| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-14页 |
| 1.1 银行服务机器人人脸识别研究的背景及意义 | 第11-12页 |
| 1.2 人脸识别技术研究情况的概述 | 第12页 |
| 1.3 人脸识别技术研究难点 | 第12页 |
| 1.4 本文研究的内容及主要工作 | 第12-13页 |
| 1.5 本文章节安排 | 第13-14页 |
| 第二章 人脸识别系统概述 | 第14-26页 |
| 2.1 图片的采集及处理 | 第15页 |
| 2.1.1 图片的采集 | 第15页 |
| 2.1.2 图片的处理 | 第15页 |
| 2.2 人脸检测及提取人脸图像 | 第15-23页 |
| 2.2.1 基于增强的级联框架的一种人脸检测 | 第16-19页 |
| 2.2.2 基于DPM(Deformable Parts Model)模型的人脸检测 | 第19-20页 |
| 2.2.3 基于CNN模型的人脸检测 | 第20-23页 |
| 2.3 人脸识别及结果输出 | 第23-26页 |
| 第三章 漏斗式结构的人脸检测器 | 第26-39页 |
| 3.1 漏斗式级联检测框架的特点及优势 | 第26-29页 |
| 3.1.1 三种典型的级联组织框架 | 第26-28页 |
| 3.1.2 漏斗式级联组织框架的提出 | 第28页 |
| 3.1.3 漏斗式级联结构在人脸检测中的优势 | 第28-29页 |
| 3.2 快速LAB级联结构 | 第29-33页 |
| 3.2.1 基于局部的二值特征LAB | 第29-32页 |
| 3.2.2 基于LAB特征的级联结构 | 第32-33页 |
| 3.3 粗略多层感知器级联结构 | 第33-34页 |
| 3.3.1 多层感知器MLP | 第33-34页 |
| 3.3.2 多层感知器级联 | 第34页 |
| 3.4 精细感知器级联结构 | 第34-35页 |
| 3.5 漏斗式级联检测器的训练 | 第35-36页 |
| 3.6 漏斗式级联检测器的测试和分析 | 第36-39页 |
| 3.6.1 测试集 | 第36页 |
| 3.6.2 检测器结构和测试结果的分析 | 第36-39页 |
| 第四章 人脸识别的CNN模型 | 第39-51页 |
| 4.1 卷积神经网络CNN的基本结构 | 第39-46页 |
| 4.1.1 反向传播算法 | 第39-42页 |
| 4.1.2 卷积神经网络 | 第42-46页 |
| 4.2 人脸识别中CNN模型的结构 | 第46-48页 |
| 4.3 CNN模型识别性能的影响因素 | 第48-50页 |
| 4.4 深度CNN模型在大规模图像识别中的测试 | 第50-51页 |
| 4.4.1 几种典型的人脸图像数据库 | 第50页 |
| 4.4.2 CNN模型测试 | 第50-51页 |
| 第五章 人脸识别系统的实现 | 第51-73页 |
| 5.1 银行服务机器人简介 | 第51页 |
| 5.2 人脸识别系统硬件 | 第51-52页 |
| 5.3 人脸图像采集及存储 | 第52-55页 |
| 5.3.1 人脸图像数据库 | 第52-53页 |
| 5.3.2 人脸注册 | 第53-55页 |
| 5.4 1C1的人脸验证 | 第55-58页 |
| 5.4.1 检测人脸 | 第56-57页 |
| 5.4.2 获取人脸图像的向量 | 第57页 |
| 5.4.3 人脸验证结果输出 | 第57-58页 |
| 5.5 1CN的人脸识别 | 第58页 |
| 5.6 系统人脸检测性能评估及结果分析对比 | 第58-66页 |
| 5.6.1 性能评估的硬件和软件环境 | 第58-59页 |
| 5.6.2 人脸检测性能评估的标准 | 第59-60页 |
| 5.6.3 目前性能较好的几种人脸检测算法 | 第60-62页 |
| 5.6.4 测试图片数据库的建立 | 第62-63页 |
| 5.6.5 测试结果的对比与分析 | 第63-66页 |
| 5.7 系统人脸识别准确率评估及结果分析对比 | 第66-73页 |
| 5.7.1 人脸识别性能评价标准 | 第66-67页 |
| 5.7.2 传统基于特征脸的人脸识别方法 | 第67页 |
| 5.7.3 性能测试图片数据库 | 第67-69页 |
| 5.7.4 1C1人脸验证测试结果对比与分析 | 第69-70页 |
| 5.7.5 1CN人脸被动识别测试结果与分析 | 第70-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 总结 | 第73页 |
| 6.2 展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-79页 |