| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第8-17页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.2 人脸识别的发展及国内外研究现状 | 第10-11页 |
| 1.2.1 人脸识别的发展 | 第10页 |
| 1.2.2 人脸识别的国内外研究现状 | 第10-11页 |
| 1.3 人脸识别技术的主要研究内容及存在的困难 | 第11-12页 |
| 1.3.1 人脸识别技术的主要研究内容 | 第11-12页 |
| 1.3.2 人脸识别技术主要存在的困难 | 第12页 |
| 1.4 常用的人脸识别技术研究方法 | 第12-16页 |
| 1.4.1 基于局部特征的人脸识别方法 | 第12-14页 |
| 1.4.2 基于全局特征的人脸识别方法 | 第14-15页 |
| 1.4.3 基于红外人脸图像的识别方法 | 第15页 |
| 1.4.4 几种混合的方法 | 第15-16页 |
| 1.5 本文的内容安排 | 第16-17页 |
| 第2章 深度学习及其卷积神经网络 | 第17-28页 |
| 2.1 深度学习及其常用方法 | 第17-19页 |
| 2.1.1 深度学习的概述 | 第17-18页 |
| 2.1.2 深度学习常用的方法 | 第18-19页 |
| 2.2 前馈神经网络 | 第19-22页 |
| 2.2.1 神经网络感知器单元 | 第19-20页 |
| 2.2.2 多层前馈神经网络 | 第20-21页 |
| 2.2.3 神经网络学习算法 | 第21页 |
| 2.2.4 反向传播算法 | 第21-22页 |
| 2.3 深度卷积神经网络 | 第22-27页 |
| 2.3.1 深度卷积神经网络的基本原理及其模型 | 第23-24页 |
| 2.3.2 深度卷积神经网络的局部连接与权值共享 | 第24页 |
| 2.3.3 深度卷积神经网络的池化采样 | 第24-25页 |
| 2.3.4 深度卷积神经网络的训练过程 | 第25-27页 |
| 2.4 深度学习的实际应用 | 第27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 稀疏表示的分类算法 | 第28-35页 |
| 3.1 稀疏表示的分类算法 | 第28-29页 |
| 3.1.1 稀疏表示理论的数学模型 | 第28-29页 |
| 3.1.2 稀疏表示的计算方法理论依据 | 第29页 |
| 3.2 稀疏表示的分类算法研究 | 第29-33页 |
| 3.2.1 处理信号噪声 | 第29-30页 |
| 3.2.2 其他相关的分类算法 | 第30-33页 |
| 3.3 稀疏表示理论算法的优缺点 | 第33-34页 |
| 3.3.1 稀疏表示的优点 | 第33页 |
| 3.3.2 稀疏表示的缺点 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 人脸图像的预处理 | 第35-44页 |
| 4.1 图像去噪处理 | 第35页 |
| 4.2 图像的超分辨率增强 | 第35-36页 |
| 4.3 图像的归一化过程 | 第36-38页 |
| 4.4 人脸检测 | 第38-43页 |
| 4.4.1 AdaBoost检测器 | 第38-41页 |
| 4.4.4 Adaboost人脸检测算法的实验结果 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 基于稀疏表示的人脸识别 | 第44-51页 |
| 5.1 稀疏表示理论 | 第44页 |
| 5.2 基于稀疏表示的人脸识别 | 第44-45页 |
| 5.3 小波域的稀疏表示人脸识别 | 第45-47页 |
| 5.4 实验结果 | 第47-49页 |
| 5.5 本章小结 | 第49-51页 |
| 第6章 基于深度学习和稀疏表示的人脸识别 | 第51-60页 |
| 6.1 前言 | 第51页 |
| 6.2 类内变化干扰下的小样本人脸识别 | 第51-53页 |
| 6.3 基于深度学习的稀疏表示的人脸识别 | 第53-58页 |
| 6.4 实验结果与分析 | 第58-59页 |
| 6.5 本章小结 | 第59-60页 |
| 第7章 总结与展望 | 第60-62页 |
| 7.1 全文总结 | 第60页 |
| 7.2 展望 | 第60-62页 |
| 参考文献 | 第62-67页 |