基于卷积神经网络的人脸图像识别研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第14-20页 |
| 1.1 研究目的和意义 | 第14-15页 |
| 1.2 人脸识别研究概况 | 第15-17页 |
| 1.2.1 深度学习研究现状 | 第15-16页 |
| 1.2.2 人脸识别研究现状 | 第16-17页 |
| 1.3 本文主要研究内容 | 第17-19页 |
| 1.4 章节安排 | 第19-20页 |
| 2 人脸识别相关技术基础 | 第20-35页 |
| 2.1 引言 | 第20页 |
| 2.2 人脸检测方法综述 | 第20-22页 |
| 2.2.1 基于知识的自顶向下的方法 | 第21页 |
| 2.2.2 基于人脸特征的自底向上的方法 | 第21页 |
| 2.2.3 模板匹配的方法 | 第21页 |
| 2.2.4 基于人脸外观的方法 | 第21-22页 |
| 2.3 基于肤色的人脸检测算法 | 第22-28页 |
| 2.3.1 基于肤色的人脸检测方法综述 | 第22-23页 |
| 2.3.2 肤色特征在人脸检测中的特点 | 第23页 |
| 2.3.3 色彩空间与色彩空间聚类 | 第23-24页 |
| 2.3.4 色彩空间的选择 | 第24页 |
| 2.3.5 预处理 | 第24-28页 |
| 2.3.6 计算图像的相似度 | 第28页 |
| 2.4 人脸关键点定位算法 | 第28-34页 |
| 2.4.1 点分布模型 | 第29-30页 |
| 2.4.2 两类关键点 | 第30页 |
| 2.4.3 经典关键点定位算法 | 第30-34页 |
| 2.5 本章小结 | 第34-35页 |
| 3 卷积神经网络 | 第35-45页 |
| 3.1 卷积神经网络概论 | 第35页 |
| 3.2 卷积神经网络基本结构 | 第35-43页 |
| 3.2.1 神经网络 | 第35-37页 |
| 3.2.2 局部感知 | 第37-38页 |
| 3.2.3 权值共享 | 第38-40页 |
| 3.2.4 池化 | 第40-41页 |
| 3.2.5 全连接层 | 第41-42页 |
| 3.2.6 Softmax回归 | 第42-43页 |
| 3.3 LeNet-5网络结构 | 第43-44页 |
| 3.4 本章小结 | 第44-45页 |
| 4 CNN模型构建与人脸识别训练 | 第45-62页 |
| 4.1 引言 | 第45页 |
| 4.2 程序设计思路 | 第45-46页 |
| 4.2.1 编程语言的选择 | 第45页 |
| 4.2.2 程序运用的核心库 | 第45-46页 |
| 4.3 人脸图片收集与处理 | 第46-49页 |
| 4.4 卷积神经网络模型搭建 | 第49-52页 |
| 4.5 改进的卷积神经网络模型 | 第52-53页 |
| 4.6 模型参数定义与选择 | 第53-54页 |
| 4.7 实验与性能分析 | 第54-59页 |
| 4.7.1 实验运行环境 | 第54页 |
| 4.7.2 CNN人脸识别训练实验 | 第54-58页 |
| 4.7.3 对比算法人脸识别实验 | 第58-59页 |
| 4.8 CNN模型年龄鲁棒性能实验 | 第59-60页 |
| 4.9 本章小结 | 第60-62页 |
| 5 包含背景和人体躯干的人脸图像识别研究 | 第62-70页 |
| 5.1 包含背景和人体躯干的人脸检测识别概述 | 第62页 |
| 5.2 包含背景和人体躯干的人脸检测与预处理 | 第62-65页 |
| 5.2.1 人脸检测 | 第62-63页 |
| 5.2.2 人脸区域识别分割实验 | 第63-65页 |
| 5.3 包含背景和人体躯干的人脸识别框架 | 第65页 |
| 5.4 预处理 | 第65-68页 |
| 5.4.1 人脸检测 | 第66-67页 |
| 5.4.2 尺度变换 | 第67页 |
| 5.4.3 灰度变换 | 第67-68页 |
| 5.5 基于CNN的包含背景和人体躯干的人脸识别 | 第68-69页 |
| 5.6 本章小结 | 第69-70页 |
| 6 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70页 |
| 6.2 研究工作展望 | 第70-72页 |
| 参考文献 | 第72-75页 |
| 致谢 | 第75-76页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第76-77页 |
| 附件 | 第77-78页 |
