| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 项目背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 基于视频场景的活体检测方法 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 项目研究主要内容 | 第15页 |
| 1.4 本文拟解决的关键问题 | 第15页 |
| 1.5 本文的结构框架 | 第15-17页 |
| 第二章 系统采用的主要技术 | 第17-30页 |
| 2.1 人脸识别技术 | 第17-24页 |
| 2.1.1 人脸识别技术的现存缺点 | 第17-18页 |
| 2.1.2 人脸识别常用技术 | 第18-20页 |
| 2.1.3 基于模板匹配的人脸识别技术 | 第20页 |
| 2.1.4 基于特征的人脸识别技术 | 第20-21页 |
| 2.1.5 基于统计的人脸识别技术 | 第21-23页 |
| 2.1.6 SDM算法 | 第23-24页 |
| 2.2 ANDROID技术简介 | 第24-29页 |
| 2.2.1 Android智能手机 | 第24页 |
| 2.2.2 Android Service | 第24-26页 |
| 2.2.3 Broadcast | 第26页 |
| 2.2.4 Accessory Developer Kit | 第26-28页 |
| 2.2.5 Jetty Webserver | 第28-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 人脸图像光照预处理与活体检测 | 第30-41页 |
| 3.1 引言 | 第30页 |
| 3.2 RETINEX算法 | 第30-31页 |
| 3.3 改进的带色彩恢复的多尺度视网膜增强算法（MSRCR） | 第31-33页 |
| 3.4 基于HARR-LIKE特征的ADABOOST算法的人脸检测 | 第33-35页 |
| 3.4.1 Haar-like特征提取 | 第33-34页 |
| 3.4.2 Haar特征 | 第34-35页 |
| 3.5 ADABOOST分类器训练过程 | 第35-38页 |
| 3.5.1 弱分类器 | 第35页 |
| 3.5.2 强分类器 | 第35-36页 |
| 3.5.3 级联分类器 | 第36-38页 |
| 3.6 基于眨眼的活体检测 | 第38-41页 |
| 第四章 系统需求分析和概要设计 | 第41-48页 |
| 4.1 系统的需求设计 | 第41-42页 |
| 4.1.1 OCR需求分析 | 第41页 |
| 4.1.2 人脸识别需求分析 | 第41-42页 |
| 4.1.3 活体检测需求分析 | 第42页 |
| 4.2 总体设计原则 | 第42-43页 |
| 4.3 系统架构 | 第43-44页 |
| 4.4 系统业务流程 | 第44-47页 |
| 4.4.1 注册 | 第44-45页 |
| 4.4.2 身份证信息录入 | 第45-46页 |
| 4.4.3 系统预留人脸图像采集 | 第46-47页 |
| 4.4.4 支付验证 | 第47页 |
| 4.5 运行环境 | 第47-48页 |
| 4.5.1 硬件环境 | 第47页 |
| 4.5.2 软件环境 | 第47-48页 |
| 第五章 系统的具体实现 | 第48-58页 |
| 5.1 引言 | 第48页 |
| 5.2 系统流程图 | 第48-49页 |
| 5.3 系统的UI界面 | 第49-51页 |
| 5.4 人脸检测 | 第51-52页 |
| 5.5 图像处理技术 | 第52-54页 |
| 5.6 系统测试结果与分析 | 第54-58页 |
| 5.6.1 OCR测试 | 第54-55页 |
| 5.6.2 OCR测试结果分析 | 第55页 |
| 5.6.3 人脸识别比对测试 | 第55-57页 |
| 5.6.4 人脸识别比对测试结果分析 | 第57页 |
| 5.6.5 活体检测测试 | 第57页 |
| 5.6.6 活体检测测试结果分析 | 第57-58页 |
| 总结与展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士学位期间取得的研究成果 | 第62-63页 |
| 致谢 | 第63-64页 |
| 附件 | 第64页 |
