| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-16页 |
| 1.1 研究的背景及意义 | 第12-14页 |
| 1.2 本文的研究内容 | 第14-15页 |
| 1.3 本文的结构安排 | 第15-16页 |
| 2 人脸识别系统主要技术 | 第16-30页 |
| 2.1 图像的预处理 | 第16-20页 |
| 2.1.1 滤波 | 第16-17页 |
| 2.1.2 图像增强 | 第17-18页 |
| 2.1.3 空间变换 | 第18-20页 |
| 2.2 基于 Chan-Vese 模型的静止图像人脸检测模型 | 第20-22页 |
| 2.3 人脸识别主要算法 | 第22-29页 |
| 2.3.1 基于主元分析（K-L 算法）的人脸识别 | 第23-24页 |
| 2.3.2 基于人工神经网络的人脸识别算法[13] | 第24-27页 |
| 2.3.3 基于Gabor 特征的人脸识别算法 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 图像超分辨率增强技术 | 第30-44页 |
| 3.1 理论基础 | 第30-32页 |
| 3.2 各种插值算法简介 | 第32-35页 |
| 3.2.1 平移线性插值法 | 第32页 |
| 3.2.2 基于图像统计特性插值 | 第32-33页 |
| 3.2.3 经典插值算法 | 第33-35页 |
| 3.3 单帧图像的小波重建超分辨率方法 | 第35-36页 |
| 3.4 POCS 简介 | 第36-37页 |
| 3.5 改进的基于小波融合的超分辨率算法 | 第37-43页 |
| 3.5.1 小波融合算法 | 第37-38页 |
| 3.5.2 改进算法的思路 | 第38-39页 |
| 3.5.3 运动检测 | 第39-41页 |
| 3.5.4 改进的小波系数融合算法 | 第41-43页 |
| 3.5.5 各种超分辨率方法的对比 | 第43页 |
| 3.6 本章小结 | 第43-44页 |
| 4 人脸识别系统系统设计 | 第44-57页 |
| 4.1 人脸识别系统概述 | 第44-46页 |
| 4.2 实现技术及系统设计概述 | 第46-47页 |
| 4.3 图像预处理与增强模块实现 | 第47-51页 |
| 4.3.1 实现要点 | 第47-50页 |
| 4.3.2 图像采集界面 | 第50-51页 |
| 4.4 人脸识别模块实现 | 第51-55页 |
| 4.4.1 模块用例 | 第51-53页 |
| 4.4.2 模块流程与接口 | 第53-55页 |
| 4.4.3 实现说明 | 第55页 |
| 4.5 样本管理模块设计 | 第55-56页 |
| 4.5.1 实现说明 | 第56页 |
| 4.6 本章小结 | 第56-57页 |
| 5 系统试验与测试分析 | 第57-67页 |
| 5.1 系统测试概述 | 第57页 |
| 5.2 测试设计 | 第57-62页 |
| 5.2.1 测试方案 | 第58-61页 |
| 5.2.2 测试环境 | 第61-62页 |
| 5.3 测试结果及分析 | 第62-65页 |
| 5.3.1 使用基于主元分析算法的系统测试结果分析 | 第62-63页 |
| 5.3.2 使用Gabor 特征算法的系统测试结果分析 | 第63-64页 |
| 5.3.3 超分辨率重建对人脸检测功能的影响测试 | 第64-65页 |
| 5.4 测试结论 | 第65-66页 |
| 5.5 本章小结 | 第66-67页 |
| 6 总结与展望 | 第67-69页 |
| 6.1 本文总结 | 第67页 |
| 6.2 前景展望 | 第67-69页 |
| 参考文献 | 第69-71页 |
| 致谢 | 第71-72页 |
| 攻读学位期间发表的学术论文目录 | 第72-75页 |
| 上海交通大学学位论文答辩决议书 | 第75页 |
