| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第12-15页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 研究内容和目标 | 第13页 |
| 1.3 文章组织结构 | 第13-15页 |
| 第2章 相关技术概述 | 第15-22页 |
| 2.1 人脸检测算法 | 第15-18页 |
| 2.1.1 基于级联分类器的人脸检测算法 | 第16-17页 |
| 2.1.2 基于弹性不变模型的人脸检测算法 | 第17页 |
| 2.1.3 基于神经网络的人脸检测算法 | 第17-18页 |
| 2.2 人脸关键点检测算法 | 第18-19页 |
| 2.2.1 基于局部二值特征的人脸关键点检测算法 | 第18-19页 |
| 2.3 人脸识别算法 | 第19-21页 |
| 2.3.1 基于特征脸的方法 | 第19-20页 |
| 2.3.2 基于局部二值模式的方法 | 第20页 |
| 2.3.3 基于模型学习的方法 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 深度神经网络 | 第22-31页 |
| 3.1 神经网络模型 | 第22-24页 |
| 3.1.1 神经元 | 第22-23页 |
| 3.1.2 多层神经网络 | 第23-24页 |
| 3.2 卷积神经网络 | 第24-27页 |
| 3.2.1 局部感知野 | 第24-25页 |
| 3.2.2 权值共享 | 第25-26页 |
| 3.2.3 卷积层 | 第26页 |
| 3.2.4 池化层 | 第26-27页 |
| 3.3 卷积神经网络模型 | 第27-30页 |
| 3.3.1 LeNet-5 | 第27-28页 |
| 3.3.2 AlexNet | 第28-29页 |
| 3.3.3 GoogLeNet | 第29页 |
| 3.3.4 VGGNet | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第4章 基于深度神经网络的人脸验证算法 | 第31-47页 |
| 4.1 人脸特征向量提取 | 第32-41页 |
| 4.1.1 卷积神经网络提取人脸特征 | 第32-33页 |
| 4.1.2 识别信号与验证信号 | 第33-34页 |
| 4.1.3 激活函数 | 第34-36页 |
| 4.1.4 Batch Normalization | 第36-37页 |
| 4.1.5 基本模型结构 | 第37-38页 |
| 4.1.6 Pooling层的改进 | 第38-39页 |
| 4.1.7 基于人脸关键点位置的模型 | 第39-41页 |
| 4.2 特征降维 | 第41-43页 |
| 4.2.1 主成分分析 | 第42-43页 |
| 4.3 相似度判断 | 第43-45页 |
| 4.3.1 欧式距离 | 第43页 |
| 4.3.2 联合贝叶斯 | 第43-45页 |
| 4.4 本章小结 | 第45-47页 |
| 第5章 实验结果 | 第47-61页 |
| 5.1 实验环境 | 第47页 |
| 5.2 数据集 | 第47-51页 |
| 5.2.1 CASIA-Webface | 第47-48页 |
| 5.2.2 豆瓣明星人脸 | 第48-49页 |
| 5.2.3 LFW | 第49-51页 |
| 5.3 人脸预处理 | 第51页 |
| 5.4 对比实验 | 第51-57页 |
| 5.4.1 特征降维 | 第51-52页 |
| 5.4.2 特征相似度判断 | 第52-53页 |
| 5.4.3 神经网络的参数 | 第53-55页 |
| 5.4.4 激活函数 | 第55-56页 |
| 5.4.5 训练数据 | 第56-57页 |
| 5.4.6 小结 | 第57页 |
| 5.5 Pooling层的改进 | 第57-58页 |
| 5.6 多模型融合 | 第58页 |
| 5.7 基于人脸关键点位置的模型 | 第58-59页 |
| 5.8 比较与分析 | 第59页 |
| 5.9 本章小结 | 第59-61页 |
| 第6章 总结和展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间的主要研究成果 | 第66-67页 |
| 致谢 | 第67页 |