| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-16页 |
| ·研究背景及意义 | 第9-10页 |
| ·国内外研究动态及主要研究方法 | 第10-15页 |
| ·国外人脸跟踪与性别识别的研究进展 | 第10-11页 |
| ·国内人脸跟踪与性别识别的研究进展 | 第11页 |
| ·人脸跟踪与性别识别研究方法综述 | 第11-15页 |
| ·论文的主要内容及结构安排 | 第15-16页 |
| 第二章 粒子滤波理论 | 第16-28页 |
| ·引言 | 第16-17页 |
| ·贝叶斯滤波 | 第17-18页 |
| ·粒子滤波原理 | 第18-21页 |
| ·贝叶斯重要性采样（BIS） | 第18-20页 |
| ·序列重要性采样 | 第20-21页 |
| ·粒子退化问题与重采样 | 第21页 |
| ·标准粒子滤波算法 | 第21-23页 |
| ·粒子数N对粒子滤波性能的影响 | 第23-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 基于颜色和LBP特征的时变系统方程粒子滤波人脸跟踪算法 | 第28-53页 |
| ·引言 | 第28-29页 |
| ·粒子滤波跟踪框架 | 第29-30页 |
| ·跟踪特征 | 第30-36页 |
| ·颜色特征 | 第30-34页 |
| ·LBP纹理特征 | 第34-36页 |
| ·人脸跟踪系统实现 | 第36-52页 |
| ·系统模型 | 第36-38页 |
| ·特征提取 | 第38-42页 |
| ·观测模型 | 第42-43页 |
| ·跟踪实验一与结果分析 | 第43-46页 |
| ·改进的系统模型 | 第46-48页 |
| ·跟踪实验二与结果分析 | 第48-52页 |
| ·本章小结 | 第52-53页 |
| 第四章 支持向量机 | 第53-65页 |
| ·引言 | 第53页 |
| ·机器学习与统计学习理论 | 第53-56页 |
| ·机器学习问题的数学描述 | 第53-54页 |
| ·经验风险最小化原则 | 第54页 |
| ·统计学习理论 | 第54-56页 |
| ·支持向量机 | 第56-64页 |
| ·线性最优分类超平面 | 第56-59页 |
| ·不可分样本集的最优分类超平面 | 第59-61页 |
| ·非线性最优分类超平面 | 第61-63页 |
| ·SVM的核函数 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 第五章 基于二维Gabor小波变换和SVM的人脸性别识别 | 第65-76页 |
| ·引言 | 第65页 |
| ·Gabor小波 | 第65-67页 |
| ·支持向量机 | 第67页 |
| ·基于Gabor小波和SVM的性别识别 | 第67-75页 |
| ·人脸图像的预处理 | 第68-70页 |
| ·人脸Gabor小波特征提取 | 第70-71页 |
| ·分类实验结果及分析 | 第71-75页 |
| ·本章小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-83页 |
| 作者在攻读硕士期间发表的论文 | 第83-84页 |