基于人脸识别技术的智能考勤系统研究
| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-10页 |
| 1 绪论 | 第10-17页 |
| ·选题的背景和意义 | 第10-11页 |
| ·人脸识别技术的现状及趋势 | 第11-14页 |
| ·人脸识别技术的研究现状 | 第11-12页 |
| ·人脸识别技术存在的难点 | 第12-13页 |
| ·人脸识别技术的发展趋势 | 第13-14页 |
| ·考勤系统的现状及趋势 | 第14-15页 |
| ·本文的研究目标及结构 | 第15-17页 |
| ·研究目标 | 第15页 |
| ·本文的章节安排 | 第15-17页 |
| 2 人脸样本采集 | 第17-31页 |
| ·问题的提出 | 第17-18页 |
| ·基于Haar特征的人脸检测 | 第18-22页 |
| ·Haar矩形特征 | 第18-19页 |
| ·基于离散Adaboost的特征选择 | 第19-20页 |
| ·级联分类器的结构 | 第20-21页 |
| ·实验结果 | 第21-22页 |
| ·基于RNDA特征的人眼定位 | 第22-27页 |
| ·最优特征和Fisher鉴别分析 | 第22-23页 |
| ·RNDA特征 | 第23-26页 |
| ·实验结果 | 第26-27页 |
| ·人脸图像预处理 | 第27-30页 |
| ·几何校正 | 第28页 |
| ·灰度变换 | 第28-29页 |
| ·直方图修正 | 第29-30页 |
| ·样本采集结果 | 第30页 |
| ·本章小结 | 第30-31页 |
| 3 一种改进的LDA人脸特征提取方法 | 第31-48页 |
| ·问题的提出 | 第31页 |
| ·线性鉴别分析 | 第31-33页 |
| ·LDA小样本问题的解决方法 | 第33-40页 |
| ·Fisherfaces方法 | 第33-35页 |
| ·直接LDA | 第35-36页 |
| ·改进的DLDA方法 | 第36-39页 |
| ·算法的识别性能比较 | 第39-40页 |
| ·基于2D-PCA的两级LDA人脸特征提取方法 | 第40-47页 |
| ·二维主成分分析 | 第40-41页 |
| ·两级LDA方法 | 第41-43页 |
| ·算法流程 | 第43-44页 |
| ·实验分析 | 第44-47页 |
| ·本章小结 | 第47-48页 |
| 4 基于支持向量机和无参数鉴别分析的分类器模型 | 第48-63页 |
| ·问题的提出 | 第48-49页 |
| ·无参数鉴别分析 | 第49-52页 |
| ·NDA原理 | 第50-52页 |
| ·核NDA | 第52页 |
| ·支持向量机 | 第52-55页 |
| ·原理简介 | 第52-54页 |
| ·核支持向量机 | 第54页 |
| ·多类支持向量机 | 第54-55页 |
| ·SVM+NDA模型设计 | 第55-61页 |
| ·模型优化问题的解决 | 第56-58页 |
| ·软间隔优化 | 第58-59页 |
| ·KSVM+KNDA模型的提出 | 第59页 |
| ·实验分析 | 第59-61页 |
| ·本章小结 | 第61-63页 |
| 5 基于人脸识别技术的智能考勤系统的设计与实现 | 第63-73页 |
| ·系统设计 | 第63-67页 |
| ·需求分析 | 第64页 |
| ·系统结构 | 第64-65页 |
| ·人脸识别考勤流程 | 第65-66页 |
| ·技术平台 | 第66页 |
| ·技术平台 | 第66-67页 |
| ·系统实现 | 第67-70页 |
| ·员工信息管理模块 | 第68页 |
| ·考勤规则设定模块 | 第68-69页 |
| ·考勤查询模块 | 第69页 |
| ·电子考勤模块 | 第69-70页 |
| ·人脸识别算法测试 | 第70-72页 |
| ·本章小结 | 第72-73页 |
| 6 总结与展望 | 第73-74页 |
| ·总结 | 第73页 |
| ·展望 | 第73-74页 |
| 参考文献 | 第74-80页 |
| 研究生期间完成工作 | 第80页 |
