视频数据中的群体人脸检测和识别
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究的背景及意义 | 第10-12页 |
| 1.2 人脸识别的应用 | 第12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.3.1 人脸识别国外研究现状 | 第13-14页 |
| 1.3.2 人脸识别国内研究现状 | 第14页 |
| 1.4 人脸识别技术的面临的问题 | 第14-15页 |
| 1.5 本文的组织结构 | 第15-18页 |
| 第二章 人脸检测和图像预处理 | 第18-32页 |
| 2.1 人脸检测算法 | 第18-23页 |
| 2.2 人脸图像预处理 | 第23-28页 |
| 2.2.1 图像灰度化 | 第23-24页 |
| 2.2.2 图像噪声消减 | 第24-25页 |
| 2.2.3 图像的几何归一化 | 第25-26页 |
| 2.2.4 人脸图像灰度归一化 | 第26-28页 |
| 2.3 人脸数据库选取 | 第28-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第三章 人脸识别 | 第32-54页 |
| 3.1 人脸识别算法的选取 | 第32-34页 |
| 3.2 主成分分析所需算法介绍 | 第34-39页 |
| 3.2.1 K-L变换进行矩阵压缩 | 第35-37页 |
| 3.2.2 奇异值分解求取特征值和特征向量 | 第37-38页 |
| 3.2.3 距离函数确定待检测人脸 | 第38-39页 |
| 3.3 主成分分析人脸识别 | 第39-42页 |
| 3.3.1 主成分分析法进行特征提取 | 第39-41页 |
| 3.3.2 主成分分析法完成人脸识别 | 第41-42页 |
| 3.4 2DPCA人脸识别 | 第42-46页 |
| 3.4.1 二维主成分分析方法思想 | 第42-44页 |
| 3.4.2 二维主成分分析方法特征提取 | 第44页 |
| 3.4.3 基于二维主成分分析法的人脸识别 | 第44-45页 |
| 3.4.4 二维主成分分析方法的优缺点 | 第45-46页 |
| 3.5 改进的2DPCA人脸识别算法 | 第46-49页 |
| 3.6 实验结果分析 | 第49-52页 |
| 3.6.1 识别率和维数的关系 | 第49-51页 |
| 3.6.2 训练样本数与识别率的关系 | 第51-52页 |
| 3.6.3 训练样本数与识别时间的关系 | 第52页 |
| 3.7 实验结果分析 | 第52-54页 |
| 第四章 系统设计与实现 | 第54-64页 |
| 4.1 系统分析 | 第54-56页 |
| 4.1.1 系统的软件开发环境 | 第54-55页 |
| 4.1.2 系统的硬件开发环境 | 第55-56页 |
| 4.2 系统设计 | 第56-59页 |
| 4.2.1 系统的各个模块 | 第56-57页 |
| 4.2.2 系统的实现步骤 | 第57-59页 |
| 4.3 系统实现 | 第59-61页 |
| 4.3.1 系统界面设计 | 第59-60页 |
| 4.3.2 视频数据人脸检测 | 第60-61页 |
| 4.3.3 视频数据人脸识别 | 第61页 |
| 4.3.4 系统运行状况总结 | 第61页 |
| 4.4 本章总结 | 第61-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64页 |
| 5.2 展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第70-72页 |
| 致谢 | 第72-73页 |
