| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 传统人脸识别方法 | 第11-12页 |
| 1.2.2 基于深度学习的人脸识别方法 | 第12页 |
| 1.3 论文研究内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 第2章 人脸识别技术基础 | 第14-28页 |
| 2.1 人脸图像预处理 | 第14-17页 |
| 2.1.1 光照归一化 | 第14-15页 |
| 2.1.2 图像去燥 | 第15-16页 |
| 2.1.3 尺寸归一化 | 第16-17页 |
| 2.2 人脸检测 | 第17-18页 |
| 2.3 人脸特征提取 | 第18-24页 |
| 2.3.1 基于LBP的人脸特征表达 | 第19-21页 |
| 2.3.2 基于HOG的人脸特征表达 | 第21-24页 |
| 2.4 人脸匹配 | 第24-25页 |
| 2.5 人脸识别数据库 | 第25-26页 |
| 2.5.1 ORL人脸数据库 | 第25页 |
| 2.5.2 Yale人脸数据库 | 第25-26页 |
| 2.5.3 FERET人脸数据库 | 第26页 |
| 2.6 本章小结 | 第26-28页 |
| 第3章 基于多特征融合的人脸检测算法 | 第28-37页 |
| 3.1 信息融合 | 第28-30页 |
| 3.2 基于LBP和HOG的多特征融合算法 | 第30-32页 |
| 3.2.1 算法框架 | 第30-31页 |
| 3.2.2 主成分分析法 | 第31页 |
| 3.2.3 算法实现相关步骤 | 第31-32页 |
| 3.3 实验结果与分析 | 第32-36页 |
| 3.3.1 人脸识别率比较 | 第32-34页 |
| 3.3.2 测试性能比较 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于特征融合和深度学习的人脸识别算法 | 第37-48页 |
| 4.1 深度学习 | 第37页 |
| 4.2 受限玻尔兹曼机 | 第37-40页 |
| 4.2.1 模型定义 | 第37-39页 |
| 4.2.2 模型学习 | 第39-40页 |
| 4.3 深度信念网络 | 第40-42页 |
| 4.3.1 模型定义 | 第40-41页 |
| 4.3.2 模型学习 | 第41-42页 |
| 4.4 基于图像多特征融合和深度信念网络的人脸识别算法 | 第42-43页 |
| 4.4.1 基本算法原理 | 第42-43页 |
| 4.4.2 算法实现框架设计 | 第43页 |
| 4.5 实验与分析 | 第43-47页 |
| 4.5.1 算法实现步骤 | 第43页 |
| 4.5.2 实验结果分析 | 第43-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第5章 基于深度学习的智能锁芯系统设计 | 第48-56页 |
| 5.1 总体设计 | 第48-49页 |
| 5.2 系统硬件设计 | 第49-50页 |
| 5.3 系统软件设计 | 第50-52页 |
| 5.4 系统功能测试与分析 | 第52-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 | 第63页 |