| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 引言 | 第10-14页 |
| 1.1 研究背景 | 第10页 |
| 1.2 人脸识别的发展趋势 | 第10-11页 |
| 1.2.1 多数据融合与方法综合 | 第10-11页 |
| 1.2.2 基于小波神经网络的人脸识别 | 第11页 |
| 1.2.3 三维人脸识别 | 第11页 |
| 1.2.4 全自动人脸识别技术 | 第11页 |
| 1.3 人脸识别技术的主要难点 | 第11-12页 |
| 1.3.1 光照问题 | 第11-12页 |
| 1.3.2 资态问题 | 第12页 |
| 1.3.3 表情问题 | 第12页 |
| 1.3.4 遮挡问题 | 第12页 |
| 1.4 人脸识别流程 | 第12-14页 |
| 1.4.1 人脸图像采集 | 第12-13页 |
| 1.4.2 预处理 | 第13页 |
| 1.4.3 特征提取 | 第13-14页 |
| 第二章 脸部图像预处理 | 第14-26页 |
| 2.1 人脸检测的算法 | 第14-20页 |
| 2.1.1 基于Adaboost算法的研究 | 第14-18页 |
| 2.1.2 基于Adaboost算法的改进 | 第18-20页 |
| 2.2 人脸预处理算法 | 第20-26页 |
| 2.2.1 灰度变化 | 第20-21页 |
| 2.2.2 二值化 | 第21-22页 |
| 2.2.3 图像滤波 | 第22-23页 |
| 2.2.4 图像锐化 | 第23-24页 |
| 2.2.5 图像归一化 | 第24-26页 |
| 第三章 人脸特征提取 | 第26-37页 |
| 3.1 人脸特征提取算法 | 第26-32页 |
| 3.1.1 人脸图像的伽马变换 | 第26-28页 |
| 3.1.2 人脸图像的小波分解 | 第28-31页 |
| 3.1.3 K-L变换 | 第31-32页 |
| 3.2 基于主成分分析算法(PCA)人脸特征提取算法 | 第32-34页 |
| 3.2.1 主成分分析算法原理 | 第33页 |
| 3.2.2 基于PCA算法的人脸识别 | 第33-34页 |
| 3.2.3 基于PCA算法的人脸识别的缺点 | 第34页 |
| 3.3 基于改进的PCA人脸特征提取方法 | 第34-35页 |
| 3.4 结合伽马变换、小波变换和改进PCA的人脸特征提取 | 第35-37页 |
| 第四章 基于支持向量机的脸部特征分类 | 第37-48页 |
| 4.1 引言 | 第37页 |
| 4.2 几种主要特征分类器综述 | 第37-39页 |
| 4.2.1 最近邻分类器 | 第37-38页 |
| 4.2.2 神经网络分类器 | 第38-39页 |
| 4.2.3 支持向量机分类器 | 第39页 |
| 4.3 支持向量机的原理简介 | 第39-44页 |
| 4.3.1 最优分类面 | 第39-41页 |
| 4.3.2 VC维和结构风险最小化原则(SRM) | 第41-42页 |
| 4.3.3 核函数及核参数 | 第42-43页 |
| 4.3.4 用于多类分类的支持向量机 | 第43-44页 |
| 4.4 基于支持向量机的人脸特征分类 | 第44-48页 |
| 4.4.1 支持向量机的人脸特征分类步骤 | 第44-45页 |
| 4.4.2 人脸识别算法实验分析 | 第45-48页 |
| 第五章 人脸识别算法的FPGA实现 | 第48-59页 |
| 5.1 人脸识别系统硬件平台及开发环境 | 第48-50页 |
| 5.1.1 UP-CUP FPGA2C35-Ⅱ开发平台 | 第48-50页 |
| 5.1.2 系统开发工具 | 第50页 |
| 5.2 人脸识别系统的总体设计 | 第50-52页 |
| 5.2.1 系统需求分析 | 第50-51页 |
| 5.2.2 系统总体设计 | 第51-52页 |
| 5.3 硬件系统设计 | 第52-53页 |
| 5.4 系统软件设计 | 第53-59页 |
| 5.4.1 基于FPGA平台的算法架构 | 第53-55页 |
| 5.4.2 硬件实现过程 | 第55-57页 |
| 5.4.3 硬件实现结果分析 | 第57-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-63页 |
| 致谢 | 第63页 |
