requirements of selected proper number of hidden units to reduce the training time to
II
speed up the running speed of the algorithm。 In this paper, the number of units is 100, which can achieve higher correct rate while training is relatively small, it is more suitable for the number of hidden units。
Keywords: Face recognition;Local binary pattern;Deep believe network; Face detection; Skin color detection
目录
第一章 绪论 1
1。1 研究背景与意义 1
1。2。1 人脸检测与定位技术概述 1
1。2。2 人脸的检测与定位方法 3
1。2。3 人脸识别的方法概述 5
1。3 本文主要研究内容 6
第二章 局部二值模式和深度信念网络基本理论 8
2。1 局部二值模式（LBP）算子介绍 8
2。1。1 LBP 算子的描述 8
2。1。2 LBP 算子用于人脸识别的原理 11
2。1。3 LBP 算子在人脸识别的优势 12
2。2 深度信念网络(DBN)介绍 12
2。2。1 深度信念网络（DBN）的结构 12
2。2。2 受限的波尔兹曼机（RBM）介绍 12
2。2。3 DBN 的算法描述 13
2。3 本章小结 17
第三章 局部二值模式和深度信念网络结合的人脸识别算法 19
3。1 LBP 与 DBN 结合识别人脸的算法设计 19
3。1。1 人脸检测算法的设计 20
3。1。2 局部二值模式（LBP）算子的设计 21
3。1。3 深度信任网络（DBN）的构建 22
3。2 LBP 与 DBN 结合识别人脸的算法实现 25
第四章 算法实现结果与分析 27
4。1 基于 ORL 人脸库的实验 27
4。1。1 ORL 人脸库介绍 27
4。1。2 LBP 算法的实现及其参数的取值对识别算法的影响 27
4。1。3 样本数（每个人的样本照片数）对算法识别率的影响 30
4。1。4 隐藏层中单元数目对算法性能的影响 30
4。1。5 问题规模（识别的人数）对算法性能的影响 31
4。2 基于亚洲人脸库的实验 32
4。2。1 人脸数据库的采集 32
4。2。2 算法实现的过程 33
4。3 实验结果分析 36
结语 37
5。1 论文总结 37
5。2 下一步研究展望 37
致谢 38
参考文献 序列图像特征提取与匹配研究(2):http://www.youerw.com/zidonghua/lunwen_98303.html