基于深度学习的人脸识别系统研究与设计
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题的研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文主要工作结构和章节安排 | 第13-15页 |
| 第二章 图像预处理和人脸检测 | 第15-22页 |
| 2.1 图像预处理 | 第15-17页 |
| 2.1.1 直方图均衡化 | 第15-16页 |
| 2.1.2 高斯差分滤波 | 第16页 |
| 2.1.3 Gamma变换 | 第16-17页 |
| 2.2 Adaboost人脸检测 | 第17-21页 |
| 2.2.1 Haar特征 | 第17-18页 |
| 2.2.2 积分图 | 第18页 |
| 2.2.3 强分类器的训练 | 第18-20页 |
| 2.2.4 级联分类器 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 人脸特征提取和分类识别 | 第22-32页 |
| 3.1 人脸特征提取算法 | 第22-25页 |
| 3.1.1 主成分分析法(PCA) | 第22-23页 |
| 3.1.2 Gabor小波变换 | 第23-24页 |
| 3.1.3 局部二值模式(LBP) | 第24-25页 |
| 3.2 传统的人脸分类识别算法 | 第25-31页 |
| 3.2.1 模版匹配 | 第25-26页 |
| 3.2.2 Fisher准则 | 第26-27页 |
| 3.2.3 支持向量机(SVM) | 第27页 |
| 3.2.4 神经网络算法 | 第27-31页 |
| 3.4 本章小节 | 第31-32页 |
| 第四章 基于深度学习的人脸识别算法设计 | 第32-41页 |
| 4.1 算法整体框架结构 | 第32-33页 |
| 4.2 改进的Gamma变换 | 第33-35页 |
| 4.3 LBP纹理特征提取 | 第35-36页 |
| 4.4 卷积神经网络分类识别 | 第36-38页 |
| 4.4.1 卷积神经网络的结构 | 第36-37页 |
| 4.4.2 卷积神经网络的训练 | 第37-38页 |
| 4.5 算法测试 | 第38-40页 |
| 4.6 本章小节 | 第40-41页 |
| 第五章 基于深度学习的人脸识别系统实现 | 第41-51页 |
| 5.1 系统功能模块设计 | 第41-42页 |
| 5.2 系统平台搭建 | 第42-44页 |
| 5.2.1 PC机的平台搭建 | 第42-43页 |
| 5.2.2 嵌入式开发板的平台搭建 | 第43-44页 |
| 5.3 系统功能实现 | 第44-49页 |
| 5.3.1 硬件实现 | 第44-45页 |
| 5.3.2 软件实现 | 第45-49页 |
| 5.4 系统测试 | 第49页 |
| 5.5 本章小结 | 第49-51页 |
| 第六章 结论 | 第51-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58-59页 |
| 附录A (攻读学位期间发表的论文) | 第59页 |
