| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 人脸检测研究现状 | 第12-13页 |
| 1.2.2 基于传统特征描述子人脸识别研究现状 | 第13-14页 |
| 1.2.3 基于深度学习人脸识别研究现状 | 第14-15页 |
| 1.3 遇到的挑战 | 第15-16页 |
| 1.4 研究内容 | 第16-17页 |
| 1.5 论文内容安排 | 第17-18页 |
| 第二章 人脸检测和识别技术基础 | 第18-35页 |
| 2.1 人脸检测技术介绍 | 第18-20页 |
| 2.1.1 Adaboost人脸检测 | 第18-19页 |
| 2.1.2 SeetaFace人脸检测 | 第19-20页 |
| 2.2 基于传统特征描述子人脸识别技术 | 第20-25页 |
| 2.2.1 传统特征描述子 | 第20-21页 |
| 2.2.2 基于主成分分析(PCA)的人脸特征提取 | 第21-22页 |
| 2.2.3 基于线性判别分析(LDA)的人脸特征提取 | 第22-23页 |
| 2.2.4 基于Gabor特征人脸特征提取 | 第23页 |
| 2.2.5 基于LBP特征人脸特征提取 | 第23-25页 |
| 2.3 基于深度学习的人脸识别技术 | 第25-34页 |
| 2.3.1 基于深度学习特征提取 | 第25-26页 |
| 2.3.2 卷积神经网络理论 | 第26-31页 |
| 2.3.3 网络框架选择 | 第31-32页 |
| 2.3.4 Caffe框架介绍 | 第32-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 基于多尺度完全局部二值模式人脸识别算法 | 第35-44页 |
| 3.1 多尺度完全局部二值模式算法 | 第35-38页 |
| 3.1.1 完全局部二值模式算法 | 第35-36页 |
| 3.1.2 多尺度完全局部二值模式 | 第36-37页 |
| 3.1.3 多尺度特征的机制 | 第37-38页 |
| 3.2 算法整体框架 | 第38页 |
| 3.3 实验结果和对比 | 第38-43页 |
| 3.3.1 实验数据集介绍 | 第38-40页 |
| 3.3.2 实验环境和方法介绍 | 第40页 |
| 3.3.3 参数分析和实验结果 | 第40-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于CAFFE改进的深度学习网络人脸识别 | 第44-57页 |
| 4.1 改进损失函数的残差网络设计与实现 | 第44-50页 |
| 4.1.1 残差网络的引入 | 第44-45页 |
| 4.1.2 损失函数的改进 | 第45-47页 |
| 4.1.3 改进损失函数的残差网络 | 第47-50页 |
| 4.2 网络训练及实验验证 | 第50-56页 |
| 4.2.1 实验环境介绍 | 第50页 |
| 4.2.2 实验数据集介绍 | 第50-51页 |
| 4.2.3 使用CASIA WebFace训练网络 | 第51-52页 |
| 4.2.4 在LFW上的验证实验结果 | 第52-56页 |
| 4.3 本章小结 | 第56-57页 |
| 第五章 系统概述及实现 | 第57-61页 |
| 5.1 系统总体概述 | 第57-58页 |
| 5.1.1 系统模块设计 | 第57-58页 |
| 5.1.2 系统的交互界面 | 第58页 |
| 5.2 系统运行效果 | 第58-60页 |
| 5.2.1 实时视频检测识别 | 第58-59页 |
| 5.2.2 离线视频检测识别 | 第59-60页 |
| 5.3 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 攻读学位期间发表的学术论文目录 | 第69页 |
