| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第14-21页 |
| 1.1 研究背景及意义 | 第14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 基于几何特征的方法 | 第15-16页 |
| 1.2.2 基于子空间分析的方法 | 第16-17页 |
| 1.2.3 基于模型的方法 | 第17页 |
| 1.2.4 基于神经网络的方法 | 第17-18页 |
| 1.3 深度学习综述 | 第18-19页 |
| 1.4 本文章节安排 | 第19-21页 |
| 第2章 深度学习相关理论 | 第21-34页 |
| 2.1 人工神经网络 | 第21-24页 |
| 2.1.1 神经元模型 | 第21-22页 |
| 2.1.2 人工神经网络及反向传播算法 | 第22-24页 |
| 2.2 深度信念网络 | 第24-27页 |
| 2.2.1 受限玻尔兹曼机 | 第24-26页 |
| 2.2.2 深度信念网络的学习 | 第26-27页 |
| 2.3 卷积神经网络 | 第27-33页 |
| 2.3.1 卷积层 | 第27-29页 |
| 2.3.2 池化层 | 第29页 |
| 2.3.3 全连接层 | 第29-30页 |
| 2.3.4 卷积神经网络的反向传播 | 第30-31页 |
| 2.3.5 卷积神经网络的优化 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 基于Gabor小波和深度信念网络的人脸识别 | 第34-47页 |
| 3.1 引言 | 第34页 |
| 3.2 Gabor小波 | 第34-36页 |
| 3.2.1 二维Gabor小波变换 | 第35页 |
| 3.2.2 人脸Gabor特征提取 | 第35-36页 |
| 3.3 Softmax分类器 | 第36-38页 |
| 3.4 Gabor特征与DBN结合的人脸识别 | 第38-39页 |
| 3.4.1 特征降维 | 第38页 |
| 3.4.2 Gabor特征与DBN结合的人脸识别方法 | 第38-39页 |
| 3.5 实验与结果分析 | 第39-46页 |
| 3.5.1 探究隐藏层数量对网络性能的影响 | 第40-41页 |
| 3.5.2 探究隐藏层节点数量对网络性能的影响 | 第41-42页 |
| 3.5.3 ORL人脸库实验 | 第42-44页 |
| 3.5.4 UMIST人脸库实验 | 第44-45页 |
| 3.5.5 Yale-B人脸库实验 | 第45-46页 |
| 3.6 本章总结 | 第46-47页 |
| 第4章 基于卷积神经网络的人脸识别 | 第47-54页 |
| 4.1 引言 | 第47页 |
| 4.2 Le Net-5 网络结构及参数配置 | 第47-48页 |
| 4.3 硬件平台介绍及Caffe框架 | 第48-49页 |
| 4.3.1 硬件平台介绍 | 第48页 |
| 4.3.2 Caffe框架 | 第48-49页 |
| 4.4 改进的卷积神经网络 | 第49-50页 |
| 4.5 基于改进的卷积神经网络的人脸识别 | 第50-53页 |
| 4.5.1 AR人脸库 | 第50-51页 |
| 4.5.2 实验与结果分析 | 第51-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第5章 非限制性条件下的人脸识别 | 第54-65页 |
| 5.1 引言 | 第54页 |
| 5.2 VGG-16 网络 | 第54-56页 |
| 5.3 VGG-16 网络参数分析及改进 | 第56-59页 |
| 5.3.1 VGG-16 网络参数分析 | 第56-57页 |
| 5.3.2 改进的VGG-16 网络 | 第57-59页 |
| 5.4 基于改进的VGG-16 网络的人脸识别 | 第59-64页 |
| 5.4.1 图像预处理 | 第59-61页 |
| 5.4.2 Face Scrub人脸库实验 | 第61-63页 |
| 5.4.3 LFW人脸库验证实验 | 第63-64页 |
| 5.4.4 改进的VGG-16 网络的优缺点 | 第64页 |
| 5.5 本章小结 | 第64-65页 |
| 总结与展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第71页 |