基于深度学习的多姿态人脸识别算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-20页 |
| 1.1 课题研究的背景和意义 | 第10-12页 |
| 1.2 人脸识别的国内外研究现状 | 第12-15页 |
| 1.2.1 传统的人脸识别方法 | 第13页 |
| 1.2.2 基于深度学习的人脸识别研究现状 | 第13-15页 |
| 1.3 多姿态人脸识别的国内外研究现状 | 第15-17页 |
| 1.3.1 传统多姿态处理方法 | 第15-16页 |
| 1.3.2 深度学习多姿态处理方法 | 第16-17页 |
| 1.4 论文主要研究内容 | 第17-18页 |
| 1.5 论文章节安排 | 第18-19页 |
| 1.6 本章小结 | 第19-20页 |
| 2 深度学习及人脸识别理论基础 | 第20-32页 |
| 2.1 深度学习概述 | 第20-25页 |
| 2.1.1 深度学习的基本思想 | 第20-21页 |
| 2.1.2 深度卷积神经网络 | 第21-25页 |
| 2.2 人脸识别流程 | 第25-26页 |
| 2.3 人脸数据集与评判标准 | 第26-29页 |
| 2.3.1 人脸数据集 | 第26-27页 |
| 2.3.2 评判标准 | 第27-29页 |
| 2.4 人脸检测及其归一化 | 第29-31页 |
| 2.4.1 人脸检测及特征点提取 | 第29-30页 |
| 2.4.2 人脸归一化 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 3 基于深度卷积神经网络的多姿态人脸识别 | 第32-48页 |
| 3.1 基础模型 | 第32-36页 |
| 3.1.1 FaceNet | 第32页 |
| 3.1.2 VGGFace | 第32-33页 |
| 3.1.3 Caffe-face | 第33-34页 |
| 3.1.4 LightenedCNN | 第34-36页 |
| 3.2 深度卷积神经网络模型 | 第36-40页 |
| 3.2.1 激活函数 | 第36页 |
| 3.2.2 池化层 | 第36-37页 |
| 3.2.3 损失函数 | 第37-39页 |
| 3.2.4 网络模型结构 | 第39-40页 |
| 3.3 实验结果及分析 | 第40-46页 |
| 3.3.1 实验环境 | 第40页 |
| 3.3.2 损失函数参数的研究 | 第40-42页 |
| 3.3.3 实验结果与分析 | 第42-46页 |
| 3.4 本章小结 | 第46-48页 |
| 4 基于深度特征优化的多姿态人脸识别 | 第48-56页 |
| 4.1 深度网络特征提取 | 第48-49页 |
| 4.2 深度特征优化 | 第49-52页 |
| 4.2.1 训练特征优化 | 第49-51页 |
| 4.2.2 测试特征降维 | 第51-52页 |
| 4.3 实验结果及分析 | 第52-55页 |
| 4.3.1 实验模型获取 | 第52页 |
| 4.3.2 特征提取及优化研究 | 第52-54页 |
| 4.3.3 PCA特征降维研究 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 5 基于3D模型生成虚拟人脸的多姿态人脸识别 | 第56-68页 |
| 5.1 虚拟人脸图像 | 第56-57页 |
| 5.2 特征点生成模型 | 第57-59页 |
| 5.3 3D模型生成虚拟人脸 | 第59-62页 |
| 5.3.1 人脸姿态估计 | 第59-60页 |
| 5.3.2 3D模型映射 | 第60-61页 |
| 5.3.3 算法流程 | 第61-62页 |
| 5.4 实验结果及分析 | 第62-66页 |
| 5.4.1 MTCNN人脸检测 | 第62-64页 |
| 5.4.2 样本扩增 | 第64-65页 |
| 5.4.3 IJB-A上的人脸识别 | 第65-66页 |
| 5.5 本章小结 | 第66-68页 |
| 6 总结和展望 | 第68-70页 |
| 6.1 论文总结 | 第68页 |
| 6.2 不足及展望 | 第68-70页 |
| 致谢 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第76-77页 |
