| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题背景及选题意义 | 第10-11页 |
| 1.2 性别识别方法综述 | 第11-14页 |
| 1.3 性别识别方法的难点 | 第14-15页 |
| 1.4 本文的主要内容 | 第15-16页 |
| 第二章 卷积神经网络研究 | 第16-32页 |
| 2.1 卷积神经网络的背景 | 第16-17页 |
| 2.2 BP神经网络 | 第17-23页 |
| 2.2.1 BP神经网络的前向传播 | 第17-19页 |
| 2.2.2 BP神经网络的反向传播 | 第19-23页 |
| 2.3 卷积神经网络 | 第23-27页 |
| 2.3.1 卷积神经网络的拓扑结构分析 | 第24-25页 |
| 2.3.2 卷积神经网络的反向传播 | 第25-27页 |
| 2.4 基于Fisher准则的反向传播 | 第27-29页 |
| 2.5 实验结果对比分析 | 第29-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 人脸检测和图像预处理 | 第32-45页 |
| 3.1 常用的人脸数据库 | 第32-33页 |
| 3.2 人脸检测 | 第33-41页 |
| 3.2.1 人脸检测方法简介 | 第33-34页 |
| 3.2.2 基于Adaboost的人脸检测方法 | 第34-39页 |
| 3.2.3 基于人脸轮廓的人脸验证 | 第39-40页 |
| 3.2.4 人脸检测的实验结果分析 | 第40-41页 |
| 3.3 人脸图像预处理 | 第41-44页 |
| 3.3.1 灰度图像变化 | 第41-42页 |
| 3.3.2 高斯滤波 | 第42页 |
| 3.3.3 直方图均衡化 | 第42-43页 |
| 3.3.4 图像归一化 | 第43-44页 |
| 3.3.5 人脸矫正 | 第44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 结合GABOR特征和卷积神经网络的性别识别算法 | 第45-57页 |
| 4.1 Gabor特征 | 第45-49页 |
| 4.1.1 一维Gabor小波 | 第46页 |
| 4.1.2 二维Gabor小波 | 第46-47页 |
| 4.1.3 提取人脸的Gabor特征 | 第47-49页 |
| 4.2 算法系统设计和分析 | 第49-52页 |
| 4.2.1 算法分析 | 第49-51页 |
| 4.2.2 本文算法使用的卷积神经网络结构分析 | 第51-52页 |
| 4.3 对比算法设计 | 第52-55页 |
| 4.4 实验分析 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 实验结果与分析 | 第57-65页 |
| 5.1 实验对比分析 | 第57-62页 |
| 5.1.1 实验数据库分析 | 第57-58页 |
| 5.1.2 不同数据库的实验结果对比分析 | 第58-59页 |
| 5.1.3 混合数据库的实验结果对比分析 | 第59-60页 |
| 5.1.4 遮挡实验结果对比分析 | 第60-61页 |
| 5.1.5 不同光照的实验结果对比分析 | 第61-62页 |
| 5.2 基于本文算法的软件平台 | 第62-64页 |
| 5.3 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 工作总结 | 第65页 |
| 6.2 工作展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士期间的主要研究成果 | 第72-73页 |