| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-14页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 研究现状与发展趋势 | 第11-12页 |
| 1.3 本文的主要工作内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 2 人脸识别的经典方法介绍和卷积神经网络理论 | 第14-26页 |
| 2.1 基于几何特征的人脸识别方法 | 第14页 |
| 2.2 PCA算法 | 第14-15页 |
| 2.3 基于线性判别分析的人脸识别方法 | 第15-18页 |
| 2.4 神经网络的理论基础 | 第18-25页 |
| 2.4.1 前馈神经网络结构 | 第18-19页 |
| 2.4.2 梯度下降算法 | 第19-21页 |
| 2.4.3 BP神经网络算法 | 第21-22页 |
| 2.4.4 卷积神经网络 | 第22-25页 |
| 2.4.5 卷积神经网络的优缺点 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 改进LeNet-5的原型卷积神经网络（LCNN） | 第26-40页 |
| 3.1 LeNet-5网络模型结构 | 第26-28页 |
| 3.2 改进的LeNet-5卷积神经网络模型 | 第28-33页 |
| 3.2.1 激活函数的选取 | 第28-30页 |
| 3.2.2 改进的LCNN网络模型结构解析 | 第30-33页 |
| 3.3 LCNN网络模型训练 | 第33-39页 |
| 3.3.1 训练和实验测试的人脸图片数据集 | 第33-35页 |
| 3.3.2 网络模型的训练 | 第35-37页 |
| 3.3.3 模型测试结果与分析 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 4 一种稀疏滤波和LCNN融合改进的网络模型 | 第40-54页 |
| 4.1 稀疏滤波(SparseFiltering) | 第40-43页 |
| 4.1.1 SF算法原理 | 第40-42页 |
| 4.1.2 SF算法性能比较 | 第42-43页 |
| 4.2 稀疏滤波和LCNN网络结构融合 | 第43-50页 |
| 4.2.1 Dropout技术 | 第43-44页 |
| 4.2.2 改进LCNN网络模型 | 第44-46页 |
| 4.2.3 SF-LCNN网络模型训练 | 第46-50页 |
| 4.3 实验结果与分析 | 第50-53页 |
| 4.4 本章小结 | 第53-54页 |
| 5 人脸识别系统的设计与实现 | 第54-62页 |
| 5.1 系统软件环境和硬件环境 | 第54-56页 |
| 5.1.1 系统软件环境 | 第55-56页 |
| 5.1.2 系统硬件环境 | 第56页 |
| 5.2 系统性能特点分析 | 第56-57页 |
| 5.2.1 实时性 | 第56页 |
| 5.2.2 精确性 | 第56-57页 |
| 5.2.3 鲁棒性 | 第57页 |
| 5.3 人脸识别系统功能介绍 | 第57-59页 |
| 5.4 系统测试结果与分析 | 第59-60页 |
| 5.5 本章小结 | 第60-62页 |
| 6 总结与展望 | 第62-64页 |
| 6.1 本文总结 | 第62页 |
| 6.2 工作展望 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-72页 |
| 攻读学位期间参与项目 | 第72-73页 |