| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究的背景和意义 | 第15页 |
| 1.2 国内外研究现状 | 第15-16页 |
| 1.3 现有研究方法以及存在的问题 | 第16-18页 |
| 1.3.1 人脸识别流程概述 | 第16-17页 |
| 1.3.2 人脸识别的研究方法 | 第17-18页 |
| 1.3.3 现有人脸识别方法存在的问题 | 第18页 |
| 1.4 论文架构和内容安排 | 第18-21页 |
| 第二章 数据预处理与深度学习基础理论 | 第21-33页 |
| 2.1 数据预处理 | 第21-24页 |
| 2.2 深度学习基础理论 | 第24-32页 |
| 2.2.1 深度学习简介 | 第24-25页 |
| 2.2.2 卷积神经网络(CNN)组成结构 | 第25-30页 |
| 2.2.3 卷积神经网络的训练 | 第30-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第三章 基于LBP特征与卷积神经网络结合的人脸识别算法 | 第33-53页 |
| 3.1 图像融合 | 第33-34页 |
| 3.2 LBP特征简介 | 第34-38页 |
| 3.3 基于LBP特征与深度学习结合的人脸识别算法 | 第38-45页 |
| 3.4 实验结果及参数分析 | 第45-52页 |
| 3.4.1 LBP特征与卷积神经网络的结合对算法性能的影响 | 第45-47页 |
| 3.4.2 数据层融合算法性能分析 | 第47-49页 |
| 3.4.3 网络参数对于数据层融合算法的影响及分析 | 第49-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 基于Maxout的深度学习模型融合人脸识别算法 | 第53-73页 |
| 4.1 模型融合的一般方法 | 第53-55页 |
| 4.2 Maxout网络理论简介 | 第55-59页 |
| 4.3 基于Maxout的深度学习模型融合人脸识别算法 | 第59-65页 |
| 4.4 实验结果及分析 | 第65-71页 |
| 4.4.1 基于Maxout的深度学习模型融合人脸识别算法性能 | 第65-67页 |
| 4.4.2 融合方式与归一化对算法的影响 | 第67-71页 |
| 4.5 本章小结 | 第71-73页 |
| 第五章 基于混合残差网络的人脸识别算法 | 第73-87页 |
| 5.1 残差网络 | 第73-75页 |
| 5.2 基于混合残差网络的人脸识别算法 | 第75-79页 |
| 5.3 实验结果 | 第79-85页 |
| 5.3.1 原始残差单元与自主加权残差单元混合组成的网络更加有效 | 第80-81页 |
| 5.3.2 自主学习的权值与固定权值的比较 | 第81-82页 |
| 5.3.3 不同的混合方式对网络性能的影响 | 第82-85页 |
| 5.4 本章小结 | 第85-87页 |
| 第六章 总结与展望 | 第87-89页 |
| 6.1 研究总结 | 第87-88页 |
| 6.2 研究展望 | 第88-89页 |
| 参考文献 | 第89-95页 |
| 致谢 | 第95-97页 |
| 作者简介 | 第97-98页 |
