基于深度学习的监控视频中人脸识别方法改进
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.2.3 发展趋势 | 第14-15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 1.4 本文组织与结构 | 第16-19页 |
| 第2章 相关技术 | 第19-35页 |
| 2.1 深度学习方法 | 第19-24页 |
| 2.1.1 深度学习发展历程 | 第19-20页 |
| 2.1.2 浅层学习与深度学习 | 第20-21页 |
| 2.1.3 卷积神经网络 | 第21-24页 |
| 2.2 人脸图像质量评估方法 | 第24-28页 |
| 2.2.1 标准人脸图像 | 第24-25页 |
| 2.2.2 影响人脸图像质量的因素 | 第25-28页 |
| 2.2.3 人脸图像质量评估 | 第28页 |
| 2.3 人脸识别方法 | 第28-33页 |
| 2.3.1 传统人脸识别方法 | 第29-30页 |
| 2.3.2 基于深度学习的人脸识别方法 | 第30-33页 |
| 2.4 本章总结 | 第33-35页 |
| 第3章 基于多尺度CNN的人脸图像质量评估方法 | 第35-49页 |
| 3.1 问题描述 | 第35页 |
| 3.2 主体思想 | 第35-36页 |
| 3.3 算法流程 | 第36-38页 |
| 3.3.1 多尺度CNN模型 | 第36-37页 |
| 3.3.2 局部标准化 | 第37-38页 |
| 3.3.3 结合识别算法的训练样本标定 | 第38页 |
| 3.4 实验设计及结果分析 | 第38-48页 |
| 3.4.1 实验数据集 | 第38-40页 |
| 3.4.2 人脸图像质量对识别性能的影响实验 | 第40-42页 |
| 3.4.3 人脸图像质量评估实验 | 第42-45页 |
| 3.4.4 基于质量评估的监控视频中人脸识别实验 | 第45-48页 |
| 3.5 本章总结 | 第48-49页 |
| 第4章 监控视频中人脸数据集自动收集方法 | 第49-59页 |
| 4.1 问题描述 | 第49页 |
| 4.2 主体思想 | 第49-50页 |
| 4.3 算法流程 | 第50-54页 |
| 4.3.1 形成初始数据集 | 第50-52页 |
| 4.3.2 去除类内杂质样本 | 第52-53页 |
| 4.3.3 合并重复类别 | 第53页 |
| 4.3.4 调优人脸模型 | 第53-54页 |
| 4.4 实验设计及结果分析 | 第54-58页 |
| 4.4.1 数据集纯净度验证实验 | 第54-56页 |
| 4.4.2 caffeNet模型调优实验 | 第56-57页 |
| 4.4.3 VGGFace人脸模型调优实验 | 第57-58页 |
| 4.5 本章总结 | 第58-59页 |
| 第5章 监控视频中人脸识别验证系统 | 第59-65页 |
| 5.1 需求分析 | 第59-60页 |
| 5.2 监控视频中人脸识别验证系统 | 第60-63页 |
| 5.2.1 视频采集与视频解析模块 | 第60-61页 |
| 5.2.2 人脸检测与跟踪模块 | 第61页 |
| 5.2.3 人脸质量评估模块 | 第61-62页 |
| 5.2.4 人脸识别模块 | 第62-63页 |
| 5.3 系统应用与测试 | 第63页 |
| 5.4 本章总结 | 第63-65页 |
| 第6章 总结与展望 | 第65-67页 |
| 6.1 本文工作总结 | 第65-66页 |
| 6.2 未来工作展望 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-75页 |
| 在读期间发表的学术论文与取得的研究成果 | 第75页 |
