| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 考勤系统研究工作的背景与意义 | 第12-13页 |
| 1.2 人脸识别考勤系统的国内外研究历史与研究现状 | 第13-15页 |
| 1.3 本文的主要贡献与创新 | 第15-16页 |
| 1.4 本论文的结构安排 | 第16-18页 |
| 第二章 基于人脸识别的考勤门禁系统的需求分析 | 第18-26页 |
| 2.1 系统的设计定位和目标 | 第18页 |
| 2.2 系统的运行环境需求分析 | 第18-19页 |
| 2.3 系统的功能和性能需求分析 | 第19-21页 |
| 2.3.1 人脸检测和识别模块 | 第19-21页 |
| 2.3.2 模型训练和更新模块 | 第21页 |
| 2.3.3 考勤记录和存储模块 | 第21页 |
| 2.3.4 用户操作界面模块 | 第21页 |
| 2.4 系统的功能框图 | 第21-22页 |
| 2.5 人脸检测识别模块的功能流程图 | 第22-24页 |
| 2.5.1 人脸实时检测模块功能流程图 | 第22-23页 |
| 2.5.2 人脸变迁训练模块功能流程图 | 第23-24页 |
| 2.5.3 人脸动态检测模块功能流程图 | 第24页 |
| 2.6 系统的独特性与创新点 | 第24-25页 |
| 2.7 本章小结 | 第25-26页 |
| 第三章 基于人脸识别考勤门禁系统的概要设计 | 第26-54页 |
| 3.1 人脸识别考勤门禁系统的应用架构 | 第26-34页 |
| 3.1.1 人脸识别考勤门禁的产品架构设计 | 第26-30页 |
| 3.1.1.1 独立一体式单体人脸识别考勤机 | 第26-27页 |
| 3.1.1.2 整体分布式终端人脸识别考勤门禁机 | 第27-28页 |
| 3.1.1.3 移动端+云端人脸识别考勤解决方案 | 第28-29页 |
| 3.1.1.4 本系统的产品架构设计 | 第29-30页 |
| 3.1.2 人脸识别考勤门禁系统的软件架构 | 第30-34页 |
| 3.1.2.1 多层体系结构模式 | 第30-31页 |
| 3.1.2.2 客户端-服务器模式 | 第31-33页 |
| 3.1.2.3 本系统的软件架构设计 | 第33-34页 |
| 3.2 考勤门禁系统的架构设计 | 第34-35页 |
| 3.2.1 考勤门禁系统的结构框架设计 | 第34-35页 |
| 3.2.2 考勤门禁系统的功能框架设计 | 第35页 |
| 3.3 人脸检测识别系统的设计 | 第35-49页 |
| 3.3.1 商业的人脸识别系统技术分析 | 第35-45页 |
| 3.3.1.1 Face++ | 第36-37页 |
| 3.3.1.2 DeepFace | 第37-38页 |
| 3.3.1.3 FR+FCN | 第38-39页 |
| 3.3.1.4 DeepID | 第39-40页 |
| 3.3.1.5 FaceNet | 第40-42页 |
| 3.3.1.6 CNN-3DMM | 第42-45页 |
| 3.3.2 人脸识别系统的产品应用概述 | 第45-49页 |
| 3.3.2.11 :1人脸分类应用模式 | 第45-47页 |
| 3.3.2.21 :N人脸分类应用模式 | 第47页 |
| 3.3.2.3 N:N人脸分类应用模式 | 第47-49页 |
| 3.3.3 人脸识别系统的架构设计 | 第49页 |
| 3.4 深度学习框架的应用和实现 | 第49-53页 |
| 3.4.1 深度学习训练框架的技术理论 | 第49-52页 |
| 3.4.1.1 Caffe框架 | 第49-50页 |
| 3.4.1.2 Theano框架 | 第50页 |
| 3.4.1.3 Tensorflow框架 | 第50-51页 |
| 3.4.1.4 Keras框架 | 第51页 |
| 3.4.1.5 MXNet框架 | 第51页 |
