基于人脸识别的智能门禁及考勤系统设计与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 引言 | 第15页 |
| 1.2 课题研究背景及意义 | 第15-16页 |
| 1.3 研究发展及现状 | 第16-18页 |
| 1.3.1 人脸识别技术的发展及现状 | 第16-17页 |
| 1.3.2 门禁考勤系统的发展及现状 | 第17-18页 |
| 1.4 本文研究内容和组织结构 | 第18-21页 |
| 第二章 智能门禁及考勤系统综合设计 | 第21-27页 |
| 2.1 系统概述 | 第21-23页 |
| 2.1.1 系统应用分析 | 第21-22页 |
| 2.1.2 系统目标分析 | 第22-23页 |
| 2.2 系统总体结构设计 | 第23-25页 |
| 2.2.1 总体结构 | 第23-24页 |
| 2.2.2 子系统功能 | 第24-25页 |
| 2.2.3 技术难点 | 第25页 |
| 2.3 本章小结 | 第25-27页 |
| 第三章 基础理论研究及分析 | 第27-41页 |
| 3.1 引言 | 第27页 |
| 3.2 人脸检测 | 第27-28页 |
| 3.3 图像预处理 | 第28-32页 |
| 3.3.1 图像的灰度化处理 | 第29-30页 |
| 3.3.2 图像的直方图均衡化处理 | 第30-31页 |
| 3.3.3 人脸矫正 | 第31-32页 |
| 3.4 特征的提取及分类方法 | 第32-38页 |
| 3.4.1 Haar特征 | 第32-34页 |
| 3.4.2 基于局部二进制模式的特征提取 | 第34-36页 |
| 3.4.3 AdaBoost分类方法 | 第36-38页 |
| 3.5 人脸识别 | 第38-40页 |
| 3.5.1 主成分分析法 | 第38-39页 |
| 3.5.2 基于LBP的识别方法 | 第39页 |
| 3.5.3 基于深度学习的识别方法 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 平台搭建及系统实现 | 第41-51页 |
| 4.1 系统平台搭建 | 第41-42页 |
| 4.1.1 图形用户界面 | 第41页 |
| 4.1.2 数据库 | 第41-42页 |
| 4.1.3 通信方式 | 第42页 |
| 4.2 实时分析系统 | 第42-48页 |
| 4.2.1 预处理模块 | 第42-44页 |
| 4.2.2 人脸检测模块 | 第44-45页 |
| 4.2.3 人流量统计模块 | 第45-46页 |
| 4.2.4 人脸识别模块 | 第46-48页 |
| 4.3 显示系统 | 第48-49页 |
| 4.4 考勤统计系统 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 系统演示及实验分析 | 第51-63页 |
| 5.1 系统演示 | 第51-57页 |
| 5.1.1 实时分析系统演示 | 第51-54页 |
| 5.1.2 显示系统演示 | 第54-55页 |
| 5.1.3 考勤统计系统演示 | 第55-57页 |
| 5.2 系统实验及性能分析 | 第57-61页 |
| 5.2.1 主要功能测试 | 第57-59页 |
| 5.2.2 多目标测试 | 第59-60页 |
| 5.2.3 系统处理速度测试 | 第60-61页 |
| 5.3 本章小结 | 第61-63页 |
| 第六章 结束语 | 第63-65页 |
| 6.1 研究总结 | 第63-64页 |
| 6.2 研究展望 | 第64-65页 |
| 参考文献 | 第65-67页 |
| 致谢 | 第67-69页 |
| 作者简介 | 第69-70页 |
