面向移动终端的人脸活体检测技术研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状及发展趋势 | 第12-17页 |
| 1.2.1 基于纹理的活体检测方法 | 第13-14页 |
| 1.2.2 基于细微运动信息的活体检测方法 | 第14-15页 |
| 1.2.3 基于3D人脸重建的活体检测方法 | 第15页 |
| 1.2.4 基于其他方法的活体检测方法 | 第15-16页 |
| 1.2.5 基于混合方法的活体检测方法 | 第16-17页 |
| 1.3 本文主要研究内容及结构安排 | 第17-19页 |
| 1.3.1 主要研究内容 | 第17-18页 |
| 1.3.2 全文结构安排 | 第18-19页 |
| 第二章 移动端活体检测的图像预处理技术 | 第19-31页 |
| 2.1 图像的灰度化及优化 | 第19-21页 |
| 2.2 光照强度预判断 | 第21-22页 |
| 2.3 图像缩放 | 第22-26页 |
| 2.4 人脸采集距离预判断 | 第26页 |
| 2.5 人脸对齐 | 第26-28页 |
| 2.6 图像裁剪 | 第28页 |
| 2.7 图像的直方图均衡化 | 第28-29页 |
| 2.8 本章小结 | 第29-31页 |
| 第三章 人脸活体检测的特征提取与分类技术 | 第31-47页 |
| 3.1 特征描述子 | 第31-37页 |
| 3.1.1 HOG特征描述子 | 第31-34页 |
| 3.1.2 LBP特征描述子 | 第34-37页 |
| 3.2 侧脸检测器 | 第37-40页 |
| 3.2.1 Haar-like型特征 | 第38-40页 |
| 3.2.2 级联Adaboost分类器 | 第40页 |
| 3.3 SVM分类器 | 第40-45页 |
| 3.3.1 函数间隔和几何间隔 | 第41页 |
| 3.3.2 线性可分支持向量机 | 第41-43页 |
| 3.3.3 非线性可分支持向量机 | 第43-44页 |
| 3.3.4 支持向量机的优缺点 | 第44-45页 |
| 3.4 本章小结 | 第45-47页 |
| 第四章 基于交互式的移动终端活体检测 | 第47-59页 |
| 4.1 引言 | 第47-48页 |
| 4.2 移动终端的交互式数据集建立 | 第48-52页 |
| 4.2.1 移动终端特性与实验需求 | 第48-49页 |
| 4.2.2 活体检测数据采集 | 第49-52页 |
| 4.3 交互式方案设计 | 第52-56页 |
| 4.3.1 眨眼和张嘴检测 | 第52-53页 |
| 4.3.2 眼睛遮挡检测 | 第53-54页 |
| 4.3.3 微张嘴检测 | 第54-55页 |
| 4.3.4 摇头检测 | 第55-56页 |
| 4.4 交互式活体检测实验结果及分析 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 基于二次成像的移动终端活体检测 | 第59-67页 |
| 5.1 引言 | 第59页 |
| 5.2 二次成像数据集建立 | 第59-60页 |
| 5.3 二次成像活体检测方案设计 | 第60-64页 |
| 5.3.1 二次成像活体检测数据准备 | 第61-63页 |
| 5.3.2 二次成像活体检测设计 | 第63-64页 |
| 5.4 二次成像活体检测实验结果及分析 | 第64-65页 |
| 5.5 本章小结 | 第65-67页 |
| 第六章 基于多任务深度学习的活体检测 | 第67-75页 |
| 6.1 引言 | 第67页 |
| 6.2 基于多任务深度学习的数据集建立 | 第67-68页 |
| 6.3 多任务深度学习活体检测方案设计 | 第68-71页 |
| 6.4 多任务深度学习活体检测实验结果及分析 | 第71-73页 |
| 6.5 本章小结 | 第73-75页 |
| 第七章 总结与展望 | 第75-77页 |
| 7.1 总结 | 第75-76页 |
| 7.2 展望 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 攻读学位期间所取得的相关科研成果 | 第83-85页 |
| 致谢 | 第85-86页 |
