| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 课题研究现状 | 第11-12页 |
| 1.3 本文主要工作 | 第12-13页 |
| 1.4 文章组织结构 | 第13-15页 |
| 第二章 视频人脸识别系统相关技术 | 第15-27页 |
| 2.1 视频人脸识别技术研究 | 第15-16页 |
| 2.2 人脸检测与人脸关键点检测技术 | 第16-20页 |
| 2.2.1 人脸检测技术 | 第16-17页 |
| 2.2.2 人脸关键点检测技术 | 第17-20页 |
| 2.3 人脸识别技术 | 第20-26页 |
| 2.3.1 人脸特征提取技术 | 第20-24页 |
| 2.3.2 人脸识别分类器 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于多角度视频的人脸识别系统的设计方案 | 第27-37页 |
| 3.1 系统总体框架 | 第27-29页 |
| 3.2 硬件设计方案 | 第29-32页 |
| 3.2.1 人脸识别通道的设计 | 第29-30页 |
| 3.2.2 摄像头与补光灯的选择 | 第30-32页 |
| 3.3 软件设计方案 | 第32-36页 |
| 3.3.1 系统开发环境 | 第32页 |
| 3.3.2 系统界面设计 | 第32-33页 |
| 3.3.3 人脸检测模块 | 第33-34页 |
| 3.3.4 人脸识别模块 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 人脸检测模块的设计与实现 | 第37-44页 |
| 4.1 基于LBP特征的Adaboost人脸检测算法 | 第37-40页 |
| 4.1.1 LBP特征 | 第37-38页 |
| 4.1.2 Adaboost人脸检测算法 | 第38-40页 |
| 4.2 结合Adaboost和CNN的人脸检测方案 | 第40-41页 |
| 4.2.1 基于CNN的人脸分类器的设计 | 第40-41页 |
| 4.2.2 CNN网络的训练 | 第41页 |
| 4.3 实验结果与分析 | 第41-43页 |
| 4.3.1 实验设置 | 第42页 |
| 4.3.2 实验分析 | 第42-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 人脸识别模块的设计与实现 | 第44-56页 |
| 5.1 人脸特征提取模块 | 第44-50页 |
| 5.1.1 基于深度学习的人脸特征 | 第44-45页 |
| 5.1.2 LightCNN | 第45-46页 |
| 5.1.3 改进的LightCNN | 第46-48页 |
| 5.1.4 实验结果与分析 | 第48-50页 |
| 5.2 人脸分类识别模块 | 第50-55页 |
| 5.2.1 基于SVM的人脸分类器 | 第50-54页 |
| 5.2.2 实验结果与分析 | 第54-55页 |
| 5.3 本章小结 | 第55-56页 |
| 第六章 系统性能评估 | 第56-60页 |
| 6.1 系统准确性评估 | 第56-58页 |
| 6.2 系统实时性测试 | 第58-59页 |
| 6.3 本章小结 | 第59-60页 |
| 第七章 总结与展望 | 第60-62页 |
| 7.1 工作总结 | 第60页 |
| 7.2 下一步工作展望 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 攻读硕士学位期间的研究成果 | 第68-69页 |
| 致谢 | 第69-70页 |