| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-11页 |
| 1 绪论 | 第11-21页 |
| ·引言 | 第11-13页 |
| ·课题研究背景及意义 | 第13页 |
| ·人脸检测的研究现状及难点 | 第13-17页 |
| ·基于知识的方法 | 第14-15页 |
| ·特征不变量方法 | 第15页 |
| ·模板匹配的方法 | 第15-16页 |
| ·基于表象的方法 | 第16-17页 |
| ·人脸跟踪技术的研究现状及难点 | 第17-18页 |
| ·基于特征的方法 | 第17页 |
| ·基于模型匹配的方法 | 第17-18页 |
| ·基于统计的方法 | 第18页 |
| ·论文研究的问题与主要工作 | 第18-19页 |
| ·本文结构安排 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 2 基于Census特征和AdaBoost算法的人脸检测 | 第21-36页 |
| ·Boosting算法概述 | 第21-25页 |
| ·Boosting算法原理 | 第21-23页 |
| ·级联结构 | 第23-24页 |
| ·特征提取 | 第24-25页 |
| ·Census纹理特征 | 第25-29页 |
| ·CT变换及MCT变换 | 第25-27页 |
| ·CT/MCT光照不变性 | 第27-29页 |
| ·利用Census特征和AdaBoost算法训练分类器 | 第29-35页 |
| ·构建弱分类器 | 第29-30页 |
| ·利用AdaBoost生成强分类器 | 第30-31页 |
| ·级联分类器 | 第31-32页 |
| ·实验结果 | 第32-35页 |
| ·本章小结 | 第35-36页 |
| 3 基于粒子滤波的人脸跟踪 | 第36-59页 |
| ·常用的跟踪算法 | 第36-43页 |
| ·基于运动信息的跟踪方法 | 第36-38页 |
| ·Mean Shift算法 | 第38-42页 |
| ·CAMShift跟踪算法 | 第42-43页 |
| ·粒子滤波器原理 | 第43-45页 |
| ·蒙特卡洛方法 | 第43-44页 |
| ·粒子滤波 | 第44-45页 |
| ·颜色特征 | 第45-52页 |
| ·颜色空间 | 第46-48页 |
| ·颜色描述方法 | 第48-52页 |
| ·粒子滤波器跟踪框架 | 第52-58页 |
| ·状态转移模型 | 第52-53页 |
| ·视觉特征建模 | 第53-54页 |
| ·目标观测模型 | 第54-55页 |
| ·实验结果 | 第55-58页 |
| ·本章小结 | 第58-59页 |
| 4 总结与展望 | 第59-61页 |
| ·总结 | 第59-60页 |
| ·展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 作者简历 | 第64-66页 |
| 学位论文数据集 | 第66页 |