| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国内研究现状 | 第10-11页 |
| 1.2.2 国外研究现状 | 第11-13页 |
| 1.3 论文主要工作及章节安排 | 第13-15页 |
| 1.3.1 论文的主要工作 | 第13-14页 |
| 1.3.2 论文的章节安排 | 第14-15页 |
| 第2章 人脸数据库及数据预处理 | 第15-20页 |
| 2.1 人脸数据库 | 第15-16页 |
| 2.2 图像预处理 | 第16-19页 |
| 2.2.1 图像噪声滤波 | 第16-17页 |
| 2.2.2 图像旋转调整 | 第17页 |
| 2.2.3 图像姿态归一化 | 第17-18页 |
| 2.2.4 图像尺度归一化 | 第18-19页 |
| 2.3 本章小结 | 第19-20页 |
| 第3章 人脸图像分层表示方法 | 第20-25页 |
| 3.1 引言 | 第20-21页 |
| 3.2 人脸图像的全局及局部表示 | 第21-22页 |
| 3.2.1 全局人脸形状模型建立 | 第21-22页 |
| 3.2.2 全局及局部人脸表观模型建立 | 第22页 |
| 3.3 人脸图像的细节层表示 | 第22-23页 |
| 3.4 基于人脸图像特征的年龄估计算法 | 第23-24页 |
| 3.5 本章小结 | 第24-25页 |
| 第4章 基于分层表示和剪切波变换的人脸老化模拟方法 | 第25-37页 |
| 4.1 引言 | 第25页 |
| 4.2 人脸全局老化模拟方法 | 第25-26页 |
| 4.3 人脸局部老化模拟方法 | 第26页 |
| 4.4 人脸细节老化模拟方法 | 第26-27页 |
| 4.4.1 细节老化过程 | 第26-27页 |
| 4.4.2 细节老化结果 | 第27页 |
| 4.5 人脸多层老化效果融合 | 第27-30页 |
| 4.5.1 图像塔形分解 | 第27-28页 |
| 4.5.2 梯度金字塔分解 | 第28-29页 |
| 4.5.3 人脸图像融合 | 第29页 |
| 4.5.4 基于拉普拉斯金字塔的重构 | 第29-30页 |
| 4.6 实验结果及分析 | 第30-35页 |
| 4.6.1 实验数据 | 第30页 |
| 4.6.2 人脸老化效果的模拟 | 第30-31页 |
| 4.6.3 人脸老化效果评估 | 第31-35页 |
| 4.7 本章小结 | 第35-37页 |
| 第5章 基于DAE卷积神经网络的稀疏表示人脸识别算法 | 第37-47页 |
| 5.1 引言 | 第37页 |
| 5.2 方法研究 | 第37-39页 |
| 5.2.1 卷积神经网络模型 | 第37-38页 |
| 5.2.2 降噪自动编码器 | 第38页 |
| 5.2.3 稀疏分类 | 第38-39页 |
| 5.3 基于DAE卷积神经网络的稀疏表示人脸识别算法 | 第39-43页 |
| 5.3.1 模型结构 | 第39-40页 |
| 5.3.2 训练过程 | 第40-42页 |
| 5.3.3 识别过程 | 第42-43页 |
| 5.4 实验结果及分析 | 第43-46页 |
| 5.4.1 不同数据集上算法识别率 | 第43-44页 |
| 5.4.2 同一数据集上不同算法的识别率 | 第44-46页 |
| 5.4.3 模型效率分析 | 第46页 |
| 5.5 本章小结 | 第46-47页 |
| 第6章 总结与展望 | 第47-49页 |
| 6.1 工作总结 | 第47-48页 |
| 6.2 未来工作展望 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第53-54页 |
| 致谢 | 第54页 |
