基于移动终端的智能教室系统研究与设计
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 论文研究背景及意义 | 第15-16页 |
| 1.2 论文相关技术发展现状 | 第16-19页 |
| 1.3 论文的主要内容和工作安排 | 第19-21页 |
| 第二章 系统平台框架与环境配置 | 第21-29页 |
| 2.1 系统框架介绍 | 第21-22页 |
| 2.2 Android系统研究 | 第22-25页 |
| 2.2.1 Android系统架构 | 第22-23页 |
| 2.2.2 Android应用程序开发研究 | 第23-24页 |
| 2.2.3 Android系统中JNI开发研究 | 第24-25页 |
| 2.3 搭建应用程序开发环境 | 第25-27页 |
| 2.3.1 系统环境搭建 | 第25-26页 |
| 2.3.2 搭建Android JNI开发环境 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 人脸检测 | 第29-39页 |
| 3.1 人脸检测的基本原理 | 第29-30页 |
| 3.1.1 基于知识的方法 | 第29-30页 |
| 3.1.2 基于特征的方法 | 第30页 |
| 3.1.3 基于模板匹配的方法 | 第30页 |
| 3.1.4 基于外观的方法 | 第30页 |
| 3.2 基于adaboost方法的人脸图像检测 | 第30-36页 |
| 3.2.1 人脸图像的预处理 | 第30-32页 |
| 3.2.2 Adaboost人脸检测算法概述 | 第32-33页 |
| 3.2.3 Haar特征与积分图 | 第33-35页 |
| 3.2.4 弱分类器与级联分类器 | 第35-36页 |
| 3.3 Adaboost人脸检测 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 人脸识别 | 第39-53页 |
| 4.1 人脸识别的基本方法 | 第39-41页 |
| 4.1.1 基于特征脸的人脸识别方法 | 第39页 |
| 4.1.2 基于几何特征的人脸识别方法 | 第39-40页 |
| 4.1.3 线性判别方法 | 第40页 |
| 4.1.4 基于神经网络的人脸识别方法 | 第40页 |
| 4.1.5 基于隐马尔可夫模型的人脸识别方法 | 第40-41页 |
| 4.2 基于sift方法的人脸图像识别 | 第41-51页 |
| 4.2.1 尺度空间极值检测 | 第41-44页 |
| 4.2.2 精确定位特征点位置 | 第44页 |
| 4.2.3 确定特征点的主方向 | 第44-45页 |
| 4.2.4 生成SIFT特征向量 | 第45-46页 |
| 4.2.5 SIFT特征向量匹配进行人脸识别 | 第46-51页 |
| 4.3 性能分析 | 第51页 |
| 4.4 本章小结 | 第51-53页 |
| 第五章 智能教室系统的实现 | 第53-67页 |
| 5.1 基于移动终端的智能教室系统整体设计 | 第53-54页 |
| 5.2 智能教室系统功能模块设计实现 | 第54-60页 |
| 5.2.1 账号注册与登录 | 第54-56页 |
| 5.2.2 智能考勤 | 第56-57页 |
| 5.2.3 课堂抢答 | 第57-58页 |
| 5.2.4 上传作业 | 第58-59页 |
| 5.2.5 下载课件 | 第59页 |
| 5.2.6 知识点评 | 第59-60页 |
| 5.3 智能教室系统结果分析及系统评价 | 第60-64页 |
| 5.4 本章小结 | 第64-67页 |
| 第六章 总结和展望 | 第67-69页 |
| 6.1 论文工作总结 | 第67-68页 |
| 6.2 未来工作展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 作者简介 | 第75-76页 |
