| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 课题背景及意义 | 第10-12页 |
| 1.2 国内外研究和应用现状 | 第12-16页 |
| 1.2.1 国内外研究现状 | 第13-15页 |
| 1.2.2 国内外应用现状 | 第15-16页 |
| 1.3 论文主要工作 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-19页 |
| 第二章 人脸识别中特征提取相关技术 | 第19-29页 |
| 2.1 人脸主要特征 | 第19-22页 |
| 2.1.1 颜色特征 | 第19-20页 |
| 2.1.2 纹理特征 | 第20-21页 |
| 2.1.3 形状特征 | 第21-22页 |
| 2.2 特征获取方式 | 第22-25页 |
| 2.2.1 特征提取 | 第22-23页 |
| 2.2.2 特征选择 | 第23-25页 |
| 2.3 人脸光照处理方法 | 第25-28页 |
| 2.3.1 主动式光照处理方法 | 第25-26页 |
| 2.3.2 被动式光照处理方法 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 人脸识别原型系统的设计 | 第29-38页 |
| 3.1 系统需求分析 | 第29-32页 |
| 3.1.1 功能需求 | 第29-31页 |
| 3.1.2 系统可用性需求 | 第31-32页 |
| 3.2 概要设计 | 第32-34页 |
| 3.3 详细设计 | 第34-37页 |
| 3.3.1 人脸图像采集模块 | 第34-35页 |
| 3.3.2 人脸特征训练模块 | 第35-36页 |
| 3.3.3 人脸图像识别模块 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于Haar特性的改进HOG的特征提取算法 | 第38-51页 |
| 4.1 引言 | 第38-40页 |
| 4.2 HOG特征提取算法 | 第40-42页 |
| 4.3 基于Haar特性的改进HOG的特征提取算法 | 第42-45页 |
| 4.3.1 Haar特征 | 第42-43页 |
| 4.3.2 基于Haar特性的改进HOG的特征提取算法 | 第43-45页 |
| 4.4 仿真及结果分析 | 第45-49页 |
| 4.4.1 人脸识别率比较 | 第46-47页 |
| 4.4.2 特征提取时间和分类时间的比较 | 第47-48页 |
| 4.4.3 排序值评测法分析 | 第48-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第五章 基于粗糙集的受限玻尔兹曼机特征选择算法 | 第51-67页 |
| 5.1 引言 | 第51-53页 |
| 5.2 RBM模型 | 第53-55页 |
| 5.3 基于粗糙集的RBM特征选择算法 | 第55-59页 |
| 5.3.1 粗糙集理论 | 第55-56页 |
| 5.3.2 RBM隐层神经元个数确定 | 第56-57页 |
| 5.3.3 确定权值初始值及改进更新准则 | 第57-58页 |
| 5.3.4 基于粗糙集的RBM特征选择算法 | 第58-59页 |
| 5.4 仿真及结果分析 | 第59-66页 |
| 5.4.1 不同RBM隐层神经元个数的性能比较 | 第60-62页 |
| 5.4.2 不同RBM初始权值的性能比较 | 第62-64页 |
| 5.4.3 各个算法重构误差和迭代次数比较 | 第64-65页 |
| 5.4.4 算法分类能力的比较 | 第65-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第六章 人脸识别原型系统的实现 | 第67-80页 |
| 6.1 系统实现 | 第67-71页 |
| 6.1.1 人脸图像采集模块的实现 | 第67-69页 |
| 6.1.2 人脸图像训练模块的实现 | 第69-71页 |
| 6.1.3 人脸图像识别模块的实现 | 第71页 |
| 6.2 系统测试和结果分析 | 第71-78页 |
| 6.2.1 测试环境 | 第71页 |
| 6.2.2 功能测试 | 第71-76页 |
| 6.2.3 性能测试 | 第76-78页 |
| 6.3 本章小结 | 第78-80页 |
| 第七章 总结与展望 | 第80-82页 |
| 7.1 论文工作总结 | 第80页 |
| 7.2 研究展望 | 第80-82页 |
| 参考文献 | 第82-86页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第86-87页 |
| 致谢 | 第87页 |
