智能门禁系统中人脸活体检测方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-20页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-17页 |
| 1.2.1 基于纹理信息的活体检测 | 第11-13页 |
| 1.2.2 基于运动信息的活体检测 | 第13-16页 |
| 1.2.3 基于多光谱的活体检测 | 第16-17页 |
| 1.2.4 基于多模态特征的活体检测 | 第17页 |
| 1.3 研究内容及论文结构 | 第17-20页 |
| 2 人脸活体检测相关理论基础 | 第20-30页 |
| 2.1 人脸成像模型分析 | 第20-22页 |
| 2.1.1 Lambertian模型 | 第20-21页 |
| 2.1.2 真实人脸和照片人脸成像模型 | 第21-22页 |
| 2.2 人脸活体检测数据库 | 第22-24页 |
| 2.3 人脸检测 | 第24-26页 |
| 2.4 支持向量机分类理论 | 第26-28页 |
| 2.5 活体检测性能评价指标 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 3 基于梯度方向直方图的人脸活体判别方法 | 第30-40页 |
| 3.1 梯度方向直方图及其相似性测算 | 第30-33页 |
| 3.1.1 梯度方向直方图 | 第30-32页 |
| 3.1.2 直方图相似性测算方法 | 第32-33页 |
| 3.2 梯度信息描述人脸纹理 | 第33-34页 |
| 3.3 人脸活体判别方案 | 第34-37页 |
| 3.4 实验结果与分析 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 4 LBP特征结合深度学习的人脸活体判别 | 第40-50页 |
| 4.1 基于LBP的人脸特征描述 | 第40-42页 |
| 4.2 深度学习网络模型 | 第42-45页 |
| 4.3 基于LBP和DBN的人脸活体判别方案 | 第45-47页 |
| 4.4 实验与分析 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 5 总结与展望 | 第50-52页 |
| 参考文献 | 第52-58页 |
| 研究成果 | 第58-60页 |
| 致谢 | 第60页 |
