| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 门禁系统的发展及现状 | 第9-10页 |
| 1.3 人脸识别技术的国内外研究现状 | 第10-11页 |
| 1.4 智能门禁系统概述 | 第11-12页 |
| 1.5 课题主要研究内容 | 第12-13页 |
| 1.6 论文的组织结构 | 第13-14页 |
| 2 基于肤色和AdaBoost算法的人脸检测 | 第14-40页 |
| 2.1 人脸检测的主要方法 | 第14-16页 |
| 2.1.1 基于肤色特征的方法 | 第14页 |
| 2.1.2 基于启发式模型的方法 | 第14-15页 |
| 2.1.3 基于统计模型的方法 | 第15-16页 |
| 2.2 基于肤色模型的人脸检测 | 第16-24页 |
| 2.2.1 光照补偿 | 第16-18页 |
| 2.2.2 色彩空间的选择 | 第18-19页 |
| 2.2.3 肤色模型的建立 | 第19-20页 |
| 2.2.4 肤色区域分割 | 第20-23页 |
| 2.2.5 人脸候选区域筛选 | 第23-24页 |
| 2.3 基于AdaBoost算法的人脸检测 | 第24-35页 |
| 2.3.1 AdaBoost算法的基本原理 | 第24-27页 |
| 2.3.2 Haar-like矩形特征及其扩展 | 第27-30页 |
| 2.3.3 积分图(Integral Image) | 第30-32页 |
| 2.3.4 AdaBoost分类器设计 | 第32-35页 |
| 2.3.5 AdaBoost算法的人脸检测效果实例 | 第35页 |
| 2.4 基于肤色和AdaBoost算法相结合的人脸检测 | 第35-39页 |
| 2.4.1 肤色人脸检测与AdaBoost人脸检测的优缺点 | 第36页 |
| 2.4.2 肤色和AdaBoost算法相结合的人脸检测 | 第36-37页 |
| 2.4.3 仿真结果及分析 | 第37-39页 |
| 2.5 本章小结 | 第39-40页 |
| 3 基于主成分分析(PCA)的人脸识别 | 第40-53页 |
| 3.1 人脸识别的主要方法 | 第40-41页 |
| 3.1.1 基于几何特征的人脸识别 | 第40页 |
| 3.1.2 基于子空间分析的人脸识别 | 第40-41页 |
| 3.1.3 基于隐马尔科夫模型的人脸识别 | 第41页 |
| 3.2 人脸图像预处理 | 第41-43页 |
| 3.2.1 图像灰度化 | 第41-42页 |
| 3.2.2 灰度归一化 | 第42页 |
| 3.2.3 图像去噪 | 第42-43页 |
| 3.2.4 几何归一化 | 第43页 |
| 3.3 基于PCA算法的人脸识别 | 第43-52页 |
| 3.3.1 K-L变换 | 第44-45页 |
| 3.3.2 特征压缩 | 第45-46页 |
| 3.3.3 PCA算法在人脸识别中的应用 | 第46-49页 |
| 3.3.4 特征向量的选取 | 第49页 |
| 3.3.5 距离函数的选择 | 第49-50页 |
| 3.3.6 仿真结果及分析 | 第50-52页 |
| 3.4 本章小结 | 第52-53页 |
| 4 人脸识别系统的测试与分析 | 第53-60页 |
| 4.1 人脸识别系统的结构 | 第53-54页 |
| 4.2 人脸识别系统的开发及测试环境 | 第54页 |
| 4.2.1 OpenCV简介 | 第54页 |
| 4.3 系统测试结果与分析 | 第54-59页 |
| 4.3.1 人脸检测模块的测试 | 第54-58页 |
| 4.3.2 人脸识别模块的测试 | 第58-59页 |
| 4.4 本章小结 | 第59-60页 |
| 5 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60-61页 |
| 5.2 展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士学位期间发表的论文 | 第65-66页 |
| 致谢 | 第66-68页 |
