| 摘要 | 第5-6页 |
| ABSTARCT | 第6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景 | 第9页 |
| 1.2 证件照合格预检测问题的研究现状 | 第9-10页 |
| 1.3 证件照质量预检测问题所面临的挑战 | 第10页 |
| 1.4 论文主要工作 | 第10-11页 |
| 1.5 论文组织结构 | 第11-12页 |
| 第二章 图像分割与质量分析相关算法 | 第12-22页 |
| 2.1 背景提取与检测技术 | 第12-18页 |
| 2.1.1 背景提取相关算法 | 第12-17页 |
| 2.1.2 背景检测相关算法 | 第17-18页 |
| 2.2 清晰度检测相关算法 | 第18-21页 |
| 2.3 曝光检测相关算法 | 第21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于超像素的证件照自动分割算法 | 第22-44页 |
| 3.1 SLIC超像素 | 第22-25页 |
| 3.2 基于SLIC超像素的Grabcut图像分割 | 第25-37页 |
| 3.2.1 Grabcut掩码图的自动生成 | 第25-36页 |
| 3.2.2 基于SLIC超像素的图像分割 | 第36-37页 |
| 3.3 基于SLIC超像素的Grabcut分割的实验结果分析 | 第37-43页 |
| 3.3.1 针对纯净背景证件照分割的实验结果分析 | 第38-41页 |
| 3.3.2 针对复杂背景证件照分割的实验结果分析 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 证件照中的复杂背景自动检测 | 第44-50页 |
| 4.1 SVM机器学习 | 第44-46页 |
| 4.2 复杂背景证件照的自动检测 | 第46-49页 |
| 4.2.1 特征向量设计 | 第47-48页 |
| 4.2.2 基于SVM和HOG的复杂背景检测 | 第48-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第五章 证件照清晰度的自动度量 | 第50-56页 |
| 5.1 证件照清晰度的自动度量 | 第50-55页 |
| 5.1.1 高斯模糊 | 第51-52页 |
| 5.1.2 Canny算子边缘检测 | 第52页 |
| 5.1.3 图像增强 | 第52-53页 |
| 5.1.4 证件照清晰度的自动检测 | 第53-54页 |
| 5.1.5 证件照清晰度检测的结果分析 | 第54-55页 |
| 5.2 本章小结 | 第55-56页 |
| 第六章 证件照曝光问题的自动检测 | 第56-63页 |
| 6.1 SVM训练学习的目标和特征向量 | 第56-59页 |
| 6.2 SVM训练学习 | 第59-60页 |
| 6.3 曝光不均的判断 | 第60-62页 |
| 6.3.1 对称性的曝光不均问题 | 第60-61页 |
| 6.3.2 非对称性的局部曝光问题 | 第61-62页 |
| 6.4 本章小结 | 第62-63页 |
| 第七章 证件照质量预检测系统的设计与结果分析 | 第63-71页 |
| 7.1 系统需求分析 | 第63-64页 |
| 7.2 系统的设计与实现 | 第64-67页 |
| 7.2.1 复杂背景检测流程 | 第64页 |
| 7.2.2 清晰度检测流程 | 第64-65页 |
| 7.2.3 曝光检测流程 | 第65-67页 |
| 7.3 系统结果分析 | 第67-70页 |
| 7.3.1 复杂背景检测结果分析 | 第67-68页 |
| 7.3.2 清晰度检测结果分析 | 第68页 |
| 7.3.3 曝光检测结果分析 | 第68-69页 |
| 7.3.4 总体检测结果分析 | 第69-70页 |
| 7.4 本章小结 | 第70-71页 |
| 第八章 总结及展望 | 第71-75页 |
| 8.1 本文总结 | 第71-72页 |
| 8.2 未来展望 | 第72-75页 |
| 参考文献 | 第75-78页 |
| 攻读硕士学位期间取得的研究成果 | 第78-79页 |
| 致谢 | 第79-80页 |
| 附件 | 第80页 |