| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题的来源与背景 | 第9-10页 |
| 1.2 课题研究的目的和意义 | 第10-11页 |
| 1.3 国内外研究现状及分析 | 第11-15页 |
| 1.3.1 人脸识别技术的发展与现状 | 第11-13页 |
| 1.3.2 人工神经网络概述 | 第13页 |
| 1.3.3 深度学习的发展与现状 | 第13-15页 |
| 1.3.4 国内外研究现状总结 | 第15页 |
| 1.4 本论文主要研究内容与结构 | 第15-17页 |
| 第2章 深度学习及三维人脸识别理论基础 | 第17-29页 |
| 2.1 引言 | 第17页 |
| 2.2 人工神经网络 | 第17-19页 |
| 2.3 深度学习 | 第19-25页 |
| 2.3.1 深度信任网络原理 | 第20-22页 |
| 2.3.2 堆栈自编码网络原理 | 第22-23页 |
| 2.3.3 卷积神经网络原理 | 第23-25页 |
| 2.4 三维人脸识别 | 第25-28页 |
| 2.4.1 常用三维人脸数据库 | 第26-27页 |
| 2.4.2 三维人脸模型的主要特征 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于深度学习的三维人脸识别方法实现 | 第29-47页 |
| 3.1 引言 | 第29页 |
| 3.2 人脸数据源预处理 | 第29-35页 |
| 3.2.1 二维人脸图像预处理 | 第30-32页 |
| 3.2.2 人脸深度图预处理 | 第32-35页 |
| 3.3 本论文三维人脸识别系统结构 | 第35-36页 |
| 3.4 基于深层卷积网络的二维人脸图像特征提取实现与改进 | 第36-43页 |
| 3.4.1 结构设计 | 第36-37页 |
| 3.4.2 激活函数及最大池采样 | 第37-40页 |
| 3.4.3 层间部分参数连接方法改进 | 第40-41页 |
| 3.4.4 n路soft-max回归层与训练算法改进 | 第41-43页 |
| 3.5 基于深层卷积网络的脸部深度图特征提取实现与改进 | 第43-44页 |
| 3.6 二维人脸特征与人脸深度图特征融合的实现 | 第44-45页 |
| 3.7 本章小结 | 第45-47页 |
| 第4章 基于深度学习的三维人脸识别方法实验结果与分析 | 第47-69页 |
| 4.1 引言 | 第47页 |
| 4.2 基于深层卷积网络的特征提取实验结果与分析 | 第47-57页 |
| 4.2.1 权值初始化 | 第48页 |
| 4.2.2 学习速率选取实验结果与分析 | 第48-54页 |
| 4.2.3 全连接层神经元个数优化实验结果及分析 | 第54页 |
| 4.2.4 各层向量可视化实验结果与分析 | 第54-57页 |
| 4.3 基于深层卷积网络的人脸深度图特征提取实验结果与分析 | 第57-64页 |
| 4.3.1 图像的预处理 | 第57页 |
| 4.3.2 学习速率选取实验结果与分析 | 第57-62页 |
| 4.3.3 全连接层神经元个数优化实验结果与分析 | 第62页 |
| 4.3.4 各层向量可视化实验结果与分析 | 第62-64页 |
| 4.4 二维人脸特征与人脸深度图特征融合 | 第64-66页 |
| 4.4.1 全连接层不同神经元数量实验结果与分析 | 第65页 |
| 4.4.2 不同测试集测试结果与分析 | 第65-66页 |
| 4.5 对比实验 | 第66-68页 |
| 4.6 本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第76-78页 |
| 致谢 | 第78页 |
