| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 项目概述 | 第11-16页 |
| 1.1 项目背景 | 第11-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 相关研究发展现状 | 第13-14页 |
| 1.4 论文的研究内容与框架 | 第14-16页 |
| 第二章 基于人像大数据的智慧客运站系统基础理论 | 第16-21页 |
| 2.1 智慧客运站系统概述 | 第16页 |
| 2.2 人像数据 | 第16页 |
| 2.3 本文应用的人像识别技术——基于CNN的人像识别 | 第16-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 基于SEETAFACE的客运站视频监控人像识别系统 | 第21-31页 |
| 3.1 SEETAFACE人像识别框架 | 第21-25页 |
| 3.1.1 人脸检测 | 第21-22页 |
| 3.1.2 人脸对齐 | 第22页 |
| 3.1.3 人像识别 | 第22-23页 |
| 3.1.4 实验及结果分析 | 第23-25页 |
| 3.2 基于光照增强的人像识别方案 | 第25-27页 |
| 3.2.1 加权变分模型对光照进行增强 | 第25-26页 |
| 3.2.2 实验结果及分析 | 第26-27页 |
| 3.3 基于姿态估计的人像识别方案 | 第27-30页 |
| 3.3.1 姿态预评估方法 | 第27-28页 |
| 3.3.2 实验结果及分析 | 第28-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第四章 基于人像大数据的智慧客运站系统设计与实现 | 第31-47页 |
| 4.1 智慧客运站系统功能架构 | 第31页 |
| 4.2 智慧客运站系统功能需求 | 第31-33页 |
| 4.3 智慧客运站系统平台总体框架 | 第33-36页 |
| 4.3.1 系统架构设计 | 第33-34页 |
| 4.3.2 拓扑结构 | 第34-36页 |
| 4.4 数据库设计 | 第36-38页 |
| 4.5 基于SEETAFACE的人像识别系统详细设计 | 第38-46页 |
| 4.5.1 系统结构 | 第38页 |
| 4.5.2 服务器端架构设计 | 第38-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第五章 智慧客运站系统实现 | 第47-62页 |
| 5.1 人脸检测 | 第47-51页 |
| 5.1.1 人脸抓拍预览 | 第47-49页 |
| 5.1.2 人脸抓拍查询 | 第49页 |
| 5.1.3 实时识别告警 | 第49-51页 |
| 5.2 人脸搜索 | 第51-53页 |
| 5.2.1 人脸匹配搜索 | 第51-52页 |
| 5.2.2 人脸录像回放 | 第52-53页 |
| 5.3 人脸对比 | 第53页 |
| 5.4 人员管理 | 第53-55页 |
| 5.4.1 人员信息管理 | 第53-55页 |
| 5.4.2 人员识别布防 | 第55页 |
| 5.5 设备管理 | 第55-57页 |
| 5.5.1 设备列表树 | 第55-56页 |
| 5.5.2 摄像机设备配置 | 第56-57页 |
| 5.6 系统参数配置 | 第57-59页 |
| 5.6.1 人脸抓拍参数配置 | 第57-58页 |
| 5.6.2 布防告警参数配置 | 第58-59页 |
| 5.6.3 视频点播参数配置 | 第59页 |
| 5.7 应用实现及大数据统计 | 第59-61页 |
| 5.7.1 人流量统计及同比 | 第59-60页 |
| 5.7.2 分时人流量统计 | 第60页 |
| 5.7.3 目标人群比对 | 第60-61页 |
| 5.7.4 频繁出现人物统计 | 第61页 |
| 5.7.5 异常逗留人物统计 | 第61页 |
| 5.8 本章小结 | 第61-62页 |
| 总结与展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 攻读硕士学位期间取得的研究成果 | 第66-67页 |
| 致谢 | 第67-68页 |
| 附件 | 第68页 |
