| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第14-26页 |
| 1.1 课题研究背景与意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 人脸特征提取 | 第16-17页 |
| 1.2.2 人脸特征点检测建模方法 | 第17-19页 |
| 1.3 存在的主要问题和挑战 | 第19-21页 |
| 1.4 数据集和评测标准 | 第21-22页 |
| 1.4.1 数据集介绍 | 第21-22页 |
| 1.4.2 算法评价指标 | 第22页 |
| 1.5 本文的主要研究内容和贡献 | 第22-24页 |
| 1.6 本文结构安排 | 第24-26页 |
| 第2章 基于级联沙漏网络的人脸特征点检测 | 第26-42页 |
| 2.1 问题概述 | 第26-27页 |
| 2.2 全卷积神经网络人脸特征点检测原理 | 第27-29页 |
| 2.2.1 全卷积神经网络介绍 | 第27-28页 |
| 2.2.2 人脸特征点检测理论 | 第28-29页 |
| 2.3 框架设计和算法实现 | 第29-33页 |
| 2.3.1 基于沙漏网络的编码解码模块 | 第30-31页 |
| 2.3.2 相似变换模块 | 第31-32页 |
| 2.3.3 由粗到精的训练策略 | 第32-33页 |
| 2.4 实验设计和结果 | 第33-38页 |
| 2.4.1 实验设置 | 第33-34页 |
| 2.4.2 网络训练和参数设置 | 第34-35页 |
| 2.4.3 实验结果及分析 | 第35-38页 |
| 2.5 相关因素分析 | 第38-40页 |
| 2.5.1 级联结构 | 第38-39页 |
| 2.5.2 由粗到精训练方法 | 第39-40页 |
| 2.5.3 算法复杂度分析 | 第40页 |
| 2.6 章节附录 | 第40-41页 |
| 2.7 本章小结 | 第41-42页 |
| 第3章 基于残差项和交叉熵联合优化的人脸特征点检测 | 第42-55页 |
| 3.1 问题概述 | 第42页 |
| 3.2 全卷积神经网络的缺点 | 第42-45页 |
| 3.2.1 全卷积网络理论基础回顾 | 第42-43页 |
| 3.2.2 全卷积网络缺点 | 第43-45页 |
| 3.3 算法设计和实现 | 第45-48页 |
| 3.3.1 残差特征 | 第46-47页 |
| 3.3.2 算法训练流程 | 第47-48页 |
| 3.4 实验设计和结果 | 第48-54页 |
| 3.4.1 实验设置 | 第48-49页 |
| 3.4.2 与基准方法的比较 | 第49-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第4章 基于特征局部约束的人脸特征点检测 | 第55-65页 |
| 4.1 问题概述 | 第55-56页 |
| 4.2 算法设计和实现 | 第56-61页 |
| 4.2.1 人脸对齐 | 第57页 |
| 4.2.2 特征提取 | 第57-59页 |
| 4.2.3 特征局部约束 | 第59-61页 |
| 4.3 实验设计和结果 | 第61-64页 |
| 4.3.1 实验设置 | 第61页 |
| 4.3.2 与基准方法的比较 | 第61-62页 |
| 4.3.3 相关因素分析 | 第62-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第5章 基于人脸特征点检测的人证验证应用 | 第65-70页 |
| 5.1 问题概述 | 第65页 |
| 5.2 人证验证算法 | 第65-68页 |
| 5.2.1 数据集介绍 | 第65-66页 |
| 5.2.2 评价标准 | 第66页 |
| 5.2.3 算法设计及实验结果分析 | 第66-68页 |
| 5.3 人脸特征点检测对人脸验证的影响 | 第68-69页 |
| 5.4 本章小结 | 第69-70页 |
| 第6章 结论与展望 | 第70-72页 |
| 6.1 主要工作总结 | 第70-71页 |
| 6.2 未来工作展望 | 第71-72页 |
| 参考文献 | 第72-79页 |
| 攻读硕士学位期间取得的研究成果 | 第79页 |
| 学术论文 | 第79页 |
| 专利 | 第79页 |
| 参与项目 | 第79页 |