超算云环境下监控视频的人脸识别研究
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题背景 | 第11-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 研究思路及主要工作 | 第13-14页 |
| 1.4 论文组织结构 | 第14-17页 |
| 第二章 相关研究 | 第17-29页 |
| 2.1 超算云平台 | 第17-19页 |
| 2.1.1 云计算 | 第17-18页 |
| 2.1.2 超算云平台 | 第18-19页 |
| 2.2 监控视频 | 第19-22页 |
| 2.2.1 视频监控的发展 | 第19-20页 |
| 2.2.2 视频监控与城市管理 | 第20-21页 |
| 2.2.3 监控视频的处理技术 | 第21-22页 |
| 2.3 人脸识别技术 | 第22-27页 |
| 2.3.1 人脸检测 | 第23-24页 |
| 2.3.2 人脸识别 | 第24页 |
| 2.3.3 卷积神经网络 | 第24-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 超算云环境下监控视频的人脸识别框架 | 第29-37页 |
| 3.1 框架设计 | 第29-30页 |
| 3.2 系统的并行设计 | 第30-31页 |
| 3.3 基于HBase的存储设计 | 第31-34页 |
| 3.3.1 HBase存储基本方式 | 第31-32页 |
| 3.3.2 存储表的设计 | 第32-34页 |
| 3.4 OpenCV与帧处理 | 第34-35页 |
| 3.5 本章小结 | 第35-37页 |
| 第四章 卷积神经网络的训练优化 | 第37-49页 |
| 4.1 卷积神经网络训练原理 | 第37-42页 |
| 4.1.1 CNN的结构 | 第37-39页 |
| 4.1.2 梯度下降 | 第39-40页 |
| 4.1.3 学习速率调度方法 | 第40-42页 |
| 4.2 基于二分法的收敛界定 | 第42-44页 |
| 4.3 基于收敛域的训练算法系数分析 | 第44-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 测试与评估 | 第49-59页 |
| 5.1 卷积神经网络训练优化实验 | 第49-56页 |
| 5.1.1 人脸数据集和卷积神经网络设计 | 第49-51页 |
| 5.1.2 测试环境 | 第51-52页 |
| 5.1.3 实验及结果分析 | 第52-56页 |
| 5.2 原型框架的搭建和应用实例测试 | 第56-58页 |
| 5.2.1 框架的搭建 | 第56-57页 |
| 5.2.2 原型框架实例测试 | 第57页 |
| 5.2.3 实验结果分析 | 第57-58页 |
| 5.3 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 工作总结 | 第59页 |
| 6.2 未来展望 | 第59-61页 |
| 结束语 | 第61-63页 |
| 致谢 | 第63-65页 |
| 参考资料 | 第65-69页 |
| 作者在学期间取得的学术成果 | 第69页 |
