| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究的背景和意义 | 第8-9页 |
| 1.2 研究的发展及研究现状 | 第9-11页 |
| 1.2.1 人脸检测的发展与研究现状 | 第9-10页 |
| 1.2.2 人脸姿态估计发展与研究现状 | 第10-11页 |
| 1.3 本文的主要研究内容 | 第11-12页 |
| 1.4 本文的组织结构 | 第12-14页 |
| 第2章 目标检测与人脸姿态估计的相关基础 | 第14-33页 |
| 2.1 目标检测系统的框架 | 第14-21页 |
| 2.1.1 候选区域选取策略 | 第15-17页 |
| 2.1.2 特征选取与学习机制 | 第17-20页 |
| 2.1.3 定位优化 | 第20页 |
| 2.1.4 现有的浅层学习检测框架 | 第20-21页 |
| 2.2 神经网络 | 第21-29页 |
| 2.2.1 神经网络的概念 | 第21-23页 |
| 2.2.2 神经网络的发展 | 第23-24页 |
| 2.2.3 神经网络的正向传播与loss计算 | 第24-25页 |
| 2.2.4 神经网络的反向传播 | 第25-27页 |
| 2.2.5 神经网络的激活函数 | 第27-29页 |
| 2.3 卷积神经网络 | 第29-32页 |
| 2.3.1 卷积与池化 | 第30-31页 |
| 2.3.2 基于卷积神经网络的目标检测 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 基于CNN的视频多视点人脸检测 | 第33-51页 |
| 3.1 整体框架与设计细节 | 第33-38页 |
| 3.1.1 训练数据库的选择与样本处理策略263.1.2 网络的选取与训练策略 | 第33-36页 |
| 3.1.2 网络的选取与训练策略 | 第36-37页 |
| 3.1.3 基本框架的构建 | 第37-38页 |
| 3.2 改进优化 | 第38-43页 |
| 3.2.1 降低计算量并提高网络深度 | 第38-41页 |
| 3.2.2 提升非极大值抑制算法的有效性 | 第41-42页 |
| 3.2.3 利用视频的特性提升检测效果 | 第42-43页 |
| 3.3 实验结果与分析 | 第43-50页 |
| 3.3.1 二分类效果 | 第43页 |
| 3.3.2 基本框架的效果 | 第43-46页 |
| 3.3.3 改进效果 | 第46-48页 |
| 3.3.4 与其他方法的比较 | 第48-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第4章 基于卷积神经网络的人脸姿态评估 | 第51-56页 |
| 4.1 整体框架与设计细节 | 第52-54页 |
| 4.1.1 训练数据集与样本处理策略 | 第52-53页 |
| 4.1.2 网络的选取与训练策略 | 第53-54页 |
| 4.2 实验结果分析与对比 | 第54-55页 |
| 4.3 本章小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |
| 攻读硕士学位期间的研究成果 | 第64页 |