多角度人脸识别的深度学习方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状分析 | 第10-12页 |
| 1.3 研究目的及意义 | 第12页 |
| 1.4 本文的组织结构 | 第12-15页 |
| 第2章 多角度人脸识别方法综述 | 第15-29页 |
| 2.1 多角度人脸识别流程 | 第15-17页 |
| 2.2 人脸识别主要方法 | 第17-23页 |
| 2.2.1 基于几何特征的人脸识别方法 | 第17-18页 |
| 2.2.2 特征脸方法 | 第18-19页 |
| 2.2.3 基于线性判别分析的人脸识别方法 | 第19-22页 |
| 2.2.4 基于神经网络的人脸识别方法 | 第22-23页 |
| 2.3 自编码器模型 | 第23-27页 |
| 2.4 常用人脸数据库介绍 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于自编码器人脸图像的旋转模型设计 | 第29-39页 |
| 3.1 基于自编码器的人脸图像旋转模型 | 第29-31页 |
| 3.2 基于自编码器的人脸图像旋转模型训练与测试 | 第31-37页 |
| 3.2.1 人脸图像预处理 | 第31-32页 |
| 3.2.2 构建自编码器网络 | 第32-33页 |
| 3.2.3 自编码器权重初始化 | 第33-35页 |
| 3.2.4 反向传播算法调整自编码器的参数 | 第35-37页 |
| 3.3 自编码器模型的测试 | 第37页 |
| 3.4 本章小结 | 第37-39页 |
| 第4章 面向多角度的人脸识别方法 | 第39-45页 |
| 4.1 相关介绍 | 第39-40页 |
| 4.1.1 传统识别方法的缺陷 | 第39页 |
| 4.1.2 基于自编码器的人脸识别 | 第39-40页 |
| 4.2 多角度人脸的识别 | 第40-44页 |
| 4.2.1 人脸图像预处理 | 第40页 |
| 4.2.2 使用LDA进行人脸识别 | 第40-42页 |
| 4.2.3 基于自编码器的人脸识别 | 第42-43页 |
| 4.2.4 使用中间显性特征进行识别 | 第43-44页 |
| 4.3 本章小结 | 第44-45页 |
| 第5章 实验结果及分析 | 第45-51页 |
| 5.1 人脸图像旋转实验与分析 | 第45-47页 |
| 5.1.1 实验数据库及环境 | 第45页 |
| 5.1.2 实验结果及分析 | 第45-47页 |
| 5.2 人脸识别实验 | 第47-49页 |
| 5.2.1 人脸识别结果 | 第47页 |
| 5.2.2 训练时间对结果的影响 | 第47-48页 |
| 5.2.3 参数对实验结果的影响 | 第48-49页 |
| 5.3 本章小结 | 第49-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 在学期间公开发表论文及科研情况 | 第57-59页 |
| 致谢 | 第59页 |
