| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景与挑战 | 第10-11页 |
| 1.1.2 应用价值与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.3 论文主要研究内容 | 第16-17页 |
| 1.4 论文组织结构 | 第17-18页 |
| 2 年龄估计相关理论 | 第18-24页 |
| 2.1 年龄估计算法流程 | 第18页 |
| 2.2 年龄估计相关数据库介绍 | 第18-22页 |
| 2.2.1 FG-NET数据库 | 第19-20页 |
| 2.2.2 MORPH数据库 | 第20-21页 |
| 2.2.3 IMDB-WIKI数据库 | 第21-22页 |
| 2.2.4 其他相关数据库 | 第22页 |
| 2.3 年龄估计的评价指标 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 基于年龄分组及全局-局部纹理特征融合的年龄估计 | 第24-48页 |
| 3.1 算法框架 | 第24-25页 |
| 3.2 图像预处理 | 第25-27页 |
| 3.2.1 人脸图像特征点的检测 | 第25页 |
| 3.2.2 图像的旋转与裁剪 | 第25-26页 |
| 3.2.3 图像的灰度化处理 | 第26-27页 |
| 3.2.4 人脸局部图像裁剪 | 第27页 |
| 3.3 基于LBP算子的年龄特征提取 | 第27-30页 |
| 3.3.1 LBP算法的分析与实现 | 第27-29页 |
| 3.3.2 改进后的LBP算法分析与实现 | 第29-30页 |
| 3.3.3 分块LBP算法的分析与实现 | 第30页 |
| 3.4 基于HOG的年龄特征提取 | 第30-31页 |
| 3.5 基于GOP的年龄特征提取 | 第31-33页 |
| 3.6 特征融合 | 第33-34页 |
| 3.7 主成分分析方法的实现 | 第34-35页 |
| 3.8 年龄估计的分类与回归算法 | 第35-41页 |
| 3.8.1 基于SVM的年龄分组 | 第35-37页 |
| 3.8.2 基于两类别SVM的多类别分类模型 | 第37页 |
| 3.8.3 面向两类别分类问题的核SVM | 第37-39页 |
| 3.8.4 基于SVR在年龄段内的年龄值回归 | 第39-41页 |
| 3.9 实验设置与结果分析 | 第41-47页 |
| 3.9.1 实验设置 | 第41-44页 |
| 3.9.2 实验结果分析 | 第44-47页 |
| 3.10 本章小结 | 第47-48页 |
| 4 基于多通道卷积神经网络进行监督式全局-局部特征提取的年龄估计 | 第48-64页 |
| 4.1 卷积神经网络的基本理论 | 第48-51页 |
| 4.1.1 前向传播算法 | 第49-50页 |
| 4.1.2 BP神经网络和反向传播算法 | 第50-51页 |
| 4.2 卷积神经网络的结构 | 第51-53页 |
| 4.2.1 卷积层 | 第52页 |
| 4.2.2 下采样层 | 第52-53页 |
| 4.3 卷积神经网络的学习过程 | 第53-54页 |
| 4.4 卷积神经网络的经典结构 | 第54-57页 |
| 4.4.1 LeNet-5卷积神经网络结构 | 第54-55页 |
| 4.4.2 AlexNet卷积神经网络结构 | 第55-56页 |
| 4.4.3 GoogLeNet卷积神经网络结构 | 第56页 |
| 4.4.4 VGG-Net卷积神经网络结构 | 第56-57页 |
| 4.5 算法详细设计与实验结果分析 | 第57-62页 |
| 4.5.1 实验设置 | 第57-59页 |
| 4.5.2 实验结果分析 | 第59-62页 |
| 4.5.3 实验结果对比 | 第62页 |
| 4.6 本章小结 | 第62-64页 |
| 5 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64页 |
| 5.2 展望 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72页 |