基于深度学习的人脸识别技术研究
| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 论文选题背景 | 第11-12页 |
| 1.2 课题应用及意义 | 第12-13页 |
| 1.3 人脸识别系统结构 | 第13-14页 |
| 1.4 人脸识别的国内外研究现状 | 第14-16页 |
| 1.4.1 传统人脸识别方法 | 第14-15页 |
| 1.4.2 基于深度学习的人脸识别方法 | 第15-16页 |
| 1.5 论文的结构安排及主要研究工作 | 第16-18页 |
| 第2章 神经网络和深度神经网络 | 第18-28页 |
| 2.1 神经网络和深度神经网络概述 | 第18-20页 |
| 2.1.1 神经网络 | 第18-19页 |
| 2.1.2 深度神经网络 | 第19-20页 |
| 2.2 神经网络和深度神经网络算法简介 | 第20-26页 |
| 2.2.1 前向传播算法 | 第20-22页 |
| 2.2.2 反向传播算法 | 第22-23页 |
| 2.2.3 人脑视觉原理和深度学习 | 第23-24页 |
| 2.2.4 卷积神经网络 | 第24-26页 |
| 2.3 深度神经网络计算框架Caffe简介 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基础模型和训练集 | 第28-36页 |
| 3.1 基础模型 | 第28-33页 |
| 3.1.1 VGGFace | 第28-29页 |
| 3.1.2 Lightened CNN | 第29-31页 |
| 3.1.3 Caffe-face | 第31-33页 |
| 3.2 人脸数据集 | 第33-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第4章 基于MTCNN和仿射变换的人脸预处理 | 第36-42页 |
| 4.1 人脸检测技术 | 第36-37页 |
| 4.2 MTCNN人脸检测算法简介 | 第37-38页 |
| 4.3 人脸归一化 | 第38-41页 |
| 4.3.1 仿射变换 | 第38-40页 |
| 4.3.2 参数估计 | 第40页 |
| 4.3.3 不同基础模型的归一化方法 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第5章 特征融合 | 第42-48页 |
| 5.1 不同基础模型的特征提取 | 第42-43页 |
| 5.2 特征降维 | 第43-46页 |
| 5.2.1 PCA算法简介 | 第44页 |
| 5.2.2 基于多角度的人脸PCA算法 | 第44-46页 |
| 5.3 特征融合 | 第46-47页 |
| 5.4 本章小结 | 第47-48页 |
| 第6章 基于深度多模型融合的人脸识别 | 第48-57页 |
| 6.1 模型训练 | 第48-49页 |
| 6.1.1 基本网络结构 | 第48页 |
| 6.1.2 模型训练方法 | 第48-49页 |
| 6.2 测试数据集和评价指标 | 第49-52页 |
| 6.2.1 测试数据集 | 第49-50页 |
| 6.2.2 评价指标 | 第50-52页 |
| 6.3 实验结果与分析 | 第52-56页 |
| 6.3.1 DNN参数对网络训练的影响 | 第52-54页 |
| 6.3.2 基础特征权重对改进模型的影响 | 第54页 |
| 6.3.3 LFW和YTF上的算法性能对比 | 第54-55页 |
| 6.3.4 LFW的测试数据统计 | 第55-56页 |
| 6.4 本章小结 | 第56-57页 |
| 总结与展望 | 第57-59页 |
| 本文工作总结 | 第57-58页 |
| 未来工作展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士期间发表的论文及参与的科研项目 | 第65页 |
