| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 研究背景和意义 | 第12-14页 |
| 1.2 人脸识别概述 | 第14-16页 |
| 1.2.1 人脸识别问题描述 | 第14-15页 |
| 1.2.2 人脸识别的研究现状 | 第15-16页 |
| 1.3 深度学习概述 | 第16-20页 |
| 1.3.1 深度学习的概念 | 第16-17页 |
| 1.3.2 深度学习的研究现状 | 第17-20页 |
| 1.4 本文的主要工作 | 第20-21页 |
| 1.5 本文的组织结构 | 第21-22页 |
| 第2章 相关理论知识 | 第22-37页 |
| 2.1 局部二值模式(LBP)与局部量化模式(LQP) | 第22-24页 |
| 2.1.1 局部二值模式(LBP) | 第22-23页 |
| 2.1.2 局部量化模式(LQP) | 第23-24页 |
| 2.2 基于Gabor图像的局部量化模式(GLQP) | 第24-26页 |
| 2.3 深度学习的理论依据 | 第26-28页 |
| 2.4 深度学习的常用模型 | 第28-36页 |
| 2.4.1 限制玻尔兹曼机(RBM) | 第29-31页 |
| 2.4.2 自编码器(AE) | 第31页 |
| 2.4.3 卷积神经网络(CNN) | 第31-34页 |
| 2.4.4 深度置信网络(DBN) | 第34-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第3章 基于GLQP和深度学习的特征提取方法 | 第37-43页 |
| 3.1 引言 | 第37页 |
| 3.2 GLQP算法提取人脸图像低层局部特征 | 第37-39页 |
| 3.3 深度置信网络提取人脸图像高层抽象特征 | 第39-42页 |
| 3.3.1 深度学习模型的训练 | 第40-41页 |
| 3.3.2 人脸特征的提取 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 基于动态随机森林的深度分类模型 | 第43-48页 |
| 4.1 引言 | 第43页 |
| 4.2 动态随机森林(DRF) | 第43-46页 |
| 4.2.1 动态随机森林分类器 | 第43-45页 |
| 4.2.2 动态随机森林的优势 | 第45-46页 |
| 4.3 鲁棒的深度分类模型 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 实验及结果分析 | 第48-53页 |
| 5.1 人脸识别数据库 | 第48-49页 |
| 5.1.1 FERET数据库 | 第48页 |
| 5.1.2 LFW数据库 | 第48-49页 |
| 5.2 FERET数据库上实验结果及分析 | 第49-50页 |
| 5.3 LFW数据库上实验结果及分析 | 第50-52页 |
| 5.3.1 训练样本数不同时识别率对比 | 第50页 |
| 5.3.2 类别数不同时识别率对比 | 第50-51页 |
| 5.3.3 隐层节点数不同时识别率及时间对比 | 第51-52页 |
| 5.4 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 附录A 攻读硕士学位期间发表论文目录 | 第61-62页 |
| 附录B 攻读学位期间参与的研究项目 | 第62-63页 |
| 致谢 | 第63页 |