| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1. 引言 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 视频监控研究现状 | 第10-11页 |
| 1.3 人脸识别研究现状 | 第11-12页 |
| 1.4 人脸识别系统关键技术 | 第12-13页 |
| 1.5 本文主要研究内容与章节安排 | 第13-16页 |
| 2. 多摄像头人脸识别系统设计 | 第16-22页 |
| 2.1 系统架构 | 第16-19页 |
| 2.2 监控计算机与后台计算机的数据交换方法 | 第19-21页 |
| 2.3 本章小结 | 第21-22页 |
| 3. 监控计算机功能实现 | 第22-42页 |
| 3.1 视频采集功能实现 | 第22页 |
| 3.2 人脸检测功能实现 | 第22-31页 |
| 3.2.1 人脸检测方法介绍 | 第22-23页 |
| 3.2.2 人脸区域预选 | 第23-26页 |
| 3.2.3 Adaboost算法原理 | 第26-30页 |
| 3.2.4 加入肤色预选的Adaboost人脸检测 | 第30-31页 |
| 3.3 人脸跟踪功能实现 | 第31-36页 |
| 3.3.1 人脸跟踪方法介绍 | 第31-32页 |
| 3.3.2 Camshift算法原理 | 第32-34页 |
| 3.3.3 人脸跟踪的优化 | 第34-36页 |
| 3.4 姿态优选功能实现 | 第36-40页 |
| 3.4.1 人脸姿态估计 | 第37-39页 |
| 3.4.2 姿态优选 | 第39-40页 |
| 3.5 人脸库采集功能实现 | 第40页 |
| 3.6 本章小结 | 第40-42页 |
| 4. 后台计算机功能实现 | 第42-64页 |
| 4.1 人脸识别方法介绍 | 第42页 |
| 4.2 深度学习概述 | 第42-44页 |
| 4.2.1 浅层学习与深层学习 | 第43页 |
| 4.2.2 深度学习的特征提取 | 第43-44页 |
| 4.3 卷积神经网络 | 第44-48页 |
| 4.3.1 卷积神经网络结构 | 第45-47页 |
| 4.3.2 卷积神经网络训练方法 | 第47-48页 |
| 4.4 基于改进卷积神经网络的人脸识别 | 第48-62页 |
| 4.4.1 Gabor小波介绍 | 第48-50页 |
| 4.4.2 特征图层间随机部分连接 | 第50-51页 |
| 4.4.3 改进的卷积神经网络结构 | 第51-52页 |
| 4.4.4 改进的卷积神经网络训练与实验分析 | 第52-62页 |
| 4.5 本章小结 | 第62-64页 |
| 5. 多摄像头人脸识别系统测试 | 第64-76页 |
| 5.1 系统开发环境 | 第64页 |
| 5.2 系统界面 | 第64-66页 |
| 5.3 功能测试 | 第66-72页 |
| 5.3.1 人脸检测 | 第66页 |
| 5.3.2 人脸跟踪 | 第66-69页 |
| 5.3.3 姿态优选 | 第69-70页 |
| 5.3.4 人脸库采集 | 第70页 |
| 5.3.5 人脸识别 | 第70-72页 |
| 5.4 系统集成测试 | 第72-75页 |
| 5.5 本章小结 | 第75-76页 |
| 6. 总结与展望 | 第76-78页 |
| 6.1 本文主要工作 | 第76-77页 |
| 6.2 下一步工作思路 | 第77-78页 |
| 参考文献 | 第78-84页 |
| 致谢 | 第84-86页 |
| 在学期间公开发表论文及著作情况 | 第86页 |