摘要 | 第5-6页 |
Abstract | 第6-7页 |
第一章 绪论 | 第11-19页 |
1.1 选题的背景和意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-13页 |
1.3 人脸检测的主要方法及分类 | 第13-16页 |
1.3.1 基于先验知识的人脸检测方法 | 第13-14页 |
1.3.2 基于统计学习的人脸检测方法 | 第14-16页 |
1.4 人脸检测的难点 | 第16-17页 |
1.5 本文主要研究内容 | 第17-18页 |
1.6 论文各章节安排 | 第18-19页 |
第二章 基于改进的Retinex光照预处理 | 第19-30页 |
2.1 引言 | 第19页 |
2.2 Retinex算法理论 | 第19-24页 |
2.2.1 单尺度Retinex算法 | 第20-21页 |
2.2.2 多尺度Retinex算法 | 第21-22页 |
2.2.3 带色彩恢复的多尺度Retinex算法 | 第22-23页 |
2.2.4 Gain/Offset校正 | 第23-24页 |
2.3 算法的改进 | 第24-27页 |
2.3.1 色彩恢复问题 | 第24-26页 |
2.3.2 卷积的实现问题 | 第26-27页 |
2.4 实验结果及讨论 | 第27-29页 |
2.5 本章小结 | 第29-30页 |
第三章 基于肤色分割的人脸检测 | 第30-44页 |
3.1 引言 | 第30页 |
3.2 色彩空间 | 第30-34页 |
3.2.1 RGB色彩空间 | 第30-31页 |
3.2.2 HSV色彩空间 | 第31-32页 |
3.2.3 YCbCr色彩空间 | 第32-33页 |
3.2.4 肤色空间的选取 | 第33-34页 |
3.3 肤色模型 | 第34-36页 |
3.3.1 直接语义定义法 | 第34-35页 |
3.3.2 直方图非参数化模型 | 第35页 |
3.3.3 简单高斯模型 | 第35-36页 |
3.3.4 混合高斯模型 | 第36页 |
3.3.5 肤色模型的选取 | 第36页 |
3.4 肤色分割的实现 | 第36-40页 |
3.4.1 二值化处理 | 第37-38页 |
3.4.2 形态学图像处理 | 第38-40页 |
3.4.2.1 膨胀 | 第38页 |
3.4.2.2 腐蚀 | 第38-39页 |
3.4.2.3 开运算和闭运算 | 第39-40页 |
3.4.3 肤色区域的筛选 | 第40页 |
3.5 实验结果及分析 | 第40-43页 |
3.6 本章小结 | 第43-44页 |
第四章 基于Adaboost算法的人脸检测 | 第44-65页 |
4.1 引言 | 第44页 |
4.2 矩形特征和积分图像 | 第44-49页 |
4.2.1 Haar矩形特征 | 第44-46页 |
4.2.2 积分图像 | 第46-49页 |
4.3 Adaboost算法 | 第49-53页 |
4.3.1 弱分类器训练 | 第51-52页 |
4.3.2 强分类器训练 | 第52页 |
4.3.3 级联分类器结构 | 第52-53页 |
4.4 训练样本库的建立 | 第53-54页 |
4.5 人脸检测过程 | 第54-56页 |
4.5.1 多尺度检测机制 | 第54-55页 |
4.5.2 后期处理 | 第55-56页 |
4.6 算法的改进 | 第56-64页 |
4.6.1 改进后的算法流程 | 第57-58页 |
4.6.2 对算法流程的分析 | 第58-60页 |
4.6.3 不同代价敏感系数对分类器性能的影响 | 第60-64页 |
4.7 本章小结 | 第64-65页 |
第五章 基于肤色分割和改进的Adaboost人脸检测 | 第65-71页 |
5.1 引言 | 第65页 |
5.2 肤色分割和Adaboost算法的优缺点 | 第65页 |
5.3 基于肤色分割和改进的Adaboost人脸检测 | 第65-66页 |
5.4 实验结果及分析 | 第66-70页 |
5.4.1 不同光照条件下的肤色分割 | 第66-67页 |
5.4.2 不同人脸检测方法的比较 | 第67-70页 |
5.5 本章小结 | 第70-71页 |
第六章 总结和展望 | 第71-73页 |
6.1 本文的工作总结 | 第71-72页 |
6.2 下一步工作展望 | 第72-73页 |
致谢 | 第73-74页 |
参考文献 | 第74-78页 |
攻读硕士学位期间取得的成果 | 第78-79页 |