1 绪论
1.1 研究背景与意义
1.2 研究现状
1.2.1 人脸图像分类算法的主要模块
1.2.2 人脸图像分类算法应用概述
1.3 本文研究内容
1.4 本文组织结构
1.5 本章小结
2 深度学习与人脸图像分类算法
2.1 深度学习概述
2.2 人脸图像分类算法概述
2.2.1 卷积网络工作机制
2.2.2 人脸图像分类算法
2.2.3 人脸匹配方法
2.3 开源框架与优化算法概述
2.3.1 深度学习 Keras 开源框架
2.3.2 优化算法
2.4 本章小结
3 人脸图像预处理
3.1 人脸图像数据集
3.1.1基于Haar-like特征人脸级联检测器
3.1.2 图像集的采集与制作
3.2 图像增强
3.2.1 直方图均衡化
3.2.2 USM 算法
3.3 人脸对齐
3.3.1 ERT算法
3.3.2 基于 Dlib 实现人脸对齐
3.4 图像预处理实验
3.5 本章小结
4 基于深度学习的人脸图像分类算法研究
4.1 轻量级卷积网络模型构建
4.1.1 卷积模块设计
4.1.2 模型结构与参数
4.2 基于 Shortcut模块的网络模型构建
4.2.1 残差学习概述
4.2.2 Shortcut 模块设计
4.2.3 模型结构与参数
4.3 基于孪生结构的网络模型构建
4.3.1孪生网络结构概述
4.3.2 基于轻量级卷积网络的孪生模型构建
4.3.3 基于 Shortcut 网络的孪生模型构建
4.3.4 孪生结构网络改进
4.4 算法的损失函数
4.4.1 损失函数概述
4.4.2 算法的损失函数改进
4.5 本章小结
5 算法实验分析
5.1 算法参数设置
5.2 实验结果与分析
5.2.1 轻量卷积网络模型与基于 Shortcut 模块网络模型
5.2.1 算法的损失函数
5.2.3 孪生结构的网络模型
5.2.4 算法方案实验分析与总结
5.3 人脸匹配
5.3.1 人脸匹配应用
5.3.2 人脸匹配结果与分析
5.4 本章小结
6 总结与展望
6.1 本文工作总结
6.2 展望
参考文献
作者在攻读硕士学位期间发表的成果
致谢
