| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 人脸定位方法综述 | 第10-14页 |
| 1.2.1 生成法 | 第11-12页 |
| 1.2.2 判别分类法 | 第12-14页 |
| 1.3 人脸定位现有的难点和挑战 | 第14-15页 |
| 1.4 本文的结构和安排 | 第15-16页 |
| 第2章 神经网络与卷积网络 | 第16-28页 |
| 2.1 神经网络 | 第16-17页 |
| 2.2 卷积神经网络 | 第17-20页 |
| 2.3 DCNN的BP算法 | 第20-23页 |
| 2.4 DCNN的优化与改进 | 第23-27页 |
| 2.4.1 权重初始化 | 第23-24页 |
| 2.4.2 激活函数 | 第24-25页 |
| 2.4.3 参数优化方法 | 第25页 |
| 2.4.4 正则化方法 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 级联形状回归算法 | 第28-40页 |
| 3.1 级联形状回归方法概述 | 第28-29页 |
| 3.2 初始形状的选择 | 第29页 |
| 3.3 特征提取 | 第29-32页 |
| 3.3.1 SIFT特征 | 第29-31页 |
| 3.3.2 LBF特征 | 第31-32页 |
| 3.4 参数回归 | 第32-37页 |
| 3.4.1 随机fern方法 | 第32-34页 |
| 3.4.2 SDM算法及其改进 | 第34-37页 |
| 3.5 形状更新X及概率分布函数P~R求解 | 第37-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第4章 基于coarse-to-fine的人脸定位 | 第40-52页 |
| 4.1 算法提出的背景 | 第40页 |
| 4.2 基于DCNN的人脸粗定位 | 第40-45页 |
| 4.2.1 预处理 | 第40-43页 |
| 4.2.2 网络结构的选择 | 第43-44页 |
| 4.2.3 损失函数 | 第44-45页 |
| 4.3 基于级联形状回归人脸精定位 | 第45-51页 |
| 4.3.1 基于K-means改进的形状候选集选定 | 第46-48页 |
| 4.3.2 coarse-to-fine定位算法 | 第48-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 实验结果与分析 | 第52-60页 |
| 5.1 准备工作 | 第52-54页 |
| 5.1.1 评估标准 | 第52-53页 |
| 5.1.2 数据库介绍 | 第53-54页 |
| 5.2 实验结果分析 | 第54-60页 |
| 5.2.1 基于深度学习的粗定位 | 第54-55页 |
| 5.2.2 基于coarse-to-fine的微调 | 第55-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 本文工作总结 | 第60-61页 |
| 6.2 人脸特征点定位算法展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66页 |
