基于神经网络的人脸识别方法研究
| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1. 绪论 | 第9-15页 |
| 1.1 论文研究背景和意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 人脸检测技术现状 | 第10-11页 |
| 1.3 人脸识别技术的现状 | 第11-13页 |
| 1.4 本文主要工作及内容安排 | 第13-15页 |
| 2. BP神经网络算法及改进 | 第15-21页 |
| 2.1 人工神经神经网络简介 | 第15页 |
| 2.2 BP神经网络模型 | 第15-16页 |
| 2.3 BP神经网络算法 | 第16页 |
| 2.4 BP神经网络算法的优缺点 | 第16-17页 |
| 2.5 BP算法的改进 | 第17-20页 |
| 2.5.1 动量算法 | 第18页 |
| 2.5.2 变速率BP学习算法 | 第18-19页 |
| 2.5.3 共轭梯度法 | 第19-20页 |
| 2.6 本章小结 | 第20-21页 |
| 3. 基于人脸图像识别方法 | 第21-37页 |
| 3.1 图像的预处理 | 第21-26页 |
| 3.1.1 图像增强 | 第21-24页 |
| 3.1.2 中值滤波 | 第24-26页 |
| 3.2 图像归一化 | 第26-27页 |
| 3.3 人脸位置矫正 | 第27-29页 |
| 3.3.1 算法设计 | 第27-28页 |
| 3.3.2 依据轴对称性矫正人脸 | 第28-29页 |
| 3.4 人脸图像的检测 | 第29-31页 |
| 3.4.1 基于知识模型的方法 | 第29-30页 |
| 3.4.2 基于统计模型的方法 | 第30-31页 |
| 3.4.3 基于模板匹配的方法 | 第31页 |
| 3.4.4 人脸检测方法小结 | 第31页 |
| 3.5 人脸图像的分割 | 第31-34页 |
| 3.6 实验及其结果 | 第34-36页 |
| 3.7 本章小结 | 第36-37页 |
| 4. 基于K-L变换的主成分分析法 | 第37-44页 |
| 4.1 K-L变换原理 | 第37-38页 |
| 4.2 主成分分析法 | 第38-40页 |
| 4.2.1 PCA的引入 | 第39页 |
| 4.2.2 PCA原理 | 第39-40页 |
| 4.3 主成分分析法应用人脸识别的原理 | 第40-42页 |
| 4.3.1 特征值和特征向量 | 第41页 |
| 4.3.2 特征空间 | 第41页 |
| 4.3.3 特征提取 | 第41-42页 |
| 4.4 主成分分析法的优点以及缺点 | 第42页 |
| 4.5 本章小结 | 第42-44页 |
| 5. 基于BP神经网络的人脸识别 | 第44-58页 |
| 5.1 人脸识别主要方法 | 第44-46页 |
| 5.2 人脸识别系统框架 | 第46-47页 |
| 5.3 人脸识别系统流程 | 第47-49页 |
| 5.4 人脸识别模块设计及实现 | 第49-51页 |
| 5.4.1 BP网络分类器的设计 | 第49-50页 |
| 5.4.2 样本的选择及组织 | 第50页 |
| 5.4.3 网络的输入 | 第50-51页 |
| 5.4.4 BP网络分类器的实现 | 第51页 |
| 5.5 实验结果与分析 | 第51-56页 |
| 5.5.1 人脸图像选择及训练参数设置 | 第51-54页 |
| 5.5.2 实验结果数据分析 | 第54-55页 |
| 5.5.3 几种识别方法比较分析 | 第55-56页 |
| 5.6 本章小结 | 第56-58页 |
| 6. 结论 | 第58-60页 |
| 6.1 本文完成的工作 | 第58页 |
| 6.2 当前系统存在的不足之处 | 第58页 |
| 6.3 当前系统的改进计划以及今后研究方向 | 第58-60页 |
| 参考文献 | 第60-62页 |
| 附录 BP网络数据结构程序 | 第62-63页 |
| 致谢 | 第63-64页 |
| 作者简介 | 第64-65页 |
