摘要 | 第4-5页 |
ABSTRACT | 第5-6页 |
注释表 | 第11-12页 |
缩略词 | 第12-14页 |
第一章 绪论 | 第14-22页 |
1.1 选题背景及意义 | 第14-15页 |
1.2 人脸识别技术与研究现状 | 第15-19页 |
1.2.1 人脸识别技术的发展阶段 | 第15页 |
1.2.2 人脸识别技术的分类 | 第15-16页 |
1.2.3 人脸识别系统的构成 | 第16-17页 |
1.2.4 低质量无约束人脸识别研究现状 | 第17-19页 |
1.3 本文主要研究内容 | 第19-20页 |
1.4 本文章节安排 | 第20-22页 |
第二章 低分辨率人脸识别相关技术研究 | 第22-30页 |
2.1 章节概述 | 第22-23页 |
2.2 基于分辨率稳健特征的人脸识别 | 第23-24页 |
2.2.1 基于特征的方法 | 第23页 |
2.2.2 基于结构的方法 | 第23-24页 |
2.3 基于重建的图像超分辨率方法 | 第24-27页 |
2.3.1 基于插值的方法 | 第24-26页 |
2.3.2 基于建模的方法 | 第26-27页 |
2.4 基于学习的图像超分辨率方法 | 第27-30页 |
2.4.1 基于稀疏表示的方法 | 第27-29页 |
2.4.2 基于深度学习的方法 | 第29-30页 |
第三章 基于改进的递归卷积神经网络人脸超分辨率重构 | 第30-48页 |
3.1 卷积神经网络 | 第30-34页 |
3.1.1 卷积神经网络介绍 | 第30页 |
3.1.2 卷积神经网络的主要结构 | 第30-33页 |
3.1.3 卷积神经网络的训练 | 第33-34页 |
3.2 基于卷积神经网络的人脸图像超分辨率重构 | 第34-38页 |
3.2.1 图像质量评估指标PSNR与SSIM | 第35-36页 |
3.2.2 SRCNN网络结构 | 第36-38页 |
3.3 基于递归卷积神经网络的图像超分辨率重构 | 第38-43页 |
3.3.1 梯度消失与梯度爆炸 | 第38页 |
3.3.2 递归卷积神经网络 | 第38-40页 |
3.3.3 基于递归监督与跳跃连接的递归卷积神经网络 | 第40-42页 |
3.3.4 基于感知损失的超分辨率网络 | 第42-43页 |
3.4 实验与分析 | 第43-46页 |
3.4.1 实验细节 | 第43-44页 |
3.4.2 基于评估指标PSNR和SSIM的超分辨率重构 | 第44-46页 |
3.4.3 基于人脸识别的超分辨率重构 | 第46页 |
3.5 本章小结 | 第46-48页 |
第四章 基于 3D纹理模型的人脸摆正 | 第48-57页 |
4.1 多姿态人脸识别算法介绍 | 第48-49页 |
4.2 基于 3D人脸纹理模型的正面视图合成 | 第49-50页 |
4.2.1 基于正面视图合成的多姿态人脸识别 | 第49页 |
4.2.2 基于 3D人脸纹理模型的面部摆正算法 | 第49-50页 |
4.3 基于SDM的人脸对齐 | 第50-52页 |
4.3.1 人脸对齐方法概述 | 第50页 |
4.3.2 基于SDM的人脸特征点检测 | 第50-52页 |
4.4 姿态与能见度估计 | 第52-53页 |
4.4.1 姿态估计 | 第52-53页 |
4.4.2 能见度估计 | 第53页 |
4.5 实验与分析 | 第53-56页 |
4.5.1 基于 3D人脸纹理模型的摆正效果 | 第53-54页 |
4.5.2 基于人脸识别的姿态校正 | 第54-56页 |
4.5.3 基于性别估计的姿态校正 | 第56页 |
4.6 本章小结 | 第56-57页 |
第五章 超分辨率下的人脸摆正算法 | 第57-63页 |
5.1 基于遮挡检测鲁棒的人脸摆正算法 | 第57-59页 |
5.1.1 基于Gabor与SVM的性别估计 | 第57-58页 |
5.1.2 遮挡检测与区域填充 | 第58-59页 |
5.2 高分辨率正面人脸获取模型 | 第59-60页 |
5.3 实验 | 第60-62页 |
5.3.1 基于带遮挡样本的姿态校正 | 第60-61页 |
5.3.2 基于低质量无约束人脸样本的超分辨率摆正 | 第61-62页 |
5.4 本章小结 | 第62-63页 |
第六章 总结与展望 | 第63-65页 |
6.1 总结 | 第63-64页 |
6.2 展望 | 第64-65页 |
参考文献 | 第65-71页 |
致谢 | 第71-72页 |
在学期间的研究成果及发表的学术论文 | 第72页 |