| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第14-24页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 研究现状 | 第15-18页 |
| 1.2.1 人脸检测研究现状 | 第15-16页 |
| 1.2.2 人脸年龄估计研究现状 | 第16-17页 |
| 1.2.3 人脸性别识别研究现状 | 第17-18页 |
| 1.3 人脸图像库 | 第18-19页 |
| 1.4 论文主要研究内容及创新点 | 第19-21页 |
| 1.5 论文章节安排 | 第21-24页 |
| 第2章 卷积神经网络的理论基础 | 第24-34页 |
| 2.1 神经网络理论基础 | 第24-29页 |
| 2.1.1 前馈神经网络结构 | 第24-25页 |
| 2.1.2 梯度下降算法 | 第25-27页 |
| 2.1.3 误差反向传播算法 | 第27-29页 |
| 2.2 卷积神经网络的结构组成 | 第29-33页 |
| 2.2.1 卷积层(Convolutional Layer) | 第29-30页 |
| 2.2.2 池化层(Pooling Layer) | 第30-31页 |
| 2.2.3 全连接层(Fully Connected Layer) | 第31页 |
| 2.2.4 Softmax分类层 | 第31-32页 |
| 2.2.5 激活函数层 | 第32-33页 |
| 2.3 本章小结 | 第33-34页 |
| 第3章 基于Faster R-CNN的人脸检测方法 | 第34-44页 |
| 3.1 Faster R-CNN网络的发展历程 | 第34-36页 |
| 3.1.1 基于区域的卷积神经网络(Region Based CNN,RCNN) | 第34-35页 |
| 3.1.2 空间金字塔池化网络(Spatial Pyramid Pooling Net, SPP-net) | 第35-36页 |
| 3.1.3 Fast RCNN网络结构 | 第36页 |
| 3.2 Faster R-CNN网络 | 第36-39页 |
| 3.3 非极大值抑制 | 第39-40页 |
| 3.4 实验与分析 | 第40-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第4章 基于比例特征和Adaboost的人脸检测方法 | 第44-52页 |
| 4.1 比例特征 | 第44-45页 |
| 4.2 深度二次树 | 第45-46页 |
| 4.3 Gentle Adaboost算法 | 第46-48页 |
| 4.4 人脸检测器实现 | 第48-49页 |
| 4.5 实验与分析 | 第49-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 人脸特征提取方法与分类器介绍 | 第52-62页 |
| 5.1 基于卷积神经网络的人脸特征提取 | 第52-54页 |
| 5.2 LBP特征提取 | 第54-58页 |
| 5.2.1 基本LBP算子 | 第54-55页 |
| 5.2.2 多尺度LBP | 第55-56页 |
| 5.2.3 旋转不变LBP | 第56页 |
| 5.2.4 均匀模式LBP | 第56-57页 |
| 5.2.5 LBP直方图特征提取 | 第57-58页 |
| 5.3 随机森林分类器 | 第58-61页 |
| 5.3.1 决策树理论 | 第59-60页 |
| 5.3.2 构造随机森林分类器 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第6章 人脸年龄与性别分类实验 | 第62-68页 |
| 6.1 实验数据 | 第62-63页 |
| 6.2 实验与分析 | 第63-66页 |
| 6.2.1 年龄分类实验 | 第63-64页 |
| 6.2.2 性别分类实验 | 第64-65页 |
| 6.2.3 与其它方法比较 | 第65-66页 |
| 6.3 本章小结 | 第66-68页 |
| 第7章 总结与展望 | 第68-72页 |
| 7.1 工作总结 | 第68-69页 |
| 7.2 工作展望 | 第69-72页 |
| 参考文献 | 第72-78页 |
| 致谢 | 第78-80页 |
| 在读期间发表的学术论文与取得的研究成果 | 第80页 |
