| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 符号及术语说明 | 第12-13页 |
| 第一章 绪论 | 第13-22页 |
| 1.1 深度学习的研究背景 | 第13-14页 |
| 1.2 深度学习的发展与应用 | 第14-18页 |
| 1.2.1 人工神经网络 | 第14-17页 |
| 1.2.2 深度学习的发展与应用 | 第17-18页 |
| 1.3 现阶段人脸识别的问题和挑战 | 第18-20页 |
| 1.4 论文主要研究内容及安排 | 第20-22页 |
| 第二章 基于卷积神经网络分类器优化的人脸识别算法 | 第22-39页 |
| 2.1 支持向量机分类器 | 第22-26页 |
| 2.2 人工蜂群算法 | 第26-29页 |
| 2.3 基于卷积神经网络分类器优化的人脸识别算法 | 第29-33页 |
| 2.3.1 算法的提出 | 第29-30页 |
| 2.3.2 CNN简述 | 第30-31页 |
| 2.3.3 基于CNN分类器优化的人脸识别算法 | 第31-33页 |
| 2.4 实验结果与分析 | 第33-37页 |
| 2.4.1 ORL数据库中的实验 | 第33-36页 |
| 2.4.2 FERET数据库中的实验 | 第36-37页 |
| 2.5 本章小结 | 第37-39页 |
| 第三章 基于融合全局和局部特征的人脸识别系统 | 第39-58页 |
| 3.1 卷积神经网络 | 第40-44页 |
| 3.1.1 CNN基本结构 | 第40-41页 |
| 3.1.2 CNN层级结构 | 第41-43页 |
| 3.1.3 CNN推导和实现 | 第43-44页 |
| 3.2 局部二值模式 | 第44-47页 |
| 3.2.1 LBP特征描述 | 第44-46页 |
| 3.2.2 LBP检测原理 | 第46-47页 |
| 3.3 基于融合全局和局部特征的人脸识别系统 | 第47-49页 |
| 3.3.1 基于LBP特征的分类器优化人脸识别算法 | 第47-48页 |
| 3.3.2 基于融合全局和局部特征的人脸识别系统 | 第48-49页 |
| 3.4 实验结果与分析 | 第49-56页 |
| 3.4.1 基于LBP结构在ORL数据库中的实验 | 第50-51页 |
| 3.4.2 融合系统在ORL数据库中的实验 | 第51-53页 |
| 3.4.3 基于LBP结构在FERET数据库中的实验 | 第53-54页 |
| 3.4.4 融合系统在FERET数据库中的实验 | 第54-56页 |
| 3.5 本章小结 | 第56-58页 |
| 第四章 基于多层卷积神经网络特征及分类器优化的人脸识别 | 第58-69页 |
| 4.1 卷积神经网络多层特征 | 第58-60页 |
| 4.2 主成分分析法 | 第60-63页 |
| 4.2.1 PCA原理 | 第60-62页 |
| 4.2.2 PCA算法步骤 | 第62-63页 |
| 4.3 基于多层卷积神经网络特征及分类器优化的人脸识别 | 第63-66页 |
| 4.4 实验结果与分析 | 第66-68页 |
| 4.5 本章小节 | 第68-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 论文工作总结 | 第69-70页 |
| 5.2 未来研究展望 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 致谢 | 第77-78页 |
| 攻读硕士期间的研究成果 | 第78-79页 |
| 附件 | 第79页 |
