| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 基于几何特征的方法 | 第10页 |
| 1.2.2 基于子空间分析的方法 | 第10-11页 |
| 1.2.3 基于弹性匹配图的方法 | 第11页 |
| 1.2.4 基于人工神经网络的方法 | 第11-12页 |
| 1.3 深度学习概述 | 第12-14页 |
| 1.4 主要研究内容 | 第14-15页 |
| 第2章 卷积神经网络模型和特征提取过程 | 第15-29页 |
| 2.1 人工神经网络 | 第15-18页 |
| 2.1.1 人工神经网络模型 | 第15-16页 |
| 2.1.2 BP反向传播算法 | 第16-18页 |
| 2.2 卷积神经网络 | 第18-21页 |
| 2.2.1 网络性能优势 | 第18-19页 |
| 2.2.2 网络主要组成 | 第19-21页 |
| 2.3 深度CNN提取特征过程及结果 | 第21-23页 |
| 2.4 支持向量机 | 第23-27页 |
| 2.4.1 支持向量机的衍变 | 第23-27页 |
| 2.4.2 多分类实现 | 第27页 |
| 2.5 本章小结 | 第27-29页 |
| 第3章 基于卷积神经网络和支持向量机的人脸识别 | 第29-43页 |
| 3.1 卷积神经网络结构设计 | 第29-31页 |
| 3.2 优化卷积神经网络 | 第31-37页 |
| 3.2.1 Sigmoid和Relu激活函数结合策略 | 第31-32页 |
| 3.2.2 提取稀疏特征 | 第32-33页 |
| 3.2.3 防止过拟合策略 | 第33-34页 |
| 3.2.4 加速网络特征提取 | 第34-37页 |
| 3.3 样本数据扩充 | 第37-38页 |
| 3.4 CNN预训练 | 第38-40页 |
| 3.5 基于CNN和SVM的人脸识别实现 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 实验过程及结果分析 | 第43-50页 |
| 4.1 硬件平台介绍 | 第43页 |
| 4.2 网络训练和测试 | 第43-44页 |
| 4.3 样本数据 | 第44-46页 |
| 4.4 实验结果 | 第46-49页 |
| 4.4.1 光照补偿处理 | 第46-47页 |
| 4.4.2 基于CNN和SVM的人脸识别比较 | 第47-48页 |
| 4.4.3 基于ACNN和CNN+SVM的人脸识别比较 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第56-58页 |
| 致谢 | 第58页 |