| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 引言 | 第11-19页 |
| 1.1 课题来源 | 第11页 |
| 1.2 研究的目的及意义 | 第11-16页 |
| 1.3 论文主要工作 | 第16-17页 |
| 1.4 论文的创新点 | 第17页 |
| 1.5 本文的组织结构 | 第17-19页 |
| 2 文献综述 | 第19-38页 |
| 2.1 二维人耳检测综述 | 第19-24页 |
| 2.2 二维人耳识别综述 | 第24-30页 |
| 2.3 深度学习理论与应用 | 第30-37页 |
| 2.3.1 深度学习的概念 | 第30-33页 |
| 2.3.2 卷积神经网络 | 第33-37页 |
| 2.4 本章小结 | 第37-38页 |
| 3 构建非受控场景大规模人耳数据库 | 第38-46页 |
| 3.1 USTB-WebEar数据库 | 第38-40页 |
| 3.2 USTB-Helloear数据库 | 第40-45页 |
| 3.3 本章小结 | 第45-46页 |
| 4 基于多尺度Faster R-CNN的人耳检测算法的研究 | 第46-61页 |
| 4.1 多尺度Faster R-CNN算法 | 第48-51页 |
| 4.2 实验结果与分析 | 第51-55页 |
| 4.3 非受控场景的鲁棒性 | 第55-58页 |
| 4.3.1 对遮挡的鲁棒性 | 第55-56页 |
| 4.3.2 对姿态变化的鲁棒性 | 第56-58页 |
| 4.3.3 对其他非受控干扰的鲁棒性 | 第58页 |
| 4.4 对比试验 | 第58-59页 |
| 4.5 本章小结 | 第59-61页 |
| 5 人耳认证和识别CNN网络VGG-Ear的设计 | 第61-84页 |
| 5.1 基于迁移学习的人耳CNN网络 | 第62-65页 |
| 5.2 基于SPP层的网络改进 | 第65-67页 |
| 5.3 基于Center loss的网络改进 | 第67-68页 |
| 5.4 基于多尺度的网络改进 | 第68-70页 |
| 5.5 实验结果与分析 | 第70-83页 |
| 5.5.1 人耳认证实验测试集及实验基本设定 | 第71-73页 |
| 5.5.2 人耳认证实验结果与对比 | 第73-79页 |
| 5.5.3 在其他数据库上人耳识别实验对比 | 第79-83页 |
| 5.6 本章小结 | 第83-84页 |
| 6 基于人耳关键点检测算法的人耳标准化研究 | 第84-106页 |
| 6.1 关键点检测算法 | 第85-89页 |
| 6.2 人耳关键关键点检测算法 | 第89-96页 |
| 6.2.1 人耳关键点的定义 | 第89-93页 |
| 6.2.2 级联网络结构设计 | 第93-96页 |
| 6.3 基于人耳关键点的人耳对齐及标准化处理 | 第96-97页 |
| 6.4 实验结果与分析 | 第97-105页 |
| 6.4.1 人耳关键点定位和标准化结果 | 第98-102页 |
| 6.4.2 人耳认证实验结果对比 | 第102-103页 |
| 6.4.3 在其他数据库上人耳识别实验对比 | 第103-105页 |
| 6.5 本章小结 | 第105-106页 |
| 7 结论 | 第106-109页 |
| 7.1 研究内容总结 | 第106-108页 |
| 7.2 未来工作展望 | 第108-109页 |
| 参考文献 | 第109-120页 |
| 作者简历及在学研究成果 | 第120-124页 |
| 学位论文数据集 | 第124页 |