面向智能视频监控的多人脸识别算法研究
摘要 | 第4-5页 |
Abstract | 第5-6页 |
第1章 引言 | 第9-19页 |
1.1 人脸识别技术的研究背景意义 | 第9-11页 |
1.1.1 研究背景 | 第9-10页 |
1.1.2 研究意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-15页 |
1.2.1 国内研究现状 | 第11-12页 |
1.2.2 国外研究现状 | 第12-15页 |
1.3 视频监控系统简介 | 第15-16页 |
1.4 本文研究内容及章节安排 | 第16-18页 |
1.5 本章小结 | 第18-19页 |
第2章 视频图像预处理 | 第19-26页 |
2.1 图像预处理的概念 | 第19页 |
2.2 直方图均衡化 | 第19-21页 |
2.2.1 基本原理 | 第19-20页 |
2.2.2 计算步骤 | 第20-21页 |
2.3 图像归一化 | 第21-22页 |
2.4 图像缩放 | 第22-25页 |
2.4.1 灰度插值法 | 第22-25页 |
2.4.2 三种插值算法优缺点总结 | 第25页 |
2.5 本章小结 | 第25-26页 |
第3章 Adaboost多人脸并行检测算法 | 第26-44页 |
3.1 Adaboost算法理论基础 | 第26-30页 |
3.1.1 Haar特征 | 第26-27页 |
3.1.2 计算特征数 | 第27-29页 |
3.1.3 积分图 | 第29-30页 |
3.2 Adaboost算法训练过程 | 第30-35页 |
3.2.1 训练分类器 | 第30-31页 |
3.2.2 选取人脸训练样本 | 第31-33页 |
3.2.3 训练人脸分类器 | 第33-35页 |
3.3 基于Adaboost算法的多人脸并行检测 | 第35-41页 |
3.3.1 多核编程 | 第35-36页 |
3.3.2 并行计算 | 第36-37页 |
3.3.3 并行编程 | 第37-38页 |
3.3.4 人脸检测过程 | 第38页 |
3.3.5 多人脸并行检测算法思想 | 第38页 |
3.3.6 多人脸并行检测基本原理 | 第38-39页 |
3.3.7 多人脸并行检测算法流程 | 第39-40页 |
3.3.8 实验结果 | 第40-41页 |
3.4 改进的多人脸并行检测算法 | 第41-43页 |
3.4.1 算法原理 | 第41-42页 |
3.4.2 实验结果对比分析 | 第42-43页 |
3.5 本章小结 | 第43-44页 |
第4章 改进的PCA多人脸识别算法 | 第44-69页 |
4.1 PCA人脸识别理论基础 | 第44-45页 |
4.1.1 K-L变换 | 第44页 |
4.1.2 PCA的作用 | 第44-45页 |
4.1.3 奇异值分解 | 第45页 |
4.2 PCA人脸识别过程 | 第45-47页 |
4.2.1 人脸图像预处理 | 第45页 |
4.2.2 读入人脸库 | 第45页 |
4.2.3 构建特征子空间 | 第45-46页 |
4.2.4 投影变换 | 第46页 |
4.2.5 距离判别函数 | 第46-47页 |
4.3 f-k优化近邻法 | 第47-49页 |
4.3.1 符号解释与矩阵构建 | 第47页 |
4.3.2 两种计算方法 | 第47-49页 |
4.4 实例分析 | 第49-57页 |
4.4.1 读入人脸库 | 第49-51页 |
4.4.2 构建特征子空间 | 第51-54页 |
4.4.3 投影变换 | 第54页 |
4.4.4 5-3优化近邻法识别 | 第54-57页 |
4.4.5 不同方法识别效果比较 | 第57页 |
4.5 序列帧图像多人脸识别算法 | 第57-66页 |
4.5.1 多人脸识别算法思想 | 第57-58页 |
4.5.2 多人脸识别算法步骤 | 第58-60页 |
4.5.3 实验结果与分析 | 第60-66页 |
4.6 智能监控多人脸识别测试系统介绍 | 第66-68页 |
4.6.1 系统概述 | 第66页 |
4.6.2 测试平台 | 第66-67页 |
4.6.3 测试结果 | 第67页 |
4.6.4 结果分析 | 第67-68页 |
4.7 本章小结 | 第68-69页 |
第5章 总结与展望 | 第69-71页 |
参考文献 | 第71-74页 |
致谢 | 第74-75页 |
攻读硕士学位期间发表论文及参加科研项目情况 | 第75页 |