| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-14页 |
| 1.1 课题来源及研究背景意义 | 第9-10页 |
| 1.2 人脸识别的研究发展现状 | 第10-12页 |
| 1.3 论文的研究内容 | 第12页 |
| 1.4 本论文研究内容和章节安排 | 第12-14页 |
| 2 人脸识别技术相关知识 | 第14-28页 |
| 2.1 人脸检测和人脸校准 | 第14-20页 |
| 2.1.1 人脸检测和人脸校准的基本原理 | 第14-15页 |
| 2.1.2 基于Haar特征的AdaBoost人脸检测和校准 | 第15-18页 |
| 2.1.3 基于形状索引特征的联合层叠模型 | 第18-20页 |
| 2.2 基于CNN的人脸识别 | 第20-25页 |
| 2.2.1 局部感知 | 第21-23页 |
| 2.2.2 权值共享 | 第23页 |
| 2.2.3 池化采样 | 第23页 |
| 2.2.4 GoogLeNet | 第23-25页 |
| 2.3 视频中人脸识别的难点 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 视频监控人脸识别系统的需求分析与方法选取 | 第28-34页 |
| 3.1 系统功能需求 | 第28-30页 |
| 3.2 人脸识别技术的选取 | 第30-33页 |
| 3.2.1 人脸检测和校准方法的选取 | 第30-32页 |
| 3.2.2 人脸识别方法的选取 | 第32-33页 |
| 3.3 本章小结 | 第33-34页 |
| 4 基于归一化眼眶距离比方差特征的活体检测 | 第34-40页 |
| 4.1 活体检测概述 | 第34-35页 |
| 4.2 视频中面部基准点变化情况分析 | 第35-37页 |
| 4.3 归一化眼眶距离比方差特征 | 第37-38页 |
| 4.4 阈值选取 | 第38-39页 |
| 4.5 实际场景测试 | 第39页 |
| 4.6 本章小结 | 第39-40页 |
| 5 视频人脸识别系统的实现 | 第40-59页 |
| 5.1 系统环境配置 | 第40-46页 |
| 5.1.1 在Windows下配置Caffe并进行模型训练 | 第40-44页 |
| 5.1.2 EmguCV和FaceSDK的配置 | 第44-45页 |
| 5.1.3 不同类库中数据结构的转换 | 第45-46页 |
| 5.2 特征提取模块的实现 | 第46-48页 |
| 5.2.1 直接从人脸图片中提取特征 | 第47页 |
| 5.2.2 预先保存人脸数多的情况 | 第47-48页 |
| 5.3 人脸识别模块的实现 | 第48-52页 |
| 5.3.1 获取视频图像 | 第49-50页 |
| 5.3.2 实时人脸特征提取 | 第50-51页 |
| 5.3.3 比对识别 | 第51-52页 |
| 5.4 验证结果处理模块的实现 | 第52-57页 |
| 5.4.1 界面更新 | 第52-55页 |
| 5.4.2 声音提示模块 | 第55-57页 |
| 5.4.3 保存验证信息 | 第57页 |
| 5.5 本章小结 | 第57-59页 |
| 6 总结和展望 | 第59-61页 |
| 6.1 论文总结 | 第59页 |
| 6.2 研究展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 附录 个人简历、在学期间发表的学术论文与研究成果 | 第65页 |