| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 缩略词表 | 第13-15页 |
| 主要符号表 | 第15-17页 |
| 第一章 绪论 | 第17-34页 |
| 1.1 研究背景及意义 | 第17-19页 |
| 1.2 研究现状及存在的问题 | 第19-29页 |
| 1.2.1 概述 | 第19-20页 |
| 1.2.2 人脸图像预处理 | 第20-22页 |
| 1.2.3 人脸特征提取 | 第22-25页 |
| 1.2.4 人脸特征向量的距离度量 | 第25-27页 |
| 1.2.5 判别分类 | 第27-29页 |
| 1.3 本文研究内容及创新点 | 第29-32页 |
| 1.3.1 研究内容 | 第29-30页 |
| 1.3.2 创新点 | 第30-32页 |
| 1.4 本文的基本组织结构 | 第32-34页 |
| 第二章 基于人脸图像预评估的自适应人脸验证 | 第34-62页 |
| 2.1 研究现状及问题形成 | 第34-36页 |
| 2.2 预备知识 | 第36-39页 |
| 2.2.1 主要概念与相关标记 | 第36-37页 |
| 2.2.2 关键点局部特征描述和图像对关键点差异向量描述 | 第37-39页 |
| 2.3 基于异常差异检测的人脸区域选择方法 | 第39-42页 |
| 2.3.1 异常差异检测和图像对可靠性评估 | 第39-41页 |
| 2.3.2 基于异常差异检测的人脸区域选择 | 第41-42页 |
| 2.4 基于SVR的人脸区域选择方法 | 第42-46页 |
| 2.4.1 基于图像对相似分的可靠性定义 | 第42-43页 |
| 2.4.2 模型构建与学习 | 第43-44页 |
| 2.4.3 基于概率模型的区域选择方法 | 第44-46页 |
| 2.5 基于SAE的人脸区域选择方法 | 第46-52页 |
| 2.5.1 深度模型选择 | 第47-48页 |
| 2.5.2 深度网络设计与训练 | 第48-51页 |
| 2.5.3 基于SAE评估模型的区域选择方法 | 第51-52页 |
| 2.6 实验 | 第52-60页 |
| 2.6.1 实验设置 | 第53-54页 |
| 2.6.2 评估全脸和局部人脸 | 第54-55页 |
| 2.6.3 分析与验证本工作提出的方法 | 第55-59页 |
| 2.6.4 分析所提方法对视觉干扰条件差异的鲁棒性 | 第59-60页 |
| 2.7 本章小结 | 第60-62页 |
| 第三章 基于特征池化学习的高层人脸特征表达 | 第62-87页 |
| 3.1 研究现状及问题形成 | 第62-65页 |
| 3.2 基于特征池化学习的高层人脸特征提取方法 | 第65-68页 |
| 3.2.1 标记与定义 | 第65-66页 |
| 3.2.2 基于特征池化学习提取人脸高层特征的基本流程 | 第66-68页 |
| 3.3 特征池化学习 | 第68-75页 |
| 3.3.1 问题形式化 | 第69-70页 |
| 3.3.2 优化与求解 | 第70-73页 |
| 3.3.3 讨论与分析 | 第73-75页 |
| 3.4 实验 | 第75-85页 |
| 3.4.1 人脸身份识别实验 | 第75-82页 |
| 3.4.1.1 实验设置 | 第75-76页 |
| 3.4.1.2 与经典池化方法的比较 | 第76-79页 |
| 3.4.1.3 对池化区域的分析 | 第79-80页 |
| 3.4.1.4 与最近提出的池化学习算法比较 | 第80-82页 |
| 3.4.2 人脸验证实验 | 第82-85页 |
| 3.4.2.1 实验设置 | 第82页 |
| 3.4.2.2 在非可控条件下评估学习的人脸高层特征 | 第82-84页 |
| 3.4.2.3 学习的人脸高层特征与其它技术相联合 | 第84-85页 |
| 3.5 本章小结 | 第85-87页 |
| 第四章 基于距离度量学习自适应评估人脸相似性 | 第87-113页 |
| 4.1 研究现状及问题形成 | 第87-89页 |
| 4.2 基于视觉条件差异自适应调整的距离度量学习 | 第89-96页 |
| 4.2.1 距离度量定义 | 第89-90页 |
| 4.2.2 形式化描述 | 第90-91页 |
| 4.2.3 算法设计与求解 | 第91-93页 |
| 4.2.4 算法讨论与分析 | 第93-96页 |
| 4.3 视觉条件差异评估 | 第96-102页 |
| 4.3.1 概述 | 第96-97页 |
| 4.3.2 基于形状模型的视觉条件差异评估 | 第97-101页 |
| 4.3.3 基于参照集方法的视觉条件差异评估 | 第101-102页 |
| 4.4 实验 | 第102-111页 |
| 4.4.1 人脸验证 | 第102-110页 |
| 4.4.1.1 实验设置 | 第102-104页 |
| 4.4.1.2 参数分析与模型分析 | 第104-107页 |
| 4.4.1.3 比较实验 | 第107-110页 |
| 4.4.2 人脸身份识别 | 第110-111页 |
| 4.4.2.1 实验设置 | 第110页 |
| 4.4.2.2 比较实验 | 第110-111页 |
| 4.5 本章小结 | 第111-113页 |
| 第五章 基于优化训练和组织多分类器的人脸验证 | 第113-136页 |
| 5.1 研究现状及问题形成 | 第113-115页 |
| 5.2 所提方法概述 | 第115-116页 |
| 5.3 基于概率表达的视觉一致性度量 | 第116-118页 |
| 5.4 基于VCM优化训练多分类器 | 第118-123页 |
| 5.4.1 图像对的多距离向量表达 | 第119-120页 |
| 5.4.2 分组训练样本和训练分类器 | 第120-123页 |
| 5.5 基于VCM优化组织多分类器执行判别 | 第123-128页 |
| 5.5.1 根据VCM计算分类器决策分 | 第123页 |
| 5.5.2 优化组织多分类器 | 第123-126页 |
| 5.5.3 讨论与分析 | 第126-128页 |
| 5.6 实验 | 第128-134页 |
| 5.6.1 实验设置 | 第128-129页 |
| 5.6.2 评估图像对的多距离向量表达 | 第129-130页 |
| 5.6.3 分析基于VCM训练分类器的贡献 | 第130-132页 |
| 5.6.4 评估优化组织多分类器的方案 | 第132-133页 |
| 5.6.5 与当前方法的比较 | 第133-134页 |
| 5.7 本章小结 | 第134-136页 |
| 第六章 总结和展望 | 第136-140页 |
| 6.1 本学位论文的主要工作 | 第136-137页 |
| 6.2 主要特色和创新点 | 第137-138页 |
| 6.3 工作展望 | 第138-140页 |
| 致谢 | 第140-141页 |
| 参考文献 | 第141-155页 |
| 攻博期间取得的研究成果 | 第155-156页 |
