基于卷积神经网络的人脸验证技术研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-16页 |
| 1.5 本章小结 | 第16-18页 |
| 第2章 相关技术介绍 | 第18-30页 |
| 2.1 人脸图像预处理算法 | 第18-20页 |
| 2.1.1 人脸检测 | 第18-19页 |
| 2.1.2 面部关键点检测 | 第19页 |
| 2.1.3 人脸对齐 | 第19-20页 |
| 2.2 卷积神经网络 | 第20-24页 |
| 2.2.1 概述 | 第20-21页 |
| 2.2.2 CNN结构 | 第21-23页 |
| 2.2.3 用CNN提取特征 | 第23-24页 |
| 2.3 特征相似性度量 | 第24-26页 |
| 2.3.1 欧式距离度量 | 第24页 |
| 2.3.2 余弦相似度度量 | 第24页 |
| 2.3.3 人脸贝叶斯度量 | 第24-25页 |
| 2.3.4 联合贝叶斯度量 | 第25-26页 |
| 2.4 大规模人脸数据集 | 第26页 |
| 2.5 人脸验证系统性能的评价方法 | 第26-28页 |
| 2.6 本章小结 | 第28-30页 |
| 第3章 人脸验证系统的设计与实现 | 第30-40页 |
| 3.1 训练数据集的处理 | 第30-32页 |
| 3.2 CNN模型的选取 | 第32-34页 |
| 3.3 CNN模型的微调 | 第34-35页 |
| 3.4 LFW测试结果 | 第35-38页 |
| 3.4.1 CNN微调效果 | 第35-36页 |
| 3.4.2 多种特征相似性度量方法的比较 | 第36-37页 |
| 3.4.3 ROC测试结果 | 第37页 |
| 3.4.4 与其他人脸验证系统比较 | 第37-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第4章 基于卷积定理加速人脸验证 | 第40-54页 |
| 4.1 计算时间复杂度分析 | 第40-42页 |
| 4.1.1 标准卷积计算方法 | 第40-41页 |
| 4.1.2 卷积定理方法 | 第41-42页 |
| 4.2 算法流程 | 第42-46页 |
| 4.3 实现细节 | 第46-48页 |
| 4.3.1 傅里叶变换的实现细节 | 第46-47页 |
| 4.3.2 频域乘积求和的实现 | 第47-48页 |
| 4.4 优化方案 | 第48-49页 |
| 4.5 实验结果 | 第49-52页 |
| 4.5.1 卷积定理方法的速度和精度 | 第49页 |
| 4.5.2 人脸验证CNN模型的加速 | 第49-52页 |
| 4.5.3 实验结论 | 第52页 |
| 4.6 本章小结 | 第52-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间所发表的学术论文 | 第60-62页 |
| 致谢 | 第62页 |
