| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 人脸检测算法研究现状 | 第8-9页 |
| 1.2.2 人脸跟踪技术研究现状 | 第9-10页 |
| 1.2.3 人脸检索方法研究现状 | 第10-11页 |
| 1.3 课题研究主要内容 | 第11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 第二章 理论基础和相关技术 | 第13-23页 |
| 2.1 深度学习 | 第13-18页 |
| 2.1.1 卷积神经网络 | 第13-15页 |
| 2.1.2 激活函数 | 第15-16页 |
| 2.1.3 损失函数 | 第16-18页 |
| 2.2 深度学习框架 | 第18-20页 |
| 2.2.1 Caffe | 第18-19页 |
| 2.2.2 TensorFlow | 第19-20页 |
| 2.2.3 MXNet | 第20页 |
| 2.2.4 Keras | 第20页 |
| 2.3 典型人脸数据集 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 人脸检测技术 | 第23-38页 |
| 3.1 基于Haar特征的AdaBoost人脸检测 | 第23-26页 |
| 3.1.1 Haar特征 | 第23-24页 |
| 3.1.2 积分图 | 第24-25页 |
| 3.1.3 层叠分类器AdaBoost | 第25-26页 |
| 3.2 基于AlexNet卷积神经网络人脸检测 | 第26-30页 |
| 3.2.1 基于AlexNet的人脸检测算法结构 | 第26-29页 |
| 3.2.2 权值更新 | 第29-30页 |
| 3.3 基于CNN的人脸检测 | 第30-33页 |
| 3.3.1 基于CNN的人脸检测算法结构 | 第30-33页 |
| 3.3.2 权值更新 | 第33页 |
| 3.4 非极大值抑制 | 第33-34页 |
| 3.5 评价指标和实验结果分析 | 第34-37页 |
| 3.5.1 评价指标 | 第34-35页 |
| 3.5.2 实验结果与分析 | 第35-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第四章 视频中人脸检索算法稳定性改进 | 第38-46页 |
| 4.1 基于Caffe-face的人脸特征提取 | 第38-39页 |
| 4.2 人脸检索方法 | 第39-40页 |
| 4.3 改进人脸检索稳定性算法 | 第40-45页 |
| 4.3.1 问题分析 | 第40页 |
| 4.3.2 传统人脸跟踪算法 | 第40-42页 |
| 4.3.3 改进人脸跟踪算法 | 第42-44页 |
| 4.3.4 实验结果分析 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 基于校园视频人脸检索系统设计与实现 | 第46-51页 |
| 5.1 系统功能与需求 | 第46页 |
| 5.2 检索系统设计与实现 | 第46-48页 |
| 5.3 系统运行结果展示 | 第48-50页 |
| 5.4 本章小结 | 第50-51页 |
| 总结与展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间发表的学术论文及取得的科研成果 | 第58页 |