基于神经网络的人脸识别方法研究与实现
| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-16页 |
| ·课题研究背景及意义 | 第11-12页 |
| ·研究现状及发展趋势 | 第12-13页 |
| ·人脸识别的研究现状及发展趋势 | 第12-13页 |
| ·神经网络的研究现状及发展趋势 | 第13页 |
| ·人脸识别技术的内容 | 第13-14页 |
| ·本文的组织结构 | 第14-15页 |
| ·本章小结 | 第15-16页 |
| 第二章 基于显著区域提取的人脸检测 | 第16-31页 |
| ·人脸检测方法的介绍 | 第16-19页 |
| ·基于几何特征的方法 | 第16-17页 |
| ·基于肤色模型的方法 | 第17页 |
| ·基于统计理论的方法 | 第17-19页 |
| ·显著区域提取 | 第19-24页 |
| ·视觉注意力模型 | 第19-20页 |
| ·特征选取 | 第20-22页 |
| ·显著图的生成 | 第22-23页 |
| ·实验与分析 | 第23-24页 |
| ·Adaboost 人脸检测基本原理 | 第24-28页 |
| ·Haar- like 特征计算 | 第24-26页 |
| ·Adaboost 算法 | 第26-27页 |
| ·级联分类器 | 第27-28页 |
| ·实验与结果 | 第28-30页 |
| ·显著区域提取结果 | 第28-29页 |
| ·人脸检测结果 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 人脸图像的预处理 | 第31-42页 |
| ·人脸图像灰度化 | 第31-32页 |
| ·人脸图像的滤波 | 第32-33页 |
| ·图像增强 | 第33-36页 |
| ·直方图均衡化 | 第33-35页 |
| ·实验结果与分析 | 第35-36页 |
| ·人脸图像标准化 | 第36-40页 |
| ·人眼定位 | 第36-39页 |
| ·图像标准化 | 第39-40页 |
| ·图像压缩 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 人脸图像的特征提取 | 第42-50页 |
| ·特征提取方法 | 第42-43页 |
| ·基于知识的特征提取方法 | 第42页 |
| ·基于统计学习的特征提取方法 | 第42-43页 |
| ·主元分析法 | 第43-47页 |
| ·PCA 方法原理 | 第44-45页 |
| ·PCA 算法 | 第45-46页 |
| ·2D-PCA 原理 | 第46-47页 |
| ·基于 2D-PCA 的特征提取 | 第47页 |
| ·实验结果与分析 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 人脸识别分类器的设计 | 第50-65页 |
| ·BP 网络的人脸识别分类器设计 | 第50-54页 |
| ·BP 神经网络的结构 | 第50-51页 |
| ·BP 神经网络算法 | 第51页 |
| ·BP 网络分类器的设计 | 第51-53页 |
| ·实验结果及分析 | 第53-54页 |
| ·RBF 网络的人脸识别分类器设计 | 第54-57页 |
| ·RBF 结构及工作原理 | 第54-55页 |
| ·RBF 网络的学习算法 | 第55-56页 |
| ·RBF 网络分类器设计 | 第56-57页 |
| ·SVM 网络的人脸识别分类器设计 | 第57-61页 |
| ·支持向量机分类的原理 | 第57-60页 |
| ·多类 SVM 算法 | 第60-61页 |
| ·SVM 人脸识别的实现 | 第61页 |
| ·多分类决策融合分类器 | 第61-64页 |
| ·多分类器决策系统的构建 | 第62页 |
| ·多分类器的决策融合 | 第62-63页 |
| ·实验结果与分析 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| ·主要研究内容及创新点 | 第65-66页 |
| ·展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间取得的研究成果 | 第71-72页 |
| 致谢 | 第72-73页 |
| 附件 | 第73页 |
