| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 课题国内外研究现状 | 第11-14页 |
| 1.2.1 基于知识的人脸检测方法 | 第11-12页 |
| 1.2.2 基于模板匹配的人脸检测方法 | 第12-13页 |
| 1.2.3 基于统计学习的人脸检测算法 | 第13页 |
| 1.2.4 基于卷积神经网络的检测算法 | 第13-14页 |
| 1.3 监控场景下的人脸检测研究难点 | 第14-15页 |
| 1.4 本文主要研究内容及本文章节安排 | 第15-17页 |
| 第二章 人脸检测关键技术 | 第17-27页 |
| 2.1 人脸特征 | 第17-19页 |
| 2.1.1 Haar-Like特征 | 第17页 |
| 2.1.2 可形变部件模型DPM | 第17-18页 |
| 2.1.3 NPD特征 | 第18-19页 |
| 2.2 人脸分类器 | 第19-21页 |
| 2.2.1 SVM分类器 | 第19-20页 |
| 2.2.2 级联分类器 | 第20-21页 |
| 2.3 卷积神经网络 | 第21-25页 |
| 2.3.1 卷积神经网络结构 | 第22-23页 |
| 2.3.2 目标检测网络Faster RCNN | 第23-24页 |
| 2.3.3 快速分类网络ShuffleNet | 第24-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 监控场景下人脸检测系统架构设计 | 第27-31页 |
| 3.1 系统模块设计 | 第27-29页 |
| 3.2 系统处理流程 | 第29-30页 |
| 3.3 本章小结 | 第30-31页 |
| 第四章 多尺度联合NPD特征 | 第31-42页 |
| 4.1 多尺度联合NPD特征 | 第31-34页 |
| 4.2 实验与结果分析 | 第34-41页 |
| 4.2.1 训练数据集 | 第34-35页 |
| 4.2.2 实验结果与分析 | 第35-38页 |
| 4.2.3 多尺度融合NPD特征 | 第38-39页 |
| 4.2.4 不同多尺度变化方式下的人脸检测实验与结果分析 | 第39-41页 |
| 4.3 本章总结 | 第41-42页 |
| 第五章 监控场景下基于深度学习的人脸检测 | 第42-52页 |
| 5.1 基于卷积神经网络的人脸检测算法设计 | 第42-46页 |
| 5.2 监控场景下人脸检测卷积神经网络 | 第46-51页 |
| 5.2.1 候选建议区域大小、长宽比调整 | 第46-48页 |
| 5.2.2 特征提取网络ShuffleNet实验对比 | 第48-49页 |
| 5.2.3 基于ShuffleNet的快速人脸检测Faster RCNN网络 | 第49-51页 |
| 5.3 本章总结 | 第51-52页 |
| 第六章 多线程人脸检测设计与实现 | 第52-56页 |
| 6.1 多线程人脸检测设计与实现 | 第52-53页 |
| 6.2 系统效果展示和性能评价 | 第53-55页 |
| 6.3 本章总结 | 第55-56页 |
| 第七章 总结与展望 | 第56-59页 |
| 7.1 总结 | 第56页 |
| 7.2 展望 | 第56-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 攻读学位期间取得的研究成果 | 第64页 |
