| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-15页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 本文的主要工作 | 第13-14页 |
| 1.3 本文的内容安排 | 第14-15页 |
| 第2章 国内外人脸检测现状的研究与分析 | 第15-19页 |
| 2.1 国内外研究现状 | 第15-17页 |
| 2.1.1 人脸检测理论研究现状分析 | 第15-16页 |
| 2.1.2 人脸检测实际应用研究现状分析 | 第16页 |
| 2.1.3 深度学习理论研究现状分析 | 第16-17页 |
| 2.1.4 深度学习实际应用研究现状分析 | 第17页 |
| 2.2 人脸检测问题中的主要挑战 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第3章 人脸检测理论研究与分析 | 第19-36页 |
| 3.1 人脸检测技术相关介绍 | 第19-22页 |
| 3.1.1 人脸检测系统 | 第19-20页 |
| 3.1.2 常用标准人脸数据库 | 第20-21页 |
| 3.1.3 人脸检测算法的评测标准 | 第21-22页 |
| 3.2 当前人脸检测常用方法研究 | 第22-24页 |
| 3.2.1 基于启发式模型的检测方法 | 第22页 |
| 3.2.2 基于统计模型的检测方法 | 第22-24页 |
| 3.3 深度学习方法分析 | 第24-28页 |
| 3.3.1 深度学习理论 | 第24-25页 |
| 3.3.2 深度学习结构 | 第25-28页 |
| 3.4 受限玻尔兹曼机 | 第28-32页 |
| 3.4.1 受限玻尔兹曼机模型分析 | 第28-30页 |
| 3.4.2 受限玻尔兹曼机的学习过程 | 第30-32页 |
| 3.5 深度信念网络 | 第32-34页 |
| 3.5.1 深度信念网络模型分析 | 第32-33页 |
| 3.5.2 深度信念网络的训练过程 | 第33-34页 |
| 3.6 本章小结 | 第34-36页 |
| 第4章 基于PRe LU改进的深度信念网络 | 第36-42页 |
| 4.1 基于PRe LU函数改进的深度信念网络 | 第36-38页 |
| 4.2 实验结果和分析 | 第38-41页 |
| 4.2.1 对比实验 | 第38-40页 |
| 4.2.2 实验结果分析 | 第40-41页 |
| 4.3 本章小结 | 第41-42页 |
| 第5章 非限制条件下的多姿态人脸检测算法研究 | 第42-57页 |
| 5.1 非限制条件下的多姿态人脸检测 | 第43-48页 |
| 5.1.1 深度学习模型 | 第43-45页 |
| 5.1.2 金字塔型的检测器结构 | 第45-47页 |
| 5.1.3 人脸检测算法流程 | 第47-48页 |
| 5.2 实验结果与分析 | 第48-56页 |
| 5.2.1 性能实验分析 | 第50-51页 |
| 5.2.2 与DBNs+softmax方法的比较及分析 | 第51-54页 |
| 5.2.3 与当前性能较好的检测方法比较的实验结果及分析 | 第54-56页 |
| 5.3 本章小结 | 第56-57页 |
| 总结与展望 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-65页 |
| 附录A 攻读硕士学位期间所发表的学术论文 | 第65页 |