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 |