人脸检测的ZC702嵌入式系统实现方法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景和意义 | 第10页 |
| 1.2 国内外研究现状与发展趋势 | 第10-14页 |
| 1.2.1 国外研究现状 | 第11-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.2.3 国内外发展趋势 | 第14页 |
| 1.3 本文的研究内容及章节安排 | 第14-16页 |
| 1.3.1 主要研究内容 | 第14-15页 |
| 1.3.2 章节安排 | 第15-16页 |
| 第二章 人脸检测系统与评价 | 第16-24页 |
| 2.1 人脸检测系统 | 第16-17页 |
| 2.2 人脸检测方法分类 | 第17-21页 |
| 2.2.1 知识方法 | 第17页 |
| 2.2.1.1 肤色纹理规则法 | 第17页 |
| 2.2.1.2 人脸运动规则法 | 第17页 |
| 2.2.2 模板匹配方法 | 第17-18页 |
| 2.2.3 统计方法 | 第18-21页 |
| 2.2.3.1 神经网络 | 第18-19页 |
| 2.2.3.2 支持向量机 | 第19-20页 |
| 2.2.3.3 隐马尔可夫模型 | 第20-21页 |
| 2.3 人脸检测系统的性能指标 | 第21-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第三章 ZVIK获取图像与预处理 | 第24-38页 |
| 3.1 标准人脸数据库 | 第24-26页 |
| 3.2 ZVIK图像采集 | 第26-29页 |
| 3.2.1 ZVIK视频和成像工具 | 第26页 |
| 3.2.2 ZVIK设计原理 | 第26-27页 |
| 3.2.3 利用ZVIK采集人脸图像 | 第27-29页 |
| 3.3 图像预处理 | 第29-33页 |
| 3.3.1 灰度变换 | 第29-31页 |
| 3.3.2 图像归一化 | 第31页 |
| 3.3.3 直方图均衡化 | 第31-33页 |
| 3.4 基于改进PCNN模型的图像增强 | 第33-37页 |
| 3.4.1 PCNN模型 | 第33-35页 |
| 3.4.2 改进PCNN用于图像增强 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 人脸检测在PC机上的实现 | 第38-56页 |
| 4.1 Boosting算法 | 第38页 |
| 4.2 基于Adaboost算法的人脸检测 | 第38-45页 |
| 4.2.1 Adaboost算法原理 | 第38-40页 |
| 4.2.2 Haar-like特征 | 第40-42页 |
| 4.2.3 积分图 | 第42-43页 |
| 4.2.4 级联分类器 | 第43-44页 |
| 4.2.5 基于Adaboost的人脸检测 | 第44-45页 |
| 4.3 基于VS2008平台实现 | 第45-54页 |
| 4.3.1 实验平台及搭建 | 第45-47页 |
| 4.3.2 训练级联分类器 | 第47-50页 |
| 4.3.3 实验结果与分析 | 第50-54页 |
| 4.4 本章小结 | 第54-56页 |
| 第五章 人脸检测的ZC702嵌入式系统实现 | 第56-80页 |
| 5.1 SOPC系统 | 第56-57页 |
| 5.2 ZC702开发套件与Vivado工具 | 第57-63页 |
| 5.2.1 ZYNQ-7000系统 | 第57-59页 |
| 5.2.2 ZC702开发套件 | 第59-61页 |
| 5.2.3 Vivado开发工具 | 第61-63页 |
| 5.3 实验平台的搭建 | 第63-74页 |
| 5.3.1 宿主机平台搭建 | 第63-66页 |
| 5.3.2 目标机平台搭建 | 第66-74页 |
| 5.4 系统测试 | 第74-79页 |
| 5.4.1 Opencv的编译与安装 | 第74-75页 |
| 5.4.2 Opencv在ZC702上的移植 | 第75-76页 |
| 5.4.3 人脸检测系统测试 | 第76-79页 |
| 5.5 本章小结 | 第79-80页 |
| 第六章 结论与展望 | 第80-82页 |
| 6.1 结论 | 第80页 |
| 6.2 展望 | 第80-82页 |
| 参考文献 | 第82-88页 |
| 攻读学位期间所取得的相关科研成果 | 第88-90页 |
| 致谢 | 第90页 |
