| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 人脸检测国内外发展现状 | 第11-12页 |
| 1.2.2 深度学习国内外发展现状 | 第12-13页 |
| 1.2.3 人脸检测面临的问题 | 第13-14页 |
| 1.3 论文研究的主要内容和结构安排 | 第14-16页 |
| 1.3.1 论文研究的主要内容 | 第14页 |
| 1.3.2 论文的结构安排 | 第14-16页 |
| 第2章 人脸检测相关算法 | 第16-32页 |
| 2.1 Viola-Jones人脸检测算法 | 第16-20页 |
| 2.1.1 Haar特征 | 第16-17页 |
| 2.1.2 AdaBoost分类器原理 | 第17-18页 |
| 2.1.3 非极大值抑制算法 | 第18-19页 |
| 2.1.4 人脸检测算法整体流程 | 第19页 |
| 2.1.5 算法优缺点 | 第19-20页 |
| 2.2 神经网络传播算法 | 第20-22页 |
| 2.3 卷积神经网络 | 第22-26页 |
| 2.4 基于FasterRCNN的人脸检测算法 | 第26-31页 |
| 2.4.1 算法的整体架构 | 第26-27页 |
| 2.4.2 RPN网络 | 第27-29页 |
| 2.4.3 ROI池化与人脸分类回归 | 第29-31页 |
| 2.4.4 算法的优缺点 | 第31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于YOLOv2人脸检测算法 | 第32-43页 |
| 3.1 YOLOV2算法检测流程 | 第32-35页 |
| 3.2 Darknet-19网络模型 | 第35-36页 |
| 3.3 算法优化方法 | 第36-41页 |
| 3.3.1 批量规范化 | 第36-38页 |
| 3.3.2 anchor box | 第38-40页 |
| 3.3.3 直接位置预测 | 第40-41页 |
| 3.4 基于YOLOV2的人脸检测算法的优缺点 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 YOLOv2人脸检测算法改进 | 第43-55页 |
| 4.1 基于残差网络结构的改进 | 第43-50页 |
| 4.2 基于损失函数的改进 | 第50-51页 |
| 4.3 基于图像增强的改进 | 第51-54页 |
| 4.3.1 针对空间的图像增强 | 第52-53页 |
| 4.3.2 针对光线的图像增强 | 第53页 |
| 4.3.3 运动模糊化图像增强 | 第53-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 人脸检测算法对比结果与分析 | 第55-66页 |
| 5.1 网络的训练 | 第55-58页 |
| 5.1.1 数据集的获取 | 第55-56页 |
| 5.1.2 基于k-means的anchor box选取 | 第56页 |
| 5.1.3 学习率调节 | 第56-58页 |
| 5.2 机器配置 | 第58-59页 |
| 5.3 评价指标 | 第59-60页 |
| 5.4 实验结果与对比 | 第60-65页 |
| 5.4.1 faceyolo算法改进效果 | 第60-62页 |
| 5.4.2 图像增强的有效性 | 第62页 |
| 5.4.3 与FasterRCNN人脸检测算法的对比 | 第62-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第6章 基于faceyolo算法的人脸检测系统 | 第66-72页 |
| 6.1 人机交互界面构建 | 第66-68页 |
| 6.2 图像人脸检测交互窗口实现 | 第68-69页 |
| 6.3 实时人脸检测的实现 | 第69-71页 |
| 6.4 本章小结 | 第71-72页 |
| 结论 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第78-79页 |
| 致谢 | 第79页 |