基于嵌入式系统的实时人脸识别方法的研究与实现
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10页 |
| 1.3 相关技术 | 第10-13页 |
| 1.4 技术难点 | 第13-14页 |
| 1.5 主要工作以及创新点 | 第14-15页 |
| 1.6 论文结构 | 第15-17页 |
| 第2章 实时人脸检测 | 第17-37页 |
| 2.1 图像预处理 | 第17-19页 |
| 2.2 多角度人脸分类器 | 第19-26页 |
| 2.2.1 Haar-like特征 | 第19-21页 |
| 2.2.2 弱分类器训练 | 第21页 |
| 2.2.3 强分类器训练 | 第21-23页 |
| 2.2.4 级联分类器 | 第23-26页 |
| 2.3 人脸验证与规范化 | 第26-33页 |
| 2.3.1 颜色空间 | 第27页 |
| 2.3.2 肤色模型 | 第27-29页 |
| 2.3.3 人脸验证 | 第29-30页 |
| 2.3.4 人脸图像规范化 | 第30-33页 |
| 2.4 结果分析 | 第33-36页 |
| 2.5 小结 | 第36-37页 |
| 第3章 人脸跟踪 | 第37-58页 |
| 3.1 CamShift算法 | 第37-42页 |
| 3.1.1 MeanShift算法 | 第37-39页 |
| 3.1.2 CamShift人脸跟踪算法 | 第39-41页 |
| 3.1.3 算法效果 | 第41-42页 |
| 3.2 改进的粒子滤波算法 | 第42-52页 |
| 3.2.1 贯序重要性采样方法 | 第42-45页 |
| 3.2.2 粒子退化问题 | 第45页 |
| 3.2.3 重要密度函数 | 第45-46页 |
| 3.2.4 重采样 | 第46-48页 |
| 3.2.5 跟踪窗口自适应的粒子滤波算法 | 第48-52页 |
| 3.3 改进的人脸跟踪算法 | 第52-57页 |
| 3.4 小结 | 第57-58页 |
| 第4章 实时人脸识别 | 第58-76页 |
| 4.1 基于PCA的快速人脸识别算法 | 第58-66页 |
| 4.1.1 PCA理论 | 第58-61页 |
| 4.1.2 快速人脸识别算法 | 第61-65页 |
| 4.1.3 实验结果 | 第65-66页 |
| 4.2 基于PCA的多帧聚合人脸识别算法 | 第66-71页 |
| 4.3 实时人脸识别方法总体设计 | 第71-72页 |
| 4.4 实验结果与分析 | 第72-75页 |
| 4.5 小结 | 第75-76页 |
| 第5章 嵌入式实时人脸识别系统 | 第76-85页 |
| 5.1 平台介绍 | 第76-77页 |
| 5.2 系统实现 | 第77-84页 |
| 5.3 系统测试 | 第84页 |
| 5.4 小结 | 第84-85页 |
| 第6章 总结与展望 | 第85-87页 |
| 参考文献 | 第87-91页 |
| 致谢 | 第91-92页 |
| 攻读硕士学位期间取得的成果 | 第92页 |
