| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 论文研究的主要内容 | 第10页 |
| 1.3 论文各章节内容安排 | 第10-12页 |
| 第二章 活性人脸检测技术的研究综述 | 第12-30页 |
| 2.1 人脸身份验证中常见的欺诈方式 | 第12页 |
| 2.2 活性人脸检测技术研究现状 | 第12-24页 |
| 2.2.1 纹理分析 | 第12-17页 |
| 2.2.2 运动分析 | 第17-22页 |
| 2.2.3 三维结构分析 | 第22-24页 |
| 2.3 方法分析比较小结 | 第24-25页 |
| 2.4 活性人脸检测公开数据库 | 第25-28页 |
| 2.4.1 PRINT-ATTACK Dataset | 第26-27页 |
| 2.4.2 REPLAY-ATTACK Dataset | 第27页 |
| 2.4.3 NUAA Photography Imposter Dataset | 第27-28页 |
| 2.4.4 CASIA Face Anti-spoofing Dataset | 第28页 |
| 2.4.5 XM2VTSDB Dataset | 第28页 |
| 2.4.6 ZJU Eye-blink Video Dataset | 第28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 基于kinect深度信息的活性人脸检测方法 | 第30-42页 |
| 3.1 kinect介绍 | 第30-32页 |
| 3.1.1 kinect的硬件结构 | 第31页 |
| 3.1.2 kinect for windows SDK的功能介绍 | 第31-32页 |
| 3.2 LBP描述子及其变种 | 第32-34页 |
| 3.2.1 原始的LBP算子 | 第32页 |
| 3.2.2 均匀LBP模式 | 第32-33页 |
| 3.2.3 MB-LBP特征 | 第33-34页 |
| 3.2.4 SEMB-LBP特征 | 第34页 |
| 3.2.5 LTP特征 | 第34页 |
| 3.3 数据集的收集与制作 | 第34-38页 |
| 3.3.1 数据集采集的设备与环境 | 第35-36页 |
| 3.3.2 数据集中人脸的提取 | 第36-38页 |
| 3.4 实验与结果分析 | 第38-40页 |
| 3.4.1 活体检测性能指标 | 第38页 |
| 3.4.2 比较不同类型LBP算子的活体检测性能 | 第38-39页 |
| 3.4.3 比较不同方式获取LBP算子的活体检测性能 | 第39页 |
| 3.4.4 比较不同分类器的活性检测性能 | 第39-40页 |
| 3.4.5 基于彩色图像的LBP及其变种的活性人脸检测实验 | 第40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 基于卷积神经网络的活性人脸检测方法 | 第42-59页 |
| 4.1 卷积神经网络 | 第42-46页 |
| 4.1.1 局部连接 | 第43页 |
| 4.1.2 权值共享 | 第43-44页 |
| 4.1.3 下采样 | 第44页 |
| 4.1.4 反向传播 | 第44-46页 |
| 4.2 基于卷积神经网络的活性人脸检测 | 第46-49页 |
| 4.2.1 网络结构 | 第46-48页 |
| 4.2.2 训练方法 | 第48-49页 |
| 4.3 实验结果与分析 | 第49-57页 |
| 4.3.1 实验数据 | 第49页 |
| 4.3.2 实验一:在CASIA上训练和测试模型 | 第49-52页 |
| 4.3.3 实验二:在REPALY上训练和测试模型 | 第52-54页 |
| 4.3.4 实验三:与其他方法的实验结果比较 | 第54-55页 |
| 4.3.5 实验四:在CASIA和REPLAY上的交叉测试 | 第55-56页 |
| 4.3.6 实验五:融合CASIA和REPLAY的训练集 | 第56-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第五章 总结与展望 | 第59-62页 |
| 5.1 本文总结 | 第59-60页 |
| 5.2 展望 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68页 |
