| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 人脸识别的发展和现状 | 第12-13页 |
| 1.3 神经网络的发展和现状 | 第13-15页 |
| 1.4 本文研究内容和结构安排 | 第15-17页 |
| 第二章 人脸识别和深度学习网络 | 第17-24页 |
| 2.1 人脸识别的基本原理 | 第17页 |
| 2.2 深度学习网络 | 第17-22页 |
| 2.2.1 深度学习基本思想 | 第17-18页 |
| 2.2.2 常用网络模型 | 第18-22页 |
| 2.3 深度学习网络在人脸识别中的运用 | 第22页 |
| 2.4 Caffe深度学习框架 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于CCN的人脸检测改进算法 | 第24-44页 |
| 3.1 人脸检测数据库 | 第24页 |
| 3.2 基于CNN的人脸检测网络 | 第24-28页 |
| 3.2.1 卷积计算层 | 第26-27页 |
| 3.2.2 池化方法 | 第27-28页 |
| 3.2.3 分类函数 | 第28页 |
| 3.2.4 CNN在人脸检测中的不足 | 第28页 |
| 3.3 人脸检测CNN改进设计 | 第28-36页 |
| 3.3.1 Dropout技术 | 第28-30页 |
| 3.3.2 人脸检测的过拟合分析 | 第30-32页 |
| 3.3.3 改进设计 | 第32-36页 |
| 3.4 人脸检测CNN的Caffe实现 | 第36-43页 |
| 3.4.1 基于Caffe的改进二分类CNN定义 | 第36-38页 |
| 3.4.2 人脸检测二分类CNN微调 | 第38页 |
| 3.4.3 人脸检测的实现 | 第38-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于CCN的人脸识别改进算法 | 第44-57页 |
| 4.1 人脸识别数据库 | 第44页 |
| 4.2 基于CNN的人脸识别网络 | 第44-45页 |
| 4.3 激励函数 | 第45-47页 |
| 4.4 CNN在人脸识别的不足 | 第47-48页 |
| 4.5 人脸识别Alexnet网络的结构改进设计 | 第48-52页 |
| 4.5.1 全连接层数的影响分析 | 第48-49页 |
| 4.5.2 卷积核大小的影响分析 | 第49-50页 |
| 4.5.3 结构改进设计 | 第50-52页 |
| 4.6 基于改进Alexnet网络的Caffe实现 | 第52-56页 |
| 4.6.1 基于Caffe的改进Alexnet网络定义 | 第52-53页 |
| 4.6.2 基于人眼定位的人脸对齐实现 | 第53-54页 |
| 4.6.3 人脸识别的实现 | 第54-56页 |
| 4.7 本章小结 | 第56-57页 |
| 第五章 基于Caffe人脸识别系统的实验与分析 | 第57-66页 |
| 5.1 基于Caffe的人脸识别系统 | 第57-59页 |
| 5.1.1 软硬件环境 | 第57页 |
| 5.1.2 系统功能 | 第57-59页 |
| 5.2 网络训练及其参数设计 | 第59-60页 |
| 5.2.1 训练参数设定 | 第59-60页 |
| 5.2.2 训练步骤 | 第60页 |
| 5.3 实验与分析 | 第60-65页 |
| 5.3.1 人脸检测二分类CNN实验与分析 | 第60-62页 |
| 5.3.2 人脸识别的实验与分析 | 第62-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第六章 总结和展望 | 第66-68页 |
| 6.1 主要工作总结 | 第66页 |
| 6.2 存在的问题 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-72页 |