| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 目录 | 第10-12页 |
| 插图清单 | 第12-13页 |
| 表格清单 | 第13-14页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 研究的背景和意义 | 第14-15页 |
| 1.1.1 研究的背景 | 第14页 |
| 1.1.2 研究的意义 | 第14-15页 |
| 1.2 人脸识别的现状和主要存在的困难 | 第15-17页 |
| 1.2.1 国内外研究现状 | 第15-16页 |
| 1.2.2 主要存在的困难 | 第16-17页 |
| 1.3 人工神经网络以及深度学习研究现状 | 第17-19页 |
| 1.4 研究内容与论文结构 | 第19页 |
| 1.5 本章小结 | 第19-21页 |
| 第二章 图像预处理 | 第21-27页 |
| 2.1 人脸检测 | 第21-24页 |
| 2.1.1 Haar-like特征 | 第21-22页 |
| 2.1.2 积分图 | 第22-23页 |
| 2.1.3 Adaboost算法 | 第23-24页 |
| 2.2 人脸尺寸归一化 | 第24-25页 |
| 2.3 提取关键点矩形区域 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 人工神经网络和深度神经网络 | 第27-40页 |
| 3.1 神经网络的基础知识 | 第27-30页 |
| 3.1.1 人工神经网络的定义与特点 | 第27-28页 |
| 3.1.2 人工神经元的基本结构 | 第28-29页 |
| 3.1.3 神经网络的学习算法 | 第29-30页 |
| 3.2 神经网络和BP算法 | 第30-34页 |
| 3.2.1 多层前馈网络 | 第30-31页 |
| 3.2.2 反向传播算法 | 第31-33页 |
| 3.2.3 反向传播算法的优劣 | 第33-34页 |
| 3.3 深度神经网络及深度学习 | 第34-39页 |
| 3.3.1 深度神经网络 | 第34-35页 |
| 3.3.2 深度信念网络 | 第35-38页 |
| 3.3.3 深度学习 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 深度神经网络的组成模块 | 第40-52页 |
| 4.1 受限玻尔兹曼机(RBM) | 第40-44页 |
| 4.1.1 RBM的模型定义 | 第41-42页 |
| 4.1.2 RBM的学习算法 | 第42-44页 |
| 4.2 自动编码机 | 第44-49页 |
| 4.2.1 自动编码机 | 第44-46页 |
| 4.2.2 稀疏自动编码机 | 第46-48页 |
| 4.2.3 降噪自动编码机 | 第48-49页 |
| 4.3 层叠自动编码机 | 第49页 |
| 4.4 分类器回归模型 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 基于深度学习的人脸识别实验 | 第52-61页 |
| 5.1 人脸识别过程 | 第52-53页 |
| 5.2 主成分分析和神经网络 | 第53-55页 |
| 5.2.1 主成分分析 | 第53-54页 |
| 5.2.2 主成分分析与单层神经网络 | 第54-55页 |
| 5.3 人脸数据库 | 第55-56页 |
| 5.3.1 美国FERET(Face Recognition Technology)人脸数据库 | 第55-56页 |
| 5.3.2 英国ORL(Olivetti Research Laboratory)人脸数据库 | 第56页 |
| 5.4 实验设计与结果分析 | 第56-59页 |
| 5.4.1 多种神经网络的实验 | 第56-57页 |
| 5.4.2 加入关键矩形区域的实验 | 第57-58页 |
| 5.4.3 微调PCA参数的实验 | 第58-59页 |
| 5.4.4 算法性能比较 | 第59页 |
| 5.5 本章小结 | 第59-61页 |
| 第六章 总结和展望 | 第61-62页 |
| 6.1 全文总结 | 第61页 |
| 6.2 研究展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第66页 |