| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪论 | 第11-17页 |
| ·选题背景 | 第11-12页 |
| ·几种典型的生物识别技术 | 第12-14页 |
| ·人脸识别的优势 | 第14-15页 |
| ·论文的研究内容和组织结构 | 第15-17页 |
| 第2章 人脸检测技术概述 | 第17-27页 |
| ·人脸识别的发展过程 | 第17-18页 |
| ·人脸识别系统的构成 | 第18-19页 |
| ·人脸检测的基本方法 | 第19-22页 |
| ·人脸检测结果的评价标准 | 第22-23页 |
| ·人脸检测技术的研究现状及发展趋势 | 第23-25页 |
| ·当前人脸检测技术所存在的主要问题 | 第23-24页 |
| ·人脸识别的发展状况及前景 | 第24-25页 |
| ·本章小结 | 第25-27页 |
| 第3章 基于肤色分割的人脸检测 | 第27-41页 |
| ·色彩空间的选择 | 第27-30页 |
| ·RGB 色彩空间 | 第27-29页 |
| ·YCbCr 色彩空间 | 第29-30页 |
| ·肤色模型的建立 | 第30-33页 |
| ·人脸图像的预处理 | 第33-35页 |
| ·滤波去噪 | 第33-34页 |
| ·图像灰度变换 | 第34页 |
| ·光照补偿 | 第34-35页 |
| ·其他预处理方法 | 第35页 |
| ·肤色分割 | 第35-36页 |
| ·人脸检测 | 第36-38页 |
| ·试验结果分析 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第4章 基于 AdaBoost 算法的人脸检测方法 | 第41-57页 |
| ·PAC 学习模型 | 第41-42页 |
| ·弱学习与强学习 | 第42页 |
| ·类 Haar 特征 | 第42-45页 |
| ·积分图 | 第45-47页 |
| ·AdaBoost 算法原理 | 第47-49页 |
| ·弱分类器 | 第47-48页 |
| ·强分类器 | 第48-49页 |
| ·级联分类器 | 第49-52页 |
| ·级联分类器的结构 | 第49-50页 |
| ·级联分类器的检测率与误检率 | 第50-51页 |
| ·级联分类器的训练算法 | 第51-52页 |
| ·训练样本的选取 | 第52-54页 |
| ·试验结果分析 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 第5章 基于肤色和 AdaBoost 算法的人脸识别 | 第57-67页 |
| ·肤色检测和 AdaBoost 算法的不足 | 第57页 |
| ·肤色与 AdaBoost 相结合人脸检测 | 第57-58页 |
| ·AdaBoost 算法的改进 | 第58-60页 |
| ·改进后的结果与对比分析 | 第60-65页 |
| ·本章小结 | 第65-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 作者简介 | 第75页 |