| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1.绪论 | 第9-14页 |
| 1.1 人脸特征提取的背景和意义 | 第9-12页 |
| 1.1.1 人脸特征提取研究的背景 | 第9-10页 |
| 1.1.2 人脸特征提取研究的意义 | 第10页 |
| 1.1.3 人脸特征的种类 | 第10页 |
| 1.1.4 人脸特征提取的主要方法 | 第10-12页 |
| 1.2 人脸特征提取的研究现状 | 第12-13页 |
| 1.2.1 国外研究现状 | 第12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 人脸特征提取的难点 | 第13页 |
| 1.4 论文的内容与结构 | 第13-14页 |
| 2.基于深度卷积的人脸特征提取 | 第14-34页 |
| 2.1 深度卷积神经网络DCNN | 第14-22页 |
| 2.1.1 反馈神经网络BP | 第14-15页 |
| 2.1.2 卷积神经网络CNN | 第15-20页 |
| 2.1.3 深度卷积神经网络DCNN | 第20-22页 |
| 2.2 基于DCNN的人脸识别流程 | 第22-28页 |
| 2.2.1 人脸检测 | 第22-24页 |
| 2.2.2 人脸关键点定位 | 第24页 |
| 2.2.3 人脸对齐 | 第24-25页 |
| 2.2.4 人脸特征提取 | 第25页 |
| 2.2.5 相似性计算 | 第25-26页 |
| 2.2.6 人脸活体检测 | 第26-27页 |
| 2.2.7 线下训练与线上识别 | 第27-28页 |
| 2.3 基于DCNN的人脸特征提取 | 第28-32页 |
| 2.3.1 人脸数据集的预处理 | 第28-30页 |
| 2.3.2 特征提取器的训练 | 第30-31页 |
| 2.3.4 反卷积可视化 | 第31-32页 |
| 2.4 本章小结 | 第32-34页 |
| 3.基于改进LightedDCNN的轻量级人脸特征提取网络X-Net | 第34-55页 |
| 3.1 轻量级LightedDCNN网络 | 第34-42页 |
| 3.1.1 MobileNet深度卷积神经网络 | 第35-40页 |
| 3.1.2 ShuffleNet深度卷积神经网络 | 第40-42页 |
| 3.2 增量特征构造 | 第42-44页 |
| 3.2.1 Residual基本结构 | 第42-43页 |
| 3.2.2 Residual原理 | 第43-44页 |
| 3.3 扩增路径 | 第44-46页 |
| 3.3.1 Inception分支结构 | 第44-46页 |
| 3.3.2 Inception原理 | 第46页 |
| 3.4 1 *1卷积核 | 第46-47页 |
| 3.5 损失值函数 | 第47-50页 |
| 3.5.1 Focusloss焦点损失值 | 第48-49页 |
| 3.5.2 损失值分析 | 第49-50页 |
| 3.6 可非线性分离的DCNN架构X-Net | 第50-54页 |
| 3.6.1 非线性可分离结构 | 第51-53页 |
| 3.6.2 X-Net基本结构 | 第53-54页 |
| 3.7 本章小结 | 第54-55页 |
| 4.基于X-Net的人脸特征提取实现 | 第55-68页 |
| 4.1 网络结构加密 | 第55-56页 |
| 4.2 实验数据集 | 第56-57页 |
| 4.2.1 训练数据集 | 第56-57页 |
| 4.2.2 测试数据集 | 第57页 |
| 4.3 网络可视化训练 | 第57-59页 |
| 4.4 网络模型库 | 第59-62页 |
| 4.4.1 人脸检测 | 第59-60页 |
| 4.4.2 人脸关键点定位 | 第60-62页 |
| 4.5 特征抽取 | 第62-63页 |
| 4.5.1 特征抽取方法 | 第62-63页 |
| 4.5.2 特征抽取和保存 | 第63页 |
| 4.6 相似性分类 | 第63-64页 |
| 4.7 实验结果分析 | 第64-67页 |
| 4.7.1 与传统方法对比 | 第64-65页 |
| 4.7.2 与卷积方法对比 | 第65页 |
| 4.7.3 移动级可行性 | 第65-66页 |
| 4.7.4 实验分析总结 | 第66-67页 |
| 4.8 本章小结 | 第67-68页 |
| 5.总结与展望 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 致谢 | 第72-73页 |
| 作者简介 | 第73-74页 |