基于移动端的人脸检测算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 人脸检测技术的国内外研究现状 | 第10-12页 |
| 1.3 论文研究内容和结构 | 第12-15页 |
| 1.3.1 本文的研究内容 | 第12-13页 |
| 1.3.2 文章的组织结构 | 第13-15页 |
| 第2章 人脸检测相关算法介绍 | 第15-24页 |
| 2.1 传统人脸检测算法 | 第15-17页 |
| 2.1.1 早期人脸检测算法 | 第15-16页 |
| 2.1.2 Ada Boost框架算法 | 第16-17页 |
| 2.2 基于深度学习的人脸检测算法 | 第17-22页 |
| 2.2.1 one-stage检测方法 | 第18-19页 |
| 2.2.2 two-stage检测方法 | 第19-22页 |
| 2.3 传统方法和深度学习结合的人脸检测算法 | 第22-23页 |
| 2.3.1 Cascade CNN检测方法 | 第22页 |
| 2.3.2 MTCNN检测方法 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章基于级联网络的快速人脸检测算法 | 第24-36页 |
| 3.1 神经网络结构 | 第24-27页 |
| 3.2 网络的设计 | 第27-30页 |
| 3.2.1 第一级网络设计 | 第28-29页 |
| 3.2.2 第二、三级网络的设计 | 第29-30页 |
| 3.3 模型训练 | 第30-34页 |
| 3.3.1 数据集准备 | 第30-32页 |
| 3.3.2 训练方法及过程 | 第32-33页 |
| 3.3.3 训练结果 | 第33-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第4章 网络增强优化 | 第36-46页 |
| 4.1 网络表现力优化 | 第36-39页 |
| 4.1.1 合并多层和基层结构 | 第36-38页 |
| 4.1.2 知识提炼 | 第38-39页 |
| 4.2 网络模型优化 | 第39-40页 |
| 4.2.1 奇异值分解 | 第39-40页 |
| 4.3 实验结果与分析 | 第40-45页 |
| 4.3.1 实验环境 | 第40页 |
| 4.3.2 OpenCV | 第40-41页 |
| 4.3.3 TensorFlow | 第41页 |
| 4.3.4 实验结果对比 | 第41-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 总结与展望 | 第46-48页 |
| 5.1 全文总结 | 第46-47页 |
| 5.2 工作展望 | 第47-48页 |
| 致谢 | 第48-50页 |
| 参考文献 | 第50-55页 |
| 攻读硕士期间的研究成果 | 第55页 |