| 3.4.1.6 CNTK框架 | 第51-52页 |
| 3.4.2 框架和存储模型结构的选择 | 第52-53页 |
| 3.5 本章小结 | 第53-54页 |
| 第四章 基于人脸识别的考勤门禁系统的设计实现和优化 | 第54-82页 |
| 4.1 人脸检测算法的设计和实现 | 第54-65页 |
| 4.1.1 人脸检测识别算法 | 第54-61页 |
| 4.1.1.1 图匹配法 | 第54页 |
| 4.1.1.2 特征脸法 | 第54-55页 |
| 4.1.1.3 人工神经网络法 | 第55页 |
| 4.1.1.4 柔性形状模型法 | 第55页 |
| 4.1.1.5 HOG算法 | 第55-57页 |
| 4.1.1.6 LAB算法 | 第57-60页 |
| 4.1.1.7 人脸检测算法的选择 | 第60-61页 |
| 4.1.2 HOG算法的程序设计及Dlib实现 | 第61-65页 |
| 4.1.2.1 标准化gamma空间和颜色空间 | 第61页 |
| 4.1.2.2 计算图像梯度 | 第61-62页 |
| 4.1.2.3 为每个细胞单元构建梯度方向直方图 | 第62页 |
| 4.1.2.4 细胞单元组合block并实现梯度直方图归一化 | 第62-63页 |
| 4.1.2.5 得到HOG特征 | 第63页 |
| 4.1.2.6 Dlib中的HOG实现 | 第63-65页 |
| 4.2 人脸识别算法设计和实现 | 第65-72页 |
| 4.2.1 CNN模型架构和性能分析 | 第65-71页 |
| 4.2.1.1 LeNet-5网络, | 第65页 |
| 4.2.1.2 AlexNet网络 | 第65-66页 |
| 4.2.1.3 VGGNET网络 | 第66-68页 |
| 4.2.1.4 InceptionNet网络 | 第68页 |
| 4.2.1.5 ResNet网络 | 第68-69页 |
| 4.2.1.6 DenseNet网络 | 第69-70页 |
| 4.2.1.7 CNN模型的选择 | 第70-71页 |
| 4.2.2 VGGNET模型的设计和Tensorflow实现 | 第71-72页 |
| 4.3 动态人脸识别验证算法设计和实现 | 第72-74页 |
| 4.3.1 活体检测算法概述 | 第73-74页 |
| 4.3.2 动态人脸验证的实现 | 第74页 |
| 4.4 数据库的设计和实现 | 第74-77页 |
| 4.4.1 数据库概述 | 第74-75页 |
| 4.4.2 数据库的选择 | 第75页 |
| 4.4.3 神经网络模型的hdf5数据库实现 | 第75-76页 |
| 4.4.4 员工信息的MySQL数据库实现 | 第76-77页 |
| 4.5 考勤信息系统设计和优化 | 第77-81页 |
| 4.5.1 考勤信息系统的软件界面设计 | 第77页 |
| 4.5.2 考勤信息的记录和保存数据格式 | 第77-78页 |
| 4.5.3 考勤信息的记录和查找GUI模块 | 第78-79页 |
| 4.5.4 人脸采集和人脸识别GUI模块 | 第79-80页 |
| 4.5.5 员工信息管理GUI模块 | 第80-81页 |
| 4.6 本章小结 | 第81-82页 |
| 第五章 基于人脸识别的考勤门禁系统的测试 | 第82-85页 |
| 5.1 测试项目 | 第82页 |
| 5.2 测试环境 | 第82-83页 |
| 5.3 测试用例 | 第83页 |
| 5.4 测试结果 | 第83-84页 |
| 5.4.1 人脸检测测试 | 第83页 |
| 5.4.2 人脸识别测试 | 第83-84页 |
| 5.4.3 防作弊测试 | 第84页 |
| 5.5 本章小结 | 第84-85页 |
| 第六章 全文总结与展望 | 第85-87页 |
| 6.1 全文总结 | 第85-86页 |
| 6.2 后续工作展望 | 第86-87页 |
| 致谢 | 第87-88页 |
| 参考文献 | 第88-90页 |
