| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究目的和研究意义 | 第9-10页 |
| 1.3 人脸识别技术的国内外研究现状 | 第10-11页 |
| 1.4 本文研究的主要内容和论文章节 | 第11-14页 |
| 第二章 人脸图像的预处理与特征提取 | 第14-25页 |
| 2.1 人脸图像的预处理 | 第14-17页 |
| 2.1.1 直方图均衡化 | 第14-15页 |
| 2.1.2 中值滤波 | 第15-16页 |
| 2.1.3 人脸图像的校正 | 第16-17页 |
| 2.1.4 分辨率标准化 | 第17页 |
| 2.2 人脸图像的NSCT变换 | 第17-23页 |
| 2.2.1 CONTOURLET变换 | 第17-19页 |
| 2.2.2 人脸图像的NSCT变换 | 第19-23页 |
| 2.3 基于NSCT变换的人脸特征提取 | 第23-24页 |
| 2.4 本章总结 | 第24-25页 |
| 第三章 基于深度学习神经网络的人脸识别算法 | 第25-39页 |
| 3.1 人工神经网络概述 | 第25-27页 |
| 3.2 GRNN神经网络 | 第27-29页 |
| 3.3 基于RBM的深度学习神经网络 | 第29-33页 |
| 3.3.1 深度学习 | 第29-30页 |
| 3.3.2 受限玻尔兹曼机RBM | 第30-32页 |
| 3.3.3 基于RBM和BP网络的深度学习神经网络 | 第32-33页 |
| 3.4 基于新型深度学习神经网络的人脸识别算法 | 第33-38页 |
| 3.4.1 基于最优学习速率的RBM训练方法 | 第34-37页 |
| 3.4.1.1 改进遗传优化算法 | 第34-35页 |
| 3.4.1.2 PSO粒子群优化算法 | 第35-36页 |
| 3.4.1.3 基于最优学习效率的RBM训练 | 第36-37页 |
| 3.4.2 基于层叠RBM与GRNN的DBN神经网络 | 第37-38页 |
| 3.5 基于改进深度学习神经网络的人脸识别算法 | 第38页 |
| 3.6 本章总结 | 第38-39页 |
| 第四章 算法实现和实验仿真 | 第39-47页 |
| 4.1 实验环境 | 第39页 |
| 4.2 基于ORL和Yale人脸库的仿真实验分析 | 第39-46页 |
| 4.2.1 ORL和Yale人脸库 | 第39-40页 |
| 4.2.2 仿真实验参数设置 | 第40-41页 |
| 4.2.3 最优学习速率仿真 | 第41-42页 |
| 4.2.4 不同学习速率对应的人脸识别率 | 第42-43页 |
| 4.2.5 不同改进策略对应的人脸识别率 | 第43-45页 |
| 4.2.6 不同算法对应的人脸识别率 | 第45-46页 |
| 4.3 本章总结 | 第46-47页 |
| 第五章 结论 | 第47-48页 |
| 参考文献 | 第48-52页 |
| 攻读学位期间发表的学术成果 | 第52-53页 |
| 致谢 | 第53页 |