| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景与研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 人脸识别技术的里程碑及最新进展 | 第13-14页 |
| 1.2.2 最新算法趋势分析 | 第14-15页 |
| 1.2.3 主要存在的问题 | 第15-16页 |
| 1.3 本文主要研究内容及组织结构 | 第16-18页 |
| 第2章 深度学习与人脸识别技术分析 | 第18-29页 |
| 2.1 深度学习概述 | 第18-20页 |
| 2.1.1 深度学习的起源 | 第18-19页 |
| 2.1.2 浅层学习和深度学习 | 第19-20页 |
| 2.2 深度学习与神经网络 | 第20-25页 |
| 2.2.1 神经网络 | 第20-21页 |
| 2.2.2 误差反向传播法 | 第21-22页 |
| 2.2.3 卷积神经网络 | 第22-25页 |
| 2.3 人脸识别技术分析 | 第25-28页 |
| 2.3.1 主流人脸识别相关介绍与分析 | 第25-27页 |
| 2.3.2 深度学习开源框架 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于关键点映射的人脸图像归一化 | 第29-37页 |
| 3.1 人脸特征点定位相关数据库 | 第29页 |
| 3.2 人脸检测与特征点定位 | 第29-33页 |
| 3.2.1 人脸检测与特定点定位算法性能测试 | 第30-32页 |
| 3.2.2 人脸检测评价机制 | 第32-33页 |
| 3.3 关键点映射人脸图像归一化 | 第33-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于多角度评价的数据清理 | 第37-51页 |
| 4.1 大规模人脸识别数据库现状 | 第37-39页 |
| 4.2 人脸识别评价标准 | 第39-41页 |
| 4.3 多角度评价清理图像方法 | 第41-43页 |
| 4.4 实验设计与结果分析 | 第43-50页 |
| 4.4.1 实验设置 | 第44-45页 |
| 4.4.2 不同准确度数据库训练实验 | 第45-46页 |
| 4.4.3 参数α对训练的影响 | 第46-48页 |
| 4.4.4 LFW上的算法性能比较 | 第48-49页 |
| 4.4.5 Youtube Face上的算法性能比较 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 多姿态下的人脸识别研究 | 第51-60页 |
| 5.1 非限定条件下人脸图像的姿态问题 | 第51-52页 |
| 5.2 基于姿态校正图像的特征提取与融合 | 第52-55页 |
| 5.2.1 基于3D模型的二维人脸图像校正 | 第53-54页 |
| 5.2.2 特征线性融合 | 第54-55页 |
| 5.3 实验设计与结果分析 | 第55-59页 |
| 5.3.1 LFW上的测试分析 | 第55-57页 |
| 5.3.2 SWJTU-MF DB上的测试分析 | 第57-59页 |
| 5.4 本章小结 | 第59-60页 |
| 总结与展望 | 第60-62页 |
| 本文工作总结 | 第60-61页 |
| 未来工作展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的论文及参与的科研项目 | 第67页 |