| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 引言 | 第10-12页 |
| 1 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 人脸检测方法 | 第12-13页 |
| 1.2.2 多角度人脸检测方法 | 第13-15页 |
| 1.2.3 人脸跟踪方法 | 第15-16页 |
| 1.2.4 多角度人脸跟踪方法 | 第16-17页 |
| 1.3 主要研究内容及工作 | 第17-18页 |
| 1.4 结构安排 | 第18-19页 |
| 2 视频图像预处理 | 第19-25页 |
| 2.1 归一化 | 第19-21页 |
| 2.1.1 直方图均衡化 | 第19-20页 |
| 2.1.2 参考白 | 第20-21页 |
| 2.2 滤波 | 第21-23页 |
| 2.2.1 均值滤波 | 第22页 |
| 2.2.2 高斯滤波 | 第22页 |
| 2.2.3 中值滤波 | 第22-23页 |
| 2.3 肤色区域筛选 | 第23-25页 |
| 3 多角度人脸检测 | 第25-47页 |
| 3.1 特征提取 | 第25-34页 |
| 3.1.1 基于Haar-like的人脸特征提取 | 第25-29页 |
| 3.1.2 基于MB-LBP的人脸特征提取 | 第29-32页 |
| 3.1.3 基于HOG的人脸特征提取 | 第32-34页 |
| 3.2 多角度人脸检测 | 第34-39页 |
| 3.2.1 级联AdaBoost分类器 | 第34-38页 |
| 3.2.2 多特征融合的AdaBoost分类器 | 第38-39页 |
| 3.3 仿真实验与结果分析 | 第39-46页 |
| 3.3.1 创建多角度人脸训练集 | 第40-41页 |
| 3.3.2 多特征融合的多角度人脸检测方法实现 | 第41-44页 |
| 3.3.3 多角度人脸检测方法性能测试 | 第44-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 多角度人脸跟踪 | 第47-72页 |
| 4.1 基于多特征融合的Camshift多角度人脸跟踪算法 | 第47-50页 |
| 4.1.1 Camshift跟踪原理 | 第47-49页 |
| 4.1.2 基于多特征融合的Camshift多角度人脸跟踪方法 | 第49-50页 |
| 4.2 基于多特征融合的KCF多角度人脸跟踪算法 | 第50-56页 |
| 4.2.1 KCF原理 | 第51-55页 |
| 4.2.2 基于多特征融合的KCF多角度人脸跟踪方法 | 第55-56页 |
| 4.3 仿真实验与结果分析 | 第56-71页 |
| 4.3.1 创建视频测试集 | 第58页 |
| 4.3.2 基于多特征融合的Camshift多角度人脸跟踪算法仿真实验 | 第58-61页 |
| 4.3.3 基于多特征融合的KCF多角度人脸跟踪算法仿真实验 | 第61-71页 |
| 4.4 本章小结 | 第71-72页 |
| 5 多角度人脸检测与跟踪软件设计与实现 | 第72-87页 |
| 5.1 软件功能需求分析 | 第72页 |
| 5.2 软件设计 | 第72-76页 |
| 5.2.1 开发环境 | 第72页 |
| 5.2.2 界面设计 | 第72-76页 |
| 5.3 软件实现 | 第76-87页 |
| 5.3.1 用户登录模块 | 第76-79页 |
| 5.3.2 训练AdaBoost模块 | 第79-81页 |
| 5.3.3 多角度人脸检测与跟踪模块 | 第81-87页 |
| 结论 | 第87-89页 |
| 参考文献 | 第89-94页 |
| 在学研究成果 | 第94-95页 |
| 致谢 | 第95页 |
