| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 课题背景与研究意义 | 第16-17页 |
| 1.1.1 课题背景 | 第16页 |
| 1.1.2 课题研究意义 | 第16-17页 |
| 1.2 论文研究内容 | 第17-18页 |
| 1.2.1 研究目标 | 第17-18页 |
| 1.2.2 研究主要内容 | 第18页 |
| 1.3 国内外研究现状 | 第18-22页 |
| 1.3.1 人脸检测的研究现状 | 第19-21页 |
| 1.3.2 基于角色的访问控制的现状 | 第21页 |
| 1.3.3 车辆智能监控系统的现状 | 第21-22页 |
| 1.4 论文的组织架构 | 第22-24页 |
| 第二章 图像预处理 | 第24-36页 |
| 2.1 乘客人脸数据库的特点 | 第24-25页 |
| 2.2 去除噪声 | 第25-29页 |
| 2.2.1 双边滤波器 | 第26页 |
| 2.2.2 中值滤波 | 第26页 |
| 2.2.3 NLM去除噪声 | 第26-27页 |
| 2.2.4 小结 | 第27-29页 |
| 2.3 基于Retinex的图像增强 | 第29-36页 |
| 2.3.1 Retinex理论简介 | 第29-30页 |
| 2.3.2 单尺度Retinex算法（SSR） | 第30-31页 |
| 2.3.3 多尺度Retinex算法（MSR） | 第31-32页 |
| 2.3.4 带色彩恢复的多尺度Retinex算法（MSRCR） | 第32页 |
| 2.3.5 小结 | 第32-36页 |
| 第三章 低质监控图像的人脸检测 | 第36-60页 |
| 3.1 基于二阶高斯混合肤色模型的人脸粗检测 | 第36-42页 |
| 3.1.1 基于H-SV和C'bC'r的二阶高斯混合肤色模型 | 第37-40页 |
| 3.1.2 基于混合肤色模型的人脸粗检测 | 第40-42页 |
| 3.2 基于Haar-Like L型特征的人脸检测算法 | 第42-53页 |
| 3.2.1 传统的Adaboost人脸检测算法 | 第42-44页 |
| 3.2.2 改进的Haar-Like L特征的人脸检测算法 | 第44-49页 |
| 3.2.3 实验结果 | 第49-53页 |
| 3.3 基于TensorFlow的深度学习人脸检测 | 第53-58页 |
| 3.3.1 基于MTCNN的人脸检测原理 | 第54-56页 |
| 3.3.2 TensorFlow简介 | 第56-57页 |
| 3.3.3 实验结果 | 第57-58页 |
| 3.4 本章小结 | 第58-60页 |
| 第四章“两客一危”车辆管理平台设计与实现 | 第60-80页 |
| 4.1 需求分析 | 第60-61页 |
| 4.1.1 背景需求 | 第60页 |
| 4.1.2 用户需求 | 第60-61页 |
| 4.2 系统总体架构 | 第61-62页 |
| 4.3 具体的软件开发环境 | 第62页 |
| 4.4 平台的各个功能模块 | 第62-68页 |
| 4.4.1 登录模块 | 第63-64页 |
| 4.4.2 基本信息管理模块 | 第64页 |
| 4.4.3 系统管理模块 | 第64页 |
| 4.4.4 权限管理模块 | 第64-67页 |
| 4.4.5 地图管理模块 | 第67页 |
| 4.4.6 统计报表模块 | 第67页 |
| 4.4.7 车载监控模块 | 第67-68页 |
| 4.5 数据库系统设计 | 第68-71页 |
| 4.5.1 用户与组织结构的表设计 | 第68-70页 |
| 4.5.2 角色分析及表设计 | 第70-71页 |
| 4.6 数据库优化 | 第71-76页 |
| 4.6.1 实现方法 | 第72-75页 |
| 4.6.2 实验结果 | 第75-76页 |
| 4.7 平台上线 | 第76-77页 |
| 4.8 平台测试结果 | 第77-78页 |
| 4.9 本章小结 | 第78-80页 |
| 第五章 总结与展望 | 第80-82页 |
| 5.1 本文的主要结论 | 第80-81页 |
| 5.2 展望 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 致谢 | 第86-88页 |
| 作者简介 | 第88-89页 |
