| 第一章 绪论 | 第9-33页 |
| 1.1 生物特征识别技术 | 第9-16页 |
| 1.1.1 人脸识别 | 第10-11页 |
| 1.1.2 指纹识别 | 第11页 |
| 1.1.3 人脸温谱图识别 | 第11-12页 |
| 1.1.4 虹膜识别 | 第12页 |
| 1.1.5 视网膜识别 | 第12页 |
| 1.1.6 掌纹识别 | 第12-13页 |
| 1.1.7 3D 手型识别 | 第13页 |
| 1.1.8 手背脉纹识别 | 第13页 |
| 1.1.9 声纹识别 | 第13-14页 |
| 1.1.10 签名识别 | 第14页 |
| 1.1.11 DNA 序列匹配 | 第14页 |
| 1.1.12 耳形识别 | 第14-15页 |
| 1.1.13 步态识别 | 第15页 |
| 1.1.14 击键动态特征识别 | 第15页 |
| 1.1.15 小结 | 第15-16页 |
| 1.2 生物特征识别技术的应用和前景 | 第16-17页 |
| 1.3 人脸检测与识别技术的研究内容及其研究现状 | 第17-31页 |
| 1.3.1 人脸识别的研究内容 | 第18-19页 |
| 1.3.2 人脸识别的优势与困难 | 第19-20页 |
| 1.3.3 人脸识别的应用领域 | 第20页 |
| 1.3.4 人脸检测与定位方法发展研究及动态 | 第20-24页 |
| 1.3.5 人脸特征抽取与识别技术 | 第24-28页 |
| 1.3.6 人脸识别评价标准 | 第28-31页 |
| 1.4 本文的主要工作及内容安排 | 第31-33页 |
| 第二章 复杂背景下的人脸检测 | 第33-49页 |
| 2.1 引言 | 第33页 |
| 2.2 颜色模型 | 第33-39页 |
| 2.2.1 RGB 颜色模型 | 第33-34页 |
| 2.2.2 YIQ 颜色模型 | 第34-35页 |
| 2.2.3 HSV 模型 | 第35-36页 |
| 2.2.4 HIS 颜色模型 | 第36页 |
| 2.2.5 YCbCr(YUV)颜色模型 | 第36-37页 |
| 2.2.6 rgb 颜色模型 | 第37-39页 |
| 2.3 灰度图像检测 | 第39-42页 |
| 2.3.1 差分图像 | 第39-40页 |
| 2.3.2 投影斜率法 | 第40-42页 |
| 2.4 彩色图像检测 | 第42-48页 |
| 2.4.1 Agent 模型和K-L 模型 | 第42页 |
| 2.4.2 K-L 模型 | 第42-44页 |
| 2.4.3 Agent 模型 | 第44-46页 |
| 2.4.4 彩色图像检测实验结果 | 第46-48页 |
| 2.5 人脸检测总结 | 第48-49页 |
| 第三章 基于小波技术的人脸图像特征提取 | 第49-66页 |
| 3.1 引言 | 第49-50页 |
| 3.2 二维离散小波变换 | 第50-51页 |
| 3.3 基于小波变换的人脸图像特征提取 | 第51-65页 |
| 3.3.1 小波变换后的低频部分作为人脸图像的特征数据 | 第52-53页 |
| 3.3.2 简单加权小波系数作为人脸图像的特征数据 | 第53页 |
| 3.3.3 基于EZW 的小波压缩算法用于人脸特征提取 | 第53-65页 |
| 3.4 总结 | 第65-66页 |
| 第四章 基于自适应谐振网络的人脸识别 | 第66-82页 |
| 4.1 自适应谐振理论(ART) | 第66-67页 |
| 4.2 ART2 神经网络 | 第67-74页 |
| 4.2.1 F_1 场中第j 个处理单元的描述 | 第67-69页 |
| 4.2.2 F_2 场中所完成运算的描述 | 第69-70页 |
| 4.2.3 F_1 场和F_2 场之间权重系数的学习 | 第70-71页 |
| 4.2.4 调整子系统的工作原理以及参数选择 | 第71-73页 |
| 4.2.5 ART2 网络的学习算法 | 第73-74页 |
| 4.3 人脸的局部特征定位 | 第74-80页 |
| 4.3.1 眼睛的定位 | 第74-77页 |
| 4.3.2 对人像的倾斜和旋转的补偿方法 | 第77-78页 |
| 4.3.3 脸部分割 | 第78-79页 |
| 4.3.4 获取面部特征向量 | 第79-80页 |
| 4.4 ART2 网络用于人像识别的算法 | 第80页 |
| 4.5 实验结果分析 | 第80-81页 |
| 4.6 结论和展望 | 第81-82页 |
| 第五章 基于人脸识别技术的大规模数据库快速检索 | 第82-90页 |
| 5.1 引言 | 第82页 |
| 5.2 数据库的组成 | 第82页 |
| 5.3 人脸特征提取 | 第82-83页 |
| 5.4 K-均值聚类算法 | 第83-86页 |
| 5.4.1 标准的K-均值聚类算法 | 第84-85页 |
| 5.4.2 分析 | 第85-86页 |
| 5.4.3 针对以上问题作出改进 | 第86页 |
| 5.5 实验 | 第86-87页 |
| 5.6 结果分析 | 第87-89页 |
| 5.7 结论 | 第89-90页 |
| 第六章 人脸检测技术在基于内容的不良图像检索中的应用 | 第90-96页 |
| 6.1 引言 | 第90-91页 |
| 6.2 不良图像建模 | 第91-92页 |
| 6.2.1 基于肤色的皮肤检测 | 第91页 |
| 6.2.2 姿态与关键部位特征点模型 | 第91页 |
| 6.2.3 嵌入式零小波进行数据压缩提取特征 | 第91-92页 |
| 6.3 广义模糊加权神经网络 | 第92-94页 |
| 6.3.1 广义模糊加权型推理法 | 第92-93页 |
| 6.3.2 网络模型 | 第93-94页 |
| 6.4 不良图像的识别 | 第94-95页 |
| 6.4.1 人脸检测用于判断是否是人的图像 | 第94页 |
| 6.4.2 关键点识别 | 第94页 |
| 6.4.3 神经网络识别 | 第94页 |
| 6.4.4 实验结果分析 | 第94-95页 |
| 6.5 结论和展望 | 第95-96页 |
| 第七章 基于人脸识别技术的应用系统 | 第96-106页 |
| 7.1 人脸识别门禁系统 | 第96-100页 |
| 7.1.1 系统组成 | 第96-100页 |
| 7.1.2 系统性能 | 第100页 |
| 7.2 嵌入式人像门锁 | 第100-102页 |
| 7.2.1 技术原理 | 第101页 |
| 7.2.2 硬件平台设计 | 第101-102页 |
| 7.2.3 软件平台 | 第102页 |
| 7.2.4 嵌入式技术研究与开发 | 第102页 |
| 7.3 嵌入式人像考勤系统 | 第102-106页 |
| 7.3.1 前台考勤 | 第102-104页 |
| 7.3.2 后台数据库管理 | 第104-106页 |
| 第八章 结束语 | 第106-107页 |
| 8.1 本文的主要贡献 | 第106页 |
| 8.2 展望 | 第106-107页 |
| 参考文献 | 第107-117页 |
| 攻读博士期间发表的学术论文和科研成果 | 第117-119页 |
| 致谢 | 第119-120页 |
| 博士学位论文摘要 | 第120-123页 |
| Abstract of Doctor’s Degree dissertation | 第123页 |
