| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 引言 | 第9-17页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 国内外研究现状及分析 | 第11-14页 |
| 1.3 文章的主要研究内容 | 第14-15页 |
| 1.4 文章的组织结构 | 第15-17页 |
| 第二章 基于代理的实时分布式人脸识别模型 | 第17-25页 |
| 2.1 现有的分布式人脸识别系统 | 第17-22页 |
| 2.1.1 分布式并行人脸识别系统 | 第18-19页 |
| 2.1.2 基于数据融合的分布式人脸识别框架 | 第19-20页 |
| 2.1.3 均匀分布式人脸识别系统 | 第20-22页 |
| 2.2 基于代理的实时分布式人脸识别模型 | 第22-24页 |
| 2.2.1 基于代理的实时分布式人脸识别模型简介 | 第22-23页 |
| 2.2.2 基于代理的实时分布式人脸识别模型的特点 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 代理端与服务器端的算法及交互 | 第25-43页 |
| 3.1 代理端的算法 | 第25-35页 |
| 3.1.1 基于CodeBook的行人检测 | 第25-29页 |
| 3.1.2 基于AdaBoost的人脸检测 | 第29-33页 |
| 3.1.3 基于CamShift行人跟踪 | 第33-35页 |
| 3.1.4 基于PCA的特征提取 | 第35页 |
| 3.2 服务器端的识别方法 | 第35-39页 |
| 3.2.1 ORL数据库中人脸图像的采集 | 第36-37页 |
| 3.2.2 基于FisherFace的人脸识别 | 第37-39页 |
| 3.3 代理端与服务器端的交互 | 第39-40页 |
| 3.4 本章小结 | 第40-43页 |
| 第四章 初始化时代理端的任务均衡 | 第43-59页 |
| 4.1 基于粒子群优化算法的任务均衡 | 第43-47页 |
| 4.1.1 问题描述 | 第44-45页 |
| 4.1.2 粒子群优化算法 | 第45-46页 |
| 4.1.3 算法的流程 | 第46-47页 |
| 4.2 基于改进的遗传算法的任务均衡 | 第47-51页 |
| 4.2.1 问题描述 | 第48-49页 |
| 4.2.2 改进的遗传算法 | 第49-50页 |
| 4.2.3 算法的流程 | 第50-51页 |
| 4.3 实验及结果分析 | 第51-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第五章 动态情况下代理端的任务均衡 | 第59-71页 |
| 5.1 单隐藏层反馈神经网络 | 第59-62页 |
| 5.2 基于极限学习机预测任务量 | 第62-66页 |
| 5.2.1 极限学习机 | 第62-64页 |
| 5.2.2 算法流程 | 第64-65页 |
| 5.2.3 实验及结果分析 | 第65-66页 |
| 5.3 动态优化 | 第66-70页 |
| 5.3.1 动态优化分配任务 | 第66-67页 |
| 5.3.2 实验及结果分析 | 第67-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 论文总结 | 第71-72页 |
| 6.2 研究展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 发表论文及参加科研情况 | 第77-79页 |
| 致谢 | 第79页 |