基于深度学习的低分辩率多恣态人脸识别
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-17页 |
| 1.1 研究意义 | 第8-9页 |
| 1.1.1 人脸识别研究意义 | 第8-9页 |
| 1.1.2 低分辨率多姿态人脸识别研究意义 | 第9页 |
| 1.2 人脸识别研究现状 | 第9-12页 |
| 1.3 人脑视觉机理 | 第12-13页 |
| 1.4 人脸识别系统构成 | 第13-15页 |
| 1.5 本文论文内容安排 | 第15-17页 |
| 1.5.1 主要研究内容 | 第15页 |
| 1.5.2 论文框架安排 | 第15-17页 |
| 2 低分辨率多姿态人脸识别算法概述 | 第17-22页 |
| 2.1 低分辨率算法概述 | 第17-18页 |
| 2.2 多姿态算法概述 | 第18-19页 |
| 2.3 低分辨率多姿态算法概述 | 第19-22页 |
| 3 模型建立和训练学习 | 第22-38页 |
| 3.1 深度学习介绍 | 第22-23页 |
| 3.1.1 深度学习简史 | 第22-23页 |
| 3.1.2 深度学习基本思想 | 第23页 |
| 3.2 深度学习的模型 | 第23-29页 |
| 3.2.1 自动编码器 | 第24-25页 |
| 3.2.2 稀疏编码 | 第25-26页 |
| 3.2.3 卷积神经网络 | 第26-28页 |
| 3.2.4 限制玻尔兹曼机 | 第28-29页 |
| 3.3 深度信念网络 | 第29-35页 |
| 3.3.1 限制玻尔兹曼机建模 | 第29-31页 |
| 3.3.2 限制玻尔兹曼机模型训练学习 | 第31-33页 |
| 3.3.3 深度信念网络建模 | 第33-34页 |
| 3.3.4 深度信念网络模型训练学习 | 第34-35页 |
| 3.4 极限学习机模型定义与学习过程 | 第35-38页 |
| 4 低分辨率多姿态人脸识别模块设计与实验 | 第38-51页 |
| 4.1 图像预处理模块 | 第38-39页 |
| 4.1.1 直方图均衡化 | 第38-39页 |
| 4.1.2 图像缩放 | 第39页 |
| 4.2 方法描述 | 第39-43页 |
| 4.2.1 训练微调模块 | 第39-41页 |
| 4.2.2 分类识别模块 | 第41页 |
| 4.2.3 算法流程 | 第41-43页 |
| 4.3 实验配置与结果 | 第43-50页 |
| 4.3.1 UMIST人脸库实验 | 第44-46页 |
| 4.3.2 ORL人脸库实验 | 第46-48页 |
| 4.3.3 FERET人脸库实验 | 第48-50页 |
| 4.4 实验结果分析 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间发表学术论文情况 | 第56-57页 |
| 致谢 | 第57-58页 |
