| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 基于静态纹理特征的人脸活体检测算法 | 第13-14页 |
| 1.2.2 基于运动以及三维深度特征的人脸活体检测算法 | 第14-16页 |
| 1.2.3 基于深度学习的人脸活体检测算法 | 第16页 |
| 1.3 人脸活体检测常用数据库 | 第16-18页 |
| 1.3.1 NUAA数据库 | 第16-17页 |
| 1.3.2 CAISA数据库 | 第17页 |
| 1.3.3 Print-attack数据库 | 第17页 |
| 1.3.4 Replay-attack数据库 | 第17-18页 |
| 1.4 论文的研究内容和结构 | 第18-21页 |
| 第二章 活体人脸检测算法相关基础 | 第21-35页 |
| 2.1 卷积神经网络简介 | 第21-27页 |
| 2.1.1 局部感知和权值共享 | 第22页 |
| 2.1.2 卷积层 | 第22-23页 |
| 2.1.3 池化 | 第23-25页 |
| 2.1.4 激活函数选择 | 第25-27页 |
| 2.1.5 损失函数与分类决策 | 第27页 |
| 2.2 卷积神经网络训练过程分析 | 第27-32页 |
| 2.2.1 前向传播过程 | 第28-29页 |
| 2.2.2 反向传播过程 | 第29-30页 |
| 2.2.3 卷积神经网络的具体训练过程 | 第30-32页 |
| 2.3 视频图像中的人脸检测方法及预处理方法 | 第32-35页 |
| 2.3.1 人脸检测算法 | 第32页 |
| 2.3.2 高斯曲率滤波 | 第32-34页 |
| 2.3.3 同态光照补偿 | 第34-35页 |
| 第三章 基于卷积神经网络的人脸活体检测算法研究 | 第35-49页 |
| 3.1 直接切取归一化与卷积神经网络 | 第36-39页 |
| 3.1.1 RFC-CNN算法的预处理分析 | 第36页 |
| 3.1.2 RFC-CNN算法的卷积神经网络设计 | 第36-39页 |
| 3.1.3 特征训练和分类 | 第39页 |
| 3.2 多特征提取归一化与卷积神经网络 | 第39-42页 |
| 3.2.1 DFC-CNN算法的预处理分析 | 第39-40页 |
| 3.2.2 DFC-CNN算法的卷积神经网络设计 | 第40-42页 |
| 3.3 实验结果与分析 | 第42-49页 |
| 3.3.1 实验参数以及评估指标设置 | 第42页 |
| 3.3.2 RFC-CNN算法检测性能分析 | 第42-44页 |
| 3.3.3 DFC-CNN算法检测性能分析 | 第44-46页 |
| 3.3.4 批量标准化对算法检测性能的影响分析 | 第46页 |
| 3.3.5 活体检测算法综合性能分析 | 第46-49页 |
| 第四章 基于分解小卷积核的贪婪共享性人脸活体检测算法研究 | 第49-63页 |
| 4.1 LFC-CNN算法的卷积神经网络设计 | 第49-53页 |
| 4.1.1 LFC-CNN算法的预处理分析 | 第49-50页 |
| 4.1.2 LFC-CNN算法的卷积神经网络设计 | 第50-53页 |
| 4.2 SFC-CNN算法的卷积神经网络设计 | 第53-55页 |
| 4.3 实验结果分析 | 第55-63页 |
| 4.3.1 算法实现与评价指标 | 第55页 |
| 4.3.2 不同连接手段对LFC-CNN的影响 | 第55-56页 |
| 4.3.3 不同池化深度对LFC-CNN的影响 | 第56页 |
| 4.3.4 不同预处理算法对LFC-CNN的影响 | 第56-57页 |
| 4.3.5 不同共享方式对SFC-CNN的影响 | 第57-58页 |
| 4.3.6 算法整体性能分析 | 第58-63页 |
| 第五章 基于BM-CNN卷积神经网络的活体人脸检测算法研究 | 第63-75页 |
| 5.1 BM-CNN算法的预处理过程实现 | 第63-64页 |
| 5.2 BM卷积神经网络 | 第64-68页 |
| 5.2.1 BM-CNN网络结构 | 第64-66页 |
| 5.2.2 二均值池化方法 | 第66-68页 |
| 5.3 实验结果与分析 | 第68-75页 |
| 5.3.1 算法实现与评价指标 | 第68页 |
| 5.3.2 预处理算法实验与分析 | 第68-70页 |
| 5.3.3 BM池化算法实验与分析 | 第70-71页 |
| 5.3.4 并行网络性能分析 | 第71-72页 |
| 5.3.5 算法检测性能对比 | 第72-73页 |
| 5.3.6 算法在小样本数量下的对比实验 | 第73-74页 |
| 5.3.7 算法耗时检测 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 全文总结 | 第75-76页 |
| 6.2 研究展望 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 致谢 | 第83-84页 |
| 附录 (攻读学位期间发表论文目录) | 第84页 |
