首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于深度学习的非限定条件下的人脸识别研究与系统实现

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

论文共54页,点击 下载论文
上一篇:民族地区经济增长质量研究
下一篇:明代致仕官员的社会经济生活研究