| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 课题的研究背景和意义 | 第9-11页 |
| 1.2 国内外研究历史与现状 | 第11-16页 |
| 1.2.1 基于启发式知识和模板匹配的方法 | 第12-14页 |
| 1.2.2 基于特征统计分析的方法 | 第14-16页 |
| 1.3 人脸检测的难点和评价标准 | 第16-17页 |
| 1.3.1 人脸检测的难点 | 第16页 |
| 1.3.2 人脸检测评价标准 | 第16-17页 |
| 1.4 本文结构安排 | 第17-18页 |
| 第二章 肤色划分的人脸检测 | 第18-35页 |
| 2.1 人脸肤色特征 | 第18-19页 |
| 2.2 色彩空间及其转换 | 第19-23页 |
| 2.2.1 RGB颜色空间 | 第19-20页 |
| 2.2.2 归一化RGB空间 | 第20-21页 |
| 2.2.3 HSV颜色空间 | 第21-22页 |
| 2.2.4 YCbCr颜色空间 | 第22-23页 |
| 2.3 肤色划分检测实现 | 第23-33页 |
| 2.3.1 建立肤色模型 | 第23-30页 |
| 2.3.2 肤色划分的主要环节 | 第30-31页 |
| 2.3.3 肤色划分的后续处理 | 第31-33页 |
| 2.4 光照条件对肤色划分的影响 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 基于Adaboost算法的人脸检测 | 第35-61页 |
| 3.1 Adaboost算法概述 | 第35-36页 |
| 3.2 特征分析 | 第36-41页 |
| 3.2.1 矩形特征分析 | 第36-39页 |
| 3.2.2 积分图 | 第39-41页 |
| 3.3 Adaboost算法的原理 | 第41-44页 |
| 3.3.1 Adaboost算法分析 | 第41-42页 |
| 3.3.2 构建训练样本库 | 第42-44页 |
| 3.4 Adaboost算法的训练 | 第44-49页 |
| 3.4.1 训练弱分类器 | 第44-45页 |
| 3.4.2 训练强分类器 | 第45-47页 |
| 3.4.3 级联分类器的训练 | 第47-49页 |
| 3.5 人脸检测机制 | 第49-51页 |
| 3.6 对Adaboost算法的改进 | 第51-59页 |
| 3.6.1 Adaboost算法性能分析 | 第51-52页 |
| 3.6.2 特征数削减 | 第52-53页 |
| 3.6.3 多重权重平衡策略 | 第53-56页 |
| 3.6.4 弱分类器差异最大化 | 第56-57页 |
| 3.6.5 本节实验 | 第57-59页 |
| 3.7 本章小结 | 第59-61页 |
| 第四章 两级人脸检测系统与实验结果 | 第61-71页 |
| 4.1 肤色划分预检测 | 第61-65页 |
| 4.2 基于Adaboost精确检测的两级检测系统 | 第65页 |
| 4.3 总体实验结果 | 第65-70页 |
| 4.3.1 实验准备 | 第65-66页 |
| 4.3.2 测试结果 | 第66-70页 |
| 4.4 本章小结 | 第70-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 本文工作总结 | 第71-72页 |
| 5.2 未来研究展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士学位期间论文发表情况 | 第78页 |