基于LBP深度信念网络的人脸识别研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 引言 | 第9-10页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 人脸识别的研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 人脸识别研究现状 | 第11-12页 |
| 1.2.2 LBP算法研究现状 | 第12-13页 |
| 1.2.3 深度学习研究现状 | 第13-14页 |
| 1.3 常见图像分类方法 | 第14-17页 |
| 1.3.1 决策树 | 第14-15页 |
| 1.3.2 支持向量机 | 第15-16页 |
| 1.3.3 神经网络 | 第16-17页 |
| 1.4 论文内容安排和主要内容 | 第17-19页 |
| 第2章 人脸识别系统介绍 | 第19-27页 |
| 2.1 AdaBoost人脸检测法 | 第19-22页 |
| 2.1.1 Haar特征和积分图 | 第20-21页 |
| 2.1.2 合成强分类器 | 第21-22页 |
| 2.1.3 级联分类器 | 第22页 |
| 2.2 人脸图像预处理 | 第22-23页 |
| 2.2.1 直方图均衡化 | 第22-23页 |
| 2.2.2 灰度归一化 | 第23页 |
| 2.3 常用人脸数据库介绍 | 第23-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第3章 LBP人脸特征提取 | 第27-37页 |
| 3.1 LBP算子 | 第27-31页 |
| 3.1.1 原始LBP算子 | 第27-28页 |
| 3.1.2 圆形LBP算子 | 第28-30页 |
| 3.1.3 旋转不变LBP算子 | 第30页 |
| 3.1.4 统一LBP算子 | 第30-31页 |
| 3.2 井字形LBP算子 | 第31-34页 |
| 3.3 仿真实验 | 第34-35页 |
| 3.3.1 纹理对比实验 | 第34-35页 |
| 3.3.2 人脸图像识别率对比实验 | 第35页 |
| 3.4 本章小结 | 第35-37页 |
| 第4章 深度学习方法 | 第37-50页 |
| 4.1 深度学习方法 | 第37-43页 |
| 4.1.1 自动编码器 | 第37-38页 |
| 4.1.2 卷积神经网络 | 第38-40页 |
| 4.1.3 受限玻尔兹曼机 | 第40-42页 |
| 4.1.4 深度信念网络 | 第42-43页 |
| 4.2 Dropout方法 | 第43-46页 |
| 4.2.1 Dropout模型 | 第44-45页 |
| 4.2.2 DBN-Dropout模型 | 第45-46页 |
| 4.3 实验分析 | 第46-49页 |
| 4.3.1 DBN层数和迭代次数的确定 | 第46-47页 |
| 4.3.2 Dropout中概率p的确定 | 第47-48页 |
| 4.3.3 有无Dropout实验 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 基于LBP和深度信念网络的人脸识别 | 第50-57页 |
| 5.1 引言 | 第50页 |
| 5.2 LBP和深度信念网络的人脸识别方法 | 第50-52页 |
| 5.3 实验与分析 | 第52-56页 |
| 5.3.1 ORL人脸库实验 | 第52-54页 |
| 5.3.2 YALE人脸库实验 | 第54-55页 |
| 5.3.3 YALE-B人脸库实验 | 第55-56页 |
| 5.4 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 导师简介 | 第64页 |
| 备案协助导师简介 | 第64页 |
| 企业导师简介 | 第64-65页 |
| 作者简介 | 第65-66页 |
| 学位论文数据集 | 第66页 |
