基于深度学习的人脸识别关键技术研究与实现
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 人脸识别的背景和意义 | 第16-18页 |
| 1.2 人脸认证关键技术研究现状 | 第18-22页 |
| 1.2.1 特征提取技术发展概述 | 第18-20页 |
| 1.2.2 特征匹配技术发展概述 | 第20-22页 |
| 1.3 本论文的主要工作和章节安排 | 第22-24页 |
| 第二章 人脸认证关键技术介绍 | 第24-38页 |
| 2.1 基于CNN的特征提取方法 | 第24-30页 |
| 2.1.1 CNN人脸识别原理 | 第24-26页 |
| 2.1.2 CNN网络结构 | 第26-30页 |
| 2.2 基于贝叶斯的特征匹配方法 | 第30-33页 |
| 2.2.1 贝叶斯人脸特征匹配原理 | 第30-31页 |
| 2.2.2 贝叶斯理论基础 | 第31-33页 |
| 2.3 人脸认证其他相关算法介绍 | 第33-36页 |
| 2.3.1 LBP特征提取方法 | 第33-35页 |
| 2.3.2 余弦相似度特征匹配方法 | 第35-36页 |
| 2.4 小结 | 第36-38页 |
| 第三章 人脸特征提取关键技术研究 | 第38-52页 |
| 3.1 基于CNN的特征提取算法研究 | 第38-44页 |
| 3.1.1 设定目标函数和训练算法 | 第38-39页 |
| 3.1.2 CNN人脸识别模型训练 | 第39-44页 |
| 3.2 实验结果与分析 | 第44-50页 |
| 3.2.1 人脸数据库与评测方法 | 第45-46页 |
| 3.2.2 不同深度学习模型对比与结果分析 | 第46-48页 |
| 3.2.3 不同浅层模型对比与结果分析 | 第48-50页 |
| 3.3 小结 | 第50-52页 |
| 第四章 人脸特征匹配关键技术研究 | 第52-62页 |
| 4.1 基于贝叶斯的特征匹配算法研究 | 第52-56页 |
| 4.1.1 贝叶斯算法的线性加权空间变换 | 第52-53页 |
| 4.1.2 训练改进的贝叶斯度量模型 | 第53-55页 |
| 4.1.3 FaceIdeNet人脸认证框架 | 第55-56页 |
| 4.2 实验结果与分析 | 第56-60页 |
| 4.2.1 人脸数据库与评测方法 | 第56页 |
| 4.2.2 不同度量学习方法对比与结果分析 | 第56-59页 |
| 4.2.3 不同人脸认证框架对比与结果分析 | 第59-60页 |
| 4.3 小结 | 第60-62页 |
| 第五章 在线人脸认证和搜索系统设计与实现 | 第62-74页 |
| 5.1 系统总体设计 | 第62-65页 |
| 5.1.1 需求分析 | 第62-63页 |
| 5.1.2 系统总体架构和模块组成 | 第63-65页 |
| 5.2 服务端设计与实现 | 第65-67页 |
| 5.2.1 开发环境和技术 | 第65页 |
| 5.2.2 服务端模块设计 | 第65-67页 |
| 5.3 前端设计与实现 | 第67-70页 |
| 5.3.1 开发环境 | 第68页 |
| 5.3.2 界面设计 | 第68-70页 |
| 5.4 在线人脸认证和搜索系统测试 | 第70-73页 |
| 5.4.1 测试环境和策略 | 第70页 |
| 5.4.2 功能测试 | 第70-72页 |
| 5.4.3 非功能性测试 | 第72-73页 |
| 5.5 小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 作者简介 | 第82-83页 |
