监控视频中人脸超分辨率重建软件设计与实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 课题的背景及意义 | 第9-11页 |
| 1.2 课题研究现状 | 第11-16页 |
| 1.2.1 基于重建的超分辨率技术研究现状 | 第11-12页 |
| 1.2.2 基于学习的超分辨率技术研究现状 | 第12-16页 |
| 1.3 论文主要内容安排 | 第16-17页 |
| 2 图像超分辨率重建技术 | 第17-24页 |
| 2.1 人脸超分辨率重建基础 | 第17-19页 |
| 2.1.1 图像分辨率 | 第17页 |
| 2.1.2 图像退化的数学模型 | 第17-19页 |
| 2.2 超分辨率重建方法概述 | 第19-22页 |
| 2.2.1 基于重建的超分辨率重建方法 | 第19-20页 |
| 2.2.2 基于学习的图像超分辨率重建方法 | 第20-22页 |
| 2.3 图像的评价标准 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 基于学习的人脸重建预处理和人脸库建立 | 第24-35页 |
| 3.1 人脸重建图像预处理 | 第24-27页 |
| 3.1.1 人脸重建图像灰度化 | 第24页 |
| 3.1.2 人脸图像退化处理 | 第24-26页 |
| 3.1.3 人脸块划分 | 第26-27页 |
| 3.2 基于PCA算法的人脸库人脸选择 | 第27-34页 |
| 3.2.1 传统人脸数据库介绍 | 第27-28页 |
| 3.2.2 PCA算法原理 | 第28-31页 |
| 3.2.3 人脸选择实现 | 第31-34页 |
| 3.3 本章小结 | 第34-35页 |
| 4 基于学习的人脸超分辨率重建算法 | 第35-45页 |
| 4.1 经典的稀疏表示人脸超分辨率重建 | 第35-39页 |
| 4.1.1 图像的稀疏表示模型 | 第35-36页 |
| 4.1.2 传统算法框架 | 第36-37页 |
| 4.1.3 经典算法的重构效果 | 第37-39页 |
| 4.2 改进的基于相似性表示的超分辨率重建 | 第39-43页 |
| 4.2.1 图像的相似性表示模型 | 第39-40页 |
| 4.2.2 改进的重建算法模型 | 第40-42页 |
| 4.2.3 改进算法的重建效果 | 第42-43页 |
| 4.3 实验对比分析 | 第43-44页 |
| 4.4 本章小结 | 第44-45页 |
| 5 基于人脸重建算法的软件设计与实现 | 第45-68页 |
| 5.1 人脸重建的软件需求分析 | 第45-46页 |
| 5.2 并行处理机制 | 第46-47页 |
| 5.3 常用并行处理方法 | 第47-48页 |
| 5.4 人脸重建软件平台的设计 | 第48-58页 |
| 5.4.1 软件功能设计 | 第48-49页 |
| 5.4.2 软件的结构设计 | 第49-51页 |
| 5.4.3 软件界面设计 | 第51-58页 |
| 5.5 人脸重建软件并行处理的实现 | 第58-62页 |
| 5.5.1 基础分析 | 第58-59页 |
| 5.5.2 并行处理方法及程序设计 | 第59-62页 |
| 5.6 软件平台测试结果与分析 | 第62-67页 |
| 5.7 本章小结 | 第67-68页 |
| 结论 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 攻读硕士学位期间学术成果情况 | 第72-73页 |
| 致谢 | 第73页 |
