| 摘要 | 第3-4页 |
| ABSRTACT | 第4-9页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究的背景和意义 | 第9-10页 |
| 1.2 研究的现状 | 第10-16页 |
| 1.2.1 人脸检测技术 | 第10-11页 |
| 1.2.2 人脸识别技术 | 第11-16页 |
| 1.3 本文研究内容 | 第16-17页 |
| 1.4 本文组织结构 | 第17-19页 |
| 第2章 深度残差网络 | 第19-29页 |
| 2.1 卷积神经网络架构 | 第19-22页 |
| 2.1.1 卷积层 | 第20页 |
| 2.1.2 池化层 | 第20-21页 |
| 2.1.3 全连接层 | 第21页 |
| 2.1.4 Softmax分类层 | 第21-22页 |
| 2.2 Res Net模型 | 第22-27页 |
| 2.2.1 残差块residual block | 第22-24页 |
| 2.2.2 恒等映射Identity Mapping | 第24页 |
| 2.2.3 Res Net结构 | 第24-27页 |
| 2.3 本章小结 | 第27-29页 |
| 第3章 基于残差网络的人脸检测算法 | 第29-41页 |
| 3.1 深度学习特征提取 | 第29-30页 |
| 3.2 主要算法框架 | 第30-31页 |
| 3.2.1 一阶段检测算法 | 第30页 |
| 3.2.2 二阶段检测算法 | 第30-31页 |
| 3.3 基于残差网络人脸检测算法设计与实现 | 第31-37页 |
| 3.3.1 人脸检测网络架构 | 第31-33页 |
| 3.3.2 损失函数 | 第33-35页 |
| 3.3.3 非极大值抑制 | 第35-36页 |
| 3.3.4 基于Tensor Flow框架的人脸检测网络实现 | 第36-37页 |
| 3.4 性能对比与分析 | 第37-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第4章 基于残差网络的特征提取与人脸识别算法 | 第41-49页 |
| 4.1 特征向量提取网络 | 第41-46页 |
| 4.1.1 基于深度残差网络的提取架构 | 第41-43页 |
| 4.1.2 损失函数 | 第43-44页 |
| 4.1.3 基于Tensor Flow的人脸特征向量提取网络实现 | 第44-46页 |
| 4.2 特征向量匹配与身份识别 | 第46-47页 |
| 4.3 性能对比与分析 | 第47页 |
| 4.4 本章小结 | 第47-49页 |
| 第5章 系统验证与GUI系统 | 第49-57页 |
| 5.1 系统架构 | 第49-50页 |
| 5.2 性能测试 | 第50-54页 |
| 5.2.1 基于LFW人脸数据集的识别性能测试 | 第51页 |
| 5.2.2 基于实用场景的人脸识别性能测试 | 第51-54页 |
| 5.3 GUI可视化系统 | 第54-56页 |
| 5.4 本章小结 | 第56-57页 |
| 总结与展望 | 第57-59页 |
| 1 总结 | 第57页 |
| 2 展望 | 第57-59页 |
| 参考文献 | 第59-65页 |
| 致谢 | 第65-66页 |
