非受限环境的视频人脸识别算法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 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 国内外研究现状 | 第10-12页 |
| 1.3 现阶段人脸识别的难点与挑战 | 第12-13页 |
| 1.4 本文的基本组织结构 | 第13-15页 |
| 2 人脸识别算法原理 | 第15-26页 |
| 2.1 人脸识别的基本概念 | 第15-18页 |
| 2.1.1 人脸识别与人脸验证 | 第15-16页 |
| 2.1.2 图片人脸识别与视频人脸识别 | 第16-17页 |
| 2.1.3 数据集介绍 | 第17-18页 |
| 2.2 神经网络与卷积神经网络 | 第18-23页 |
| 2.2.1 神经网络 | 第19-21页 |
| 2.2.2 卷积神经网络 | 第21页 |
| 2.2.3 感受野 | 第21-22页 |
| 2.2.4 权值共享 | 第22-23页 |
| 2.3 视频人脸识别的研究方法分类 | 第23-25页 |
| 2.3.1 帧质量评估方法 | 第23页 |
| 2.3.2 视频帧之间冗余信息方法 | 第23-25页 |
| 2.3.3 从帧中获取鲁棒性特征 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 基于对称正定矩阵的视频人脸识别 | 第26-36页 |
| 3.1 人脸检测 | 第26-27页 |
| 3.2 人脸特征提取 | 第27-29页 |
| 3.3 基于单幅图像的相对投票法人脸识别 | 第29-31页 |
| 3.4 基于视频的人脸识别网络结构设计 | 第31-34页 |
| 3.4.1 对称正定矩阵 | 第31-32页 |
| 3.4.2 网络结构设计 | 第32-34页 |
| 3.5 网络训练与实验结果 | 第34-35页 |
| 3.5.1 人脸识别性能评价指标 | 第34页 |
| 3.5.2 实验环境 | 第34页 |
| 3.5.3 实验结果与分析 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 4 基于奇异值分解的视频人脸识别 | 第36-52页 |
| 4.1 奇异值分解 | 第36-39页 |
| 4.1.1 特征值分解 | 第36-37页 |
| 4.1.2 奇异值分解 | 第37-38页 |
| 4.1.3 奇异值分解的性质 | 第38-39页 |
| 4.2 不同的奇异值的分析 | 第39-40页 |
| 4.3 基于奇异值分解的视频人脸识别 | 第40-45页 |
| 4.3.1 网络结构设计 | 第40-41页 |
| 4.3.2 端到端的网络训练及实验结果分析 | 第41-44页 |
| 4.3.3 非端到端的网络训练 | 第44-45页 |
| 4.4 实验结果比较与分析 | 第45-50页 |
| 4.4.1 YTC数据集上的实验结果 | 第45-47页 |
| 4.4.2 YTF数据集上的实验结果 | 第47-49页 |
| 4.4.3 对比实验与分析 | 第49-50页 |
| 4.5 性能测试 | 第50-51页 |
| 4.6 本章小结 | 第51-52页 |
| 5 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 作者简介 | 第58-59页 |
| 致谢 | 第59页 |
