| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-20页 |
| 1.1 人脸识别技术及其意义 | 第9-12页 |
| 1.2 人脸识别技术的难点 | 第12-13页 |
| 1.3 人脸识别技术常用方法及其研究现状 | 第13-18页 |
| 1.3.1 传统人脸识别方法 | 第13-15页 |
| 1.3.2 深度学习在人脸识别中的应用 | 第15-17页 |
| 1.3.3 人脸识别的研究现状 | 第17-18页 |
| 1.4 本文主要的研究内容 | 第18-20页 |
| 1.4.1 本文主要的研究内容 | 第18-19页 |
| 1.4.2 本文的章节安排 | 第19-20页 |
| 2 深度学习的基本理论 | 第20-31页 |
| 2.1 无监督的深层网络 | 第20-25页 |
| 2.1.1 单层无监督特征提取方法 | 第20-24页 |
| 2.1.2 深层无监督特征提取方法 | 第24-25页 |
| 2.2 深层卷积神经网络 | 第25-30页 |
| 2.2.1 CNN网络的特点 | 第26-27页 |
| 2.2.2 CNN网络的正向传播 | 第27-28页 |
| 2.2.3 CNN网络的反向传播 | 第28-30页 |
| 2.3 本章小结 | 第30-31页 |
| 3 基于深度学习与融入梯度信息的人脸姿态估测 | 第31-40页 |
| 3.1 引言 | 第31-32页 |
| 3.2 人脸姿态估测常用方法 | 第32-34页 |
| 3.3 深度信念网络的实施 | 第34-35页 |
| 3.3.1 深度信念网络(Deep Belief Network,DBN) | 第34页 |
| 3.3.2 Softmax分类器 | 第34-35页 |
| 3.4 基于DBN网络与融入梯度信息的人脸姿态分类方法 | 第35-39页 |
| 3.4.1 输入数据归一化 | 第35-36页 |
| 3.4.2 DBN网络结构 | 第36-37页 |
| 3.4.3 实验测试结果及其分析 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 4 基于多特征多网络的深层人脸特征提取方法 | 第40-50页 |
| 4.1 引言 | 第40-41页 |
| 4.2 人脸特征描述方法 | 第41-44页 |
| 4.2.1 灰度特征或RGB特征描述 | 第41页 |
| 4.2.2 LBP特征描述 | 第41-43页 |
| 4.2.3 梯度特征描述 | 第43-44页 |
| 4.3 基于多特征多网络的深层人脸特征提取方法 | 第44-49页 |
| 4.3.1 深层特征提取方案及其具体实施 | 第44-46页 |
| 4.3.2 实验测试结果及其分析 | 第46-49页 |
| 4.4 本章小结 | 第49-50页 |
| 5 一种减小类内特征波动范围的CNN网络微调方法 | 第50-55页 |
| 5.1 引言 | 第50-51页 |
| 5.2 减小类内特征波动范围的CNN微调算法 | 第51页 |
| 5.3 微调算法性能的实验验证 | 第51-54页 |
| 5.3.1 实验中所使用的CNN网络结构 | 第52-53页 |
| 5.3.2 实验测试结果及其分析 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 结语 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士学位期间发表学术论文情况 | 第62-63页 |
| 致谢 | 第63-64页 |