基于HOG特征的人脸识别系统研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-17页 |
| ·课题研究的背景及意义 | 第11-13页 |
| ·人脸识别技术研究的内容 | 第13-14页 |
| ·人脸识别技术的研究现状 | 第14页 |
| ·研究的主要内容及全文结构安排 | 第14-17页 |
| ·研究的主要内容 | 第14-15页 |
| ·本文的结构安排 | 第15-17页 |
| 第二章 人脸识别系统流程概述 | 第17-31页 |
| ·图像采集阶段 | 第17-18页 |
| ·图像预处理 | 第18页 |
| ·人脸检测阶段 | 第18-24页 |
| ·人工神经网络方法 | 第18-19页 |
| ·AdaBoost 算法 | 第19-23页 |
| ·特征脸检测算法 | 第23页 |
| ·样本学校方法 | 第23-24页 |
| ·特征提取过程 | 第24-27页 |
| ·基于全局的特征提取 | 第24-25页 |
| ·基于局部的特征提取 | 第25-26页 |
| ·基于全局与局部结合的特征提取 | 第26-27页 |
| ·图片校正 | 第27-29页 |
| ·注册及识别过程 | 第29页 |
| ·本章小结 | 第29-31页 |
| 第三章 基于 HOG 特征的人脸检测 | 第31-52页 |
| ·图像预处理 | 第31-34页 |
| ·HOG 特征提取 | 第34-39页 |
| ·梯度的计算 | 第35-36页 |
| ·方向梯度统计 | 第36页 |
| ·重叠块中的特征标准化 | 第36-37页 |
| ·HOG 积分图 | 第37-39页 |
| ·多尺度检测 | 第39页 |
| ·机器学习与支持向量机理论 | 第39-47页 |
| ·机器学习理论概述 | 第39-41页 |
| ·统计学习理论 | 第41-43页 |
| ·支持向量机理论 | 第43-47页 |
| ·分类器设计 | 第47-48页 |
| ·人脸检测的实现 | 第48-51页 |
| ·本章小结 | 第51-52页 |
| 第四章 基于 HOG 的人脸特征提取 | 第52-63页 |
| ·识别预处理 | 第52-54页 |
| ·提取全局 HOG 特征 | 第54-60页 |
| ·HOG 特征提取 | 第54-56页 |
| ·主成份分析法（PCA） | 第56-57页 |
| ·线性判别分析（LDA） | 第57-59页 |
| ·PCA 和 LDA 相结合的降维方法 | 第59页 |
| ·全局 HOG 特征的完整提取过程 | 第59-60页 |
| ·提取局部 HOG 特征算法 | 第60-61页 |
| ·全局和局部 HOG 特征的结合 | 第61页 |
| ·本章小结 | 第61-63页 |
| 第五章 人脸识别系统的实现和结果分析 | 第63-69页 |
| ·人脸识别的系统设计 | 第63-64页 |
| ·人脸检测算法性能比较 | 第64-65页 |
| ·人脸识别算法性能比较 | 第65-68页 |
| ·本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| ·总结 | 第69-70页 |
| ·展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻硕期间取得的研究成果 | 第76-77页 |
