| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第13-21页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 人脸检测国内外研究现状 | 第14-16页 |
| 1.2.2 人脸识别国内外研究现状 | 第16-18页 |
| 1.3 本文研究内容 | 第18-19页 |
| 1.4 本文组织结构 | 第19-21页 |
| 2 相关技术概述 | 第21-33页 |
| 2.1 深度学习和卷积神经网络概述 | 第21-26页 |
| 2.1.1 深度学习 | 第21-22页 |
| 2.1.2 卷积神经网络 | 第22-26页 |
| 2.2 深度学习目标检测技术概述 | 第26-29页 |
| 2.2.1 基于多步候选区回归的目标检测算法 | 第26-27页 |
| 2.2.2 基于单步候选区回归的目标检测算法 | 第27-29页 |
| 2.3 深度学习人脸识别技术概述 | 第29-32页 |
| 2.3.1 DeepID人脸识别算法 | 第29-30页 |
| 2.3.2 FaceNet人脸识别算法 | 第30-31页 |
| 2.3.3 基于Center Loss的人脸识别算法 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 3 基于单步候选区回归的人脸检测算法研发 | 第33-51页 |
| 3.1 人脸检测算法概述 | 第33-34页 |
| 3.2 数据增广和迁移学习 | 第34-37页 |
| 3.2.1 数据增广 | 第34-36页 |
| 3.2.2 迁移学习 | 第36-37页 |
| 3.3 轻量级卷积神经网络设计 | 第37-42页 |
| 3.3.1 快速降采样特征提取结构 | 第38-39页 |
| 3.3.2 改进的Inception-V2结构 | 第39-41页 |
| 3.3.3 瓶颈特征结构 | 第41-42页 |
| 3.4 基于输出特征图的分类回归技术 | 第42-49页 |
| 3.4.1 候选区回归训练 | 第43-46页 |
| 3.4.2 改进的K-means人脸聚类分析 | 第46-48页 |
| 3.4.3 多尺度特征图预测 | 第48-49页 |
| 3.5 本章小结 | 第49-51页 |
| 4 基于卷积神经网络的人脸识别算法研发 | 第51-69页 |
| 4.1 人脸识别算法概述 | 第51-52页 |
| 4.2 训练样本预处理技术 | 第52-54页 |
| 4.3 人脸特征提取网络设计 | 第54-62页 |
| 4.3.1 人脸特征提取网络模型概述 | 第54-57页 |
| 4.3.2 改进的Softmax分类算法 | 第57-60页 |
| 4.3.3 人脸特征提取网络优化 | 第60-62页 |
| 4.4 基于深度特征的人脸识别算法研发 | 第62-68页 |
| 4.4.1 基于多分类SVM的1:N模式人脸识别算法 | 第62-65页 |
| 4.4.2 基于余弦相似度的1:1模式人脸识别算法 | 第65-68页 |
| 4.5 本章小结 | 第68-69页 |
| 5 算法测试结果与分析 | 第69-86页 |
| 5.1 测试平台介绍 | 第69-70页 |
| 5.2 人脸检测算法测试 | 第70-75页 |
| 5.2.1 测试方案 | 第70-71页 |
| 5.2.2 测试结果 | 第71-73页 |
| 5.2.3 测试结果分析 | 第73-75页 |
| 5.3 人脸识别算法测试 | 第75-79页 |
| 5.3.1 测试方案 | 第75页 |
| 5.3.2 测试结果 | 第75-78页 |
| 5.3.3 测试结果分析 | 第78-79页 |
| 5.4 人脸识别闸机模拟测试 | 第79-85页 |
| 5.4.1 测试方案 | 第79-80页 |
| 5.4.2 测试结果 | 第80-83页 |
| 5.4.3 测试结果分析 | 第83-85页 |
| 5.5 本章小结 | 第85-86页 |
| 6 总结与展望 | 第86-88页 |
| 6.1 总结 | 第86-87页 |
| 6.2 展望 | 第87-88页 |
| 参考文献 | 第88-92页 |
| 作者简历 | 第92页 |
