| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 研究现状 | 第12-19页 |
| 1.2.1 基于单张图像的三维人脸重建 | 第12-16页 |
| 1.2.2 三维人脸辅助下的人脸识别 | 第16-19页 |
| 1.3 研究内容与结构安排 | 第19-20页 |
| 第2章 预备知识 | 第20-32页 |
| 2.1 与人脸重建相关的基本知识 | 第20-27页 |
| 2.1.1 三维人脸的参数化模型 | 第20-24页 |
| 2.1.2 曲面的刚性注册 | 第24-27页 |
| 2.2 与人脸识别相关的基本知识 | 第27-32页 |
| 2.2.1 人脸识别任务的种类 | 第27-28页 |
| 2.2.2 人脸识别任务的评价方法 | 第28-32页 |
| 第3章 基于单张人脸图像的三维人脸重建 | 第32-54页 |
| 3.1 引言 | 第32-33页 |
| 3.2 三维人脸重建方法 | 第33-45页 |
| 3.2.1 粗糙的人脸面部重建 | 第34-38页 |
| 3.2.2 较为精细的人脸面部重建 | 第38-42页 |
| 3.2.3 精细的人脸面部重建 | 第42-45页 |
| 3.3 实验结果与讨论 | 第45-50页 |
| 3.3.1 实验设置 | 第45-46页 |
| 3.3.2 具有正面姿态和中性表情的人脸图像 | 第46页 |
| 3.3.3 具有非正面姿态和带有表情的人脸图像 | 第46-47页 |
| 3.3.4 无约束的人脸图像 | 第47-50页 |
| 3.4 本章小结 | 第50-54页 |
| 第4章 基于三维人脸模型的人脸识别算法研究 | 第54-64页 |
| 4.1 引言 | 第54页 |
| 4.2 基于CNN的二维人脸识别算法的相关回顾 | 第54-58页 |
| 4.2.1 与SoftMax相关的损失函数 | 第55-56页 |
| 4.2.2 与度量学习相关的损失函数 | 第56-57页 |
| 4.2.3 卷积神经网络的结构 | 第57-58页 |
| 4.3 基于三维人脸模型的人脸识别算法 | 第58-61页 |
| 4.3.1 训练集的构造方法 | 第58-61页 |
| 4.3.2 训练算法 | 第61页 |
| 4.4 实验结果与讨论 | 第61-63页 |
| 4.4.1 实验设置 | 第61-62页 |
| 4.4.2 在Webface上的实验结果 | 第62-63页 |
| 4.5 本章小节 | 第63-64页 |
| 第5章 基于深度图像的人脸识别算法研究 | 第64-88页 |
| 5.1 引言 | 第64-65页 |
| 5.2 RGB-D人脸识别算法 | 第65-72页 |
| 5.2.1 属性感知损失函数 | 第65-69页 |
| 5.2.2 属性感知损失函数的使用方法 | 第69-70页 |
| 5.2.3 RGB-D人脸数据的处理方法 | 第70-72页 |
| 5.3 实验结果与讨论 | 第72-87页 |
| 5.3.1 实验设置 | 第72-73页 |
| 5.3.2 关于权重参数和阈值参数的实验 | 第73-75页 |
| 5.3.3 在私有RGB-D人脸数据集上的实验 | 第75-79页 |
| 5.3.4 关于检测属性特征的实验 | 第79页 |
| 5.3.5 关于可控属性的实验 | 第79-80页 |
| 5.3.6 关于融合方案的实验 | 第80-81页 |
| 5.3.7 在具有姿态变化的小规模RGB-D上的实验 | 第81-83页 |
| 5.3.8 在公开的RGB-D人脸数据集上的实验 | 第83-85页 |
| 5.3.9 与其他使用属性方法的比较实验 | 第85-87页 |
| 5.4 本章小结 | 第87-88页 |
| 第6章 总结与展望 | 第88-92页 |
| 6.1 本文工作总结 | 第88-89页 |
| 6.2 未来工作展望 | 第89-92页 |
| 参考文献 | 第92-102页 |
| 致谢 | 第102-103页 |
| 在读期间发表的学术论文与取得的研究成果 | 第103页 |