基于Adaboost的人脸检测算法研究与实现
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-18页 |
| ·人脸检测研究的背景和意义 | 第10-11页 |
| ·人脸检测研究的国内外现状 | 第11-16页 |
| ·基于启发式模式的方法 | 第11-12页 |
| ·基于肤色特征的方法 | 第12-13页 |
| ·基于人脸局部特征的方法 | 第13页 |
| ·基于统计的方法 | 第13-16页 |
| ·本文的主要工作 | 第16页 |
| ·本文的论文结构 | 第16-18页 |
| 第2章 肤色区域检测 | 第18-34页 |
| ·几种主要的色彩空间 | 第18-22页 |
| ·RGB和标准化rgb色彩空间 | 第18-19页 |
| ·YIQ色彩空间 | 第19-20页 |
| ·HSV色彩空间 | 第20-21页 |
| ·YCrCb色彩空间 | 第21-22页 |
| ·肤色模型的分类 | 第22-23页 |
| ·KL变换 | 第23-24页 |
| ·形态学操作 | 第24-25页 |
| ·膨胀 | 第24页 |
| ·腐蚀 | 第24页 |
| ·开启与闭合 | 第24-25页 |
| ·色彩空间的选择 | 第25-26页 |
| ·肤色模型的建立 | 第26-27页 |
| ·KL肤色坐标系 | 第26页 |
| ·YCrCb色彩空间 | 第26-27页 |
| ·HSV色彩空间 | 第27页 |
| ·肤色区域检测具体实现 | 第27-32页 |
| ·肤色区域检测的算法流程 | 第28页 |
| ·光照补偿 | 第28-30页 |
| ·肤色像素点检测 | 第30页 |
| ·形态学处理 | 第30页 |
| ·去除非人脸小块 | 第30-32页 |
| ·本章小结 | 第32-34页 |
| 第3章 Adaboost分类器 | 第34-50页 |
| ·集成机器学习 | 第34-36页 |
| ·弱分类器 | 第34-35页 |
| ·集成方法 | 第35-36页 |
| ·Adaboost算法的提出 | 第36-38页 |
| ·人脸检测系统中Adaboost分类器的训练 | 第38-48页 |
| ·样本的选取 | 第38-39页 |
| ·Haar特征 | 第39-40页 |
| ·积分图 | 第40-42页 |
| ·本文Adaboost单一强分类器的生成 | 第42-47页 |
| ·训练结果 | 第47-48页 |
| ·本章小结 | 第48-50页 |
| 第4章 基于Adaboost的人脸检测系统的实现 | 第50-68页 |
| ·系统结构 | 第50-51页 |
| ·本章人脸检测系统的几点说明 | 第51页 |
| ·人脸检测的流程图 | 第51-53页 |
| ·搜索窗尺寸与位置的遍历 | 第53-54页 |
| ·基于知识的方法排除搜索窗 | 第54-56页 |
| ·3-矩形滤波的应用 | 第55页 |
| ·4-矩形滤波的应用 | 第55-56页 |
| ·后续处理 | 第56-57页 |
| ·国内外公用人脸检测图像数据库 | 第57-59页 |
| ·人脸检测系统的性能评价指标 | 第59页 |
| ·实验结果及分析 | 第59-66页 |
| ·本章小结 | 第66-68页 |
| 第5章 总结与展望 | 第68-70页 |
| ·总结 | 第68页 |
| ·展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74页 |
