| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题来源 | 第9页 |
| 1.2 研究背景和意义 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第二章 系统核心技术的基本理论 | 第15-35页 |
| 2.1 卷积神经网络的理论知识 | 第15-24页 |
| 2.1.1 神经网络的基本理论 | 第15-18页 |
| 2.1.2 卷积神经网络 | 第18-22页 |
| 2.1.3 支持向量机 | 第22-24页 |
| 2.2 人体检测的综述 | 第24-28页 |
| 2.2.1 人体检测模型及特征 | 第24-25页 |
| 2.2.2 HOG基本理论 | 第25-28页 |
| 2.3 基于R-CNN的目标检测 | 第28-34页 |
| 2.3.1 R-CNN的特点 | 第28-29页 |
| 2.3.2 R-CNN的物体检测流程 | 第29-31页 |
| 2.3.3 检测结果 | 第31-32页 |
| 2.3.4 数据集介绍 | 第32页 |
| 2.3.5 基于Faster R-CNN的目标检测 | 第32-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 老年人情绪关怀系统关键技术研究与实现 | 第35-51页 |
| 3.1 人体检测 | 第35-46页 |
| 3.1.1 基于HOG+SVM的行人检测 | 第35-36页 |
| 3.1.2 基于SSD深度学习的人体检测 | 第36-37页 |
| 3.1.3 网络结构设计 | 第37-38页 |
| 3.1.4 模型训练 | 第38-40页 |
| 3.1.5 实验与结果分析 | 第40-46页 |
| 3.2 基于Faster R-CNN的人体检测 | 第46-48页 |
| 3.3 人脸身份识别 | 第48-49页 |
| 3.4 人脸表情识别 | 第49-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 老年人情绪关怀系统的需求分析与总体设计 | 第51-62页 |
| 4.1 可行性分析 | 第51-52页 |
| 4.2 整体设计框架 | 第52-61页 |
| 4.2.1 图片采集模块 | 第53-55页 |
| 4.2.2 情绪识别模块 | 第55-56页 |
| 4.2.3 情绪管理模块 | 第56-61页 |
| 4.3 本章小结 | 第61-62页 |
| 第五章 老年人情绪关怀系统的功能设计与实现 | 第62-77页 |
| 5.1 电脑PC端WEB功能设计与实现 | 第62-70页 |
| 5.1.1 视频监控 | 第62-64页 |
| 5.1.2 情绪管理 | 第64-68页 |
| 5.1.3 客户管理 | 第68-70页 |
| 5.1.4 系统管理 | 第70页 |
| 5.2 手机APP端Android功能设计与实现 | 第70-75页 |
| 5.2.1 监控管理 | 第70-72页 |
| 5.2.2 预警管理 | 第72-73页 |
| 5.2.3 统计管理 | 第73页 |
| 5.2.4 个人管理 | 第73-75页 |
| 5.3 人体检测的说明 | 第75页 |
| 5.4 本章小结 | 第75-77页 |
| 总结与展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 攻读硕士学位期间取得的研究成果 | 第83-84页 |
| 致谢 | 第84-85页 |
| 附件 | 第85页 |