基于深度学习的人脸识别研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 引言 | 第9-13页 |
| 1.1 课题背景 | 第9-10页 |
| 1.2 研究内容 | 第10-11页 |
| 1.3 全文安排 | 第11-13页 |
| 第二章 人脸识别研究综述 | 第13-20页 |
| 2.1 图像预处理 | 第13-14页 |
| 2.2 人脸检测 | 第14页 |
| 2.3 特征提取 | 第14-18页 |
| 2.3.1 基于全局的特征提取方法 | 第14-15页 |
| 2.3.2 基于局部的特征提取方法 | 第15-17页 |
| 2.3.3 基于全局和局部特征融合的方法 | 第17-18页 |
| 2.4 分类决策 | 第18-19页 |
| 2.5 本章小结 | 第19-20页 |
| 第三章 基于深度学习框架的人脸识别 | 第20-37页 |
| 3.1 深度学习 | 第20-24页 |
| 3.1.1 深度学习的主要思想 | 第21页 |
| 3.1.2 深度网络的训练过程 | 第21-22页 |
| 3.1.3 深度学习的常用模型 | 第22-23页 |
| 3.1.4 深度学习在人脸识别中的应用 | 第23-24页 |
| 3.2 基于多尺度卷积自动编码器的人脸识别 | 第24-30页 |
| 3.2.1 整体框架 | 第25-26页 |
| 3.2.2 MSCAE的学习过程 | 第26-29页 |
| 3.2.3 MSCAE特征提取过程 | 第29页 |
| 3.2.4 特征融合 | 第29-30页 |
| 3.3 自动编码器 | 第30-33页 |
| 3.3.1 自动编码器结构 | 第30-31页 |
| 3.3.2 自动编码器的变形 | 第31-32页 |
| 3.3.3 卷积自动编码器 | 第32-33页 |
| 3.4 卷积神经网络 | 第33-36页 |
| 3.4.1 卷积神经网络的结构 | 第33-34页 |
| 3.4.2 卷积神经网络的学习过程 | 第34-35页 |
| 3.4.3 卷积神经网络与卷积自动编码器 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于卷积自动编码器的人脸识别 | 第37-44页 |
| 4.1 ORL和Yale人脸数据库 | 第37-38页 |
| 4.2 卷积自动编码器及相关参数设计 | 第38-40页 |
| 4.2.1 不同尺度卷积自动编码器的参数设置 | 第39页 |
| 4.2.2 HOG特征参数设置 | 第39-40页 |
| 4.2.3 神经网络分类器参数设置 | 第40页 |
| 4.3 实验结果及分析 | 第40-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 基于预训练卷积神经网络的人脸识别 | 第44-49页 |
| 5.1 卷积神经网络参数设置 | 第44-45页 |
| 5.2 实验数据以及框架设计 | 第45-46页 |
| 5.3 实验结果及分析 | 第46-48页 |
| 5.4 本章小结 | 第48-49页 |
| 第六章 结论与展望 | 第49-51页 |
| 6.1 工作总结 | 第49-50页 |
| 6.2 未来展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 发表论文和参加科研情况说明 | 第55-56页 |
| 致谢 | 第56-57页 |
