| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 本课题研究背景和意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 人脸检测的研究现状 | 第16-17页 |
| 1.2.2 人脸识别的研究现状 | 第17-19页 |
| 1.3 论文主要研究工作 | 第19页 |
| 1.4 本文章节安排 | 第19-21页 |
| 第二章 相关理论基础 | 第21-37页 |
| 2.1 人脸检测与人脸识别理论 | 第21-24页 |
| 2.1.1 基于显式特征的人脸检测方法 | 第21页 |
| 2.1.2 基于隐式特征的人脸检测方法 | 第21-22页 |
| 2.1.3 人脸识别理论 | 第22-24页 |
| 2.2 R-CNN算法介绍 | 第24-30页 |
| 2.3 VGG网络模型 | 第30-36页 |
| 2.3.1 卷积神经网络结构 | 第30-33页 |
| 2.3.2 VGG网络模型介绍 | 第33-34页 |
| 2.3.3 分类器 | 第34-35页 |
| 2.3.4 卷积神经网络的训练过程 | 第35-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第三章 基于Faster R-CNN算法的人脸检测与识别 | 第37-51页 |
| 3.1 Faster R-CNN人脸检测算法的改进 | 第37-40页 |
| 3.1.1 RPN网络的改进 | 第37-38页 |
| 3.1.2 非极大抑制 | 第38页 |
| 3.1.3 构建损失函数 | 第38页 |
| 3.1.4 模型交替训练策略 | 第38-39页 |
| 3.1.5 ReLU函数的改进 | 第39-40页 |
| 3.2 空间金字塔池化 | 第40-41页 |
| 3.3 基于改进的VGG网络模型人脸识别算法 | 第41-42页 |
| 3.4 数据集预处理 | 第42页 |
| 3.5 模型的训练 | 第42-43页 |
| 3.6 人脸检测与识别算法评价标准 | 第43-44页 |
| 3.7 实验结果与分析 | 第44-49页 |
| 3.7.1 实验环境 | 第44-45页 |
| 3.7.2 实验的数据集 | 第45-47页 |
| 3.7.3 改进的VGG模型的参数选择 | 第47-49页 |
| 3.7.4 实验结果与分析 | 第49页 |
| 3.8 本章小结 | 第49-51页 |
| 第四章 基于Faster R-CNN的人脸检测与识别软件设计 | 第51-59页 |
| 4.1 软件设计目标 | 第51页 |
| 4.2 软件系统设计 | 第51-56页 |
| 4.2.1 系统结构设计 | 第51-52页 |
| 4.2.2 人脸检测与识别算法功能模块设计与实现 | 第52-56页 |
| 4.3 软件检测与识别结果 | 第56-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-63页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 作者简介 | 第69-70页 |
