基于隐变量分析的人脸年龄估计算法研究

目录

声明

缩略词表

第一章 绪论

1.1 研究工作的背景与意义

1.2 人脸年龄估计算法的国内外研究历史与现状

1.2.1 基于特征描述子的方法

1.2.2 基于卷积神经网络的方法

1.3 人脸年龄估计目前面临的主要问题和挑战

1.4 论文的主要工作和结构安排

1.4.1 本论文的主要工作

1.4.2 本论文的结构安排

第二章 相关技术概述

2.1 卷积神经网络

2.1.1 卷积神经网络概述

2.1.2 DenseNet

2.1.3 MobileNet

2.2 隐变量模型和期望最大化算法

2.2.1 隐变量模型

2.2.2 期望最大化算法

2.3 人脸年龄估计中常用的特征描述子

2.3.1 常用的特征描述子

2.3.2 方向梯度直方图

2.4 本章小结

第三章 基于CNN-HFA的人脸年龄估计方法

3.1 基于CNN-HFA的人脸年龄估计模型

3.1.1 CNN-HFA方法总体流程

3.1.2 数据预处理方法

3.1.3 卷积神经网络结构

3.1.4 人脸特征的隐变量分析方法

3.2 常用的实验数据集与评价指标

3.2.1 常用的公开数据集

3.2.2 常用的评价指标

3.3 实验结果

3.3.1 实验设置

3.3.2 与常见人脸年龄估计方法的对比

3.3.3 HFA在模型准确性和特征分析上的贡献

3.4 本章小结

第四章 基于MHOG-HFA的人脸年龄估计方法

4.1 MHOG-HFA方法的引入

4.2 基于MHOG-HFA的人脸年龄估计方法模型

4.2.1 MHOG-HFA方法总体流程

4.2.2 直方图均衡化

4.2.3 MHOG特征提取

4.2.4 隐变量分析模型训练

4.3 实验结果

4.3.1 HOG特征尺寸对实验结果的影响

4.3.2 MHOG特征对实验结果的影响

4.3.3 隐变量分析模型对实验结果的影响

4.3.4 与其他方法的对比

4.3.5 算法效率对比

4.4 本章小结

第五章 局部保留投影在人脸年龄估计中应用的讨论

5.1 局部保留投影方法介绍

5.1.1 流形学习和局部保留投影

5.1.2 局部保留投影方法训练过程

5.2 局部保留投影在人脸年龄估计中的应用

5.2.1 局部保留投影在CNN-HFA方法上的应用

5.2.2 局部保留投影在MHOG-HFA方法上的应用

5.3 本章小结

第六章 总结与展望

6.1 全文总结

6.2 后续工作展望

致谢

参考文献

攻读硕士学位期间取得的成果