| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 检测方法 | 第9-10页 |
| 1.2.2 识别方法 | 第10-11页 |
| 1.2.3 现存的问题及难点 | 第11页 |
| 1.3 本文主要研究内容及工作安排 | 第11-14页 |
| 1.3.1 论文主要内容 | 第11-12页 |
| 1.3.2 论文组织结构 | 第12-14页 |
| 2 基于区域色彩量化和扩展Haar-Like特征的猴脸检测 | 第14-28页 |
| 2.1 基于区域色彩量化的猴脸候选区域检测 | 第15-17页 |
| 2.1.1 金丝猴HSI颜色空间的模型建立 | 第15-16页 |
| 2.1.2 基于区域色彩量化的猴脸检测 | 第16-17页 |
| 2.2 基于扩展Haar-Like特征的猴脸区域精检测 | 第17-18页 |
| 2.2.1 多姿态猴脸的Haar-Like特征 | 第17-18页 |
| 2.2.2 Adaboost算法的分类器 | 第18页 |
| 2.3 实验与分析 | 第18-26页 |
| 2.3.1 金丝猴数据集的建立 | 第18-20页 |
| 2.3.2 区域色彩量化的猴脸检测实验结果 | 第20-24页 |
| 2.3.3 扩展Haar-Like特征的猴脸检测实验分析 | 第24-26页 |
| 2.3.4 本章方法同其他方法识别性能对比 | 第26页 |
| 2.4 本章小结 | 第26-28页 |
| 3 基于改进的CNN数据增强的多姿态猴脸识别方法 | 第28-42页 |
| 3.1 金丝猴猴脸的数据增强 | 第28-29页 |
| 3.2 改进CNN网络结构 | 第29-34页 |
| 3.2.1 CNN网络 | 第29-30页 |
| 3.2.2 孪生网络 | 第30-32页 |
| 3.2.3 CNN网络与孪生网络的融合 | 第32-33页 |
| 3.2.4 相似距离学习算法 | 第33-34页 |
| 3.3 实验结果及分析 | 第34-40页 |
| 3.3.1 猴脸数据增强实验 | 第35-38页 |
| 3.3.2 多姿态猴脸识别实验 | 第38-39页 |
| 3.3.3 本方法同其它方法识别性能对比实验 | 第39-40页 |
| 3.4 本章小结 | 第40-42页 |
| 4 结论 | 第42-44页 |
| 4.1 总结 | 第42页 |
| 4.2 研究展望 | 第42-44页 |
| 致谢 | 第44-46页 |
| 参考文献 | 第46-50页 |
| 附录 | 第50页 |
