| 摘要 | 第5-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第10-22页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11-14页 |
| 1.3 国内外研究现状 | 第14-18页 |
| 1.3.1 人脸跟踪研究现状 | 第14-15页 |
| 1.3.2 人脸识别研究现状 | 第15-16页 |
| 1.3.3 年龄估计研究现状 | 第16-18页 |
| 1.4 常用数据库 | 第18-19页 |
| 1.5 主要研究工作与论文组织结构 | 第19-21页 |
| 1.5.1 主要研究工作 | 第19-20页 |
| 1.5.2 论文组织架构 | 第20-21页 |
| 1.6 本章小结 | 第21-22页 |
| 第二章 基于多线索的人脸跟踪 | 第22-31页 |
| 2.1 多线索的鲁棒表观模型 | 第22-24页 |
| 2.1.1 亮度特征：CDF | 第22-23页 |
| 2.1.2 纹理特征：EHOG | 第23-24页 |
| 2.1.3 颜色特征：CN | 第24页 |
| 2.2 多线索融合的跟踪模型 | 第24-26页 |
| 2.2.1 核函数循环结构滤波器 | 第24-25页 |
| 2.2.2 多线索融合的CSK | 第25-26页 |
| 2.3 实验对比 | 第26-30页 |
| 2.3.1 实验设计 | 第26-27页 |
| 2.3.2 人脸跟踪实验对比 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于卷积神经网络的人脸识别 | 第31-51页 |
| 3.1 卷积神经网络与人脸识别 | 第31-39页 |
| 3.1.1 卷积神经网络 | 第31-35页 |
| 3.1.2 人脸识别Lighten CNN | 第35-39页 |
| 3.2 基于CNN人脸识别的改进 | 第39-44页 |
| 3.2.1 基于PCA的CNN改进 | 第39页 |
| 3.2.2 基于SVM的CNN改进 | 第39-42页 |
| 3.2.3 CNN网络结构改进 | 第42-44页 |
| 3.3 实验对比 | 第44-50页 |
| 3.3.1 CNN-PCA实验对比 | 第45页 |
| 3.3.2 CNN-SVM实验对比 | 第45-47页 |
| 3.3.3 改进CNN模型实验对比 | 第47-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第四章 融合分类与回归的表观年龄估计 | 第51-59页 |
| 4.1 CNN-DEX表观年龄估计 | 第51-54页 |
| 4.2 年龄估计的分类回归改进 | 第54-57页 |
| 4.2.1 延时反向传导机制 | 第54-55页 |
| 4.2.2 基于L2 Loss的分类回归模型 | 第55-56页 |
| 4.2.3 基于Hinge Loss的分类回归模型 | 第56-57页 |
| 4.3 实验对比 | 第57-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59页 |
| 5.2 展望 | 第59-61页 |
| 攻读硕士学位期间取得的研究成果 | 第61-62页 |
| 参考文献 | 第62-69页 |
| 致谢 | 第69-70页 |
| 附件 | 第70页 |