| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究的背景和意义 | 第10-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 研究内容 | 第12页 |
| 1.4 章节安排 | 第12-14页 |
| 第二章 人脸识别简介与多姿态人脸识别问题 | 第14-20页 |
| 2.1 多姿态人脸识别问题定义 | 第15-16页 |
| 2.2 多姿态人脸识别算法分类 | 第16-17页 |
| 2.3 多姿态人脸数据库 | 第17-20页 |
| 2.3.1 FERET | 第17-18页 |
| 2.3.2 MultiPIE | 第18页 |
| 2.3.3 LFW | 第18-19页 |
| 2.3.4 评价准则 | 第19-20页 |
| 第三章 人脸姿态合成 | 第20-42页 |
| 3.1 通用伸缩模型(GEM)与多深度通用伸缩模型(MD-GEM) | 第21-31页 |
| 3.1.1 通用伸缩模型GEM | 第21-22页 |
| 3.1.2 多深度通用伸缩模型MD-GEM | 第22-24页 |
| 3.1.3 用GEM框架进行多姿态人脸识别 | 第24-28页 |
| 3.1.4 GEM与MD-GEM对比实验 | 第28-30页 |
| 3.1.5 小节总结 | 第30-31页 |
| 3.2 商图像QI结合通用伸缩模型GEM的多姿态多光照人脸识别 | 第31-41页 |
| 3.2.1 商图像Quotient Image | 第32-33页 |
| 3.2.2 改进的商图像Adaptive Quotient Image | 第33-35页 |
| 3.2.3 多姿态多光照人脸样本生成 | 第35-37页 |
| 3.2.4 姿态特定的度量学习人脸识别 | 第37-39页 |
| 3.2.5 多姿态多光照识别实验 | 第39-41页 |
| 3.2.6 小节总结 | 第41页 |
| 3.3 本章总结 | 第41-42页 |
| 第四章 人脸姿态归一 | 第42-68页 |
| 4.1 光照保持的三维模型姿态归一 | 第45-56页 |
| 4.1.1 “初步”姿态归一化 | 第45-48页 |
| 4.1.2 自遮挡区域的填充 | 第48-51页 |
| 4.1.3 人脸认证与人脸识别实验 | 第51-56页 |
| 4.1.4 小节总结 | 第56页 |
| 4.2 深度学习的姿态光照归一 | 第56-65页 |
| 4.2.1 深度学习基础 | 第57-59页 |
| 4.2.2 姿态光照归一神经网络 | 第59-61页 |
| 4.2.3 多姿态多光照识别实验 | 第61-65页 |
| 4.2.4 小节总结 | 第65页 |
| 4.3 本章总结 | 第65-68页 |
| 第五章 总结与展望 | 第68-72页 |
| 5.1 论文工作总结 | 第68页 |
| 5.2 方法不足、分析与展望 | 第68-72页 |
| 参考文献 | 第72-78页 |
| 致谢 | 第78-80页 |
| 攻读学位期间发表的学术论文目录 | 第80页 |
