基于深度学习的人脸识别技术及其在智能小区中的应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 人脸识别的研究背景和意义 | 第10页 |
| 1.2 人脸识别研究的发展及现状 | 第10-12页 |
| 1.3 人脸识别的应用 | 第12-13页 |
| 1.4 人脸识别的特点和优势 | 第13页 |
| 1.5 人脸识别的主要方法 | 第13-15页 |
| 1.5.1 基于特征脸的方法 | 第13-14页 |
| 1.5.2 基于几何特征的方法 | 第14页 |
| 1.5.3 基于神经网络的方法 | 第14-15页 |
| 1.5.4 基于支持向量机的方法 | 第15页 |
| 1.5.5 其他综合方法 | 第15页 |
| 1.6 人脸识别门禁系统的主要流程 | 第15-16页 |
| 1.7 本文完成的工作 | 第16-17页 |
| 1.8 本文的结构 | 第17页 |
| 1.9 本章小结 | 第17-18页 |
| 第二章 人脸识别及其在智能小区的应用 | 第18-23页 |
| 2.1 当前住宅小区所面临的问题 | 第18-19页 |
| 2.2 人脸识别系统在智能小区的应用 | 第19-22页 |
| 2.2.1 智能人脸识别视频监控系统 | 第19-20页 |
| 2.2.2 智能人脸识别门禁系统 | 第20-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 深度学习技术及其在人脸识别中的应用 | 第23-29页 |
| 3.1 深度学习 | 第23-24页 |
| 3.1.1 深度学习的基本思想 | 第24页 |
| 3.2 卷积神经网络的发展 | 第24-25页 |
| 3.3 卷积神经网络的模型架构 | 第25-26页 |
| 3.4 卷积神经网络的架构改进方法 | 第26页 |
| 3.5 本文采用的卷积神经网络模型的架构 | 第26-27页 |
| 3.6 卷积神经网络在人脸识别中的应用 | 第27-28页 |
| 3.7 本章小结 | 第28-29页 |
| 第四章 智能人脸识别门禁系统设计 | 第29-50页 |
| 4.1 智能人脸识别门禁硬件系统总体设计 | 第29-31页 |
| 4.2 人脸识别门禁终端设计 | 第31-33页 |
| 4.2.1 硬件平台设计 | 第32-33页 |
| 4.3 主要硬件平台介绍 | 第33-39页 |
| 4.3.1 Hi3518芯片介绍 | 第33-34页 |
| 4.3.2 图像采集传感器 | 第34-35页 |
| 4.3.3 消回声电路设计 | 第35-37页 |
| 4.3.4 网络接口电路 | 第37-38页 |
| 4.3.5 POE供电设计 | 第38-39页 |
| 4.4 小区服务器 | 第39页 |
| 4.5 人脸识别核心算法实现 | 第39-43页 |
| 4.5.1 卷积神经网络的训练算法 | 第40页 |
| 4.5.2 卷积层的梯度计算 | 第40-41页 |
| 4.5.3 降采样层梯度的计算 | 第41-42页 |
| 4.5.4 权值共享 | 第42-43页 |
| 4.6 卷积神经网络在人脸识别中的实现过程 | 第43-45页 |
| 4.6.1 卷积层的构建 | 第43页 |
| 4.6.2 采样层的构建 | 第43-44页 |
| 4.6.3 分类层的构建 | 第44页 |
| 4.6.4 人脸图像的预处理 | 第44-45页 |
| 4.7 CNN-1 网络模型在人脸识别中的测试 | 第45-48页 |
| 4.7.1 ORL人脸库及UMIST人脸库测试 | 第45-48页 |
| 4.8 本章小结 | 第48-50页 |
| 第五章 实验结果及分析 | 第50-56页 |
| 5.1 门禁系统人脸检测性能测试 | 第50-52页 |
| 5.2 门禁系统人脸识别性能测试 | 第52-53页 |
| 5.3 小区门口实地测试 | 第53-56页 |
| 总结和展望 | 第56-58页 |
| 总结 | 第56页 |
| 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间取得的研究成果 | 第62-63页 |
| 致谢 | 第63-64页 |
| 附件 | 第64页 |
