| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 本课题研究背景及意义 | 第14-16页 |
| 1.1.1 智能安防视频监控系统的研究背景及意义 | 第14页 |
| 1.1.2 安防视频中的人员性别识别方法研究背景及意义 | 第14-16页 |
| 1.2 国内外性别识别研究现状及发展态势 | 第16-17页 |
| 1.3 本文主要的研究内容和章节安排 | 第17-20页 |
| 1.3.1 本文主要的研究内容 | 第17-18页 |
| 1.3.2 章节安排 | 第18-20页 |
| 第二章 人员性别检测需求分析及总体方案设计 | 第20-25页 |
| 2.1 引言 | 第20页 |
| 2.2 安防视频中人员性别检测的特点及需求 | 第20-23页 |
| 2.2.1 安防视频中人员性别检测的特点 | 第21-22页 |
| 2.2.2 安防视频中人员性别检测的需求 | 第22-23页 |
| 2.3 安防视频中人员性别检测的总体方案设计 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 复杂背景下的人脸检测 | 第25-37页 |
| 3.1 引言 | 第25页 |
| 3.2 不同背景环境下人脸检测 | 第25-31页 |
| 3.2.1 简单背景图像的检测人脸方法 | 第25-28页 |
| 3.2.2 无约束背景图像中的检测人脸方法 | 第28-31页 |
| 3.3 基于Adaboost的复杂背景人脸检测 | 第31-36页 |
| 3.3.1 类Haar基特征 | 第31-33页 |
| 3.3.2 积分图 | 第33页 |
| 3.3.3 Adaboost学习算法 | 第33-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 性别识别的特征提取方法 | 第37-46页 |
| 4.1 引言 | 第37页 |
| 4.2 人脸图像预处理 | 第37-39页 |
| 4.2.1 图像灰度化 | 第38页 |
| 4.2.2 人脸图像归一化 | 第38-39页 |
| 4.2.3 人脸图像裁剪 | 第39页 |
| 4.3 脸部特征提取方法 | 第39-44页 |
| 4.3.1 Haar特征提取算法 | 第39-40页 |
| 4.3.2 HOG特征提取算法 | 第40-41页 |
| 4.3.3 LBP特征提取算法 | 第41-43页 |
| 4.3.4 基于卷积神经网络的特征提取方法 | 第43-44页 |
| 4.4 算法比较与分析 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 性别识别算法的研究及实现 | 第46-55页 |
| 5.1 引言 | 第46-48页 |
| 5.1.1 卷积神经网络简介 | 第46-47页 |
| 5.1.2 神经网络机理 | 第47-48页 |
| 5.2 数据集 | 第48-51页 |
| 5.2.1 公共数据集 | 第48-49页 |
| 5.2.2 人脸数据集的制作 | 第49-51页 |
| 5.3 卷积神经网络算法 | 第51-54页 |
| 5.3.1 keras | 第51-52页 |
| 5.3.2 网络结构 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 人员性别检测方案的优化及测试 | 第55-62页 |
| 6.1 引言 | 第55页 |
| 6.2 影响人员性别检测实时性的关键因素 | 第55-56页 |
| 6.3 人员性别检测方案的优化 | 第56-57页 |
| 6.3.1 输入视频图像的预处理 | 第56-57页 |
| 6.3.2 性别检测网络的调整 | 第57页 |
| 6.4 测试结果分析 | 第57-61页 |
| 6.4.1 测试平台 | 第57-58页 |
| 6.4.2 性别检测准确率及速度 | 第58-61页 |
| 6.5 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士期间发表论文 | 第67-69页 |
| 致谢 | 第69页 |