基于深度学习的移动端人脸验证系统的设计
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 注释表 | 第9-10页 |
| 缩略词 | 第10-11页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究的目的和意义 | 第11-12页 |
| 1.2 相关技术的发展和现状 | 第12-16页 |
| 1.2.1 移动端高性能计算现状和发展 | 第12-13页 |
| 1.2.2 人脸验证技术的现状和发展 | 第13-14页 |
| 1.2.3 深度学习在移动端的应用现状 | 第14-16页 |
| 1.3 本文的主要研究工作 | 第16-17页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 本人主要工作 | 第17页 |
| 1.4 本文的结构安排 | 第17-19页 |
| 第二章 人脸验证相关技术研究 | 第19-26页 |
| 2.1 人脸定位算法 | 第19-22页 |
| 2.1.1 人脸定位算法主要流程 | 第19页 |
| 2.1.2 特征的定义和计算 | 第19-21页 |
| 2.1.3 分类器的训练与优化 | 第21-22页 |
| 2.2 人脸对齐算法 | 第22-23页 |
| 2.3 人脸特征提取算法 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 卷积神经网络在移动端的应用研究 | 第26-35页 |
| 3.1 基于卷积神经网络的模型压缩 | 第26-29页 |
| 3.1.1 基于共享权重的模型压缩算法 | 第26-27页 |
| 3.1.2 基于剪枝的模型压缩算法 | 第27-28页 |
| 3.1.3 实验结果及分析 | 第28-29页 |
| 3.2 基于移动设备的加速运算技术 | 第29-31页 |
| 3.2.1 NDK编译技术 | 第29-30页 |
| 3.2.2 基于Open CL的并行计算 | 第30-31页 |
| 3.3 基于卷积神经网络的人脸属性预测 | 第31-34页 |
| 3.3.1 人脸属性预测流程 | 第31页 |
| 3.3.2 属性预测分类器 | 第31-33页 |
| 3.3.3 实验结果分析 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于移动端的人脸验证系统开发和框架 | 第35-42页 |
| 4.1 移动端开发 | 第35-36页 |
| 4.2 移动端平台的选择 | 第36-37页 |
| 4.3 系统基本框架 | 第37-38页 |
| 4.4 系统开发环境 | 第38-40页 |
| 4.4.1 Caffe框架的搭建 | 第38-39页 |
| 4.4.2 人脸验证系统实现环境搭建 | 第39-40页 |
| 4.5 人脸验证系统特点分析 | 第40-41页 |
| 4.6 本章小结 | 第41-42页 |
| 第五章 人脸验证系统的设计与实现 | 第42-52页 |
| 5.1 人脸验证流程图 | 第42-43页 |
| 5.2 人脸验证系统实现 | 第43-46页 |
| 5.2.1 界面模块 | 第43-44页 |
| 5.2.2 图像处理模块 | 第44-45页 |
| 5.2.3 人脸验证模块 | 第45-46页 |
| 5.2.4 数据录入模块 | 第46页 |
| 5.3 系统实际运行情况分析 | 第46-48页 |
| 5.3.1 系统运行环境 | 第46-47页 |
| 5.3.2 系统实际运行情况 | 第47-48页 |
| 5.4 系统实验结果以及分析 | 第48-50页 |
| 5.4.1 在标准数据库上的实验结果及分析 | 第48-49页 |
| 5.4.2 在个人采集的数据中的实验结果及分析 | 第49-50页 |
| 5.5 本章小结 | 第50-52页 |
| 第六章 总结和展望 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-61页 |
| 在学期间的研究成果及发表的学术论文 | 第61-62页 |
| 附录 | 第62页 |
