摘要 | 第1-6页 |
Abstract | 第6-12页 |
引言 | 第12-14页 |
1 自动人脸识别技术 | 第14-22页 |
·自动人脸识别系统 | 第14-15页 |
·人脸识别系统的性能 | 第15页 |
·主要性能指标 | 第15页 |
·影响人脸自动识别性能的因素 | 第15页 |
·人脸识别系统的应用 | 第15-16页 |
·在银行金融系统中的应用 | 第16页 |
·在政法系统中的应用 | 第16页 |
·在其他方面的应用 | 第16页 |
·人脸识别方法综述 | 第16-22页 |
·基于几何特征的人脸识别方法 | 第17页 |
·基于模板匹配的人脸识别方法 | 第17-18页 |
·特征脸方法 | 第18-19页 |
·隐马尔可夫模型 | 第19页 |
·基于神经网络的方法 | 第19-20页 |
·弹性图匹配方法 | 第20-21页 |
·其他人脸识别方法 | 第21-22页 |
2 基于肤色特征和眼睛位置的人脸检测与定位 | 第22-31页 |
·基于差分图像的人所在区域提取 | 第23-24页 |
·基于肤色的人脸检测 | 第24-26页 |
·色彩空间的选取 | 第24-25页 |
·肤色聚类模型的建立 | 第25页 |
·基于肤色的人脸区域提取 | 第25-26页 |
·根据人脸特征检测出人脸 | 第26-27页 |
·确定眼睛位置进行人脸精确定位 | 第27-31页 |
·人眼位置估计 | 第27-29页 |
·人脸定位与图像归一化 | 第29-31页 |
3 基于主成分分析(PCA)的人脸识别算法 | 第31-38页 |
·基于SVM人脸识别算法 | 第31-34页 |
·奇异值特征提取 | 第31-32页 |
·奇异值降维压缩 | 第32页 |
·奇异值矢量标准化 | 第32-33页 |
·奇异值矢量排列 | 第33页 |
·奇异值分解算法实现 | 第33-34页 |
·基于K-L变换的特征脸识别算法 | 第34-38页 |
·基于K-L变换的特征提取 | 第34-36页 |
·特征脸识别算法实现 | 第36-38页 |
4 基于神经网络人脸识别算法 | 第38-48页 |
·神经网络的基本原理 | 第38-39页 |
·神经网络的结构 | 第38页 |
·神经网络的学习和训练 | 第38-39页 |
·一些典型的常用于模式识别的神经网络模型 | 第39-41页 |
·BP网络 | 第39页 |
·竞争学习和侧抑制 | 第39-40页 |
·自组织特征映射 | 第40页 |
·Hopfield网络 | 第40-41页 |
·神经网络用于模式识别 | 第41-43页 |
·神经网络模式识别系统概述 | 第41-42页 |
·多层前馈网络用于模式识别 | 第42-43页 |
·基于BP神经网络的人脸识别 | 第43-48页 |
·BP神经网络 | 第43页 |
·人脸识别特征的选取 | 第43-46页 |
·神经网络设计 | 第46页 |
·BP学习算法步骤 | 第46-48页 |
5 基于HMM模型的人脸识别算法 | 第48-58页 |
·HMM的基本思想 | 第48-51页 |
·Markov链 | 第48-49页 |
·HMM的概念 | 第49页 |
·HMM的基本算法 | 第49-51页 |
·人脸识别的隐马尔可夫模型 | 第51-55页 |
·人脸识别的一维HMM模型 | 第51-52页 |
·人脸识别的伪二维 HMM模型 | 第52-53页 |
·HMM学习与识别算法 | 第53-55页 |
·基于奇异值分解和隐马尔可夫模型的人脸识别方法的实现 | 第55-58页 |
6 人脸识别算法的改进 | 第58-61页 |
·一种改进的人脸识别算法 | 第58-59页 |
·实验结果 | 第59-61页 |
7 人脸识别技术在考勤系统中的应用 | 第61-72页 |
·人脸考勤系统的结构与原理 | 第61-63页 |
·系统结构 | 第61-62页 |
·工作原理 | 第62-63页 |
·系统设计 | 第63-68页 |
·通讯协议 | 第63-65页 |
·客户端 | 第65-67页 |
·服务器端 | 第67-68页 |
·人脸识别技术实现 | 第68-69页 |
·实验结果 | 第69-72页 |
结论 | 第72-74页 |
参考文献 | 第74-76页 |
在学研究成果 | 第76-77页 |
致谢 | 第77页 |