| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 课题研究背景 | 第9-10页 |
| 1.1.2 课题研究意义 | 第10-11页 |
| 1.2 国内外研究现状及成果 | 第11-13页 |
| 1.3 本文研究的主要内容 | 第13-14页 |
| 1.4 本文的结构安排 | 第14-16页 |
| 第二章 人脸识别相关技术 | 第16-24页 |
| 2.1 人脸识别方法综述 | 第16-19页 |
| 2.2 基于深度学习的人脸识别方法 | 第19-21页 |
| 2.2.1 DeepFace方法 | 第19-20页 |
| 2.2.2 FaceNet方法 | 第20-21页 |
| 2.2.3 百度的方法 | 第21页 |
| 2.3 常用的人脸数据库介绍 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 人脸检测与关键点定位 | 第24-40页 |
| 3.1 引言 | 第24-25页 |
| 3.2 人脸检测的模型 | 第25-33页 |
| 3.2.1 基于Haar特征的Adaboost人脸检测算法 | 第26-32页 |
| 3.2.2 实验结果 | 第32-33页 |
| 3.3 人脸关键点提取 | 第33-39页 |
| 3.3.1 ESR算法原理 | 第34-37页 |
| 3.3.2 基于投票的ESR集成 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于CCA的分类器关联集成分类方法 | 第40-55页 |
| 4.1 引言 | 第40-41页 |
| 4.2 相关方法介绍 | 第41-43页 |
| 4.2.1 典型相关分析 | 第41-42页 |
| 4.2.2 分类器的多样性 | 第42-43页 |
| 4.3 基于稀疏回归和加权融合的分类器集成 | 第43-48页 |
| 4.3.1 通过稀疏回归对分类器剪枝 | 第44-45页 |
| 4.3.2 在融合模型中局部加权修剪的基分类器 | 第45-48页 |
| 4.4 实验分析 | 第48-53页 |
| 4.4.1 实验数据的选取 | 第48页 |
| 4.4.2 对比方法 | 第48-49页 |
| 4.4.3 实验结果 | 第49-53页 |
| 4.5 本章小结 | 第53-55页 |
| 第五章 人证系统的设计与实现 | 第55-66页 |
| 5.1 人证比对系统的整体框架 | 第55-56页 |
| 5.2 深度特征提取网络的搭建与比对方法设计 | 第56-58页 |
| 5.2.1 深度特征提取网络 | 第56-57页 |
| 5.2.2 人证比对方法 | 第57-58页 |
| 5.3 系统设计与实现 | 第58-65页 |
| 5.3.1 系统开发环境 | 第58页 |
| 5.3.2 系统总体设计 | 第58-60页 |
| 5.3.3 系统实现 | 第60-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第六章 总结与未来展望 | 第66-68页 |
| 6.1 工作总结 | 第66-67页 |
| 6.2 工作展望 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 致谢 | 第71-72页 |
| 附录：攻读硕士学位期间取得的科研成果 | 第72页 |