基于深度学习的视频人脸检测和目标跟踪
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 绪论 | 第8-16页 |
| 1.1 视频图像处理的研究背景和意义 | 第8-10页 |
| 1.1.1 人脸检测的研究背景和意义 | 第8-10页 |
| 1.1.2 目标跟踪的研究背景和意义 | 第10页 |
| 1.2 视频图像处理的技术与现状 | 第10-12页 |
| 1.2.1 人脸检测 | 第11页 |
| 1.2.2 目标跟踪 | 第11-12页 |
| 1.3 视频图像处理的难点 | 第12-14页 |
| 1.3.1 人脸检测算法研究难点 | 第13页 |
| 1.3.2 目标跟踪算法研究难点 | 第13-14页 |
| 1.4 论文主要研究内容及创新 | 第14页 |
| 1.5 本文各章节内容安排 | 第14-16页 |
| 2 人脸检测技术和实验 | 第16-31页 |
| 2.1 人脸检测技术 | 第16-17页 |
| 2.1.1 手工特征检测 | 第16-17页 |
| 2.1.2 深度学习检测 | 第17页 |
| 2.2 卷积神经网络技术 | 第17-19页 |
| 2.3 公开数据集 | 第19-20页 |
| 2.4 人脸检测算法实验设计 | 第20-29页 |
| 2.4.1 统一检测 | 第21-24页 |
| 2.4.2 实验设计 | 第24-28页 |
| 2.4.3 实验评估 | 第28-29页 |
| 2.5 本章小节 | 第29-31页 |
| 3 基于深度学习的目标跟踪技术介绍和实验 | 第31-39页 |
| 3.1 目标跟踪技术 | 第31-32页 |
| 3.1.1 在线跟踪器 | 第31-32页 |
| 3.1.2 离线跟踪器 | 第32页 |
| 3.2 通用的在线跟踪 | 第32页 |
| 3.3 元学习算法 | 第32-34页 |
| 3.4 基于相关滤波跟踪器的元递归训练 | 第34-36页 |
| 3.5 实验结果 | 第36-38页 |
| 3.6 本章小结 | 第38-39页 |
| 4 复杂场景下基于人脸实时追踪定位系统设计 | 第39-56页 |
| 4.1 Linux平台开发环境介绍 | 第39-41页 |
| 4.1.1 Linux系统介绍 | 第39页 |
| 4.1.2 开发环境介绍 | 第39-41页 |
| 4.2 人脸识别与跟踪报警系统的设计与实现 | 第41-55页 |
| 4.2.1 摄像头调用与图像获取 | 第41-44页 |
| 4.2.2 人脸抓拍模块 | 第44-45页 |
| 4.2.3 人脸检测识别模块 | 第45-46页 |
| 4.2.4 轨迹展示模块 | 第46-53页 |
| 4.2.5 辅助跟踪报警模块 | 第53-55页 |
| 4.3 本章小结 | 第55-56页 |
| 5 总结和展望 | 第56-58页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 攻读硕士期间的研究成果 | 第64-65页 |
| 致谢 | 第65-66页 |
