| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 人脸目标检测 | 第12-14页 |
| 1.2.2 人脸目标识别 | 第14-15页 |
| 1.3 论文研究内容及难点 | 第15-16页 |
| 1.3.1 论文研究内容 | 第15页 |
| 1.3.2 研究难点 | 第15-16页 |
| 1.4 本文的内容结构安排 | 第16-17页 |
| 第二章 人脸目标检测 | 第17-41页 |
| 2.1 图像预处理 | 第17-19页 |
| 2.1.1 彩色图像的亮度补偿 | 第17-19页 |
| 2.1.1.1 灰度直方图均衡化 | 第18页 |
| 2.1.1.2 彩色直方图均衡化 | 第18-19页 |
| 2.1.2 中值滤波 | 第19页 |
| 2.2 肤色区域分割 | 第19-22页 |
| 2.2.1 YC_TC_b颜色空间 | 第20页 |
| 2.2.2 单高斯肤色模型 | 第20-22页 |
| 2.3 候选人脸处理与筛选 | 第22-30页 |
| 2.3.1 图像二值化处理 | 第22-28页 |
| 2.3.1.1 二维Otsu算法 | 第22-24页 |
| 2.3.1.2 积分图像 | 第24页 |
| 2.3.1.3 改进的二维Otsu算法 | 第24-26页 |
| 2.3.1.4 改进与传统的二维Otsu算法的比较 | 第26-28页 |
| 2.3.1.5 二值化处理 | 第28页 |
| 2.3.2 形态学的开与闭 | 第28-29页 |
| 2.3.2.1 形态学的开操作 | 第28-29页 |
| 2.3.2.2 形态学的闭操作 | 第29页 |
| 2.3.3 人脸的生物几何特征筛选 | 第29-30页 |
| 2.4 基于改进的Gentle Adaboost算法的人脸检测 | 第30-37页 |
| 2.4.1 Haar-Like特征 | 第30-31页 |
| 2.4.1.1 Haar-Like特征的分类 | 第30-31页 |
| 2.4.1.2 Haar-Like特征工作原理 | 第31页 |
| 2.4.2 Gentle Adaboost算法 | 第31-35页 |
| 2.4.2.1 Gentle Adaboost算法的弱分类器 | 第32-33页 |
| 2.4.2.2 Gentle Adaboost算法的强分类器 | 第33-34页 |
| 2.4.2.3 级联分类器的训练 | 第34-35页 |
| 2.4.3 改进的Gentle Adaboost算法 | 第35-37页 |
| 2.4.3.1 改进的Gentle Adaboost算法原理 | 第35-36页 |
| 2.4.3.2 改进的Gentle Adaboost算法过程 | 第36页 |
| 2.4.3.3 改进的Gentle Adaboost算法训练过程 | 第36-37页 |
| 2.5 基于肤色分割与改进的Gentle Adaboost算法的人脸检测 | 第37页 |
| 2.6 实验结果与讨论 | 第37-40页 |
| 2.7 本章小结 | 第40-41页 |
| 第三章 人脸目标跟踪 | 第41-55页 |
| 3.1 HSV颜色空间 | 第41-42页 |
| 3.2 Camshift跟踪算法 | 第42-48页 |
| 3.2.1 MeanShift算法 | 第42-46页 |
| 3.2.1.1 算法原理 | 第42-43页 |
| 3.2.1.2 目标对象模型 | 第43页 |
| 3.2.1.3 候选目标对象模型 | 第43-44页 |
| 3.2.1.4 相似度计算 | 第44页 |
| 3.2.1.5 定位目标 | 第44-45页 |
| 3.2.1.6 MeanShift算法计算流程 | 第45-46页 |
| 3.2.1.7 MeanShift的缺点 | 第46页 |
| 3.2.2 Camshift算法 | 第46-48页 |
| 3.2.2.1 Camshift算法原理 | 第46页 |
| 3.2.2.2 Camshift算法流程 | 第46-48页 |
| 3.2.2.3 Camshift算法优缺点 | 第48页 |
| 3.3 卡尔曼滤波器 | 第48-50页 |
| 3.3.1 卡尔曼滤波器的原理 | 第48-49页 |
| 3.3.2 卡尔曼滤波器的计算流程 | 第49-50页 |
| 3.4 搜索窗口的初始化 | 第50页 |
| 3.5 人脸跟踪组合算法 | 第50页 |
| 3.6 多人脸目标跟踪的实现 | 第50-51页 |
| 3.7 人脸目标跟踪实验分析 | 第51-53页 |
| 3.8 本章小结 | 第53-55页 |
| 第四章 人脸目标识别 | 第55-71页 |
| 4.1 人脸目标图像数据降维 | 第55-58页 |
| 4.1.1 小波变换 | 第55-56页 |
| 4.1.1.1 离散小波变换 | 第56页 |
| 4.1.2 图像压缩降维 | 第56-58页 |
| 4.2 人脸特征提取 | 第58-60页 |
| 4.2.1 2DPCA算法 | 第58-60页 |
| 4.2.1.1 2DPCA概念与算法 | 第59-60页 |
| 4.2.1.2 2DPCA特征提取 | 第60页 |
| 4.3 SVM分类器 | 第60-65页 |
| 4.3.1 SVM分类器基本原理 | 第60-61页 |
| 4.3.2 最优分类面 | 第61-62页 |
| 4.3.3 最优广义分类面 | 第62-64页 |
| 4.3.4 核函数 | 第64-65页 |
| 4.3.4.1 核函数的选取 | 第65页 |
| 4.4 人脸目标识别算法流程 | 第65-66页 |
| 4.5 人脸目标识别实验 | 第66-70页 |
| 4.5.1 算法实验比较 | 第67-68页 |
| 4.5.2 多项式阶数分析 | 第68页 |
| 4.5.3 人脸数对识别率的影响 | 第68-69页 |
| 4.5.4 人脸目标识别效果 | 第69-70页 |
| 4.6 本章小结 | 第70-71页 |
| 第五章 人脸检测与识别系统 | 第71-77页 |
| 5.1 系统开发流程 | 第71-72页 |
| 5.2 系统开发环境 | 第72页 |
| 5.3 系统运行环境 | 第72页 |
| 5.4 系统功能说明 | 第72-76页 |
| 5.4.1 视频输入模块 | 第72-73页 |
| 5.4.2 人脸目标检测模块 | 第73-74页 |
| 5.4.3 人脸目标跟踪模块 | 第74-75页 |
| 5.4.4 人脸目标识别模块 | 第75-76页 |
| 5.5 本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 6.1 论文总结 | 第77-78页 |
| 6.2 论文创新与改进 | 第78页 |
| 6.3 研究展望 | 第78-79页 |
| 致谢 | 第79-81页 |
| 参考文献 | 第81-84页 |
| 附录A：硕士期间研究成果 | 第84页 |
