面向交通监控的人脸识别技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 交通监控系统 | 第9-10页 |
| 1.2.2 光照处理技术 | 第10-11页 |
| 1.2.3 人脸识别技术 | 第11-13页 |
| 1.3 本文主要内容及组织结构 | 第13-14页 |
| 第二章 人脸图像的光照不变特征提取算法研究 | 第14-33页 |
| 2.1 本章概述 | 第14页 |
| 2.2 光照模型 | 第14-16页 |
| 2.2.1 朗伯光照模型 | 第14-15页 |
| 2.2.2 辐照度模型 | 第15页 |
| 2.2.3 两种光照模型之间的关系 | 第15-16页 |
| 2.3 常用的光照不变特征提取算法 | 第16-19页 |
| 2.3.1 多尺度Retinex | 第16-17页 |
| 2.3.2 自商图像 | 第17页 |
| 2.3.3 对数域离散余弦变换 | 第17-19页 |
| 2.4 基于梯度脸的光照不变特征提取算法 | 第19-23页 |
| 2.4.1 梯度脸的定义 | 第19-20页 |
| 2.4.2 梯度脸算法描述 | 第20-21页 |
| 2.4.3 对梯度脸算法的改进 | 第21-23页 |
| 2.5 实验结果与分析 | 第23-33页 |
| 2.5.1 Yale B人脸库上的实验 | 第23-27页 |
| 2.5.2 CMU PIE人脸库上的实验 | 第27-29页 |
| 2.5.3 自建交通监控人脸库上的实验 | 第29-33页 |
| 第三章 单训练样本人脸识别算法研究 | 第33-50页 |
| 3.1 本章概述 | 第33页 |
| 3.2 基于QRCP分解的单样本人脸识别算法 | 第33-37页 |
| 3.2.1 二维FLDA | 第34页 |
| 3.2.2 图像的QRCP分解 | 第34-36页 |
| 3.2.3 分类方法 | 第36-37页 |
| 3.3 基于单样本稀疏表示的人脸识别算法 | 第37-45页 |
| 3.3.1 稀疏表示理论 | 第37-38页 |
| 3.3.2 基于稀疏表示的人脸识别 | 第38-40页 |
| 3.3.3 对稀疏表示的改进 | 第40-45页 |
| 3.4 实验结果与分析 | 第45-50页 |
| 3.4.1 AR人脸库上的实验 | 第45-47页 |
| 3.4.2 Yale人脸库上的实验 | 第47-48页 |
| 3.4.3 自建交通监控人脸库上的实验 | 第48-50页 |
| 第四章 车辆特征数据库管理系统设计与实现 | 第50-66页 |
| 4.1 本章概述 | 第50页 |
| 4.2 系统功能与架构 | 第50-51页 |
| 4.3 软件开发环境 | 第51页 |
| 4.4 车辆特征数据库设计 | 第51-54页 |
| 4.4.1 需求分析 | 第51-52页 |
| 4.4.2 数据库设计与实现 | 第52-54页 |
| 4.5 核心软件模块设计与实现 | 第54-59页 |
| 4.5.1 驾驶员人脸特征提取模块 | 第54-55页 |
| 4.5.2 驾驶员人脸识别模块 | 第55-57页 |
| 4.5.3 套牌车辆查询模块 | 第57-59页 |
| 4.5.4 肇事逃逸查询模块 | 第59页 |
| 4.6 系统测试 | 第59-66页 |
| 4.6.1 系统功能测试 | 第59-64页 |
| 4.6.2 系统性能测试 | 第64-66页 |
| 第五章 总结与展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间取得的学术成果 | 第73页 |
