基于深度学习的人脸识别研究及其在物流中的应用
摘要 | 第4-5页 |
Abstract | 第5页 |
专用术语注释表 | 第8-9页 |
第一章 绪论 | 第9-12页 |
1.1 课题背景与意义 | 第9-10页 |
1.1.1 课题背景 | 第9-10页 |
1.1.2 课题意义 | 第10页 |
1.2 课题来源与组织结构 | 第10-12页 |
1.2.1 课题来源 | 第10页 |
1.2.2 本文组织结构 | 第10-12页 |
第二章 相关技术研究 | 第12-23页 |
2.1 深度学习相关技术研究 | 第12-15页 |
2.2 人脸识别研究现状 | 第15-17页 |
2.2.1 国外人脸识别研究现状 | 第15-16页 |
2.2.2 国内人脸识别研究现状 | 第16-17页 |
2.3 深度学习技术在人脸识别中的应用 | 第17-21页 |
2.3.1 人脸检测技术应用 | 第17-18页 |
2.3.2 面部特征提取技术应用 | 第18-19页 |
2.3.3 特征分类技术应用 | 第19-21页 |
2.4 人脸识别在物流签收环节中的应用 | 第21页 |
2.5 本章小结 | 第21-23页 |
第三章 系统总体设计方案 | 第23-32页 |
3.1 设计目标 | 第23-25页 |
3.1.1 系统功能需求 | 第23-25页 |
3.1.2 系统性能需求 | 第25页 |
3.2 总体架构设计 | 第25-27页 |
3.3 系统功能设计 | 第27-29页 |
3.3.1 文件存储子系统 | 第28页 |
3.3.2 人脸识别子系统 | 第28-29页 |
3.3.3 资源管理子系统 | 第29页 |
3.4 快件签收系统数据库设计 | 第29-31页 |
3.5 本章小结 | 第31-32页 |
第四章 基于CNN的人脸识别技术 | 第32-47页 |
4.1 人脸检测方法 | 第33-34页 |
4.2 传统卷积神经网络人脸识别模型 | 第34-38页 |
4.2.1 卷积层设计 | 第35页 |
4.2.2 池化层设计 | 第35-36页 |
4.2.3 全连接层设计 | 第36-37页 |
4.2.4 SoftMax层设计 | 第37-38页 |
4.3 改进的卷积神经网络人脸识别模型 | 第38-42页 |
4.3.1 传统的金字塔特征优化模型 | 第38页 |
4.3.2 改进的金字塔特征模型 | 第38-42页 |
4.4 人脸识别模型训练和调用 | 第42-46页 |
4.4.1 卷积神经网络的训练 | 第43-46页 |
4.4.2 人脸识别模型使用 | 第46页 |
4.5 本章小结 | 第46-47页 |
第五章 基于CNN的人脸识别签收系统设计 | 第47-57页 |
5.1 数据存储层设计 | 第47-53页 |
5.1.1 用户管理设计 | 第47-48页 |
5.1.2 文件存储模块 | 第48-49页 |
5.1.3 有效帧选取模块设计 | 第49-53页 |
5.2 数据表现层设计 | 第53-56页 |
5.2.1 Web后端设计 | 第53-55页 |
5.2.2 前端设计 | 第55页 |
5.2.3 Web服务器部署 | 第55-56页 |
5.3 本章小结 | 第56-57页 |
第六章 系统测试 | 第57-72页 |
6.1 系统环境 | 第57-59页 |
6.1.1 硬件环境 | 第57-59页 |
6.1.2 软件环境 | 第59页 |
6.2 系统测试 | 第59-71页 |
6.2.1 测试环境搭建 | 第59-61页 |
6.2.2 系统功能测试 | 第61-71页 |
6.3 本章小结 | 第71-72页 |
第七章 总结与展望 | 第72-74页 |
7.1 总结 | 第72页 |
7.2 展望 | 第72-74页 |
参考文献 | 第74-78页 |
附录1 攻读硕士学位期间申请的专利 | 第78-79页 |
附录2 攻读硕士学位期间参加的科研项目 | 第79-80页 |
致谢 | 第80页 |