| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第11-15页 |
| 1.1 本课题研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 深度学习国内外研究现状 | 第12-13页 |
| 1.2.2 人脸识别国内外研究现状 | 第13页 |
| 1.3 本文的主要工作 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 2 人脸检测识别相关技术 | 第15-23页 |
| 2.1 人脸检测方法类别 | 第15-16页 |
| 2.1.1 基于外观不变特征的人脸检测 | 第15-16页 |
| 2.1.2 基于模板匹配的人脸检测 | 第16页 |
| 2.1.3 基于统计模型的人脸检测 | 第16页 |
| 2.2 人脸检测算法介绍 | 第16-18页 |
| 2.2.1 基于肤色的人脸检测 | 第16-17页 |
| 2.2.2 基于Haar特征的Adaboost人脸检测 | 第17-18页 |
| 2.3 人脸识别技术研究 | 第18-23页 |
| 2.3.1 人脸识别评判标准 | 第19页 |
| 2.3.2 人脸识别主要方法 | 第19-23页 |
| 3 神经网络与深度学习 | 第23-31页 |
| 3.1 机器学习及其相关技术 | 第23-24页 |
| 3.1.1 监督学习 | 第23页 |
| 3.1.2 非监督学习 | 第23-24页 |
| 3.2 神经网络 | 第24-26页 |
| 3.2.1 神经网络的组成 | 第24页 |
| 3.2.2 神经网络与逻辑回归 | 第24-25页 |
| 3.2.3 BP神经网络 | 第25-26页 |
| 3.3 卷积神经网络 | 第26-29页 |
| 3.3.1 卷积神经网络的层级结构 | 第26-27页 |
| 3.3.2 CNN经典结构之LeNet模型 | 第27-29页 |
| 3.4 深度学习及相关技术 | 第29-31页 |
| 3.4.1 深度学习及训练过程 | 第29-30页 |
| 3.4.2 深度学习主流框架 | 第30-31页 |
| 4 使用Caffe训练人脸模型 | 第31-43页 |
| 4.1 Caffe环境配置 | 第31-32页 |
| 4.2 Caffe三级结构 | 第32-34页 |
| 4.2.1 Blob结构 | 第33页 |
| 4.2.2 Layer结构 | 第33页 |
| 4.2.3 Net结构 | 第33-34页 |
| 4.3 Caffe例程学习之用模型训练自己的数据集 | 第34-36页 |
| 4.3.1 生成图片清单文件 | 第34-35页 |
| 4.3.2 将图片转换为LMDB格式 | 第35-36页 |
| 4.3.3 创建均值文件和模型配置文件 | 第36页 |
| 4.3.4 对数据进行训练和测试 | 第36页 |
| 4.4 Caffe训练人脸模型 | 第36-43页 |
| 4.4.1 数据准备 | 第36-37页 |
| 4.4.2 训练操作步骤 | 第37-40页 |
| 4.4.3 参数介绍 | 第40页 |
| 4.4.4 生成人脸特征模型 | 第40-41页 |
| 4.4.5 优化特征模型 | 第41-43页 |
| 5 人脸识别智能系统设计与实现 | 第43-51页 |
| 5.1 系统设计 | 第43-45页 |
| 5.1.1 软件环境 | 第43-44页 |
| 5.1.2 硬件环境 | 第44页 |
| 5.1.3 系统特点介绍 | 第44页 |
| 5.1.4 系统设计框架 | 第44-45页 |
| 5.2 系统界面介绍 | 第45-47页 |
| 5.2.1 系统启动初始界面 | 第45-46页 |
| 5.2.2 信息查询模块 | 第46-47页 |
| 5.2.3 人脸识别主界面 | 第47页 |
| 5.3 系统操作流程 | 第47-48页 |
| 5.4 测试结果及分析 | 第48-51页 |
| 6 总结与展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间参与项目 | 第58-59页 |