基于人脸识别的智能推送服务取号系统研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-13页 |
| 1.1 课题研究的背景和意义 | 第8-9页 |
| 1.2 国内外单样本人脸识别研究现状 | 第9-10页 |
| 1.3 国内外服务推送技术研究现状 | 第10-11页 |
| 1.4 本文主要研究工作和文章结构 | 第11-12页 |
| 1.5 本章小结 | 第12-13页 |
| 2 相关理论和技术综述 | 第13-22页 |
| 2.1 人脸识别技术 | 第13-18页 |
| 2.1.1 人脸识别基本框架 | 第13-14页 |
| 2.1.2 常用的人脸识别技术 | 第14-15页 |
| 2.1.3 人脸识别系统评测标准 | 第15-16页 |
| 2.1.4 单样本与多样本人脸识别区别 | 第16-17页 |
| 2.1.5 人脸数据库 | 第17-18页 |
| 2.2 服务推送技术 | 第18-21页 |
| 2.2.1 服务推送技术概述 | 第18-19页 |
| 2.2.2 推送技术实现方案 | 第19-20页 |
| 2.2.3 小数据用户信息挖掘 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 3 基于全局和局部特征加权融合的单样本人脸识别 | 第22-40页 |
| 3.1 人脸特征信息 | 第22页 |
| 3.2 经典主成分分析在单样本人脸识别中的应用 | 第22-26页 |
| 3.2.1 奇异值分解 | 第22-24页 |
| 3.2.2 结合投影的主成分分析法 | 第24-25页 |
| 3.2.3 奇异值扰动的主成分分析法 | 第25-26页 |
| 3.3 全局特征提取法 | 第26-29页 |
| 3.3.1 SPCA算法实现步骤 | 第26-27页 |
| 3.3.2 SPCA参数取值分析 | 第27页 |
| 3.3.3 实验结果 | 第27-29页 |
| 3.4 局部特征提取法 | 第29-37页 |
| 3.4.1 二维主成分分析法(2DPCA) | 第30-31页 |
| 3.4.2 加权双向2DPCA算法 | 第31-33页 |
| 3.4.3 基于图像分块的特征提取与融合 | 第33-36页 |
| 3.4.4 实验结果 | 第36-37页 |
| 3.5 融合全局和局部特征的单样本人脸识别算法 | 第37-38页 |
| 3.5.1 总体分类器构建过程 | 第37-38页 |
| 3.5.2 实验结果与分析 | 第38页 |
| 3.6 本章小结 | 第38-40页 |
| 4 基于人脸识别的推送服务取号原型系统开发 | 第40-45页 |
| 4.1 系统功能概述 | 第40页 |
| 4.2 系统需求分析 | 第40-42页 |
| 4.2.1 人脸识别模块 | 第40页 |
| 4.2.2 子账号创建模块 | 第40-41页 |
| 4.2.3 信息获取模块 | 第41页 |
| 4.2.4 服务推送模块 | 第41-42页 |
| 4.3 可行性分析 | 第42页 |
| 4.4 系统设计 | 第42-44页 |
| 4.4.1 系统架构设计 | 第42-43页 |
| 4.4.2 系统流程 | 第43-44页 |
| 4.4.3 系统对比分析 | 第44页 |
| 4.5 本章总结 | 第44-45页 |
| 5 总结与展望 | 第45-46页 |
| 5.1 总结 | 第45页 |
| 5.2 展望 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 攻读硕士学位期间取得的科研成果 | 第50-51页 |
| 致谢 | 第51页 |
