声明
第 1 章 绪论
1.1 选题背景及意义
1.2 国内外研究现状
1.2.1 基于静态纹理的人脸活体检测算法
1.2.2 基于运动特征的人脸活体检测算法
1.2.3 基于三维形状的人脸活体检测算法
1.2.4 基于多谱反射的人脸活体检测算法
1.2.5 深度学习在人脸活体检测中的应用
1.3 本文研究的主要内容及论文框架
第 2 章 人脸活体检测算法相关基础
2.1 卷积神经网络概述
2.1.1 卷积层
2.1.2 池化层
2.1.3 全连接层
2.1.4 损失函数和分类函数
2.2 卷积神经网络训练策略
2.2.1 前向传播
2.2.2 反向传播
2.3 人脸活体检测常用数据集
2.3.1 NUAA 数据集
2.3.2 CASIA-FASD 数据集
2.3.3 Replay-attack 数据集
2.3.4 CASIA-SURF 数据集
2.4 总结
第 3 章 基于 Light_CNN 的人脸活体检测算法
3.1 MTCNN 人脸检测器
3.2 亮度均衡
3.3 Light_CNN 算法的卷积神经网络设计
3.3.1 Light_CNN 网络结构设计
3.3.2 防止过拟合
3.4 基于 Light_CNN 的实验
3.4.1 软件的安装与实验环境的配置
3.4.2 实验参数和评估指标的设置
3.4.3 网络的训练
3.4.4 Light_CNN 算法性能分析
3.5 总结
第 4 章 基于 M-CNN 的人脸活体检测算法
4.1 融合策略
4.2 M-CNN 网络设计
4.2.1 MobileNetV2
4.2.2 SE 模块
4.2.3 全局平均池化
4.2.4 基于 MobileNetV2 的特征融合的算法
4.2.5 学习率调整方法
4.3 基于 M-CNN 活体检测算法的实验分析
4.3.1 实验环境的配置
4.3.2 实验参数和评估指标介绍
4.3.3 实验分析
4.4 总结
第 5 章 基于 Python 语言的人脸活体检测系统的设计
5.1 系统开发环境和工具介绍
5.1.1 Python、PyQt5 介绍
5.1.2 人脸活体检测的深度学习框架介绍
5.2系统总体设计
5.2.1 文件读取和处理模块
5.2.2 模型获取模块
5.2.3 评估模块
5.3 系统展示
5.3.1 Light_CNN 人脸活体检测界面
5.3.2 M-CNN 人脸活体检测界面
5.4 总结
总结与展望
1.本文总结
2.未来展望
参考文献
附录A(攻读学位期间的研究成果)
致 谢
湖南大学;