首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于卷积神经网络的人脸识别方法研究

摘要第2-3页
Abstract第3页
1 绪论第6-15页
    1.1 课题的研究背景及意义第6-8页
        1.1.1 身份识别的研究背景及意义第6-7页
        1.1.2 人脸识别的研究背景及意义第7-8页
    1.2 人脸识别的发展历程第8-12页
    1.3 人脸识别的基本流程第12-13页
    1.4 论文结构安排及主要研究工作第13-15页
2 人脸识别的准备工作与数据集第15-27页
    2.1 基于Retinex理论的图像增强第15-17页
        2.1.1 Retinex理论第15-16页
        2.1.2 单尺度Retinex算法第16页
        2.1.3 多尺度Retinex算法第16-17页
        2.1.4 带颜色恢复的多尺度Retinex算法第17页
    2.2 基于方向梯度直方图特征的人脸检测第17-22页
        2.2.1 方向梯度直方图特征第17-19页
        2.2.2 人脸检测的具体方案第19-22页
    2.3 基于级联残差回归树的人脸对齐第22-25页
        2.3.1 基于级联残差回归树的人脸关键点检测第22-24页
        2.3.2 人脸图像的仿射变换第24-25页
    2.4 人脸数据集第25-27页
        2.4.1 LFW人脸数据库第25页
        2.4.2 CAS-PEAL人脸数据库第25页
        2.4.3 MS-Celeb-1M人脸数据库第25-27页
3 基于暗通道理论的图像预处理第27-40页
    3.1 大气散射模型第27-28页
    3.2 暗通道先验理论第28-29页
    3.3 基于暗通道理论的图像去雾第29-31页
    3.4 导向滤波第31-33页
    3.5 基于暗通道理论的低照度图像增强与光照归一化第33-34页
    3.6 实验与分析第34-40页
        3.6.1 图像去雾效果第34-35页
        3.6.2 低照度图像增强效果第35-37页
        3.6.3 增强算法对人脸检测的影响第37-40页
4 基于深度卷积神经网络的人脸识别第40-56页
    4.1 卷积神经网络简介第40-42页
    4.2 经典的卷积神经网络结构第42-49页
        4.2.1 Inception网络结构第42-44页
        4.2.2 残差网络结构第44-47页
        4.2.3 Inception-ResNet结构第47-49页
    4.3 损失函数第49-50页
    4.4 迁移学习思想与人脸识别第50-52页
        4.4.1 预训练模型第50-51页
        4.4.2 面向东方面孔的人脸识别第51-52页
    4.5 实验与分析第52-56页
        4.5.1 预训练模型配合分类器的性能第52-53页
        4.5.2 模型微调后的性能第53-56页
结论第56-57页
参考文献第57-60页
攻读硕士学位期间发表学术论文情况第60-61页
致谢第61-63页

论文共63页,点击 下载论文
上一篇:高动态范围X射线图像融合方法研究
下一篇:基于CUDA的回环检测实现