| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 人脸认证与识别技术的国内外研究历史与现状 | 第11-14页 |
| 1.3 本文的主要内容 | 第14页 |
| 1.4 本论文的结构安排 | 第14-16页 |
| 第二章 人脸认证与识别技术基础 | 第16-34页 |
| 2.1 人脸认证流程 | 第16-17页 |
| 2.2 特征提取 | 第17-24页 |
| 2.2.1 局部特征 | 第18-21页 |
| 2.2.2 全局特征 | 第21-24页 |
| 2.2.2.1 主成分分析 | 第21-22页 |
| 2.2.2.2 线性判别分析 | 第22-24页 |
| 2.3 分类器 | 第24-33页 |
| 2.3.1 贝叶斯决策 | 第24页 |
| 2.3.2 支持向量机 | 第24-29页 |
| 2.3.2.1 统计学习的基本理论 | 第25-26页 |
| 2.3.2.2 支持向量机理论 | 第26-29页 |
| 2.3.3 Adaboost算法 | 第29-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 基于高维特征的人脸认证方法 | 第34-56页 |
| 3.1 高维特征 | 第34-37页 |
| 3.1.1 低维特征的局限性 | 第34-35页 |
| 3.1.2 构建人脸高维特征 | 第35-37页 |
| 3.2 FERET人脸库 | 第37-39页 |
| 3.3 基于高维特征和支持向量机的人脸认证方法 | 第39-47页 |
| 3.3.1 识别问题转化以及特征数据预处理 | 第39-42页 |
| 3.3.2 人脸认证方法实现 | 第42-43页 |
| 3.3.3 实验结果与分析 | 第43-47页 |
| 3.4 基于高维特征和ADABOOST算法的人脸认证方法 | 第47-54页 |
| 3.4.1 特征空间及弱分类器的构造 | 第47-49页 |
| 3.4.2 强分类器的训练 | 第49-51页 |
| 3.4.3 级联结构及训练样本重新采样 | 第51-53页 |
| 3.4.4 实验结果分析 | 第53-54页 |
| 3.5 本章小结 | 第54-56页 |
| 第四章 人脸认证技术在煤矿考勤系统中的应用 | 第56-69页 |
| 4.1 基于人脸认证的煤矿考勤系统 | 第56-60页 |
| 4.1.1 煤矿考勤系统的组成结构 | 第56-57页 |
| 4.1.2 人脸认证子系统 | 第57-60页 |
| 4.2 煤矿矿工人脸库 | 第60-61页 |
| 4.3 煤矿人脸认证研究 | 第61-68页 |
| 4.3.1“黑脸”人脸检测 | 第61-62页 |
| 4.3.2“黑脸”人脸关键点标定 | 第62-63页 |
| 4.3.3“黑脸”人脸认证研究 | 第63-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第五章 全文总结与展望 | 第69-71页 |
| 5.1 全文总结 | 第69页 |
| 5.2 后续工作展望 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |