| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究的背景及意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 人脸识别技术 | 第9-11页 |
| 1.2.1 传统人脸识别技术 | 第9-10页 |
| 1.2.2 现场人脸识别技术 | 第10-11页 |
| 1.3 人脸识别技术国内外研究现状与发展趋势 | 第11-13页 |
| 1.3.1 国内外研究现状 | 第11-12页 |
| 1.3.2 发展趋势 | 第12-13页 |
| 1.4 课题主要研究内容与论文大纲 | 第13-14页 |
| 1.4.1 主要研究内容 | 第13页 |
| 1.4.2 论文章节安排 | 第13-14页 |
| 2 深度学习理论 | 第14-23页 |
| 2.1 深度学习理论的发展 | 第14-15页 |
| 2.1.1 深度学习理论的生物学基础 | 第14-15页 |
| 2.1.2 深度学习理论的发展 | 第15页 |
| 2.2 深度学习的几种常见模型 | 第15-21页 |
| 2.2.1 自动编码器 | 第15-17页 |
| 2.2.2 受限玻尔兹曼机 | 第17-19页 |
| 2.2.3 稀疏编码 | 第19页 |
| 2.2.4 深度置信网络 | 第19-20页 |
| 2.2.5 卷积神经网络 | 第20-21页 |
| 2.3 深度学习的必要性分析 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 初级人脸特征抽取方法研究 | 第23-33页 |
| 3.1 引言 | 第23页 |
| 3.2 稀疏滤波算法(SF) | 第23-32页 |
| 3.2.1 稀疏编码存在的一些问题 | 第23-25页 |
| 3.2.2 SF算法原理 | 第25-29页 |
| 3.2.3 SF算法与其他算法的性能比较 | 第29-32页 |
| 3.3 本章小结 | 第32-33页 |
| 4 卷积神经网络与SF-CNN双重深度特征 | 第33-49页 |
| 4.1 引言 | 第33-38页 |
| 4.1.1 卷积神经网络基本原理 | 第33-35页 |
| 4.1.2 CNN的训练方法 | 第35-36页 |
| 4.1.3 CNN性能实验 | 第36-38页 |
| 4.2 SF-CNN双重深度特征 | 第38-47页 |
| 4.2.1 深度网络模型改进的启示 | 第38页 |
| 4.2.2 SF-CNN网络结构 | 第38-41页 |
| 4.2.3 SF-CNN算法在FERET数据库下的实验 | 第41-44页 |
| 4.2.4 SF-CNN算法在ORL数据库下的实验 | 第44-45页 |
| 4.2.5 SF-CNN算法在LFW-a数据库下的实验 | 第45-47页 |
| 4.3 本章小结 | 第47-49页 |
| 5 基于人脸识别的课堂点名系统 | 第49-59页 |
| 5.1 人脸检测定位 | 第49-53页 |
| 5.2 图像直方图均衡化 | 第53-54页 |
| 5.3 人脸课堂点名系统软件设计 | 第54-58页 |
| 5.3.1 系统工作流程 | 第54-56页 |
| 5.3.2 系统软件界面设计 | 第56-58页 |
| 5.4 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间发表的论文及研究结果 | 第66页 |
