.2 空域增强 | 第21页 |
| 2.3.3 频域增强 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 视频序列中人脸检测方法研究 | 第23-36页 |
| 3.1 引言 | 第23页 |
| 3.2 Adaboost人脸检测方法 | 第23-29页 |
| 3.2.1 Haar-like特征 | 第23-24页 |
| 3.2.2 积分图 | 第24-26页 |
| 3.2.3 分类器训练及实验结果 | 第26-29页 |
| 3.3 基于肤色分割的Adaboost人脸检测方法 | 第29-35页 |
| 3.3.1 颜色空间的选择 | 第29-30页 |
| 3.3.2 肤色的高斯模型 | 第30-31页 |
| 3.3.3 肤色的亮度模型 | 第31页 |
| 3.3.4 基于肤色分割的人脸检测算法 | 第31-32页 |
| 3.3.5 实验结果分析 | 第32-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于深度学习的人脸识别方法 | 第36-57页 |
| 4.1 深度学习概述 | 第36-40页 |
| 4.1.1 深度学习常用的模型 | 第36-37页 |
| 4.1.2 激活函数与损失函数 | 第37-40页 |
| 4.2 卷积神经网络 | 第40-43页 |
| 4.2.1 卷积神经网络概述 | 第40-41页 |
| 4.2.2 卷积层 | 第41页 |
| 4.2.3 池化层 | 第41-42页 |
| 4.2.4 全连接层和Softmax层 | 第42-43页 |
| 4.3 TensorFlow简介 | 第43-46页 |
| 4.3.1 TensorFlow的优势 | 第44页 |
| 4.3.2 TensorFlow的编程模型 | 第44-45页 |
| 4.3.3 TensorFlow的实现原理 | 第45-46页 |
| 4.4 基于TensorFlow的卷积神经网络的人脸识别方法 | 第46-56页 |
| 4.4.1 神经网络经典结构模型 | 第46-47页 |
| 4.4.2 本文设计的卷积神经网络结构模型 | 第47-50页 |
| 4.4.3 数据增强 | 第50-51页 |
| 4.4.4 模型训练 | 第51-52页 |
| 4.4.5 实验结果与分析 | 第52-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-60页 |
| 5.1 研究总结 | 第57-58页 |
| 5.2 研究展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 在学期间的研究成果 | 第63-64页 |
| 致谢 | 第64页 |