声明
摘要
1.1 人脸识别简介
1.1.1 人脸识别算法流程
1.1.2 人脸识别的难点
1.2 人脸识别研究概况
1.3 本文研究背景
1.4 实验数据集及性能评测指标
1.4.1 实验数据集
1.4.2 性能评价指标
1.5 本文组织结构
第2章 基于CNN的人脸全局深度特征提取
2.1 人脸深度特征提取网络
2.1.1 人脸图像预处理
2.1.2 深度卷积网络初始化
2.1.3 模型参数精细调整
2.1.4 人脸全局深度特征提取
2.2 人脸特征相似性度量方法
2.2.1 余弦距离度量
2.2.2 线性判别分析
2.2.3 联合贝叶斯方法
2.3 实验验证
2.3.1 模型复杂度对特征的影响
2.3.2 特征相似性度量方法的性能对比
2.3.3 不同人脸测试集上的性能比较分析
2.4 本章小结
第3章 基于Fisher Vector编码的人脸特征表示方法
3.1 局部深度特征提取
3.2 基于GMM的Fisher Vector编码
3.3 基于CNN-GMM的Fisher Vector编码
3.3.1 网络结构描述
3.3.2 基于CNN的GMM模型参数估计
3.3.3 CNN-GMM定义下的人脸FV表达
3.4 基于CNN-MFA的Fisher Vector编码
3.4.1 混合因子分析模型
3.4.2 由全协方差矩阵GMM到MFA模型的推导
3.4.3 CNN-MFA定义下的人脸FV表达
3.5 实验验证
3.5.1 LDF聚合方法的性能对比
3.5.2 GNN-GMM-FV性能对比与分析
3.5.3 CNN-MFA-FV与CNN-GMM-FV的性能对比
3.6 本章小结
第4章 基于TVM的人脸低维特征表示方法
4.1 全变量建模方法
4.1.1 统计量计算
4.1.2 目标函数优化
4.1.3 iVector计算
4.2 基于CNN的TVM方法在人脸识别中的应用
4.2.1 基于CNN-GMM的人脸iVector表达
4.2.2 基于CNN-MFA的人脸iVector表达
4.3 实验验证
4.3.2 iVector表达维数确定
4.3.3 CNN-GMM-iVector实验分析
4.3.4 CNN-MFA-iVector实验分析
4.4 本章小结
第5章 基于CL-BCNN的人脸特征表示方法
5.1 交叉双线性卷积网络
5.1.1 网络结构描述
5.1.2 双线性卷积
5.1.3 能量归一化
5.1.4 L2归一化
5.2 实验验证
5.2.1 降维方法的确定
5.2.3 基于CL-BCNN的人脸表达性能对比
5.3 本章小结
第6章 总结与展望
6.1 论文工作总结
6.2 后续研究展望
参考文献
致谢
在读期间发表的学术论文与取得的研究成果