基于监控视频的生人验证及考勤方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 本文主要工作及贡献 | 第10-11页 |
| 1.3 本文组织结构 | 第11-12页 |
| 第二章 视频监控系统相关技术 | 第12-30页 |
| 2.1 当前的视频中人脸识别研究 | 第12-13页 |
| 2.2 运动物体检测技术 | 第13-17页 |
| 2.2.1 帧差法 | 第13-14页 |
| 2.2.2 高斯混合模型 | 第14页 |
| 2.2.3 ViBe算法 | 第14-15页 |
| 2.2.4 PBAS算法 | 第15-17页 |
| 2.3 人脸检测与人脸质量评价技术 | 第17-23页 |
| 2.3.1 人脸检测 | 第17-20页 |
| 2.3.2 人脸关键点检测 | 第20-21页 |
| 2.3.3 人脸质量评价 | 第21-23页 |
| 2.4 人脸识别技术 | 第23-29页 |
| 2.4.1 特征提取 | 第23-27页 |
| 2.4.2 人脸识别分类器 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 算法研究与对比实验 | 第30-57页 |
| 3.1 基于改进ViBe的运动物体检测算法 | 第30-38页 |
| 3.1.1 ViBe运动物体检测算法的改进 | 第30-33页 |
| 3.1.2 实验与对比 | 第33-38页 |
| 3.2 人脸检测与人脸质量评价算法 | 第38-45页 |
| 3.2.1 基于LBF形状回归的人脸关键点检测 | 第39-40页 |
| 3.2.2 人脸检测与关键点检测融合的级联框架 | 第40-42页 |
| 3.2.3 基于排序学习的人脸质量评价 | 第42-43页 |
| 3.2.4 实验与对比 | 第43-45页 |
| 3.3 人脸识别算法 | 第45-56页 |
| 3.3.1 基于深度学习的人脸特征 | 第46-47页 |
| 3.3.2 基于支持向量机的人脸鉴别 | 第47-49页 |
| 3.3.3 基于联合贝叶斯的人脸验证 | 第49-51页 |
| 3.3.4 实验与对比 | 第51-56页 |
| 3.4 本章小结 | 第56-57页 |
| 第四章 系统实现与性能评估 | 第57-74页 |
| 4.1 系统总体框架 | 第57-58页 |
| 4.2 系统模块实现 | 第58-66页 |
| 4.2.1 运动物体检测模块 | 第58-60页 |
| 4.2.2 人脸检测与人脸质量评价模块 | 第60-62页 |
| 4.2.3 人脸识别模块 | 第62-66页 |
| 4.3 系统性能评估 | 第66-73页 |
| 4.3.1 真实场景数据集 | 第66-67页 |
| 4.3.2 准确性评估 | 第67-71页 |
| 4.3.3 实时性评估 | 第71-73页 |
| 4.4 本章小结 | 第73-74页 |
| 第五章 总结与展望 | 第74-77页 |
| 5.1 工作总结 | 第74-75页 |
| 5.2 工作展望 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 攻读硕士学位期间取得的研究成果 | 第83-84页 |
| 致谢 | 第84-85页 |
| 答辩委员会对论文的评定意见 | 第85页 |
