| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题研究的背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文的主要研究工作 | 第12页 |
| 1.4 论文的整体结构安排 | 第12-14页 |
| 第二章 人脸图像特征提取方法 | 第14-19页 |
| 2.1 基于几何特征 | 第14页 |
| 2.2 基于子空间 | 第14-16页 |
| 2.2.1 线性子空间分析 | 第15页 |
| 2.2.2 非线性子空间分析 | 第15-16页 |
| 2.3 基于局部特征 | 第16-18页 |
| 2.3.1 SIFT方法 | 第16页 |
| 2.3.2 LBP方法 | 第16-17页 |
| 2.3.3 Gabor小波方法 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第三章 基于深度学习的人脸识别 | 第19-31页 |
| 3.1 深度学习网络基础模型 | 第19-28页 |
| 3.1.1 人工神经网络 | 第20-21页 |
| 3.1.2 深度信念网络 | 第21-24页 |
| 3.1.3 卷积神经网络 | 第24-28页 |
| 3.2 经典算法 | 第28-30页 |
| 3.2.1 浅层结构的BP网络方法 | 第28-29页 |
| 3.2.2 Gabor-Faster R-CNN算法 | 第29-30页 |
| 3.3 本章小结 | 第30-31页 |
| 第四章 基于Gabor局部特征和深度卷积神经网络的人脸识别 | 第31-41页 |
| 4.1 图像预处理 | 第32-33页 |
| 4.2 图像分块与Gabor局部特征提取 | 第33-36页 |
| 4.2.1 图像分块 | 第33-34页 |
| 4.2.2 Gabor局部特征提取 | 第34-36页 |
| 4.3 深度卷积神经网络模型构建 | 第36-40页 |
| 4.3.1 网络模型的构建与优化 | 第36-38页 |
| 4.3.2 网络模型的训练与改进 | 第38-39页 |
| 4.3.3 模型评价指标 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 实验结果与分析 | 第41-48页 |
| 5.1 实验环境与配置 | 第41页 |
| 5.2 实验数据集 | 第41-43页 |
| 5.2.1 ORL数据集 | 第41-42页 |
| 5.2.2 Yale数据集 | 第42页 |
| 5.2.3 Extended Yale B数据集 | 第42-43页 |
| 5.3 预处理结果与分析 | 第43-44页 |
| 5.4 实验结果与分析 | 第44-48页 |
| 5.4.1 实验数据选取 | 第44-45页 |
| 5.4.2 结果与分析 | 第45-48页 |
| 第六章 总结和展望 | 第48-49页 |
| 6.1 全文总结 | 第48页 |
| 6.2 未来展望 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 致谢 | 第53-54页 |
| 攻读硕士学位期间参加科研项目与发表论文情况 | 第54页 |