人脸识别中质量评估算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第10-24页 |
| 1.1 研究背景 | 第10-16页 |
| 1.1.1 人脸识别技术优点 | 第10-12页 |
| 1.1.2 人脸识别技术的应用 | 第12-15页 |
| 1.1.3 识别精度难点 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-21页 |
| 1.2.1 人脸检测国内外现状 | 第16-18页 |
| 1.2.2 人脸识别国内外研究现状 | 第18-19页 |
| 1.2.3 人脸图像中光照影响的研究 | 第19-20页 |
| 1.2.4 人脸识别中头部姿态估计国内外研究现状 | 第20-21页 |
| 1.3 论文研究目标及主要内容 | 第21-24页 |
| 2 人脸头部姿态精确计算及实现 | 第24-36页 |
| 2.1 人眼区域初步定位 | 第24-33页 |
| 2.1.1 常见的投影函数 | 第24-25页 |
| 2.1.2 灰度积分投影粗定位 | 第25-30页 |
| 2.1.3 精确定位人眼 | 第30-31页 |
| 2.1.4 基于SUSAN滤波算子的准确定位 | 第31-33页 |
| 2.2 头部偏移角度计算 | 第33-34页 |
| 2.3 头部偏移角度计算结果 | 第34页 |
| 2.4 本章小结 | 第34-36页 |
| 3 光照强度提取算法研究及实现 | 第36-48页 |
| 3.1 光照强度特征提取 | 第36-42页 |
| 3.1.1 基本光照模型 | 第36-37页 |
| 3.1.2 人脸识别中人脸反射模型 | 第37-38页 |
| 3.1.3 图像增强技术 | 第38-42页 |
| 3.2 光照强度对图像增强的影响 | 第42-43页 |
| 3.3 人脸图像光照强度提取 | 第43-46页 |
| 3.4 本章小结 | 第46-48页 |
| 4 深度学习理论 | 第48-64页 |
| 4.1 常见的分类算法 | 第48-51页 |
| 4.2 深度学习 | 第51-53页 |
| 4.3 深度学习算法背景 | 第53-56页 |
| 4.4 深度学习基本思想 | 第56-57页 |
| 4.5 深度学习的基本网络结构 | 第57-60页 |
| 4.5.1 深度学习的训练过程 | 第58页 |
| 4.5.2 卷积神经网络的基本原理 | 第58-59页 |
| 4.5.3 卷积神经网络特点 | 第59-60页 |
| 4.6 深度学习训练过程 | 第60-61页 |
| 4.6.1 前向传播阶段 | 第60页 |
| 4.6.2 后向传播阶段 | 第60-61页 |
| 4.7 稀疏编码 | 第61-62页 |
| 4.8 本章小结 | 第62-64页 |
| 5 基于深度信念网络的人脸质量评估 | 第64-70页 |
| 5.1 深度学习基本理论 | 第64页 |
| 5.2 多层神经网络 | 第64-65页 |
| 5.3 多层神经网络模型搭建 | 第65页 |
| 5.3.1 原始数据的输入 | 第65页 |
| 5.3.2 数据归一化处理 | 第65页 |
| 5.3.3 网络建立和训练 | 第65页 |
| 5.4 多层神经网络与深度信念网络结合 | 第65-66页 |
| 5.5 实验结论与分析 | 第66-69页 |
| 5.5.1 人脸图像分类结果 | 第67-68页 |
| 5.5.2 不同特征组合下的分类误差 | 第68-69页 |
| 5.5.3 基于人脸质量评估模型的人脸识别 | 第69页 |
| 5.6 本章小结 | 第69-70页 |
| 6 总结与展望 | 第70-72页 |
| 6.1 全文总结 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 致谢 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第78-79页 |
