人脸检测与识别算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的相关背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 人脸检测技术研究现状 | 第11-12页 |
| 1.2.2 人脸识别技术研究现状 | 第12-14页 |
| 1.3 本文的研究内容和组织结构 | 第14-16页 |
| 1.3.1 本文的研究内容 | 第14页 |
| 1.3.2 本文的组织结构 | 第14-16页 |
| 第2章 Adaboost算法与SVM算法基本理论 | 第16-26页 |
| 2.1 Adaboost算法 | 第16-22页 |
| 2.1.1 Adaboost算法基本原理 | 第16页 |
| 2.1.2 Haar-like特征与积分图原理 | 第16-19页 |
| 2.1.3 Adaboost算法训练过程 | 第19-22页 |
| 2.2 支持向量机理论 | 第22-25页 |
| 2.2.1 支持向量机基本原理 | 第22页 |
| 2.2.2 线性SVM | 第22-24页 |
| 2.2.3 非线性SVM | 第24页 |
| 2.2.4 核函数 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 基于改进的Adaboost人脸检测方法 | 第26-36页 |
| 3.1 遗传算法 | 第26-28页 |
| 3.2 改进的Adaboost算法 | 第28-32页 |
| 3.2.1 分类器优化 | 第29-30页 |
| 3.2.2 权值优化 | 第30-31页 |
| 3.2.3 基于改进的权值优化算法流程图 | 第31-32页 |
| 3.3 实验结果与分析 | 第32-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 面向人脸识别的图像局部特征提取 | 第36-52页 |
| 4.1 局部二值模式特征提取算法 | 第37-40页 |
| 4.1.1 LBP特征提取算法 | 第37-39页 |
| 4.1.2 中心对称局部二值模式算法 | 第39-40页 |
| 4.2 改进的 CS-LBP 算子 | 第40-46页 |
| 4.2.1 拉普拉斯算子 | 第41-43页 |
| 4.2.2 图像梯度特征 | 第43-44页 |
| 4.2.3 算法流程 | 第44-46页 |
| 4.3 实验结果分析 | 第46-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第5章 基于深度学习的人脸识别方法 | 第52-70页 |
| 5.1 深度学习 | 第52-56页 |
| 5.1.1 深度学习理论 | 第54页 |
| 5.1.2 常见模型 | 第54-56页 |
| 5.2 受限玻尔兹曼机 | 第56-61页 |
| 5.2.1 RBM结构 | 第56-58页 |
| 5.2.2 RBM参数的学习方法 | 第58-61页 |
| 5.3 深度信念网络 | 第61-63页 |
| 5.3.1 深度信念网络模型 | 第62页 |
| 5.3.2 深度信念网络训练过程 | 第62-63页 |
| 5.4 基于CS-LBP与深度学习的人脸识别算法 | 第63-65页 |
| 5.5 实验结果分析 | 第65-69页 |
| 5.6 本章小结 | 第69-70页 |
| 结论与展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士期间发表的学术论文 | 第76-78页 |
| 致谢 | 第78页 |
