| CONTENTS | 第7-10页 |
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第1章 引言 | 第14-23页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.1.1 研究背景 | 第14-15页 |
| 1.1.2 研究意义 | 第15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 图像分割的研究现状 | 第15-17页 |
| 1.2.2 人脸检测与识别研究现状 | 第17-18页 |
| 1.3 人脸图像自动分割系统 | 第18-19页 |
| 1.4 主要内容和创新点 | 第19-21页 |
| 1.4.1 主要研究内容 | 第19-21页 |
| 1.4.2 本文创新点 | 第21页 |
| 1.5 本文组织结构 | 第21-23页 |
| 第2章 人脸检测与识别方法研究 | 第23-37页 |
| 2.1 人脸检测方法研究 | 第23-25页 |
| 2.1.1 基于特征脸方法的人脸检测 | 第24-25页 |
| 2.2 人脸特征提取方法研究 | 第25-29页 |
| 2.2.1 主成分分析特征提取方法 | 第26-27页 |
| 2.2.2 线性判别分析方法 | 第27-28页 |
| 2.2.3 gabor小波表示方法 | 第28-29页 |
| 2.2.4 表示方法比较 | 第29页 |
| 2.3 人脸识别方法研究 | 第29-31页 |
| 2.3.1 人工神经网络方法 | 第29-30页 |
| 2.3.2 特征脸方法 | 第30页 |
| 2.3.3 支持向量机方法 | 第30-31页 |
| 2.3.4 识别方法比较 | 第31页 |
| 2.4 基于支持向量机人脸识别方法研究 | 第31-36页 |
| 2.4.1 支持向量机原理 | 第31-34页 |
| 2.4.2 一种新的分类支持向量机决策树的构造方法 | 第34-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第3章 目标自动提取关键技术研究 | 第37-48页 |
| 3.1 图像分割技术的研究 | 第37页 |
| 3.1.1 基于图论的分割方法 | 第37页 |
| 3.2 Graph Cut交互式分割方法研究 | 第37-40页 |
| 3.3 GrabCut算法理论基础 | 第40-42页 |
| 3.3.1 高斯混合模型GMM | 第40-41页 |
| 3.3.2 GrabCut分割算法的基本流程 | 第41-42页 |
| 3.4 一种高效的基于GrabCut的图像自动分割方法 | 第42-47页 |
| 3.4.1 特征脸算法的过程 | 第43-44页 |
| 3.4.2 颜色空间模型 | 第44-45页 |
| 3.4.3 能量最小化及边界优化 | 第45-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 实验结果与分析 | 第48-55页 |
| 4.1 人脸数据库 | 第48页 |
| 4.2 人脸图像自动分割系统组成 | 第48-49页 |
| 4.3 实验结果 | 第49-52页 |
| 4.3.1 训练及测试样本选取 | 第49页 |
| 4.3.2 特征提取 | 第49-51页 |
| 4.3.3 分类器的实验比较 | 第51-52页 |
| 4.3.4 支持向量机不同参数的实验结果 | 第52页 |
| 4.4 实验总结 | 第52-53页 |
| 4.5 系统输出分割结果 | 第53-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间发表学术论文目录 | 第62-63页 |
| 攻读学位期间参与科研项目情况 | 第63-64页 |
| 学位论文评阅及答辩情况表 | 第64页 |