| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 课题研究背景与意义 | 第10-12页 |
| 1.1.1 人脸检测的研究背景 | 第10-12页 |
| 1.1.2 人脸检测的研究意义 | 第12页 |
| 1.2 课题研究现状 | 第12-17页 |
| 1.2.1 基于几何特征的人脸检测方法 | 第13-15页 |
| 1.2.2 基于肤色模型的人脸检测方法 | 第15-16页 |
| 1.2.3 基于AdaBoost的人脸检测方法 | 第16页 |
| 1.2.4 基于神经网络的人脸检测方法 | 第16-17页 |
| 1.3 本文的研究内容 | 第17-18页 |
| 1.4 本文的组织结构 | 第18-21页 |
| 第2章 人脸检测相关技术介绍 | 第21-37页 |
| 2.1 基于卷积神经网络的人脸检测技术 | 第21-29页 |
| 2.1.1 卷积神经网络应用于人脸识别的优势 | 第21-22页 |
| 2.1.2 网络结构 | 第22-27页 |
| 2.1.3 提升模型性能的常用技巧 | 第27-29页 |
| 2.2 图像超分辨率技术 | 第29-34页 |
| 2.2.1 基于插值的图像超分辨率 | 第29-32页 |
| 2.2.2 基于稀疏表示的图像超分辨 | 第32-33页 |
| 2.2.3 基于卷积神经网络的图像超分辨率 | 第33-34页 |
| 2.3 人脸检测的主要评价指标 | 第34-35页 |
| 2.4 本章小结 | 第35-37页 |
| 第3章 基于ResNet的多任务人脸检测算法(MRF-CNN) | 第37-52页 |
| 3.1 引言 | 第37页 |
| 3.2 算法框架 | 第37-39页 |
| 3.3 基于ResNet的二阶段人脸检测算法 | 第39-45页 |
| 3.3.1 图像金字塔构建 | 第39页 |
| 3.3.2 MR-net网络结构的设计与实现 | 第39-44页 |
| 3.3.3 F-net网络结构 | 第44-45页 |
| 3.4 实验结果与分析 | 第45-50页 |
| 3.4.1 实验数据集 | 第45页 |
| 3.4.2 实验评价指标 | 第45-46页 |
| 3.4.3 数据分析 | 第46-47页 |
| 3.4.4 训练设置 | 第47页 |
| 3.4.5 性能比较 | 第47-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第4章 基于超分辨率金字塔的多任务人脸检测算法 | 第52-64页 |
| 4.1 引言 | 第52页 |
| 4.2 算法设计与实现 | 第52-57页 |
| 4.2.1 构建低分辨率图像金字塔 | 第53-55页 |
| 4.2.2 重构高分辨率人脸图像 | 第55-57页 |
| 4.2.3 算法的主要特点 | 第57页 |
| 4.3 实验结果与分析 | 第57-63页 |
| 4.3.1 实验数据集 | 第57-58页 |
| 4.3.2 实验评价指标 | 第58页 |
| 4.3.3 各种插值放大结果的比较 | 第58-59页 |
| 4.3.4 图像金字塔采样因子参数的选择 | 第59-60页 |
| 4.3.5 在WIDERFACE数据集上的实验比较 | 第60-62页 |
| 4.3.6 在FDDB数据集上的实验比较 | 第62-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第5章 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64-65页 |
| 5.2 研究展望 | 第65-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 附录 | 第72-73页 |
| 详细摘要 | 第73-75页 |