基于深度学习的多摄像机监控场景3D人脸识别技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 人脸识别技术方法研究现状 | 第10-12页 |
| 1.3 论文主要研究内容 | 第12-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第二章 相关工作介绍 | 第16-27页 |
| 2.1 深度学习发展综述 | 第16-18页 |
| 2.1.1 神经网络 | 第16-17页 |
| 2.1.2 卷积神经网络 | 第17-18页 |
| 2.2 人脸检测技术概述 | 第18-20页 |
| 2.3 人脸识别发展概述 | 第20-24页 |
| 2.3.1 人脸识别发展阶段 | 第20-22页 |
| 2.3.2 基于深度学习的人脸识别 | 第22-24页 |
| 2.3.3 人脸数据集 | 第24页 |
| 2.4 三维人脸模型技术概述 | 第24-25页 |
| 2.5 本章小结 | 第25-27页 |
| 第三章 基于深度学习的三维人脸识别算法 | 第27-39页 |
| 3.1 算法概述 | 第27页 |
| 3.2 人脸图像预处理 | 第27-31页 |
| 3.2.1 人脸检测MTCNN网络 | 第27-29页 |
| 3.2.2 人脸对齐 | 第29-31页 |
| 3.3 人脸三维模型重建 | 第31-33页 |
| 3.3.1 CNN-3DMM | 第31-33页 |
| 3.3.2 训练数据 | 第33页 |
| 3.4 多人脸三维模型融合 | 第33-36页 |
| 3.4.1 迭代最近点算法 | 第33-34页 |
| 3.4.2 多人脸三维模型融合 | 第34-36页 |
| 3.5 人脸三维模型识别 | 第36-38页 |
| 3.5.1 人脸三维模型转二维深度图 | 第36-37页 |
| 3.5.2 基于深度学习的二维深度图识别 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 多摄像机三维人脸识别系统的设计与实现 | 第39-52页 |
| 4.1 系统开发环境 | 第39-40页 |
| 4.1.1 硬件环境 | 第39页 |
| 4.1.2 软件环境 | 第39-40页 |
| 4.2 系统需求分析 | 第40-41页 |
| 4.2.1 功能需求 | 第40页 |
| 4.2.2 性能需求 | 第40-41页 |
| 4.3 主要功能模块设计与实现 | 第41-45页 |
| 4.3.1 图像采集模块 | 第41页 |
| 4.3.2 图像预处理模块 | 第41-43页 |
| 4.3.3 人脸三维模型重建模块 | 第43-44页 |
| 4.3.4 人脸三维模型融合模块 | 第44页 |
| 4.3.5 人脸三维模型识别模块 | 第44-45页 |
| 4.4 实验数据介绍 | 第45-47页 |
| 4.5 实验结果与分析 | 第47-51页 |
| 4.5.1 人脸图像预处理性能分析 | 第47-49页 |
| 4.5.2 三维人脸识别性能分析 | 第49-51页 |
| 4.5.3 人脸识别性能对比 | 第51页 |
| 4.6 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 论文的工作总结 | 第52-53页 |
| 5.2 未来工作展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 攻读学位期间取得的研究成果 | 第59页 |
