摘要 | 第2-4页 |
ABSTRACT | 第4-5页 |
第一章 绪论 | 第9-16页 |
1.1 研究背景和意义 | 第9页 |
1.2 国内外研究现状 | 第9-12页 |
1.2.1 人脸检测 | 第9-10页 |
1.2.2 人脸识别 | 第10-11页 |
1.2.3 深度学习在目标检测和识别中的应用 | 第11-12页 |
1.3 本文的主要工作 | 第12-14页 |
1.3.1 目标检测的研究 | 第13页 |
1.3.2 目标特征提取方法的研究 | 第13-14页 |
1.4 论文的组织结构 | 第14-15页 |
1.5 本章小结 | 第15-16页 |
第二章 传统的人脸检测和识别算法 | 第16-21页 |
2.1 传统的人脸检测算法 | 第16-18页 |
2.1.1 基于直方图粗分割和奇异值特征的人脸检测算法 | 第16页 |
2.1.2 基于二进小波变换的人脸检测 | 第16-17页 |
2.1.3 基于AdaBoost算法的人脸检测 | 第17-18页 |
2.1.4 基于面部双眼结构特征的人脸检测 | 第18页 |
2.2 传统的人脸识别算法概述 | 第18-20页 |
2.2.1 基于几何特征的人脸识别算法 | 第18-19页 |
2.2.2 基于特征脸(Eigenface)的人脸识别算法 | 第19-20页 |
2.3 非限定条件下的人脸识别概述 | 第20页 |
2.4 本章小结 | 第20-21页 |
第三章 基于深度卷积网络的非限定条件下的人脸检测算法 | 第21-32页 |
3.1 深度卷积网络概述 | 第21-26页 |
3.1.1 卷积操作 | 第22-23页 |
3.1.2 池化(pooling)操作 | 第23-24页 |
3.1.3 特征金字塔 | 第24-25页 |
3.1.4 Inception结构 | 第25-26页 |
3.2 深度卷积网络的训练与学习 | 第26-27页 |
3.3 Caffe深度学习框架 | 第27-28页 |
3.4 本文提出的人脸检测算法 | 第28-31页 |
3.4.1 基于NCC Face Detect Net的人脸检测算法 | 第28-30页 |
3.4.2 网络训练和算法 | 第30-31页 |
3.5 本章小结 | 第31-32页 |
第四章 基于深度卷积网络的非限定条件下的人脸识别算法 | 第32-39页 |
4.1 引言 | 第32页 |
4.2 本文提出的人脸识别算法 | 第32-38页 |
4.2.1 基于NCC Face Recognition Net的人脸识别算法 | 第33-36页 |
4.2.2 网络训练与算法实现 | 第36-38页 |
4.3 本章小结 | 第38-39页 |
第五章 面向视频监控的人脸卡口检测与识别系统实现和性能分析 | 第39-48页 |
5.1 数据库和实验环境 | 第39页 |
5.2 评价指标 | 第39-40页 |
5.3 实验结果 | 第40-44页 |
5.3.1 标准人脸数据库的实验结果 | 第40-41页 |
5.3.2 人脸卡口数据的实验结果 | 第41-42页 |
5.3.3 倾角对算法鲁棒性的影响 | 第42页 |
5.3.4 图像分辨率对算法鲁棒性的影响 | 第42-44页 |
5.4 与现有方法进行对比测试 | 第44-45页 |
5.5 面向视频监控的人脸卡口识别系统 | 第45-46页 |
5.5.1 人脸卡口识别系统搭建 | 第45-46页 |
5.5.2 系统性能分析 | 第46页 |
5.6 本章小结 | 第46-48页 |
第六章 总结与展望 | 第48-49页 |
参考文献 | 第49-53页 |
致谢 | 第53-54页 |