| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 传统的人脸识别方法 | 第14-15页 |
| 1.2.2 基于深度学习的人脸识别方法 | 第15-16页 |
| 1.3 研究内容及论文结构 | 第16-18页 |
| 第2章 融合Retinex的AdaBoost人脸检测 | 第18-33页 |
| 2.1 引言 | 第18页 |
| 2.2 人脸检测方法 | 第18-20页 |
| 2.2.1 基于先验知识的人脸检测方法 | 第18-19页 |
| 2.2.2 基于统计学习的人脸检测方法 | 第19-20页 |
| 2.3 基于AdaBoost的人脸检测算法的研究 | 第20-26页 |
| 2.3.1 AdaBoost的理论基础 | 第21-22页 |
| 2.3.2 Haar特征与积分图 | 第22-25页 |
| 2.3.3 级联分类器的设计 | 第25-26页 |
| 2.4 融合Retinex的人脸检测 | 第26-32页 |
| 2.4.1 Retinex算法 | 第27-29页 |
| 2.4.2 改进的多尺度Retinex算法 | 第29-30页 |
| 2.4.3 实验与结果分析 | 第30-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 基于卷积神经网络的人脸识别 | 第33-50页 |
| 3.1 引言 | 第33页 |
| 3.2 卷积神经网络 | 第33-38页 |
| 3.2.1 网络结构 | 第33-35页 |
| 3.2.2 前馈运算 | 第35页 |
| 3.2.3 反馈运算 | 第35-37页 |
| 3.2.4 基本模块 | 第37-38页 |
| 3.3 人脸识别的原理 | 第38-40页 |
| 3.4 人脸数据集 | 第40-41页 |
| 3.5 深度学习框架的应用和实现 | 第41-44页 |
| 3.5.1 常见的深度学习框架 | 第42-43页 |
| 3.5.2 框架的选择 | 第43-44页 |
| 3.6 深度学习网络模型的应用和实现 | 第44-49页 |
| 3.6.1 常见的深度学习网络模型 | 第44-45页 |
| 3.6.2 FaceNet网络模型 | 第45-48页 |
| 3.6.3 实验与结果分析 | 第48-49页 |
| 3.7 本章小结 | 第49-50页 |
| 第4章 人脸识别系统的需求分析与概要设计 | 第50-57页 |
| 4.1 系统需求分析 | 第50-52页 |
| 4.1.1 需求综述 | 第50-51页 |
| 4.1.2 功能性需求 | 第51-52页 |
| 4.1.3 非功能性需求 | 第52页 |
| 4.2 系统概要设计 | 第52-56页 |
| 4.2.1 设计目标 | 第52-53页 |
| 4.2.2 系统总体功能结构 | 第53-54页 |
| 4.2.3 云平台架构设计 | 第54-55页 |
| 4.2.4 云平台数据库设计 | 第55-56页 |
| 4.3 本章小结 | 第56-57页 |
| 第5章 人脸识别系统的实现与测试 | 第57-66页 |
| 5.1 系统开发平台 | 第57-59页 |
| 5.1.1 迎宾机器人 | 第57-58页 |
| 5.1.2 搭建开发环境 | 第58-59页 |
| 5.2 系统功能模块实现 | 第59-61页 |
| 5.2.1 会员注册模块 | 第59页 |
| 5.2.2 人脸识别模块 | 第59-60页 |
| 5.2.3 云平台服务器模块 | 第60-61页 |
| 5.3 系统功能测试 | 第61-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-67页 |
| 6.1 本文工作总结 | 第66页 |
| 6.2 工作展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 攻读学位期间取得的研究成果 | 第70-71页 |
| 致谢 | 第71页 |