基于改进深层网络的视频人脸识别研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 课题研究背景与意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 人脸识别研究现状 | 第16-17页 |
| 1.2.2 深度学习研究现状 | 第17-18页 |
| 1.3 本文主要内容与章节安排 | 第18-21页 |
| 1.3.1 本文主要研究内容 | 第18-19页 |
| 1.3.2 章节安排 | 第19-21页 |
| 第二章 基于视频的运动目标检测与人脸检测算法 | 第21-38页 |
| 2.1 引言 | 第21页 |
| 2.2 运动目标检测相关算法 | 第21-27页 |
| 2.2.1 帧间差分法 | 第21-23页 |
| 2.2.2 光流法 | 第23页 |
| 2.2.3 背景减法 | 第23-26页 |
| 2.2.4 本文运动目标检测方法 | 第26-27页 |
| 2.3 人脸检测相关算法 | 第27-37页 |
| 2.3.1 基于肤色模型的人脸检测算法 | 第28-30页 |
| 2.3.2 基于纹理特征的人脸检测算法 | 第30-32页 |
| 2.3.3 基于神经网络的人脸检测算法 | 第32页 |
| 2.3.4 本文人脸检测方法 | 第32-37页 |
| 2.4 本章小结 | 第37-38页 |
| 第三章 基于降嗓稀疏自动编码器的卷积核学习算法 | 第38-51页 |
| 3.1 引言 | 第38页 |
| 3.2 卷积操作介绍及其常见问题分析 | 第38-40页 |
| 3.3 降噪稀疏自动编码器的训练原理 | 第40-43页 |
| 3.3.1 降噪稀疏自动编码器 | 第40-42页 |
| 3.3.2 L-BFGS算法 | 第42-43页 |
| 3.4 基于降噪稀疏自动编码器的卷积核学习算法 | 第43-45页 |
| 3.5 实验结果与分析 | 第45-50页 |
| 3.5.1 卷积核的可视化 | 第45-46页 |
| 3.5.2 不同尺寸卷积核的对比 | 第46-49页 |
| 3.5.3 不同数量训练样本的对比 | 第49-50页 |
| 3.5.4 基于卷积操作的样本集扩充实验 | 第50页 |
| 3.6 本章小结 | 第50-51页 |
| 第四章 深层网络特征提取器设计 | 第51-68页 |
| 4.1 引言 | 第51页 |
| 4.2 本章算法的研究背景 | 第51-53页 |
| 4.3 预处理层 | 第53-56页 |
| 4.3.1 归一化处理和直方图均衡化 | 第53-55页 |
| 4.3.2 ZCA白化 | 第55-56页 |
| 4.4 卷积层、池化层的结构与功能 | 第56-58页 |
| 4.4.1 卷积层的设计 | 第56页 |
| 4.4.2 池化层的设计 | 第56-58页 |
| 4.5 双层稀疏自动编码器的训练 | 第58-59页 |
| 4.6 基于SOFTMAX回归模型的分类判决 | 第59-60页 |
| 4.6.1 SOFTMAX回归模型简介 | 第59-60页 |
| 4.6.2 训练SOFTMAX回归模型 | 第60页 |
| 4.7 实验结果与分析 | 第60-67页 |
| 4.7.1 实验数据和网络参数设定 | 第61-62页 |
| 4.7.2 实验结果 | 第62-67页 |
| 4.8 本章小结 | 第67-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 5.1 论文主要内容 | 第68页 |
| 5.2 未来的研究与工作展望 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第75-76页 |
