基于深度信息的监控视频人脸识别方法研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景和意义 | 第9页 |
| 1.2 研究现状 | 第9-14页 |
| 1.2.1 人脸检测相关技术研究现状 | 第10-12页 |
| 1.2.2 人脸识别相关技术研究现状 | 第12-14页 |
| 1.3 本文的主要工作和安排 | 第14页 |
| 1.4 本章小结 | 第14-15页 |
| 第二章 相关工作介绍 | 第15-23页 |
| 2.1 人脸检测性能评估方法 | 第16页 |
| 2.2 人脸检测相关技术 | 第16-18页 |
| 2.2.1 支持向量机 | 第16-17页 |
| 2.2.2 神经网络 | 第17页 |
| 2.2.3 Adaboost算法 | 第17-18页 |
| 2.3 人脸识别相关技术 | 第18-22页 |
| 2.3.1 主成分分析法(PCA) | 第18-19页 |
| 2.3.2 局部二值模式 | 第19-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于深度摄像头的人脸检测 | 第23-33页 |
| 3.1 深度摄像头Kinect介绍 | 第23-25页 |
| 3.1.1 深度信息的表示 | 第23页 |
| 3.1.2 Kinect深度图像采集 | 第23-24页 |
| 3.1.3 深度摄像头的优势 | 第24-25页 |
| 3.2 基于深度信息的人脸检测 | 第25-32页 |
| 3.2.1 人体骨骼追踪 | 第25-26页 |
| 3.2.2 深度图像预处理 | 第26-27页 |
| 3.2.3 人脸检测详细流程 | 第27-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第四章 基于深度学习的人脸识别 | 第33-40页 |
| 4.1 深度学习介绍 | 第33-36页 |
| 4.1.1 深度学习的优势 | 第33-34页 |
| 4.1.2 卷积神经网络 | 第34-35页 |
| 4.1.3 深度学习框架介绍 | 第35-36页 |
| 4.2 DeepID网络结构 | 第36-37页 |
| 4.3 池化方法 | 第37页 |
| 4.4 DeepID网络训练流程 | 第37-38页 |
| 4.5 结合骨骼追踪技术的人脸识别 | 第38-40页 |
| 第五章 原型系统设计与实现 | 第40-51页 |
| 5.1 系统总体设计方案 | 第40页 |
| 5.2 系统开发环境 | 第40-41页 |
| 5.3 系统功能模块的设计与实现 | 第41-46页 |
| 5.3.1 骨骼定位模块 | 第41页 |
| 5.3.2 人脸检测模块 | 第41-43页 |
| 5.3.3 人脸识别模块 | 第43-46页 |
| 5.4 系统测试与结果分析 | 第46-50页 |
| 5.4.1 骨骼定位 | 第46-47页 |
| 5.4.2 人脸检测 | 第47-49页 |
| 5.4.3 人脸识别 | 第49-50页 |
| 5.5 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 本文研究总结 | 第51页 |
| 6.2 未来工作展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士学位期间发表学术论文情况 | 第57页 |
