| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究工作的背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 人脸检测的研究现状 | 第12-14页 |
| 1.2.2 人脸识别的研究现状 | 第14-17页 |
| 1.3 本文的主要工作 | 第17-18页 |
| 1.4 本论文的结构安排 | 第18-20页 |
| 第二章 卷积神经网络的基本理论 | 第20-31页 |
| 2.1 神经网络的理论基础 | 第20-24页 |
| 2.1.1 前馈神经网络的结构 | 第20-22页 |
| 2.1.2 神经网络的反向传播 | 第22-24页 |
| 2.2 卷积神经网络的理论基础 | 第24-30页 |
| 2.2.1 卷积神经网络的模型定义 | 第25-26页 |
| 2.2.1.1 卷积层(ConvolutionalLayer) | 第25-26页 |
| 2.2.1.2 池化层(PoolingLayer) | 第26页 |
| 2.2.1.3 全连接层(Full-ConnectedLayer) | 第26页 |
| 2.2.2 ReLU激活函数 | 第26-28页 |
| 2.2.3 批度归一化(BatchNormalization) | 第28-29页 |
| 2.2.4 Dropout | 第29-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第三章 基于深度学习的人脸检测 | 第31-49页 |
| 3.1 传统的Haar+adaboost算法 | 第31-35页 |
| 3.1.1 Harr特征和积分图 | 第31-33页 |
| 3.1.2 Adaboost算法与分类器级联 | 第33-35页 |
| 3.2 基于深度学习的人脸检测算法 | 第35-43页 |
| 3.2.1 相关研究工作 | 第35-36页 |
| 3.2.2 YOLO目标检测模型 | 第36-38页 |
| 3.2.3 VGG16网络模型 | 第38-39页 |
| 3.2.4 深度可分解卷积 | 第39-42页 |
| 3.2.5 改进的人脸检测方法 | 第42-43页 |
| 3.3 试验设计与结果分析 | 第43-47页 |
| 3.3.1 图片数据集与预处理 | 第43-44页 |
| 3.3.2 网络模型的训练与实验结果分析 | 第44-47页 |
| 3.4 本章小结 | 第47-49页 |
| 第四章 基于深度学习的人脸特征提取 | 第49-60页 |
| 4.1 传统的人脸特征提取方法 | 第49-52页 |
| 4.1.1 LBP特征 | 第49-50页 |
| 4.1.2 SIFT特征 | 第50-52页 |
| 4.2 基于深度学习的人脸特征提取 | 第52-55页 |
| 4.2.1 对比损失函数 | 第52-53页 |
| 4.2.2 卷积神经网络模型 | 第53-55页 |
| 4.3 试验设计与结果分析 | 第55-58页 |
| 4.3.1 图片数据集与预处理 | 第55-56页 |
| 4.3.2 卷积神经网络的训练 | 第56-57页 |
| 4.3.3 训练结果分析 | 第57-58页 |
| 4.4 本章小结 | 第58-60页 |
| 第五章 人脸特征匹配方法研究 | 第60-73页 |
| 5.1 人脸特征匹配方法 | 第60-63页 |
| 5.1.1 相似性度量方法 | 第60页 |
| 5.1.2 联合贝叶斯 | 第60-63页 |
| 5.2 基于高斯混合模型的人脸识别 | 第63-68页 |
| 5.2.1 高斯混合模型和EM算法 | 第64-66页 |
| 5.2.2 构建人脸图像的高斯混合模型 | 第66-67页 |
| 5.2.3 人脸验证 | 第67-68页 |
| 5.3 试验设计与结果分析 | 第68-72页 |
| 5.3.1 数据预处理 | 第68页 |
| 5.3.2 高斯混合模型的训练 | 第68-69页 |
| 5.3.3 人脸识别实验结果 | 第69-72页 |
| 5.4 本章小结 | 第72-73页 |
| 第六章 全文总结与展望 | 第73-75页 |
| 6.1 全文总结 | 第73页 |
| 6.2 后续工作展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 攻读硕士学位期间取得的成果 | 第81页 |
