| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 问题研究背景及意义 | 第8-9页 |
| 1.2 本课题国内外研究现状 | 第9-12页 |
| 1.3 本文主要工作内容 | 第12-14页 |
| 2 人脸识别的理论基础 | 第14-26页 |
| 2.1 神经网络模型（Neural Networks，NN） | 第14-15页 |
| 2.2 传统神经网络的缺陷 | 第15-16页 |
| 2.3 深度信念网络（Deep Belief Network, DBN） | 第16-21页 |
| 2.3.1 受限玻尔兹曼机（Restricted Boltzmann Machine , RBM） | 第16-20页 |
| 2.3.2 深度信念网络结构 | 第20-21页 |
| 2.4 Seeta Face人脸识别引擎 | 第21-25页 |
| 2.4.1 人脸检测模块（Seeta Face Detection） | 第21-23页 |
| 2.4.2 特征点定位模块（Seeta Face Alignment） | 第23-24页 |
| 2.4.3 人脸特征提取与比对模块（Seeta Face Identification） | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 基于深度信念网络的人脸识别 | 第26-40页 |
| 3.1 局部二元模式（LBP） | 第26-29页 |
| 3.2 优化方法 | 第29-31页 |
| 3.2.1 交叉熵代价函数（cross-entropy cost function） | 第29-30页 |
| 3.2.2 带约束的目标函数 | 第30-31页 |
| 3.3 基于DBN的人脸识别 | 第31-38页 |
| 3.3.1 实验设计 | 第31-36页 |
| 3.3.2 实验结果及分析 | 第36-38页 |
| 3.4 本章小结 | 第38-40页 |
| 4 基于Seeta Face的人脸识别在智能迎宾机器人的应用 | 第40-50页 |
| 4.1 项目背景 | 第40-42页 |
| 4.2 人脸识别系统方案设计 | 第42-43页 |
| 4.3 人脸识别系统实现 | 第43-45页 |
| 4.3.1 基于MFC的人脸识别系统 | 第43-44页 |
| 4.3.2 基于语音交互的人脸识别系统 | 第44-45页 |
| 4.4 人脸识别系统测试 | 第45-49页 |
| 4.4.1 人脸识别系统的三个模块测试 | 第45-47页 |
| 4.4.2 人脸识别系统联调 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 5 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50页 |
| 5.2 展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 附录 | 第56页 |
| A. 作者在攻读硕士学位期间发表的论文与专利 | 第56页 |
| B. 作者在攻读硕士学位期间参与的项目 | 第56页 |
| C. 作者在攻读硕士学位期间获得的荣誉 | 第56页 |
