面向家庭服务机器人的人脸识别系统研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 引言 | 第11页 |
| 1.2 研究的意义 | 第11-12页 |
| 1.3 人脸识别国内外研究现状 | 第12-14页 |
| 1.4 NAO机器人系统简介 | 第14-15页 |
| 1.5 本章小结 | 第15-17页 |
| 第2章 人脸图像预处理 | 第17-25页 |
| 2.1 图像概念 | 第17-18页 |
| 2.2 人脸图像预处理的意义 | 第18页 |
| 2.3 数字图像处理关键阶段 | 第18-24页 |
| 2.3.1 彩色图像转化为256级灰度图像 | 第19-20页 |
| 2.3.2 中值滤波 | 第20-22页 |
| 2.3.3 归一化 | 第22-23页 |
| 2.3.4 二值化 | 第23页 |
| 2.3.5 图像去噪 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 人脸识别系统理论 | 第25-43页 |
| 3.1 人脸检测简介 | 第25-26页 |
| 3.2 人脸检测方法 | 第26-33页 |
| 3.2.1 基于模板匹配方法 | 第27-29页 |
| 3.2.2 肤色模型 | 第29-30页 |
| 3.2.3 ANN模型 | 第30-31页 |
| 3.2.4 SVM模型 | 第31-32页 |
| 3.2.5 AdaBoost算法 | 第32-33页 |
| 3.3 人脸识别简介 | 第33-35页 |
| 3.4 人脸识别算法 | 第35-42页 |
| 3.4.1 面部几何特征法 | 第35-36页 |
| 3.4.2 基于模板匹配的方法 | 第36-37页 |
| 3.4.3 主成分分析法 | 第37-39页 |
| 3.4.4 神经网络法 | 第39-40页 |
| 3.4.5 支持向量机法 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 系统整体功能设计 | 第43-53页 |
| 4.1 系统功能 | 第43页 |
| 4.2 系统流程简介 | 第43-46页 |
| 4.2.1 系统运行软硬件环境 | 第43-44页 |
| 4.2.2 系统运行流程 | 第44-46页 |
| 4.3 系统流程各模块简介 | 第46-51页 |
| 4.3.1 图像信息采集模块 | 第46-47页 |
| 4.3.2 图像预处理模块 | 第47-48页 |
| 4.3.3 人脸检测模块 | 第48-50页 |
| 4.3.4 人脸识别模块 | 第50-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第5章 系统实现 | 第53-75页 |
| 5.1 利用OpenCV进行验证 | 第53-57页 |
| 5.1.1 OpenCV简介 | 第53页 |
| 5.1.2 OpenCV主要模块简介 | 第53-54页 |
| 5.1.3 配置OpenCV | 第54-57页 |
| 5.2 图像采集和图像预处理的实现 | 第57-59页 |
| 5.3 人脸检测的实现 | 第59-67页 |
| 5.3.1 分类器训练 | 第59-63页 |
| 5.3.2 分类器级联 | 第63-65页 |
| 5.3.3 嵌入双眼检测 | 第65-66页 |
| 5.3.4 人脸检测效果 | 第66-67页 |
| 5.4 人脸识别的实现 | 第67-72页 |
| 5.4.1 EigenFace简介 | 第67-70页 |
| 5.4.2 样本训练 | 第70-71页 |
| 5.4.3 人脸预测效果 | 第71-72页 |
| 5.5 系统可行性分析 | 第72-73页 |
| 5.6 本章小结 | 第73-75页 |
| 第6章 结论与展望 | 第75-77页 |
| 6.1 研究结论 | 第75页 |
| 6.2 研究展望 | 第75-77页 |
| 参考文献 | 第77-85页 |
| 致谢 | 第85-87页 |
| 附录 | 第87页 |
| A. 作者在攻读硕士学位期间参加的科研项目 | 第87页 |
| B. 作者在攻读硕士学位期间获得的荣誉 | 第87页 |
