| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 移动端人脸图像质量评估研究现状 | 第12-13页 |
| 1.2.2 移动端人脸识别研究现状 | 第13-14页 |
| 1.3 关键问题 | 第14-15页 |
| 1.4 本文研究内容 | 第15-16页 |
| 1.5 本文组织结构 | 第16-17页 |
| 第2章 相关技术研究 | 第17-29页 |
| 2.1 概述 | 第17页 |
| 2.2 数据集 | 第17-20页 |
| 2.2.1 图像质量评估数据集 | 第17-19页 |
| 2.2.2 人脸识别数据集 | 第19-20页 |
| 2.3 深度学习方法 | 第20-26页 |
| 2.3.1 深度学习发展史 | 第20-21页 |
| 2.3.2 卷积神经网络 | 第21-25页 |
| 2.3.3 轻量级卷积神经网络 | 第25-26页 |
| 2.4 人脸图像质量评估方法 | 第26-27页 |
| 2.5 人脸识别方法 | 第27-28页 |
| 2.6 本章总结 | 第28-29页 |
| 第3章 基于深度学习的移动端人脸图像质量评估算法 | 第29-45页 |
| 3.1 问题描述 | 第29-30页 |
| 3.2 基本思想 | 第30页 |
| 3.3 方法流程及步骤 | 第30-37页 |
| 3.3.1 数据集准备 | 第30-33页 |
| 3.3.2 图像预处理 | 第33-34页 |
| 3.3.3 网络模型与训练 | 第34-37页 |
| 3.4 实验与结果分析 | 第37-43页 |
| 3.4.1 实验一:针对单一失真类型的人脸图像 | 第37-39页 |
| 3.4.2 实验二:针对所有失真类型的人脸图像 | 第39-40页 |
| 3.4.3 实验三:针对具体失真类型的人脸图像 | 第40-41页 |
| 3.4.4 实验四:算法性能比较及模型复杂度分析 | 第41-43页 |
| 3.5 本章总结 | 第43-45页 |
| 第4章 基于FaceNet改进的移动端人脸识别算法 | 第45-61页 |
| 4.1 问题描述 | 第45-46页 |
| 4.2 基本思想 | 第46页 |
| 4.3 方法流程及步骤 | 第46-55页 |
| 4.3.1 FaceNet网络模型 | 第46-48页 |
| 4.3.2 SqueezeNet网络模型 | 第48-49页 |
| 4.3.3 基于loss的模型改进 | 第49-51页 |
| 4.3.4 模型训练 | 第51-55页 |
| 4.4 实验与结果分析 | 第55-60页 |
| 4.4.1 实验一:SqueezeNet作为基础网络模型 | 第56-57页 |
| 4.4.2 实验二:MobileNet作为基础网络模型 | 第57-59页 |
| 4.4.3 实验三:模型之间的比较及模型复杂度分析 | 第59-60页 |
| 4.5 本章总结 | 第60-61页 |
| 第5章 基于人脸识别的课堂签到系统 | 第61-69页 |
| 5.1 需求分析 | 第61-62页 |
| 5.2 课堂签到系统 | 第62-66页 |
| 5.2.1 人脸采集和检测模块 | 第63页 |
| 5.2.2 人脸质量评估模块 | 第63-64页 |
| 5.2.3 人脸识别模块 | 第64页 |
| 5.2.4 手机客户端模块 | 第64-66页 |
| 5.2.5 Web服务器模块 | 第66页 |
| 5.3 系统应用与测试 | 第66-67页 |
| 5.3.1 系统运行环境 | 第66页 |
| 5.3.2 功能性能测试 | 第66-67页 |
| 5.4 本章总结 | 第67-69页 |
| 第6章 总结与展望 | 第69-71页 |
| 6.1 本文工作总结 | 第69-70页 |
| 6.2 未来工作展望 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 致谢 | 第77-79页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第79页 |
