| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10页 |
| 1.2 人脸检测研究发展综述 | 第10-15页 |
| 1.2.1 人脸检测算法的评价指标 | 第11页 |
| 1.2.2 人脸检测经典算法 | 第11-14页 |
| 1.2.3 人脸检测技术的挑战 | 第14-15页 |
| 1.3 文章研究内容及架构 | 第15-16页 |
| 第2章 卷积网络与深度卷积网络 | 第16-30页 |
| 2.1 卷积网络发展历史 | 第16-17页 |
| 2.2 卷积网络 | 第17-27页 |
| 2.2.1 卷积网络结构 | 第17-20页 |
| 2.2.2 softmax分类网络 | 第20-21页 |
| 2.2.3 损失函数 | 第21-22页 |
| 2.2.4 正则化 | 第22-24页 |
| 2.2.5 反向传播算法 | 第24-26页 |
| 2.2.6 网络超参数 | 第26-27页 |
| 2.3 深度卷积网络 | 第27-29页 |
| 2.3.1 深度卷积网络的发展历史 | 第27-28页 |
| 2.3.2 深度卷积网络的结构 | 第28页 |
| 2.3.3 深度卷积网络的改进 | 第28页 |
| 2.3.4 经典的深度卷积网络 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 特征融合的单级CNN人脸检测算法 | 第30-50页 |
| 3.1 特征融合的单级CNN人脸检测算法 | 第30-39页 |
| 3.1.1 特征提取 | 第31-37页 |
| 3.1.2 PCA降维 | 第37页 |
| 3.1.3 SVM二分类 | 第37-38页 |
| 3.1.4 边框回归 | 第38-39页 |
| 3.1.5 检测框后处理 | 第39页 |
| 3.2 特征融合的单级CNN人脸检测算法实验 | 第39-44页 |
| 3.2.1 数据准备 | 第39-42页 |
| 3.2.2 数据处理 | 第42页 |
| 3.2.3 网络超参数设置 | 第42页 |
| 3.2.4 模型最优参数选择 | 第42-43页 |
| 3.2.5 实验测试 | 第43-44页 |
| 3.3 实验结果分析 | 第44-49页 |
| 3.3.1 PCA累计贡献率选择 | 第44-45页 |
| 3.3.2 SVM核函数选择 | 第45页 |
| 3.3.3 offset pooling有效性验证 | 第45-46页 |
| 3.3.4 特征融合有效性分析 | 第46页 |
| 3.3.5 与其他方法的比较 | 第46-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第4章 基于faster RCNN的级联CNN人脸检测算法 | 第50-80页 |
| 4.1 faster RCNN | 第50-56页 |
| 4.1.1 RPN | 第51-53页 |
| 4.1.2 fast RCNN检测器 | 第53-56页 |
| 4.1.3 RPN和fast RCNN共享卷积层 | 第56页 |
| 4.1.4 faster RCNN实验 | 第56页 |
| 4.2 基于faster RCNN的级联CNN人脸检测算法 | 第56-66页 |
| 4.2.1 增加anchor尺度 | 第57-58页 |
| 4.2.2 均衡RPN正负anchor比例 | 第58页 |
| 4.2.3 FP-RPN | 第58-62页 |
| 4.2.4 OHEM | 第62-63页 |
| 4.2.5 FP-FCN | 第63-66页 |
| 4.3 基于faster RCNN的级联CNN人脸检测算法实验 | 第66-68页 |
| 4.3.1 数据准备 | 第66页 |
| 4.3.2 实验设置 | 第66-68页 |
| 4.4 实验结果分析 | 第68-79页 |
| 4.4.1 RPN中增加anchor尺度有效性验证 | 第68-69页 |
| 4.4.2 OHEM有效性验证 | 第69-70页 |
| 4.4.3 限制anchor正负比例有效性验证 | 第70页 |
| 4.4.4 FP-RPN分析 | 第70-74页 |
| 4.4.5 FP-FCN分析 | 第74-77页 |
| 4.4.6 与其他人脸检测器的比较 | 第77-79页 |
| 4.5 本章小结 | 第79-80页 |
| 第5章 总结与展望 | 第80-82页 |
| 5.1 本文工作总结 | 第80页 |
| 5.2 未来工作展望 | 第80-82页 |
| 参考文献 | 第82-86页 |
| 致谢 | 第86-88页 |
| 攻读硕士学位期间完成的论文和专利 | 第88页 |
