人脸深度特征获取及聚类技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 人脸特征提取和识别技术 | 第11-12页 |
| 1.2.2 聚类算法 | 第12-13页 |
| 1.3 本文的研究内容和结构 | 第13-14页 |
| 第2章 深度学习与神经网络的相关理论与技术 | 第14-20页 |
| 2.1 深度学习介绍 | 第14-15页 |
| 2.2 前馈神经网络 | 第15-18页 |
| 2.2.1 前馈神经网络原理 | 第15-16页 |
| 2.2.2 前馈神经网络如何选择映射函数 | 第16-17页 |
| 2.2.3 BP神经网络 | 第17-18页 |
| 2.2.4 径向基神经网络 | 第18页 |
| 2.3 反馈神经网络 | 第18-19页 |
| 2.3.1 全反馈神经网络 | 第18-19页 |
| 2.3.2 部分反馈神经网络 | 第19页 |
| 2.4 本章小结 | 第19-20页 |
| 第3章 人脸深度特征提取 | 第20-33页 |
| 3.1 人脸深度特征提取的卷积神经网络结构 | 第20-22页 |
| 3.2 深度特征神经网络结构细节 | 第22-29页 |
| 3.2.1 卷积层 | 第22-25页 |
| 3.2.2 Re Lu层（非线性变换层） | 第25-27页 |
| 3.2.3 下采样层 | 第27-28页 |
| 3.2.4 全连接层 | 第28-29页 |
| 3.2.5 Dropout层 | 第29页 |
| 3.3 实验分析 | 第29-32页 |
| 3.3.1 实验仿真环境 | 第29-30页 |
| 3.3.2 特征提取实验和相似性分析 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 结合密度峰和代表点分析的聚类算法 | 第33-48页 |
| 4.1 算法架构 | 第33-34页 |
| 4.2 聚类算法细节 | 第34-37页 |
| 4.2.1 聚类初始化 | 第34-35页 |
| 4.2.2 代表点选择 | 第35-36页 |
| 4.2.3 基于密度峰的聚类中心点更新 | 第36-37页 |
| 4.3 聚类算法比较实验分析 | 第37-41页 |
| 4.3.1 算法聚类效果分析 | 第37-39页 |
| 4.3.2 增量数据集的聚类效果分析 | 第39-41页 |
| 4.4 算法在大规模人脸聚类中的应用 | 第41-47页 |
| 4.4.1 相似度计算 | 第41-44页 |
| 4.4.2 人脸聚类算法设计 | 第44-45页 |
| 4.4.3 人脸聚类实验结果 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 人脸识别分析管理系统的系统设计 | 第48-57页 |
| 5.1 系统的需求分析 | 第48-49页 |
| 5.1.1 人脸识别分析管理系统业务概述 | 第48页 |
| 5.1.2 人脸识别分析管理系统的需求分析 | 第48-49页 |
| 5.2 系统架构设计 | 第49-50页 |
| 5.2.1 系统总体架构 | 第49-50页 |
| 5.2.2 系统的业务流程 | 第50页 |
| 5.3 数据库设计 | 第50-51页 |
| 5.4 系统功能设计 | 第51-56页 |
| 5.4.1 基础数据管理 | 第51-52页 |
| 5.4.2 照片特征值管理 | 第52-54页 |
| 5.4.3 检索可疑人线程 | 第54-55页 |
| 5.4.4 优化空间线程 | 第55-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第6章 结论与展望 | 第57-58页 |
| 6.1 结论 | 第57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61页 |
