| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 人脸识别技术研究现状 | 第11-12页 |
| 1.2.2 考试系统研究现状 | 第12-13页 |
| 1.3 人脸识别存在的问题 | 第13-15页 |
| 1.4 本文主要的研究内容 | 第15-16页 |
| 1.5 论文组织结构 | 第16-17页 |
| 第二章 人脸识别技术 | 第17-23页 |
| 2.1 人脸识别技术研究的主要内容 | 第17-18页 |
| 2.1.1 人脸检测 | 第17页 |
| 2.1.2 特征提取 | 第17-18页 |
| 2.1.3 人脸识别 | 第18页 |
| 2.2 人脸检测方法 | 第18-20页 |
| 2.2.1 基于肤色的检测方法 | 第18页 |
| 2.2.2 基于形状的检测方法 | 第18-19页 |
| 2.2.3 基于统计理论的检测方法 | 第19-20页 |
| 2.3 人脸识别方法 | 第20-22页 |
| 2.3.1 基于特征的人脸识别方法 | 第20-21页 |
| 2.3.2 基于外观的人脸识别方法 | 第21页 |
| 2.3.3 基于神经网络的人脸识别方法 | 第21-22页 |
| 2.3.4 基于支持向量机的人脸识别方法 | 第22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于肤色模型和Adaboost算法的人脸检测 | 第23-33页 |
| 3.1 图像预处理 | 第23-25页 |
| 3.1.1 颜色空间 | 第23-24页 |
| 3.1.2 肤色模型 | 第24-25页 |
| 3.1.3 亮度补偿 | 第25页 |
| 3.2 基于肤色模型的人脸检测 | 第25-27页 |
| 3.2.1 肤色相似度计算 | 第25-26页 |
| 3.2.2 人脸轮廓提取 | 第26-27页 |
| 3.3 基于Adaboost算法的人脸检测 | 第27-32页 |
| 3.3.1 Haar-like矩形特征 | 第27-28页 |
| 3.3.2 Adaboost算法 | 第28-30页 |
| 3.3.3 实验结果分析 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于PCA和SVM的人脸识别系统 | 第33-46页 |
| 4.1 基于PCA的人脸特征提取 | 第33-39页 |
| 4.1.1 主成分分析 | 第33-37页 |
| 4.1.2 人脸数据库 | 第37-38页 |
| 4.1.3 主成分脸分析 | 第38-39页 |
| 4.2 基于PCA和SVM的人脸识别系统 | 第39-45页 |
| 4.2.1 支持向量机 | 第40-42页 |
| 4.2.2 准备工作 | 第42-43页 |
| 4.2.3 实验结果与分析 | 第43-45页 |
| 4.3 本章小结 | 第45-46页 |
| 第五章 人脸识别技术在考试系统中的解决方案 | 第46-59页 |
| 5.1 系统开发环境 | 第46页 |
| 5.2 考试系统总体设计 | 第46-50页 |
| 5.2.1 系统的架构设计 | 第46-48页 |
| 5.2.2 系统的业务流程 | 第48-49页 |
| 5.2.3 系统设计原则 | 第49-50页 |
| 5.3 考试系统详细设计 | 第50-54页 |
| 5.3.1 系统识别模块业务流程 | 第50-52页 |
| 5.3.2 系统识别模块功能分析 | 第52页 |
| 5.3.3 系统识别模块设计 | 第52-54页 |
| 5.4 系统运行与分析 | 第54-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 结论 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66-67页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第67页 |